La trasformazione dei processi aziendali e l’introduzione di tecnologie dirompenti stanno imponendo una radicale ridefinizione dei profili professionali legati all’innovazione. In questo scenario di transizione, l’approccio strategico del design thinking si conferma un punto di osservazione privilegiato per comprendere come stiano mutando le competenze richieste dal mercato. I risultati delle ultime ricerche condotte dall’Osservatorio Design Thinking for Business, istituto all’interno degli Osservatori Digital Innovation del Politecnico di Milano, tracciano una mappatura scientifica e oggettiva delle abilità tecniche, relazionali ed etiche necessarie per guidare le imprese nelle sfide industriali dei prossimi anni. La ricerca offre una guida strutturata per orientarsi nel cambiamento organizzativo in atto.
Indice degli argomenti
La metodologia dell’Osservatorio: i dati dietro lo skillset del 2030
Gianluca Carella, Research Director dell’Osservatorio, ha illustrato il percorso metodologico che ha condotto alla definizione del nuovo paradigma di competenze attese per il prossimo decennio. L’indagine si è sviluppata lungo un intero anno di attività sul campo, caratterizzato da sessioni collaborative e di co-progettazione che hanno coinvolto in modo diretto la vasta community di professionisti afferente all’Osservatorio.
I dati numerici raccolti evidenziano il rigore scientifico del progetto. L’analisi iniziale si è basata sulla rianalisi di ben 2.040 minuti di registrazioni provenienti dai tavoli di lavoro e dai laboratori di ricerca. Questo materiale qualitativo ha permesso di redigere una prima configurazione sperimentale dello skillset, successivamente discussa e aggiornata nei titoli e nelle descrizioni attraverso il confronto diretto con gli stakeholder. Per consolidare i risultati e misurarne la rilevanza, il team di ricerca ha successivamente distribuito una survey quantitativa basata su scala Likert all’intera comunità di riferimento. Questo passaggio finale ha consentito di isolare le competenze ritenute più urgenti e di mappare quelle che registrano un maggiore livello di polarizzazione o controversia tra gli addetti ai lavori.
Le quattro maschere del designer: equilibri tra consenso e dibattito
L’architettura concettuale emersa dalla ricerca abbandona l’immagine statica del professionista verticale per abbracciare una rappresentazione dinamica e flessibile. L’indagine propone la visualizzazione del progettista attraverso diverse tipologie di maschere che il lavoratore si trova a indossare quotidianamente nell’ambiente aziendale, configurandosi come un vero e proprio orchestratore di competenze differenti.
Il framework strutturato dal Politecnico di Milano identifica quattro macro-tipologie di abilità: cognitive, relazionali, etiche e operative. Ciascun cluster racchiude cinque competenze specifiche che sono state minuziosamente valutate dalla community sia in termini di importanza media sia attraverso il calcolo della deviazione standard, utile a intercettare i dubbi e i dibattiti interni alla categoria professionale.
La maschera cognitiva: governare la complessità attraverso il System Thinking
Il primo cluster analizzato riguarda le abilità cognitive, ovvero le modalità con cui il professionista elabora il pensiero, interpreta gli scenari e prende decisioni. All’interno di questa categoria si posizionano il System Thinking, il Future Thinking, il Critical Thinking, il Sense Making e la Curiosity. I dati indicano che in questo ambito non si registrano sconvolgimenti radicali, bensì una forte riaffermazione di competenze storicamente centrali per la disciplina.
La votazione della community ha eletto il System Thinking come la competenza in assoluto più rilevante. Questa preferenza diffusa si lega alla necessità di connettere elementi eterogenei e di gestire le diverse parti del progetto all’interno di sistemi complessi. Al secondo posto per media di preferenze si attesta la curiosità. Carella ha evidenziato come l’attitudine all’esplorazione sia il motore fondamentale che spinge a “disimparare e reimparare” all’interno dei processi organizzativi, un requisito indispensabile per assecondare i ritmi del cambiamento.
L’elemento di maggiore tensione e controversia statistica è invece rappresentato dal Future Thinking. Nonostante venga ampiamente riconosciuto come un pilastro teorico imprescindibile per esplorare futuri emergenti, i professionisti hanno manifestato una forte discrepanza nelle risposte a causa della percepita difficoltà nel mettere a terra concretamente queste visioni all’interno dell’operatività strategica aziendale.
La maschera relazionale: l’ascolto al centro dei team multidisciplinari
Marta Conte, Senior Researcher dell’Osservatorio, ha esaminato il secondo grande pilastro della ricerca, focalizzato sulle modalità di interazione con i team di lavoro, i clienti e i diversi stakeholder aziendali. Il cluster relazionale include l’ascolto, l’Emotional Mastery, lo Human Catalyst, la Relations Enablement e la Network Literacy, quest’ultima introdotta direttamente su suggerimento della community durante le fasi di co-progettazione.
I risultati della survey indicano l’ascolto come la competenza relazionale primaria. In contesti caratterizzati da stakeholder provenienti da organizzazioni e background differenti, la capacità di ascoltare in modo strutturato diventa l’unico strumento idoneo per condurre il gruppo verso una comprensione pienamente condivisa dei problemi. Subito dopo si posiziona la Relations Enablement, intesa come l’abilità di facilitare attivamente la collaborazione costruttiva all’interno del team, dato che la quasi totalità dei progetti contemporanei si sviluppa in modalità collettiva.
Il punto di forte dibattito all’interno del campione riguarda invece l’Emotional Mastery, ossia la capacità di comprendere e gestire le emozioni proprie e altrui. La controversia statistica non tocca il valore intrinseco dell’intelligenza emotiva, ma la natura stessa della competenza. Come spiegato da Marta Conte, i professionisti si dividono tra chi la considera una competenza professionale da coltivare nel tempo e chi ritiene che sia “piuttosto un’attitudine personale dell’individuo come persona, e che quindi non sia effettivamente una responsabilità del designer come figura professionale”.
La maschera etica: l’impatto delle decisioni nell’era dell’intelligenza artificiale
Il terzo raggruppamento mappa i processi di scelta e introduce una forte componente di responsabilità valoriale attraverso cinque declinazioni: Ethical Integration, Sustainability Advocacy, Responsible Growth Management, Cultural Integration e Impact Evaluation.
Al vertice delle priorità espresse dalla community si colloca l’Ethical Integration. Questa urgenza è strettamente connessa all’adozione pervasiva di tecnologie avanzate. Gianluca Carella ha esplicitamente ricordato che “l’AI… sta cambiando il nostro modo di operare, il nostro modo di prendere decisioni”. Di conseguenza, la capacità di integrare valutazioni etiche nei processi serve a garantire che le soluzioni non generino più criticità che benefici effettivi. Al secondo posto, distanziata di pochissimo, si trova l’Impact Evaluation, una competenza fortemente richiesta sul campo per definire metriche e KPI precisi capaci di valutare gli impatti del proprio lavoro sia in fase proattiva sia a progetto eseguito.
I nodi più controversi del cluster etico sono risultati essere, a pari merito, il Responsible Growth Management e la Cultural Integration. In questo caso, l’analisi delle risposte evidenzia una profonda incertezza non sul valore teorico di questi concetti, ma sulla reale sfera di influenza del progettista. Il dubbio diffuso all’interno dei campioni analizzati riguarda quanto queste dinamiche siano effettivamente gestibili dal designer e quanto siano invece il riflesso esclusivo di una strategia aziendale verticistica sulla quale il professionista ha scarso potere d’azione.
La maschera operativa: flessibilità e orchestrazione dei processi complessi
L’ultimo blocco di competenze descrive le modalità d’azione quotidiana sul campo. Il set operativo comprende la Methodological Flexibility, il Multi-data Management, la Technology Integration, il Crafting Narratives e il Complex Process Orchestration.
La survey ha decretato come priorità assoluta la Methodological Flexibility. I professionisti avvertono la necessità quotidiana di variare approccio, strumenti e modelli mentali in base alle specificità del progetto e degli interlocutori. Subito dopo emerge il Complex Process Orchestration, riflesso diretto di un panorama operativo denso di variabili sia interne sia esterne all’organizzazione.
Al contrario, la deviazione standard ha evidenziato una forte polarizzazione sul Multi-data Management. La discussione della community ruota attorno a un quesito organizzativo centrale: la gestione delle molteplici fonti di dati deve essere un’attività centralizzata in capo al progettista o deve configurarsi come un processo distribuito tra diverse funzioni aziendali? Parallelamente, anche il Crafting Narratives ha generato dibattito, focalizzandosi sulla difficoltà oggettiva di strutturare un approccio comunicativo capace di rendere accessibile la complessità dei dati estratti senza rischiare di banalizzarla.
Cosa chiede il mercato: la svolta verso le competenze orizzontali
I risultati qualitativi e quantitativi elaborati dal Politecnico di Milano trovano un riscontro immediato nelle dinamiche occupazionali reali. L’analisi condotta sulle ricerche di lavoro attive nel settore evidenzia una netta trasformazione della domanda da parte delle imprese.
I dati relativi agli annunci di lavoro rivelano che il 70% degli annunci guarda a figure che non siano verticali, ma sempre più orizzontali a livello di capacità. Le aziende cercano professionisti capaci di muoversi agilmente tra la conoscenza dell’intelligenza artificiale generativa, i criteri di sostenibilità ambientale e sociale e le logiche tipiche del product management. Questa evoluzione si traduce nella nascita di profili emergenti specialistici, tra i quali spicca la figura del Systemic Strategy Designer, espressamente ricercata per governare l’orchestrazione dei flussi di dati e la complessità sistemica delle grandi organizzazioni.
Oltre la risoluzione dei problemi: il designer come abilitatore aziendale
L’orizzonte evolutivo tracciato dai ricercatori ridefinisce i confini strategici della professione all’interno del mercato contemporaneo. Il valore aggiunto del professionista che utilizza gli strumenti del design thinking non risiede più soltanto nella capacità tecnica di esecuzione o nella mera risoluzione di criticità preesistenti. Secondo quanto espresso da Carella, il ruolo del designer del futuro “non ti aiuta soltanto a risolvere problemi, ma ti aiuta a capire quali sono i problemi che valga la pena risolvere”.
Per fare questo, diventa indispensabile superare l’isolamento operativo. L’evidenza storica mostra che uno dei principali ostacoli alla piena adozione delle metodologie progettuali risiede proprio nell’isolamento in cui i professionisti si trovano spesso confinati all’interno delle strutture aziendali. Il superamento di questo limite passa attraverso una forte attività relazionale e un lavoro strettamente collaborativo. L’obiettivo finale non prevede la figura di un professionista onnipotente che accentra ogni competenza, ma quella di un coordinatore capace di cambiare quotidianamente la propria maschera a seconda del contesto, mettendo in comunicazione le diverse anime dell’azienda per governare la complessità del mercato contemporaneo.
FAQ: Intelligenza Artificiale
Che cos’è l’Intelligenza Artificiale?
L’Intelligenza Artificiale è la disciplina che studia come realizzare sistemi informatici in grado di simulare il pensiero umano. Secondo la Treccani, si tratta della disciplina che studia i fondamenti teorici, le metodologie e le tecniche che permettono di progettare sistemi hardware e software capaci di fornire prestazioni che sembrerebbero appartenere esclusivamente all’intelligenza umana. Rifacendosi alle teorie di Alan Turing, l’AI può essere definita come “la scienza di far fare ai computer cose che richiedono intelligenza quando vengono fatte dagli esseri umani”. Oggi l’intelligenza artificiale è diventata parte della vita quotidiana, consentendo alle macchine di eseguire vari compiti che un tempo erano prerogativa degli umani.
Quali sono le origini dell’Intelligenza Artificiale?
Le origini dell’Intelligenza Artificiale risalgono al XVII secolo quando filosofi come Leibniz, Thomas Hobbes e René Descartes esplorarono la possibilità che il pensiero razionale potesse essere sistematizzato come l’algebra o la geometria. Tuttavia, il “padre” del concetto nell’età moderna è considerato Alan Turing, che nel 1950 pubblicò “Computing Machinery and Intelligence” introducendo il “test di Turing”. Il termine “Artificial Intelligence” venne coniato ufficialmente il 31 agosto 1955 come titolo di un workshop organizzato da John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. Questo seminario, tenutosi nel 1956, è considerato la data di nascita ufficiale di questo campo di studio e sperimentazione.
Quali sono le principali tecnologie di Intelligenza Artificiale?
L’Intelligenza Artificiale comprende diverse tecnologie chiave: il Natural Language Processing (NLP) che permette alle macchine di comprendere e generare linguaggio umano; il Speech Recognition per la trascrizione e trasformazione del parlato; i Virtual Agents come chatbot e assistenti virtuali; le piattaforme di Machine Learning che permettono ai computer di apprendere dai dati; l’AI-optimized Hardware specificamente progettato per calcoli AI; i sistemi di Decision Management che inseriscono regole logiche nei sistemi AI; le Deep Learning Platform basate su reti neurali artificiali; la Biometrica per interazioni naturali uomo-macchina; la Robotic Process Automation per automatizzare azioni umane; e il Text Analytics per comprendere strutture e significati dei testi.
Che differenza c’è tra Intelligenza Artificiale Generale (AGI) e Intelligenza Artificiale specializzata?
L’Intelligenza Artificiale Generale (AGI) e l’intelligenza artificiale specializzata (o “debole”) sono concetti distinti. Mentre l’AGI è un sistema dotato di capacità cognitive universali, che consentono di apprendere, comprendere e operare in una vasta gamma di domini e contesti, l’intelligenza artificiale specializzata è progettata per eseguire compiti specifici e ben definiti, come il riconoscimento di immagini, la traduzione linguistica o il gioco degli scacchi. L’IA specializzata eccelle nell’ottimizzazione di compiti particolari, ma non può andare oltre i limiti del suo ambito predefinito ed è già ampiamente utilizzata, guidando l’innovazione in molteplici industrie e applicazioni pratiche.
Quali sono le applicazioni dell’Intelligenza Artificiale nei diversi settori?
L’Intelligenza Artificiale trova applicazione in numerosi settori. Nell’industria, l’AI ottimizza la produzione, riduce gli sprechi e migliora la progettazione dei prodotti. Nel settore sanitario, gli algoritmi di deep learning analizzano immagini diagnostiche, predicono l’evoluzione delle patologie e suggeriscono trattamenti personalizzati. In agricoltura, AI, droni e sensori intelligenti monitorano la salute delle colture e ottimizzano irrigazione e fertilizzazione. Nel settore finanziario, l’AI analizza grandi volumi di dati per identificare frodi e valutare rischi. Nell’istruzione, permette percorsi didattici personalizzati. Nelle smart city, l’AI gestisce traffico, trasporti pubblici e rifiuti per città più sostenibili. Nella logistica, ottimizza ogni fase della catena di approvvigionamento, dalla previsione della domanda alla consegna.
Come funziona l’Intelligenza Artificiale prescrittiva?
L’Intelligenza Artificiale prescrittiva è una branca avanzata dell’AI che non si limita a prevedere eventi futuri (come fa quella predittiva), ma fornisce raccomandazioni operative su cosa fare per ottenere il miglior risultato possibile. Utilizza algoritmi di ottimizzazione, simulazione e modelli matematici per analizzare una vasta gamma di variabili, vincoli e obiettivi, generando scenari decisionali ottimali. È in grado di valutare milioni di possibili soluzioni e selezionare quella più efficiente, tenendo conto delle condizioni reali del contesto aziendale. È particolarmente utile in ambiti complessi come la supply chain, la logistica, la produzione e la pianificazione strategica, dove le decisioni devono essere rapide, data-driven e ad alto impatto.
Quali sono le sfide etiche legate all’Intelligenza Artificiale?
L’adozione dell’intelligenza artificiale nei processi di innovazione apre scenari straordinari, ma anche nuove complessità da governare. Le principali criticità etiche includono la gestione dei bias nei modelli generativi, i rischi di allucinazione nei sistemi di GenAI e la mancanza di framework di governance adeguati a monitorare la qualità e l’affidabilità dei risultati prodotti. Si aggiungono problemi legati alla protezione dei dati sensibili, alla proprietà intellettuale delle soluzioni co-create con l’AI e alla readiness culturale delle organizzazioni. La sfida non è più se adottare l’AI, ma come farlo in modo etico, controllato e sostenibile, bilanciando la potenza predittiva degli algoritmi con la necessaria supervisione umana.
Cos’è l’Explainable AI (XAI) e perché è importante?
L’Explainable AI (XAI), o intelligenza artificiale spiegabile, è un ramo dell’AI che sviluppa metodi e tecniche per fornire spiegazioni chiare e interpretabili rispetto alle decisioni prese dai modelli di machine learning e deep learning. Grazie a queste spiegazioni, gli utenti possono comprendere il “perché” e il “come” si è arrivati ai risultati proposti dagli algoritmi. L’XAI è fondamentale per aumentare la fiducia nelle soluzioni AI, garantire la conformità alle normative (come l’AI Act europeo), ottimizzare i processi decisionali identificando errori o bias, e migliorare la relazione con clienti e utenti. In settori come la sanità, dove le decisioni hanno impatto diretto sulla vita dei pazienti, l’XAI è cruciale per permettere ai medici di comprendere e validare le predizioni dei modelli AI.
Quali sono le startup italiane che utilizzano l’Intelligenza Artificiale?
In Italia esistono diverse startup innovative che utilizzano l’Intelligenza Artificiale per offrire servizi in vari settori. Tra queste troviamo Eyra (Horus), che ha sviluppato un dispositivo indossabile che osserva la realtà e la descrive alle persone non vedenti; The Energy Audit (TEA), che si occupa di efficienza e diagnosi energetica; Unfraud, specializzata nell’individuazione di frodi nelle transazioni; Expert System, che sviluppa tecnologie semantiche per la gestione dei big data; Stamplay, una piattaforma che aiuta gli sviluppatori a integrare servizi esistenti; e Indigo, che utilizza chatbot e machine learning per automatizzare la comunicazione con gli utenti in chat, fornendo assistenti virtuali personalizzati.
Perché molti progetti di Intelligenza Artificiale falliscono nelle aziende?
Secondo una ricerca del Massachusetts Institute of Technology, il 95% dei progetti di intelligenza artificiale generativa nelle aziende non produce risultati misurabili. Le cause principali di questo fallimento includono: scarsa integrazione con i sistemi esistenti, strategie AI deboli o assenti, budget mal allocati che privilegiano la tecnologia rispetto all’integrazione, competenze insufficienti per gestire progetti complessi, e aspettative irrealistiche sui tempi di implementazione. Al contrario, le startup mostrano risultati migliori grazie a un approccio AI-first: niente legacy tecnologiche da gestire, agilità organizzativa e focus su problemi specifici. Il messaggio è chiaro: senza integrazione, governance e strategia, i progetti AI falliscono nella grande maggioranza dei casi.
Come sta evolvendo l’automazione grazie all’Intelligenza Artificiale?
L’automazione sta evolvendo significativamente grazie all’Intelligenza Artificiale, che la rende più intelligente, flessibile e capace di rispondere in tempo reale alle complessità del mondo reale. L’RPA (Robotic Process Automation) si sta trasformando grazie all’IA, rendendo i software robotici capaci di prendere decisioni basate su dati contestuali, elaborare linguaggio naturale e apprendere dai feedback. I veicoli autonomi rappresentano una frontiera visibile dell’AI in azione, interpretando l’ambiente circostante e prendendo decisioni in millisecondi. Nell’industria 4.0, l’IA analizza dati in tempo reale per ottimizzare produzione e manutenzione, mentre chatbot e assistenti virtuali ridefiniscono la relazione tra brand e clienti. Secondo PwC, entro il 2030 l’AI potrebbe contribuire fino a 15.700 miliardi di dollari all’economia globale.
