“Fatto l'abbonamento al software di GenAI, dobbiamo fare le persone che quel software dovrebbero usarlo tutti i giorni", per parafrasare una celebre citazione.
Giusta diagnosi, a cui seguono i consueti: come? E con quale strategia?
A monte di queste legittime domande ce n’è però un’altra che è necessario porsi prima di affrontare il resto: come capire qual è il punto di partenza della nostra organizzazione per poter pianificare una strategia di GenAI Adoption calibrata e lungimirante?
Non è una domanda banale.
La GenAI è la tecnologia che le persone hanno iniziato a usare più velocemente nella storia dell'umanità. Più di Netflix, più di TikTok.
Eppure avere accesso a uno strumento non significa conoscerlo e saperlo usare né tanto meno averlo integrato nei propri processi.
Capire se un'organizzazione è pronta per la GenAI non è solo una questione di infrastruttura. Non è neanche solo una questione di utilizzo. E non è neanche solo una questione di conoscenza teorica.
È la combinazione di tutti questi fattori, più una variabile che spesso si sottovaluta: l'attitudine individuale verso lo strumento.
Inoltre, nel caso della GenAI, non stiamo parlando di imparare un nuovo software. Stiamo parlando di una riconfigurazione cognitiva del modo in cui approcciamo il lavoro.
Proprio perché riteniamo che comprendere questa complessità sia il punto di partenza per poter impostare bene un percorso di adoption abbiamo ideato il nostro AI Adoption Assessment.

Per costruire il nostro assessment siamo partiti dalla letteratura scientifica, la quale ci riporta che per misurare l'adozione di una tecnologia bisogna prima di tutto definire cosa osservare, come scomporre l’osservazione nelle sue componenti fondamentali e che valore apporta ogni componente.
In psicologia e nelle scienze sociali questo si fa con i costrutti: variabili come la percezione di utilità, la fiducia verso lo strumento, l'attitudine al cambiamento. Non le vedi direttamente, ma puoi progettare domande che le misurino indirettamente. Il costrutto è ciò che vuoi catturare e la domanda del questionario è lo strumento per farlo, sapendo che questi costrutti - e di conseguenza le domande per sondarli - non vengono né scelti, né raggruppati in maniera casuale.
L’analisi è organizzata in dimensioni: macro-aree del fenomeno che vuoi misurare. Per esempio, nel caso della GenAI ha senso misurare quanto una persona la conosce o che attitudine ha verso di essa.
Ogni dimensione si articola poi in sotto-dimensioni più specifiche così da ottenere una mappa di dettaglio (chiamata Blueprint) che indica quali dimensioni misurare, come si relazionano tra loro e come si scompongono.
Facciamo il nostro consueto passo indietro e proviamo a contestualizzare le origini di questo blueprint.
Iniziamo col dire che nel tempo sono stati creati diversi archetipi di blueprint, tra cui il primo modello TAM (Technology Acceptance Model, 1989), nato per capire cosa spingesse i dipendenti ad accettare o rifiutare i nuovi software aziendali, focalizzandosi non sul “quanto”, ma sul “perché” relativamente all’utilizzo e soprattutto sul “perchè no”.
Negli anni successivi il TAM è stato esteso integrando nuove variabili, fino ad arrivare al modello chiamato UTAUT (Unified Theory of Acceptance and Use of Technology).
In generale, in questi modelli sono presenti diverse variabili comuni che misurano quanto detto principalmente attraverso:
A questi costrutti si affianca la Self-Efficacy: la percezione di essere capaci di interagire efficacemente con uno strumento tecnologico. Non è una variabile nativa di UTAUT, ma è un costrutto trasversale che nel tempo è stato integrato in questi modelli perché cattura qualcosa che le altre variabili non colgono: il ponte tra "utilizzo lo strumento" e "mi sento sicuro di ciò che sto facendo quando ci interagisco”.
Questa concettualizzazione è indispensabile per capire quali variabili ha senso misurare quando vogliamo ottenere una visione quantitativa chiara sullo stato di adozione di una tecnologia.
Tuttavia, si tratta di un impianto generale, nato per le tecnologie dell'informazione e applicabile in teoria a qualsiasi strumento digitale, con gli opportuni adattamenti. La GenAI non fa eccezione.
Per costruire un assessment che, partendo da questi costrutti, riesca a misurare lo stato attuale e il livello di uso della GenAI in un'azienda bisogna ulteriormente estendere i framework standard TAM e UTAUT con delle dimensioni che misurino le peculiarità di questa nuova tecnologia.
In Datapizza abbiamo individuato tre dimensioni chiave tra quelle a cui si fa spesso riferimento nella letteratura sull’AI Adoption: literacy, fluency, mindset.
L'AI generativa viene paragonata al personal computer e a internet sia per l'impatto trasversale sulle professioni sia per la velocità con cui le persone hanno iniziato a “smanettarci”.
Ed è anche per questo che acquisiscono un peso centrale variabili cognitive, emotive ed etiche che per altre tecnologie avevano un impatto più trascurabile.
In particolare, dalla letteratura recente emergono come dominanti i costrutti che misurano la dimensione del Mindset.
Le variabili di mindset ci dicono molto su chi è predisposto ad adottare la GenAI. Ma accanto a queste, altri studi enfatizzano una ulteriore dimensione complementare: la GenAI Literacy.
Con GenAI Literacy si intende una comprensione dei principi fondamentali di funzionamento dei sistemi di AI generativa.
È il collante che tiene insieme percezione di utilità e intenzione d'uso: senza una base di comprensione di quello che ci sta dietro, anche chi ha il mindset giusto rischia di trovarsi davanti a una valanga di errori scoperti troppo tardi nell’utilizzo.
Diversi studi la identificano come mediatore centrale dell'intenzione all'utilizzo e framework come il FAIGMOE (Framework for the Adoption and Integration of Generative AI in Midsize Organizations and Enterprises) la individuano come fattore primario per la gestione strategica del cambiamento culturale nelle organizzazioni.
Literacy, self-efficacy e mindset ci raccontano un pezzo importante della storia: coltivare il giusto atteggiamento verso lo strumento, conoscerne i principi base di funzionamento, sentirsi in controllo durante l'interazione invece che alla mercé dello strumento, ma non mappano quali competenze specifiche servono per lavorare bene con l'AI.
Infatti, sapere cosa devo saper fare quando delego un task, quando valuto un output, quando comunico un requisito complesso, è molto difficile, e richiede competenze ancora più specifiche.
Saper usare l’AI non è solo saper scrivere un prompt.
Come scrive Ethan Mollick, professore alla Wharton School e tra le voci più influenti sull'impatto dell'AI nel lavoro, interagire con l'AI somiglia più a gestire un collega junior molto veloce e molto produttivo: devi sapere cosa chiedergli, come verificare il suo lavoro e quando non fidarti del risultato.
Per mappare queste abilità serve un framework dedicato al modo specifico con cui interagiamo con lo strumento di GenAI.
Il framework più completo e specifico su questo fronte è il 4D AI Fluency Framework, sviluppato dai professori Rick Dakan e Joseph Feller in collaborazione con Anthropic. Mappa l’interazione con la GenAI utilizzando quattro categorie fondamentali:
Le quattro D sono le competenze misurate nella sezione dedicata alla dimensione Fluency del nostro assessment.

Le domande in questa sezione incrociano le competenze operative delle 4D con i pattern reali di utilizzo: chi usa cosa e per quali attività in relazione alla propria mansione lavorativa permettendoci così di leggere la fluency non in astratto, ma dentro il contesto professionale di ogni persona.
Le domande del nostro assessment mettono insieme i vari pezzi del puzzle: le dimensioni di mindset e literacy dei framework psicologici con le competenze operative specifiche alla GenAI mappate dalle 4D.
Il risultato è una visualizzazione tridimensionale che comprende Literacy, Mindset e Fluency e mappa ogni individuo lungo queste tre coordinate.
Questo permette di capire non solo se le persone nella tua azienda usano l'AI, ma come la usano, con quale livello di maturità e consapevolezza e che attitudine hanno verso la tecnologia.
In questo modo possiamo mappare le competenze che ci servono per costruire il profilo individuale di ogni partecipante.

Il radar plot permette non solo di comparare i punteggi dei diversi profili nelle tre dimensioni (literacy, fluency e mindset), ma anche di visualizzare sottodimensioni cruciali della fluency come la qualità e l'ampiezza d'uso della GenAI.
I punteggi vengono in primo luogo calcolati e presentati separatamente per ognuna delle tre dimensioni e per ogni individuo.
L’aggregazione dei punteggi conseguiti in dimensioni diverse aggiunge valore segmentando la popolazione aziendale in gruppi (beginner, curious, expert, champion) in base al punteggio combinato di fluency e literacy.
La dimensione del mindset non viene usata per la segmentazione in gruppi, ma viene mostrata come prospettiva aggiuntiva sui dati per valutare l’attitudine di diversi profili (che siano beginners o champions) alla GenAI.

Mappare la popolazione aziendale nel modo descritto non è un esercizio diagnostico fine a sé stesso, bensì quello che permette di evitare l'errore più costoso di questa fase: applicare la stessa strategia di adozione a popolazioni profondamente diverse.
Un'azienda con il 60% di Curious e il 5% di Champion ha un problema di literacy diffusa: le persone usano lo strumento ma rischiano di prendere per buoni output sbagliati e non c'è abbastanza consapevolezza interna per correggere il tiro. La leva non è "fate usare di più l'AI", è formazione sui fondamenti e guida a un utilizzo più strutturato.
Un'azienda con il 40% di Beginner e 30% di Explorer ha altri tipi di necessità: per un verso c'è conoscenza ma non c'è ingaggio, per un altro c’è bisogno di accompagnare le persone nella scoperta dello strumento. In questa situazione gioca un ruolo fondamentale la variabile del mindset: avere molti beginners entusiasti all’idea di imparare richiede scelte molto diverse nell’impostazione dei piani di formazione rispetto ad avere molti beginners che sono cauti o freddi nei confronti della sfida posta dagli strumenti di GenAI.
Tornando alla parafrasi di apertura: comprare l'abbonamento al software è la parte facile. La parte difficile è capire bene chi hai davanti, prima di decidere cosa fargli fare.
Senza una mappa di partenza, ogni percorso di adoption è una scommessa alla cieca: si assume che la popolazione aziendale sia omogenea, che il problema sia uno solo e che la soluzione si possa copia-incollare.
Il tempo investito nell’analizzare la situazione per capire il punto di partenza viene così ripagato da una scelta consapevole e mirata nel percorso di adozione della GenAI.
Bandura, A. (2006). Guide for constructing self-efficacy scales. In F. Pajares & T. Urdan (Eds.), Self-efficacy beliefs of adolescents (Vol. 5, pp. 307-337). Information Age Publishing. https://www.emerald.com/books/edited-volume/18068/chapter-abstract/101339715/Guide-for-Constructing-Self-Efficacy-Scales
Casal-Otero, L., Catala, A., Mariño, C. J., & Fernández-Morante, C. (2023). AI literacy in higher education: A systematic review. International Journal of Educational Technology in Higher Education. https://www.researchgate.net/publication/395432520_AI_Literacy_in_Higher_Education
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
Deng, H., & Lin, Y. (2024). The construction and validation of the AI Mindset Scale (AIMS). Current Psychology. https://www.researchgate.net/publication/396366817_The_construction_and_Validation_of_the_AI_mindset_Scale_AIMS
Howell, J. (2024, 18 novembre). ChatGPT user statistics and facts for 2025. Exploding Topics. https://explodingtopics.com/blog/chatgpt-users
Lee, A. T., Ramasamy, R. K., & Subbarao, A. (2025). Understanding Psychosocial Barriers to Healthcare Technology Adoption: A Review of TAM Technology Acceptance Model and Unified Theory of Acceptance and Use of Technology and UTAUT Frameworks. Healthcare, 13(3), 250. https://doi.org/10.3390/healthcare13030250
Mollick, E. (2024, 13 maggio). Management as an AI superpower. One Useful Thing. https://www.oneusefulthing.org/p/management-as-ai-superpower
Southworth, J., et al. (2024). AI Fluency Framework. https://aifluencyframework.org/
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478. https://www.researchgate.net/publication/220259897_User_Acceptance_of_Information_Technology_Toward_a_Unified_View
Yang, S., & Huang, R. (2025). Developing a comprehensive framework for AI literacy: Competencies and assessment. arXiv. https://arxiv.org/html/2510.19997v1
Weinberg, A. I. (2025). A framework for the adoption and integration of generative AI in midsize organizations and enterprises (FAIGMOE) [Preprint]. arXiv. https://arxiv.org/abs/2510.19997
Irene Senatore - AI Adoption Specialist - Datapizza