IA nell’e-learning: cosa funziona davvero?

La maggior parte dei team di L&D ha ormai utilizzato l’IA in qualche forma. La questione si è spostata. Non si tratta più di decidere se adottarla. Si tratta di capire se stia effettivamente offrendo qualcosa di meglio, o se stia solo offrendo qualcosa più velocemente.

Nel nostro ultimo webinar, Nelson Sivalingam, CEO di HowNow e autore di Learning at Speed, e Talha Faridy, AI Innovation Lead presso Easygenerator, si sono uniti alla moderatrice Ashling Moran per uno sguardo onesto su dove stia effettivamente arrivando l’IA nel campo dell’L&D. Cosa ha funzionato, cosa non ha funzionato e cosa i professionisti dell’L&D dovrebbero chiedere agli strumenti in cui investono.

🎥 Guarda la sessione: Te la sei persa dal vivo? Guarda la registrazione completa qui sopra.

L’efficienza non è la stessa cosa dell’efficacia

Quando chiedi come i team di L&D stiano usando l’IA oggi, la risposta è quasi sempre la stessa: per fare ciò che facevano già, ma più velocemente. Creazione di contenuti, pianificazione dei programmi, analisi dei dati di valutazione. I guadagni in termini di efficienza sono reali.

Ma Nelson ha tracciato una linea di demarcazione tra efficienza ed efficacia che è emersa durante l’intera conversazione.

“C’è una grande differenza tra fare una cosa velocemente e fare la cosa giusta. E in questo momento quello che stiamo facendo è fare una cosa velocemente, ma non stiamo necessariamente valutando se sia la cosa giusta.”

Il rischio non è solo una perdita di tempo. È che l’IA rende più facile scalare le cose sbagliate. Se i tuoi contenuti non funzionavano prima, produrne di più velocemente non risolve il problema. Come ha detto Nelson:

“Ciò che potremmo effettivamente vederci fare è scalare proprio il problema che speriamo di risolvere. Una delle sfide è la presenza di una tonnellata di contenuti. E quando hai una tonnellata di contenuti, la scoperta è una delle sfide più grandi. Essendo in grado di creare molto rapidamente molti contenuti che non sono di grande qualità, ciò che stai effettivamente facendo è scalare il problema che avevi già molto, molto più velocemente.”

C’è anche una conseguenza da cui è più difficile riprendersi. Quando i discenti interagiscono con contenuti generati dall’IA di scarsa qualità e non li trovano utili, si formano un’opinione. Riconquistarli dopo è difficile.

Talha ha aggiunto che le aspettative irrealistiche sono parte di ciò che guida questo fenomeno. Molti autori presumono di poter affidare un compito all’IA con un contesto minimo e ottenere qualcosa di pronto per la produzione.

“Molti autori hanno aspettative errate su ciò che l’IA può fare. Pensano di poter semplicemente delegare senza molto contesto e senza un lavoro preparatorio, per poi aspettarsi un output completamente pronto per la produzione. Mentre spesso non è così.”

Che aspetto ha una vera misura del valore

Se la velocità non è la misura, qual è? La risposta di Nelson torna a ciò per cui serve davvero la L&D.

“L’obiettivo della L&D non è creare contenuti. È un mezzo per raggiungere un fine. Il nostro lavoro in questa professione è aiutare le persone a svolgere meglio il proprio lavoro e aiutarle a crescere. È semplice così.”

Ciò significa che la domanda non è quanti corsi siano stati erogati o quante ore di formazione siano state completate. È se le competenze che contano per l’azienda siano state effettivamente sviluppate.

Nelson ha inquadrato la questione attraverso la lente di ciò che ha chiamato crisi dei talenti: organizzazioni che lottano per assumere competenze specializzate che sono molto richieste e scarse. L’unica risposta sostenibile è migliorare le competenze delle persone internamente. Ciò rende lo sviluppo delle competenze l’output che conta, ed è l’output che la maggior parte delle misurazioni della L&D ancora non traccia direttamente.

“La domanda non riguarda quante ore di apprendimento qualcuno abbia fatto o quale contenuto sia stato completato. Si riduce davvero a: abbiamo sviluppato le competenze di cui avevamo bisogno per raggiungere quegli obiettivi? Questa è davvero la misura del valore.”

Il contesto è ciò che manca all’IA

Uno dei punti pratici più chiari della sessione riguardava ciò che rende effettivamente utile l’output dell’IA. Gli strumenti di IA generici sono ragionevolmente buoni con le informazioni generiche. Ciò in cui non sono bravi, per impostazione predefinita, è il contesto aziendale.

Talha è stato diretto al riguardo:

“I modelli linguistici di grandi dimensioni sono davvero bravi con le informazioni generiche. Ma una cosa in cui non sono ancora bravi per impostazione predefinita è il contesto aziendale. Il contesto della tua azienda, i tuoi obiettivi aziendali, i risultati che stai cercando. Questo è il tipo di contesto che vuoi portare nell’IA. Quel lavoro di preparazione deve essere svolto prima di lavorare con l’IA su qualsiasi strumento.”

Questo vale anche per la creazione di corsi. La facilità di costruire qualcosa con l’IA rende anche più facile costruire la cosa sbagliata.

“È più facile costruire cose ora, ma è anche più facile costruire le cose sbagliate.” Quel concetto si applica alla creazione di corsi. Stai costruendo qualcosa per guidare risultati significativi. È più facile costruire formazione, di sicuro, ma è anche più facile costruire la formazione sbagliata per le persone sbagliate nei formati sbagliati.”

Il lavoro preparatorio che previene tutto ciò consiste nel definire gli obiettivi di apprendimento in anticipo, essere specifici riguardo al cambiamento di comportamento che si desidera che i discenti abbiano e dare all’IA un quadro chiaro di come appare un buon output prima di iniziare. In Easygenerator, questo è integrato nella funzionalità Linee guida del corso, che consente agli autori di dare a EasyAI istruzioni esplicite su obiettivi, preferenze di contenuto e materiale di origine prima che generi qualsiasi cosa.

IA incentrata sull’autore vs generazione di contenuti incentrata sull’IA

Ciò ha portato la conversazione a una distinzione che ha attraversato l’intera sessione: la differenza tra l’IA che parte dall’intento dell’autore e l’IA che parte dalla generazione di contenuti.

Talha ha descritto come Easygenerator affronta questo aspetto, utilizzando Bloom’s taxonomy per ancorare gli obiettivi di apprendimento prima che venga costruito qualsiasi contenuto.

“Chiediamo all’esperto in materia o al progettista didattico cosa vogliono esattamente che i loro discenti facciano dopo aver terminato il corso.” Qual è quel cambiamento di comportamento in termini di applicazione che vogliono promuovere? Una volta definito in anticipo, insieme alle conoscenze di cui il discente ha bisogno, ciò guida l’IA nella giusta direzione e migliora complessivamente la qualità del contenuto.”

Nelson ha aggiunto una cornice utile per ciò che questo sblocca. Nel vecchio modello, un team di L&D si rivolgeva a un esperto in materia (SME), raccoglieva competenze, le portava via, applicava il pensiero di progettazione didattica e tornava settimane dopo con un corso. La creazione assistita dall’IA cambia questa tempistica.

“Come SME, posso andare su Easygenerator e lavorare con l’IA per dire: Sto riversando qui la mia competenza, ma tu hai la competenza della pedagogia e il modo migliore per inquadrare e strutturare tutto questo. Ti ci sarebbero volute settimane per arrivare a qualcosa che fosse pedagogicamente valido. Ma ora possiamo passare da ‘ecco la competenza’ a ‘risorsa di apprendimento pedagogicamente valida’ molto rapidamente.”

Detto questo, nessuno dei due relatori ha suggerito che ciò elimini la necessità del giudizio umano. Gli utenti esperti di IA sono coloro che iterano, che trattano il primo output come un punto di partenza e che portano il proprio contesto e la propria esperienza nel processo a ogni passo.

Il nuovo lavoro di L&D è progettare il contesto, non il contenuto

Se gli SME possono ora creare contenuti direttamente con il supporto dell’IA, cosa significa questo per il ruolo di L&D? Sia Nelson che Talha hanno indicato la stessa direzione.

L’inquadramento di Nelson è stato memorabile: in questo mondo, i team di L&D sono effettivamente manager dell’IA. E il lavoro di un manager è fissare l’asticella e creare le condizioni affinché gli altri la raggiungano.

“Non è necessariamente compito di L&D progettare il contenuto. È compito di L&D progettare il contesto affinché tutti gli altri possano creare risorse più utili con pochissimo attrito.”

Ciò significa definire cosa significa eccellenza, stabilire linee guida del corso che qualsiasi SME possa seguire, scegliere i giusti framework pedagogici e costruire strutture di governance che mantengano la qualità coerente in tutta l’organizzazione senza gravare su ogni SME con decisioni di progettazione didattica.

Talha ha espresso lo stesso concetto dal punto di vista del prodotto:

“Il team di L&D può definire quel quadro e orientare le cose nella giusta direzione. Se non lo fai, è solo un’altra situazione in cui gli SME, che sono già sotto pressione, ora devono anche imparare a creare apprendimento di qualità. L’IA può essere utilissima qui, dove i team di L&D definiscono cosa significa eccellenza, e poi gli SME possono usarla per creare contenuti senza che ciò aggiunga un ulteriore carico su di loro.”

Anche l’aspetto del riconoscimento è importante. Ashling ha menzionato qualcosa che vede funzionare nella pratica: mettere i nomi delle persone sui corsi, segnalare esempi validi e dare credito pubblico agli esperti di materia che lo fanno bene. Stabilisce l’asticella in modo visibile e dà agli altri un obiettivo a cui puntare.

Se l’IA sia integrata o aggiunta conta più di quanto si possa pensare.

Una domanda dal pubblico durante la sessione ha toccato qualcosa che è emerso costantemente: come si fa a capire se l’IA è genuinamente integrata in uno strumento o solo aggiunta sopra un prodotto esistente?

L’opinione di Nelson è che la risposta solitamente emerge da come l’IA si comporta lungo l’intero flusso di lavoro.

“Quando hai un’IA nativa, stai essenzialmente applicando l’intelligenza a ogni passo di quel processo.” Quindi ottieni guadagni in termini di efficienza, ma anche guadagni in termini di efficacia applicando tale intelligenza a ogni passaggio. Come componente aggiuntivo, è davvero difficile. Stai cercando di perfezionare l’ultimo miglio con l’IA, il che è ciò che lo rende molto difficile.”

La creazione di contenuti, come ha sottolineato Nelson, comporta molteplici passaggi che traggono vantaggio dall’intelligenza in ognuno di essi: progettazione del curriculum, strutturazione di singoli pezzi di contenuto, costruzione di impalcature, applicazione di quadri pedagogici. Una soluzione aggiuntiva può aiutare in uno o due di questi punti. Una piattaforma in cui l’IA è nativa può supportarli tutti.

Il test pratico che ha suggerito è semplice: quanto è stata efficace l’IA nell’aiutarti a svolgere l’attività specifica che stavi cercando di fare? Non quale IA sembra più impressionante, ma quale ti ha effettivamente aiutato a risolvere il problema che avevi di fronte.

Talha ha affrontato direttamente la dimensione del prezzo di questo aspetto. Alcuni fornitori hanno risposto al costo dell’IA trasferendo i costi tramite prezzi più elevati. La posizione di Easygenerator è che l’IA dovrebbe essere inclusa nel prezzo base per tutti.

“Crediamo fermamente che il futuro per la maggior parte degli autori e degli esperti di L&D sia IA nativa. La nostra posizione è che tutti dovrebbero essere messi in grado di utilizzare tale tecnologia. Pertanto, per la nostra piattaforma IA principale, non addebitiamo costi aggiuntivi. È inclusa nel prezzo base. Questo è il motivo principale, per mettere tutti in grado di operare e lavorare con loro verso quel futuro di essere nativi dell’IA.”

Dove si andrà in futuro

Il capitolo finale della conversazione ha guardato ai prossimi 12 mesi. Talha ha indicato l’IA agentica come direzione di marcia: Un’IA che si muove attraverso un flusso di lavoro in modo iterativo, utilizzando diversi strumenti e funzionalità per compiere un’attività, invece di produrre un singolo output in risposta a un singolo prompt. Più efficace, più consapevole del contesto, migliore nell’arrivare a qualcosa di utile senza richiedere all’utente di effettuare molteplici cicli di correzione manuale.

La prospettiva di Nelson era di portata più ampia. Ha descritto un divario nella formazione e sviluppo che non è mai stato colmato: la connessione tra apprendimento e performance. La maggior parte delle organizzazioni non sa dire, quando la performance cala, quali competenze mancano o perché. E anche quando riescono a identificare un divario di competenze, spesso non sanno quale apprendimento lo risolverà.

“Con agenti autonomi che possono attraversare quel ciclo da soli, ora puoi guardare ai segnali di lavoro, dedurre quali sono i divari di performance, capire quali competenze mancano, connetterti con la risorsa di apprendimento pertinente giusta, quindi monitorare i dati di lavoro per vedere se ha effettivamente cambiato la performance. Tutto in un unico ciclo autonomo.”

Ha chiamato questa la visione di un’azienda che migliora se stessa. Formazione e sviluppo stabilisce i guardrail e il sistema gestisce il ciclo.

Il punto fondamentale

L’IA nella formazione e sviluppo sta offrendo reali guadagni di efficienza. Le organizzazioni che vedono il maggior valore sono quelle che trattano il contesto come un primo passo, mantenendo gli esseri umani nel processo invece di rimuoverli, e misurando i risultati piuttosto che l’output.

Anche gli strumenti contano. L’IA integrata nel flusso di lavoro di creazione fin dall’inizio si comporta diversamente dall’IA aggiunta sopra un prodotto legacy. Comprendere questa differenza è parte della valutazione se una piattaforma ti aiuterà davvero o ti aiuterà solo a produrre più contenuti più velocemente.

👏 Un enorme ringraziamento a Nelson Sivalingam per una conversazione sinceramente onesta e pratica.

Trascrizione del webinar dei relatori

Ashling: Iniziamo pure. Grazie a tutti per esservi uniti. Se siete tornati, lo apprezziamo davvero. E se questa è la vostra prima volta, benvenuti. Oggi discuteremo di IA ed e-learning e di ciò che funziona davvero. Mi chiamo Ashling e ho il piacere di ospitare questa sessione, e sono affiancata da Nelson e Talha, che si presenteranno tra pochi secondi. Questo è un seguito di una chiamata che abbiamo avuto nell’ottobre 2025, che riguardava proprio l’IA e l’e-learning. E questa volta partiamo da un punto leggermente diverso. Invece di chiederci se dovremmo usare l’IA, ci concentreremo sul fatto se funzioni davvero. Senza ulteriori indugi, passo la parola ai nostri ospiti di oggi. Nelson, sei il primo sul mio schermo. Ti andrebbe di presentarti?

Nelson: Certamente. Sono Nelson, uno dei fondatori e CEO di HowNow. In HowNow siamo una piattaforma di apprendimento che aiuta le aziende a capire quali competenze possiedono, quali mancano, e a mettere in contatto le persone con l’apprendimento pertinente affinché possano sviluppare le competenze di cui hanno bisogno. Sono anche l’autore di Learning at Speed. Sarebbe fantastico sapere se qualcuno in questa sessione l’ha letto. Se non lo avete fatto, è un libro che fornisce una guida pratica e dei framework su come accelerare la velocità con cui si apprende nella propria organizzazione. È fantastico essere qui. Non vedo l’ora di partecipare alla discussione.

Ashling: Bene, grazie per esservi uniti a noi. Sono entusiasta di vedere cosa puoi aggiungere. Se qualcuno ha letto il libro, lo scriva nella chat, mi piacerebbe saperlo. Talha, ti andrebbe di presentarti dopo?

Talha: Grazie, Ashling. Dunque, Talha qui, alla guida delle attività di prodotto IA presso Easygenerator. Quindi sono responsabile della visione dell’IA, della strategia di prodotto e del lavoro con i team di L&D e gli esperti in materia per realizzare il sogno dell’Employee-generated Learning, e di come l’IA possa essere applicata nell’authoring, nell’e-learning, ma anche oltre. E stiamo esplorando questo spazio qui in Easygenerator in modo piuttosto rigoroso, direi.

Ashling: È un periodo entusiasmante, molte cose stanno cambiando, quindi sono entusiasta di avere un po’ di tempo oggi per scambiare idee con te. Prima di iniziare con la nostra prima domanda, mi piacerebbe sentire tutti voi che vi siete uniti a noi oggi. In una parola, mi piacerebbe sapere come descrivereste a che punto è il vostro team con l’IA in questo momento. Metterò un sondaggio nella chat. Potete scegliere l’opzione che pensate risuoni di più. Se c’è qualcosa che non abbiamo elencato, sentitevi liberi di scriverlo. Ok, con le prime risposte, sembra che molti team stiano ancora sperimentando, o addirittura facendo un passo avanti, e scalando. Quindi sì, molti team stanno attualmente sperimentando. Sarà interessante vedere con cosa state sperimentando, cosa sta funzionando bene. Quindi oggi quello che vediamo è che la maggior parte dei team di L&D ha effettivamente iniziato a usare l’IA in qualche forma, e la questione si è spostata. Non si tratta più di stabilire se si debba adottare l’IA, ma se stia effettivamente migliorando l’apprendimento o se lo stia solo rendendo più veloce. Quindi affronteremo la questione onestamente: cosa ha funzionato, cosa non ha funzionato, qual è la reale differenza di qualità nella pratica e cosa dovrebbero chiedere i professionisti di L&D agli strumenti in cui investono. Quindi, per iniziare, Nelson, mi piacerebbe conoscere le tue intuizioni su come i team di L&D utilizzano effettivamente l’IA oggi e se sta funzionando.

Nelson: Sì, credo che guardando a come le persone la usano oggi, penso sia in gran parte per ottenere guadagni di efficienza. Ciò che emerge chiaramente da, in realtà, c’è un ottimo studio condotto da Donald Taylor sull’utilizzo dell’IA nella L&D, che mostra chiaramente che stiamo essenzialmente usando l’IA per fare le cose che facevamo già, ma per farle più velocemente. E questo riguarda specificamente la creazione di contenuti, o l’aiutarci a pianificare un curriculum, o a delineare i contenuti. E poi si arriva all’analisi dei dati. Quindi, se avete grandi set di dati di valutazione o dati sul coinvolgimento nell’apprendimento, essere in grado di analizzarli e dar loro un senso sono probabilmente le due aree principali. Ma la sfida è che stiamo cercando di essere più efficienti con l’IA, ma ciò che non vediamo sono utilizzi in cui essa renda i team di L&D più efficaci. Ed è proprio qui che risiede la sfida in questo momento. Per quanto riguarda la tua domanda: sta funzionando davvero? C’è una grande differenza tra fare una cosa velocemente e fare la cosa giusta. E al momento quello che stiamo facendo è fare le cose velocemente, ma non stiamo necessariamente valutando se siano la cosa giusta o meno. E questo richiede molto più che limitarsi ad applicare l’IA ad alcune delle attività che stavamo già svolgendo. Ci sono interrogativi su come si allinei con la strategia aziendale complessiva. State misurando le cose giuste per sapere se state avendo l’impatto desiderato sulla vostra organizzazione o meno? E quindi penso che sia qui che stiamo riscontrando le sfide attualmente. Ho visto che quasi il 10 % dei partecipanti al sondaggio si è dichiarato scettico, e quello che noto è che gran parte dello scetticismo deriva dal fatto che non si vedono immediatamente la produttività o i risultati sperati. E saltiamo alla conclusione che sia colpa dell’IA o degli strumenti di IA, invece di porci le domande più fondamentali: la stiamo applicando correttamente e c’è un problema strategico più profondo nel verificare se stia effettivamente funzionando o meno. Quindi ci sono sicuramente guadagni in termini di efficienza, ma abbiamo visto un aumento significativo dell’efficacia? Dobbiamo ancora vederlo.

Ashling: Sì, ma penso che abbia senso. Molte persone che hanno risposto al sondaggio hanno detto di trovarsi in quella fase di sperimentazione, quindi stanno cercando di tastare il terreno, vedere cosa funziona e cosa no. E speriamo che sia questo ciò che esamineremo più da vicino oggi. Talha, hai notato la stessa cosa, ovvero che stiamo facendo le cose forse più velocemente ma dobbiamo ancora sbloccare quell’aspetto dell’efficienza?

Talha: Sì, assolutamente. Penso che dal mio punto di vista, per come vedo le cose, ci siano due categorie principali in cui rientrano la necessità dell’IA e la situazione attuale. Ce n’è una in cui le risorse per i team di L&D sono limitate, giusto? Quindi hanno questi grandi arretrati, molti compiti da svolgere, e molti corsi da erogare. Un grande volume di corsi, quindi un problema. E il secondo è la qualità, giusto. Dove, naturalmente, per superare questo collo di bottiglia nelle risorse, uno dei modi è delegare la creazione dei contenuti agli esperti in materia. Ovvero l’apprendimento generato dai dipendenti. E lì, naturalmente, c’è una questione di qualità. Come si mantiene la qualità dell’output, il livello di progettazione didattica, dell’apprendimento che viene creato su tutta la linea. E penso che sia qui che i team di L&D guardino all’IA per risolvere questi problemi, e ancor più per quanto riguarda la produzione dei contenuti. La produzione di contenuti, probabilmente, è la questione più rilevante. E lì concordo con Nelson, di sicuro. E sono assolutamente d’accordo, lo vediamo spesso, che produrre le cose più velocemente non significa necessariamente che lo si stia facendo nel modo giusto. E a volte porta anche a false aspettative e falsi risultati. Molti autori hanno aspettative errate di ciò che l’IA può fare. Sentono di poter semplicemente delegare senza molto contesto e senza molto lavoro preparatorio, e poi aspettarsi un output che sia completamente pronto per la produzione. Mentre spesso non è così. Quindi, naturalmente, deve esserci una forte governance, una forte strategia, un allineamento con i risultati aziendali, affinché l’IA sia davvero implementata efficacemente durante tutto il ciclo di vita della creazione di contenuti. Quindi sì, questo è ciò che vedo dal mio punto di vista.

Nelson: E solo per aggiungere a questo, penso sia importante sottolineare che nessuno trattiene il proprio lavoro semplicemente perché è efficiente nel non fornire valore. E quindi questo è il rischio attuale: stai effettivamente fornendo un risultato che l’azienda desidera oppure stai semplicemente producendo una grande quantità di contenuti? E ciò che potremmo effettivamente vederci fare è scalare proprio il problema che speriamo di risolvere. Una delle sfide è rappresentata dall’elevato volume di contenuti e, quando c’è tanto, la fase di scoperta diventa una delle principali difficoltà. Essendo in grado di creare molto contenuto di scarsa qualità molto velocemente, ciò che in realtà stai facendo è scalare il problema che avevi già molto, molto più rapidamente, e quindi rendendolo più difficile per te stesso. E inoltre crea un circolo vizioso, giusto. Dove, se le persone iniziano a interagire con il tuo contenuto generato dall’IA e quest’ultimo è di bassa qualità, è molto difficile riattivarle, perché l’hanno provato, non l’hanno trovato utile, non l’hanno ritenuto pertinente, e ora si sono formate delle opinioni su questo contenuto. Quindi la prossima volta che lanci un corso e dici, tornate, ho altro materiale, è meno probabile che interagiscano perché l’ultima volta ha creato un circolo vizioso. E quindi, per quanto tu possa essere attratto dall’efficienza di sfornare contenuti più velocemente, in realtà può avere degli impatti dannosi in futuro, dove potresti rendere più difficile per te stesso coinvolgere le persone nell’apprendimento in futuro, se non ti assicuri che sia di alta qualità e pertinenza.

Ashling: Sì, ha senso. Quindi assicurarsi che la qualità ci sia, è qualcosa con cui i discenti vogliono interagire. Se seguono un pezzo di formazione, vedono il valore per se stessi e vogliono interagire di nuovo. Ciò che trovo interessante lì, Nelson, è se la velocità non è la stessa cosa del valore, cosa dovrebbero usare i team di L&D come vero test per capire se l’IA sta funzionando o meno?

Nelson: Sì, penso che si torni al sacro graal di ciò che riguarda l’L&D, giusto. Il risultato dell’L&D non è creare contenuti, è un mezzo per raggiungere un fine. E il nostro lavoro in questa professione è aiutare le persone a svolgere meglio il proprio lavoro e aiutarle a crescere. È tutto qui. E quindi inizi a scomporre la cosa per chiederti: cosa stiamo guardando qui per sapere se stiamo offrendo quel valore all’organizzazione o meno? Ora, se osservi il contesto macroeconomico, in questo momento abbiamo una massiccia carenza di talenti, cosa che potrebbe non risultare ovvia dato che molti titoli di giornale parlano attualmente di massicci licenziamenti nelle organizzazioni. E quindi è facile pensare che i tassi di disoccupazione stiano aumentando. Ma in realtà, se guardi ad esempio al Regno Unito o agli Stati Uniti, i tassi di disoccupazione non stanno aumentando, stanno diminuendo. E ciò che abbiamo effettivamente è una carenza di assunzioni per competenze molto specializzate. Un’ottima statistica che ho visto è che un recente sondaggio ha rilevato che, per i lavoratori tecnici, circa il 70% aveva ricevuto molteplici offerte di lavoro al momento dell’accettazione. Ora, ciò che questo ci dice è che per competenze molto specializzate, c’è una domanda molto alta. Infatti, c’è una domanda maggiore per determinate competenze rispetto all’offerta, il che significa che è molto competitivo e costoso per le organizzazioni assumere le competenze di cui hanno bisogno per portare a termine il lavoro. Il che significa che l’unico modo sostenibile per le aziende di farlo nell’attuale contesto è essere in grado di migliorare e riqualificare le proprie persone. Il che significa che questo è l’obiettivo, giusto. L’obiettivo è: come facciamo a garantire nella nostra organizzazione di costruire le competenze di cui abbiamo bisogno per essere in grado di portare a termine il lavoro? Il che significa che ora dobbiamo essere in grado di capire quali competenze non abbiamo. E questa diventa la nostra priorità. Questi sono gli obiettivi che l’azienda vuole raggiungere e, per raggiungere tali obiettivi, ecco le capacità che dobbiamo costruire nell’organizzazione. E il fatto che stiamo offrendo valore o meno dipende da: stiamo costruendo quelle capacità fondamentali o no? E quindi la domanda non riguarda quante ore di formazione qualcuno ha fatto, o quale contenuto è stato completato. Si riduce davvero a: abbiamo costruito le competenze di cui avevamo bisogno per raggiungere quegli OKR o obiettivi? E questa è davvero la misura del valore. Non si tratta tanto della velocità nel creare contenuti, quanto della velocità nel creare contenuti rilevanti per sviluppare le competenze di cui avevamo bisogno per offrire valore all’organizzazione.

Ashling: Ha senso. Quindi, se qualcuno si unisce oggi, il tuo consiglio sarebbe: se sei all’inizio di questo processo, scopri di quali competenze hai bisogno e poi questo informerà il resto? E se sai già di quali competenze hai bisogno, inizia a misurare se i tuoi sforzi di formazione stanno aiutando a colmare quel divario di competenze, o vedi valore generato perché queste competenze sono state soddisfatte?

Nelson: Sì. Lo vedrei quasi come una piramide, giusto. E in cima alla piramide, se immagini che tutto ciò che l’azienda fa sia in cima alla piramide. Ogni azienda ha una missione e ogni azienda ha una strategia su come raggiungere quella missione. E poi ogni azienda ha una serie di KPI o obiettivi o OKR per vedere se sono sulla strada giusta per realizzare quella strategia o meno. Diciamo che questa è la cima della piramide. Alla base di quella piramide, dal punto di vista della formazione e sviluppo, ci sono le iniziative di apprendimento, giusto? E tipicamente quello che si vede nelle organizzazioni è un divario tra ciò che fa la formazione e sviluppo e ciò che l’azienda sta cercando di fare. Di solito cerchiamo di collegare i punti alla cima della piramide in modo retrospettivo. Ho distribuito un sacco di contenuti e ora è come dire: hanno generato valore? Beh, fammi capire come ha funzionato. E cerchiamo di collegare quei punti retrospettivamente, e diventa un po’ come giocare a bingo. Qualcuno ha chiamato un numero, alcune persone hanno il numero corrispondente, vincono. Ma la realtà è che la maggior parte delle persone non ha un numero corrispondente, quindi stanno perdendo. Quindi ogni volta che qualcuno perde, è uno spreco di tempo, risorse e denaro. Quando giochi al bingo della formazione e sviluppo, ciò di cui hai bisogno è un modo più certo per riuscire a collegare quei punti. E il punto mancante in quella piramide riguarda le competenze che individui e team devono possedere per raggiungere quei KPI, giusto? Quindi il processo che seguirei è, innanzitutto, parlare con l’azienda riguardo a: ok, quali sono gli OKR o gli obiettivi qui che contano davvero di più per noi? Scegliamone uno, diciamo che si tratti di aumentare la fidelizzazione dei clienti. Poi lo scomponiamo per chiederci: quali sono i ruoli lavorativi che influenzeranno maggiormente questi obiettivi? E quali competenze devono possedere per essere in grado di svolgere i compiti che guideranno tale obiettivo? Una volta che sappiamo quali competenze devono avere, ora dobbiamo capire quali competenze possiedono effettivamente. Possiedono quelle competenze? Diciamo che devono avere capacità di problem solving di livello tre. Le hanno o no? E se non possiedono tali competenze, allora quelle diventano le aree di interesse su cui lavorare. Quindi, quali contenuti devi creare per migliorare il problem solving nella tua organizzazione, o quali risorse potresti già avere che devi solo rendere più accessibili o coinvolgenti per le persone giuste, per poterle sfruttare al meglio? E ora che conosci la base di riferimento, monitori quella metrica dell’obiettivo di performance per capire: ci stiamo muovendo verso di essa o no? La fidelizzazione dei clienti sta migliorando? Se non è così, allora dobbiamo cambiare rotta. Dobbiamo esaminare se si tratta del contenuto o della scoperta del contenuto. Ma la metrica chiave che stiamo osservando è quella, e la realtà è che in troppe organizzazioni non misuriamo nemmeno quella metrica di performance fino a quando non è troppo tardi. E la realtà è che ottieni ciò che misuri. Se ci pensi, fino a cinque anni fa, chi era consapevole di fare 10.000 passi? Nessuno pensava davvero se avessi fatto i miei 10.000 passi o meno. Ma ora che possiamo misurare se facciamo i nostri passi o meno, ora a tutti noi importa fare 10.000 passi. Quindi ottieni ciò che misuri. E per iniziare, devi cominciare a misurare l’impatto dell’apprendimento sullo sviluppo delle competenze e sulle prestazioni, per raggiungere gli obiettivi prefissati. Se non lo misuri, non lo otterrai.

Ashling: Ha molto senso. E penso anche che forse, Talha, questo si ricolleghi a qualcosa che hai menzionato, ovvero che alcuni team qui, alcune organizzazioni stanno già misurando questo aspetto, o almeno sono nel percorso verso questa destinazione finale. E ora hanno una competenza, hanno bisogno di formazione per quella competenza. Forse ci sono solo una o due persone nell’organizzazione che possono attualmente soddisfare una determinata esigenza o un ruolo. Quindi iniziano a creare formazione, ma si aspettano troppo dall’IA. Quindi Talha, la mia domanda sarebbe: che tipo di contesto fa davvero la differenza maggiore quando sfrutti l’IA per aiutare con l’aspetto dell’apprendimento?

Talha: Sì, è un’ottima domanda. Penso anche, leggendo la chat, i partecipanti al webinar, che una cosa sia molto chiara: i modelli linguistici di grandi dimensioni, sebbene stiano migliorando, sono davvero bravi con le informazioni generiche. Quindi informazioni di alto livello sulla maggior parte degli argomenti, sono piuttosto bravi anche in alcune cose tecniche. Ma una cosa in cui non sono ancora bravi per impostazione predefinita, che è molto importante, per impostazione predefinita non sono bravi, è il contesto aziendale. Il contesto della tua azienda, i tuoi obiettivi aziendali, i risultati che stai cercando. Questo è il tipo di contesto che vuoi portare nell’IA. E penso che quel lavoro di preparazione debba essere fatto prima di lavorare con l’IA su qualsiasi strumento con cui stai lavorando. Quindi, una volta identificate le competenze su cui vuoi puntare e definiti i giusti obiettivi di apprendimento, tenendo a mente il risultato prima di iniziare effettivamente a creare l’e-learning, avere tutto ciò documentato in anticipo e usarlo per guidare i tuoi sforzi di creazione è qualcosa che conta davvero molto. Penso anche che un ottimo esempio da fare qui sia che, anche se lo guardi da una prospettiva di prodotto, è effettivamente più facile costruire cose ora, ma è anche più facile costruire le cose sbagliate. E quel concetto si applica anche alla creazione di corsi. Perché stai costruendo qualcosa per ottenere risultati significativi. Ed è più facile creare una formazione, di sicuro, ma è anche più facile creare la formazione sbagliata per le persone sbagliate nei formati sbagliati. Quindi quel lavoro di preparazione, naturalmente, portare il contesto della vostra azienda, i risultati che state cercando, e redigere i giusti obiettivi di apprendimento, inserire il giusto contesto nell’IA, conta davvero, davvero molto.

Ashling: Direi, sì, ha senso. Penso che forse ci sia un passaggio tra ciò che tu, Nelson, stavi appena spiegando, riguardo al divario e alla preparazione e al sapere cosa stiamo misurando, e poi anche alla creazione del contenuto. E so che probabilmente ci sono persone che partecipano a questo webinar oggi che si trovano in quella fase, in quella fase intermedia. Quindi forse, Nelson, potresti aiutarci a identificare come andare avanti. Quindi come suggeriresti che, una volta identificate le competenze e le esigenze aziendali, e dovendo poi decidere quale intervento formativo farà la differenza maggiore, cosa consiglieresti ai team di L&D di fare in quella situazione?

Nelson: Sì, quindi una parte è fatta nel comprendere quali sono quelle lacune di competenze. Quali sono le competenze di cui avete bisogno ora? Le competenze si suddividono poi in quali sono i compiti e i comportamenti che dovrebbero essere in grado di svolgere come risultato dell’acquisizione della competenza. Ora, gran parte di questo deriva dalla scoperta del problema. Mi piace usare l’esempio dell’applicazione di una mentalità di prodotto a questo, perché penso che gran parte di essa sia applicabile. E una parte importante dello sviluppo del prodotto è la scoperta del problema. Quanto tempo spendete effettivamente cercando di capire quale sia il problema reale? Perché abbiamo un problema di performance? Quali compiti e comportamenti questi individui non sono in grado di svolgere, o in cui devono migliorare? Ed è qui che lavorare con l’esperto in materia conta davvero molto, per essere in grado di comprendere quel contesto di come questa competenza verrà applicata. Ora, un ottimo esempio di questo è se prendete una competenza come la comunicazione, per esempio. Il modo in cui la comunicazione verrà applicata è molto diverso per un venditore all’interno del proprio contesto rispetto a come verrà applicata per un ingegnere all’interno del proprio contesto. Quindi essere in grado di capire come quella competenza si manifesterà come compito o comportamento vi aiuterà poi ad assicurarvi di avere le giuste risorse per essere in grado di farlo. Ora, quando si parla di risorse, si torna di nuovo alla domanda: qual è il formato giusto? Non è lo stesso formato per ogni tipo di competenza, ed è tipicamente quello in cui rimaniamo intrappolati. Ma ciò a cui dobbiamo davvero pensare qui è un ecosistema di risorse che siano giuste per contesti diversi, ruoli diversi e competenze diverse. Non si tratta di avere un unico corso che risolverà il problema per chiunque abbia quella particolare competenza. Ed è qui che penso che tu ti orienti di più sulla cura, e essenzialmente persino sul coinvolgere diversi esperti in materia per creare contenuti. Sfruttare, diciamo, Easygenerator, per consentire loro di creare quel contenuto è una forma di cura, dove il ruolo di L&D si sta spostando dall’essere quasi una fabbrica di contenuti che sforna tutto il contenuto, a essenzialmente mettere gli esperti in materia nelle condizioni di creare le risorse di cui hai bisogno per colmare quelle lacune. Quindi questo è ciò che quel ponte rappresenta per me. Penso che uno dei passaggi critici sia, prima di correre a creare contenuti, fare davvero quella scoperta iniziale del problema, per capire cosa effettivamente manca.

Ashling: Ha senso. Quindi sì, stanno succedendo molte cose ed è interessante vedere come si stia evolvendo nel tempo, e come fare quella scoperta iniziale possa davvero aiutare, e avere un piano prima di iniziare può fare la differenza. So che questo sembra risuonare, ci sono molti commenti nella chat. Ne ho appena visto uno arrivare da Jodi, e penso sia interessante come Jodi abbia usato l’IA per aiutare a creare contenuti ogni giorno. Quindi, per fare cose come riassunti, scalette, script da video registrati sullo schermo o strutturare programmi di studio, basandosi sull’output, poi si può entrare e convalidare e iterare con prompt migliori. Quindi qui, usare l’IA per aiutare con l’aspetto della qualità, e so che questa è una preoccupazione per molti durante la chiamata. Talha, è qualcosa che hai menzionato anche tu, quindi sono curioso di sapere se questo è qualcosa che sta davvero risuonando con qualcuno, cosa suggeriresti loro di fare per valutare se una funzionalità di IA stia effettivamente migliorando la qualità dell’apprendimento, o se stia solo facendo risparmiare tempo?

Talha: Penso che una cosa sia certa, sottoscriverei: stiamo vedendo molto questo schema, in termini di generazione di riassunti utili, scalette, e poi ovviamente ottenere quel primo output e poi iterare su di esso, senza aspettarsi che l’IA sia la soluzione miracolosa. Diciamo, per esempio, che dai un prompt e, con un colpo solo, hai il tuo corso pronto: non accade così. La realtà è che devi andare a iterare con l’IA, e molte volte il contesto mancante che non c’era inizialmente, è quello che viene introdotto in quella fase, e poi perfezioni il contenuto e lo rendi pronto per la pubblicazione. Ed è qualcosa che vediamo molto. In realtà gli utenti esperti di IA, quelli che la usano in modo più efficace, sono quelli che seguono questo tipo di flusso di lavoro. Mentre quelli che si aspettano dall’IA cose irrealistiche probabilmente abbandonano dopo il primo utilizzo. Quelli che continuano nel ciclo di iterazione sono quelli che ottengono il massimo dall’IA, questo è decisamente certo. E in termini di creazione di contenuti efficaci, penso anche che sia importante, tornando al punto di Nelson, avere anche quel cambiamento di comportamento finale che vuoi che lo studente abbia praticamente in mente fin dall’inizio, e progettare i tuoi contenuti attorno a questo. All’interno di Easygenerator, usiamo la tassonomia di Bloom per aiutare in questo processo, dove durante il ciclo di creazione dei contenuti, usiamo praticamente la tassonomia di Bloom per aiutare nella creazione degli obiettivi di apprendimento, e questo poi ispira il resto dei contenuti creati con l’IA. In termini pratici, chiediamo in anticipo all’esperto in materia o all’instructional designer che sta usando il nostro strumento per creare l’apprendimento: cosa vuoi esattamente che i tuoi studenti facciano dopo aver finito il corso? Qual è quel cambiamento di comportamento in termini di applicazione che desideri promuovano? E una volta definito in anticipo, insieme alle conoscenze che devono avere per poter eseguire quell’azione, questo guida l’IA nella giusta direzione e, nel complesso, migliora la qualità dei tuoi contenuti. E aiuta anche a scegliere i formati giusti, perché ci sono molti formati diversi in cui puoi consumare l’apprendimento. Quindi, di nuovo, tornare a quegli obiettivi che hai fissato in anticipo aiuta davvero l’IA a determinare quali formati scegliere. Quindi, per esempio, per scenari pratici, forse i giochi di ruolo sono un ottimo formato, mentre per la sola comprensione e memorizzazione, forse i blocchi di testo sono il metodo preferito. Quindi questo è il tipo di configurazione che devi fare in anticipo, per guidare l’IA nella giusta direzione e, naturalmente, creare più contenuti che siano più efficaci.

Ashling: Davvero interessante. Quindi avere un essere umano al posto di guida e l’IA, vedo che sta risuonando. Qualcuno l’ha paragonato al cucinare con un microonde, oppure all’usare l’IA come supporto. Quindi, sì, se una persona è coinvolta, è lì che le persone stanno già vedendo i risultati migliori. Nelson, sono davvero interessato al tuo punto di vista. Diciamo che i team stanno indagando su questo, vogliono coinvolgere le persone, gli esseri umani, nel processo di apprendimento. Che ruolo dovrebbero svolgere gli SME nell’aiutare l’L&D a capire qual è il vero problema di performance, in modo che possano prepararsi al meglio, come ha menzionato Talha?

Nelson: Sì, quindi penso che il vecchio modello fosse: come L&D, diciamo instructional designer, o come manager o professionista L&D, andavo da uno SME per capire, dammi il contenuto, dammi l’esperienza, giusto. Quindi lo SME faceva una sorta di “brain dump” di tutta la sua esperienza, e io, come professionista L&D, la rielaboravo applicando la pedagogia per creare un corso attorno a essa. E ciò che l’IA, combinata con l’authoring, sblocca, è quel collo di bottiglia di un team L&D molto snello che deve essere responsabile di farlo. In questo momento, ciò che puoi fare come esperto in materia (SME) è rivolgerti a Easygenerator e lavorare con l’IA per dire: “Sto riversando qui la mia competenza, ma tu possiedi la competenza pedagogica, il modo migliore per inquadrarla, strutturarla e realizzarla”. Quindi, il vantaggio che ottieni ora è che ti ci sarebbero volute settimane per arrivare a qualcosa di pedagogicamente valido. Ma ora possiamo passare dalla competenza a una risorsa di apprendimento pedagogicamente valida, molto rapidamente in questo momento. Detto questo, la domanda è: qual è il ruolo di L&D? E penso che sia un ruolo molto fondamentale e importante, in cui L&D stabilisce le linee guida, il quadro di riferimento per cosa significa fare bene. E questo non significa necessariamente che debba essere io a costruirlo. E un buon confronto qui è, dico spesso, quando penso a quale sia il ruolo di un manager, per me il ruolo di un manager è qualcuno che fissa l’asticella e poi qualcuno che crea le condizioni affinché tu possa raggiungerla. Queste sono le uniche due cose che un manager deve fare. E penso che in questo mondo, essenzialmente siamo tutti manager dell’IA. E per me, L&D è un manager dell’IA specificamente progettato per L&D. E quindi è tuo compito fissare l’asticella per l’IA e creare le condizioni affinché possa raggiungerla. E le condizioni per raggiungere l’asticella qui sono elementi come il contesto, descritto in precedenza. Cosa hai fatto per rendere facile l’inserimento di tale contesto? Perché non puoi aspettarti che l’SME inserisca il contesto ogni volta. Ci sono cose come, ad esempio, come potresti pensare a questo, quasi come un file di tipo skill MD? Quali sono il tipo di istruzioni o file universali per l’organizzazione, in termini di come vediamo il mondo, cosa ci piace, cosa non ci piace? Come inserisci quel contesto, in modo che l’SME non debba farlo ogni volta? Ci sono determinati quadri pedagogici verso i quali tendi, di cui vuoi assicurarti che l’IA sia a conoscenza? Quindi quella costruzione del contesto è un compito importante, e ti rendi conto di quanto sia importante solo quando provi a creare qualcosa senza quel contesto e vedi quanto sia terribile. E questo è davvero il ruolo di L&D, non è necessariamente progettare il contenuto, è progettare il contesto, in modo che tutti gli altri possano creare risorse più utili con pochissimo attrito.

Ashling: Mi è piaciuto molto come l’hai espresso: fissare l’asticella e poi creare le condizioni affinché tu possa raggiungerla. Talha, dato il tuo ruolo nel plasmare EasyAI in Easygenerator, mi piacerebbe sapere come quelle lezioni ti hanno influenzato lungo il percorso, in un viaggio dall’IA incentrata sull’autore rispetto alla normale generazione di contenuti tramite IA.

Talha: Sì, penso che, in termini di storia con EasyAI, dal suo inizio a ciò che è oggi, risuoni anche in generale con il modo in cui l’IA stessa e la percezione che la circonda siano cambiate nel tempo. Naturalmente, quando è arrivata per la prima volta, le persone si aspettavano che le avresti dato solo un prompt, e con un singolo prompt, saresti stato in grado di ottenere il tuo output. E poi c’era tipo, ok, puoi darle alcuni esempi di quali sono ottimi output, e poi avresti ottenuto una risposta migliore. Poi è arrivata l’idea dei progetti, ad esempio, puoi quindi inserire le cose nei progetti e poi gestirà il tuo contesto. Poi siamo arrivati all’era di Claude Code, ora abbiamo file MD archiviati come contesto, e poi abbiamo le competenze al giorno d’oggi. Quindi vediamo un modello chiaro, le cose si stanno muovendo verso, ancora una volta, tornando al punto di Nelson, guidare l’IA nella giusta direzione, fissare quell’asticella, e avere competenze, ad esempio, avere molteplici asticelle che fissi per diverse aree o domini o cose diverse che l’IA dovrebbe fare, e poi farle seguire quelle. Ed è esattamente ciò che offre l’authoring incentrato sull’autore, dove guidi l’IA nella giusta direzione, fissi le condizioni per essa. Ad esempio, all’interno della nostra suite EasyAI, abbiamo uno strumento chiamato Linee guida del corso. E all’interno delle Linee guida del corso, consentiamo all’autore di dare istruzioni all’IA su quali siano le preferenze di contenuto, quali siano gli obiettivi, quali siano i file sorgente? Ed è fondamentalmente uno dei compiti dell’IA esaminare quelle linee guida e fare sempre riferimento ad esse ogni volta che deve decidere cosa creare. E questo è estremamente importante, perché aiuta l’IA a capire cosa è bene per me, come sarà un buon output, e quindi a seguire quelle istruzioni. Quindi penso che questo sia il modello comune verso cui ci stiamo dirigendo ora. E penso che, dal punto di vista dell’L&D, in linea con quanto affermato da Nelson, la questione ruoti interamente attorno alla governance. Fissare quegli standard affinché l’IA possa poi operare efficacemente su tutta la linea. Qualsiasi esperto in materia può occuparsi della creazione di contenuti, e poi esiste questo livello di governance che aiuta gli esperti a utilizzare l’IA nel modo migliore possibile. Altrimenti, si finisce per costruire rapidamente le cose sbagliate, senza una direzione chiara e senza qualità.

Ashling: Sì, penso che tu abbia centrato qualcosa che risuona decisamente con me personalmente, e sarei curioso di sapere se qualcun altro la pensa allo stesso modo, ma l’IA sta diventando una parola così di moda, e tutti questi strumenti ora hanno l’IA, che è davvero importante iniziare a guardare a ciò che l’IA può effettivamente fare, come è integrata in uno strumento, o se è aggiunta a uno strumento? Quindi forse possiamo anche ampliare questa conversazione. Nelson, dato il lavoro che stai facendo presso HowNow, mi piacerebbe avere anche il tuo punto di vista qui. Quando valuti gli strumenti di apprendimento basati sull’IA, cosa ti segnala che si tratta di qualcosa che è genuinamente integrato nel prodotto e che aggiungerà valore, piuttosto che qualcosa che è stato solo aggiunto in seguito?

Nelson: Sì, penso che si ritorni alla stessa domanda fondamentale: non si tratta di privilegiare l’IA in sé, giusto? Non si utilizza qualcosa perché è IA. E non penso che con nessuna tecnologia sia il modo giusto di guardare alla cosa. Si riduce fondamentalmente a qual è il problema che stai cercando di risolvere. E penso che la famosa frase dica, ami il problema, non la soluzione. E penso che questo sia fondamentale qui. Altrimenti, potresti ritrovarti sopraffatto dalla tecnologia fine a se stessa. Ma una volta definito il problema che si intende risolvere, si tratta di individuare lo strumento di IA più adatto ad aiutarti ad affrontarlo. Ora, dove fa la differenza se si tratta di un’IA nativa o di un’integrazione aggiuntiva, è che quest’ultima, per certi compiti, risulta molto limitata, poiché si basa su un approccio tradizionale, rendendo così difficile il perfezionamento dell’ultimo miglio con l’IA. Ma quando hai un’IA nativa, stai essenzialmente applicando l’intelligenza ad ogni passo di quel processo. Quindi ottieni miglioramenti in termini di efficienza, ma anche in termini di efficacia applicando tale intelligenza ad ogni passaggio. Questo non esclude completamente le soluzioni aggiuntive; penso che, in alcuni scenari, a seconda degli obiettivi, una soluzione add-on possa essere perfettamente adeguata a ciò che si intende realizzare. Ma in realtà, quando si parla di creazione di contenuti, il motivo per cui ciò è importante risiede nel fatto che, pur definendola creazione di contenuti, essa comprende molteplici fasi: dalla definizione di un progetto curricolare adeguato, alla determinazione dei contenuti di ogni elemento, fino all’integrazione di una struttura di supporto dinamica e all’adozione di diversi framework pedagogici. Sono in atto diverse attività per realizzare questo obiettivo. E quindi, se si tratta di un’integrazione aggiuntiva, risulta davvero difficile farlo; è necessario incorporare l’IA fin dalle fondamenta del processo di creazione dei contenuti. Penso che il modo per valutarlo sia quanto sia stato efficace nell’aiutarti a svolgere l’attività che stavi cercando di fare, piuttosto che cercare di valutarlo come se questa IA sia migliore di quell’altra. Io valuterei in base a quale IA ha contribuito maggiormente a risolvere il problema iniziale. Tutto si riduce a quella mappatura: sapere qual è il tuo obiettivo finale, e forse non lasciarsi distrarre da qualcosa di nuovo o brillante, ma vedere se ti sta effettivamente offrendo valore, se ti sta aiutando a muoverti verso i tuoi obiettivi.

Ashling: Vedo una domanda da parte di Victoria che è arrivata tramite la chat e che penso si colleghi bene qui. Victoria stava spiegando come gli esperti della materia stiano ora utilizzando molta IA, creando documenti, e pensino: ‘Ehi, questo è davvero fantastico, questo è davvero utile.’ Tuttavia, non è sempre davvero così utile, specialmente se prendiamo in considerazione la pedagogia. Quindi, Talha, apprezzo molto i tuoi contributi in questo ambito. Come possiamo iniziare a educare gli esperti della materia sul processo e sulla necessità di almeno una fase di revisione, quando si tratta di apprendere o creare contenuti formativi?

Talha: Anzi, non direi che sia probabilmente l’approccio giusto in termini di insegnare agli esperti della materia come creare contenuti di alta qualità. Direi che è il team L&D; penso che il team L&D possa stabilire quel quadro e indirizzare nella giusta direzione. Ancora una volta, il concetto delle Linee Guida del Corso: stabilire lo standard, avere alcune competenze e poi farle usare agli esperti della materia. Altrimenti, si tratterebbe di un ulteriore problema in cui, per esempio, gli esperti della materia non dispongono di tempo e risorse per creare questi contenuti, costringendoli ad imparare come realizzare una formazione di qualità. E quindi penso che il vero aiuto dell’IA sia quando i team L&D la adottano, applicano un livello di governance, definiscono cosa significa fare bene, e poi gli esperti possono usarla per creare contenuti, senza che questo aggiunga ulteriore carico su di loro. Quindi, nelle questioni di formazione generata dai dipendenti su larga scala, gli esperti non hanno il tempo di farsi carico dell’onere di creare formazione. Quindi, invece di imporre loro l’ulteriore onere di dover apprendere come creare una formazione efficace, si dovrebbe creare quel livello di governance che li supporti nella lettura e nell’utilizzo delle linee guida. Ed è qui che l’IA può essere estremamente utile.

Nelson: E solo per aggiungere a questo, penso che se diceste che dobbiamo avere una revisione dal punto di vista dell’apprendimento solo perché dobbiamo, probabilmente non verrebbe accolto bene. E penso che abbiate l’onere di spiegare il perché e di supportarlo con dati, perché altrimenti sembra solo una casella che deve essere spuntata per il gusto di spuntarla. E quindi dovete raccogliere i dati per capire a che punto siamo, perché non è utile, o se alcune parti sono utili? E state dicendo: analizzate questi dati, non sta funzionando qui, o non sta facendo X, Y, Z nel modo in cui volete, ed è a causa di questo. E quindi penso che imporre una revisione sia solo un modo per far sentire le persone scoraggiate, e non volete che questo sia il messaggio che arriva; invece volete incoraggiare le persone che si stanno impegnando a farlo fin dall’inizio, il che è fantastico. Significa che vedono davvero la formazione come una soluzione al problema, il che è un ottimo punto di partenza, perché molto spesso le persone non arrivano nemmeno a quel punto, non si rendono conto che la formazione è la soluzione al problema. E quindi si tratta di essere davvero diplomatici nel dire: ecco i dati quantitativi e qualitativi che mostrano che a questa formazione manca questo, e posso aiutarvi con questo, questa è la mia competenza, fatemi supportarvi in questo, questo è ciò che avreste potuto fare, e usatelo più come un’opportunità di coaching piuttosto che come un’opportunità per dire “ve l’avevo detto”.

Ashling: Mi piace, quindi sì, un’opportunità di coaching. E sempre più, osserviamo che i team L&D, in un contesto in continua evoluzione, assumono ruoli di supporto: la loro funzione all’interno dell’azienda consiste nel facilitare l’apprendimento, rendendolo possibile e garantendo che esso generi valore.

Nelson: Se questo è qualcosa che state provando, lavorando con diverse organizzazioni che sono in questo percorso, qualcosa che vedo funzionare molto bene è fornire quel supporto, ma anche un riconoscimento. Quindi potrebbe trattarsi di inserire i nomi delle persone nei corsi e dire: “Ehi, Talha, hai creato un corso davvero fantastico sull’IA, hai seguito la nostra checklist e ora hai recensioni entusiastiche”, oppure organizzare una competizione, o semplicemente riconoscere e fare riferimento all’apprendimento. Quindi coloro che lo stanno facendo bene vengono poi incoraggiati a continuare a farlo, e coloro che forse stanno solo producendo documenti non così utili hanno qualcosa a cui puntare. Quindi, ancora una volta, fissare l’asticella e poi aiutarli a raggiungerla.

Ashling: Vedo un’altra domanda nella chat, stiamo parlando di IA e strumenti, come supportiamo l’IA, ma c’è anche qualcosa di interessante: riguarda il modo in cui alcuni strumenti stanno aggiungendo l’IA e poi in aggiunta applicando dei prezzi extra, o non stanno assorbendo quel prezzo, e poi c’è la domanda: è utile, è qualcosa di cui abbiamo bisogno? Talha, mi piacerebbe avere il tuo contributo a riguardo prima di concludere per oggi, sul prezzo, sull’assorbimento del prezzo: come affronti questo aspetto quando valuti diversi strumenti?

Talha: Beh, dipende da strumento a strumento, quando si tratta di offrire. Darò la nostra posizione proprio qui in Easygenerator, crediamo fermamente che naturalmente il futuro per la maggior parte degli autori e delle persone che si occupano di L&D sia nativo nell’IA. È una realtà che l’IA si stia fondamentalmente integrando nei flussi di lavoro chiave, indipendentemente dal tuo dominio, nella maggior parte dei domini ha avuto un impatto molto significativo. E la nostra posizione è che tutti dovrebbero essere messi in grado di utilizzare tale tecnologia e noi, naturalmente, vogliamo intraprendere questo percorso con i nostri clienti, con gli esperti di L&D, con gli esperti in materia, e imparare come l’IA stia lavorando per loro, con loro. E quindi, dalla nostra posizione, per la nostra piattaforma principale IA, non addebitiamo costi aggiuntivi. È incluso nel prezzo base. E questo è il motivo principale: dare a tutti gli strumenti per collaborare verso un futuro in cui l’IA diventi una componente naturale, imparando insieme a comprendere come sarà. Quindi questa è la nostra posizione, e non è possibile per ogni strumento farlo, dipende da dove provengono in termini di quanto fossero nativi nell’IA o quanto fossero pronti ad affrontare la rivoluzione dell’IA. Perché alcuni strumenti, naturalmente, hanno dovuto trasferire quel costo dell’IA sul cliente, mentre noi lo abbiamo assorbito e abbiamo accompagnato i clienti lungo il percorso, e naturalmente siamo dall’altra parte.

Ashling: Sì, immagino che si torni a come l’IA viene utilizzata nello strumento, è qualcosa che aggiunge valore, è aggiunto in modo posticcio, cambierà la tua esperienza? Quindi questo è un approfondimento davvero utile. Ho visto che ci rimane un po’ di tempo, quindi naturalmente vogliamo sempre guardare al futuro, e poi lasceremo anche un po’ di tempo per le domande. Quindi, se avete domande, assicuratevi di scriverle nella chat. Talha, forse puoi iniziare tu: quando guardiamo al futuro, dove pensi che andrà l’IA nel prossimo anno o giù di lì?

Talha: Sì, molte cose diverse sono decisamente cambiate nel tempo; naturalmente, l’IA è diventata ottima in diversi domini e in diverse aree. Quindi tutto è iniziato lavorando semplicemente con il testo, poi è diventata davvero brava con immagini e video, e ora è davvero brava in molti tipi diversi di attività e carichi di lavoro, e nel lavorare con diversi contenuti multimediali. Penso decisamente che il futuro, per ora, il che è abbastanza evidente, sia nella direzione che la maggior parte degli strumenti là fuori sta prendendo, così come in Easygenerator: la direzione che stiamo prendendo è quella dell’IA agentica. E tocca molti dei problemi di cui abbiamo discusso oggi: il problema di non fornire abbastanza contesto, la qualità, che è uno di questi, ottenere risultati migliori in anticipo, quel tipo di cose diverse. E quando dico agentica, mi riferisco di nuovo alla natura iterativa dell’IA: l’IA che ha gli strumenti, che li attraversa in modo creativo, li sfrutta, compie attività e lavora con l’autore o l’utente per il loro particolare compito e flusso di lavoro, portandolo a termine. E in tutto quel percorso, poi, sfrutta diverse parti del contesto che devono essere sfruttate, diverse competenze e diversi strumenti per compiere ciò che deve compiere. Quindi penso che sia un modo più efficace di applicare l’IA, piuttosto che in un colpo solo. E penso che il settore se ne stia rendendo conto.

Ashling: Passeremo alle domande, ma nell’ultimo minuto o due, Nelson, sei d’accordo? C’è qualcos’altro che vedi nei prossimi sei-dodici mesi quando si tratta di IA e L&D?

Nelson: Sì, penso che una delle cose che non siamo mai stati realmente in grado di fare nella formazione e sviluppo (L&D) sia riuscire a collegare i punti tra apprendimento e performance. Se guardi alla maggior parte delle organizzazioni, quando la performance cala, la maggior parte di esse non sa dirti quali competenze manchino e quale sia stato il motivo del calo della performance. Mettiamo che, per qualche miracolo, tu sappia quali competenze mancano, spesso non sai quale apprendimento sia appropriato per quel livello di competenza. E per riuscire a collegare quei punti, e mettiamo che l’apprendimento avvenga, molto raramente puoi dire se stia funzionando o meno. Quindi questo divario tra apprendimento e performance non siamo mai stati in grado di colmarlo. E il motivo è che, per poter colmare quel divario, devi prima essere in grado di vedere il lavoro: devi effettivamente vedere le persone lavorare, o i dati di lavoro, per poter vedere se stanno facendo qualcosa bene o meno. E poi devi avere l’intelligenza per poter guardare quei dati di lavoro e scomporli per dire: in base a ciò che vedo fare a questa persona, è brava in questo, ma non è così brava in quest’altro. E poi, una volta che lo ha capito, deve essere in grado di darti l’aiuto esattamente giusto per poter migliorare in quell’attività che non ero in grado di svolgere. E ora questo è stato tipicamente molto frammentato, servivano umani diversi e sistemi diversi, e c’era un enorme costo di coordinamento tra tutti questi elementi. Ora, con gli agenti, ma ancora più importante con agenti autonomi che possono compiere quel ciclo autonomamente, puoi ora guardare ai segnali di lavoro, dedurre quali siano le lacune di performance, capire quali competenze mancano, quindi essere in grado di connetterti con la risorsa di apprendimento più pertinente, poi monitorare i dati di lavoro per vedere se effettivamente ha cambiato la performance o il comportamento, in un unico ciclo autonomo. Questo è ciò che abbiamo in questo momento con le organizzazioni con cui stiamo lavorando utilizzando HowNow, e questo è dove vediamo che si va: davvero quel ciclo di miglioramento della performance sarà completamente autonomo, con limiti impostati da L&D, ma non dovrai fare quel lavoro operativo, il che è incredibile, perché se puoi migliorare autonomamente la performance rapidamente e su larga scala, apre davvero questa visione di un’azienda che si auto-migliora.

Ashling: Il che penso sia piuttosto entusiasmante, lo penso anch’io. E penso che ci hai guidato bene verso alcune delle domande che stanno arrivando in chat, e forse puoi aiutare, e Talha, se hai un punto di vista su questo, puoi intervenire. Sanjo ha chiesto: come si può evitare che una strategia di generazione di ricavi a breve termine, in assenza di obiettivi qualitativi, porti a inseguire mode passeggere e l’IA, anziché definire prima una strategia decentralizzata o creativa? Quindi sì, come si fa forse a vedere la foresta e non solo gli alberi, definendo una strategia e non semplicemente seguendo l’ultima moda, qualche pensiero?

Talha: È un’ottima domanda. E penso, sì, una cosa che sta sicuramente emergendo da questo è che c’è ovviamente un problema anche a un livello superiore, che è la mancanza di comprensione di come funziona l’IA in generale, e i benefici tangibili che può portare, e dove sono i suoi limiti. Questo porta a quelle aspettative irrealistiche, e poi alla prioritizzazione dei guadagni a breve termine, piuttosto che definire prima una strategia, penso che quel cambiamento debba avvenire. Penso che debba venire da, dovrebbe essere dal basso verso l’alto, ovviamente, all’interno di un’organizzazione in cui avresti utenti esperti di IA, perché la maggior parte delle organizzazioni avrebbe questi utenti esperti di IA che stanno davvero, davvero abbracciando la tecnologia. E penso che sia una sorta di, forse dovrebbero assumersi la responsabilità condivisa di diffondere quella conoscenza e diventare esperti in materia all’interno delle loro aziende, per aiutare davvero la leadership a capire dove funziona l’IA, dove non funziona, e poi procedere da lì, e poi dare priorità a una strategia creativa. Penso che questa sarebbe la mia opinione, sono curioso di sapere dal punto di vista di Nelson come apparirebbe.

Nelson: Sì, voglio dire, costruirò su questo, tornando a collegarlo effettivamente a un’altra domanda arrivata riguardo all’ottenimento del consenso, penso che si sovrappongano in qualche modo. Lo strumento e la tecnologia sono secondari, giusto; la cosa principale è che questa è la strategia aziendale: cosa dobbiamo essere in grado di fare per realizzare quella strategia aziendale, quali sono le capacità che dobbiamo costruire per farlo. È così che allinei la tua strategia e ottieni il consenso. Di solito consiglio questo framework, i tre perché, per costruire il business case; ed è quello adottato da molte delle organizzazioni con cui lavoriamo. E il primo perché è: perché proprio ora? E il perché ora è che la maggior parte di noi, se non tutti, odia il cambiamento. Odiamo il cambiamento. E il motivo per cui odiamo il cambiamento è che il cambiamento comporta molti rischi: rischi personali, rischi sociali, rischi finanziari. C’è molto rischio, ed è per questo che odiamo il cambiamento. Ma c’è solo una cosa che ci spinge a cambiare quando odiamo il cambiamento: un cambiamento davvero grande, giusto. Quando avviene un cambiamento davvero grande, rende l’attuale status quo inaccettabile. E quando rende l’attuale status quo inaccettabile, dobbiamo quindi cambiare per cogliere l’opportunità o per allontanarci dalla minaccia. E penso che la prima parte per ottenere l’adesione sia spiegare qual è quel grande cambiamento che rende inaccettabile lo status quo attuale, e questo è il tuo perché ora. Ora, una volta che hai fatto il tuo perché ora, arrivi al tuo perché, il perché della tua soluzione: la cosa che stai proponendo. Ed è qui che parli di: ok, capisco il tuo perché ora, ma quali sono gli ostacoli in questo momento che ti impediscono di affrontare questo problema? Devi nominare gli ostacoli prima di passare alla soluzione; altrimenti stai solo proponendo una soluzione, ma lasci a me il compito di unire i puntini. Ora, una volta che hai nominato quegli ostacoli, parli della tua soluzione: quella soluzione potrebbe essere HowNow, Easygenerator, IA questo, IA quello. Ma quando parli di quella soluzione, la discuti nel contesto di quali siano gli ostacoli che questa soluzione mi aiuterà a superare? Ora, supponiamo che tu l’abbia fatto, poi arrivi alla tua ultima parte, che è il perché no. Il perché no è essenzialmente questo: nessun business case o proposta è solido finché non hai parlato di tutte le cose che possono andare storte e non le hai affrontate. E una delle cose più comuni che emergono in questo momento è la paura di commettere errori. Quella fobia è il motivo più comune per cui le persone non fanno nulla al riguardo. E quindi devi affrontare la domanda: perché abbiamo questa paura di sbagliare? È la mancanza di competenze? È la mancanza di larghezza di banda e risorse? E la integri nel tuo business case per ottenere l’adesione e allinearla a quella strategia. Quindi questo è tipicamente il framework con cui lavoriamo con le organizzazioni per essere in grado di proporre qualunque sia la soluzione per cui stai cercando di ottenere l’adesione.

Ashling: Sì, e direi che lavorare con i clienti anche sul lato del valore per il cliente, quando costruiscono business case, ha molto senso, quindi svilupparlo, e spero che sia d’aiuto. Penso che tu abbia anche aiutato a rispondere a una domanda di Callum su come creare adesione, quindi Callum, tre perché, l’hai sentito qui da Nelson. Prima di concludere, vedo anche una domanda da Monique. Monique sta usando l’IA per creare dell’e-learning e ha notato che dopo aver rigenerato alcune volte diverse si possono ottenere risultati diversi, e si chiede se ci siano linee guida sulle impostazioni per creare contenuti della migliore qualità. Talha, con la tua esperienza, forse potresti fornire qualche spunto qui.

Talha: Sì, penso che cercheremo di condividere alcune linee guida generali, penso che naturalmente ce ne siano alcune molto specifiche per lo strumento, ma poi ci sono alcune cose generali che possiamo fare. Penso sia importante capire che i modelli di IA per natura non sono deterministici, ed è assolutamente vero che in molte delle tue iterazioni con l’IA, o nei flussi di lavoro che stai seguendo, probabilmente otterrai un output, e poi la seconda volta probabilmente ne otterrai uno completamente diverso. E ci sono modi per, ovviamente, cercare di ottenere output più deterministici. Ovviamente iniziando con ciò con cui stai lavorando in termini di prompt, scrivendo prompt molto migliori e dettagliati, assicurandoti che le tue tecniche di prompting siano, che tu non stia dando prompt generici, ad esempio cose come fai questo o fai quello, ma piuttosto fornendo maggiori dettagli su ciò che vuoi ottenere esattamente dall’output. E se vuoi qualcosa di coerente, allora assicurati che anche i tuoi prompt siano coerenti, seguendo una sorta di modello, e poi ovviamente il tuo contenuto sorgente. Se stai lavorando con una soluzione basata su RAG in cui stai caricando documenti e altri contesti, assicurati che non sia troppo grande e nemmeno troppo dettagliato. Assicurati che i tuoi documenti e il tuo contenuto sorgente siano ripuliti, ben strutturati e ideali per l’ingestione. Non qualcosa che sia come un libro di tre o quattrocento pagine, o un documento di due pagine, e aspettarsi che crei un e-learning di nove pagine. Quindi devi avere una buona comprensione di ciò con cui stai lavorando, in termini di capacità dello strumento, ma poi anche allineare il tuo documento sorgente a queste. Il prompting è probabilmente una delle competenze chiave qui, e poi ovviamente ripulire il tuo contenuto sorgente e assicurarti che sia pronto per l’IA, queste sono le due cose. E da una prospettiva di apprendimento, passando anche a un esempio di Easygenerator, abbiamo una funzionalità chiamata Course Builder, in cui abbiamo una sezione in cui il discente definisce i propri obiettivi. Quindi, ancora una volta, anche lì incoraggiamo davvero l’autore a essere molto specifico con i propri obiettivi, come cosa vuole esattamente che il discente faccia, o cosa vuole che il discente sappia, quali argomenti, quali sono i risultati? Ed essere dettagliati, lì, aiuta davvero l’IA a orientare la creazione dei contenuti in quella direzione e a cogliere gli aspetti giusti dal documento sorgente.

Ashling: Monique, posso approfondire la questione anche offline per vedere se è qualcosa di più specifico per Easygenerator, posso anche condividere con te alcune linee guida più specifiche, ma mi assicurerò di ricontattarti. Penso che questo ci porti alla fine della giornata di oggi, ho notato che siamo quasi arrivati all’ora, quindi prima di concludere, qualche ultima parola, Talha, o qualche ultima parola, Nelson?

Nelson: Posso iniziare io. È stato bello vedere la sperimentazione come una delle cose più votate nel vostro sondaggio, e penso che sia la cosa più importante in questo momento, direi che tutti devono essere il chief tinkering officer nelle proprie organizzazioni. E quello che consiglio è di sperimentare in pubblico. Non si tratta solo di sperimentare e armeggiare con gli strumenti, ma penso che sia anche importante costruire la cultura nell’organizzazione, condividere ciò con cui hai armeggiato, ciò che hai imparato, cosa ha funzionato, cosa non ha funzionato, e farlo in pubblico. E penso che questo sia il modo migliore per guidare la cultura della sperimentazione e dell’adozione dell’IA nella tua organizzazione, non c’è modo migliore che sperimentare in pubblico.

Talha: Sì, l’hai riassunto bene. Sì, è decisamente qualcosa che incoraggerei molto, penso che sia davvero utile per l’organizzazione, e poi l’apprendimento condiviso dell’IA è dove avverrà davvero il progresso. Da parte mia, sono anche molto, molto entusiasta della direzione che sta prendendo il settore, stanno succedendo molte cose interessanti, un giorno sì e uno no c’è una nuova innovazione nell’IA che si verifica e prende d’assalto tutti i social media, e in realtà stanno accadendo cose piuttosto interessanti. Quindi cosa significhi per i team di L&D e gli esperti in materia, lo scopriremo nei prossimi mesi.

Ashling: Vediamo, nei prossimi sei-dodici mesi saremo di nuovo qui a esaminare cosa succederà dopo. Ma per oggi, grazie mille a Nelson e Talha per una conversazione davvero onesta e pratica, mi è piaciuta molto, e ho molte idee che voglio andare a implementare ora. E voglio anche ringraziare tutti coloro che si sono uniti a noi e hanno inviato domande.

Trascrizione prodotta dai sottotitoli VEED. Attribuzione dell’oratore assegnata in base al contesto e al ruolo.