L’intelligenza artificiale rende sempre più semplice trasformare documenti, procedure e competenze aziendali in contenuti formativi. Ma generare un corso non significa automaticamente renderlo pertinente per le persone che devono apprendere.
I dipendenti hanno esperienze professionali, conoscenze pregresse, preferenze comunicative e responsabilità differenti. Un’esperienza di apprendimento standardizzata può quindi risultare troppo semplice per alcuni, troppo complessa per altri o poco collegata al lavoro che svolgono ogni giorno.
Personalizzare efficacemente l’apprendimento generato dall’AI significa partire dalla comprensione di chi apprende, non soltanto dal contenuto.
Per ottenere una personalizzazione significativa, all’AI non bastano un documento di partenza e un argomento. Serve una rappresentazione strutturata del pubblico a cui il contenuto è destinato, che possa essere utilizzata durante la generazione dell’esperienza di apprendimento.
Perché l’apprendimento generato dall’AI ha bisogno di personalizzazione
Gli approcci tradizionali alla formazione digitale partono spesso da un argomento, definiscono un obiettivo di apprendimento e producono un corso destinato a un pubblico ampio. L’AI può accelerare questo processo, ma la velocità, da sola, non risolve il problema di rendere l’apprendimento pertinente per persone diverse.
Immaginiamo un’azienda che debba introdurre una nuova procedura operativa. Un tecnico esperto, un neoassunto e un responsabile di team devono comprendere la stessa procedura, ma possono avere conoscenze pregresse, responsabilità ed esigenze applicative differenti.
La sfida diventa particolarmente rilevante nelle organizzazioni di grandi dimensioni. Il programma di formazione di Poste Italiane per 800 direttori di centri di distribuzione mostra come materiali formativi esistenti possano essere trasformati in brevi esperienze digitali destinate a un ampio pubblico manageriale. In un contesto operativo diverso, il programma di Alperia per 800 tecnici sul campo affronta la sfida di distribuire conoscenze tecniche a dipendenti che lavorano in sedi diverse e in quattro lingue.
Questi casi illustrano esigenze formative differenti. Le conoscenze aziendali di partenza possono essere le stesse, mentre cambiano il pubblico, il contesto e il modo in cui quelle conoscenze devono essere applicate.
L’apprendimento generato dall’AI può rispondere a queste differenze, a condizione che il sistema disponga di informazioni sufficienti sui destinatari per effettuare scelte pertinenti durante la generazione dei contenuti.
La personalizzazione, quindi, dovrebbe andare oltre la modifica del tono, la riduzione della durata di una lezione o la semplificazione del vocabolario. Dovrebbe considerare le caratteristiche delle persone che apprendono e il contesto in cui utilizzeranno ciò che hanno imparato.
Che cos’è un Learner Model?
Un Learner Model è una rappresentazione strutturata delle caratteristiche rilevanti per l’esperienza di apprendimento di una persona o di un gruppo di persone.
Nell’apprendimento supportato dall’AI, fornisce informazioni che possono guidare la generazione dei contenuti per un pubblico specifico. Invece di considerare il documento di partenza come unico riferimento, l’AI può tenere conto anche di chi dovrà apprendere.
Nella formazione aziendale, un Learner Model utile deve considerare più del ruolo professionale o della seniority. Due dipendenti con lo stesso ruolo possono avere livelli di esperienza, sicurezza nelle proprie conoscenze, familiarità con un argomento e preferenze comunicative differenti.
Un modello multidimensionale offre una base più completa per adattare i contenuti a queste differenze.
La sfida consiste nell’individuare le dimensioni rilevanti, capire come si completano a vicenda e tradurle in indicazioni pratiche per la generazione di contenuti formativi tramite AI.
Le cinque dimensioni per personalizzare l’apprendimento generato dall’AI
Un Learner Model strutturato può descrivere il pubblico di riferimento attraverso cinque dimensioni complementari. Ognuna offre una prospettiva diversa sulle persone per cui viene progettata l’esperienza di apprendimento.
1. Profilo professionale
Le caratteristiche professionali aiutano a definire il ruolo e la posizione della persona all’interno dell’organizzazione.
Le variabili rilevanti includono:
Seniorità: il livello di responsabilità o la posizione professionale.
Esperienza: l’esperienza maturata nel proprio ambito professionale.
Funzione: la funzione o le funzioni aziendali di appartenenza.
Autonomia decisionale: il grado di autonomia associato al proprio lavoro.
Queste caratteristiche aiutano a contestualizzare i contenuti in funzione delle responsabilità e delle decisioni che la persona deve affrontare.
Per esempio, un contenuto relativo a un nuovo processo operativo può concentrarsi sulle istruzioni pratiche per chi deve eseguirlo e sugli aspetti di coordinamento e decisione per chi lo gestisce.
Questa distinzione è importante nella progettazione della formazione per pubblici professionali diversi. Il programma di Poste Italiane per i direttori dei centri di distribuzione offre un esempio concreto di formazione destinata a una popolazione manageriale specifica, anziché a un pubblico indistinto di dipendenti.
2. Conoscenze pregresse
La personalizzazione dipende anche da ciò che le persone già sanno sull’argomento.
Le variabili rilevanti includono:
Livello di conoscenza: il livello di conoscenza già posseduto.
Familiarità con l’argomento: quanto la persona conosce il tema specifico.
Sicurezza nelle proprie conoscenze: quanto si sente sicura delle proprie conoscenze o capacità.
Queste variabili possono guidare il modo in cui un argomento viene introdotto e sviluppato.
Chi si avvicina per la prima volta a un tema può avere bisogno di spiegazioni fondamentali ed esempi chiari. Chi lo conosce già può trarre maggior beneficio dall’approfondimento di sfumature, eccezioni o applicazioni pratiche.
Conoscenza e sicurezza non sono necessariamente la stessa cosa. Una persona può conoscere un argomento ma sentirsi incerta quando deve applicarlo. Un approccio utile alla personalizzazione deve tenere conto anche di queste differenze.
Questo aspetto è particolarmente rilevante nella formazione sulla compliance, dove i dipendenti devono comprendere le regole e applicarle nel proprio lavoro. Nel caso di formazione sulla compliance in ambito farmaceutico, contenuti formativi esistenti sono stati trasformati in esperienze di microlearning più brevi e multilingue per una popolazione aziendale internazionale.
Il caso illustra la difficoltà di rendere accessibili conoscenze specialistiche a un pubblico eterogeneo, ma non misura separatamente l’effetto delle caratteristiche individuali dei learner sui risultati di apprendimento.
3. Preferenze comunicative
Le persone possono avere preferenze differenti rispetto al modo in cui le informazioni vengono spiegate e presentate.
Le variabili rilevanti includono:
Stile di spiegazione
Esempi
Tono
Vocabolario
Queste preferenze possono guidare il modo in cui vengono comunicate le informazioni, senza modificare le conoscenze di riferimento o l’obiettivo di apprendimento.
Per esempio, una persona può trarre beneficio da esempi concreti, mentre un’altra può preferire una spiegazione più diretta di un processo. Anche il vocabolario e il tono possono essere adattati per rendere il contenuto più accessibile e appropriato al pubblico a cui è destinato.
L’obiettivo non è presumere che un determinato stile comunicativo sia universalmente efficace per una specifica categoria di persone. È fornire all’AI parametri pertinenti per modellare l’esperienza di apprendimento.
Questo aspetto diventa particolarmente importante quando i contenuti devono raggiungere persone che operano in contesti professionali e linguistici diversi. Il programma di formazione di Alperia per i tecnici sul campo, per esempio, ha affrontato la distribuzione di contenuti tecnici in quattro lingue.
Il caso evidenzia l’importanza di rendere i contenuti accessibili a una popolazione distribuita. L’adattamento linguistico, tuttavia, rimane distinto dalla personalizzazione basata sul profilo del singolo learner.
4. Profilo cognitivo
Un Learner Model può descrivere anche dimensioni rilevanti per il modo in cui le informazioni vengono presentate e applicate.
Le variabili rilevanti includono:
Livello di astrazione
Stile di ragionamento
Teoria rispetto alla pratica
Stile decisionale
Queste dimensioni possono guidare l’equilibrio tra spiegazioni concettuali, situazioni concrete, esercizi pratici ed esempi orientati alle decisioni.
Per esempio, un’esperienza destinata a chi deve eseguire una procedura può dare maggiore spazio ai passaggi operativi e a situazioni realistiche. Un pubblico diverso può aver bisogno di approfondire i principi alla base del processo o di valutare alternative possibili.
Queste dimensioni sono pensate per orientare la progettazione dei contenuti. Non devono essere interpretate come classificazioni psicologiche rigide o come prova dell’appartenenza delle persone a specifici stili di apprendimento.
L’obiettivo è offrire all’AI un insieme più ricco di parametri per generare contenuti, anziché basarsi su una sola etichetta, come il ruolo professionale o la seniority.
5. Contesto aziendale
L’apprendimento avviene all’interno di uno specifico ambiente organizzativo e operativo.
Le variabili rilevanti includono:
Settore
Priorità aziendali
Il settore fornisce un contesto per la terminologia, gli esempi e le situazioni operative. Le priorità aziendali aiutano a collegare i contenuti formativi ai risultati e alle sfide rilevanti per l’organizzazione.
Per esempio, le stesse conoscenze generali possono richiedere una contestualizzazione diversa per chi lavora nella produzione industriale, nel retail o nei servizi finanziari. Allo stesso modo, un’azienda che dà priorità alla sicurezza può aver bisogno di contenuti che enfatizzino il riconoscimento dei rischi e la corretta esecuzione delle procedure.
L’importanza del contesto operativo emerge nell’esperienza di Gruppo Frassati, che forma i lavoratori operativi durante il flusso di lavoro, dove l’accesso alla formazione deve adattarsi ai turni di lavoro.
In un contesto diverso, Sicuritalia ha ridotto del 90% il tempo necessario per l’onboarding in caso di trasferimento tra sedi, affrontando la necessità di fornire ai dipendenti le informazioni specifiche per la nuova sede.
Questi esempi mostrano perché i contenuti formativi debbano riflettere le situazioni in cui le persone devono applicare le proprie conoscenze. Evidenziano l’importanza del contesto, senza dimostrare l’impatto indipendente di una specifica dimensione del Learner Model.
Dal Learner Model alla generazione di contenuti personalizzati
Definire le caratteristiche dei learner è soltanto il primo passo. Queste informazioni devono anche influenzare il modo in cui l’AI genera l’esperienza di apprendimento.
Un processo pratico di personalizzazione può essere descritto attraverso quattro passaggi.
1. Partire dalle conoscenze aziendali esistenti.
Il materiale di partenza può essere una procedura, un documento di prodotto, una guida interna o un’altra fonte di conoscenza aziendale. Questo materiale fornisce i contenuti che l’esperienza formativa deve preservare e comunicare.
2. Definire il pubblico di riferimento.
Il Learner Model descrive le caratteristiche rilevanti della coorte attraverso il profilo professionale, le conoscenze pregresse, le preferenze comunicative, il profilo cognitivo e il contesto aziendale.
3. Utilizzare il profilo per guidare la generazione dei contenuti.
L’AI utilizza le informazioni sul pubblico insieme al materiale di partenza e all’obiettivo formativo per modellare il contenuto generato. In funzione del contesto, questo può influenzare le spiegazioni, gli esempi, il vocabolario, l’equilibrio tra teoria e pratica e la contestualizzazione dei concetti.
4. Valutare l’esperienza di apprendimento generata.
I contenuti devono comunque essere valutati in termini di accuratezza, pertinenza e adeguatezza al pubblico a cui sono destinati. Un Learner Model strutturato offre una base per la personalizzazione, ma non garantisce automaticamente l’efficacia del risultato.
Questo approccio consente alle aziende di partire da una fonte comune di conoscenza e adattare il modo in cui viene presentata a gruppi diversi di persone.
Un esempio: le stesse conoscenze, pubblici diversi
Immaginiamo un’azienda che introduca una procedura aggiornata per la gestione di una richiesta del cliente.
L’azienda dispone di un unico documento ufficiale, ma diversi gruppi devono apprenderne i contenuti.
Nuovi dipendenti: possono aver bisogno di definizioni chiare, spiegazioni fondamentali ed esempi passo dopo passo.
Dipendenti esperti: possono conoscere già il processo e aver bisogno di concentrarsi sulle modifiche, sulle eccezioni e sulle situazioni che richiedono particolare attenzione.
Responsabili di team: possono aver bisogno di contenuti che colleghino la procedura alle decisioni operative, al coordinamento del team e alle priorità aziendali.
Si tratta di esempi illustrativi, non di risultati prescritti per specifici ruoli. I contenuti appropriati dipendono dal profilo effettivo dei learner, dall’obiettivo formativo e dal materiale di partenza.
Lo stesso principio si applica anche a conoscenze specialistiche al di fuori della formazione operativa tradizionale. Il caso della Fondazione Valter Longo, dedicato alla longevità e alla nutrizione, illustra una sfida diversa: trasformare conoscenze scientifiche complesse in brevi esperienze di apprendimento con cui le persone possano interagire nel tempo.
Il principio fondamentale è che la personalizzazione non richiede di creare una base di conoscenza completamente diversa per ogni dipendente. Richiede di progettare l’esperienza di apprendimento tenendo conto delle persone a cui è destinata.
Come zick learn affronta la personalizzazione dell’apprendimento tramite AI
zick learn applica questo principio alla trasformazione delle conoscenze aziendali esistenti in contenuti formativi.
Il suo approccio si basa sulla ricerca condotta con Berkeley sulle dimensioni necessarie a rappresentare in modo completo un learner e sulle euristiche relative all’apprendimento che hanno contribuito allo sviluppo del primo modello AI di zick learn per la trasformazione dei contenuti aziendali.
Il modello attuale utilizza un Learner Model strutturato per guidare la generazione dei contenuti destinati a un pubblico definito. Organizza le caratteristiche dei learner nelle cinque dimensioni descritte, fornendo all’AI una rappresentazione più articolata delle persone per cui viene progettata l’esperienza formativa.
Anziché basarsi esclusivamente sul documento di partenza o su una generica etichetta professionale, il modello è progettato per considerare più caratteristiche che possono influenzare il modo in cui i contenuti vengono presentati e contestualizzati.
Questo approccio è rilevante per diversi tipi di formazione aziendale, dalle procedure tecniche alla compliance, fino allo sviluppo manageriale e alla condivisione delle conoscenze. Per esempio, il caso Alpitour sulla formazione e sull’allineamento dei travel coach nei diversi mercati illustra la sfida di mantenere coerenti le conoscenze e la comunicazione tra persone che operano in mercati differenti.
Questi casi mostrano la varietà di pubblici e contesti operativi a cui la formazione aziendale deve rispondere. Non costituiscono, tuttavia, una prova sperimentale dell’impatto indipendente del Learner Model.
Cosa valutare quando si sceglie una soluzione di personalizzazione dell’apprendimento tramite AI
Le aziende che valutano soluzioni di apprendimento basate sull’AI dovrebbero andare oltre la semplice capacità di generare automaticamente un corso.
Alcune domande aiutano a distinguere la generazione di contenuti di base da un approccio più strutturato alla personalizzazione.
Che cosa sa l’AI sui destinatari? Utilizza un profilo strutturato dei learner oppure si basa soltanto sul ruolo professionale e su una descrizione generale del pubblico?
Quali dimensioni influenzano i contenuti generati? Il sistema considera le conoscenze pregresse, il contesto professionale e le preferenze comunicative, oltre al ruolo?
Come viene applicata la personalizzazione? Influenza le spiegazioni, gli esempi e la contestualizzazione oppure soltanto la lunghezza e il tono?
Come viene valutata la qualità dei contenuti? Accuratezza, pertinenza e adeguatezza vengono verificate oppure date per scontate perché il materiale è stato generato dall’AI?
L’approccio è scalabile su pubblici differenti? L’organizzazione può adattare le esperienze formative a funzioni, livelli di seniority e contesti aziendali diversi senza dover creare manualmente ogni versione?
Queste domande aiutano a chiarire che cosa intenda una piattaforma quando dichiara di personalizzare l’apprendimento generato dall’AI.
Conclusione: la personalizzazione parte da un modello del learner
L’AI può semplificare la trasformazione delle conoscenze aziendali in contenuti formativi. Ma generare contenuti in modo efficiente e personalizzarli in modo significativo sono due sfide diverse.
Una personalizzazione significativa richiede una comprensione strutturata del pubblico e un modo per tradurre tale comprensione in scelte concrete durante la generazione dei contenuti.
Un Learner Model multidimensionale offre una struttura per farlo. Considerando il profilo professionale, le conoscenze pregresse, le preferenze comunicative, il profilo cognitivo e il contesto aziendale, l’AI può essere guidata nella produzione di esperienze di apprendimento più coerenti con le caratteristiche delle persone a cui sono destinate.
Per le organizzazioni che vogliono trasformare il proprio know-how in competenze applicabili al lavoro, la domanda fondamentale non è semplicemente come generare più contenuti formativi con l’AI.
È come generare l’esperienza di apprendimento più adatta alle persone che devono applicare quelle conoscenze nel proprio lavoro.
zick learn sviluppa questo approccio combinando la trasformazione dei contenuti aziendali tramite AI con un Learner Model strutturato, progettato per supportare una personalizzazione più approfondita dell’apprendimento aziendale.
