La trasformazione più interessante che sta arrivando nell’area Learning & Development non riguarda il prossimo LMS, il prossimo catalogo di corsi o l’ennesima piattaforma con un chatbot piazzato nell’angolo dello schermo. Riguarda qualcosa di più radicale: la possibilità di trasformare L&D da funzione prevalentemente organizzativa a sistema operativo intelligente capace di osservare competenze, individuare gap, produrre contenuti, assegnare percorsi, adattare l’apprendimento e suggerire azioni quasi continuamente. Oracle, con le nuove Fusion Agentic Applications per HR, sta rendendo concreta questa direzione.

Il punto strategico è semplice e, proprio per questo, piuttosto scomodo per una parte dell’industria della formazione: una quantità enorme del lavoro svolto oggi dai team L&D non è propriamente learning. È amministrazione. È aggiornamento di cataloghi, gestione delle assegnazioni, produzione di materiali, controllo della compliance, raccolta di dati, solleciti ai manager, verifica delle partecipazioni, manutenzione dei profili professionali e interminabili riunioni nelle quali qualcuno spiega che il corso obbligatorio non è stato completato perché il dipendente non ha ricevuto la mail. Oracle sta attaccando precisamente questa superficie operativa. Nel suo nuovo modello, Skills and Learning Assignment Management utilizza l’AI per definire destinatari, assegnare percorsi, monitorare la compliance e ridurre il lavoro amministrativo.

La differenza rispetto alla generative AI della prima ondata è sostanziale. Un modello generativo produce testo quando qualcuno gli dà un prompt. Un agente, almeno nell’architettura proposta da Oracle, viene inserito dentro un processo e lavora verso un obiettivo. Le nuove applicazioni agentiche utilizzano infatti team di agenti specializzati che possono operare sul contesto enterprise, accedendo a dati, workflow, policy, autorizzazioni e gerarchie di approvazione. È il passaggio da “AI che risponde” a “AI che fa”, differenza apparentemente semantica che in azienda può diventare una differenza economica molto concreta.

Per L&D questo significa che il tradizionale ciclo “analisi del bisogno, progettazione, produzione, assegnazione, erogazione, valutazione” può diventare molto più dinamico. Autonomous Content Authoring punta a ridurre il tempo necessario per produrre materiali formativi, mentre Agentic Courses introduce percorsi capaci di adattarsi al ritmo e alle esigenze del singolo learner. La documentazione Oracle descrive corsi agentici che possono insegnare per blocchi, verificare la comprensione, individuare lacune, proporre remediation, fare recap e determinare il completamento del percorso.

Qui cambia anche l’economia della formazione. Se produrre un modulo richiede tradizionalmente giorni o settimane di lavoro tra instructional designer, subject matter expert, editor, multimedia specialist e LMS administrator, la capacità di generare e aggiornare contenuti attraverso agenti può comprimere drasticamente il costo marginale della produzione. Non significa che il contenuto umano diventi irrilevante. Significa che il lavoro umano può spostarsi verso ciò che richiede davvero giudizio: architettura pedagogica, cultura, leadership, casi complessi, simulazioni, facilitazione, confronto e trasformazione comportamentale.

Il rischio, naturalmente, è che l’azienda confonda efficienza con apprendimento. È una tentazione molto corporate: se un agente può produrre mille microlearning in un pomeriggio, qualcuno potrebbe concludere che l’organizzazione abbia improvvisamente acquisito mille unità di competenza. Non funziona così. La produzione di contenuti è una commodity; la costruzione di competenze non lo è. Un’organizzazione può avere un catalogo infinito e una workforce perfettamente ignorante. La Silicon Valley ha già dimostrato più volte che automatizzare la produzione di qualcosa non significa automaticamente aumentarne il valore.

La vera discontinuità emerge quando L&D viene collegata ai dati sulle competenze e alla pianificazione della forza lavoro. Oracle sta costruendo proprio questa connessione: profili professionali continuamente aggiornati, analisi della domanda e dell’offerta di skill, percorsi di carriera e investimenti formativi possono essere messi in relazione all’interno dello stesso ambiente. Il Workforce Skills Supply vs. Demand Agent, per esempio, è progettato per confrontare la disponibilità interna di competenze con la domanda futura e supportare decisioni sugli investimenti in talenti.

Questo è probabilmente il punto più importante per i CHRO. L&D smette progressivamente di essere percepita come una funzione che “organizza corsi” e diventa una componente della workforce strategy. Se l’azienda sa quali competenze possiede oggi, quali le serviranno fra dodici o ventiquattro mesi e quali persone possono essere sviluppate internamente, il budget formazione può essere allocato con una logica molto più vicina al capitale che alla spesa discrezionale.

Anche il ruolo del manager cambia. Oracle introduce Manager Coaching Workspace e Learning Representative for Managers Agent, strumenti destinati a fornire raccomandazioni contestuali e supportare i manager nell’assegnazione di attività di sviluppo individuali e di team. La conseguenza potenziale è significativa: il manager non deve più aspettare che HR organizzi il prossimo programma di sviluppo; il sistema può suggerire quale intervento abbia senso per quella persona, in quel momento, sulla base del contesto disponibile.

Parallelamente, il dipendente può passare dal modello “vado nel catalogo e cerco un corso” a un modello nel quale l’AI interpreta obiettivi professionali, competenze mancanti e opportunità disponibili. Grow Coach ed Enterprise Tutor Agent vanno esattamente in questa direzione, collegando sviluppo professionale, contenuti formativi e opportunità di crescita. Oracle descrive inoltre il Career Advancement Command Center come un ambiente capace di collegare ruoli aperti, requisiti di skill, formazione e opportunità interne.

Il risultato possibile è una nuova architettura di L&D: meno LMS come biblioteca, più learning system come motore decisionale. Meno campagne formative costruite sei mesi prima e distribuite indiscriminatamente a migliaia di dipendenti; più apprendimento contestuale, continuo e legato al lavoro reale. Meno “hai completato il corso?” e più “quale competenza devi acquisire per svolgere meglio il prossimo lavoro?”.

Naturalmente, l’efficienza non elimina la governance. La formazione riguarda persone, carriera, valutazioni e accesso alle opportunità; quando gli algoritmi iniziano a suggerire chi dovrebbe imparare cosa, quale ruolo potrebbe occupare e quale investimento formativo meriti maggiore attenzione, entrano in gioco bias, qualità dei dati, trasparenza, privacy e accountability. Oracle sottolinea che le applicazioni agentiche operano dentro framework di sicurezza, autorizzazioni e controllo; la documentazione sulle agentic applications insiste inoltre sul fatto che le azioni siano governate e che gli agenti lavorino entro i relativi permessi.

La conseguenza per i professionisti L&D è forse la più interessante. Il valore non sarà più determinato principalmente dalla capacità di amministrare programmi formativi, ma dalla capacità di progettare sistemi di sviluppo nei quali tecnologia, competenze, business strategy e comportamento umano si incontrano. L&D diventerà più tecnologica, ma non necessariamente meno umana. Anzi, potrebbe finalmente liberare tempo dalle attività meccaniche per dedicarlo alle attività che una macchina fatica ancora a fare bene: creare significato, facilitare conflitti, sviluppare leadership, costruire fiducia e trasformare un gruppo di persone in una squadra capace di cambiare.

La super-efficienza, quindi, non è avere un agente AI che produce più corsi. È avere un’organizzazione nella quale la formazione arriva quando serve, alle persone giuste, per la competenza giusta, collegata a un risultato di business misurabile. Il resto, compresa una buona parte della burocrazia L&D, è esattamente il tipo di lavoro che una macchina dovrebbe smettere di lasciare agli esseri umani.