I middle manager sono uno snodo fondamentale per l’AI adoption: è anche da loro che dipende se l’intelligenza artificiale abilita un nuovo modo di lavorare o resta un esperimento. Come sostenerli attraverso nuove abitudini, percorsi formativi dedicati e comunità tra pari.
In sintesi. Perché i middle manager decidono se l’AI diventa pratica quotidiana o resta un esperimento, e che cosa serve per sostenerli: nuove abitudini, percorsi formativi dedicati e comunità tra pari.
Cosa può bloccare l’adozione dell’AI in aziende e organizzazioni? Alcune recenti ricerche suggeriscono che, più che sul cosa, conviene concentrarsi sul chi: i middle manager, il livello “cuscinetto” che nelle imprese collega i ruoli operativi con quelli di leadership.
È su di loro che convergono le pressioni maggiori di una trasformazione che, lungi dall’essere solo tecnologica, riguarda più che mai processi e persone. In questo articolo vediamo dove sono i pain point, quali strategie funzionano e come portare i middle manager a bordo della trasformazione guidata dall’AI, anche alla luce della ricerca che la design company logotel ha condotto sull’evoluzione dello sviluppo manageriale, di cui avevamo già parlato in questo articolo.
La rivoluzione dell’AI è arrivata quando i manager, e i middle manager in particolare, erano già in difficoltà.
Nei suoi annuali State of the Global Workplace l’istituto di ricerca Gallup registra un’erosione dell’engagement lavorativo particolarmente marcata a livello manageriale, con conseguenze su stress e burnout: nel 2023 i manager coinvolti nel proprio lavoro erano il 30%, nel 2025 sono scesi al 22%, il calo più forte tra tutte le categorie di dipendenti.
A questo si aggiunge un altro dato. In una ricerca su 1.160 manager di grandi aziende, pubblicata sull’Harvard Business Review, i middle manager risultano la categoria più insicura dal punto di vista psicologico, sia rispetto ai loro collaboratori diretti, sia ai dirigenti C-level. Va peggio ai neopromossi, in ruolo da meno di tre anni, che si posizionano quasi cinque punti sotto i colleghi più esperti.
In questo quadro l’AI non crea il problema, lo accelera. In due società di consulenza studiate da Julia Shin e Sandra Sucher (Harvard Business School), i profili junior hanno dichiarato guadagni di produttività impressionanti: una ricerca che richiedeva giorni ora richiede pochi minuti. I partner usano l’AI per ampliare il perimetro e ripensare i servizi. Le ricercatrici parlano in entrambi i casi di role elevation: il livello del lavoro, grazie all’AI, si sposta verso l’alto.
Per i manager non funziona così, perché le nuove responsabilità (validare gli output, individuare gli errori, fare coaching sulle competenze di AI) si sommano al lavoro di prima, senza che venga tolto nulla di ciò che già facevano.
È prevalentemente sui middle manager, inoltre, che ricade il compito di intercettare il workslop, cioè i contenuti generati dall’AI che sembrano professionali ma non hanno sostanza. Devono anche mediare tra i guadagni di efficienza dichiarati dai più junior e le aspettative dei vertici, spesso con meno risorse a causa dei licenziamenti dovuti alle riorganizzazioni, che toccano in molti casi proprio i livelli intermedi.
Si alimenta così un cortocircuito: si chiede di più a un livello che, nelle intenzioni o nei fatti, si vorrebbe assottigliare.
Per capire come muoversi, può essere utile guardare come i middle manager si pongono nei confronti dell’AI. Un lavoro interessante sulla materia è quello fatto da Gleb Tsipursky, behavioral scientist e consulente. Per preparare il suo ultimo libro, The Psychology of AI Adoption at Work, Tsipursky ha condotto oltre 35 focus group con più di 250 middle manager e 22 interviste di approfondimento. Dai risultati di queste analisi sono emersi cinque profili: lo scettico, l’attendista, l’implementatore cauto, lo sperimentatore entusiasta e il catalizzatore dell’AI.
Vediamo in breve paure e bisogni di ognuna di queste figure.
Il primo profilo è lo scettico, e i suoi dubbi hanno spesso solide ragioni: chi risponde se lo strumento sbaglia, che ne sarà dei posti di lavoro, dove finiscono i dati. Quando i vertici parlano di efficienza, teme che dietro ci siano dei tagli, e così rallenta le autorizzazioni o lascia l’AI alla libera iniziativa dei singoli. I suoi collaboratori, a loro volta, o la evitano o la usano di nascosto, alimentando il fenomeno della shadow AI.
Non lo si convince con gli slogan, ma con prove concrete: test su piccola scala e a basso rischio, risultati misurabili, controllo umano sul lavoro dell’AI e regole chiare su chi risponde degli errori.
Il tradizionalista attendista non dice no all’AI, ma continua a rimandare: chiede un’altra dimostrazione, l’esperienza di un altro reparto, un altro trimestre per vedere come va. Sono richieste ragionevoli, che diventano un freno quando ogni team aspetta che sia un altro a muoversi per primo.
Per smuoverlo funziona più il confronto che la pressione: vedere all’opera un collega che stima, in un’area vicina alla sua, e partire con un impegno piccolo, legato al lavoro di tutti i giorni. La sua domanda non è se l’AI serva, ma perché dovrebbe investirci proprio ora tempo e attenzione.
L’implementatore cauto crede nell’AI, ma vuole usarla in sicurezza: chiede casi d’uso ben scelti, controlli sui risultati e criteri per misurarne gli effetti. Se riceve solo un via libera generico, procede con prudenza e fatica a estendere il lavoro oltre il proprio gruppo. I vertici lo leggono come eccesso di timore, mentre spesso segnala che manca una cornice di regole condivisa.
Per valorizzarlo servono strumenti concreti (prompt già testati, indicazioni sull’uso dei dati, modelli da seguire, un confronto rapido con area legale e sicurezza informatica, uno spazio dove segnalare i problemi senza timore di conseguenze) e la possibilità di documentare come ha lavorato, perché altri team possano ripartire dalla sua esperienza.
Lo sperimentatore entusiasta è quello che prova, mostra e contagia: testa nuovi strumenti, passa ai colleghi i prompt che funzionano e, facendo vedere risultati veri, trasforma la diffidenza in curiosità. Spesso è lui a far compiere all’AI il salto dall’uso personale al lavoro di squadra.
Il suo rischio è correre senza rete, cioè usare gli strumenti prima che area legale e sicurezza informatica ne abbiano fissato i limiti. Frenarlo con la burocrazia sarebbe un errore: meglio dargli paletti chiari, strumenti approvati e un canale dove segnalare i dubbi, premiando chi ottiene risultati in sicurezza e non solo chi è più rapido.
Il catalizzatore è il più ambizioso: vede nell’AI l’occasione per cambiare il modo di lavorare di più team, cerca alleati e spinge i vertici ad accelerare. Con il sostegno giusto diventa una sorta di imprenditore interno, capace di portare l’azienda oltre le sperimentazioni isolate. Senza, rischia di andare più veloce della fiducia degli altri e di mettere contro i team che si sentono trattati come cavie.
Per lui servono regole che non frenino ma accompagnino: un incarico esplicito con limiti di rischio definiti, un’analisi anticipata di ciò che potrebbe andare storto prima dei progetti più importanti e lezioni apprese condivise, perché altri possano riutilizzarle.
Nella maggior parte delle organizzazioni questi profili convivono, spesso nello stesso team dirigente. Lo stesso Tsipursky, in un articolo in cui condivide i risultati delle sue analisi, suggerisce di partire da tre domande, da rivolgere a ciascun manager: che cosa teme di perdere? Quale prova gli farebbe cambiare idea? Quale supporto gli permetterebbe di agire in modo responsabile?
Conta anche il modo in cui si valuta il lavoro. Se si chiede di sperimentare ma poi si critica ogni imperfezione, la scelta più razionale è aspettare; se si celebra solo la velocità, la mossa più razionale è strafare. Funziona meglio un sistema che premia l’apprendimento: ipotesi chiare, sperimentazioni responsabili ed errori segnalati con trasparenza.
Come fare perché i middle manager non siano ostacoli all’AI adoption, ma ne diventino protagonisti? Le ricerche citate indicano due leve: una formazione che aiuti a cambiare le abitudini quotidiane del manager e un sistema di sostegno tra pari.
Il titolo di un report Gartner di qualche anno fa recitava provocatoriamente: Managers are cracking and more training won’t help, ovvero “più formazione non basta”. Il messaggio è che, per i manager, più che costruire competenze serve ricodificare le abitudini con cui si affronta la quotidianità: rendere gestibile un lavoro che è cambiato richiede nuove routine, da innestare nella giornata del manager e del suo team.
È una conclusione che trova riscontro nella ricerca che logotel ha condotto sull’evoluzione dello sviluppo manageriale, ed è un’impostazione presente anche nei percorsi di onboarding che la design company ha progettato per i nuovi manager.
Ne è un esempio il programma realizzato per una grande realtà internazionale della consulenza e della revisione, rivolto a persone appena promosse a manager: una giornata di formazione in presenza, articolata in tre missioni. La prima, un “open mind”, mette a fuoco il ruolo del manager nel contesto attuale e nell’organizzazione. La seconda lavora su competenze trasversali di posizionamento individuale, come personal value e storytelling. La terza è una simulazione di secondary review di un lavoro prodotto da una nuova persona del team, un esercizio pratico di revisione del lavoro altrui.
È un percorso pensato per rispondere alla fragilità dei manager appena promossi, che abbiamo visto essere i meno al sicuro dal punto di vista psicologico, e che prova ad allenare nuove abitudini in uno spazio protetto.
Il secondo punto riguarda l’isolamento strutturale, una condizione che incide sull’insicurezza psicologica dei middle manager. I dipendenti della prima linea hanno di solito team per il sostegno tra pari, mentre i dirigenti possono contare su forum di leadership e consigli di amministrazione. I middle manager, invece, lavorano spesso in solitudine, con pochi colleghi a cui confidare i problemi. Schiacciati dall’alto e dal basso, in un contesto fatto di volatilità, lavoro ibrido e trasformazione guidata dall’AI, avvertono quell’isolamento ancora di più.
La risposta è creare comunità di pratica dedicate, con strumenti come il peer coaching: il sostegno tra pari non è un lusso, ma una salvaguardia contro burnout, disimpegno e silenzio. Le community sono anche il luogo in cui le pratiche di AI che funzionano possono circolare invece di essere reinventate team per team, e in cui si può sbagliare senza essere giudicati.
Indicazioni come queste trovano risposta nell’approccio community-driven all’adoption di logotel, basato sulla creazione e gestione di comunità di apprendimento, sperimentazione e innovazione che fungono da acceleratori della trasformazione AI-driven.
Un caso concreto è il Dojo, un ambiente di scambio e apprendimento progettato per favorire la diffusione di cultura ed esperienza a tema AI e GenAI, per accelerarne l’adozione e accompagnare le persone delle organizzazioni nel presente e nel futuro (a questo link un use case concreto di applicazione del Dojo in una grande azienda nel settore dell’energia).
I middle manager non sono un ostacolo da aggirare, ma il livello da cui dipende la trasformazione. Dare loro tempo, incentivi coerenti, formazione sulle abitudini e una comunità di pari con cui crescere significa mettere l’AI nelle condizioni di diventare un modo di lavorare, e non soltanto un esperimento riuscito in un team.
Perché sono il livello che traduce l’ambizione dei vertici in comportamenti quotidiani. Decidono come cambiano i flussi di lavoro, come si controlla la qualità degli output e che cosa i team possono sperimentare. Se questo livello è sovraccarico o insicuro, né i guadagni di efficienza dei junior né le strategie dei leader si trasformano in valore.
Secondo la ricerca di Gleb Tsipursky sono lo scettico, il tradizionalista attendista, l’implementatore cauto, lo sperimentatore entusiasta e il catalizzatore. Ognuno ha paure diverse e richiede un intervento diverso: prove concrete e chiarezza sulle responsabilità, confronto con i colleghi, strumenti e regole condivise, paletti chiari oppure un incarico con limiti di rischio definiti.
Il workslop è l’insieme dei contenuti generati dall’AI che sembrano professionali ma non hanno sostanza e non fanno avanzare il lavoro. Spesso ricade sui middle manager il compito di intercettarlo, controllando gli output dei collaboratori, senza che le loro altre responsabilità vengano alleggerite.
Servono a ridurre l’isolamento di chi è schiacciato tra vertici e prima linea. Il sostegno tra pari, per esempio attraverso il peer coaching, è una salvaguardia contro burnout, disimpegno e silenzio. Permette inoltre di condividere soluzioni e di imparare dagli errori degli altri.
Non servono slogan, ma prove concrete e chiarezza su chi risponde di cosa. Aiutano test su piccola scala e a basso rischio, risultati misurabili, controllo umano sul lavoro dell’AI e regole esplicite sulla responsabilità degli errori, così il manager non deve farsi carico da solo di un rischio non gestito.
Il problema dell’ultimo miglio: dove si blocca la trasformazione AI
Italgas all’AI WEEK 2026: l’AI transformation parte dalle persone e diventa un pilastro del piano strategico
Resistenza o fiducia nell’AI? Come passare dall’ansia tecnologica all’empowerment
Dojo, la palestra aziendale per l’adozione pratica ed efficace dell’AI
