Come far usare davvero l'IA ai dipendenti? Un piano di adozione per i team della moda
Le sole licenze non cambiano il modo di lavorare delle persone. Un piano di adozione pratico per le aziende di moda: casi d'uso per team, formazione, regole d'uso, champion e misurazione.
IN SINTESI Sintesi della redazione
- Acquistare licenze di IA non crea adozione; l'uso cresce quando gli strumenti sono legati ad attività specifiche nella routine settimanale di ogni team.
- Il sondaggio Superagency 2025 di McKinsey ha rilevato che la probabilità che i dipendenti usassero l'IA generativa per una parte significativa del proprio lavoro era tre volte superiore a quella stimata dai vertici.
- Nello stesso sondaggio, il 48% dei dipendenti statunitensi ha indicato la formazione strutturata come il fattore che aumenterebbe di più il loro uso quotidiano dell'IA generativa.
- Il rapporto State of AI 2026 di McKinsey ha rilevato che quasi tre quarti delle aziende più avanzate nell'IA avevano riprogettato a fondo i flussi di lavoro, contro circa un quarto degli altri intervistati.
- Un piano di adozione dovrebbe definire casi d'uso per funzione, offrire formazione specifica per ruolo, pubblicare regole d'uso chiare, nominare dei champion e monitorare l'uso insieme ai risultati di business.
I dipendenti usano l'IA quando fa risparmiare tempo su attività che già svolgono, quando sanno che cosa è consentito e quando qualcuno mostra loro come fare. Un piano di adozione efficace per un'azienda di moda parte quindi da casi d'uso specifici per ogni team, aggiunge formazione per ruolo e regole d'uso chiare, si avvale di champion interni e misura sia l'uso sia i risultati di business. Distribuire licenze senza questi passaggi di solito lascia inutilizzata la maggior parte delle postazioni.
Perché le licenze di IA restano spesso inutilizzate?
Raramente il problema è la tecnologia. Il rapporto Superagency in the workplace di McKinsey, pubblicato nel gennaio 2025 e basato su un sondaggio tra 3.613 dipendenti e 238 dirigenti di primo livello, ha rilevato che i vertici stimavano che solo il 4 percento dei dipendenti usasse l'IA generativa per almeno il 30 percento del proprio lavoro quotidiano, mentre i dipendenti dichiaravano il 13 percento. Solo l'1 percento dei dirigenti descriveva il proprio rollout come maturo. In altre parole, l'uso informale è spesso più avanti del programma ufficiale, ma è frammentato e non gestito.
Lo stesso sondaggio mostra che cosa vogliono i dipendenti: il 48 percento degli intervistati statunitensi ha indicato la formazione strutturata come l'iniziativa con più probabilità di aumentare il loro uso quotidiano, seguita dall'integrazione fluida nei flussi di lavoro (45 percento) e dall'accesso agli strumenti (41 percento). Oltre un quinto ha dichiarato di aver ricevuto un supporto minimo o nullo.
Da quali casi d'uso dell'IA dovrebbe partire ogni team della moda?
Un generico invito a 'provare l'IA' produce poco. Meglio dare a ogni team due o tre punti di partenza concreti legati a risultati reali.
| Team | Casi d'uso per iniziare | Che cosa deve verificare una persona |
|---|---|---|
| Design | Varianti di mood board, sintesi di ricerche sulle tendenze, esplorazione delle varianti colore | Originalità, rischi di proprietà intellettuale, fattibilità |
| Merchandising e pianificazione | Sintesi dei report di sell-through, bozze di note per le revisioni di collezione, domande su scenari nei fogli di calcolo | Numeri rispetto ai sistemi di origine |
| E-commerce e contenuti | Bozze di descrizioni di prodotto, traduzioni, metadati SEO | Accuratezza delle indicazioni su materiali, manutenzione e vestibilità |
| Vendite e wholesale | Briefing sui clienti prima degli appuntamenti, e-mail di follow-up, riepiloghi degli ordini | Prezzi, condizioni e date di consegna |
| Servizio clienti | Bozze di risposta, consultazione delle policy, sintesi dei casi | Decisioni sui rimborsi, tono con i clienti insoddisfatti |
| Supply chain e sourcing | Bozze di e-mail ai fornitori, confronto di documenti, sintesi delle eccezioni di spedizione | Impegni verso i fornitori, dati di conformità |
Conta anche la sequenza. Partite con i team in cui un caso d'uso iniziale è più vicino a un risultato già esistente, come i contenuti di prodotto o i follow-up commerciali, così che i primi risultati siano visibili rapidamente. I team il cui lavoro dipende da dati non ancora affidabili, ad esempio la pianificazione con uno storico di sell-through incompleto, possono seguire una volta sistemati gli input. Pubblicare un semplice calendario di rollout dice a tutti quando arriverà il loro turno e riduce nel frattempo la tentazione di sperimentare con strumenti non approvati.
Come dovrebbe essere strutturata la formazione sull'IA?
La formazione funziona meglio quando è breve, specifica per ruolo e ripetuta. Un webinar una tantum su 'che cos'è l'IA generativa' non basta. Una struttura pratica prevede tre livelli:
- Basi per tutti: che cosa possono e non possono fare gli strumenti approvati, come verificare gli output, quali dati non vanno mai inseriti e come si presentano in pratica errori e allucinazioni.
- Laboratori per ruolo: sessioni da 60 a 90 minuti per team con i documenti e le attività reali del team, tratti dalla tabella precedente.
- Sportelli di supporto e aggiornamenti: un appuntamento fisso in cui i champion o il team IA aiutano su problemi specifici, e brevi aggiornamenti quando gli strumenti cambiano.
C'è anche una dimensione di conformità. Dal 2 febbraio 2025 l'articolo 4 dell'AI Act dell'UE impone ai deployer di sistemi di IA di adottare misure per garantire l'alfabetizzazione in materia di IA del proprio personale. La Commissione europea precisa che non serve alcun certificato, ma le organizzazioni dovrebbero poter dimostrare che cosa hanno fatto, quindi conservate semplici registri di chi ha partecipato a quale sessione.
Alcuni retailer hanno formalizzato questo percorso. Secondo FashionUnited, Debenhams Group ha lanciato nell'agosto 2025 un'AI Skills Academy con Multiverse, aperta a tutti i dipendenti e finanziata tramite il suo Apprenticeship Levy.
Di quali regole hanno bisogno i dipendenti prima di usare l'IA?
L'incertezza sulle regole rallenta l'adozione quanto la mancanza di competenze. Pubblicate una policy di una pagina che risponda alle domande che le persone pongono davvero: quali strumenti sono approvati, quali categorie di dati (dati dei clienti, design non ancora presentati, prezzi dei fornitori, condizioni contrattuali) sono ammesse in quale strumento, chi risponde di un output prodotto con l'aiuto dell'IA e quando l'uso dell'IA va dichiarato. Affiancatele un percorso semplice per richiedere nuovi strumenti, così che le persone non ricorrano ad app consumer non approvate.
Come guidano l'adozione champion e manager?
Gli esempi dei colleghi convincono più degli annunci dall'alto. Nominate un champion per team, concedetegli qualche ora al mese e chiedetegli di raccogliere e condividere prompt che funzionano e brevi esempi del prima e dopo. Anche i manager contano: quando il modello di una revisione di collezione o di una riunione commerciale include esplicitamente una sintesi preparata con l'IA, l'uso diventa parte della routine invece che un extra facoltativo.
La leva più profonda è la riprogettazione dei processi. Il rapporto State of AI 2026 di McKinsey, basato su 1.719 intervistati tra maggio e giugno 2026, ha rilevato che quasi tre quarti delle aziende più avanzate nell'IA avevano riprogettato a fondo i flussi di lavoro, contro circa un quarto degli altri intervistati. Aggiungere un chatbot a un processo invariato raramente cambia i risultati.
Come si misura se l'adozione dell'IA funziona?
Monitorate insieme due tipi di misure. Le metriche di utilizzo (utenti attivi a settimana, uso per team, uso ripetuto) mostrano se gli strumenti sono entrati nel lavoro quotidiano. Le metriche di risultato mostrano se questo conta: tempo per pubblicare una pagina prodotto, ore dedicate alla preparazione delle revisioni di collezione, tempo di prima risposta nel servizio clienti. Esaminatele entrambe ogni mese per i primi sei mesi, abbandonate i casi d'uso che non attecchiscono ed estendete quelli che fanno chiaramente risparmiare tempo o migliorano la qualità.
Aspettatevi progressi disomogenei. Alcuni team adotteranno rapidamente, altri avranno bisogno di più supporto o di dati migliori prima che l'IA sia utile. Un piano onesto su questo punto, che si adatta in base alle evidenze più che all'entusiasmo, andrà più lontano di un lancio in grande stile.
Domande frequenti
Quanto tempo serve perché i dipendenti adottino gli strumenti di IA?
Non esiste una tempistica fissa, ma la maggior parte delle aziende dovrebbe mettere in conto diversi mesi di formazione, supporto dei champion e modifiche ai processi prima che l'uso si stabilizzi. Esaminare ogni mese i dati di utilizzo e di risultato nei primi sei mesi aiuta a capire quali team hanno bisogno di più aiuto.
Qual è il modo migliore per formare sull'IA i dipendenti della moda?
Sessioni brevi e specifiche per ruolo, basate sulle attività reali di ogni team, funzionano meglio dei corsi generici. Combinate basi comuni per tutti con laboratori per team e sportelli di supporto regolari, e conservate registri a supporto degli obblighi di alfabetizzazione previsti dall'AI Act dell'UE.
Le aziende dovrebbero vietare ai dipendenti l'uso di strumenti di IA pubblici?
I divieti generalizzati tendono a spingere l'uso nella clandestinità. Un approccio più chiaro è fornire uno strumento approvato con tutele per i dati aziendali, definire quali dati possono essere usati e dove, e offrire un percorso rapido per richiedere altri strumenti.
Come si misura l'adozione dell'IA?
Combinate metriche di utilizzo, come utenti attivi settimanali e uso ripetuto per team, con metriche di risultato legate all'attività, come il tempo di pubblicazione dei contenuti di prodotto o i tempi di risposta del servizio clienti. Un uso senza miglioramento dei risultati indica che il caso d'uso o il processo vanno ripensati.
Un'edizione ogni giorno feriale. Si legge in cinque minuti. Gratuita per i professionisti del settore.
