Autore: Jack McNiel
Data: 30-01-2026

Insight da due importanti indagini europee

Nelle sale riunioni di tutta Italia, i dirigenti si trovano ad affrontare un paradosso persistente: nonostante investimenti per milioni di euro in piattaforme di business intelligence, dashboard analitiche e strumenti di data visualization, molte organizzazioni faticano a ottenere un’adozione realmente significativa. La diagnosi convenzionale attribuisce il problema a programmi di formazione inadeguati o a una presunta resistenza al cambiamento. Ma se i veri ostacoli fossero altrove, radicati in fattori che le organizzazioni non possono facilmente controllare, come il background educativo dei lavoratori formatosi decenni prima? Oppure, al contrario, se lavoratori competenti disponessero di un potenziale analitico inutilizzato che barriere strutturali impediscono di esprimere?

I risultati mettono in discussione molte assunzioni consolidate. Il livello di istruzione, da solo, spiega il 17% della varianza nella data literacy, un valore sette volte superiore a quello spiegato dall’occupazione e dodici volte superiore rispetto agli interventi formativi tipicamente adottati. Anche tra i lavoratori altamente qualificati emerge una disconnessione rilevante: il 26% dei lavoratori più istruiti in Italia non sfrutta le proprie capacità analitiche, rappresentando un enorme valore non ancora espresso. Forse ancora più sorprendente, le attitudini spiegano quasi nulla. Fiducia nella scienza, fiducia nelle istituzioni e preoccupazioni legate ai media spiegano complessivamente appena l’1% dell’engagement digitale, suggerendo che molte iniziative di cambiamento culturale potrebbero concentrarsi sul problema sbagliato.

Questi insight emergono dall’analisi di due dataset complementari: il Programme for the International Assessment of Adult Competencies (PIAAC) dell’OCSE, che misura le competenze numeriche di 4.847 lavoratori italiani, e la European Social Survey – Round 10 (ESS10), che rileva pattern di engagement digitale e atteggiamenti su 2.640 rispondenti. La triangolazione tra campioni indipendenti rafforza la fiducia nel fatto che le relazioni osservate riflettano fenomeni reali e non semplici artefatti di misurazione.

L’analisi affronta tre domande tra loro interconnesse. Primo: quali caratteristiche individuali (istruzione, occupazione, esperienza lavorativa) predicono effettivamente la competenza numerica? Questo consente non solo di individuare pattern aggregati, ma anche di identificare specifici segmenti occupazionali in cui si concentrano i deficit di competenze. Secondo: la capacità cognitiva si traduce automaticamente in comportamento digitale, oppure esiste un ampio “potenziale inutilizzato” anche tra i lavoratori altamente qualificati? Questo punto mette in luce il problema dell’attivazione. Terzo: i fattori psicologici (fiducia, atteggiamenti, preoccupazioni legate ai media) spiegano l’engagement digitale, oppure le organizzazioni dovrebbero concentrarsi altrove? Da questa risposta dipende se gli interventi debbano puntare sulle mentalità individuali o sui sistemi organizzativi.

DOMANDA 1: Quali caratteristiche individuali predicono la data literacy?

In un’economia sempre più guidata dai dati, non tutti i lavoratori sono ugualmente attrezzati per interpretare dashboard analitiche, comprendere trend statistici o prendere decisioni basate su evidenze. Sebbene le organizzazioni investano ingenti risorse in strumenti di business intelligence e piattaforme di data visualization, rimane una domanda fondamentale: che cosa determina realmente se i lavoratori possiedono le competenze numeriche necessarie per la data literacy moderna? Si tratta principalmente dell’istruzione formale? Oppure il tipo di occupazione gioca un ruolo più rilevante? Forse anni di esperienza lavorativa possono compensare una formazione scolastica limitata, costruendo competenze numeriche pratiche attraverso la risoluzione di problemi concreti. Comprendere quali fattori di capitale umano guidino la data literacy è cruciale per le organizzazioni che vogliono colmare i gap di competenze in modo strategico, attraverso assunzioni mirate, programmi di upskilling o riprogettazione dei ruoli. Questa analisi esamina come istruzione, occupazione ed esperienza lavorativa modellino congiuntamente la competenza numerica dei lavoratori italiani, evidenziando dove si concentrano i deficit più gravi.

Domanda di ricerca:
In che misura istruzione, occupazione ed esperienza lavorativa predicono la competenza numerica dei lavoratori italiani?

Sono stati costruiti quattro modelli di regressione annidati, ciascuno con l’aggiunta progressiva di predittori: (1) solo variabili educative; (2) aggiunta dell’occupazione; (3) aggiunta dell’esperienza lavorativa; (4) aggiunta dei controlli demografici. L’analisi dell’importanza relativa (metodo LMG) ha scomposto la varianza totale spiegata, classificando i predittori in base al loro contributo unico, tenendo conto delle correlazioni. Un termine di interazione istruzione × esperienza ha testato se l’esperienza lavorativa possa compensare livelli più bassi di istruzione formale. Infine, sono state identificate le occupazioni che presentano i maggiori gap di competenze.

Analisi dei dati

L’analisi di regressione gerarchica mostra che istruzione, occupazione ed esperienza lavorativa spiegano complessivamente il 25,2% della varianza nella competenza numerica dei lavoratori italiani, con l’istruzione come predittore dominante. Le sole variabili educative spiegano il 17,3% della varianza. L’aggiunta dell’occupazione contribuisce con ulteriori 2,9 punti percentuali, mentre l’esperienza lavorativa aggiunge 4,5 punti percentuali. I controlli demografici contribuiscono in misura minima, suggerendo che i fattori di capitale umano contano molto più delle caratteristiche demografiche.

Immagine 1.1
Grafico a barre orizzontali impilate che mostra la varianza cumulativa spiegata (R²) da istruzione, occupazione, esperienza lavorativa e demografia nella previsione della competenza numerica.

L’analisi dei gap di competenze per occupazione individua deficit particolarmente gravi nei lavori manuali e nei servizi. I lavoratori non qualificati mostrano il gap più critico: l’86,8% si colloca al di sotto della soglia di Livello 3 (276 punti) necessaria per una data literacy funzionale. Seguono gli operatori di impianti e macchinari (80,5%) e gli artigiani (78,6%). I lavoratori dei servizi e delle vendite mostrano un gap del 69,4%. Al contrario, manager, professionisti e tecnici presentano gap compresi tra il 22% e il 45%, delineando una forza lavoro chiaramente divisa in due livelli.

Immagine 1.2
Grafico a barre orizzontali che mostra la percentuale di lavoratori sotto la soglia di competenza numerica di Livello 3 per tipologia occupazionale.

L’evidenza è inequivocabile: l’istruzione formale domina gli esiti di data literacy in modo tale da richiedere un ripensamento profondo delle strategie organizzative. Con le sole variabili educative a spiegare il 17,3% della varianza, le organizzazioni non possono “formare” la propria via d’uscita da deficit di competenze di base. L’analisi dei gap per occupazione rivela una crisi di forza lavoro a due livelli: l’87% dei lavoratori non qualificati e l’81% degli operatori di impianti si collocano sotto la soglia funzionale, contro appena il 22% dei manager. Non si tratta di una sfida uniforme che richiede soluzioni uniformi, ma di un problema stratificato che richiede interventi mirati. Per le organizzazioni che implementano strumenti di data visualization e dashboard analitiche, il design dell’esperienza utente deve tener conto delle profonde differenze di capacità tra i ruoli, altrimenti il rischio è creare sistemi utilizzabili efficacemente solo da una minoranza. La democratizzazione della data literacy passa attraverso una segmentazione basata sull’istruzione, non attraverso una formazione standardizzata.

DOMANDA 2: I lavoratori altamente qualificati sono anche digitalmente ingaggiati?

Le organizzazioni spesso assumono che la capacità cognitiva si traduca automaticamente in comportamento digitale, ovvero che i lavoratori con forti competenze analitiche sfruttino naturalmente la tecnologia in modo efficace. Questa assunzione è alla base di ingenti investimenti nella trasformazione digitale: le aziende implementano piattaforme analitiche sofisticate, strumenti di collaborazione e sistemi cloud aspettandosi che i dipendenti più capaci guidino l’adozione. Ma questa relazione regge davvero? Possedere la capacità cognitiva per comprendere dati complessi non implica necessariamente che i lavoratori scelgano di impegnarsi attivamente con gli strumenti digitali nella quotidianità. Questa distinzione è cruciale per la strategia di trasformazione digitale. Se i lavoratori altamente qualificati sono anche fortemente ingaggiati dal punto di vista digitale, le organizzazioni possono concentrare le risorse sull’upskilling dei segmenti meno capaci. Se invece una quota rilevante di lavoratori cognitivamente competenti rimane digitalmente disingaggiata — ciò che possiamo definire “potenziale inutilizzato” — allora le barriere all’adozione digitale risiedono non nelle capacità individuali, ma nella cultura organizzativa, nel design degli strumenti o nel valore percepito. Questa analisi mette alla prova l’assunzione competenze-comportamento che guida innumerevoli decisioni di investimento tecnologico.

Domanda di ricerca:
I lavoratori con forti competenze numeriche (PVNUM ≥ 276) mostrano anche elevati livelli di utilizzo delle ICT e comportamenti di ricerca informativa?

L’approccio ricostruisce la storia mostrando chi sono i lavoratori ad alta competenza, quanto sono digitalmente ingaggiati, se le competenze predicono l’engagement e se la relazione è coerente tra diversi dataset.

È stato creato un indicatore binario di engagement digitale a partire dai dati ESS10, definendo come “alto engagement” l’uso quotidiano di Internet combinato con un tempo online significativo (≥60 minuti al giorno). Utilizzando i dati PIAAC, i lavoratori con alta e bassa competenza numerica sono stati confrontati nei pattern di utilizzo delle ICT tramite t-test per campioni indipendenti. Le dimensioni dell’effetto (Cohen’s d) hanno permesso di valutare la rilevanza pratica delle differenze. Tre modelli di regressione logistica annidati hanno previsto l’elevato engagement digitale, mentre un’analisi di triangolazione ha confrontato i profili demografici tra dataset.

Analisi dei dati

L’analisi mostra una relazione positiva ma sorprendentemente modesta tra competenze cognitive ed engagement digitale. I lavoratori con competenza numerica elevata (Livello 3+) mostrano un utilizzo domestico delle ICT significativamente più alto (t = 14,23, p < 0,001). Tuttavia, la dimensione dell’effetto è contenuta: Cohen’s d = 0,50, al confine tra effetti piccoli e medi. In termini pratici, ciò corrisponde a circa 0,5 deviazioni standard di utilizzo ICT in più, una differenza rilevabile ma lontana dalla relazione forte ipotizzata. L’indice medio di utilizzo ICT è pari a circa 2,35 per i lavoratori ad alta competenza contro 1,95 per quelli a bassa competenza.

Immagine 2.1
Distribuzione con curve di densità sovrapposte dell’utilizzo domestico delle ICT per lavoratori ad alta e bassa competenza numerica.

L’analisi del “potenziale inutilizzato” evidenzia tuttavia un gap di attivazione critico: tra i lavoratori con almeno 16 anni di istruzione (il segmento più qualificato in Italia), il 26% mostra un basso engagement digitale pur possedendo le capacità cognitive necessarie per un utilizzo tecnologico avanzato. Si tratta di una quota rilevante di lavoratori altamente istruiti le cui competenze restano latenti. Questo scollamento suggerisce che barriere che vanno oltre le capacità individuali — cultura organizzativa, infrastrutture, utilità percepita o design degli strumenti — impediscono l’attivazione del capitale umano esistente.

Immagine 2.2
Matrice di segmentazione che mostra la distribuzione della forza lavoro nei quattro quadranti definiti da livello di istruzione ed engagement digitale.

L’assunzione competenze-comportamento riceve quindi un supporto empirico, ma con una riserva cruciale. I lavoratori ad alta competenza numerica sono effettivamente più ingaggiati digitalmente, ma la presenza di un 26% di lavoratori altamente istruiti ma digitalmente disingaggiati rivela un fallimento di attivazione su larga scala. Le loro competenze restano inutilizzate non per mancanza di capacità, ma perché qualcosa impedisce la traduzione in comportamento. Per le organizzazioni che osservano una bassa adozione di analytics o dashboard, questa evidenza ribalta la diagnosi: il problema potrebbe non essere la formazione o la comunicazione, bensì barriere strutturali come design inadeguato degli strumenti, proposte di valore poco chiare, infrastrutture carenti o culture organizzative che non incentivano la sperimentazione digitale. La trasformazione digitale passa quindi da un problema di formazione a una sfida di progettazione dei sistemi.

DOMANDA 3: Fiducia e atteggiamenti critici predicono la readiness digitale?

Nel dibattito pubblico su disinformazione, privacy dei dati e bias algoritmici, molti assumono che gli atteggiamenti verso la scienza, i media e le istituzioni plasmino in modo determinante il comportamento digitale dei lavoratori. La logica appare intuitiva: chi si fida delle evidenze scientifiche dovrebbe essere più propenso a utilizzare strumenti data-driven; chi teme la disinformazione potrebbe evitare le piattaforme digitali; chi possiede un orientamento critico potrebbe adottare la tecnologia in modo più consapevole. Questa prospettiva psicologica suggerisce che, per migliorare la readiness digitale, le organizzazioni dovrebbero intervenire sugli atteggiamenti, costruendo fiducia e promuovendo alfabetizzazione mediatica. Ma questa narrazione regge davvero all’analisi empirica?

Domanda di ricerca:
Qual è la relazione, tra i lavoratori italiani, tra fiducia nelle evidenze scientifiche, preoccupazioni legate ai media ed engagement digitale? L’istruzione o l’occupazione moderano questa relazione?

È stato costruito un indice composito di readiness digitale standardizzando e sommando tre variabili dell’ESS10: frequenza di utilizzo di Internet, numero medio di minuti trascorsi online e tempo dedicato al consumo di notizie. Una matrice di correlazione ha esaminato le relazioni tra questo indice e diverse dimensioni della fiducia. Un’analisi di regressione multipla gerarchica ha testato gli effetti principali, confrontando le variazioni di R² per valutare quanto la fiducia contribuisca oltre i fattori demografici. L’analisi di moderazione ha verificato se la relazione tra fiducia e readiness digitale vari in funzione del livello di istruzione o dell’occupazione. Infine, un’analisi di cluster K-means ha identificato distinti segmenti della forza lavoro basati sugli atteggiamenti.

Analisi dei dati

L’analisi respinge in modo netto l’ipotesi che la fiducia e gli atteggiamenti di pensiero critico predicano in maniera significativa l’engagement digitale. L’analisi delle correlazioni mostra che la fiducia negli scienziati non presenta praticamente alcuna relazione con la readiness digitale (r = 0,043), una correlazione indistinguibile da zero e statisticamente non significativa. La fiducia sociale mostra una debole correlazione positiva (r = 0,071), mentre la fiducia nelle istituzioni evidenzia la relazione più forte, ma comunque modesta (r = 0,134). Le preoccupazioni legate ai media presentano correlazioni trascurabili, comprese tra -0,012 e 0,028, tutte non significative.

La regressione multipla gerarchica conferma questi risultati nulli con sorprendente coerenza. Il Modello 1, che include tutte e quattro le dimensioni della fiducia, spiega appena lo 0,9% della varianza nella readiness digitale, un valore di R² talmente ridotto da avvicinarsi al rumore di misurazione. L’aggiunta dei controlli demografici incrementa il potere esplicativo di soli 0,3 punti percentuali, portando R² all’1,2%. Il modello finale, che include anche l’occupazione, raggiunge un R² pari all’1,3%, indicando che fiducia, demografia e occupazione insieme spiegano appena l’1% delle differenze nell’engagement digitale tra i lavoratori italiani. In altri termini, il 98,7% della variazione nell’engagement digitale rimane non spiegato da fattori attitudinali.

Immagine 3.1
Matrice di correlazione che mostra le relazioni tra readiness digitale, dimensioni della fiducia (fiducia negli scienziati, fiducia sociale, fiducia istituzionale, preoccupazioni sui media), istruzione ed età. L’intensità del colore indica la forza della correlazione, evidenziando come la readiness digitale mostri correlazioni trascurabili con tutte le misure di fiducia.

L’analisi di moderazione non rileva interazioni significative, indicando che la fiducia conta in egual misura — e in misura molto limitata — indipendentemente dal livello di istruzione o dal contesto occupazionale. Questa debolezza uniforme della relazione in tutti i sottogruppi rafforza il risultato nullo: la fiducia semplicemente non p

 

redice il comportamento digitale in alcun segmento significativo della forza lavoro italiana.

Immagine 3.2
Grafico a barre impilate invertite che confronta la varianza spiegata e non spiegata in tre modelli di regressione annidati (solo variabili di fiducia; aggiunta della demografia; aggiunta dell’occupazione). Le barre grigie rappresentano la varianza non spiegata (98,7–99,1%), mentre le piccole barre blu mostrano la quota di varianza spiegata da fiducia e atteggiamenti (0,9–1,3%).

L’analisi di cluster K-means identifica quattro distinti segmenti della forza lavoro basati sugli atteggiamenti, ma questi segmenti mostrano differenze minime in termini di readiness digitale. Nonostante la presenza di gruppi che vanno da fortemente fiduciosi a profondamente scettici, la readiness digitale varia di poco tra i cluster, con un’ampiezza così ridotta da confermare che gli atteggiamenti hanno un impatto pratico trascurabile sul comportamento digitale.

Immagine 3.3
Grafico a barre che confronta l’ampiezza della variazione tra cluster per le dimensioni della fiducia e per la readiness digitale. Le barre blu mostrano che le dimensioni della fiducia variano ampiamente tra i cluster (intervalli compresi tra 3,55 e 4,52), mentre la barra relativa alla readiness digitale evidenzia una variazione minima (intervallo pari a 0,46), dimostrando che la fiducia varia circa dieci volte più dell’engagement digitale.

Questa analisi produce un risultato nullo definitivo con importanti implicazioni strategiche: gli atteggiamenti non contano per l’engagement digitale. La fiducia negli scienziati non mostra praticamente alcuna relazione con la readiness digitale (r = 0,043), le preoccupazioni sui media risultano irrilevanti e tutte le variabili attitudinali considerate spiegano complessivamente appena l’1% della varianza nell’engagement digitale, un valore indistinguibile dal rumore di misurazione. L’analisi di cluster rafforza ulteriormente questo risultato: pur individuando quattro segmenti della forza lavoro con atteggiamenti molto diversi, la readiness digitale varia in misura trascurabile tra di essi.

Per le organizzazioni preoccupate che disinformazione, timori per la privacy o scetticismo scientifico possano ostacolare le iniziative di data literacy, questi risultati sono al tempo stesso rassicuranti e sfidanti. Rassicuranti perché le barriere attitudinali non impediscono l’adozione digitale: le preoccupazioni dei lavoratori non bloccano l’utilizzo degli strumenti digitali. Sfidanti perché eliminano la spiegazione psicologica spesso privilegiata: non è possibile aumentare l’engagement digitale attraverso campagne di comunicazione o di change management. Il 98,7% di varianza non spiegata rimanda invece a determinanti strutturali — accesso, qualità delle infrastrutture, usabilità degli strumenti, integrazione nei flussi di lavoro, supporto organizzativo percepito — come veri driver del comportamento digitale. Questo sposta il focus dell’intervento dal cambiamento degli atteggiamenti individuali alla progettazione organizzativa, ridefinendo profondamente le priorità degli investimenti in data literacy e trasformazione digitale.

Conclusioni e implicazioni

Perché questa analisi è rilevante per la forza lavoro italiana

Questa analisi individua un percorso chiaro per affrontare la sfida della data literacy in Italia, reindirizzando le risorse verso interventi ad alto impatto. Piuttosto che puntare su programmi di formazione o campagne di cambiamento culturale dai ritorni limitati, le organizzazioni possono concentrarsi su una riprogettazione strutturale in grado di sbloccare capacità già esistenti.

Le evidenze chiariscono dove gli investimenti generano valore. L’istruzione spiega il 17% della varianza nella data literacy, definendo livelli di capacità di base differenti all’interno della forza lavoro. Allo stesso tempo, il 26% dei lavoratori altamente istruiti possiede competenze analitiche avanzate ma rimane digitalmente disingaggiato, rappresentando un potenziale considerevole non ancora attivato. La scoperta che i fattori psicologici spiegano meno dell’1% dell’engagement digitale è in realtà una buona notizia: le organizzazioni non devono cambiare le mentalità, ma rimuovere le barriere.

Il 98,7% della varianza non spiegata nell’engagement digitale indica la presenza di leve strutturali che le organizzazioni possono controllare direttamente. Il percorso futuro si articola in tre interventi mirati:

1. Per il 35% di lavoratori competenti e già ingaggiati: accelerare l’impatto valorizzandoli come early adopter e champion interni. Prioritizzare strumenti avanzati e un’integrazione fluida nei flussi di lavoro per massimizzarne la produttività.

2. Per il 26% di lavoratori altamente qualificati ma non attivati: sbloccare capacità latenti intervenendo sulle frizioni strutturali. Le opportunità includono: (a) semplificazione degli accessi e della navigazione; (b) integrazione dell’analisi direttamente nei flussi di lavoro esistenti; (c) riduzione delle barriere tecniche che oggi ostacolano l’engagement.

3. Per il 39% di lavoratori in fase di sviluppo: progettare sistemi inclusivi che consentano la partecipazione senza richiedere un’estesa formazione compensativa, attraverso interfacce intuitive, analisi guidate e dashboard strutturate.

I dati suggeriscono di spostare gli investimenti dalle iniziative di cambiamento attitudinale (campagne di comunicazione, programmi di fiducia, interventi culturali) verso il miglioramento delle infrastrutture. Con gli atteggiamenti che spiegano solo l’1% della varianza, il ritorno maggiore deriva dalla riprogettazione dei sistemi e degli strumenti. Allo stesso modo, il 17% di varianza spiegata da percorsi educativi formatisi decenni prima indica che la formazione sul lavoro, pur utile, non può sostituire l’abilitazione strutturale.

L’insight strategico

Comprendere cosa guida la data literacy nella forza lavoro italiana offre alle organizzazioni un vantaggio competitivo chiaro. La sfida è strutturale, non attitudinale — ed è una notizia incoraggiante. Le basi educative costruite nel passato definiscono capacità di partenza diverse, mentre i sistemi organizzativi possono abilitare o limitare l’utilizzo delle competenze già presenti.

Questa consapevolezza trasforma la data literacy da un apparentemente insolubile “problema delle persone” a un risolvibile “problema di sistema”. Gli interventi a più alto rendimento non richiedono di cambiare le mentalità né di colmare gap di competenze fondamentali attraverso formazione prolungata. Il percorso più efficace consiste nel riprogettare sistemi, infrastrutture e strumenti per attivare il potenziale già esistente nella forza lavoro italiana. Le organizzazioni che colgono questo cambio di prospettiva — dal cambiare le persone al cambiare i sistemi — possono sbloccare immediatamente un valore significativo oggi ancora inutilizzato.