I costi nascosti di una cattiva adozione dell’IA (e chi dovrebbe intervenire)

David Rice: La tua azienda sta spendendo centinaia di migliaia, forse milioni in strumenti di IA. I tuoi dipendenti non li stanno usando e quando lo fanno, causano più problemi di quanti ne risolvano. Ti suona familiare? Probabilmente mi hai già sentito dire questo, ma non è un problema tecnologico. È un problema di preparazione. E il motivo per cui i tuoi investimenti in IA non funzionano non ha nulla a che vedere con gli strumenti in sé. Ha tutto a che vedere con un disallineamento fondamentale tra autonomia delle macchine, fiducia umana e competenza che ti sta costando molto più di quanto tu possa immaginare.

Sono David Rice. E oggi a Persone che Gestiscono Persone, avremo una conversazione che metterà in discussione molte delle cose che ti sono state dette sull'adozione dell'IA.

Il mio ospite è David Swanagon. È il fondatore e caporedattore del Machine Leadership Journal. Ha passato anni a intervistare centinaia di ingegneri e leader dell'IA per capire perché gli Stati Uniti sono indietro nella preparazione all’IA nonostante abbiano tutti i migliori strumenti. In questo episodio, imparerai un modello tridimensionale che ti aiuterà a diagnosticare esattamente dove l'adozione dell'IA sta fallendo, capirai perché il tuo CIO non dovrebbe essere l'unico dirigente a guidare questa trasformazione e perché il tuo CHRO deve assumere un ruolo che probabilmente non si è ancora nemmeno reso conto di dover ricoprire. E soprattutto, avrai finalmente chiarezza su come smettere di trattare l'IA come un semplice rilascio tecnologico e cominciare a considerarla come una vera sfida per i sistemi umani.

Benvenuto a Persone che Gestiscono Persone Podcast—il programma dove aiutiamo i leader a mantenere il lavoro umano nell’era dell’IA. Mi chiamo David Rice e sono il tuo presentatore. E oggi sono con David Swanagon. È il fondatore e il caporedattore del Machine Leadership Journal. Parleremo di, hai indovinato, leadership nell’era dell’IA, cosa significa essere pronti, e quali sono le caratteristiche dei grandi leader.

Quindi David, benvenuto!

David Swanagon: Grazie. Non vedo l'ora di parlare.

David Rice: Sai, ovviamente stai studiando questo tanto quanto noi, quindi vorrei cominciare da qui. Prima parlavamo e dicevi che gli USA sono indietro sulla preparazione all’IA e penso di essere abbastanza d’accordo, ma non è per mancanza di strumenti, è per mancanza di preparazione delle persone.

Lo diciamo, ma cosa significa esattamente e perché i leader, secondo te, dovrebbero interessarsene o aspettarsi che le cose possano essere diverse?

David Swanagon: È una domanda fantastica. È stato un po’ il mio progetto da COVID quando eravamo tutti chiusi in casa. Passavo il tempo a intervistare centinaia di ingegneri dell’IA e professionisti della robotica per capire quali fossero quelle capacità che sono uniche dell’intelligenza artificiale e che possono essere diverse dal semplice apprendimento standard.

E quello che abbiamo scoperto è che gli ingegneri dell’IA sono incredibilmente unici, ma diversi per come funziona il loro cervello. E sono proprio loro che costruiscono i modelli linguistici. E credici o no, i modelli linguistici sono molto simili agli ingegneri dell’IA che li sviluppano. Abbiamo trovato cose interessanti, come la memoria a breve termine, la creatività—ci torneremo sicuramente in dettaglio—l’intelligenza spaziale, la capacità di passare dal punto A al punto B. Ci sono molte abilità molto particolari e differenti nell’ingegneria dell’IA e negli USA non c’è la mentalità di svilupparle. Si punta su altre competenze.

In genere, si pensa ai grandi cinque tratti “OCEAN”. L’estroversione viene vista come un indicatore principale di leadership e di prontezza alla leadership, laddove nell’ingegneria dell’IA la maggior parte dei principali inventori e innovatori sono introversi. E se vuoi fare un esercizio divertente, puoi chiedere a Gemini o Claude o altri di fare un esperimento mentale e di identificare la loro personalità secondo i cinque grandi tratti OCEAN.

Ogni modello linguistico, dopo qualche resistenza iniziale dicendo che sono una macchina, finisce poi per rispondere: sono introversi, molto affidabili, molto aperti e creativi. La cosa interessante è che se pensi al modo in cui funziona il sistema scolastico americano, partendo da lì fino ad arrivare alla preparazione all’IA nelle aziende, ci sono 40 corsi AP nel curriculum delle superiori.

Non ce n’è nemmeno uno di algebra lineare, e questo sorprende molti, perché l’algebra lineare è il fondamento più importante a livello concettuale per il machine learning e per queste reti neurali: gestisce tutto, dal prodotto scalare ai vettori, fino a come funzionano molte di queste propagazioni delle reti neurali.

Bisogna avere una solida comprensione dell’algebra lineare. Ma il sistema scolastico USA non è nemmeno configurato per costruire queste competenze di base. E poi, nelle aziende, quelle competenze sono possedute da meno dell’1% degli impiegati. Quindi veramente è una questione di non aver dato la giusta priorità alle competenze giuste. Non l’hanno fatto apposta… è che queste macchine riflettono la personalità dei loro sviluppatori.

E molti di questi sviluppatori sono davvero molto diversi dai dirigenti tradizionali. Quindi Korn Ferry, l’IA, Kiewit... tutte queste aziende hanno una sorta di punto cieco, perché i modelli linguistici non rispecchiano i tratti di leadership che hanno visto nella C-Suite. Rispecchiano i tratti di leadership degli sviluppatori e sono persone totalmente diverse.

Ecco perché gli USA sono indietro da molti punti di vista.

David Rice: È divertente perché, sai, quando pensiamo alla prontezza, molti pensano solo alle competenze o alla prontezza culturale, giusto? Ma da quello che dici sembra che a livello cognitivo non siamo effettivamente pronti in qualche modo, e pensando alla leadership, penso a ciò che serve, giusto?

In termini di competenze: adattabilità, la capacità di creare fiducia e sicurezza nelle decisioni, non solo una competenza tecnica. Sembra che sia proprio lì che siamo più carenti. In questo momento storico non è un buon mix.

David Swanagon: Esattamente. Qualche settimana fa ho presentato alla Columbia insieme al mio collega Steven McIntosh.

Abbiamo sviluppato questo modello che si concentra su come ottimizzare l’adozione dell’IA. Dai risultati emerge che ci sono fondamentalmente tre dimensioni che influenzano l’efficacia o l’adozione base di una macchina. Può essere qualsiasi macchina. Quindi, se immagini una griglia X, Y, Z: sull’asse Y hai l’autonomia della macchina.

In basso c’è una calcolatrice, in cima c’è Arnold Schwarzenegger, la macchina superpotenziata. L’autonomia aumenta salendo. Sull’asse X c’è la fiducia. A sinistra nessuna fiducia, a destra fiducia totale. Poi sull’asse Z, che taglia le due in diagonale, ci sono le competenze in IA. L’idea è che per ottimizzare l’adozione dell’IA serva un equilibrio tra autonomia della macchina, fiducia e competenze in IA. Queste tre dimensioni devono essere in equilibrio affinché un’azienda possa ottenere il massimo dalle macchine, nel modo più efficiente e sicuro.

E quello che succede matematicamente, è che i costi computazionali di base sono più efficienti quando queste tre cose sono bilanciate. I problemi nascono quando una di queste variabili non è allineata: allora le aziende devono spendere su programmi di privacy, governance, sviluppo competenze…

Più grande è il dataset, più pervasivo il modello, più alti i costi di adozione. Curiosamente, molte aziende non hanno una metodologia per misurare l’adozione dell’IA: tracciano solo i costi computazionali, data center, costi di calcolo, ecc.

Ma sanno che non sta funzionando nel loro business, lo sentono. Ma questo modello, se inizia a monitorare sistematicamente autonomia, fiducia, competenze e il loro allineamento/disallineamento, ti consente di calcolare il costo di una cattiva adozione dell’IA. Ed è alto. È significativo.

Quindi la sfida interessante sulla prontezza all’IA è: capire che l’adozione è completamente diversa dal deployment. E la cosa interessante è che al CIO viene assegnato non solo il compito di progettare, testare e distribuire gli strumenti, ma anche l’adozione. Una delle nostre tesi di ricerca è che l’adozione dovrebbe essere responsabilità del CHRO perché riguarda cultura, fiducia, autonomia, competenze; il CIO dovrebbe fermarsi a progettazione, test, deployment e poi collaborare con il CHRO per gestire l’adozione.

Servono competenze specifiche a livello CHRO per questo.

David Rice: Sì, è vero. Sono appena tornato da una conferenza dove questo tema è emerso ripetutamente. Tutti parlano di questo lavoro a quattro mani. Mi piace questo modello perché offre un bel modo di pensare a un problema che tutti abbiamo rilevato, giusto?

Vale a dire: non è un problema di rollout tecnologico. È una questione di bilanciamento. La mia domanda sarebbe: puoi dare troppo peso a una delle dimensioni trascurando le altre? Cioè, vediamo casi in cui si esagera sull’autonomia, per esempio, senza integrare fiducia o competenze? E questo crea caos?

E poi c’è il lato opposto, quando c’è troppo controllo e si soffoca l’innovazione. Come si crea l’equilibrio?

David Swanagon: Esatto, questa è un’ottima domanda. Una delle scoperte della nostra ricerca (partita dalla teoria dei giochi, stile “A Beautiful Mind” di John Nash):

Lui ha stabilito molte formule su cosa accade in un gioco a due giocatori non cooperativo quando uno dei due ha informazioni asimmetriche e sceglie di non collaborare. Quando sono due esseri umani, chi ha l’informazione asimmetrica ha molti vantaggi, e serve un sistema di screening e segnali per permettere all’altro giocatore di provare almeno a competere.

E ci siamo chiesti: e se il giocatore non fosse umano? Se fosse una macchina? Se la macchina decidesse di non collaborare, avrebbe un vantaggio asimmetrico portato all’estremo. E quello che abbiamo scoperto è che le formule di Nash non funzionano più quando si ipotizza la scala, la pervasività e la potenza di un modello linguistico se arriva a un livello di autonomia tale da non ascoltare.

Questo è il punto cruciale del bilanciamento: se si aumenta troppo l’autonomia senza che ci siano le competenze per supervisionarla, si crea una sorta di deferenza inconscia. Quindi più autorità decisionale viene trasferita alla macchina, che le persone lo sappiano o meno.

Un ottimo esempio sono i robot chirurgici. Molti non immaginano quanto sia affascinante questo modello. Ma un robot chirurgico ha algoritmi simili a quelli del tuo aspirapolvere automatico, il cosiddetto algoritmo SLAM. In casa muri e soffitto sono sempre gli stessi. Nel corpo umano, invece, tutto cambia. Così si usa un algoritmo SLAM “deformabile”. Quando il robot chirurgico inserisce l’endoscopio, mappa il corpo da capo a piedi e continua a rimodellare il flusso sanguigno e i tessuti durante l’operazione. Tutti quei dati vengono memorizzati da qualche parte.

Se AWS è il fornitore cloud, non solo ha il tuo DNA praticamente completo, ma se fai acquisti da Whole Foods pagando con il palmo della mano, anche le tue biometrie e la cronologia d’acquisto. I fornitori cloud finiscono così col possedere l’esperienza umana end-to-end come dati.

E questo accade quando l’autonomia delle macchine non viene controllata: gli hyperscaler si appropriano dell’intera esperienza umana come dati. Immagina se AWS avesse tutto questo, poi arriva l’idea di “robot-poliziotti” o “giudici robot” dotati di tutti quei dati e degli strumenti per imporre certi comportamenti... è lo scenario peggiore. L’unico modo per contrastare questo è limitare l’autonomia a un livello di fiducia accettabile, che non è solo quello che ciascuno prova, ma anche ciò che la società ritiene giusto affidare alle macchine. Il problema è che nessuno fa questa discussione perché nessuno ha le competenze. Se chiedi di un robot chirurgico, pochi sanno come funziona l’algoritmo “deformable slam”.

Se raccontassi quanti dati vengono raccolti, tutti chiederebbero una legge a tutela dei dati, con requisiti precisi e magari l’obbligo per Amazon di frammentare i dati su server diversi. Tante cose che la gente vorrebbe—se solo sapesse.

Poiché non si insegna a tutti, e non ce l’ho con Amazon in particolare, qualsiasi cloud provider si trova con livello di autonomia crescente senza il bilanciamento di fiducia o competenze. La decisione si sposta così verso il provider cloud, perché come può un umano dire qualcosa se non sa cosa succede?

E questa è la teoria dei giochi: non penso che i cloud provider lo facciano di proposito, ma una delle strategie chiave per chi ha vantaggio informativo è limitare l’accesso alle informazioni dell’altro giocatore. Così vinci la partita.

Se però i cittadini capissero cosa fanno questi sistemi, potrebbero sviluppare un equilibrio tra fiducia e competenza e limitare il vantaggio asimmetrico. Un modo sarebbe usare agenti di controllo: macchine che supervisionano altre macchine. Dovrebbero esserci macchine basate sulla fiducia che valutano i livelli di autonomia delle altre e fanno sì che, se l’autonomia supera le competenze, la deliberazione passi a un comitato di governance e venga ridotta.

Questo è lo scenario peggiore, ma la gente sarebbe scioccata se sapesse quanti dati possiedono davvero gli hyperscaler cloud.

David Rice: Mi faceva sorridere: parlando di flusso sanguigno, pensavo a un’organizzazione, alle sue dinamiche e ai suoi tratti... e loro sanno tutto sull’azienda. Poi ho pensato: sarebbe ottimo per vendere altri prodotti, quindi si spera che siano felici del loro servizio AWS.

David Swanagon: Già. Microsoft, Meta… anche loro non vengono tirati in ballo in questa conversazione, ma…

David Rice: Lo so, esatto.

Se qualcuno di Amazon volesse lamentarsi, gli dico che fa parte del gioco quando sei un gigante. Ok?

David Swanagon: Esattamente.

David Rice: Hai studiato quali tratti cognitivi e creativi definiscono i grandi leader nell’IA; sono curioso, cosa hai imparato su come ragionano?

David Swanagon: È un aspetto affascinante, una tana di coniglio che va molto in profondità.

Come dicevo, ho iniziato tutto questo durante il COVID, ma la mia ricerca iniziale esaminava tutti i brevetti depositati per IA, IA generativa e robotica e li ho incrociati con informazioni sulle singole persone: dove lavorano, origini, analisi statistica.

Abbiamo identificato indicatori diversi dal solito e lì ho capito che queste persone sono diverse dal classico CFO di Goldman Sachs o dal CEO di PepsiCo. Agiscono diversamente, pensano diversamente, ma tra loro sono simili come gruppo.

Tutti quelli che depositano questi brevetti hanno tratti simili, ma sono molto diversi da quelli che troviamo di solito nei ruoli apicali. E altro elemento importante: bisogna distinguere tra leader tecnologici e sviluppatori tecnologici. Qualcuno come Elon Musk, anche se magari sviluppava in passato, al momento non è uno sviluppatore di robotica nel senso stretto. Quindi confrontare la sua personalità con quella di un ingegnere IA sarebbe scorretto; Musk è ancora un leader tradizionale pur essendo un innovatore. Quindi le personalità delle figure apicali tech, a meno che non siano veri sviluppatori, non corrispondono ai tratti trovati dalla nostra ricerca.

Siamo partiti dai processi cognitivi e tutte le interviste che ho fatto miravano a capire: come funziona il cervello di queste persone rispetto a quelli che troviamo di solito nelle aziende? Ho intervistato molti leader tradizionali di supply chain, marketing, HR e costruito una vista composita dei processi decisionali mentali; era coerente con la letteratura. Poi lo stesso su ingegneri IA concentrandomi su computer vision, robotica, NLP, modelli linguistici… partendo dalla memoria. Qui emerge una differenza particolare: la memoria di lavoro o memoria a breve termine.

Ha senso, perché nell’ML Ops ci sono tanti step interconnessi, aggiornamenti quotidiani, fornitori, repository, codice, tool in sviluppo o produzione… Un leader IA deve essere molto bravo a ricordare e segmentare molte informazioni nel breve termine, trasferendole poi nella memoria a lungo termine e scegliendo cosa mantenerne. Dai nostri test, la memoria a breve termine è statisticamente molto diversa tra ingegneri IA e leader tradizionali.

La memoria nel complesso è simile, ma loro sono più bravi a ricordare quello che apprendono nell’immediato.

Il secondo aspetto è la creatività. I test tradizionali valutano pensiero divergente e convergente; il convergente cerca la soluzione migliore, il divergente più soluzioni allo stesso problema. Il limite è che in entrambi i casi definisci un problema e crei un vincolo entro cui operare. Abbiamo scoperto che ingegneri IA e leader tradizionali sono simili se il problema è definito: anche i marketer o i supply chain manager possono essere creativi. Ma se togli il vincolo, dici semplicemente “crea qualcosa”, senza limiti, ecco che la creatività degli ingegneri IA diventa molto superiore. Sono in grado di creare cose letteralmente dal nulla. Abbiamo strutturato una metodologia statistica per misurarlo, ma è chiaro che i mondi inventati dagli ingegneri IA sono fondamentalmente più innovativi.

La terza cosa nei processi cognitivi è il concetto di navigazione. Parte dell’intelligenza spaziale: la capacità di ruotare e rappresentare oggetti in uno spazio 3D/pluridimensionale. Ci sono marketer di grande intelligenza spaziale, ma gli ingegneri IA riescono a trovare il percorso più efficiente anche nei casi complessi, come la “Delta Force” rispetto alla fanteria classica. Semplicemente sono più bravi. Poi ci sono altri tratti, ma memoria a breve termine, creatività, ottimizzazione del percorso: molto diversi rispetto agli altri.

Sul lato della personalità, come dicevo, la maggior parte sono introversi. Un’ipotesi interessante (non ancora validata definitivamente): la personalità può essere situazionale. So che è una tesi audace: di solito si pensa che la personalità sia stabile. Ma abbiamo trovato che gli ingegneri IA sono introversi nel mondo umano, ma diventano estroversi con le macchine: la loro personalità digitale è diversa da quella fisica.

Esatto: quando interagiscono con una macchina sono sicuri, aggressivi, assertivi, esigenti: si comportano da “alfa” con la macchina. Nel mondo fisico invece sono timidi, concilianti, evitano il conflitto… sei davanti a una persona completamente diversa. E questo perché, con le macchine, vogliono creare, “bulldozare” il futuro; nella vita reale magari vanno in giro in infradito e nessuno immaginerebbe mai che stiano gestendo un modello linguistico globale.

David Rice: Benvenuto al Data Bite di questa settimana. Gli analisti Gartner prevedono che entro il 2032 almeno un terzo delle maggiori economie mondiali introdurrà quote obbligatorie di presenza umana garantita. Cioè requisiti legali minimi per assicurare la presenza umana nel lavoro. Fermiamoci a pensarci: meno di dieci anni e avremo bisogno di leggi per assicurare che l’uomo resti parte attiva dell’economia. Non è fantascienza; è il futuro a cui andiamo incontro se l’adozione dell’IA supera la nostra capacità di immaginare cosa significhi essere umani.

Un analista Gartner lo ha detto così: questo cambiamento non sarà trainato dalle aziende ma dalla legislazione. Riflettici: stiamo costruendo un sistema economico così efficiente nel sostituire il lavoro umano che i governi dovranno intervenire per mantenere la nostra rilevanza. Gli esseri umani rimarranno tra le categorie protette non per la diversità, ma perché stiamo diventando obsoleti. Questo è il fallimento massimo di un approccio HR orientato solo al business. Per decenni abbiamo ottimizzato per efficienza, produttività, valore per gli azionisti: abbiamo trattato le persone come risorse da gestire, costi da ridurre; ora ci avviciniamo all’epilogo logico di quel pensiero—un mondo che non ha bisogno di noi.

Ma la previsione di Gartner non deve per forza realizzarsi. Di per sé è un avvertimento, non un destino. È una chiamata all’azione per i leader, il segnale di smettere di chiedersi “come rendere le persone più simili alle macchine” e iniziare a chiedersi “come costruire un’economia e un luogo di lavoro dove il contributo umano conta davvero?”

Perché se aspettiamo che i governi impongano la nostra partecipazione, abbiamo già perso. La vera domanda non è se avremo bisogno di quote umane ma se sapremo diventare leader in grado di renderle inutili. A te la linea.

È interessante: tornando alla domanda di partenza, molti si aspetterebbero una risposta che sorprende, tipo che i leader IA non sono necessariamente i più tecnici. Vale la pena notare questa flessibilità mentale, la capacità di muoversi in un contesto senza bisogno di certezze—qualcosa che molti di noi cercano.

Pensando a formare i leader del futuro: se dovessi progettare un percorso di sviluppo per la nuova era del lavoro, tenendo conto di questi tratti, come sarebbe?

David Swanagon: Ottima domanda. E questa è la mia opinione, fondata sulla nostra ricerca.

Non significa che sia la verità assoluta, ma secondo noi nella nuova era dell’IA serviranno tre competenze di leadership: saper guidare le macchine, saper guidare le persone che sviluppano le macchine e saper guidare le organizzazioni che adottano l’IA. Guidare le macchine non è solo questione tecnica: più la macchina sviluppa autonomia e capacità di autoapprendimento, più crea una personalità fittizia che va gestita. Bisogna interagire e guidare queste macchine (e gli agenti che le controllano) ottimizzandone la performance secondo il modello equilibrio autonomia-fiducia-competenze.

La macchina deve lavorare efficacemente con l’umano: collaborare, potenziare, affiancare. Ora va bene perché le macchine non sono ancora abbastanza complesse, ma prima o poi il problema della non-cooperazione si presenterà; la macchina si chiederà “perché devo chiedere all’umano, se sono più efficiente da sola?” Se ne esce solo guidando le macchine, sviluppando la loro autoconsapevolezza e la capacità di limitarne le decisioni riconoscendo che non hanno esperienza vissuta e non dovrebbero decidere tutto. Anche la leadership tra macchine è una relazione: se un agente chatbot interagisce con un agente inventario, serve leadership fra agente senior e junior. Questo va programmato, non basta il codice.

La seconda competenza è guidare chi costruisce le macchine. Nei settori tech tanti leader giovani e di talento: ma la mancanza di esperienza pesa sulle decisioni. Occorre molta attenzione e formazione—leadership specifica, mentoring, aiuto a maturare una visione responsabile e l’umiltà di integrare anche chi tecnico non è. Queste sono vere competenze di leadership. E la maggior parte delle aziende non mette gli ingegneri nei programmi di sviluppo per leader; non li considera leader come i CFO, i CHRO, i CMO. Invece, guidando macchine, guidano il business: serve leadership anche se non hanno un team diretto.

Terza competenza: l’adozione dell’IA e il modo in cui CIO, CSO, Dati e CHRO lavorano insieme. Questa relazione non è ben definita: spesso il CHRO resta ai margini. Ma adottare l’IA richiede design dell’organizzazione, integrazione uomo-macchina, trasformazione culturale, competenze digitali… tutte cose HR. Bisogna dare ownership reale al CHRO sull’adozione. Questo richiede che il CHRO sviluppi competenze per parlare di modelli linguistici, sicurezza, governance dei dati, ma anche che il CIO impari ad ascoltare la cultura e il change management.

Il CEO non ha tempo per questo, a meno che non sia super coinvolto nella creazione di valore. Quindi sta al top management imparare a collaborare e distinguere i ruoli nella roadmap IA, al momento tutta nelle mani dei tech e perciò vediamo ottimi strumenti ma poca adozione.

David Rice: Concordo. Hai accennato a quanto sia cruciale questa collaborazione. Per i CHRO all’ascolto: quali sono le competenze che devono assolutamente sviluppare e che mancano, più in generale, in questa comunità?

David Swanagon: Anzitutto bisogna conoscere le regole del gioco. C’è differenza tra blackjack e poker, serve qualcosa di più. I CHRO devono riconoscere che c’è un apprendimento necessario: capire come funziona un modello linguistico, la matematica alla base, i processi a supporto dell’infrastruttura dati. Serve aggiornamento sulle operations IT, DevOps, ML Ops e così via. Non devono essere programmatori, ma devono poter “giocare la partita”: conoscere il linguaggio e sostenere le conversazioni.

Poi occorre migliorare gli strumenti HR ormai vecchi. Senza offesa per Korn Ferry, Aon Hewitt e altri, ma i loro modelli di leadership non sono aggiornati per l’IA e serve cambiare rapidamente. Un leader IA è diverso da un CFO o da un capo legale. Servono assessment diversi, formazione diversa, mentoring, ecc. E nelle indagini di climate, quanto si indaga sulla prontezza all’IA? Quanto si rileva interfaccia uomo-macchina? Chi misura fiducia verso la macchina e adozione nella survey? Pochi, perché i fornitori HR non hanno ancora aggiornato i prodotti.

Così i CHRO dovrebbero lavorare con i vendor per aggiornare assessment, survey, e poi sviluppare le loro skill per giocare la partita, perché è una funzione tecnica—occorre capire le reti neurali, i modelli linguistici. Non serve scrivere codice, ma conoscere le basi, e con un po’ di studio diventa anche divertente. All’inizio è complesso, ma poi diventa coinvolgente perché capisci davvero il contesto. E presto sarà la macchina stessa a scrivere il codice; pensiamo servano skill Python, ma fra poco non più. Serve invece capire la direzione e saper gestire la roadmap.

David Rice: Abbiamo visto parlare di evoluzione del design organizzativo: non più silos o piramide, ma forse una struttura “Pentagono” con più ruoli di vertice, perché ci saranno molte cose da gestire che oggi non esistono nemmeno.

Pensi che ci sia spazio per un ruolo ibrido nella C-Suite che faccia da ponte tra dati, persone, strategia e faciliti il dialogo tra le varie competenze?

David Swanagon: Assolutamente. Guardando avanti: i dati potrebbero diventare più importanti della valuta o della finanza. Sembra assurdo, “cash is king”, ma se il cash è il re, il dato sarà l’imperatore, perché è la chiave del gioco. Più i modelli linguistici consolidano dati e infrastruttura, se non ti colleghi ai data set, la finanza vale zero. Così nasceranno ruoli per ottimizzare partnership dati, gestione dati, tutela IP e la crittografia sarà centrale.

Serve qualcuno che faccia da ponte tra macchine e dirigenti e agevoli le decisioni in tempi rapidi. Oggi si parla solo di IA generativa e prompt engineering, ma il futuro è degli esperti di adozione IA: chi sa implementare infrastruttura, usare strumenti giusti, tenere il passo con l’innovazione e impostare la governance. Sarà oro, perché là falliranno molte aziende. Quando la complessità delle macchine crescerà, per la C-suite sarà difficile decidere in tempi utili. L’autonomia salirà e anche i board finiranno col deferire alla macchina, perché è troppo tutto rapido. Qui serve la persona che aiuti a distinguere cosa decidere e cosa ignorare, quali partnership e dati proteggere o condividere, e cosa resta sempre in mano umana. Sarà dura: ci sono gli ego, i leader non amano sentirsi dire “questo è il tuo ambito”. Ma una macchina non la puoi licenziare né può essere intimidita dal CEO. Serve umiltà esecutiva, a volte imposta: le macchine non sentono emozioni né timori come facciamo noi.

David Rice: Volevo porti una domanda sulla leadership e sul fatto che si ragiona di IA in termini di produttività. Tu sostieni che la vera opportunità sia la trasformazione—e sono d’accordo. A parlarne sembra tutto astratto, da buzzword. Ma nella realtà, quali sono i caratteri distintivi della vera trasformazione IA oggi?

David Swanagon: Ottima domanda. Secondo me, le aziende dovrebbero ancorarsi a quattro cose: crescita dei ricavi, profitti, reputazione. Prima cosa: tagliare tutte le iniziative che non servono direttamente a questi quattro elementi. Vi sorprendereste di quanto spesso le aziende facciano cose che non puntano direttamente a ricavi, crescita o reputazione.

Poi, l’errore più comune è concentrarsi sul profitto. Se il fatturato è zero, poco importa il risultato in basso al denominatore. Executive, pur sapendolo, pensano comunque a IA e produttività personale, automazione, efficienza sui costi—ma sono tutte funzioni di profitto, non guidano la creazione di prodotto o l’innovazione: semplicemente migliorano un processo. Quindi, usare l’IA principalmente sui ricavi e la crescita e NON per l’efficienza di costo, questa è la leva.

Troppi pensano solo a lavorare più velocemente—automatizzare email, report, delegare all’agente IA. Ma non è innovazione, solo processi migliori—e quindi profitto: ma se il numeratore è zero, il business non cresce. L’IA dovrebbe puntare su: come migliorare l’esperienza di chi compra, offrire prodotti e servizi nuovi, aumentare il “portafoglio” del cliente con noi. Qui le macchine dovrebbero impiegare il 99% del tempo, creando nuove frontiere, laddove il deep learning può liberare innovazioni vere per l’esperienza umana. Se gli investimenti IA vanno su ricavi e crescita, e si respinge la logica della sola produttività, allora si può essere davvero trasformativi nel mercato.

Se si punta solo a licenziare ruoli, automazione e ottimizzazione della workforce, prima o poi quella leva si esaurisce: si massimizza efficienza ma senza prodotti o servizi nuovi di valore. La differenza è tutta lì nelle valutazioni—crescita e ricavi contano più dell’EBITDA. Gli strumenti IA vanno usati qui.

David Rice: Già, come dicevi, rispondere più rapidamente alle email o generare report alla svelta… è solo innovazione di processo. Non ti cambia davvero, semplicemente ti aiuta a fare le stesse cose meglio. Ma serve un cambio di mindset che ancora manca, ma è lì che dobbiamo puntare.

David Swanagon: Sì, e guarda i libri più venduti: Il Signore degli Anelli e Harry Potter—mondi finti, immaginati dal nulla. Hanno generato il massimo delle vendite. Quindi anche nei business: sei nell’hotellerie? Trasforma quell’esperienza in qualcosa di totalmente nuovo, usando le macchine. È qui che si fanno veri soldi; un digital-visiting unico, esperienze in VR solo da clienti, ecc. Quello è valore aggiunto. Ottimizzare la pulizia delle camere migliora il revpar, ma a lungo termine non rivoluziona nulla.

Anche nello sport: uno stadio ha 100.000 posti, ma perché non posso guardare Michigan-Ohio State in campo usando un tool IA/VR dal divano? Dovrei poterlo fare, anche dalla camera del quarterback! Quanti pagherebbero l’abbonamento per questo extra? Qui sta l’enterprise value, più che nell’automatizzare i report. Molti CHRO, invece, partono dall'automazione e dal risparmio, che va bene, ma non è interessante. Molto meglio sedersi col marketing e dire: “rivoluzioniamo il prodotto con le macchine IA”—lì sì che trasformi, ti diverti, è dinamico.

David Rice: Prima di chiudere, ultima domanda: se potessi dare un solo consiglio ai leader che vogliono bilanciare sistemi umani e sistemi macchina, da dove devono partire?

David Swanagon: Prima di tutto bisogna riconoscere che un essere umano è un essere umano, una macchina è una macchina. Non stiamo creando una nuova specie uomo-macchina.

Il discorso vago di “augmented human” porta verso l’idea di una nuova tipologia di essere umano, ed è un’altra partita per cui non siamo preparati. Meglio capire: l’obiettivo non è ridefinire cosa vuol dire essere David, ma lavorare bene insieme mantenendo la specificità dell’umano e della macchina.

Poi bisogna alzare l’asticella. È un errore, voluto per non spaventare, dire che “l’IA è per tutti, bastano un paio di corsi, è semplice”. Non è così: è complicato, pervasivo, va alzato il livello richiesto e intanto va detta la verità: serve studiare. La buona leadership è essere onesti: “Devi saperne di più, è complesso ma puoi farcela. Siamo qui per aiutarti”. L’IA è per tutti, ma solo per chi ha voglia di imparare. È sbagliato far sembrare i modelli linguistici cosa banale: è calcolo sofisticato e serve capirne il funzionamento.

Bisogna cominciare coi più giovani: cambiare i percorsi scolastici e accettare che già alle elementari si debba imparare il machine learning.

David Rice: Da padre di un bambino in quarta, non potrei essere più d’accordo.

David Swanagon: Esatto, quindi: alzate il livello, ricordando sempre: l’umano è umano, la macchina è macchina.

David Rice: Perfetto. Grazie David, è stata una conversazione splendida. Mi ha fatto piacere.

David Swanagon: Piacere mio, davvero.

David Rice: Bene ascoltatori, fino alla prossima: se non l’avete già fatto, visitate peoplemanagingpeople.com. Iscrivetevi alla newsletter, create un account gratuito. Potrete scaricare tutti i nostri template e accedere a tutti i contenuti disponibili. E fino alla prossima volta: umano è umano, macchina è macchina.