Jonathan Conradt: [00:00:00] Alla base, una IA è una chiamata di funzione. È come in Excel, avete la funzione somma. La usate e date la lista di colonne o righe che volete sommare, la funzione prende questi dati in input e produce un output. E l’IA è proprio questo.
David Rice: Benvenuti al podcast People Managing People. Abbiamo la missione di costruire un mondo del lavoro migliore e aiutare a creare ambienti lavorativi felici, sani e produttivi. Sono il vostro host, David Rice.
Il mio ospite di oggi è Jonathan Conradt. Ha recentemente lasciato Amazon, dove lavorava come Principal AI scientist. Parleremo di IA, machine learning, cosa bisogna fare a livello di formazione rispetto a queste tecnologie che vengono integrate nel lavoro quotidiano.
Quindi Jon, benvenuto.
Jonathan Conradt: Grazie.
David Rice: Per cominciare, raccontaci un po’ di te, come sei arrivato dove sei ora e qual è la più grande sfida su cui stai lavorando in questo momento?
Jonathan Conradt: Sì, ho lavorato nel settore tecnologia per molto tempo.
Ero nel team originale di Chrome a Google, mi sono unito quando eravamo circa [00:01:00] 40 persone. E se avete mai usato le versioni Mac o Linux di Chrome, quello era il mio progetto. Poi sono stato a eBay, dove gestivo il marketing e ho introdotto IA e machine learning sia onsite che offsite.
Negli ultimi 12 anni sono stato in Amazon. Lì ho scoperto che c’erano grandi progetti di IA che non venivano approvati, e progetti di IA poco validi che invece sì. Il problema principale era che Amazon ha persone molto intelligenti, vicepresidenti molto brillanti.
Sono ben formati, provengono da background importanti, conoscono benissimo il loro business, ma l’IA arrivava come un fulmine a ciel sereno per loro. Non sapevano bene come affrontarla o cosa comportasse. Facevano fatica a prendere buone decisioni su cosa in cui investire. Così si perdevano ottime idee e a volte investivano in progetti destinati a fallire. Quindi, nell’ultimo anno in Amazon, mi sono occupato soprattutto di [00:02:00] preparare un curriculum e formare vicepresidenti, direttori in tutto il mondo su machine learning e IA. Alla fine ho pensato: se è così difficile anche all’interno di Amazon, con queste persone dentro un’azienda tech, come sarà fuori da Amazon?
Così ho deciso di lasciare Amazon per fare cose come questa: aiutare le persone a capire cos’è l’IA, dove serve cautela, dove invece serve essere aggressivi. Aiutarli a comprendere come sfruttarla al meglio.
David Rice: È davvero un momento interessante e molto attuale per farlo.
Ci sono tante cose che credo l’IA e il machine learning possano fare. E parte dell’interesse delle aziende verso questi strumenti è anche dato dal fatto che sia la nuova “cosa brillante”. Le persone hanno grandi idee, ma ci sono anche tante soluzioni pratiche, come accennavamo prima di questa chiamata, che sono già più concrete e possono aiutare davvero le aziende a risolvere esigenze immediate.
Vorrei chiederti: puoi darci qualche esempio di questo? E dove può HR implementare qualcosa ad impatto immediato?
Jonathan Conradt: Sì, quindi [00:03:00] l’IA generativa è il “giocattolo luccicante” che attira tutti, vero? Ma anche il machine learning tradizionale ha fatto enormi passi avanti negli ultimi anni.
Uno di questi progressi è chiamato machine learning automatico. Gli scienziati si sono resi conto che ogni volta seguivano sempre gli stessi passaggi, allora hanno pensato di automatizzare tutta la procedura. C’è un ottimo pacchetto open source che si chiama autogluon.
È piuttosto straordinario. Quando l’ho provato, ho avuto una sorta di crisi esistenziale. Perché ho realizzato che con questo pacchetto, una persona con buone competenze SQL e un po’ di Python può produrre un modello di livello mondiale in una notte, laddove a me avrebbe richiesto mesi.
E questo è molto utile. Per HR ci sono varie cose che si possono fare. Si può ad esempio classificare, individuare persone che potrebbero beneficiare di un percorso di formazione manageriale, oppure dipendenti che sono [00:04:00] a rischio di abbandono. Questi modelli lo permettono.
Ci sono anche previsioni numeriche utili: quante candidature riceveremo? Quante persone serviranno in magazzino tra due settimane? Previsioni numeriche su cui questi modelli sono molto efficaci. Gestiscono bene anche serie temporali utili, ad esempio, a comprendere l’andamento stagionale dei dati.
Non so dire per cosa userebbe direttamente HR le serie temporali, ma sicuramente c’è qualche ambito stagionale anche per HR. In sintesi, con tre linee di codice, chi ha i dati può creare un modello di altissimo livello. È notevole.
David Rice: Interessantissimo! E HR ormai ha sempre più dati a disposizione, no? Soprattutto mentre continuiamo a implementare nuovi strumenti.
E so che in passato hai parlato anche di IA responsabile, e hai menzionato che questo è [00:05:00] delicato quando si parla di HR. Raccontaci un po’ quali sono le maggiori considerazioni etiche tra IA e HR.
E quali sono le questioni che dobbiamo risolvere nei modelli prima di integrarli concretamente nell’attività HR?
Jonathan Conradt: Sì. In Amazon abbiamo gli HR business partner, figure legate ai team e preziose per consigli. Quando abbiamo iniziato a lavorare su alcuni modelli di machine learning che prevedevano l’uso di dati dei clienti, HR e il legale sono diventati business partner fondamentali, perché come scienziati avevamo forse fatto un esame di ricerca umana all’università, tanto tempo fa. Mentre per HR queste leggi e questi problemi sono sempre il punto centrale. C’è dunque la possibilità per scienziati e modellisti di coinvolgere HR e far loro domande pertinenti.
Questioni come come gestire il genere, quali sensibilità avere rispetto alla razza, sono cose che HR conosce benissimo, [00:06:00] giusto? Ma il problema può nascere anche nei progetti HR stessi. Se un’organizzazione HR vuole sviluppare un progetto, tutte quelle questioni diventano molto delicate.
Esempio classico: volete automatizzare la gestione dei CV in entrata e classificarli o ordinarli in modo più efficiente. I rischi ci sono, perché i modelli di machine learning “barano”. Sono sempre alla ricerca della soluzione più rapida al risultato.
Ad esempio, il modello potrebbe imparare che chi cita nel CV di aver giocato a lacrosse al liceo, storicamente viene assunto e promosso in azienda. Questo può essere un bias storico che non volete influenzi i filtri di selezione o colloquio.
Non vi aspettereste che termini simili finissero per essere importanti per un modello, ma come detto, i modelli “barano”. Troveranno tutte queste piccole scorciatoie. E [00:07:00] quindi.
IA responsabile è un insieme di idee su come gestire al meglio la relazione tra i nostri obiettivi e le persone coinvolte, no?
Che siano clienti, dipendenti o candidati. Come gestiamo i loro dati? Come assicuriamo equità tra sottogruppi? Come esponiamo onestamente e con trasparenza cosa sta facendo il modello di machine learning? Questa è una branca interessante dell’etica, e chi lavora in HR ci dedica moltissimo tempo: come trattare le persone con rispetto e correttezza.
Quindi la responsabilità è un’area davvero cruciale per HR e tocca molti ambiti HR. Supponiamo vogliate creare un modello che prevede chi tra gli attuali dipendenti diventerà vicepresidente in sei anni. È utile, perché volete trattenere e sviluppare quelle persone.
È un buon modello. Ma mentre lo create, dovete fare molta [00:08:00] attenzione. Se ad esempio tutti gli attuali vicepresidenti nel vostro set di dati di training hanno frequentato Ivy League, o sono prevalentemente uomini, tutti quei fattori sono nei vostri dati di training.
Quindi, per fare la cosa giusta in tema di IA responsabile, occorre rimuovere quei fattori che non dovrebbero influire. Non permettere al modello di vedere o dedurre elementi che non prenderesti in considerazione in una promozione reale. Sì, l’IA responsabile è molto interessante. Ci sono diversi corsi online.
Tantissime pubblicazioni nel settore e le regolamentazioni stanno arrivando. Nell’UE sono già realtà, e stanno arrivando anche negli USA. Probabilmente ci sono già proposte in Congresso; è un ambito in cui HR può essere avanti rispetto a molti scienziati, può essere consapevole e aiutare nella comprensione.
David Rice: Sì, è importantissimo. Come dicevi, certi dati possono perpetuare bias. Ho parlato con qualcuno che citava uno studio per cui le donne sarebbero il [00:09:00] 75% meno propense a sperimentare l’IA rispetto agli uomini. E la prima cosa che ho pensato è: che dati genera questo?
Potrebbe alimentare un bias per cui perpetuamente si rafforza l’idea che le donne non hanno certe competenze. Ogni azione ha una reazione, giusto?
Jonathan Conradt: Sì, è interessante. Per esempio, i grandi modelli linguistici come ChatGPT di OpenAI.
Non usano direttamente ciò che scrivete per istruire il modello. Perché le persone inseriscono ogni sorta di cose assurde e terribili. I dati di training sono la risorsa più preziosa per un’azienda di IA, quindi non volete “annacquarli” o contaminarli. Però ci sono segnali che ricavano dal modo con cui gli utenti interagiscono. Uno dei segnali è:
Avete riformulato la domanda? Ad esempio, chiedete a OpenAI qualcosa sulla guerra di Corea, ricevete una risposta, poi rifate la domanda cambiandola un po’. Questo è un segnale che forse non vi hanno dato una buona risposta. [00:10:00] Se poi rifate la domanda finché trovate una risposta soddisfacente, quello è un buon segnale per loro.
Ma ovviamente, se c’è un bias di genere, di reddito o geografico in queste interazioni, il sistema finirà per apprendere comportamenti graditi al gruppo dominante. Un ottimo esempio reale è quello della lingua dei risponditori.
Non so se sia vero, ma è la voce che circola: i modelli di OpenAI avevano stranezze linguistiche, parole inusuali più presenti rispetto a una conversazione normale. Qualcuno ha notato che assomigliavano al modo di parlare in Kenya; forse era un altro paese africano, ma l’esempio era quello.
Durante la creazione di questi modelli si usa un processo detto reinforcement learning with human feedback. Si pone una domanda, si generano 5 risposte e poi si sceglie la migliore. Accadevano due cose:
Prima, si tendeva a scegliere la più lunga, anche se non era necessariamente la migliore, così il modello ha iniziato a produrre risposte sempre più lunghe. Poi le persone cliccavano su quelle che suonavano più simili [00:11:00] al proprio stile; così, avendo molti contractor in un Paese africano, rispondevano privilegiando ritmo e lessico familiari a loro, che sono diversi dall’inglese americano o britannico.
E così i tool per distinguere le risposte generate dall’IA si basavano su queste strane distribuzioni di parole (strane almeno nel contesto USA). Quindi, come vedi, i bias possono entrare in una IA in tanti modi diversi. Se più uomini la usano, il sistema finirà per adattarsi a loro.
Oppure, risponderà sempre più su temi di interesse per la popolazione più rappresentata. O ancora, riproporrà i dialetti dei propri trainer.
David Rice: Affascinante.
Un argomento ricorrente è quello dei guardrail, vero? Si parla molto di mettere dei limiti all’uso per i dipendenti, ma a volte mi chiedo se servono più guardrail per gli executive, per non rischiare che investano troppo sulle cose sbagliate.
David Rice: Dal punto di vista tecnico, quanto possiamo realmente imporre dei guardrail ai lavoratori? E secondo te c’è bisogno di formare prima gli executive su questi strumenti, prima di adottarli su ampia scala e distribuirli ai dipendenti?
Jonathan Conradt: Ci sono tanti elementi da affrontare qui. Prima di tutto, anche dal lato scientifico, [00:13:00] parliamo di guardrail. Esistono i guard model: quando qualcuno scrive “qual è la miglior formula per costruire una bomba con il fertilizzante?”,
quando arriva questa domanda, ci sono diversi modelli piccoli, rapidi, molto specifici nell’identificare violenza, atti illegali o non etici, che scartano direttamente la richiesta, evitando la fatica del processing dopo, perché non si possono dare queste risposte. Poi c’è un secondo livello di guardrail dopo la risposta della IA, che verifica che l’utente non abbia “ingannato” la IA per ottenere una risposta non consentita.
Tipo come costruire una bomba. Quindi sì, i guardrail per i dipendenti sono una questione delicata: tutti hanno uno smartphone e anche io, a casa, ho sistemi su cui far girare una IA, ci accedo dal telefono,
posso farci qualsiasi conversazione e inviare qualsiasi documento online. Se blocchi completamente l’accesso ai dipendenti, loro un modo lo troveranno. Perché questi strumenti sono troppo preziosi. Un’email che impiegava 20 minuti ora può essere scritta in 5 minuti, basta avviarla con l’IA e poi editarla.
Le persone vorranno sempre farlo. Il grosso problema di tagliare fuori tutti è che useranno strumenti su cui non hai potere o controllo, [00:14:00] e faranno cose sciocche, come caricare documenti aziendali nei modelli pubblici.
Se guardi i termini d’uso di OpenAI, Google e altri modelli, c’è scritto: tutto ciò che viene inserito può essere usato dalla società a tempo indeterminato e gratuitamente per migliorare il modello. Non vuoi che qualcuno [00:15:00] carichi i piani aziendali o il budget o l’elenco dei dipendenti: sarebbe un incubo.
Per fortuna, esistono modi per dare guardrail efficaci: molti strumenti oggi offrono account aziendali. Il mio ex datore di lavoro, Amazon, offre una soluzione elegante per avere una propria IA interna accessibile a tutti, con dati protetti e non condivisi.
Credo che questa sia la strada giusta e le aziende seguiranno questa soluzione. Ma passiamo agli executive: loro sono tanto propensi a caricare documenti sensibili quanto gli altri: forse anche di più.
Capire dov’è davvero l’IA può esser difficile anche per loro: sta in locale o su server protetti dall’IT, oppure è un servizio terzo? A volte risulta difficile, perché sono esperti nei loro lavori, [00:16:00] brillanti, colti, ma non sono informatici.
Quindi, esiste anche qui una questione di “phishing” e formazione, come per tutti: non cliccare quei link, non caricare quei documenti.
È una buona idea offrire loro accesso a qualcosa di sicuro, utile, protetto e ufficiale, con monitoraggio. Ma questi non sono progetti innovativi: i progetti sono “sostituiremo tutto il customer service col chatbot IA”. Ci sono aziende che hanno corso troppo, speso enormi somme, trovato enormi difficoltà e probabilmente hanno fallito, ma sono stati i primi sperimentatori. Le aziende che oggi riflettono su questi progetti sono invece i “fast followers”.
Ok, possono guardare cosa funziona davvero, i prezzi sono più bassi, [00:17:00] c’è ricerca su come misurare l’impatto di questi strumenti. Prendiamo il customer service: nessuno spera di esser passato ad una chat con un bot per risolvere un problema vero. Nessuno lo desidera, men che meno i migliori clienti. Quindi, c’è spazio per rendere efficienti certi servizi, ma bisogna essere cauti.
Servirà un buon modello che sappia distinguere un problema serio da chiamate costose ma semplici da risolvere (tipo “come cambio la password?”). Queste possono essere automatizzate.
Quindi sì, i guardrail per gli executive sono una sfida reale, ed è una delle ragioni per cui ho lasciato Amazon: per poter parlare con le aziende, analizzare dati, esperienze e obiettivi. State cercando di aumentare i ricavi, o risparmiare? Che problemi volete risolvere?
Avete già provato qualcosa di più semplice? Volentieri ne parlo con chi vuole e trovate il mio calendario online per un incontro di 50 minuti.
Ma, sarà difficile. Secondo me ci sono tre tipi di aziende: gli early adopters (sperimentatori), che hanno corso rischi e speso tanto, magari senza successo; i never ever (scettici), quelli che pensano che sia solo una moda come il crypto, che non cambierà nulla, fanno tutto come sempre e secondo me sono in pericolo; infine, ci sono gli organizzazioni fast follow, che iniziano ora i test, [00:18:00] risparmiando sui costi e iniziando a misurare. Questi ultimi sono quelli che avranno successo. E raggiungeranno gli early adopters, perché la performance dei modelli raggiungerà un “plateau”. Gli early arriveranno primi, ma anche chi parte ora arriverà in tempo grazie ai progressi velocissimi.
David Rice: Sì, la curva di apprendimento e il periodo di adattamento saranno meno traumatici, avendo già osservato gli errori altrui.
Quindi a volte mi chiedo: le persone hanno davvero una comprensione di base di come funziona il machine learning, per poterne trarre il meglio? È così? E cosa possiamo fare nel breve termine sulla formazione?
Jonathan Conradt: Sì, di sicuro la comprensione non è ancora diffusa. Anche in molte aziende tecniche manca. Ho tenuto una conferenza alla Wharton (University of Pennsylvania) ai laureandi e ho spiegato cos’è il machine learning.
È una mezz’ora e a un certo punto spiego: guardate, alla base una IA è una chiamata di funzione. Proprio come in Excel avete la funzione somma, fornite numeri e ottenete un risultato. Le IA sono questo.
Prendete la funzione somma: tra un uso e l’altro, non “si preoccupa”, non “tramando”, non “pianifica” contro di voi. Non “esiste” in un certo senso, esiste solo per l’input-output. [00:21:00] Le IA sono oggetti matematici.
Quindi molte delle cose magiche che vediamo sono in realtà codici scritti attorno alla IA, per gestire dati e risultati. Ma anche questo è complesso.
È come pretendere che tutti comprendano il funzionamento dei sistemi d’iniezione nei motori: pochi sanno cos’è, eppure guidano. Così dobbiamo portare ogni gruppo aziendale al livello giusto di comprensione: alcuni saranno solo utenti, altri tecnici, altri ancora immersi negli aspetti più profondi, altri trarranno benefici senza interagire direttamente.
HR solitamente è responsabile della formazione. Dovrà capire chi coinvolgere e quale formazione offrire.
Ma un approccio “a tappeto”, stesso corso per tutti, [00:22:00] non funziona.
Quando ero in Amazon, formavo i VP. Una domanda ricorrente: “Che posso fare per chi guida i camion o lavora in magazzino?”. Molti non hanno una laurea, sono persone valide, affidabili, intelligenti, ma non tecnici.
Come aggiornarli sull’IA, anche solo perché non la temano? L’azienda deve adottare ML e IA, non può restare indietro per paura. Quindi serve formazione adeguata anche per loro, ma diversa dalla formazione executive.
David Rice: Uno degli ambiti che desta interesse nell’applicazione di queste tecnologie è il benessere dei dipendenti. Ho parlato con chi usa la tecnologia vocale per rilevare burnout o [00:23:00] stress; oggi abbiamo dati che possono fungere da indicatori comportamentali, credo.
Come cambierà questo la gestione del benessere nello scenario prossimo?
Jonathan Conradt: È un tema che mi interessa molto. Sto collaborando con due ricercatori a una soluzione per misurare il benessere dei dipendenti e anche migliorarlo nel tempo. Uno dei grandi vantaggi dell’IA è la pazienza.
Può essere una fonte preziosa di informazioni: fornisci all’IA informazioni accurate e utilizzabili e lei risponde suggerendo input azionabili agli utenti. In passato, da Gallup ho contribuito a sviluppare StrengthsFinder, uno strumento per aiutare i manager a comprendere i dipendenti e rafforzare i rapporti, a beneficio di tutta l’organizzazione. Quello che oggi rientra proprio sotto benessere.
[00:24:00] Con l’IA, invece, possiamo apprendere dai dipendenti in modo più interattivo quanto riguarda il loro stato attuale. Spesso nei sondaggi a crocette rimane il dubbio: interpreteranno le mie risposte come intendevo?
Nella nostra soluzione, invece, accanto ai dati chiusi, diamo la possibilità di esprimersi liberamente: “raccontaci cosa pensavi mentre rispondevi, cosa ti ha colpito di più, cosa vorresti che imparassimo da questa risposta?”. Questo testo libero è preziosissimo. Mi sono reso conto del suo valore quando ho sviluppato un modello di machine learning per analizzare articoli scientifici e prevedere se li avrei trovati interessanti.
Avevo catalogato qualche centinaio di paper su migliaia. Il modello funzionava. Ma dovevo trasformare le parole in oggetti matematici, detti vettori (ve l’avranno spiegato a scuola). Sono oggetti matematici con direzione e intensità: puoi calcolare il significato del testo – una frase, un paragrafo – con questi vettori. Ho quindi usato i titoli e gli abstract dei paper e usato la prima parte della IA per creare il vettore.
Fornendo questi dati in input al modello, la precisione è cresciuta del 14%. Allo stesso modo, se pensiamo ai sondaggi aziendali in cui si capisce meglio il testo libero dei dipendenti, anche solo il 14% di comprensione in più [00:26:00] fa una differenza enorme.
David Rice: Sì. Dunque, quale potenziale ancora inesplorato c’è, nei dati a disposizione e nei nuovi strumenti, nel migliorare la vita delle persone, il loro lavoro e l’esperienza in azienda?
Possiamo usarli per cambiare l’approccio dei leader a questi temi?
Jonathan Conradt: Una domanda ricorrente è: si può “esternalizzare” HR o legale a un agente? La risposta è che probabilmente chi userà di più questi agenti saranno… i professionisti HR stessi, perché il loro lavoro è estremamente complesso e spesso serve reperire ed organizzare molte informazioni diverse. Un agente (ovvero una IA capace di agire, chiedere dati, consultare DB, o fare ricerche web) può fare da vero assistente esecutivo.
Immagina se tutti in azienda avessero un assistente così: ricevi una richiesta via email, l’agente sintetizza le informazioni, ti suggerisce la risposta e tu, umano, decidi. Puoi cambiare, correggere, aggiustare, l’IA può aver capito male: resta il decisore umano.
Sarà uno strumento potente.
E sapete qual è la cosa curiosa? Le IA sono le migliori a sostituire i vicepresidenti.
Perché il lavoro di un vicepresidente è proprio la sintesi delle informazioni: raccogliere dati da tutta l’azienda e prendere decisioni strategiche su un quadro ampio. Questa è proprio l’area in cui l’IA eccelle rispetto all’umano. Prima arriveranno i cosiddetti “co-piloti” (Microsoft li chiama così), o assistenti IA, che ci aiuteranno a risparmiare tempo e comprendere meglio il business.
Attenzione, è un errore [00:28:00] pensare di usare l’efficienza risparmiando risorse umane. Prendiamo i programmatori: se con l’IA lavorano più velocemente, puoi scegliere se ridurre il personale, oppure lasciarlo invariato e realizzare molti più progetti utili. In ogni azienda tech esiste una lista di attività che si “taglia” per mancanza di risorse. L’IA abbassa quella linea!
Le aziende intelligenti saranno quelle che potenziano le persone con l’IA per servire meglio i clienti e innovare. Chi invece si limita a licenziare e mantenere gli stessi volumi di lavoro finirà surclassato da quelli che migliorano e innovano.
Le aziende che scelgono di ridurre il personale ma restare sullo stesso livello produttivo verranno superate da chi mantiene il personale, ma sfrutta la produttività aumentata per fare di più e meglio per il cliente.
David Rice: Fantastico.
Jonathan, grazie per essere stato con noi oggi. Prima di salutarci, ci sono due cose che facciamo sempre col nostro ospite. [00:30:00] Prima, ti do la possibilità di dire dove le persone possono trovarti, e se vuoi promuovere qualcosa a cui stai lavorando, sentiti libero.
Jonathan Conradt: Sì, forniremo un link per prenotare una chiacchierata di 15 minuti con me su qualsiasi argomento. Raccontami della tua azienda, dei problemi che stai cercando di risolvere, mi piacerebbe aiutarti. Amo conoscere nuove aziende. È stato gran parte del mio lavoro in Amazon: incontrare nuovi team, capire cosa fanno e suggerire il machine learning più adatto. Come applicare l’IA. Usate pure il link a Calendly per una call.
David Rice: Lo trovate nella descrizione dell’episodio. Potete contattare Jon su LinkedIn.
La nostra piccola tradizione qui è che ogni ospite può farmi una domanda: può riguardare la puntata, un tema random… A te la parola!
Jonathan Conradt: Sono curioso: l’IA lavora benissimo nel video editing e simili. Come ha impattato l’IA sulla tua esperienza col podcast?
David Rice: Sul podcast, è impressionante a volte cosa riesce a fare con l’audio, ci aiuta a ottimizzare il suono.
A volte, però, non so se per colpa dell’IA o dei nostri editor, la voce suona un po’ strana. Ma l’aspetto più rivoluzionario è nella creazione di contenuti: da come nasce un’idea a come organizzi lo script e il processo produttivo. Ha cambiato davvero tutto nel nostro modo di costruire i contenuti.
Non direi che sia più facile – siamo ancora nella fase di apprendimento, per trarne il massimo e coordinarla col pubblico giusto. Ma i progressi sono incredibili rispetto alle prime versioni di ChatGPT. [00:32:00] È incredibile…
Jonathan Conradt: Straordinario, vero?
David Rice: Il cambiamento è stato rapidissimo.
Jonathan Conradt: Pare che anche il montaggio delle soap opera sia stato rivoluzionato.
Registrano tantissimo materiale e il montaggio era un lavoro enorme. Ora l’IA fa il primo “giro” di editing automaticamente, risparmiando tantissimo tempo.
David Rice: Incredibile. Sono certo che tutte le major cinematografiche stanno investendo molto.
Jonathan Conradt: Sì. È stato un piacere conoscerti, David.
David Rice: Piacere mio, spero di risentirti presto.
Jonathan Conradt: Grazie!
David Rice: Ascoltatori, se non l’avete già fatto, andate su peoplemanagingpeople.com/subscribe e iscrivetevi alla newsletter. Alla prossima, continuate [00:33:00] a sperimentare.




