Il team chiede due persone in più. Il budget approva una licenza AI e si aspetta lo stesso risultato. Sei mesi dopo, le bozze si moltiplicano e il tuo profilo migliore passa metà della settimana a correggere output. Questo non è un problema di strumenti. È un problema di diagnosi.
L’AI alza l’asticella delle competenze richieste – non la abbassa.
Skills gap e headcount gap: due problemi che non si risolvono allo stesso modo
Prima di comprare qualsiasi cosa – un tool, una licenza, una risorsa – c’è una domanda che quasi nessuno si fa: il team è a corto di competenze, di ore, o di entrambe?
Sono situazioni diverse. E rispondono in modo diverso a qualsiasi intervento.
Uno skills gap è la distanza tra quello che il lavoro richiede e quello che il team sa fare concretamente, con gli strumenti che ha. Di solito il team ha imparato a fare il lavoro che lo stack richiedeva qualche anno fa. Il vendor ha formato tutti sull’email scheduling ma non è mai arrivato al behavioral scoring. Sono arrivati gli AI tool, ma nessuno ha spiegato come scrivere un brief che produca output utilizzabile – né come valutare quello che torna indietro.
Uno headcount gap è diverso: il team sa fare il lavoro, ma finisce le ore. Se il team gestisce 12 campagne in parallelo a piena qualità e il piano ne prevede 40, puoi ottimizzare i processi di approvazione e automatizzare il reporting – il throughput sale un po’, poi si ferma. Per arrivare a 40 servono program manager, content producer e analisti che non hai. Un corso di formazione non chiude questo tipo di gap.
Confondere i due manda i soldi nella direzione sbagliata. Formi persone già al limite delle ore: non hanno tempo per applicare quello che hanno imparato. Assumi in un team con lacune di competenze: i nuovi arrivati imparano gli stessi workaround di tutti gli altri.
Cosa fa l’AI su ciascun tipo di gap
L’AI viene venduta come soluzione a entrambi i problemi. Un pitch dice che fa il lavoro di un analista. Il successivo dice che è come avere risorse aggiuntive. La realtà è più selettiva.
Metti l’AI sopra uno skills gap e ottieni più output alla stessa qualità – più una nuova mansione: controllarlo. Ricerche recenti mostrano che la maggioranza dei marketing leader spende almeno tre ore a settimana a modificare, verificare o correggere output AI. Più della metà ritiene che il management sottovaluti lo sforzo umano necessario per rendere quell’output utilizzabile.
Controllare l’output richiede competenze. Chi non capisce la segmentazione non può accorgersi di un segmento sbagliato, indipendentemente dalla velocità con cui lo strumento lo ha costruito. L’AI alza l’asticella delle competenze richieste a chi firma il lavoro – non la abbassa.
C’è anche un effetto collaterale meno visibile: quasi la metà dei marketing leader dichiara di essere troppo occupata a gestire workflow e output per pensare in modo strategico. E quasi la stessa quota teme che un uso intensivo dell’AI rallenti lo sviluppo delle competenze nei profili junior – proprio quelli su cui si contava per colmare il gap nel tempo.
Il quadro cambia se l’AI arriva in un team che già sa fare il lavoro e ha solo bisogno di più ore. Chi sa riconoscere un buon output lo valida rapidamente. Il tempo risparmiato resta risparmiato. Il team che gestiva 12 campagne può scalare senza perdere qualità.
Il dato Gartner è eloquente: nella survey 2026 sui CMO, la quota di budget dedicata al personale è salita dal 21,9% al 24,5%. Il principale ostacolo all’efficienza AI, citato dal 38% degli intervistati, è la mancanza di expertise interna sull’AI. L’AI non è una scorciatoia attorno alle competenze di marketing: le presuppone.
Cosa cambia per le aziende B2B
Per chi opera in contesti tecnici e industriali, il problema è spesso amplificato. I contenuti richiedono accuratezza tecnica, conoscenza del prodotto, comprensione del buyer journey B2B. Sono esattamente le aree dove l’output AI non supervisionato produce i danni peggiori – e dove il costo di un errore non è solo estetico.
Il punto di partenza non è scegliere tra AI e persone. È fare una diagnosi onesta prima di qualsiasi investimento:
- Il team sa fare il lavoro richiesto oggi, o sta usando workaround perché mancano le competenze?
- Se avesse il doppio delle ore, produrrebbe output di qualità superiore – o produrrebbe di più degli stessi errori?
- Chi nel team è in grado di valutare l’output AI in modo critico, non solo formale?
Se la risposta alla seconda domanda è “produrrebbe gli stessi errori”, il problema è di competenze. L’AI accelererà la produzione di quegli errori. Se la risposta è “produrrebbe output migliore”, il problema è di capacità. L’AI può aiutare davvero.
In entrambi i casi, la consulenza marketing strutturata – prima di qualsiasi acquisto tecnologico – è l’investimento che protegge tutti gli altri. Capire dove stai prima di decidere dove andare non è un lusso: è il prerequisito per non sprecare il budget.
Quando lo skills gap riguarda l’AI, cioè come scrivere il brief e come valutare quello che torna indietro, serve un metodo condiviso dal team. Marketing Brain lo costruisce a partire da un assessment dei processi del reparto: con la base di conoscenza del brand e le skill di marca ogni bozza parte già nella voce giusta, e la revisione dei contenuti diventa un rituale. Il metodo accompagna anche i profili junior e i nuovi assunti.
Il problema non è l’AI. Il problema è comprare risposte prima di aver capito la domanda.
Domande frequenti
Come faccio a capire se il mio team ha un problema di competenze o di ore?
Chiediti: se il team avesse il doppio del tempo disponibile, l’output migliorerebbe in qualità o semplicemente aumenterebbe in quantità – con gli stessi errori? Se la qualità resterebbe la stessa, il problema è di competenze. Se migliorerebbe, il problema è di capacità. Sono due diagnosi diverse che richiedono interventi diversi.
L’AI può davvero sostituire una risorsa in un contesto B2B tecnico?
Parzialmente, e solo se il team ha già le competenze per valutare l’output. In contesti tecnici e industriali, l’accuratezza dei contenuti è critica: un output AI non supervisionato da qualcuno che conosce il prodotto e il buyer journey produce errori costosi. L’AI amplifica le competenze esistenti – non le sostituisce.
Qual è il primo passo concreto prima di investire in AI o nuove risorse?
Fai un audit onesto delle competenze attuali del team rispetto al lavoro che il piano richiede. Identifica dove ci sono lacune reali e dove invece mancano solo ore. Solo dopo quella diagnosi ha senso decidere se investire in formazione, in strumenti, in headcount – o in una combinazione dei tre.