L’IA ha trovato il problema. Sono le tue decisioni
Adozione dell'IA: Meno del 30% delle organizzazioni che usano l'IA ottengono risultati significativi. La riprogettazione del processo decisionale è cruciale.
Teatro della produttività: L'IA migliora la velocità ma non il processo decisionale. Le organizzazioni cadono spesso nella trappola degli 'umani nel ciclo'.
Progettazione organizzativa: L'IA richiede di cambiare le strutture decisionali, non solo implementare strumenti, per migliorare i processi e i risultati.
Approccio comportamentale: La reazione umana e l'integrità del processo sono fondamentali nell'adozione dell'IA, oltre al semplice utilizzo della tecnologia.
Cambio di leadership: L'IA richiede una leadership adattiva al di là dei modelli tradizionali, con un focus sulla guida piuttosto che sul controllo.
Meno del 30% delle organizzazioni che cercano di implementare l'IA sta ottenendo ritorni significativi da essa, una percentuale che è rimasta ostinatamente invariata anche se l'adozione degli strumenti è accelerata.
Paul Gibbons, consulente e autore di "Adopting AI: The People-first Approach", ha passato tre decenni a osservare progetti tecnologici fallire per lo stesso motivo di fondo.
I veri ostacoli sono organizzativi. Silos, cultura, mentalità, competenze.
Quello che tende a non emergere nelle analisi post-mortem è questo: l'organizzazione non ha mai ridisegnato il modo in cui prende decisioni.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Questa osservazione può sembrare astratta finché non si guarda a come si manifesta il fallimento dall'interno. Jurgen Appelo, autore di "Human Robot Agent" e fondatore della newsletter Solo Chief, chiama il fenomeno più comune teatro della produttività.
I dirigenti impongono l'introduzione di strumenti di IA. I team imparano a usarli, si moltiplicano i riassunti e in ogni riunione ci sono persone che prendono appunti. Poi, quasi impercettibilmente, l'organizzazione si rende conto che tutto va più veloce ma nulla è cambiato in modo davvero fondamentale.
Le aziende stanno spruzzando IA sopra flussi di lavoro già difettosi e la cosa si nota.
I flussi decisionali che scorrono sotto quei processi, chi prende una decisione, quali dati la informano, dove serve il giudizio umano e dove è solo abitudine, sono rimasti totalmente invariati.
Appelo definisce questo fenomeno la trappola degli umani-nel-ciclo: ogni interazione con l'IA comincia e finisce ancora con una persona, i sistemi non si parlano mai tra loro e tutto si muove alla velocità del collo di bottiglia più lento. In altre parole, gli strumenti sono diventati più intelligenti, ma l'architettura non è cambiata.
Cosa succede invece quando l'organizzazione cambia davvero?
Quando lo Strumento Funziona ma l'Organizzazione No
Carla Catelan dirige le operazioni di acquisizione di talenti su larga scala da oltre vent'anni, guidando team attraverso centinaia di assunzioni ogni anno presso aziende come Thoughtworks, Cognizant e Hewlett-Packard. Quando parla di IA nelle assunzioni, non ne parla come di uno strumento. Ne parla come di un problema di progettazione.
La leadership nell’era AI-first consiste nel progettare architetture decisionali, creando sistemi in cui persone, dati e IA collaborano per ottenere risultati migliori.
Questo modo di vedere è frutto di un’osservazione maturata con fatica.
Quando Thoughtworks ha iniziato ad applicare l'analitica predittiva al suo funnel di assunzione, il team di Catelan ha scoperto qualcosa di inatteso. Il ciclo di assunzione, cioè il numero di giorni dal momento in cui si apre una posizione fino all'assunzione, era già buono, regolarmente nell’intervallo 30-35 giorni. La velocità non era quindi il problema. Così il team ha cercato di capire quale fosse.
Quello che hanno scoperto è che la variabilità nella definizione dei ruoli portava a risultati di assunzione peggiori e con maggiore costanza rispetto alla qualità dei candidati. Descrizioni dei lavori ambigue, gonfiate o strutturate in modo incoerente distorcevano il comportamento di apprendimento dell’IA a monte, portando a tassi di conversione inferiori, più rifiuti in fase avanzata e prestazioni peggiori all’inizio, indipendentemente da chi fosse presente tra i candidati.
La soluzione non è stato un nuovo modello. Thoughtworks ha ricostruito le sue descrizioni di lavoro come quelli che Catelan chiama "artefatti predittivi", eliminando i requisiti che correlavano con il rumore invece che con il successo e concentrando il segnale in ingresso al modello. L'IA è migliorata perché sono migliorati anche gli input decisionali.
Quella logica a monte, ovvero che la qualità di ciò che entra nell'architettura decisionale determina la qualità di ciò che ne esce, è presente in ogni applicazione che Catelan ha costruito.
L'IA viene utilizzata per mettere in evidenza schemi, aggregare dati longitudinali e strutturare segnali quantitativi. Gli esseri umani mantengono la proprietà del giudizio qualitativo e delle decisioni finali. Il confine tra i due ambiti è esplicito, non presunto.
I progetti pilota non scalano. L’architettura sì.
L’errore più comune che Catelan osserva nelle organizzazioni che cercano di replicare questo modello è trattare l'IA come una serie di progetti pilota invece che come un cambiamento fondamentale nel modo in cui si prendono le decisioni operative.
La maggior parte delle aziende investe molto in strumenti di IA aspettandosi dei miglioramenti," afferma. "Ma mantengono gli stessi incentivi, le stesse strutture gerarchiche e lo stesso basso livello di alfabetizzazione dei dati tra la leadership. Il risultato è che l’IA viene o poco utilizzata o mal utilizzata. Modelli potenti producono insight che non vengono né compresi, né ritenuti affidabili, né messi in pratica.
Thoughtworks ha affrontato la questione istituendo un gruppo di lavoro cross-funzionale dedicato specificamente alla progettazione decisionale abilitata dall’IA nell’ambito della selezione del personale.
Il gruppo opera in funzione di obiettivi aziendali espliciti:
- Aumentare i tassi di conversione lungo l’intero funnel di assunzione del 50% tramite la segmentazione predittiva
- Ridurre del 30% le ore di colloquio eliminando in anticipo i candidati con bassa probabilità.
Questi numeri non sono aspirazionali. Rappresentano il mandato.
La sequenza è importante quanto gli obiettivi. Prima di introdurre qualsiasi automazione, il gruppo mappa dove vengono prese le decisioni critiche, chi ne è responsabile, quali dati sono necessari e dove il giudizio umano deve rimanere centrale.
Solo quando questa architettura è chiara, l’IA viene introdotta, ad aumentare specifici passaggi anziché essere semplicemente sovrapposta a processi non analizzati.
"Prima ridisegniamo i workflow decisionali, poi introduciamo l’automazione," dice Catelan. "Non dopo."
Il 90% che la maggior parte dei rollout salta
Yannick Fouagou, Direttore People Operations and Solutions in Greenshield, è arrivato a una conclusione simile partendo da una direzione diversa. Il suo background è nell’ingegneria elettronica e nei sistemi qualità petroliferi e del gas, ambienti in cui l’integrità dei processi è imprescindibile e il fallimento ha conseguenze fisiche. Quando è passato alle risorse umane, ha portato con sé quella stessa rigorosità per il lato umano dell’adozione dell’IA.
Ciò che lo ha sorpreso è stato quanto poco contasse la tecnologia rispetto alla risposta umana ad essa.
L’adozione dell’IA è tecnologia al 10% e psicologia umana al 90%. All’inizio davo per scontato che tutti fossero ugualmente entusiasti di adottare questi strumenti, ma ho rapidamente capito che l’IA richiede lo stesso change management consolidato che usiamo da decenni. Se salti il lavoro umano di affrontare paura, resistenza e curva di cambiamento, anche la tecnologia più avanzata è destinata a fallire.
Per Fouagou, l’architettura decisionale non è solo una questione di design organizzativo, ma anche comportamentale. Il suo approccio segmenta i portatori di interesse in base alla loro posizione sulla curva di adozione, li incontra lì e poi codifica il nuovo modo di lavorare in processi e documenti formali, così che il cambiamento diventi strutturale invece che un picco passeggero d’entusiasmo.
"Non ci limitiamo a distribuire strumenti," dice. "Codifichiamo il nuovo modo di lavorare in procedure operative standard e policy per garantire la responsabilità."
Quella codificazione crea un ciclo di feedback. Il sistema monitora ciò che i dipendenti chiedono, identifica dove manca la documentazione e genera raccomandazioni per colmare le lacune. La base di conoscenza apprende dai comportamenti delle persone che la utilizzano. È così che appare l’architettura decisionale quando lo strato comportamentale è integrato alla base e non aggiunto successivamente.
Il ciclo da cui i leader devono uscire
I professionisti che affrontano queste dinamiche a livello di funzione hanno la possibilità di riprogettare. Il problema più difficile, invece, è in cima.
Gibbons ha condotto programmi di alfabetizzazione all’IA per team dirigenziali e ha trovato i risultati sconfortanti. Quando ha chiesto a un gruppo di dodici leader quanto tempo avessero trascorso in formazione formale nell’ultimo anno, il totale è stato di tre giorni complessivi.
“Non è abbastanza,” afferma.
Il problema è più strutturale che individuale. Il successo, sostiene Gibbons, ha reso la maggior parte dei leader senior restii al tipo di apprendimento richiesto dall’adozione dell’IA. La loro autorità si fonda sul sapere. L’IA destabilizza questa base.
Appelo inquadra la sfida della leadership in modo diverso ma giunge alla stessa conclusione. Quando l’IA supera l’uomo nella maggior parte dei compiti analitici, la leadership smette di essere questione di trovare le risposte giuste.
La maggior parte dei dirigenti è stata formata su modelli di management pensati per condizioni di relativa prevedibilità. Appelo indica in particolare la Leadership Trasformazionale, un modello che risale agli anni ’70 e presuppone un leader che controlla il flusso di informazioni, approva le decisioni e si pone al centro del ciclo.
Proprio questo modello è ciò che l’adozione dell’IA richiede di smantellare. I manager al centro del ciclo diventano colli di bottiglia. I manager sopra il ciclo, che dirigono, regolano e giudicano le scelte veramente difficili, sono ciò di cui la nuova architettura ha bisogno.
Gibbons definisce il cambiamento equivalente come Leadership Adattiva. Pensata per la velocità, per l’emergenza e per operare senza sapere quale sarà il punto di arrivo.
Non sappiamo che forma assumeranno i progetti pilota o quanto facilmente potranno essere scalati,” afferma Gibbons. “I vecchi paradigmi della leadership erano costruiti per una prevedibilità che non esiste più.
Costruire un’architettura decisionale per l’IA
I professionisti citati sopra non lavorano seguendo una metodologia condivisa, ma i loro approcci seguono una logica coerente. Ecco come applicarla.
Parti dalla decisione, non dallo strumento
Prima di selezionare una qualsiasi applicazione di IA, mappa ogni decisione rilevante del flusso di lavoro su cui vuoi agire. Chi è responsabile di ciascuna decisione? Quali dati la informano? Dove serve davvero il giudizio umano, e dove è solo abitudine?
Il team di Catelan ha svolto questo lavoro nel reclutamento prima di introdurre modelli predittivi. La mappatura ha rivelato che la maggiore fonte di errore a valle non era la selezione ma la descrizione delle posizioni lavorative che la alimentavano.
Controlla gli input
L’IA apprende da ciò che le viene fornito. Se i dati inseriti in un modello sono incoerenti, gonfiati o mal strutturati, anche le uscite lo rifletteranno. La riprogettazione delle job description da parte di Catelan ha migliorato le performance del modello senza modificarlo direttamente.
Prima di applicare l’IA a qualsiasi flusso di lavoro, esamina la qualità e la coerenza degli input su cui si basa. I dati spazzatura ora si propagano più velocemente.
Definisci obiettivi di business, non metriche di processo
Obiettivi vaghi producono risultati vaghi. Il gruppo di lavoro di Catelan opera su numeri specifici: un aumento del 50% dei tassi di conversione del funnel, una riduzione del 30% delle ore dedicate ai colloqui.
Questi obiettivi creano pressione per ottenere prestazioni sistemiche e continue, non solo esperimenti isolati. Se non riesci a descrivere che cosa produrrebbe un flusso di lavoro IA riprogettato con successo in termini di business, il progetto non è pronto.
Definisci esplicitamente il confine tra umano e IA
Ogni riprogettazione richiede risposte chiare a due domande: cosa gestisce l’IA e cosa gestiscono gli umani? Il principio di Catelan è che l’IA struttura i segnali quantitativi e porta alla luce intuizioni, mentre gli umani conservano il giudizio qualitativo e la decisione finale.
Quel confine va documentato, condiviso e rivisto a mano a mano che il sistema si evolve. Senza, la responsabilità si disperde e gli errori diventano irrintracciabili.
More Articles
Incorpora la governance prima di scalare
Costruite fin dall'inizio nell'architettura la capacità di intervento umano, il monitoraggio dei bias e della deriva, e una chiara responsabilità degli esiti del modello. Fouagou formalizza i cambiamenti nelle policy invece di lasciarli come pratiche informali.
La governance aggiunta dopo il fatto tende ad arrivare quando qualcosa è già andato storto.
Trattate l’adozione come una questione comportamentale
L’osservazione 10/90 di Fouagou è lo strato che la maggior parte delle organizzazioni salta completamente, portando spesso a costosi errori nella misurazione del ROI dell’IA. L’implementazione tecnica e l’adozione umana non coincidono.
Segmentate i vostri stakeholder. Identificate dove è probabile la resistenza e affrontatela prima del rollout, non durante. Misurate non solo i guadagni in efficienza ma anche se il tempo recuperato viene effettivamente reinvestito in attività di maggior valore.
Esiste una lacuna di cui la maggior parte delle organizzazioni non ha ancora preso coscienza. Si trova tra gli strumenti implementati e la logica decisionale lasciata invariata.
L’impostazione di Catelan sull’AI-readiness merita attenzione.
Significa porsi costantemente domande migliori," afferma. "Quali segnali contano, dove esiste incertezza e come i dati possono informare il giudizio umano.
Gli strumenti hanno sollevato la domanda. Il lavoro di progettazione è ciò che la risolve.
