Consulenza per la formazione continua con chatbot: perché l’essere umano rimane rilevante nonostante l’IA

La formazione continua è considerata, alla luce degli sviluppi tecnologici, dell’automazione e dei mutati requisiti in termini di competenze, un fattore decisivo per il mantenimento dell’occupabilità dei singoli individui nonché per garantire alle imprese la disponibilità di personale qualificato. Il Rapporto sul sistema educativo 2026 identifica la formazione continua come una risposta centrale alla digitalizzazione, all’intelligenza artificiale e all’automazione (CSRE, 2026). Nel complesso panorama svizzero della formazione continua, tuttavia, trovare le offerte adatte costituisce spesso una sfida (Sgier et al., 2022). Si constata altresì che il potenziale di attività formativa presso le PMI non viene ancora pienamente sfruttato (Müller, 2024).

Questa combinazione di chatbot individualizzato e consulenza personale consente una panoramica delle offerte di formazione continua indipendente dal momento e dal luogo della richiesta, rinviando a un chiarimento approfondito e personalizzato delle questioni più complesse con i consulenti.

Il presente progetto di ricerca, finanziato dalla SEFRI, si è pertanto posto la domanda di come una consulenza per la formazione continua ibrida – vale a dire con una combinazione di IA e consulenza personale – possa supportare l’accesso a offerte di formazione continua adeguate. Il progetto si è posto l’obiettivo di consentire alle PMI un accesso a bassa soglia a formazioni continue specifiche per il proprio settore e adeguate alle proprie esigenze. La consulenza ibrida consiste in una soluzione digitale basata sull’IA (chatbot per la formazione continua), che automatizza le richieste semplici e fornisce risposte in forma quanto più possibile individualizzata sulla base di un profiling, trasferendo quindi le richieste più complesse a un consulente umano. Questa combinazione di chatbot individualizzato e consulenza personale consente una panoramica delle offerte di formazione continua indipendente dal momento e dal luogo della richiesta, rinviando a un chiarimento approfondito e personalizzato delle questioni più complesse con i consulenti. Un primo risultato del progetto, lo sviluppo di un concetto di base, era già stato presentato in Transfer (Pölderl et al., 2025). Di seguito vengono descritte le conoscenze emerse dalla fase di test grazie agli utenti delle due associazioni di settore coinvolte, JardinSuisse e Fiduciari|Suisse.

Sviluppo iterativo come elemento metodologico chiave

La fase di sviluppo e sperimentazione del chatbot per la formazione continua è durata da luglio 2025 ad aprile 2026. In questo periodo sono state eseguite quattro iterazioni (cicli) (cfr. Fig. 1). Diversi stakeholder, fra cui rappresentanti di diverse associazioni professionali e potenziali utenti della consulenza (cosiddette “personas” secondo il concetto di base), hanno ripetutamente testato il chatbot. Le conoscenze validate sono quindi confluite nell’ulteriore sviluppo del chatbot stesso.

1. Durante l’iteratione 1 è stato definito il piano del test in coordinamento con le associazioni di settore, al fine di ottenere la massima accettazione e il massimo utilizzo possibile da parte degli utenti.
2. L’iteratione 2 ha previsto sei interviste di osservazione con rappresentanti delle due associazioni di settore. Il chatbot per la formazione continua è stato qui testato per la prima volta e valutato direttamente dai rappresentanti del settore.
3. Nell’iterazione 3, il chatbot è stato messo a disposizione degli utenti (n=118) per il test. Dopo il test, essi sono stati intervistati in merito all’utilizzo, all’utilità e alla preferenza relativa alla consulenza assistita tramite IA o personale.
4. Nell’iterazione 4, un ulteriore gruppo di utenti più giovani ha testato e valutato il chatbot (n=105). Le cronologie delle chat dei test sono state valutate qualitativamente nelle iterazioni 3 e 4.

Infine, a integrazione delle due associazioni di settore JardinSuisse e Fiduciari|Suisse, sono state condotte interviste con rappresentanti di altre quattro associazioni di settore per valutare il loro parere in merito alla trasferibilità intersettoriale del chatbot.

Figura 1: Fasi del test del chatbot per la formazione continua.

Conoscenze tecnologiche sul chatbot per la formazione continua

Inizialmente il partner tecnologico del progetto, Apps with love, aveva pensato, nel concetto di base, a un’architettura IA a più livelli con fine tuning del modello linguistico, Knowledge Graph centrale e un database vettoriale dedicato. Nell’attuazione pratica, tuttavia, le conoscenze acquisite sul panorama dei dati della formazione continua svizzera insieme ai rapidi cambiamenti nel campo dell’IA hanno portato a un adeguamento dell’architettura. Le ragioni di ciò sono riassumibili in tre punti:

1. Eterogeneità del panorama della formazione continua

Questa rappresentazione molto eterogenea delle offerte di formazione continua rende insostenibile il web-scraping originariamente pianificato. Come soluzione viene pertanto impiegato il servizio di ricerca Perplexity Web Search assistito dall’IA.

Da parte degli enti di formazione, mancano talvolta formati uniformi: i contenuti vengono presentati come html, pdf, in tabelle o in forma di testo non strutturato; inoltre, le pagine sono strutturate in modo molto diverso (link diretti, navigazione a più livelli, tabelle). Un’ulteriore sfida è poi rappresentata dal plurilinguismo, con denominazioni differenti per gli stessi programmi, così come l’uso di sinonimi per i diversi livelli di qualificazione (p. es. esame di professione o attestato professionale federale). Questa rappresentazione molto eterogenea delle offerte di formazione continua rende insostenibile il web-scraping originariamente pianificato. Come soluzione viene pertanto impiegato il servizio di ricerca Perplexity Web Search assistito dall’IA.

2. Bias nella qualità della ricerca

Durante il test è emerso un problema strutturale: la ricerca sul web preferisce le istituzioni accademiche rispetto agli enti di formazione professionale, quali le associazioni di settore. Probabilmente la ragione di ciò risiede nei migliori ranking di ricerca delle scuole universitarie. Per ridurre questo bias, è stato implementato un domain boosting, motivo per cui i prompt di Perplexity ora danno priorità agli enti di formazione professionale. Inoltre, nella classificazione dei risultati, le qualifiche professionali vengono elencate prima dei titoli accademici. Una soluzione ancora migliore potrebbe risiedere nell’ottimizzazione del motore di ricerca e della qualità dei dati delle associazioni di settore.

3. Copertura del campo e lacune nei dati

Inizialmente era prevista una banca dati centrale delle offerte con un modello di dati standardizzato. Tuttavia, non è possibile realizzare uno schema completo in cui vengano creati tutti i campi dell’offerta in quanto sussistono lacune considerevoli nelle informazioni disponibili. Solo il titolo e l’ente di formazione sono estraibili in modo affidabile; campi come i costi (copertura del 25%), il luogo (36%) o l’accreditamento (35%) spesso non sono pubblicati sulle pagine sorgente. Per il 75% delle offerte, i costi vengono indicati solo “su richiesta”. Per il modello di dati, ciò significa che il sistema deve essere in grado di accettare campi mancanti e di comunicare tali lacune agli utenti in modo trasparente.

L’acquisizione di queste conoscenze ha giustificato l’abbandono di un Knowledge Graph centrale e aggiornato, così come era stato inizialmente concepito, a favore di una ricerca web decentralizzata con prompt engineering. La nuova architettura migliora la scalabilità e ha bisogno di meno manutenzione, limitando tuttavia la verificabilità dei singoli punti dati. Per quanto riguarda il triage, i corrispondenti criteri sono stati definiti insieme alle associazioni (p. es. informazioni sugli esami o richieste di equivalenza) e implementati nel modello. Oltre a ciò, nel corso della conversazione, dopo tre interazioni il modello segnala la possibilità di un colloquio personale.  L’architettura del chatbot è descritta in sintesi nella Fig. 2. La richiesta dell’utente porta, da un lato, a un’elaborazione delle domande semplici e frequenti basata sull’IA; a tali domande viene data risposta in modo automatizzato. Dall’altro le richieste più complesse vengono inoltrate in modo mirato a un consulente umano.

Figura 2: Architettura di sistema con logica di agente.

Le basi tecnologiche e i modelli di dati derivanti dallo sviluppo del chatbot per la formazione continua sono a disposizione di tutte le associazioni di settore interessate come Open Source a questo link. Ulteriori conoscenze sulla UX (esperienza utente) e sulla protezione dei dati sono reperibili nel concetto di base.

L’essere umano rimane rilevante

Nelle diverse interviste successive, i partecipanti si sono dichiarati complessivamente soddisfatti dell’ambiente di test del chatbot; le prime informazioni basate sull’IA hanno riscosso consensi e l’approccio digitale è stato percepito come semplice e poco complicato. Oltre a ciò, le varie misure di miglioramento del chatbot riguardo alla specificità del settore (come la prioritizzazione delle offerte di formazione continua degli enti di formazione del settore) hanno portato a un’ottimizzazione della qualità dei risultati, aumentando la soddisfazione in merito all’utilità del chatbot. In particolare, i giovani utenti che si trovano all’inizio del proprio percorso professionale – per esempio dopo aver concluso una formazione professionale di base – si sono mostrati complessivamente molto più soddisfatti.

Molti utenti, nonostante l’esplicita raccomandazione del chatbot, non hanno usufruito della possibilità di avvalersi di una consulenza personale.

Il passaggio dall’IA a una consulenza personale si è rivelato particolarmente difficile da testare. Molti utenti, nonostante l’esplicita raccomandazione del chatbot, non hanno usufruito della possibilità di avvalersi di una consulenza personale. In future iterazioni, tale passaggio potrebbe essere reso più visibile e più semplice, per esempio attraverso l’integrazione di widget Calendly e live-chat al posto dell’indicazione dell’indirizzo e-mail e del numero di telefono del consulente.

In contrasto con l’effettivo comportamento durante il test, dalle interviste successive è emerso che oltre un terzo degli utenti preferisce una consulenza personale invece delle informazioni basate sull’IA. Ciò riguarda soprattutto domande sui contenuti, sui requisiti, sul riconoscimento di prestazioni pregresse e su questioni relative al finanziamento. Dalle interviste agli esperti con le associazioni (iterazioni 2 e 4) è inoltre emerso chiaramente che la consulenza per la formazione continua richiede un elevato grado di comprensione del contesto in relazione al rispettivo settore e al percorso professionale personale, cosa che il chatbot non è in grado di fornire nella qualità desiderata.

I processi decisionali non devono essere intesi solo come pura elaborazione di dati, ma anche come processi psicologici in cui l’esperienza, le emozioni, la conoscenza del contesto e l’incertezza giocano un ruolo essenziale (Gigerenzer, 2020; Kahneman, 2011). La consulenza personale contribuisce tramite empatia e comprensione del contesto ai processi decisionali individuali in merito alla ragionevolezza di una formazione continua. Un triage situazionale dal chatbot verso una consulenza personale non è quindi solo un’integrazione, ma una necessità. Quanto ciò sia importante è dimostrato anche da uno sguardo alle cronologie delle chat: queste rivelano modelli di interazione di entità molto diversa. Se ciò sia dipeso dal setting del test, da differenze di affinità degli utenti verso l’IA o da altri fattori rimane una questione aperta. Resta in ogni caso il fatto che una parte degli interessati alla formazione continua può essere raggiunta meglio attraverso altri formati di consulenza rispetto al chatbot. Allo stesso tempo, i risultati mostrano che proprio i partecipanti più giovani valutano il chatbot sensibilmente meglio e si sentono maggiormente coinvolti al momento di interagire con esso, il che supporta ulteriormente la necessità di un approccio ibrido e specifico per i diversi gruppi target.

Conclusioni e prospettive

Dall’analisi della consulenza ibrida per la formazione continua sono emersi due punti. Il primo riguarda la specificità del settore del chatbot per la formazione continua. I percorsi di carriera tipici del settore, gli enti erogatori riconosciuti dalle associazioni o i regolamenti specifici delle associazioni stesse sono di fondamentale importanza per generare valore aggiunto, ottenere accettazione e distinguersi da altri comuni Large Language Models (LLMs). Ciò richiede tuttavia che ogni settore identifichi le conoscenze empiriche rilevanti (per esempio i valori basati sull’esperienza) e chiarisca in quale forma esse possano e debbano essere messe a disposizione del chatbot.

Il presente progetto dimostra che l’essere umano, con le sue competenze di consulenza, resta al momento insostituibile.

Il secondo aspetto riguarda il mix di consulente umano e IA. Nonostante le articolate conoscenze sulla configurazione tecnologica di un chatbot dedicato alla formazione continua, i risultati evidenziano chiaramente che la consulenza umana continua a presentare dei vantaggi – e che è desiderata dagli utenti. Resta da vedere se sarà così anche nei prossimi anni. Lo sviluppo tecnologico degli agenti IA procede a ritmo serrato, e in futuro il chatbot potrebbe non solo fornire informazioni sulle formazioni continue, ma anche fissare autonomamente appuntamenti di consulenza o gestire direttamente l’iscrizione a un corso. Resta da vedere se queste possibilità tecnologiche incontreranno il favore degli utenti. Ciò dipenderà anche dal fatto che lo sviluppo della tecnologia avvenga in modo centrato sull’essere umano o meno. Il presente progetto dimostra che l’essere umano, con le sue competenze di consulenza, resta al momento insostituibile.

Bibliographia

• Gigerenzer, G. (2020). Risiko. Wie man die richtigen Entscheidungen trifft. Pantheon: München.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux: New York.
• Müller, M., Gollob, S. & Hedinger, F. (2024). Bedeutung und Umsetzung von Weiterbildung in KMU. Zürich: SVEB.
• Pölderl, C., Gerber, M., Probst, J., & Oswald, O. (2025). KI trifft persönliche Beratung: Weiterbildungs-Co-Pilot für KMU. Transfer. Berufsbildung in Forschung und Praxis 10 (9).
• Sgier, Irena, Schläfli, André & Grämiger, Bernhard (2022). Weiterbildung in der Schweiz. Länderporträt. Bielefeld: wbv.
• SKBF (2026). Bildungsbericht Schweiz 2026. Aarau: Schweizerische Koordinationsstelle für Bildungsforschung.

Questo lavoro è protetto da copyright. È consentito qualsiasi uso, tranne quello commerciale. La riproduzione con la stessa licenza è possibile, ma richiede l'attribuzione dell’autore.