| IN SINTESI Dal 27 luglio 2026 l’art. 4 dell’AI Act non impone più alle aziende di garantire un livello di competenza IA nel proprio personale, ma di adottare misure adeguate a svilupparla. Non è una scappatoia: il giudizio si sposta dal risultato raggiunto alla qualità, proporzionalità e documentabilità di ciò che l’azienda ha fatto. La legge non dice più cosa insegnare, ma due quadri europei, AILit e DigComp 3.0, offrono una bussola condivisa. Restano fermi, in Italia, gli obblighi di trasparenza della Legge 132/2025 verso lavoratori e clienti, e la raccomandazione del Ministero del Lavoro di dichiarare l’uso dell’IA nei materiali condivisi. La competenza che queste misure devono costruire ha un nome preciso: fiducia calibrata, la capacità di usare l’IA con normalità senza smettere di metterne in discussione gli output. |
Il 27 luglio 2026 è entrato in vigore il Regolamento (UE) 2026/1744, il cosiddetto Digital Omnibus sull’IA, che riscrive integralmente l’art. 4 del Regolamento (UE) 2024/1689, l’AI Act. È la disposizione sull’alfabetizzazione in materia di intelligenza artificiale, quella che riguarda ogni organizzazione che fornisce o utilizza sistemi di IA generativa nel proprio lavoro quotidiano. Vale la pena capire cosa cambia davvero, perché la lettura superficiale, “l’obbligo si allenta”, rischia di far perdere di vista ciò che invece resta fermo.
Da garantire un risultato a dimostrare un percorso
Nella versione originaria dell’AI Act, applicabile dal 2 febbraio 2025, l’art. 4 imponeva a fornitori e deployer di adottare misure per garantire, nella misura del possibile, un livello sufficiente di alfabetizzazione in materia di IA del proprio personale. La formulazione guardava al risultato: assicurare una soglia di competenza, per quanto temperata dalla clausola di ragionevolezza.
Il nuovo testo cambia verbo e prospettiva. Fornitori e deployer devono ora adottare misure per sostenere lo sviluppo dell’alfabetizzazione in materia di IA, tenendo conto delle competenze, dell’esperienza, dell’istruzione del personale e del contesto d’uso. Il legislatore aggiunge una precisazione che chiude ogni ambiguità: la norma non impone di garantire alcun livello specifico di alfabetizzazione per il singolo individuo. È il passaggio da un obbligo di risultato a un obbligo di mezzi.
Perché non è un alleggerimento vero
Sarebbe un errore leggere questo cambiamento come una scappatoia. Cambia il metro di giudizio, non la sua severità. Prima, il parametro era: il dipendente ha raggiunto un livello adeguato? Ora il parametro è: l’organizzazione ha adottato misure effettive, proporzionate e documentate, calibrate sui rischi reali dei sistemi che usa? Il primo è un giudizio più oggettivo ma anche più rigido; il secondo lascia più margine interpretativo alle autorità di vigilanza, che dal 2 agosto 2026 iniziano a supervisionare l’applicazione delle regole. In caso di incidente o contestazione, la prima cosa che verrà verificata è comunque la qualità delle misure adottate per formare chi ha operato il sistema. Il rischio non scompare, si sposta sulla qualità del processo.
La bussola dei contenuti: cosa significa essere alfabetizzati all’IA
Se la norma non fissa più una soglia, resta aperta la domanda più interessante: cosa significa, in concreto, essere alfabetizzati all’IA? A rispondere sono due quadri europei nati fuori dal perimetro dell’AI Act, ma che ne colmano il vuoto lasciato volutamente aperto.
1. AILit (“Empowering Learners for the Age of AI”): iniziativa congiunta di Commissione europea e OCSE con il supporto di CodeAI (già Code.org), presentata in consultazione nel maggio 2025 e finalizzata nel 2026. È un’architettura concettuale per domini, nata per l’istruzione primaria e secondaria ma trasferibile come schema alle organizzazioni (confluirà nella rilevazione PISA 2029). Articola l’alfabetizzazione in quattro domini per un totale di 19 competenze:
| Dominio AILit | Descrizione operativa |
| Engage with AI | Interagire, comunicare e porre prompt agli strumenti di intelligenza artificiale. |
| Create with AI | Generare contenuti e soluzioni attraverso i sistemi di IA generativa. |
| Manage AI | Gestire rischi, etica, privacy e impatti socio-tecnici dell’uso. |
| Shape AI | Valutare e orientare come i sistemi di IA riflettono valori e scelte umane, andando oltre il semplice utilizzo. |
2. DigComp 3.0: quinta edizione del quadro europeo delle competenze digitali dei cittadini, pubblicato dal Centro comune di ricerca (JRC) nel 2025. Il suo focus è l’integrazione trasversale della competenza IA per la cittadinanza digitale attiva, con tre caratteristiche chiave: oltre 500 esiti di apprendimento granulari e verificabili; un’integrazione pervasiva nei cinque domini storici del patrimonio digitale del quadro; una mappatura granulare delle conoscenze operative e comportamentali richieste.
Nessuno dei due è vincolante. Ma il loro uso combinato offre un’architettura strategica, quella di AILit, unita alla granularità analitica di DigComp 3.0, utile per motivare la qualità di un piano formativo aziendale. Un’organizzazione che costruisce la propria formazione IA tenendo conto di questi quadri parte da una base verificabile; chi la costruisce “a sensazione” rischia di trovarsi, in caso di verifica, senza nulla da mostrare oltre un attestato generico.
Il quadro italiano: cosa aggiungono la Legge 132/2025 e il D.M. 180/2025
Accanto alla cornice europea, in Italia restano fermi alcuni obblighi specifici, distinti dall’art. 4 e non toccati dalla riforma. La Legge 23 settembre 2025, n. 132, impone al datore di lavoro di informare il lavoratore quando utilizza sistemi decisionali o di monitoraggio integralmente automatizzati che incidono su assunzione, gestione del rapporto, assegnazione di compiti o valutazione delle prestazioni. Per le professioni intellettuali, la stessa legge impone di comunicare al cliente, con linguaggio chiaro e comprensibile, quali sistemi di intelligenza artificiale sono stati utilizzati nella prestazione. Il Decreto Ministeriale 17 dicembre 2025, n. 180, che detta le linee guida operative del Ministero del Lavoro, raccomanda inoltre di informare colleghi, clienti e partner quando si condividono contenuti generati con l’IA, in particolare se rielaborano materiali che questi hanno fornito. È una raccomandazione, non una sanzione, ma converge nella stessa direzione degli obblighi di legge: la trasparenza sull’uso dell’IA non è un vezzo, è un requisito che emerge da più fonti, di peso diverso ma coerenti tra loro.
Le date da tenere a mente
Il nuovo testo dell’art. 4 è applicabile dal 27 luglio 2026, data di entrata in vigore del Digital Omnibus. Le autorità nazionali di vigilanza del mercato iniziano però a supervisionare e applicare le regole dal 2 agosto 2026, la stessa data già prevista dal testo originario dell’AI Act. Chi non ha ancora nulla di strutturato ha ancora una finestra utile, ma è una finestra che si sta chiudendo, non un rinvio a tempo indeterminato.
Cosa significa, in pratica, adottare misure adeguate
La norma non entra nel merito di come costruire le misure, ma la logica del “processo dimostrabile” suggerisce un percorso in cinque tappe.
| Tappa del processo | Azione chiave & obiettivo |
| 1. Mappatura degli usi | Chi, in azienda, utilizza sistemi di IA, con quale frequenza, con quale grado di autonomia decisionale. |
| 2. Analisi dei gap per ruolo | Un responsabile HR che usa uno strumento di screening dei CV ha esigenze formative diverse da un tecnico che supervisiona un sistema predittivo in produzione. |
| 3. Formazione calibrata | Focalizzata sui casi d’uso reali dell’organizzazione, sugli strumenti effettivamente in uso e sui rischi specifici del settore. |
| 4. Documentazione nel tempo | Conservare traccia delle misure adottate, dei criteri di personalizzazione e degli aggiornamenti. |
| 5. Integrazione nei processi | Policy interne, procedure di onboarding degli strumenti, momenti di aggiornamento periodico integrati nella routine aziendale. |
C’è un filo che tiene insieme queste cinque tappe, ed è proprio la competenza che la norma, indirettamente, sta chiedendo alle organizzazioni di costruire: la capacità di fidarsi degli strumenti di IA e, nello stesso tempo, di continuare a metterne in discussione gli output. È il principio alla base del metodo Fiducia Calibrata: non un’aggiunta teorica al percorso di compliance, ma il modo in cui l’obbligo di mezzi si traduce in comportamento quotidiano verificabile.
Vediamo come si applica concretamente attraverso un caso aziendale.
Un’ultima distinzione utile riguarda il tipo di formazione da costruire: una base comune per tutti, e un livello successivo calibrato sul ruolo.
Fiducia Calibrata: la competenza che il nuovo articolo 4 chiede indirettamente
Le cinque tappe indicate finora rispondono alla domanda “come dimostrare le misure”. Resta una domanda più a monte: quale competenza, in concreto, queste misure devono costruire nel personale? La risposta a cui è arrivato il metodo Synanto è la fiducia calibrata.
Il metodo distingue due tipi di fiducia che interagiscono in modo controintuitivo: la fiducia nell’automazione, cioè quanto riteniamo affidabile lo strumento, e la fiducia epistemica in sé, cioè quanto ci fidiamo del proprio giudizio critico. Il paradosso è che una fiducia elevata e non calibrata nell’automazione tende a inibire la verifica e a sopprimere la fiducia in se stessi, portando ad accettare acriticamente gli output. Incrociando le due dimensioni emergono quattro posizionamenti possibili. Bassa fiducia in entrambe porta alla diffidenza paralizzante, il sottoutilizzo dello strumento. Alta fiducia in sé ma bassa fiducia nell’IA produce un equilibrio critico, efficace ma spesso poco efficiente. Alta fiducia nell’IA e bassa fiducia in sé scivola nell’overreliance, il quadrante più rischioso: efficienza percepita massima, controllo critico minimo, competenze che si erodono nel tempo. Solo chi tiene alta sia la fiducia nell’automazione sia la fiducia nel proprio giudizio raggiunge la fiducia calibrata, l’unico dei quattro quadranti in cui l’IA diventa davvero un alleato cognitivo.
Non è un’intuizione isolata di Synanto. Il tema torna anche nella letteratura più recente sulla mente estesa, che descrive come imparare a fidarsi e insieme mettere in discussione i suggerimenti dell’IA sia una competenza metacognitiva che i sistemi educativi devono insegnare esplicitamente, non un effetto collaterale dell’uso. È una convergenza che rafforza, senza fondarla, l’intuizione pratica da cui il metodo è nato osservando il lavoro reale nelle organizzazioni.
Questo è anche il punto in cui il nuovo art. 4 e il metodo si incontrano. L’obbligo di mezzi chiede misure “adeguate”, “proporzionate”, “calibrate sul contesto”: parole che restano astratte finché non si traducono in un comportamento osservabile. La fiducia calibrata è quel comportamento: è il modo in cui, giorno per giorno, una persona nel reparto HR, in amministrazione o in produzione, decide quanto credere a un suggerimento dell’IA e quanto invece fermarsi a controllarlo. Le cinque tappe del percorso operativo servono a costruire il contesto organizzativo in cui questa competenza può maturare; la fiducia calibrata è ciò che accade, nella testa delle persone, quando quel contesto funziona.