AI Fluency: il framework 4D per usare l’AI in azienda

/ Adozione A
Delegation, Description, Discernment, Diligence: quattro competenze che separano l’uso casuale dell’AI dall’integrazione operativa. Cosa cambia per un manager di PMI.

Saper scrivere prompt non basta più

Quali sono le domande che sente più spesso chi entra in un’azienda per parlare di AI?

Facile:: “Come si scrive un buon prompt?”, “Come velocizzo il lavoro dei miei dipendenti?”

Nelle PMI italiane il livello medio di uso di ChatGPT, Claude o Gemini è quello di una macchina da scrivere intelligente. Si apre il tool, si butta dentro una richiesta, si copia l’output, si incolla in una mail o in una slide. Il risultato è quasi sempre accettabile, quasi mai eccellente. E soprattutto è privo di criteri: non c’è modo di capire perché ha funzionato, perché non ha funzionato, e cosa replicare la volta dopo.

Il problema non è il prompt. Manca tutto quello che sta prima e dopo.

Prima: cosa sto delegando, e perché proprio questo?

Dopo: l’output che ho davanti è affidabile, e chi se ne prende la responsabilità?

Da qui parte il concetto di AI Fluency: lavorare con sistemi di intelligenza artificiale in modo efficace, efficiente, etico e sicuro. Non è prompt engineering versione accademica. È la cornice che il prompt engineering, da solo, non dà.

Cos’è l’AI Fluency e da dove viene il framework 4D

Il framework nasce da una collaborazione tra Rick Dakan, professore di Creative Writing al Ringling College of Art and Design (Florida), e Joseph Feller, professore di Information Systems alla Cork University Business School (Irlanda). Prima versione pubblica: 2025, in licenza Creative Commons.

Anthropic ha poi adottato lo stesso framework come base del corso pubblico AI Fluency: Framework & Foundations, distribuito tramite Anthropic Academy e firmato insieme da Dakan, Feller e Anthropic. È lo stesso modello, con due piani di lettura: uno accademico e uno applicato all’uso quotidiano.

Il framework parte da una distinzione che vale la pena tenere a mente, perché dice molto sul livello di rischio di un progetto AI:

  • Automation: l’AI esegue un compito che tu hai definito (esempio: sintetizzare un meeting).
  • Augmentation: tu e l’AI lavorate insieme, in modo iterativo, come partner cognitivi (esempio: costruire una strategia di posizionamento).
  • Agency: configuri l’AI perché lavori in autonomia, anche per altri (esempio: un chatbot che risponde ai clienti).

AI Fluency in una riga. È la capacità di scegliere consapevolmente cosa delegare all’AI, come descriverlo, come valutare quello che ti restituisce e come prenderti la responsabilità del risultato finale.

Tre modalità, quattro competenze. Le competenze sono le 4 D.

Le 4 D, tradotte per chi gestisce un team

Delegation: cosa dare all’AI, cosa tenere umano

Delegation non è “automatizzare i task ripetitivi”. È una scelta a monte: in un processo di lavoro, quale parte richiede giudizio umano, e quale no? Da questa scelta dipende la differenza tra un team che usa l’AI come acceleratore e un team che la usa come scorciatoia.

Un esempio marketing. Un responsabile marketing di una PMI B2B deve produrre una sequenza di tre email per nutrire una lista di lead acquisita in fiera. Cosa è delegabile?

  • La struttura della sequenza, i copy di partenza, le varianti per A/B test sull’oggetto: sì.
  • La lettura del contesto (in che momento è quel mercato, cosa sta facendo il competitor che il prospect ha appena valutato, qual è il posizionamento che vogliamo difendere): no.
  • La scelta del tono di voce, e la decisione su cosa non dire: no.

La trappola tipica è invertire l’ordine: si delega l’analisi strategica all’AI (“dimmi tu come dovremmo posizionarci”) e si controlla solo l’esecuzione. È il modo più rapido per produrre marketing generico. L’ho visto succedere abbastanza volte da pensare che sia il pattern di errore più comune in questa fase di adozione.

Description: dare contesto, non istruzioni

Description è la competenza che la maggior parte dei manager confonde con “saper fare i prompt”. È più della tecnica. È la capacità di tradurre un obiettivo in qualcosa che l’AI possa davvero capire.

Un prompt-istruzione suona così: “Scrivimi una email di follow-up per un cliente che non ha risposto”.

Un prompt-contesto suona diverso:

  • obiettivo (riaprire la conversazione senza forzare),
  • contesto (settore, ruolo del prospect, contenuto dell’ultimo scambio),
  • vincoli (tono, lunghezza, cosa evitare),
  • esempio di follow-up che hanno funzionato in passato.
  • output:diciamo sempre all’AI cosa vogliamo ottenere, se un documento formattato in un certo modo, una slide o altro. Non lasciamo la amcchina a indovinare cosa abbiamo in mente.

Funziona di più, e non perché sia “più completo”. Funziona perché trasferisce all’AI una porzione del tuo pensiero. E funziona ancora meglio quando si entra nel loop description-discernment: si descrive, si guarda l’output, si raffina la descrizione. Le 4 D, nel framework Anthropic, sono pensate proprio come iterazione, non come checklist da spuntare una volta sola.

Discernment: valutare l’output con metodo

Qui si gioca la partita più importante, e qui la maggior parte dell’uso aziendale dell’AI fallisce in silenzio. Il framework articola Discernment su tre livelli:

  • Prodotto: l’output è corretto, accurato, coerente con quello che serviva?
  • Processo: la collaborazione con l’AI sta dando frutti, o sto solo riformulando la stessa richiesta?
  • Performance (rilevante in modalità Agency): se l’AI lavora in autonomia (un chatbot, un agente), sta facendo quello che deve, con il tono e i limiti che servono?

Il rischio strutturale è l’automation bias: la tendenza a fidarsi dell’output perché “sembra giusto”, soprattutto quando è ben scritto. È un bias studiato da decenni nella letteratura sull’aviazione e sui sistemi decisionali. Con l’AI generativa diventa particolarmente insidioso, perché l’output è quasi sempre fluente e plausibile. Anche quando è sbagliato.

In pratica Discernment vuol dire avere definito prima quali sono i criteri di accettazione di un output. Se non sai cosa stai cercando, non sai quando l’hai trovato.

Diligence: chi firma il risultato

Diligence chiude il cerchio: la responsabilità. Tre dimensioni:

  • Creazione: usare l’AI nel rispetto dei vincoli etici, legali, di bias e di impatto sugli stakeholder.
  • Trasparenza: comunicare l’uso dell’AI quando è rilevante per chi riceve il contenuto.
  • Deployment: prima di pubblicare o rilasciare, verificare. Fact-check, test, validazione.

C’è anche un aggancio normativo. L’EU AI Act, in vigore con applicazione progressiva, va nella stessa direzione delle 4 D: trasparenza, supervisione umana, tracciabilità. Diligence, nelle PMI, non è un esercizio etico astratto. È quello che ti permette di rispondere alla domanda chi ha approvato questo contenuto? Domanda che, prima o poi, qualcuno ti farà.

Le 4 D in una riga. Delegation: decido cosa delegare. Description: comunico bene cosa voglio. Discernment: valuto cosa ho ottenuto. Diligence: mi prendo la responsabilità del risultato.

Perché le 4 D contano in una PMI italiana

Il valore delle 4 D in una PMI non è teorico. Sta nel fatto che diventano un linguaggio comune.

Senza un metodo condiviso, in un team di marketing succede questa cosa: una persona usa l’AI molto bene, due la usano in modo casuale, una non la usa per niente. I risultati sono incomparabili. Le revisioni sono opinioni. E il responsabile non ha criteri per dare un feedback che non sia questo non mi convince. Paradossalmente, l’AI peggiora la coerenza del lavoro di squadra, invece di migliorarla. È uno degli effetti collaterali di cui si parla meno, e che vedo riproporsi quasi sempre.

Le 4 D danno ai manager qualcosa che prima non avevano: la possibilità di fare code review degli output AI prodotti dal team. Non “il testo è bello o brutto”, ma:

  • Era questo il task giusto da delegare? (Delegation)
  • Il prompt aveva contesto sufficiente? (Description)
  • Quali criteri sono stati usati per accettare l’output? (Discernment)
  • Chi ha firmato la versione finale, e cosa ha verificato? (Diligence)

Quattro domande riproducibili, indipendenti dal tool.

Tre domande prima di delegare un task all’AI.

  1. Se l’output fosse sbagliato al 30%, chi se ne accorgerebbe?
  2. Quale parte di questo task richiede giudizio che solo io ho?
  3. Ho i criteri per dire “questo va bene”, o sto solo guardando se “suona bene”?

Da dove iniziare

L’errore più frequente, quando si introduce un framework come questo, è volerlo applicare ovunque. Non funziona. La fluency, lo dice il nome, si costruisce con la pratica ripetuta su un terreno ristretto.

Tre passi concreti:

  1. Scegliere un solo processo. Una sequenza email, una proposta commerciale, la sintesi di interviste cliente. Uno. Quello dove l’AI è già usata in modo casuale e dove un metodo darebbe il guadagno più visibile.
  2. Mappare quel processo sulle 4 D. Cosa è delegabile e cosa no (Delegation). Quali contesti vanno trasferiti all’AI ogni volta (Description). Quali sono i criteri di accettazione (Discernment). Chi firma (Diligence).
  3. Iterare a sprint settimanali. Una review breve, ogni venerdì, sui risultati della settimana. Cosa ha funzionato. Cosa no. Cosa cambiare alla prossima iterazione. La fluency si misura in settimane di pratica, non in ore di formazione.

Il punto non è far diventare il team “esperto di AI”. Quello è un titolo. Il punto è costruire una capacità che resti: integrare uno strumento che continuerà a cambiare, senza dover ricominciare da capo a ogni nuova versione del modello.

Le 4 D, tra i framework che ho visto in giro in questi anni, sono uno dei pochi a essere agnostici per costruzione rispetto al tool. Vale per ChatGPT oggi, varrà per quello che lo sostituirà. Per questo meritano il tempo che chiedono.

Fonti