AI-native, non AI-friendly: cosa abbiamo cambiato a Learnn in 6 mesi

Perché spendere in tool senza competenze è il modo più veloce per buttare soldi

Questo articolo nasce dallo speech che ho preparato per l’AI Week - il più grande evento AI in Europa - in cui sono stato speaker sul main stage.

Quando ho saputo che avevo solo 15 minuti a disposizione, ho capito che avevamo molto, ma molto di più da raccontare.

Per questo ho scritto questo articolo dove trovi la versione lunga e approfondita, con i numeri veri (i nostri e quelli del mercato), gli errori che abbiamo commesso e le 8 lezioni che ogni professionista e founder dovrebbe portarsi a casa sul processo di trasformazione del nostro team e prodotto per passare da AI-Friendly a AI-Native.

Tutto parte da una frase che mi è rimasta in testa:

se tutti usiamo gli stessi modelli AI e otteniamo risultati diversi, significa che a fare la differenza sei tu.

Sembra banale. Non lo è. Stanford e BetterUp a inizio 2026 hanno pubblicato un dato che dovrebbe fare riflettere ogni founder italiano: il 95% delle organizzazioni che hanno investito in AI non vede un ROI misurabile dagli investimenti fatti. IBM, sulla stessa linea, ha calcolato che le iniziative AI enterprise stanno producendo in media un ritorno del 5,9% a fronte di un capital investment del 10%. McKinsey aggiunge il colpo finale: solo l’1% dei leader aziendali considera la propria azienda “matura” nel deployment AI.

Tre numeri diversi, una sola storia. Le aziende e professionisti stanno comprando AI a un ritmo mai visto. I risultati non arrivano.

Questo è il problema che voglio affrontare in questo articolo. Non “quali tool usare”, ma cosa cambia davvero quando una piccola azienda di 15 persone, come la nostra, decide di trasformarsi in AI-native invece che restare AI-friendly.

Cosa funziona. Cosa abbiamo sbagliato. E perché il vantaggio competitivo dei prossimi 24 mesi non è nei modelli o negli MCP, è in chi sa farli lavorare insieme alla propria knowledge e ai propri processi.

Parto dalla domanda che, secondo me, ogni founder italiano dovrebbe farsi prima di chiudere il 2026.

---

Ma prima… Se non sei ancora iscritto/a puoi farlo da qui.

Se le premesse di questo articolo possono interessare dei tuoi colleghi, condividilo.

---

La domanda da 200 miliardi: “Se rifondassi oggi il tuo prodotto, lo faresti uguale?”

Qualche settimana fa Mike Cannon-Brookes - il founder di Atlassian - ha fatto una domanda in un keynote che mi ha colpito: “Se rifondassi oggi il tuo prodotto, lo faresti uguale?”.

È una domanda banale solo in apparenza. Perché quando inizi a guardarti intorno e a chiederti chi se la sta facendo seriamente, scopri che quasi tutti i grandi prodotti del mondo stanno rispondendo “no”.

Intercom ha risposto “no”. Hanno ricostruito mezzo prodotto attorno a Fin, l’assistente AI che oggi gestisce gran parte del support dei loro clienti.

Clay ha risposto “no”. Sono passati da 1 milione di ARR a oltre 100 milioni in due anni, e l’hanno fatto rimettendo l’AI al centro di ogni workflow di prospecting e enrichment.

Notion ha risposto “no”. Hanno ridisegnato pagine, editor, ricerca attorno a Notion AI.

Google ha risposto “no”, e questo è il più clamoroso di tutti: dopo 25 anni hanno reinventato la search introducendo i risultati generati direttamente nella SERP.

A queste si aggiungono i nuovi player che sono nati direttamente AI-native, senza dover ripensare niente.

Lexroom: da zero a 12 milioni di ARR in 20 mesi.

Gamma: da zero a 100 milioni di ARR in poco più di un anno.

Base44: exit da 80 milioni con un solo founder, costruito interamente da una persona con AI come team allargato.

Qui sotto c’è una cosa che vale la pena dire chiaramente.

Negli ultimi 24 mesi i prodotti nati AI-native hanno tassi di crescita che i prodotti tradizionali rifondati prima del 2023 non riescono più a tenere.

La differenza non è “fanno marketing meglio”. La differenza è che il loro workflow di esecuzione interno è progettato attorno all’AI fin dall’inizio. Non lavorano con l’AI. Lavorano nell’AI.

Questa parte mi interessa particolarmente perché tocca un punto che vale per chiunque legga questo articolo, anche per chi ha un’azienda di 10 persone, anche per chi è un professionista freelance. La domanda di Atlassian vale per chi fa SaaS da 100 milioni di ARR, certo. Vale però altrettanto per chiunque oggi guidi un’azienda, gestisca un team o costruisca un prodotto.

Se rifondassi oggi il tuo modo di lavorare, il tuo team, il tuo prodotto, i tuoi processi, li faresti uguali?

A Learnn ci siamo posti questa domanda concretamente 12 mesi fa. La risposta è stata “no”. E da lì è iniziata la trasformazione che ti racconto.

L’errore: aggiungere AI non basta

Voglio essere molto onesto su un punto, perché è l’errore che vedo fare ovunque in Italia e che abbiamo rischiato di fare anche noi.

La trappola si chiama “AI-friendly”. Sembra una cosa positiva, in realtà è il modo più veloce per buttare un anno di lavoro e zero risultati.

L’azienda AI-friendly compra le licenze ai dipendenti. Magari fa anche un workshop di mezza giornata su come usare ChatGPT. Mette su una pagina del manuale interno con qualche prompt utile. E poi pensa di aver fatto la propria parte. I dipendenti, da quel momento, scrivono email “con l’aiuto di ChatGPT”, fanno riassuntini di meeting “con l’aiuto di Claude”, scrivono qualche post LinkedIn “con l’aiuto di Gemini”. Tutto bello. Tutto utile. Tutto inutile.

Inutile perché il prodotto, i processi, le decisioni, il modo in cui il team interagisce, tutto resta esattamente identico a prima. Hai solo aggiunto un livello cosmetico sopra a una struttura che continua a funzionare come funzionava prima dell’AI. È come comprarsi una macchina elettrica e usarla solo per andare al supermercato sotto casa. Tecnicamente la stai usando, sostanzialmente stai sprecando tutto il suo potenziale.

I numeri di mercato confermano questa dinamica in modo brutale. Il World Economic Forum stima che il 77% dei datori di lavoro pianifica di formare i propri lavoratori sull’AI. Sai quanti dei dipendenti, intervistati, dicono di aver effettivamente ricevuto una formazione AI seria dal proprio datore di lavoro? Il 13%. Il gap tra l’intenzione dichiarata dal management e l’esperienza reale dei dipendenti è di 64 punti percentuali. Tradotto: nelle aziende italiane ed europee succede esattamente quello che vedo nelle conversazioni B2B che faccio ogni settimana. C’è un budget formazione formalmente stanziato che, nella pratica, non arriva mai dove dovrebbe arrivare.

Aggiungo un altro dato che mi ha colpito molto. Sempre nel report State of Organizations 2026 di McKinsey, il 70-80% delle iniziative AI in azienda fallisce. Ma il motivo del fallimento, attenzione, non è quasi mai tecnologico. È un problema di change management: persone non formate, processi non ripensati, governance non chiara.

L’azienda AI-native è un’altra cosa completamente. È un’azienda dove ogni processo è stato riesaminato chiedendosi: come lo farei se partissi oggi, con l’AI a disposizione fin dal primo giorno? Dove ogni ruolo è stato ridisegnato chiedendosi: cosa dovrebbe smettere di fare questa persona perché lo fa meglio una macchina, e cosa dovrebbe iniziare a fare di nuovo perché solo un umano può farlo? Dove il prodotto è stato ripensato chiedendosi: i miei utenti hanno problemi che oggi posso risolvere in modo radicalmente diverso?

Ed è qui che entra il punto che voglio sottolineare con forza, perché è il filo rosso di tutto questo articolo: nessuna di queste cose succede comprando tool. Tutte queste cose succedono formando le persone che useranno i tool.

Lo dico in modo chiaro: puoi comprare la licenza Claude a 18 dollari al mese a tutti i tuoi dipendenti, attivare Cursor a 20 dollari, mettere ChatGPT Enterprise a 60 dollari e l’unico effetto sarà aver speso qualche migliaio di euro al mese. Senza un piano serio di formazione continua, queste licenze diventano un costo passivo che produce zero ritorno.

E qui voglio fare un passaggio che troppe aziende italiane evitano per pigrizia: il confronto con quanto costa la formazione fatta nel modo sbagliato.

Un bootcamp aziendale di 2 giorni sull’AI costa in media tra i 5.000 e i 30.000 euro a sessione. Un master sull’AI per un dirigente, tra i 10.000 e i 40.000 euro. Una corporate academy interna ben fatta, tra i 500.000 e i 5 milioni di euro all’anno secondo i benchmark italiani.

Tutti questi numeri, presi singolarmente, suonano grandi. Però hanno tutti lo stesso problema strutturale: sono spese una tantum su contenuti che diventano obsoleti in 6 mesi.

Voglio ribadire questo punto perché è quello che pochi vedono. Il tempo di obsolescenza media di un corso AI prodotto oggi è di 3-6 mesi. Pago 5.000 euro per un bootcamp di 2 giorni a maggio 2026? A novembre 2026 metà di quello che mi hanno insegnato è già superato. I modelli sono cambiati, gli MCP sono diversi, le skill che andavano bene non sono più le migliori. Il bootcamp è una soluzione a evento per un problema continuo, e questa asimmetria fa sì che non funzioni.

Il modello che funziona è l’opposto. Bersin, il principale analista globale del settore L&D, lo chiama “learning in the flow of work”: formazione continua, accessibile durante il lavoro vero, integrata con i tool e i processi reali, aggiornata in tempo reale. È un modello che in Italia ha pochi rappresentanti seri. Noi a Learnn lo stiamo costruendo da 6 anni, oggi con 310.000 utenti, 27.000 paying customer B2C, 1.000 clienti B2B. La differenza sostanziale con il bootcamp non è il prezzo: è il modello. Crescere è un’abitudine, non un evento.

Lo vedo ogni settimana parlando con aziende clienti di Learnn B2B. Mi chiamano dicendo “abbiamo dato Claude a tutto il team, è da tre mesi che lo usano, non capiamo perché non sta cambiando niente”. E quando guardo cosa stanno facendo, scopro che il “team che usa Claude” è composto da persone che non sanno cosa sia un MCP, non sanno cosa sia una skill, non hanno mai visto come si imposta un progetto con knowledge persistente, non sanno la differenza tra un prompt a binari e un prompt a guardrail.

Stanno usando il 5% di quello che lo strumento può fare. E con il 5% delle capacità, ovviamente, non vedi nessun cambiamento. Il problema non è il tool. È che nessuno ha mai mostrato loro come si lavora con quel tool nel 2026. E che dopo il bootcamp di 2 giorni fatto a febbraio, in azienda non è stato istituzionalizzato nessun meccanismo per restare aggiornati a maggio, a luglio, a ottobre. Il che ci riporta esattamente al dato di partenza: 13% dei dipendenti formato davvero, 95% delle aziende senza ROI.

I 5 numeri della nostra trasformazione interna

Adesso ti racconto cosa abbiamo fatto noi a Learnn, partendo dai numeri concreti e da quello che c’è dietro a ciascuno di questi numeri. Quando li dico nelle presentazioni, vedo le persone in sala fare gli occhi grossi. La cosa interessante è che dietro a ogni numero c’è una scelta di formazione, non una scelta di acquisto.

Tech: +50% di velocity. Il team tech di Learnn è composto da una manciata di persone super focalizzate sul prodotto. Hanno preso vari tool (Linear, Claude Design, Cursor e Claude Code) e l’hanno integrato in modo nativo nel workflow di sviluppo. Oggi ogni feature che esce in produzione è in larga parte costruita con Claude come pair-programmer. La parte ancora più interessante è che molti endpoint del nostro backend sono generati a partire da specifiche scritte in italiano, revisionate dal team, deployate in poche ore. Il tempo che prima andava in codice ripetitivo adesso va in architettura, decisioni strategiche, ottimizzazione. Tutto questo con l’aggiunta di skills su Claude che li abilitano a creare prototipi con il nostro Design System prima ancora di sviluppare.

Social: -60% di tempo di creazione. Il team social, composto da Alessandro e Clara, produce oggi il doppio dei contenuti con meno della metà del tempo. Abbiamo costruito skill condivise dentro Claude per ogni formato che produciamo: caroselli Instagram, post LinkedIn, articoli Substack, copy ads Meta. Ogni skill è un pacchetto con le nostre regole anti-AI, gli esempi di contenuti che hanno funzionato meglio, il tono di voce del brand. Quando il team scrive un nuovo contenuto, non parte mai dalla media di internet. Parte dal nostro metodo. Inoltre loro sono completamente autonomi nel creare landing page in 10 minuti fatte interamente da Claude con una skill che unisce codice, design, regole comunicative e molto altro.

Customer Care: -80% di ticket gestiti manualmente. Questo è probabilmente il numero più forte di tutti. Abbiamo usato un tool gratuito (OpenWidget) e abbiamo collegato le API di OpenAI. Da lì non è servito altro che scrivere il system prompt ovvero le istruzioni che la chat doveva seguire per rispondere. In queste istruzioni abbiamo scritto che tutte le volte che l’AI non aveva una risposta attendibile da dare all’utente doveva evitare di dare informazione non attendibili e proporre all’utente di aprire un ticket dal nostro team “umano”. Qui spiego in 1 ora come tutto questo è stato realizzato da step by step. Questo ha permesso all’AI di rispondere 24/7 al 80-90% delle domande con un costo di meno di $6 al mese di costo API. E il nostro team ha il tempo per dedicare più tempo ai casi che meritano davvero il supporto umano.

Growth: sperimentazione velocizzata di 3-5 volte. Michele e Susanna del nostro team growth oggi possono fare tutto 5 volte più velocemente. Codice, analisi, a/b test, user interviews, landing page, design, widget e tool e tanto altro. Qualsiasi cosa vogliamo sperimentare prima viene creato un prototipo visivo su Claude o Claude Design, poi viene creato con Claude Cowork o Code poi viene testato con i nostri tool soliti. Ma se la creazione di test è molto più veloce rispetto a prima, il collo di bottiglia è aspettare che questi test siano validi. Quindi sapere cosa testare e come è ancora una volta la vera barriera. Qui trovi spiegato come fare questa parte.

Corsi: pipeline di produzione rivoluzionata. Emanuele, Benedetta e Giulia, che si occupano dei nostri corsi, sono passati da un workflow che richiedeva 5 giorni di lavoro per ogni nuovo corso a uno che ne richiede mezza giornata. Caricare un webinar e trasformarlo in corso pronto, con trascrizione, capitoli, lezione scritta, quiz di verifica e tanto altro in una frazione del tempo.

Questi numeri sono il risultato di 6 mesi di lavoro disciplinato che è partito dalla testa di ogni persona del team, non dall’acquisto di un tool nuovo.

Da esecutore a orchestratore: la prima trasformazione

Voglio entrare nel dettaglio di come ci siamo arrivati, perché qui sta il pezzo che la maggior parte delle aziende salta.

La prima trasformazione che abbiamo fatto sui ruoli è stata trasformare ogni persona del team da esecutore a orchestratore. Cosa vuol dire concretamente: prima ognuno faceva il proprio task con le proprie mani, dall’inizio alla fine. Oggi ognuno orchestrа sistemi che fanno il task al proprio posto, sotto la sua supervisione, con il suo metodo.

Ci sono tre cose che hanno reso possibile questo cambio.

La prima è la knowledge base interna trasformata in MCP. Abbiamo preso tutto il nostro patrimonio di contenuti, 12.000 lezioni con trascrizioni, oltre 400 corsi, più di 1.000 template, e abbiamo costruito un MCP interno che si collega a Claude, ChatGPT e Gemini e li potenzia con accesso pieno alla nostra knowledge. Quando il team corsi scrive una pillola, genera un titolo per una lezione nuova, costruisce un quiz di valutazione, l’AI non parte mai dalla media di internet. Parte dal nostro framework, dal pattern editoriale che abbiamo validato negli ultimi 5 anni.

La seconda è Learnn AI come assistente interno disponibile 24 ore su 24. Learnn AI ha accesso a ogni lezione, ogni corso, ogni esercizio mai prodotto nella piattaforma, e che può rispondere alle domande del team con un livello di precisione che nessun consulente esterno potrebbe permettersi.

La terza, forse la più potente, sono le skill condivise dentro Claude. Abbiamo preso il nostro design system già pubblico su GitHub e l’abbiamo trasformato in una skill richiamabile da chiunque nel team. Da quel momento, quando Michele del growth deve costruire una landing page per un nuovo lancio, oppure Marta del marketing deve preparare un mockup per una call con un cliente, oppure il team B2B deve generare uno scenario visivo durante una trattativa, Claude lavora rispettando le regole grafiche e tipografiche del brand insieme alle regole di copy che abbiamo codificato. Non serve coinvolgere il designer per ogni piccolo mockup. Non serve aprire Figma per produrre un esempio.

Sulle skill voglio aggiungere un punto importante che capisce solo chi inizia a costruirle seriamente. Una skill non è un prompt salvato. Una skill è una forma di delega scritta. Quando trasformi il tuo metodo di copywriting, il tuo framework di analisi, il tuo design system, la tua metodologia di scouting professionisti in una skill, smetti di dipendere dalla disponibilità del singolo specialista. La persona che prima era un collo di bottiglia diventa l’autore di un sistema che lavora per tutto il team, 24 ore su 24, senza riunioni, senza handoff.

Per dare un’idea della scala: oggi abbiamo circa 17 skill attive dentro il team Learnn. Ognuna è il risultato della codifica del metodo di una persona o di un gruppo. Quando arriva una persona nuova in azienda, il suo onboarding sui nostri processi è già metà fatto, perché molte regole sono già operative dentro le skill che richiamerà ogni giorno.

Per chi vuole capire come si costruisce una skill seria, dal lato tecnico, su Learnn c’è Prompt & Skill di Giada Franceschini, AI Solutions Architect e Co-founder di Boosha AI. Per chi vuole vedere come si costruisce un assistente operativo end-to-end con skill, MCP e agenti AI senza saper programmare, c’è Cursor per Non Programmatori di Michele Barberis, Growth Lead a Learnn.

Da orchestratore a supervisore: la seconda trasformazione

La prima trasformazione fa esecutore → orchestratore. La seconda, ancora più potente, fa orchestratore → supervisore.

Il caso più chiaro che abbiamo nel nostro workflow è quello del caricamento di un corso o di un webinar in piattaforma. Te lo racconto in due versioni, prima della trasformazione AI e dopo.

Pre-AI, il flusso era questo:

1. il professionista registrava il corso (questo non si tocca, è il suo contributo originale).

2. Poi il team Learnn doveva creare i sottotitoli, lavoro che richiedeva due giorni di una persona.

3. Poi il caricamento in piattaforma, un altro giorno di lavoro tra metadati, miniature, lezioni numerate.

4. Poi i quiz di verifica per ogni modulo, quattro ore di lavoro.

5. Le lezioni scritte erano semplicemente troppo lunghe da produrre, quindi non le facevamo.

6. La revisione finale prendeva 1 giorno.

Tempo totale: 5 giorni di lavoro (se il corso non era troppo lungo).

Post-AI, il flusso è questo:

1. il professionista registra il webinar live (questo non cambia).

2. I sottotitoli li produce AWS in tempo reale.

3. Il caricamento in piattaforma lo fa il nostro sistema AI con accesso al backend.

4. I quiz li genera Claude pescando dalla nostra skill learnn-quiz-creator con i criteri di qualità che abbiamo codificato.

5. Le lezioni scritte le genera la skill lezione-scritta-learnn partendo dal transcript del webinar.

6. La revisione finale richiede metà giornata di una persona.

Tempo totale: meno di 1 giorno di lavoro.

Questa parte mi ha fatto riflettere molto, perché tocca un nervo scoperto del modo in cui pensiamo al lavoro. Quando ho fatto vedere questi numeri al team, la reazione naturale è stata: “ok ma allora cosa facciamo con il tempo che ci avanza?”. E qui sta il punto. Il tempo che avanza non avanza per fare la stessa quantità di cose un po’ più velocemente. Avanza per fare cose completamente diverse.

La cosa che nessuno racconta: come cambia il tempo del tuo team

Voglio mostrare un’analisi che ho fatto sul mio stesso lavoro nelle ultime settimane, perché credo sia il pezzo più importante di tutto l’articolo.

Prima della trasformazione AI, il mio tempo (e quello di buona parte del team Learnn) era distribuito così:

• 70% operatività pura

• 15% strategia

• 10% management

• 5% formazione

Dopo la trasformazione, oggi siamo qui:

• 20% operatività

• 30% strategia

• 30% orchestrazione (dei sistemi AI)

• 20% formazione continua

I numeri totali fanno sempre 100. Quello che è cambiato è la composizione. L’operatività è crollata di 50 punti percentuali. La formazione è quadruplicata. L’orchestrazione, che prima non esisteva proprio come categoria, oggi pesa quanto la strategia.

Quel 20% di formazione è la parte che mi sembra meno raccontata in giro, ma è la più importante di tutte. Significa che il 20% del mio tempo lo passo letteralmente a studiare, testare cose nuove, leggere come stanno cambiando i modelli, provare workflow nuovi, riscrivere skill che funzionavano due mesi fa ma oggi non sono più ottimali. È la cosa che chi lavora con AI seriamente capisce subito: chi risparmia tempo nell’esecuzione deve investirne molto di più nell’apprendimento continuo. Senza questa parte, il vantaggio competitivo svanisce in 90 giorni.

Anche qui ci sono dati di mercato che lo confermano in modo netto. Una ricerca della Federal Reserve Bank di St. Louis ha calcolato che i lavoratori che usano AI generativa risparmiano in media 2,2 ore alla settimana. Sembra poco. Ma quando segmenti per frequenza d’uso, il quadro cambia completamente: il 33,5% di chi usa AI ogni giorno risparmia oltre 4 ore alla settimana, contro l’11,5% di chi la usa solo settimanalmente. Più diventi competente, più la usi. Più la usi, più ti rende. È esattamente la curva di apprendimento composto che il bootcamp di 2 giorni non riesce a innescare, e che la formazione continua sì.

Harvard Business Review è arrivata su numeri ancora più forti analizzando contesti in cui la formazione AI è stata fatta bene: i tempi di completamento di alcuni task possono scendere fino al 56% quando i dipendenti usano gli AI tool in modo davvero efficace. GitHub ha pubblicato dati simili su Copilot: 55,8% di velocità in più sui task di sviluppo. La parola chiave in entrambi i casi è “efficace”. Non basta avere accesso al tool. Bisogna saperlo usare nel modo giusto, e questo non si impara in due giorni.

Lo dico perché è un punto controintuitivo per la maggior parte degli imprenditori italiani con cui parlo. Pensano che “diventare AI-native” significhi assumere meno persone e basta. Sbagliato. Significa avere lo stesso numero di persone (o di più) ma con un mix di skill completamente diverso. Persone che studiano costantemente, che testano workflow, che mantengono aggiornate le skill condivise, che provano nuovi MCP, che insegnano agli altri colleghi.

Se questo 20% di formazione lo togli, in 6 mesi sei punto e a capo. È un investimento, non un costo. E come ogni investimento, se lo elimini, perdi anche tutto quello che hai costruito sopra.

Solo a questo punto possiamo parlare di prodotto

Quando ho strutturato il talk per AI Week ho fatto una scelta che voglio difendere anche qui. Ho parlato per più della metà del tempo del team. Solo a metà discorso ho iniziato a parlare di prodotto.

Il motivo è semplice. L’errore numero uno che vedo fare a chi prova a “mettere AI nel prodotto” è partire dall’AI invece che dagli utenti. Il founder vede una feature carina su X, vuole replicarla, dice al team “facciamoci un chatbot AI”, e si trova sei mesi dopo con una feature che nessuno usa. Sembra incredibile da fuori, dall’interno succede ogni giorno.

A Learnn il primo errore che abbiamo fatto è stato esattamente questo. Abbiamo passato qualche settimana a costruire un assistente AI per il prodotto perché “lo stavano facendo tutti”. Quando lo abbiamo lanciato, abbiamo scoperto che gli utenti lo usavano poco, e quei pochi che lo usavano lo trattavano come una versione meno utile di ChatGPT. Avevamo costruito una feature, non una soluzione.

Quello che ci ha salvati è stato fermarci e tornare alle basi della product discovery, con l’unica differenza che oggi i sistemi di ascolto vanno costruiti dentro il prodotto in modo continuo, non come ricerca utenti una tantum una volta all’anno.

Oggi a Learnn abbiamo quattro layer di feedback che girano in parallelo:

Feedback passivi dal prodotto. Tracciamo cosa fanno gli utenti, su quali corsi cliccano, cosa cercano, dove si bloccano nel funnel. È il dato meno bugiardo di tutti, perché non passa dalla loro razionalizzazione. Tool: MixPanel e Posthog.

Mini-sondaggi dentro al prodotto. Domande secche di una sola domanda, mostrate nel momento giusto. L’ultima che abbiamo lanciato (”come prima cosa quando entri su Learnn cosa vorresti trovare?”) ha avuto 316 risposte su 2.970 unique users esposti, un conversion rate del 10,6%. È un livello di risposta che con un email survey non vedi neanche con il fiato. Tool: Posthog.

Sondaggi su Telegram da una domanda. Stesso pattern dei mini-sondaggi, ma su utenti che ci hanno dato il numero. Per cose di posizionamento o pricing, dove serve rispondere alla domanda in modo veloce.

User interviews fatte da Michele. Ogni settimana 5-7 chiamate da 30-45 minuti con utenti reali del prodotto. Niente automazione, niente AI. Pura conversazione umana. È il livello di profondità che nessun altro sistema riesce a darti. Tool: Calendly per prenotare e Claude per analizzare.

Tutto questo ascolto produce un flusso continuo di problemi che gli utenti hanno. E da lì siamo partiti per costruire la nostra suite di feature AI nel prodotto.

E tutti questi dati e informazioni sono accessibili da tutti i membri del team non chiedendo o leggendo report, ma mentre lavorano con Notion e Claude connessi agli MCP di Learnn.

Questo permette ai dati di non essere informazioni passive nascoste in qualche cartella su drive, ma di essere accessibili dai nostri tool mentre lavoriamo.

Qualcuno del team sta creando una landing page? O una feature? O altro? Istantaneamente riceve feedback e consigli su che parole usare in base a tutti i dati e user interviews che magari sono state caricate 6 mesi fa o magari 6 minuti fa.

I 6 problemi degli utenti, le 6 risposte AI

Quando abbiamo mappato le frasi più ricorrenti che ci dicevano gli utenti, sono uscite 6 cluster di problemi. Su ognuno abbiamo costruito una feature AI verticale.

1. “Learnn fa per me?” → Onboarding AI. L’utente nuovo non sa se Learnn è la piattaforma giusta. Lo Onboarding AI gli fa varie domande (cosa vuoi imparare, dove sei adesso, dove vuoi arrivare) e gli mostra subito un percorso costruito sulle sue esigenze.

2. “Qualcuno mi aiuta?” → Learnn AI come assistente. L’utente ha una domanda mentre studia, vuole una risposta veloce. L’assistente legge tutta la lezione, capisce il contesto, risponde con riferimenti precisi al contenuto.

3. “Non so da che corso iniziare?” → Percorso AI. L’utente ha 400 corsi davanti e non sa scegliere. Genera un percorso personalizzato a partire da una conversazione di pochi minuti.

4. “Non c’è il corso per me!” → Corso AI. L’utente ha bisogno di una skill specifica che il catalogo non copre ancora. Generiamo un mini-corso ad hoc partendo dalla nostra knowledge.

5. “Non ho tempo!” → Pillole AI. L’utente non ha 4 ore per un corso. Estrae il take principale di una lezione in 3 minuti.

6. “Ho difficoltà ad applicare quello che imparo” → MCP. L’utente impara su Learnn ma poi non riesce a portarlo nel suo lavoro. L’MCP di Learnn rende la nostra knowledge disponibile direttamente dentro Claude, ChatGPT, Gemini, Cursor, mentre l’utente lavora.

Ognuna di queste feature - e questa è la parte che mi piace di più - è stata costruita partendo da un problema reale degli utenti, non dall’idea “mettiamo l’AI”. Il pattern che cerco di trasmettere quando faccio i talk è: l’AI deve risolvere un problema che hai già identificato, mai inserirla per essere “al passo coi tempi”.

Ma tutto questo unendo passato e futuro.

Cosa intendo?

Il passato sono i nostri asset proprietari:

• 12.000 lezioni (200 nuove al mese)

• Trascrizioni di tutti i contenuti

• 960+ template con immagini

• Stack tech proprietario

• Terabyte di dati e progressi

• 280.000+ utenti

Il futuro sono gli strumenti AI: Backend (Strapi) + AI (Flowise).

Questo rende il passato non qualcosa di inutile da scartare, ma l’asset difensivo fondamentale che ci differenzia da chiunque altro.

Chiunque può creare una feature con Flowise o un MCP, ma nessuno può farlo funzionare come la nostra feature Flowise o il nostro MCP Learnn che sono attaccati direttamente alle nostre 12.000 lezioni.

L’onboarding AI che ha portato +67% di vendite

Questa è la parte build-in-public più recente e l’ho aggiunta nell’articolo perché è il numero più potente che abbiamo prodotto negli ultimi 60 giorni a Learnn.

Abbiamo testato il nuovo onboarding AI contro il flusso di benvenuto tradizionale come A/B test.

Ultimo step con il percorso personalizzato AI:

I numeri finali dell’esperimento, esteso al 100% del traffico dopo la fase di test dicono che questo flusso porta il 67% di acquisti in più.

Cosa significa?

Lasciando tutto invariato - ads, post, corsi, ecc - il nuovo flusso di onboarding in cui ci passano tutti porta il 67% di acquisti in più.

E questo è un risultato preliminare.

Nel senso che l’impatto di questo si trasmetterà anche su riduzione di CPA, aumento di retention e passaparola e molto altro.

Lo vuoi provare? Lo trovi qui.

Le landing che oggi genera Claude

Aggiungo un caso pratico, perché è un altro esempio di come la stessa logica (skill + MCP + Claude come orchestratore) si applica a un’area diversa.

Oggi a Learnn produciamo landing page personalizzate per ogni campagna, ogni test, ogni vertical tematico (AI, Business, Marketing, Tech) con un workflow che 6 mesi fa sarebbe stato impensabile.

Abbiamo costruito una skill che si chiama learnn-landing-page con dentro tutto il nostro design system reale e le nostre regole per UX, UI, copy e tanto altro. La skill ha anche il pattern di integrazione MCP per pescare in tempo reale i corsi reali da inserire nella landing e usa tutti i nostri dati sempre aggiornati.

Quando dobbiamo lanciare una nuova landing, il flusso è: il team apre Claude, richiama la skill landing page, descrive l’obiettivo della pagina e il target. Claude pesca i corsi rilevanti via MCP Learnn, costruisce l’HTML rispettando tutti i token del design system, applica le regole anti-AI sul copy, restituisce la pagina pronta.

Possiamo anche create widget impensabili rispetto a prima come questi:

E questo per obiettivi:

Tempo totale dall’idea al live: in media 20 minuti di lavoro, contro i 2-5 giorni di prima. E la qualità del primo draft è migliore del 90% di quello che producevamo prima, perché il design system non lascia margine di errore.

Spesso facciamo brainstorming in chiamata su una campagna finiamo la chiamata che abbiamo già realizzato la landing page live tra un’idea e l’altra usando la trascrizione di quello che diciamo.

L’MCP di Learnn

L’altro caso che voglio raccontare brevemente è quello del nostro MCP interno, perché credo sia replicabile in qualsiasi azienda con un patrimonio di knowledge accumulato negli anni.

L’MCP è lo strumento che permette ai modelli AI di parlare coi tool e con le knowledge base reali. Quando l’abbiamo costruito, abbiamo preso il nostro catalogo (400+ corsi, 12.000 lezioni con trascrizioni, 1.000+ template, metodologie dei nostri docenti) e l’abbiamo esposto come server MCP collegabile a Claude, ChatGPT e Gemini.

Tempo di costruzione: meno di una settimana con una sola persona dedicata.

Oggi questo MCP viene usato in due modi.

Internamente. Tutto il team Learnn richiama l’MCP quando deve produrre contenuti, naming, pillole, quiz, articoli, copy. Claude non lavora mai dalla media di internet sui temi che il nostro catalogo copre. Lavora dai framework dei nostri esperti, applicati al task specifico.

Esternamente, a tendere. Quando lanceremo l’MCP pubblicamente, sarà come avere i top esperti italiani in marketing, copywriting, growth, sales, design, AI che lavorano al fianco dell’utente dentro il suo Claude o ChatGPT, sui suoi file reali. Non l’utente che la sera legge i corsi su Learnn. Gli esperti di Learnn che lavorano insieme all’utente quando lui ne ha bisogno.

Lo stesso identico schema lo può costruire qualsiasi azienda. Avete documentazione interna, processi storicizzati, video di onboarding, casi cliente, policy? Quello è il vostro MCP. Quel materiale chiuso in un Drive condiviso vale 10 volte di più nel momento in cui diventa una knowledge base interrogabile dal team tramite Claude.

E qui torna il discorso iniziale. Costruire un MCP serio è una cosa che richiede competenza. Non si fa comprando un tool. Si fa avendo nel team almeno una persona che ha studiato come funziona il protocollo, ha capito quali tool esporre, sa progettare gli endpoint, sa testare il funzionamento. Senza formazione, l’MCP resta una promessa di marketing.

Per chi vuole vedere come si costruiscono questi sistemi senza essere developer puri, Cursor per Non Programmatori di Michele Barberis è il riferimento. Per chi vuole costruire agenti AI per task aziendali ricorrenti, c’è AI Agents di Filippo Greco, GTM Engineer di Yellow Tech. Per chi parte da zero sull’ecosistema Claude, c’è Claude Chat e Cowork sempre di Filippo Greco.

Senza competenze i tool valgono zero

Adesso provo a chiudere il cerchio con la cosa che volevo dire fin dall’inizio.

Tutto quello che ti ho raccontato sopra (i 5 numeri del team, le 2 trasformazioni dei ruoli, il caso dell’onboarding AI con +67%, le landing che genera Claude, l’MCP interno) ha un denominatore comune che è la cosa più sottovalutata da chi guarda l’AI da fuori.

Niente di tutto questo l’abbiamo fatto comprando un tool. Tutto l’abbiamo fatto formando le persone del team.

Il team Learnn passa il 20% del proprio tempo a studiare e mettere mano a workflow nuovi ogni settimana. Era il 5% prima della trasformazione. Quella differenza di 15 punti percentuali è la singola variabile che ha reso possibile tutto il resto. Senza quel 20%, oggi avremmo lo stesso budget software, le stesse licenze, gli stessi modelli e zero dei risultati che ti ho appena raccontato.

McKinsey, nel report di marzo 2026 sul futuro del lavoro, ha pubblicato due dati che vale la pena fissare: la produttività di un’azienda può calare fino al 22% quando i dipendenti non hanno le skill giuste per il proprio ruolo, e le organizzazioni top-performing che investono seriamente nello sviluppo del capitale umano sono 4,2 volte più probabili di sovraperformare i competitor a livello finanziario. Sempre McKinsey insieme al World Economic Forum stima che entro il 2030 il 59% della forza lavoro mondiale dovrà essere riformata su skill nuove, gran parte delle quali AI-related.

Quattro volte e mezzo più probabilità di vincere. Sessantanove percento della forza lavoro che entro 4 anni dovrà rimettersi sui banchi. Sono numeri che non lasciano molto spazio all’attesa.

E voglio essere ancora più diretto, perché lo vedo costantemente nelle conversazioni B2B che facciamo con aziende interessate a Learnn per i loro team. La domanda che ricevo più spesso è “quanto costa attivare Learnn per 100 persone?”. La domanda giusta sarebbe “quanto budget metto sulla formazione AI dei miei 100 dipendenti nei prossimi 12 mesi, tra piattaforma, ore protette in calendario, percorsi strutturati?”.

Il punto è che oggi, in Italia, l’azienda media spende circa 1.200 euro all’anno per dipendente in formazione (dato ISTAT). Le aziende business in crescita salgono a 4.000-7.000 euro per dipendente all’anno. Sembrano tanti soldi. Sono ancora pochi se confrontati con quello che costa NON formare: un bootcamp di 2 giorni che invecchia in 6 mesi, una corporate academy interna progettata sui modelli del 2023, un consulente esterno che lavora 3 mesi e poi sparisce. Tutti modelli ad evento, tutti basati sull’idea che la formazione finisca a un certo punto.

L’AI ha rotto questo schema in modo definitivo. L’AI non è una tecnologia che si compra. È una competenza che si forma e che cambia velocemente. E come ogni competenza che evolve, richiede formazione continua, perché i modelli cambiano, gli MCP cambiano, le skill cambiano. Quello che ti ho raccontato in questo articolo è valido oggi. Tra 6 mesi sarà già in parte superato. Chi non ha dentro la propria azienda persone che si formano costantemente non riesce a stare al passo.

È questo il modello che a Learnn portiamo avanti dal 2020. Una piattaforma che si affianca al lavoro quotidiano dei professionisti come un compagno di lavoro. Quando incontri un problema strategico, operativo, tattico, apri Learnn e in pochi secondi trovi la risposta giusta: una pillola, una lezione, un template, un caso studio, un percorso costruito sulle tue lacune, oppure il nostro MCP che lavora direttamente dentro Claude, ChatGPT o Cursor mentre tu sei sul tuo task vero. Non un evento formativo che inizia e finisce. Una presenza continua sopra al tuo lavoro.

Se mettessi in fila le aziende che vedo crescere davvero in Italia in questo momento, dalle scaleup ai professionisti freelance ai team di consulenza, troverei un solo pattern comune. Non hanno necessariamente i migliori tool. Hanno persone che ogni settimana imparano qualcosa di nuovo, lo testano, lo trasformano in skill o in processo, lo distribuiscono al team.

Questa è la differenza tra AI-friendly e AI-native. Non si compra. Si costruisce, una settimana alla volta.

Cosa portarsi a casa

1. IL 95% DELLE AZIENDE CHE INVESTE IN AI NON VEDE ROI: IL PROBLEMA NON È L’AI Stanford/BetterUp 2026: il 95% delle organizzazioni che investe in AI non vede un ritorno misurabile. IBM: ROI medio del 5,9% a fronte di un 10% di capital investment. McKinsey: 70-80% delle iniziative AI fallisce, quasi sempre per change management non per tecnologia. Se stai investendo in AI e non vedi risultati, il colpevole è il modello di adozione, non il tool.

2. AGGIUNGERE AI A UN’AZIENDA NON LA TRASFORMA Le aziende AI-friendly aggiungono ChatGPT sopra ai vecchi processi. Le aziende AI-native ripensano i processi sapendo che l’AI esiste. La differenza in 12 mesi è enorme nei risultati.

3. PRIMA DEL PRODOTTO VIENE IL TEAM A Learnn abbiamo prodotto +50% velocity tech, -60% tempo creazione contenuti social, -80% ticket customer care prima di toccare il prodotto. Senza la trasformazione interna, ogni nuova feature AI nel prodotto sarebbe stata un’aggiunta cosmetica.

4. IL VERO KPI È COME SPENDI IL TEMPO DEL TEAM Dal 70% operatività al 20%. Dal 5% formazione al 20%. Federal Reserve: chi usa AI ogni giorno risparmia 4+ ore alla settimana, chi la usa solo settimanalmente risparmia poco o niente. La frequenza segue la competenza. Senza un piano di formazione continua, la frequenza non sale mai e i benefici non arrivano mai.

5. L’ONBOARDING AI CI HA PORTATO +67% DI VENDITE Abbiamo costruito in due settimane un onboarding che fa 3 domande all’utente e gli mostra immediatamente un percorso personalizzato. Risultato: +67,51% purchase rate vs controllo, win probability 93,3%. Costruito interamente con Claude, codice generato da Claude Code, design system applicato come skill. Tempo dall’idea al live: due settimane.

6. LE SKILL CONDIVISE SONO IL VERO MOLTIPLICATORE Una skill è una forma di delega scritta che il team può richiamare ogni giorno senza riunioni, senza handoff, senza dipendere dal singolo specialista. Quando trasformi il design system, il metodo di copy, il framework di analisi in skill, scali il sapere dell’azienda.

7. IL BOOTCAMP È UNA SOLUZIONE A EVENTO PER UN PROBLEMA CONTINUO Il tempo di obsolescenza media di un corso AI è di 6 mesi. Spendi 5.000 euro a maggio per un bootcamp di 2 giorni, a novembre metà di quello che hai imparato è già superato. Il modello che funziona è opposto: formazione continua, integrata nel lavoro, aggiornata in tempo reale. Bersin lo chiama “learning in the flow of work”. Crescere è un’abitudine, non un evento.

8. SENZA PROFESSIONISTI FORMATI I TOOL VALGONO ZERO McKinsey 2026: le organizzazioni che investono seriamente nello sviluppo del capitale umano sono 4,2 volte più probabili di sovraperformare i competitor a livello finanziario. Puoi comprare Claude Pro, Cursor, ChatGPT Enterprise per tutto il team. Senza un piano serio di formazione continua, hai solo aumentato i costi fissi. È l’unico investimento che produce ritorno composto nei prossimi 24 mesi.

Se questo articolo ti è stato utile, gira a qualcuno del tuo team che ha bisogno di leggerlo.

E se vuoi vedere dal vivo come costruiamo skill, MCP e workflow AI dentro Learnn, su learnn.com ci sono i percorsi AI e i corsi con i professionisti italiani che oggi stanno guidando questa trasformazione concreta nelle loro aziende.

Ci sentiamo la prossima settimana.

Team Learnn

---

Se questo articolo ti è stato utile, condividilo con qualcuno che ha bisogno di sentirlo.

Se non sei ancora iscritto/a puoi farlo da qui 👇