AI e Leadership: guidare la transizione senza perdere fiducia

Intervista a Stefano Mainetti

Loredana Chianelli

Socia ALDAI-Federmanager e componente del Gruppo Intelligenza Artificiale

Nel 2026 alcune prolusioni universitarie “pro-AI” sono state contestate. Emblematico il caso di Eric Schmidt, fischiato alla University of Arizona mentre proponeva l’AI come un “razzo” su cui “salire”; questa circostanza ha fatto molto discutere. Secondo lei quando l’intelligenza artificiale smette di essere opportunità e diventa un punto di rottura organizzativo e sociale?

Il caso è istruttivo non perché la platea “odi” la tecnologia, ma perché segnala la rottura di un patto implicito: quello tra chi guida il cambiamento e chi deve viverne per primo gli effetti.

In azienda l’AI diventa un punto di rottura quando si sommano le seguenti fratture:

Un cortocircuito normativo: a scuola l’AI è spesso trattata come scorciatoia sospetta, mentre nel lavoro diventa rapidamente un requisito implicito. Questo genera ambiguità: uso ombra, doppio standard, difficoltà a costruire competenze solide.
Una frattura distributiva: chi è già senior può usare l’AI come leva di produttività; chi è junior rischia di vedere erosi proprio quei “gradini bassi” su cui si costruivano esperienza, metodo e giudizio.
Una crisi di legittimità dell’autorità tecnologica: quando il messaggio suona come “sali e basta”, l’ottimismo diventa determinismo e l’adozione sembra un’imposizione. A quel punto l’AI non scala performance, scala sfiducia.

Qui il punto di fondo, che vale ben oltre il management, è stato richiamato anche da Papa Leone XIV: la sfida dell’AI non è solo tecnica, ma riguarda dignità, relazioni e responsabilità nell’uso della tecnologia.

Lei parla spesso della necessità di un “patto di transizione”. Che cosa dovrebbe contenere concretamente questo patto tra impresa, leadership e persone, e perché non può essere delegato a una policy HR, alla compliance o alla Direzione IT?

Lo chiamo “patto” per evitare un equivoco: non basta autorizzare e promuovere l’uso dell’AI. Serve un accordo esplicito su come l’impresa intende attraversare la transizione, quali costi riconosce e quali responsabilità si assume.

Per me contiene i principali elementi:

Chiarezza su cosa cambia e cosa non cambia: quali attività possono essere accelerate dall’AI, quali decisioni restano umane, quali competenze diventano critiche e come misuriamo valore reale, non solo volume di output.
Le regole d’uso: dati, strumenti ammessi, tracciabilità, dichiarazione dell’uso dell’AI e verificabilità dei risultati. Non è burocrazia: è metodo. Se non so quando l’AI è stata usata, cosa ha prodotto e chi ha validato l’output: non ho innovazione, ho opacità.
L’equità: ogni transizione espone alcune persone più di altre. Penso ai profili junior: se l’AI comprime i passaggi iniziali dell’apprendimento, dobbiamo progettare nuovi percorsi di crescita, non limitarci a celebrare la produttività dei senior.
L’apprendimento: tempo, coaching, feedback, standard di qualità e spazi protetti di sperimentazione. Senza queste condizioni, la formazione resta un evento; la trasformazione non diventa capacità organizzativa.

Per questo il patto non può essere confinato in una singola funzione. HR, compliance e IT sono decisive, ma il tema è strategico e riguarda l’intera impresa. Se lo compartimentiamo, lo depotenziamo: diventa formazione, controllo o tecnologia, mentre è una scelta su come produrre valore, distribuire responsabilità e preservare fiducia.

Se il patto non è esplicito, ne nasce uno implicito: uso ombra, cinismo, doppio standard e sfiducia. E a quel punto l’AI non aumenta la maturità dell’organizzazione: ne rende visibili le fratture.

Nelle nuove generazioni sembra emergere una distanza crescente rispetto alla narrazione ottimistica sull’AI. È davvero un problema di competenze, oppure è soprattutto una questione di fiducia e legittimità?

Non ridurrei il tema a un problema di competenze. Le competenze servono, ma la distanza non nasce dal fatto che le nuove generazioni “non capiscano” la tecnologia. Anzi, spesso la usano benissimo. Il punto è che non accettano più una narrazione in cui il futuro sembra già scritto e l’unica responsabilità individuale è adeguarsi.

Quando il messaggio diventa “arriva l’onda, impara a nuotare”, non siamo più nel campo dell’empowerment: siamo nella delega del rischio. Questo è tanto più evidente quando chi racconta l’AI come opportunità ha già reputazione, rete professionale, capitale economico e possibilità di proteggersi dagli effetti della transizione.

Per questo parlerei soprattutto di fiducia e legittimità. La fiducia si incrina quando i costi del cambiamento vengono minimizzati. La legittimità si perde quando l’ottimismo diventa determinismo: “succederà comunque, quindi adattati”.

Non sto dicendo che le nuove generazioni rifiutino l’AI. Sto dicendo che chiedono, spesso in modo più esplicito di altre generazioni, che la transizione sia governata: regole chiare, percorsi di crescita credibili, trasparenza sugli impatti e distribuzione equa dei rischi.

La leadership, qui, non deve vendere entusiasmo. Deve costruire condizioni di fiducia. Perché senza legittimità, anche la migliore tecnologia viene percepita non come una possibilità, ma come un’imposizione.

Stefano Mainetti

C’è anche un cortocircuito educativo e professionale: in alcuni contesti l’AI viene trattata come scorciatoia sospetta, mentre nelle aziende sta diventando rapidamente una competenza attesa. Come si evita che questa ambiguità produca uso nascosto, doppio standard e apprendimento superficiale?

Si evita superando la logica binaria: vietare l’AI o usarla senza regole. Entrambe le strade producono apprendimento debole e comportamenti difensivi.

Il punto non è chiedersi se l’AI sia lecita in astratto, ma a quali condizioni produce apprendimento. In educazione come in azienda, usare l’AI per ottenere un output non significa necessariamente aver capito. Se studente o lavoratore delegano il ragionamento, migliorano forse la prestazione immediata, ma non costruiscono competenza.

Risultano necessari tre passaggi:

Rendere l’uso dell’AI dichiarabile. Finché le regole sono ambigue, le persone la useranno di nascosto. E l’uso nascosto impedisce di discutere qualità, limiti, errori e responsabilità.
Distinguere tra assistenza e sostituzione. L’AI può aiutare a esplorare, sintetizzare, confrontare alternative, generare ipotesi. Ma giudizio, verifica e assunzione di responsabilità devono restare esercizi umani.
Riprogettare apprendimento e valutazione. Non basta chiedere un risultato finale; bisogna osservare il processo: fonti usate, alternative scartate, controlli effettuati, punti in cui l’AI è stata corretta.

Questo vale anche in azienda. Se trattiamo l’AI come scorciatoia individuale, avremo produttività apparente e competenze fragili. Se invece la rendiamo parte di una disciplina esplicita, vale a dire con uso dichiarato, verificabilità, feedback, standard di qualità, diventa uno strumento di apprendimento.

Il rischio vero non è che le persone usino l’AI. Il rischio è che imparino a usarla senza imparare.

Nella sua esperienza alla guida di una software factory - che rappresenta probabilmente uno dei contesti in cui l’impatto dell’AI si vede prima e con maggiore chiarezza - che cosa state imparando sull’adozione dell’AI che può essere utile anche ad aziende di altri settori?

In una software factory l’impatto dell’AI si vede prima perché il lavoro è già molto esposto: requisiti, codice, test, documentazione, rilascio, manutenzione. Ma proprio per questo si vede anche meglio l’equivoco: l’AI non trasforma automaticamente un’organizzazione. Amplifica il sistema che trova.

Nel nostro contesto stiamo imparando le seguenti cose utili (anche fuori dal software):

Non bisogna misurare solo l’output. Se accelero la scrittura del codice, ma non accelero discovery, review, test, sicurezza, rilascio e feedback dal cliente, non ho aumentato il valore: ho solo spostato il collo di bottiglia.
L’AI funziona davvero quando entra in una disciplina di lavoro: standard chiari, “Definition of Done”, tracciabilità, controllo qualità, responsabilità esplicite. Altrimenti dà la sensazione di andare più veloci mentre accumuliamo debito tecnico, decisionale e di verifica.
L’apprendimento va progettato. Non basta mettere strumenti nelle mani delle persone. Servono coaching, lavoro in coppia, feedback, review didattiche e spazi in cui sperimentare senza confondere sperimentazione e improvvisazione.

Questo vale per ogni settore. L’AI non premia chi la adotta prima, ma chi ha processi osservabili, qualità distribuita, leadership capace di apprendere e una relazione matura tra business e tecnologia.

La lezione appresa è semplice: non limitarsi ai tool, ma concentrarsi sul flusso di valore. Dove si crea valore? Dove si disperde? Dove serve giudizio umano? Dove serve verifica? Solo dopo ha senso chiedersi quale AI introdurre. Altrimenti rischiamo di automatizzare fragilità e chiamarla innovazione.

Sulla base della sua esperienza, la GenAI non va quindi vista solo come leva di produttività: più output non significa necessariamente più valore. Come cambia il concetto di qualità quando l’AI accelera la produzione ma aumenta anche il bisogno di verifica?

Cambia perché la qualità non può più essere pensata solo come controllo finale. Se l’AI aumenta la quantità di ciò che produciamo, la qualità diventa capacità di selezionare, verificare e assumersi responsabilità.

Il rischio è confondere velocità e valore. Posso generare più codice, più testi, più analisi, più presentazioni. Ma se aumento anche errori, ambiguità, ridondanza e lavoro di revisione, non ho creato produttività: ho trasferito costo cognitivo su qualcun altro.

Per questo parlo di debito di verifica. Ogni output prodotto dall’AI porta con sé una domanda: chi lo ha controllato, con quali criteri, rispetto a quali fonti, con quale accountability? Se questa domanda non trova risposta, l’organizzazione accumula un debito invisibile, che prima o poi riemerge sotto forma di errori, decisioni deboli, perdita di fiducia o rischio reputazionale.

La qualità deve quindi spostarsi a monte. Servono standard chiari, fonti tracciabili, revisioni proporzionate al rischio, criteri di accettazione e ruoli espliciti. In altre parole, serve una “Definition of Done” anche per il lavoro aumentato dall’AI.

Il punto non è rallentare l’adozione. È evitare che l’AI trasformi l’organizzazione in una fabbrica di output non verificati. Il valore non nasce da quanto produciamo, ma da quanto di ciò che produciamo è affidabile, utile e responsabilmente utilizzabile.

Guardando avanti, soprattutto con l’arrivo dell’AI agentica, qual è l’errore più pericoloso che un leader può commettere: frenare troppo, accelerare senza regole, o non dichiarare apertamente il costo organizzativo e umano della transizione?

L’errore più pericoloso non è frenare troppo o accelerare troppo. È non dichiarare il costo reale della transizione.

Frenare ha un costo: si perde apprendimento, competitività, capacità di attrarre talenti. Accelerare senza regole introduce agenti nei processi senza sapere davvero chi decide, chi controlla, chi risponde degli effetti. Ma il danno più profondo nasce quando la leadership racconta la transizione come se fosse neutra, indolore, puramente tecnica.

Con l’AI agentica cambia la natura del problema: non abbiamo più solo strumenti che assistono le persone, ma sistemi che possono agire dentro i workflow. Questo impone una nuova disciplina manageriale: livelli di autonomia, confini operativi, criteri di escalation, tracciabilità, possibilità di intervento umano e responsabilità esplicite.

La domanda chiave non è “quanto possiamo automatizzare?”, ma: quale autonomia siamo in grado di governare?

Un leader deve dire apertamente che cambieranno attività, ruoli, competenze e modi di decidere. Deve anche costruire le condizioni per attraversare il cambiamento: apprendimento, sicurezza psicologica, standard di qualità e un patto chiaro su responsabilità e tutele.

Il principio resta semplice: l’AI può proporre, eseguire entro limiti definiti e aumentare la capacità dell’organizzazione. Ma l’accountability deve restare umana, visibile e verificabile.

Se questo non accade, non stiamo innovando: stiamo spostando decisioni dentro una zona opaca. E la velocità, senza fiducia, non diventa progresso. Diventa fragilità organizzata.

Stefano Mainetti è imprenditore, manager e docente con oltre trent’anni di esperienza nell’innovazione digitale. È Fondatore e Presidente Esecutivo di adesso.it e di doDigital. In ambito accademico è Adjunct Professor presso la POLIMI Graduate School of Management e Direttore Scientifico degli Osservatori Startup Thinking e Cloud Ecosystem & Sovereignty. Ha guidato PoliHub come CEO e oggi lavora all’intersezione tra impresa e innovazione, studiando come l’evoluzione delle tecnologie digitali stia cambiando execution, organizzazione del lavoro e leadership. Il suo approccio unisce visione e rigore: rende esplicite le assunzioni, mette sotto stress gli slogan e chiede evidenze, metriche e accountability.

01 settembre 2026

Notizie

Innovazione

Notizie della settimana

Tre interventi strutturali per il rilancio del Paese

Il Presidente Valter Quercioli ha presentato il “Manifesto 2026”: la managerialità è l’infrastruttura strategica per..

Federmanager