Formazione AI sul campo: il metodo Nephila
Ci sono strumenti che entrano nel lavoro quotidiano dalla porta principale, con un piano di adozione, una formazione e un periodo di rodaggio, e altri che entrano dalla finestra. Gli assistenti AI, almeno nel nostro caso, sono entrati dalla finestra: ognuno ha iniziato a usarli per conto proprio, con i propri prompt, le proprie abitudini e, inevitabilmente, i propri risultati. Per un po' è andata bene così, perché la sperimentazione individuale è il modo più rapido per capire cosa uno strumento sa fare. A un certo punto, però, ci siamo accorti che nello stesso team convivevano modi di lavorare molto diversi, alcuni molto efficaci, altri meno, quasi nessuno condiviso.
Ci siamo detti che, poiché l'AI è la nuova quotidianità, tutte le persone dell'azienda, sia tecniche che non tecniche, dovessero acquisire consapevolezza nell'uso dell'AI, e che una base comune del linguaggio e delle interazioni, dovesse appartenere all'intera organizzazione. La sfida dell'AI è talmente pervasiva che tutto il sistema doveva essere pronto ad affrontarla, e abbiamo scelto di alfabetizzare tutti con una formazione di base, come anche previsto dall'AI ACT (Regolamento UE 2024/1689).
La domanda, a quel punto, non era più "usiamo l'AI?", ma "sappiamo dire come la usiamo, quando funziona e perché a volte no?". Da qui è nato, invece, un percorso di formazione pensato per sviluppatori senior, che non è un corso introduttivo all'AI, ma un metodo per passare da un uso occasionale degli assistenti a una pratica deliberata, misurata e condivisa. Del resto, leggiamo che il Digital Omnibus (Regolamento UE 2026/1744), chiede di adottare misure che sostengano lo sviluppo della conoscenza dei sistemi AI nel tempo. Quale strada migliore che la costruzione di pratiche condivise pensate per evolvere nel tempo?
In questo articolo raccontiamo come abbiamo costruito il percorso di formazione per sviluppatori senior, cosa abbiamo osservato applicandolo al nostro team e quali domande ci vengono fatte più spesso quando ne parliamo.
Il problema non è quanto si usa l'AI, ma come
Cosa succede quando un team adotta l'AI senza un percorso comune? Nella nostra esperienza, le abitudini prendono strade diverse. C'è chi sottoutilizza gli strumenti per diffidenza, rinunciando anche a guadagni molto concreti, e c'è chi, al contrario, si fida troppo dell'output e lo integra senza verificarlo. In mezzo, e trasversale a entrambi, c'è il problema che abbiamo imparato a considerare il più sottovalutato, ovvero la mancanza di un vocabolario condiviso. Abbiamo dedotto che finché ognuno valuta l'AI "a sensazione", il team non può confrontare approcci diversi, né tantomeno migliorarli insieme.
Per questo il percorso lavora su tre livelli in parallelo. Il primo è la comprensione concettuale: come funziona un modello, cosa succede quando genera una risposta, dove nascono i suoi limiti. Il secondo è la misurazione quantitativa, cioè la capacità di valutare il comportamento di un prompt con dati e non con impressioni. Il terzo sono le competenze ingegneristiche necessarie per costruire workflow e agenti pronti per la produzione. Nessuno dei tre, da solo, è sufficiente, perché capire il modello senza saperlo misurare porta a teorie che nessuno verifica, misurare senza capire porta a ottimizzare alla cieca, e costruire senza nessuna delle due porta, quasi sempre, a sistemi fragili.
Sei moduli collegati che aprono la strada alle pratiche
Il percorso si sviluppa in sei moduli, ogni tappa presuppone la precedente, e saltarne una significa, quasi sempre, doverci tornare più avanti. Pertanto, l’ordine è fisso e fa parte del percorso.
Il punto di partenza è un vocabolario comune di base sui pattern dei prompt. Prima di parlare di agenti, dobbiamo cominciare dai fondamentali. Successivamente cominciamo a prendere familiarità con gli strumenti di analisi dati (Jupyter, Pandas, ipywidgets), e a capire cosa succede all’interno di un modello. Passiamo poi a ridefinire il ruolo dello sviluppatore senior come orchestratore di agenti AI, anziché unico autore del codice. È un aspetto particolarmente rilevante per un team che si prepara a ricostruire un sistema con un forte supporto dell’AI. Si introduce poi una valutazione quantitativa del comportamento dei prompt (prompt evalutation), che usa strumenti di osservabilità per tracciare le esecuzioni ed eseguire confronti controllati tra varianti. Chiudiamo il percorso portando, finalmente, il team dall’“usare” gli agenti AI al “costruirli” da zero.
Il percorso alterna tre corsi online self-paced e tre workshop da remoto, e l'alternanza non è soltanto una scelta logistica. I corsi sono selezionati su una piattaforma internazionale di e-learning che raccoglie percorsi di alto livello sviluppati da università e aziende di riferimento del settore, hanno un taglio molto pratico e coprono i contenuti che ognuno può assimilare con i propri tempi: vocabolario, strumenti, nuovi modi di lavorare.
I workshop, invece, sono dedicati ai temi che richiedono confronto, come il funzionamento di un modello, la misurazione di un prompt o l'uso degli strumenti di analisi, li abbiamo progettati e testati internamente, con Stefano Ravagnan, backend developer e tech lead, che in Nephila lavora nei team di ricerca, sperimentazione e innovazione tecnologica. Fa parte della progettazione del percorso anche la selezione dei corsi self-paced e la costruzione delle pratiche di affiancamento, le quali evitano che la formazione si riduca a una sequenza di corsi da completare, tenendola ancorata invece al lavoro reale del team.
Per quanto sia concreto e calato sulla pratica di team, il percorso formativo non include però la costruzione di un workflow AI completo. Quella parte, volutamente, avviene dentro i progetti operativi, dove i vincoli sono reali e le decisioni hanno un peso concreto. La formazione prepara gli strumenti e il linguaggio, mentre sono proprio i progetti il luogo dove metterli alla prova, pur con l’inserimento di pratiche specifiche, e con un affiancamento specialistico.
Cosa abbiamo imparato, facendo formazione sul nostro team
Prima di proporlo ad altri, il percorso lo abbiamo testato su noi stessi.
La prima cosa che è emersa è che l'interazione naturale inganna. Parlare con un agente sembra parlare con una persona: gli dici cosa vuoi e lui lo fa. In realtà non è esattamente così, perché due parole che noi usiamo quasi come sinonimi, come "verifica" e "valida", per un agente possono essere istruzioni diverse e produrre comportamenti diversi. Se l'obiettivo è far lavorare un agente in autonomia per ore, mentre ci si occupa d'altro, sono proprio queste sfumature a fare la differenza. Allo stesso modo, chi sa cos'è un token e come un agente gestisce il contesto capisce perché le istruzioni vanno strutturate in un certo modo, come scrivere un task perché venga eseguito bene e come evitare di esaurire troppo in fretta i limiti d'uso. Quella che sembra teoria, in altre parole, è ciò che permette di non usare male gli strumenti, o di non sfruttarli appieno.
La seconda lezione riguarda la scelta e l’uso di un metodo. Ogni sviluppatore tende a configurare il proprio assistente con istruzioni, skill e strumenti diversi, e il risultato è che, a parità di richiesta, gli output divergono: ognuno ha, di fatto, il "suo" agente. Quindi, abbiamo deciso come volevamo lavorare con questi strumenti e ci siamo dati regole e un'infrastruttura condivise, perché che il codice lo scriva una persona o il suo agente, il risultato deve essere coerente. E la persona dello sviluppatore senior, da orchestratore di agenti, deve definire bene obiettivi e requisiti, affidare l'esecuzione agli agenti, verificare che il risultato sia quello voluto.
Abbiamo riscontrato che la difficoltà più grande è stare al passo, perché gli strumenti evolvono così rapidamente che un metodo non si scrive una volta per tutte, ma va rivisto con regolarità, e anche per questo avere un vocabolario comune rende più semplice aggiornarlo insieme. La conferma più importante, però, è che il formato è replicabile, dal momento che non è nato su misura per un caso specifico e può essere adattato ad altri team, con esigenze diverse.
Le domande che ci vengono fatte più spesso
Quando raccontiamo questo percorso, le obiezioni tendono a ripetersi, e sono quasi sempre obiezioni legittime. Vale la pena, quindi, affrontarle una per una.
"In questo campo si impara facendo. Non basta la pratica?" La pratica resta indispensabile, ma l'AI si può usare a livelli molto diversi: usarla via chat è alla portata di tutti, mentre ottenere risultati davvero migliori richiede di approfondire. Un percorso comune dà a tutti questa base, senza che ognuno debba ristudiare tutto da capo per conto proprio, e aggiunge qualcosa che la pratica individuale, da sola, non può dare: un linguaggio e una base metodologica condivisa.
"Se ognuno nel team usa già bene l'AI, perché serve un metodo comune?" Perché in un progetto condiviso gli agenti di persone diverse lavorano sullo stesso codice. Senza un momento dedicato a confrontarsi su come li si usa, ognuno resta sulle proprie abitudini, anche perché le cose cambiano in fretta e le scadenze spingono sempre altrove. Fermarsi a costruire linee guida comuni, peraltro, è già una forma di apprendimento, perché confrontarsi su come lavorano gli altri insegna molto.
"Cosa resta al team quando la formazione finisce?" Il metodo. Le persone cambiano, i progetti e le collaborazioni si chiudono, ma un metodo validato e condiviso garantisce continuità. È la parte che ha più valore nel tempo, perché l'investimento non è nel singolo corso, ma nella capacità dell'organizzazione di lavorare bene con questi strumenti, anche in autonomia.
"Il vostro stack formativo, è da adottare così com'è?" No. Raccontiamo il percorso che ha funzionato per noi, ma ogni organizzazione deve definire il proprio metodo, a partire dal proprio dominio e dalle proprie pratiche. Formazione e applicazione, inoltre, possono procedere in parallelo, soprattutto nei team che usano già l'AI in modo tutt'altro che banale.
Il percorso di formazione come lo abbiamo descritto in questo articolo, non sostituisce l'esperienza sul campo, ma la prepara, perché il vero banco di prova restano i progetti, dove un team formato sa riconoscere quando fidarsi dell'output, quando verificarlo e come dimostrare, numeri alla mano, che una scelta è migliore di un'altra. E poiché gli strumenti cambiano a una velocità che nessuno di noi aveva mai visto, sappiamo per certo che ci sarà ancora molto da imparare.
Se anche nel tuo team l'AI è entrata dalla finestra e vuoi trasformarla in una pratica più consapevole, scrivici: siamo felici di raccontarti più nel dettaglio come lavoriamo e di adattare il percorso alle tue esigenze.
***
Abbiamo scritto questo articolo con il supporto dell'AI. Se vuoi saperne di più su come usiamo questi strumenti per la scrittura, ecco la spiegazione.
Post correlati
Saper leggere l’AI: cosa chiede l’AI Act sulla formazione
- diPaola Bianconi
- / News
L’AI Act chiede a chi sviluppa e usa sistemi di AI di sostenere l’alfabetizzazione del proprio personale. Vediamo cosa prevede l’articolo 4 dopo il Digital Omnibus del 2026, come si dimostra di essere in regola e cosa abbiamo fatto in Nephila.
È solo un gioco? Come l'AI Act è entrato nel nostro modo di progettare
- diPaola Bianconi
- / News
Rischio, trasparenza, supervisione umana: come i principi dell’AI Act hanno guidato la progettazione della nostra AI Debug Challenge.
