AI-CHECK · Percorso 1: Capire e usare in sicurezza
Verificare e migliorare i risultati dell’AI
Una giornata dedicata solo alla capacità che decide tra beneficio e danno: verificare sistematicamente i risultati dell’AI. Fonti e numeri, errori plausibili, controprove e la domanda su quando un risultato ha bisogno di un’approvazione.
- Durata
- 1 giornata di formazione
- Gruppo
- da 4 a 12 persone
- Formato
- Inhouse · Da remoto
- Lingua
- Tedesco o inglese
- Preavviso
- da 2 settimane
- Prezzo
- 7.900 € forfettario, IVA esclusa
Erogazione a partire da quattro partecipanti effettivamente iscritti. La data viene confermata per iscritto dopo aver concordato contenuti, prerequisiti e disponibilità.
Per chi è questo track
Team che usano già bozze generate dall’AI e ora hanno bisogno della relativa assicurazione qualità: gestione pratiche, ruoli di assistenza, reparti specialistici, ruoli vicini al controlling. Anche come giornata di approfondimento dopo AI-WORK o AI-LIT-LAB.
Per chi no
Non per team senza alcun uso dell’AI, loro iniziano nel Laboratorio pratico di AI Literacy (AI-LIT-LAB). Non per la valutazione tecnica di sistemi AI con metriche e gate, per questo c’è Evaluation, Observability e Guardrails (AI-EVAL).
Situazione di partenza
Le bozze ormai arrivano dall’AI, ma la verifica è intuito: uno legge tutto tre volte e non risparmia tempo, un’altra adotta i risultati senza controllo e rischia l’errore nel documento per il cliente. Ciò che manca è una routine di verifica comune, rapida e dimostrabile.
Questo esiste dopo il track
- Una checklist per i risultati dell’AI, esercitata su più classi di casi e adattata al team
- Un catalogo degli errori plausibili: fonti inventate, periodi temporali spostati, assunzioni silenziose
- Controprove esercitate: ricalcolo, confronto con le fonti, controdomanda al modello
- Una regola documentata di escalation e approvazione per i risultati critici
- Un modello di protocollo di verifica per i casi soggetti a obbligo di evidenza
Prerequisiti
Prima esperienza con bozze AI nella quotidianità lavorativa, per esempio da AI-WORK, AI-LIT-LAB o dalla propria pratica. Basta un laptop con browser.
Preparazione prima del track
Prima della giornata Lei raccoglie tre esempi anonimizzati dalla Sua quotidianità in cui un risultato dell’AI era sbagliato, incompleto o sospettosamente levigato. Nessun esempio a portata di mano? Forniamo casi sintetici del Suo settore.
Contenuto della fornitura
- 1 giornata di formazione con Dino Bordonaro, in sede o da remoto
- Casi di verifica sintetici con errori inseriti e documentati
- Modello di checklist e modello di protocollo di verifica da riutilizzare
- Certificato di partecipazione e documentazione formativa
- Quattro settimane dopo, una sessione remota di domande di 60 minuti per i casi controversi
Agenda
Perché plausibile non significa corretto
Le classi di errore dei modelli linguistici su esempi concreti: fonti inventate, riferimenti numerici sbagliati, assunzioni silenziose, tono convincente. Esercizio: in tre output preparati si nasconde un errore ciascuno, chi lo trova senza aiuti?
La checklist, passo per passo
Fonti, numeri, completezza, fedeltà all’incarico, tonalità, provenienza dei dati. Ogni passo di verifica riceve un gesto concreto e un budget di tempo. Verificare deve essere più veloce che scrivere da soli, altrimenti nessuno lo fa.
Controprove che funzionano
Ricalcolo per i numeri, confronto con le fonti per le affermazioni, controdomanda al modello in caso di incertezza. Esercizio su casi sintetici: quale controprova smaschera quale tipo di errore?
I Suoi casi, primo giro
Gli esempi anonimizzati portati con sé vengono elaborati con la checklist. Che cosa avrebbe catturato la lista, che cosa no? La lista viene affinata là dove fallisce sul materiale proprio.
Escalation e approvazione
Non ogni risultato ha bisogno di quattro occhi, alcuni ne richiedono sei. Albero decisionale: che cosa approvo da solo, che cosa verifica un collega, che cosa va alla persona responsabile? La regola diventa scritta e pronta per il team.
Protocollo di verifica per l’evidenza
Per i casi soggetti a obbligo di evidenza: il protocollo snello che documenta che cosa è stato verificato. Esercizio sul proprio caso, dopo di che il modello è pronto all’uso.
Regola di team e prossimo passo
La checklist adattata diventa un accordo di team: quali passi di verifica sono obbligatori da domani, chi mantiene la lista, quando viene affinata. Ognuno se ne va con un proposito di applicazione concreto.
Esercitazioni e quota lab
Circa due terzi della giornata sono lavoro di verifica su casi sintetici con errori inseriti e documentati e sugli esempi portati con sé.
Piattaforme
Erogazione con lo strumento AI approvato nella Sua azienda, nella versione di volta in volta disponibile. I casi di verifica sono sintetici, i dati reali dei clienti non sono necessari e non vengono accettati.
Prova di transfer
Supera la prova chi nel caso finale trova gli errori inseriti con la checklist e motiva la decisione di escalation. Il risultato viene registrato nella documentazione formativa.
Artefatti che porta con sé
- Checklist per i risultati dell’AI adattata in modo specifico al team
- Catalogo degli errori plausibili con le relative controprove
- Regola di escalation e approvazione come accordo di team
- Modello di protocollo di verifica per i casi soggetti a obbligo di evidenza
Estensioni opzionali
- Incarichi migliori, risultati AI migliori (AI-CONTEXT), perché nascano meno errori già in partenza
- Evaluation, Observability e Guardrails (AI-EVAL) per l’assicurazione qualità tecnica sistematica
- Sessioni di domande regolari di 60 minuti per i casi controversi della quotidianità
Delimitazione
Il track forma la verifica umana dei risultati dell’AI. Non sostituisce la revisione specialistica, la consulenza legale, né una pipeline tecnica di valutazione.
Domande frequenti
Noi verifichiamo comunque tutto. Che cosa c’è di nuovo qui?
Leggere tutto non è verificare, è consumare tempo senza sistema. La checklist sostituisce il leggere tre volte con gesti mirati per ogni classe di errore. È più veloce e cattura dimostrabilmente di più, proprio gli errori formulati in modo convincente.
La checklist funziona con ogni strumento AI?
Sì, verifica risultati, non strumenti. Che la bozza arrivi da un assistente in chat, da un’integrazione di ricerca o da un sistema interno: fonti, numeri, assunzioni e fedeltà all’incarico restano le stesse domande di verifica.
Che cosa distingue questa giornata da AI-EVAL?
AI-CHECK forma le persone a verificare i singoli risultati nella quotidianità. AI-EVAL costruisce l’assicurazione qualità tecnica di un sistema AI: casi di test, metriche, gate. L’uno non sostituisce l’altro, si incastrano a vicenda.