AI and cultural heritage professions developing a framework to measure the impact on professional skills and activities

In an era where Artificial Intelligence (AI), particularly its generative strand, is reconfiguring work processes, the Cultural Heritage (CH) sector faces a critical challenge. While AI’s transformative potential is widely acknowledged, these often structurally fragile institutions lack tools to navigate this change strategically. This dissertation addresses the lack of a validated, quantitative framework to measure how AI, and in particular GenAI, affects professional activities and competences in CH, and delivers and empirically tests an operational toolkit to support evidence-based decisions on training, organisational design and technological investment. The study adopts a multi-phase, iterative methodological approach that culminates in five outcomes. First, it builds an activity–skill matrix tailored to the Galleries, Libraries, Archives and Museums (GLAM) sector, by synthesising ESCO and sector-specific, activity-based classifications. Second, it defines a conceptual model that links three modes of AI impact on competences (augmentation, substitution, novelty), six activity-level value drivers and an expertise-based weighting scheme. Third, it translates these constructs into a sector specific, expert-validated survey with end-to-end traceability to recognised standards. Fourth, it specifies an analytical architecture that combines a weighted impact indicator with regression models to identify contextual determinants. Fifth, it implements this infrastructure in a large-scale survey of 798 professionals in Italian museums, libraries and archives, focused on GenAI and macro-activities. The contribution of the thesis is therefore twofold: it delivers a complete measurement infrastructure that turns a previously abstract challenge into an observable, comparable and governable phenomenon, and it provides the first sector-wide empirical evidence on how GenAI is already affecting, and is expected to affect, CH activities. In a context of still limited systematic implementation of AI tools, the survey shows that realised impacts are modest and predominantly augmentative, while expectations for the next few years point to stronger, but still mainly augmentative, effects, with substitution remaining marginal. Regression analyses highlight organisational enablement (digitalisation, training, availability of tools), together with trust in GenAI and willingness to learn, as the most robust determinants of higher perceived impact. The model relies on self-perceived data, is rooted in the Italian context and, in this first application, operates at the level of macro-activities and GenAI specific perceptions; these limitations indicate clear avenues for longitudinal, skill-level and cross-country extensions. Practically, the toolkit can be used as an internal diagnostic to map where AI’s impact is highest, prioritise upskilling and align procurement with measurable needs, while offering policymakers a standard for strategic oversight of public investment. The thesis’s originality lies in providing the first end-to-end measurement infrastructure (comprising a conceptual model, an activity – skill taxonomy, a survey instrument and a three - pillar analytical architecture) for the impact of AI on competences in CH, together with a first empirical implementation designed for replication and adaptation.

In un’epoca in cui l’intelligenza artificiale (IA), in particolare nella sua declinazione generativa (GenAI), sta riconfigurando i processi di lavoro, il settore del patrimonio culturale (CH) si trova ad affrontare una sfida cruciale. Pur essendo ampiamente riconosciuto il potenziale trasformativo dell’IA, queste istituzioni, spesso caratterizzate da fragilità strutturali, non dispongono di strumenti adeguati per governare strategicamente questo cambiamento. Questa tesi affronta la mancanza di un framework quantitativo validato per misurare in che modo l’IA, e in particolare la GenAI, incida sulle attività e sulle competenze professionali nel CH e sviluppa, testandolo empiricamente, un toolkit operativo a supporto di decisioni basate sui dati in tema di formazione, progettazione organizzativa e investimenti tecnologici. Lo studio adotta un approccio metodologico multi-fase e iterativo che si articola in cinque risultati principali. In primo luogo, costruisce una matrice attività–competenze specifica per il settore Musei (e istituti similari), Archivi e Biblioteche (MAB), sintetizzando ESCO e classificazioni settoriali basate sulle attività. In secondo luogo, definisce un modello concettuale che collega tre modalità di impatto dell’IA sulle competenze (augmentation, substitution, novelty), sei value driver a livello di attività e uno schema di ponderazione basato sull’expertise. In terzo luogo, traduce tali costrutti in una survey settoriale e validata da esperti. In quarto luogo, specifica un’architettura analitica che combina un indicatore di impatto ponderato con modelli di regressione volti a identificare i determinanti contestuali. In quinto luogo, implementa questa infrastruttura in un’indagine su larga scala rivolta a 798 professionisti di musei, biblioteche e archivi in Italia, focalizzata sulla GenAI e sulle macro attività. Il contributo della tesi è pertanto duplice: da un lato, fornisce un’infrastruttura di misurazione completa che rende governabile, osservabile e comparabile una sfida finora astratta; dall’altro, offre le prime evidenze empiriche a livello settoriale su come la GenAI stia già incidendo, e sia attesa incidere, sulle attività del CH. In un contesto in cui l’implementazione sistematica di strumenti di IA risulta ancora limitata, la survey mostra che gli impatti attuali sono contenuti e prevalentemente di potenziamento, mentre le aspettative per i prossimi anni indicano effetti più intensi, seppur ancora principalmente di potenziamento, con la sostituzione che rimane marginale. Le analisi di regressione evidenziano il ruolo abilitante dei fattori organizzativi (digitalizzazione, formazione, disponibilità di strumenti), insieme alla f iducia nella GenAI e alla propensione all’apprendimento, come determinanti più robusti di un maggiore impatto percepito. Il modello si basa su dati auto-percepiti, è radicato nel contesto italiano e, in questa prima applicazione, opera a livello di macro-attività e di percezioni specifiche sulla GenAI; tali limitazioni delineano piste chiare per estensioni longitudinali, a livello di singola competenza e cross-country. Sul piano pratico, il toolkit può essere utilizzato dalle istituzioni come strumento diagnostico interno per mappare dove l’impatto dell’IA è più elevato, prioritizzare gli interventi di upskilling e allineare i processi di procurement a bisogni misurabili, offrendo al contempo ai decisori pubblici uno standard per la supervisione strategica degli investimenti. L’originalità della tesi risiede nel proporre la prima infrastruttura di misurazione end-to-end composta da un modello concettuale, una tassonomia attività–competenze, uno strumento di survey e un’architettura analitica tripartita, per l’impatto dell’IA sulle competenze nel CH, congiuntamente a una prima implementazione empirica progettata per essere replicata e adattata.