La parte difficile arriva dopo che l’IA funziona
![[OPT 1] IMG PMP – Editorial – Dinner Conversation with CHROs-14152](https://peoplemanagingpeople.com/cdn-cgi/image/format=auto,quality=82,onerror=redirect,width=792,height=446,fit=crop/wp-content/uploads/sites/3/2026/09/OPT-1-IMG-PMP-–-Editorial-–-Dinner-Conversation-with-CHROs-14152.jpg)
Partire dal lavoro: Le aziende dovrebbero riprogettare i flussi di lavoro intorno ai problemi aziendali prima di selezionare gli strumenti di IA o misurare i rendimenti attesi.
Giudizio sui casi d'uso: La formazione sull'IA crea più valore quando i dipendenti imparano a individuare problemi meritevoli di attenzione, non semplicemente a utilizzare nuovi strumenti.
Riprogettazione dei ruoli: L'adozione efficace dell'IA costringe i leader a ridefinire responsabilità, competenze, standard di prestazione e percorsi di carriera man mano che cambiano le attività.
Espandere con cautela: I progetti pilota raramente si trasferiscono direttamente tra le funzioni; le organizzazioni devono standardizzare le pratiche collaudate adattandole al contempo ai flussi di lavoro, ai rischi e ai dati.
Accesso equo: Un accesso diseguale all'IA può distorcere i giudizi sulle prestazioni, le opportunità di sviluppo e i confronti sulla produttività tra dipendenti che svolgono lavori simili.
La scorsa settimana, mi sono incontrato con un gruppo di CHRO ad Atlanta per parlare di come estendere l'IA a tutta l'azienda.
Abbiamo iniziato dal ROI, ma la conversazione tornava continuamente sul lavoro in sé: quali problemi meritano investimenti nell'IA, cosa dovrebbero fare le organizzazioni con la capacità che essa crea e quando un numero sufficiente di attività è cambiato al punto che anche un ruolo deve cambiare.
Kia Painter ci ha fornito il punto di partenza. Iniziare dal problema aziendale, comprendere il flusso di lavoro, riprogettare il processo e poi decidere dove collocare l'IA.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Painter è recentemente andata in pensione da Cox Communications dopo 28 anni nell'azienda, ricoprendo più di recente il ruolo di responsabile delle persone. La sua sequenza è importante perché le organizzazioni hanno numerosi modi di utilizzare l'IA. La disciplina più difficile consiste nel decidere quali utilizzi meritino tempo, denaro e cambiamenti organizzativi.
La capacità di valutare i casi d'uso può essere più importante della formazione sugli strumenti
Alcune settimane prima della cena, ho condotto un sondaggio informale nella nostra newsletter AI Signal chiedendo perché i manager stessero richiedendo più formazione sull'IA per i loro team. Il motivo principale: le persone non erano sicure di quali casi d'uso fossero importanti.
Questo evidenzia un problema nel modo in cui molte aziende affrontano l'adozione dell'IA. Insegnare alle persone come scrivere prompt, riassumere documenti o generare contenuti permette di acquisire familiarità con la tecnologia. Ma serve a poco per aiutarle a decidere dove l'IA possa migliorare un risultato aziendale significativo.
Angela Cheng-Cimini, responsabile delle risorse umane presso The Chronicle of Philanthropy, ha descritto un approccio incentrato sui problemi dei dipendenti anziché sulle capacità degli strumenti. Ha affermato che la sua organizzazione intendeva raccogliere dal personale le difficoltà quotidiane, sceglierne alcune di ampia rilevanza e organizzare brevi sessioni intensive di sviluppo per risolverle. Una dipendente aveva già adottato personalmente questo approccio, creando un agente per gestire le richieste ripetitive relative alle fatture che stavano intasando la casella di posta del servizio clienti.
Questo è un modello molto più utile per la formazione sull'IA perché collega l'apprendimento al lavoro che le persone già conoscono. La capacità che le aziende devono sviluppare è quella di valutare i casi d'uso: un manager sa analizzare un flusso di lavoro, individuare dove si perdono tempo o qualità e riconoscere dove l'IA potrebbe fare la differenza?
Questa capacità di valutazione aumenta anche le probabilità di ottenere un ROI. Un'implementazione tecnicamente riuscita, ma rivolta a un problema di scarso valore, resta comunque un investimento inadeguato.
La capacità disponibile impone decisioni sul lavoro
La domanda successiva è cosa fare quando il caso d'uso ha successo.
L'IA può eliminare il lavoro amministrativo, ridurre i tempi di ciclo e offrire alle persone una capacità di cui prima non disponevano. I leader devono quindi decidere a cosa destinare tale capacità.
Intorno al tavolo, questo ha portato a discutere della compressione dei ruoli e di responsabilità più ampie. Kesi Dorner, AGM delle Risorse umane presso la Metro Atlanta Regional Transit Authority (MARTA), ha parlato della combinazione di attività che attualmente rientrano in ruoli specializzati delle risorse umane, trasformandole in ruoli più completi di partner aziendale.
La mia domanda su quando un ruolo sia cambiato abbastanza da dover essere completamente riprogettato è rimasta senza risposta.
È in queste scelte che le ore risparmiate si trasformano in una decisione operativa. Un'azienda può utilizzare la capacità disponibile per aumentare la produzione, migliorare il servizio, ridurre le future assunzioni, ampliare le responsabilità o affrontare attività che erano state accantonate. Ogni scelta produce un diverso tipo di valore.
Cambia anche ciò di cui il dipendente è responsabile.
Questo è diventato ancora più evidente quando la discussione si è spostata sull'organico. Painter ha descritto le conversazioni con il suo CFO sulla possibilità che l'IA potesse ridurre i costi del lavoro. La sua risposta è stata tornare al lavoro.
Consideriamo la contabilità fornitori. Cosa stanno effettivamente facendo le persone? Quali attività può assorbire l’IA? Cosa rimane? Quale risultato aziendale deve comunque essere raggiunto?
La sua conclusione è stata che l'IA deve essere esaminata attraverso il modello operativo e la progettazione del lavoro, prima che i leader inizino a formulare ipotesi sulla forza lavoro.
Questo è un ruolo prezioso per le Risorse umane, perché l’AI spesso modifica i lavori in modo graduale. Quando un’attività scompare, un’altra diventa più rapida. Il lavoro di routine può ridursi, ma quello che rimane richiede maggiore capacità di giudizio. Nuove responsabilità possono quindi occupare lo spazio che si è creato.
A un certo punto, i cambiamenti accumulati producono un lavoro diverso.
Le Risorse umane dovrebbero prestare attenzione a questa soglia. Le descrizioni delle posizioni, i requisiti in termini di competenze, la retribuzione, i percorsi di carriera e le aspettative relative alle prestazioni dipendono tutti da una comprensione accurata di ciò che il ruolo richiede ora. Se i leader continuano ad aggiungere l’AI ai ruoli esistenti senza riesaminare questi elementi fondamentali, i dipendenti possono finire per svolgere un lavoro diverso nell’ambito di una vecchia progettazione del ruolo.
La stessa questione si applica alle aspettative sulle prestazioni dei team. Se un team diventa più produttivo grazie all’AI, i leader si chiederanno naturalmente se il nuovo livello di output debba diventare lo standard.
Questa decisione richiede più della prova che la tecnologia abbia funzionato. Richiede la certezza che il miglioramento sia sostenibile, che i dipendenti abbiano un accesso comparabile agli strumenti e che il lavoro sia sufficientemente simile da poter applicare la stessa aspettativa in tutta l’organizzazione.
Andare oltre il progetto pilota
È qui che un progetto pilota di successo diventa una sfida aziendale.
Un caso d’uso può funzionare bene in un team perché il flusso di lavoro è strutturato, i dati sono puliti, il manager comprende la tecnologia oppure i dipendenti hanno avuto il tempo di sperimentare. Un’altra funzione potrebbe non avere nessuno di questi vantaggi.
Painter ha descritto il lavoro svolto con la responsabile dell’AI della sua organizzazione per definire una roadmap dello stato obiettivo che collegasse le decisioni tecnologiche al futuro modello operativo.
L’azienda ha inoltre creato un consiglio interfunzionale sull’AI che coinvolgeva le Risorse umane, la tecnologia, la finanza e l’ufficio legale. L’obiettivo era coordinare gli investimenti e la governance in base alle priorità aziendali, invece di permettere a ogni funzione di avviare autonomamente la propria raccolta di strumenti e progetti.
Questa è una parte fondamentale dell’estensione, perché non si può semplicemente copiare ciò che ha funzionato altrove. I leader devono individuare quali elementi di un approccio di successo possono essere standardizzati e quali dipendono dal lavoro, dalla forza lavoro o dal profilo di rischio di una particolare funzione.
Questo dovrebbe anche moderare le ipotesi generali sulla produttività. Un progetto pilota efficace può fornire prove relative a un caso d’uso. Non fornisce automaticamente prove relative a un’intera forza lavoro.
L’accesso agli strumenti fa parte dell’equazione delle prestazioni
L’estensione crea anche un problema di equità.
I partecipanti hanno descritto organizzazioni in cui i dipendenti hanno accesso a strumenti di AI diversi a seconda della funzione, del budget o delle politiche aziendali. Alcuni dipendenti integrano ciò che il datore di lavoro mette a disposizione con strumenti a pagamento che utilizzano a casa o sui propri dispositivi. Altri non hanno questa possibilità.
Quando l’AI influisce sulla quantità o sulla qualità del lavoro che una persona può produrre, queste differenze diventano rilevanti per la gestione delle prestazioni.
Kara Miller, ex vicepresidente dei talenti, dell’apprendimento e della trasformazione della forza lavoro presso Visa, ha sollevato un’altra considerazione: se due dipendenti sono soggetti allo stesso standard di output, ma uno ha accesso a uno strumento più avanzato, quanta parte della differenza nelle prestazioni deriva dalle capacità individuali e quanta dall’ambiente che l’organizzazione ha creato intorno a loro?
La stessa questione può influire sullo sviluppo e sulla mobilità professionale se alcuni ruoli offrono ai dipendenti molte più opportunità di sviluppare competenze nell’AI rispetto ad altri.
Le aziende non hanno bisogno di strumenti identici per ogni dipendente, ha concordato il gruppo. Devono però capire quando l’accesso disuguale inizia a influire sugli standard che utilizzano per valutare le persone.
Un indicatore migliore della maturità nell’AI
Verso la fine della serata, ho chiesto cosa sarebbe dovuto cambiare nel corso dell’anno successivo affinché i leader si sentissero sicuri che le loro organizzazioni avessero capito come estendere l’AI.
Le risposte si sono concentrate su una capacità di giudizio migliore in tutta l’organizzazione: dirigenti in grado di discutere della tecnologia con una certa competenza, dipendenti che comprendessero l’uso responsabile, manager capaci di individuare applicazioni utili e decisioni più chiare sull’accesso.
Questo offre ai leader delle Risorse umane un modo utile per riflettere sulla prossima fase dell’adozione dell’AI.
Se vuoi ottenere più valore dall’AI, dovrai diventare più bravo a scegliere i problemi giusti da affrontare, a riprogettare il lavoro quando tali problemi vengono risolti e a decidere quali miglioramenti possono essere replicati altrove.
Le Risorse umane dovranno inoltre essere più deliberate nel definire cosa significhi la nuova capacità per i ruoli e le aspettative sulle prestazioni.
