Lucia Giammarinaro

Parte 1. Formare all’intelligenza artificiale nelle transizioni professionali

Ci sono persone che arrivano ai percorsi di politica attiva del lavoro con un curriculum da aggiornare. E poi ci sono persone che arrivano con una lingua da ricostruire. Non perché non sappiano parlare, ma perché il lavoro, a un certo punto, ha cambiato grammatica.

L’intelligenza artificiale generativa è una delle nuove grammatiche del lavoro contemporaneo. Non l’unica, non la più neutra, non la più innocente. Ma sicuramente una di quelle che stanno modificando il modo in cui si cercano informazioni, si scrive una candidatura, si prepara un colloquio, si rilegge una competenza, si immagina un progetto professionale, si entra (o si resta fuori!) da alcuni ambienti lavorativi.

Nei percorsi di Garanzia di Occupabilità dei Lavoratori, questa non è una questione accessoria. È una questione orientativa.

GOL nasce dentro un campo complesso: quello delle transizioni professionali, della disoccupazione, della riqualificazione, della vulnerabilità adulta, della distanza – talvolta tecnica, talvolta simbolica – dal mercato del lavoro. In questo spazio, formare all’intelligenza artificiale non significa semplicemente aggiungere un modulo “al passo con i tempi” a un catalogo formativo. Significa interrogarsi su che cosa oggi renda una persona più o meno capace di muoversi dentro un ecosistema sociale che cambia lingua, strumenti, criteri di selezione, velocità e forme di visibilità.

Ho ricevuto l’incarico di tenere un corso sull’intelligenza artificiale all’interno di un percorso GOL promosso da un ente di formazione nel Lazio – quaranta ore in due mesi, in modalità online, con un gruppo di quindici persone, tutte in NASPI per motivi diversi: un licenziamento, una fine di contratto, un’azienda chiusa, una scelta difficile, una malattia. Persone con storie lavorative eterogenee e con un elemento comune: la necessità di riorientarsi in un mercato che stava cambiando anche mentre loro erano senza lavoro. L’incarico era formativo. Ma nel progettarlo ho faticato a tenerlo separato dall’orientamento. Solo durante ho capito che era non riuscivo a separarlo perché per chi mi stava ascoltando non era separato.

Le persone che avevo di fronte non avevano solo bisogno di imparare a usare uno strumento: avevano bisogno di capire dove si trovavano, di nominare quello che sapevano fare, di immaginarsi un futuro professionale in un contesto che stava cambiando forma. Così mi sono ritrovata a lavorare su due livelli insieme: formare all’AI come docente e usare l’AI come professionista del Life Design. Quello che segue è il racconto di quella doppia postura, e la proposta – rivolta a chi fa orientamento – di considerare l’AI literacy come parte integrante del lavoro orientativo nelle transizioni.

Non diventare chef stellati, ma imparare a stare in cucina

Una metafora che ho usato fin dal primo incontro con il gruppo. Quando una persona entra in contatto con l’intelligenza artificiale generativa, non ha bisogno – almeno non necessariamente – di diventare chef stellata. Così come non tutte le persone che partecipano a un percorso GOL dovranno progettare sistemi, sviluppare automazioni complesse o diventare professioniste dell’AI.

Ma tutte, o quasi tutte, di quelle che non lavoreranno mai in un ristorante avranno bisogno di saper cucinare qualcosa.

Avranno bisogno di riconoscere gli ingredienti, distinguere un utensile da un altro, capire quali fuochi scottano, quali alimenti non si mescolano, quali coltelli richiedono attenzione… e che i piatti vanno sempre assaggiati prima di essere serviti. Perché il rischio maggiore, quando si introduce l’AI in modo superficiale, è esattamente questo: consegnare alle persone una macchina potente senza insegnare loro a stare nel processo.

Matteo Flora – informatico, docente universitario e tra le voci più ascoltate in Italia sull’uso consapevole dell’intelligenza artificiale – descrive così la posta in gioco: le competenze necessarie per padroneggiare l’AI sono più strategiche e di pensiero critico che puramente tecniche, e il vero rischio non è essere sostituiti ma perdere terreno perché non si è imparato a distinguere ciò che è reale da ciò che è soltanto plausibile (Flora, 2025). È la stessa distinzione che lavoriamo in orientamento quando aiutiamo una persona a separare ciò che desidera da ciò che sente di dovere, o ciò che sa fare da ciò che pensa gli altri si aspettino. Stare nella cucina dell’AI, in questo senso, è già stare dentro un processo orientativo.

Il prompt – la richiesta che si formula all’AI – non è soltanto una domanda tecnica. È una competenza di formulazione: richiede chiarezza di obiettivo, definizione del contesto, selezione delle informazioni rilevanti, capacità di vincolare il compito, revisione dell’output. In termini orientativi, scrivere un buon prompt è già una pratica metacognitive: obbliga la persona a esplicitare intenzioni, criteri e vincoli, attivando processi di decision making e problem solving che Soresi e Nota (2020) collocano al centro di qualsiasi percorso di progettazione professionale. Imparare a cucinare, dunque, non è separato dall’imparare a progettare.

E la revisione dell’output è la fase più delicata: l’assaggio, appunto. Nessun testo generato può essere assunto come definitivo: va letto, interrogato, modificato, verificato. Qui si incontra un rischio reale che la ricerca ha iniziato a documentare: il cognitive debt, il debito cognitivo che si accumula quando si delegano sistematicamente all’AI funzioni mentali come la valutazione critica o la pianificazione (Koç & Kaya, 2024). Un beneficio immediato di velocità che si paga nel tempo con l’indebolimento della capacità analitica e dell’autonomia di giudizio. In un percorso GOL, dove l’obiettivo è aumentare l’agency della persona, produrre dipendenza dallo strumento significherebbe uscire dalla cucina con un piatto già pronto che non si sa replicare – e senza aver capito nulla della ricetta.

Quattro moduli in cucina: una sola cornice orientativa

Il percorso si è strutturato in quattro moduli, ciascuno con una funzione operativa specifica – ma tutti progettati all’interno della cornice teorica della career adaptability (Savickas & Porfeli, 2012; Nota & Rossier, 2015). Le quattro dimensioni – concern, control, curiosity, confidence – non sono state il tema esplicito del corso, ma la sua architettura profonda.

Il primo modulo, operativo, lavora su control e confidence. Le persone sperimentano usi concreti: leggere un’offerta di lavoro, estrarne le competenze richieste, confrontarle con il proprio profilo, scrivere o migliorare un curriculum, preparare risposte per un colloquio, costruire una mail professionale. Ma anche organizzare un viaggio, preparare una lezione di fitness o generare un fumetto. L’esercizio centrale è la scrittura di prompt: il gruppo impara a formulare richieste precise, a vincolare il compito, a ottenere output utili – non perché l’AI produca il risultato finale, ma perché il processo di formulazione è già un esercizio di chiarezza su di sé. Una persona che riesce a scrivere meglio una candidatura non ha solo prodotto un testo: ha vissuto un’esperienza di efficacia che rafforza la fiducia nella propria capacità di agire nel mercato del lavoro (Bandura, 1997; Ginevra et al., 2016). Sa anche quali coltelli usare, e non si taglia.

Il secondo modulo, cognitivo, lavora su curiosity. L’AI può aiutare a organizzare informazioni, formulare domande migliori, esplorare possibilità. Ma perché questo accada, la persona deve prima imparare a non confondere fluidità con verità, velocità con qualità, plausibilità con attendibilità – a riconoscere, insomma, quando il piatto è bello ma non è commestibile. Gli output generativi sono spesso ben scritti, ma non per questo corretti o adeguati. L’esercizio centrale è l’uso di framework di prompt strutturati – strumenti che non sono trucchi operativi ma strutture di pensiero: aiutano a scomporre un problema, confrontare alternative, verificare coerenze. Andrea Colamedici – filosofo e studioso dell’intersezione tra intelligenza artificiale e pensiero critico – ha individuato il nodo con precisione: usare l’AI in modo oracolare, come se producesse certezze invece di ipotesi, non è un uso avanzato dello strumento ma una rinuncia all’esercizio del pensiero (Colamedici, 2025). Questo modulo propone, quindi, di interrogare l’AI come si interroga qualsiasi fonte – con criteri, con distanza, con la propria testa. Santilli et al. (2019) riconoscono il pensiero critico come competenza trasversale fondamentale per l’occupabilità adulta, e in molte persone in transizione questa competenza esiste ma è rimasta in un cassetto.

Il terzo modulo, orientativo, lavora su concern – la dimensione della career adaptability che riguarda la capacità di proiettarsi nel futuro e di dargli forma. È il modulo più delicato, perché il rischio è che la persona chieda alla macchina una risposta definitiva: “Che lavoro devo fare?”. Con una cornice orientativa, quella domanda si trasforma: “Quali possibilità posso esplorare, a partire dalla mia storia, dai miei vincoli, dalle mie risorse e dal contesto in cui mi muovo?”. È la domanda del Life Design (Savickas et al., 2009; Soresi & Nota, 2020). L’esercizio centrale è stato il prompt di AI Mirror: un testo strutturato, fornito dalla docente, che ha guidato ciascuna persona a costruire – attraverso un dialogo con l’AI – un progetto di sviluppo professionale e un primo prototipo di GPT personalizzato a supporto della propria transizione. Non un piano definitivo, ma una mappa di possibilità: scenari alternativi, competenze da valorizzare, direzioni da esplorare.
[ Il prompt di AI mirror utilizzato nel percorso è stato elaborato e adattato a partire dalla lezione di Kaliris (2026), tenuta presso l’Università di Padova nell’ambito del seminario “Humans decide, AI supports: Fostering Flourishing and Agency in Life Design” — un titolo che sintetizza meglio di qualsiasi altra formula la postura che ho cercato di portare anche in questo corso].

Il quarto modulo, civico e regolativo, lavora su confidence – non come fiducia acritica nello strumento, ma come consapevolezza di sé in relazione a un sistema potente. Parlare di AI significa parlare anche di dati, privacy, bias algoritmici, discriminazioni nell’accesso alle opportunità, cornici normative come il Regolamento (UE) 2024/1689 – il cosiddetto AI Act. L’esercizio centrale è la redazione collettiva di un manifesto: “Manifesto per un’intelligenza artificiale umana, critica e responsabile”. Dieci principi scritti dal gruppo, che sintetizzano ciò che hanno imparato – non come utenti passivi, ma come persone che hanno deciso di stare in cucina con la testa accesa. Tra i principi: l’AI non è neutrale e deve includere le prospettive mancanti; la responsabilità finale resta umana e collettiva; ogni verifica richiede tempo, e l’urgenza non deve sostituire il pensiero; non dobbiamo vivere alla velocità della macchina; la giustizia non può essere delegata all’algoritmo. Un documento che è, insieme, una sintesi del percorso e una presa di posizione etica. In questa prospettiva, mi ritrovo in ciò che la recente enciclica Magnifica Humanitas di Papa Leone XIV (2026) afferma con chiarezza: il lavoro è dimensione della dignità, e non può essere sacrificato a una logica in cui le persone vengono valutate come funzioni, dati o prestazioni. Il manifesto del gruppo lo dice a modo suo, con la stessa urgenza.

Compensare, potenziare – e non confondere le due cose

Quella che ho proposto ai colleghi orientatori è una lettura dell’AI literacy come misura al tempo stesso compensativa e potenziativa – in linea con una concezione dell’occupabilità come costrutto dinamico, situato e costruito nel tempo (Savickas, 2013; Soresi & Nota, 2020).

Compensativa, perché può ridurre alcune asimmetrie reali. Molte delle persone che arrivano ai percorsi GOL – e in particolare quelle in NASPI da più tempo – non mancano di capacità: mancano di strumenti per renderle visibili, dicibili, trasferibili (Santilli, 2014). Non riescono a nominare ciò che sanno fare perché il mercato del lavoro parla un linguaggio spesso escludente, tecnico, standardizzato, lontano dalla pluralità delle biografie reali. Questa difficoltà può essere ancora più marcata per persone con DSA, profili neurodivergenti o caratteristiche di apprendimento che rendono certi formati – la scrittura lineare, la sintesi, la struttura del CV – oggettivamente più faticosi da produrre, indipendentemente dalle competenze possedute. L’AI può qui svolgere una funzione compensativa in senso proprio: non abbassa l’asticella, ma rimuove alcune barriere di accesso alla forma. Può riformulare un testo in modo più chiaro, suggerire strutture alternative, semplificare linguaggi complessi, trasformare un elenco disordinato di esperienze in una narrazione professionale riconoscibile. In questo si avvicina alla logica delle misure di accessibilità universale: non è un vantaggio per pochi, ma una riduzione di ostacoli che non dovevano esserci (Nota et al., 2020). In tutti questi casi, l’AI può abbassare la soglia di accesso, sostenere prime bozze, offrire alternative di formulazione – e in questo processo aiuta a costruire autoefficacia percepita (Bandura, 1997; Ferrari et al., 2015). Nel gruppo, qualcuno ha scritto il primo curriculum dopo una lunga interruzione lavorativa, in un’ora, non perché prima mancasse la volontà, ma perché mancava un punto di accesso alla forma, una barriera che l’AI gli ha permesso di ignorare.

Potenziativa, perché può amplificare risorse già presenti ma non pienamente espresse: capacità narrative, conoscenze tacite, desideri professionali ancora non tradotti in obiettivi. Può aiutare a vedere connessioni tra esperienze che sembravano sparse, a costruire un lessico professionale più adeguato, ad ampliare il campo delle possibilità esplorabili. Lavora sulle dimensioni di curiosità ed esplorazione della career adaptability (Santilli et al., 2016; Ginevra et al., 2016).

La distinzione va però tenuta ferma – e qui l’orientatrice e l’orientatore hanno un ruolo esplicito: se l’AI sostituisce il lavoro della persona, la indebolisce. Se lo supporta, può rafforzarla. Non è una distinzione tecnica. È una distinzione orientativa ed etica – e si vede, in cucina, da come una persona tratta la ricetta: la segue ciecamente, o la capisce abbastanza da modificarla?

Una domanda per i colleghi – e un invito alla seconda parte

Questa prima parte nasce da un’esperienza concreta e da una domanda che mi sono portata dietro per tutta la sua durata: perché l’AI literacy non fa già parte del lavoro di orientamento nelle transizioni?

Non come modulo separato, non come competenza digitale aggiuntiva. Come parte della conversazione orientativa stessa. Come strumento che aiuta le persone a esplorare possibilità, a nominare competenze, a costruire candidature, a interrogare il mercato del lavoro – con consapevolezza critica e con la propria testa al centro.

Alla fine del corso, il gruppo ha realizzato illustrazioni in stile anime per ringraziarmi – con la cucina, con le divise da chef, con i propri compagni disegnati intorno a una pentola. Non me l’aspettavo. Ma forse è la cosa che racconta meglio di tutte cosa era successo in quei due mesi: avevano imparato a stare in cucina e la cucina era diventata loro.

La tecnologia non orienta. Non include. Non emancipa. Non garantisce il lavoro. Ma se mediata con competenza professionale può diventare una leva per compensare divari, potenziare risorse e rendere più praticabile il passaggio tra una biografia lavorativa interrotta e una nuova possibilità professionale.

Prima di procedere con la scrittura della seconda parte, mi piacerebbe aprire una riflessione collettiva: l’AI entra già nella vostra pratica orientativa? In quali momenti, con quali cautele, con quali resistenze? Confrontarsi su questo mi sembra utile, proprio perché gli strumenti che usiamo non sono mai neutri rispetto ai valori che portiamo. Nella seconda parte vorrei provare a rispondere a una domanda più difficile: come si usa l’AI come specchio, senza trasformarla in oracolo? Come si porta uno strumento statistico dentro una conversazione che riguarda il senso, la storia, il futuro di una persona?

La cucina, da sola, non basta. Serve anche sapere per chi si cucina.

Riferimenti bibliografici

• Bandura, A. (1997). Self-efficacy: The exercise of control. Freeman.
• Barocas, S., & Hardt, M. (2016). Fairness in machine learning. NIPS 2016 Tutorial. https://fairmlbook.org
• Colamedici, A. (2025, 12 aprile). Un nuovo patto con il lettore. Appunti [Newsletter Substack]. https://appunti.substack.com/p/un-nuovo-patto-con-il-lettore
• Ferrari, L., Nota, L., & Soresi, S. (2015). Motivational strategies and work engagement in Italian career counselors. In A. Di Fabio & J.-L. Bernaud (Eds.), The construction of the identity in 21st century (pp. 79–95). Nova Science Publishers.
• Flora, M. (2025). Intelligenza artificiale e lavoro: intervista a Matteo Flora. Roche Italia. https://www.roche.it/storie/intelligenza-artificiale-e-lavoro-intervista-a-matteo-flora
• Ginevra, M. C., Pallini, S., Vecchio, G. M., Nota, L., & Soresi, S. (2016). Future orientation and attitudes mediate career adaptability and decidedness. Journal of Vocational Behavior, 95–96, 102–110. https://doi.org/10.1016/j.jvb.2016.08.003
• Koç, A. N., & Kaya, F. (2024). The impact of AI-assisted learning on cognitive debt: A review of emerging evidence. Computers & Education, 198, 104–119.
• Leone XIV (2026, 25 maggio). Magnifica Humanitas. Lettera enciclica sulla custodia della persona umana nel tempo dell’intelligenza artificiale. Libreria Editrice Vaticana. https://www.vatican.va/content/leo-xiv/it/encyclicals/documents/20260515-magnifica-humanitas.html
• Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). ACM. https://doi.org/10.1145/3313831.3376727
• Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
• Nota, L., & Rossier, J. (Eds.). (2015). Handbook of life design: From practice to theory and from theory to practice. Hogrefe.
• Nota, L., Soresi, S., Di Maggio, I., Santilli, S., & Ginevra, M. C. (2020). Sustainable development, career counselling and career education. Springer.
• O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown. Kaliris, A. (2026, 7 maggio). Humans decide, AI supports: Fostering flourishing and agency in life design [Seminario]. Università di Padova, Padova, Italia.
• Kaliris, A. (2026, 7 maggio). Humans decide, AI supports: Fostering flourishing and agency in life design [Seminario]. Università di Padova, Padova, Italia.
• Regolamento (UE) 2024/1689 del Parlamento Europeo e del Consiglio del 13 giugno 2024 che stabilisce regole armonizzate sull’intelligenza artificiale (AI Act). Gazzetta Ufficiale dell’Unione Europea, L 1689.
• Santilli, S. (2014). La ricerca attiva del lavoro: definizione, modelli teorici e approcci esplicativi. Giornale Italiano di Psicologia dell’Orientamento, 14(2–3), 18–27.
• Santilli, S., Marcionetti, J., Rochat, S., Rossier, J., & Nota, L. (2016). Career adaptability, hope, optimism, and life satisfaction in Italian and Swiss adolescents. Journal of Career Development, 44(5), 416–429. https://doi.org/10.1177/0894845316664826
• Santilli, S., Nota, L., & Soresi, S. (2019). Il contributo dell’orientamento e del counselling all’Agenda 2030. Cleup.
• Savickas, M. L. (2013). Career construction theory and practice. In S. D. Brown & R. W. Lent (Eds.), Career development and counseling: Putting theory and research to work (2nd ed., pp. 147–183). Wiley.
• Savickas, M. L., & Porfeli, E. J. (2012). Career Adapt-Abilities Scale: Construction, reliability, and measurement equivalence across 13 countries. Journal of Vocational Behavior, 80(3), 661–673. https://doi.org/10.1016/j.jvb.2012.01.011
• Savickas, M. L., Nota, L., Rossier, J., Dauwalder, J.-P., Duarte, M. E., Guichard, J., Soresi, S., Van Esbroeck, R., & Van Vianen, A. E. M. (2009). Life designing: A paradigm for career construction in the 21st century. Journal of Vocational Behavior, 75(3), 239–250. https://doi.org/10.1016/j.jvb.2009.04.004
• Soresi, S., & Nota, L. (2020). L’orientamento e la progettazione professionale: Modelli, strumenti e buone pratiche. Il Mulino.