I Costi Nascosti di una Scorretta Adozione dell’IA (E Chi Dovrebbe Risolverli)

David Rice: La tua azienda sta spendendo centinaia di migliaia, forse milioni, in strumenti di intelligenza artificiale. I tuoi dipendenti non li stanno usando e, quando lo fanno, creano più problemi di quanti ne risolvono. Ti suona familiare? Forse mi hai già sentito ripeterlo molte volte, ma questo non è un problema tecnologico. È un problema di preparazione. E il motivo per cui i tuoi investimenti in IA non funzionano non dipende dagli strumenti in sé. Tutto ruota intorno a un disallineamento fondamentale tra l'autonomia delle macchine, la fiducia umana e la competenza che ti sta costando molto più di quanto potresti pensare.

Sono David Rice. E oggi, su Persone che Gestiscono Persone, avremo una conversazione che mette 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 trascorso anni intervistando centinaia di ingegneri IA e leader per capire perché gli Stati Uniti sono indietro nella preparazione all’IA, nonostante dispongano di tutti gli strumenti migliori. In questa puntata imparerai a conoscere 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 attivo in modi che forse non ha ancora neanche immaginato. E, soprattutto, capirai come smettere di trattare l’IA come un semplice progetto tecnologico e iniziare a vederla per ciò che è veramente: una sfida dei sistemi umani.

Benvenuto al podcast Persone che Gestiscono Persone, il programma che aiuta i leader a mantenere il lavoro umano nell’era dell’IA. Mi chiamo David Rice e sono il tuo conduttore. Oggi sono affiancato da David Swanagon. È il fondatore e caporedattore del Machine Leadership Journal. Parleremo, come puoi immaginare, di leadership nell’era dell’IA, di cosa significhi essere pronti e delle caratteristiche dei grandi leader.

Allora, David, benvenuto!

David Swanagon: Grazie. Non vedo l’ora di iniziare questa conversazione.

David Rice: Sai, studi questa materia quanto noi, perciò vorrei iniziare da qui. Prima della registrazione hai detto che gli Stati Uniti sono indietro per quanto riguarda la preparazione all’IA e, a mio avviso, è vero, ma non per mancanza di strumenti, quanto per la mancanza di preparazione delle persone.

Lo diciamo spesso, ma cosa significa realmente e perché i leader dovrebbero preoccuparsene o aspettarsi che sia diverso?

David Swanagon: È un’ottima domanda. Questo è stato il mio progetto durante il periodo del COVID, quando eravamo tutti chiusi in casa. Ho passato il tempo intervistando centinaia di ingegneri IA e professionisti della robotica per capire quali siano le capacità peculiari dell’intelligenza artificiale rispetto all’apprendimento tradizionale.

Ciò che abbiamo scoperto è che gli ingegneri IA sono incredibilmente singolari, ma diversi nel modo in cui ragionano. Sono loro che stanno costruendo i modelli linguistici. E, crederci o no, i modelli linguistici sono molto simili agli ingegneri IA che li sviluppano. Abbiamo riscontrato elementi interessanti come la memoria a breve termine, la creatività. Andremo più nel dettaglio più avanti. L’intelligenza spaziale, la capacità di andare dal punto A al punto B. Ci sono molte abilità molto specifiche e distintive nell’ingegneria IA e negli Stati Uniti la mentalità non è quella di svilupparle. Si punta su altre competenze.

Tradizionalmente, penseresti ai famosi "big five" tratti OCEAN. L'estroversione è considerata un indicatore di leadership e preparazione alla leadership mentre, nell’ingegneria IA, la maggior parte dei maggiori generatori di brevetti, innovatori, sono introversi. E se vuoi un esercizio divertente, puoi andare su Gemini o Claude o altri, e chiedere loro quale sarebbe la loro personalità in base ai Big Five.

Tutti i modelli linguistici, all’inizio, ti risponderanno che sono macchine, giusto? Ma una volta che li convincerai a rispondere, ti diranno che sono introversi. Altamente amichevoli. Molto aperti e creativi. È interessante perché se pensi al sistema scolastico statunitense, e poi passi all’idoneità all’IA in azienda: ci sono 40 corsi AP nel curriculum delle superiori.

Non esiste un solo corso di algebra lineare, e questo sorprende molti. Ma l’algebra lineare è la base tra i concetti più importanti per il machine learning e le reti neurali, perché riguarda tutto: dal prodotto scalare ai vettori a come queste reti neurali elaborano le informazioni.

Bisogna avere una solida preparazione in algebra lineare. Bene, il sistema scolastico americano non è progettato per fornire queste basi. Poi si entra in azienda, e molte di queste capacità sono possedute da meno dell’1% dei dipendenti. Quindi, il vero problema è non dare priorità alle giuste competenze, non per scelta, ma perché questi strumenti riflettono le personalità dei loro sviluppatori.

E molti di questi sviluppatori sono molto diversi dai dirigenti tradizionali. Quindi, Korn Ferry, AI, Kiewit: tutte queste realtà hanno un piccolo punto cieco perché i modelli linguistici non riflettono i tratti di leadership della C-Suite. Riflettono quelli degli sviluppatori – personalità completamente diverse.

Ecco perché negli Stati Uniti si è indietro su molti fronti.

David Rice: È curioso, perché quando pensiamo alla readiness, molti pensano solo a competenze tecniche o cultura aziendale, giusto? Ma da quello che dici sembra che, in un certo senso, non siamo nemmeno cognitivamente pronti, soprattutto rispetto alla leadership: penso alle caratteristiche necessarie, come adattabilità, la capacità di generare fiducia e sicurezza nelle decisioni — non solo una conoscenza tecnica. Sembra che proprio qui stiamo mancando di più. Non è una buona combinazione, considerando il periodo.

David Swanagon: È assolutamente corretto. Ho presentato qualche settimana fa alla Columbia insieme al mio collega Steven McIntosh. Abbiamo sviluppato un modello che punta a ottimizzare l’adozione dell’IA. Dalla nostra ricerca, abbiamo scoperto che ci sono veramente tre dimensioni che influenzano l’efficienza di base, o meglio, quanto una macchina viene accettata. Può essere qualsiasi tipo di macchina. Immagina una griglia X, Y, Z. Sull’asse Y l’autonomia della macchina.

In basso hai una calcolatrice, in alto Arnold Schwarzenegger, la macchina super potente. L’autonomia cresce salendo. Sull’asse orizzontale hai la fiducia. A sinistra nessuna fiducia, a destra fiducia completa. Poi c’è l’asse Z che li interseca ed è una diagonale: rappresenta le competenze nell’IA. Quindi, per ottimizzare l’adozione, bisogna bilanciare autonomia della macchina, fiducia e competenze. Queste tre dimensioni devono essere in equilibrio per ottenere il massimo dalla macchina, minimizzando i rischi.

A livello matematico, abbiamo scoperto che il costo computazionale di base è più efficiente quando questi tre elementi sono bilanciati. I problemi sorgono quando qualcosa si sbilancia, allora le aziende devono investire in programmi di privacy, governance, formazione sulle competenze.

Più grande è il dataset, più pervasivo è il modello, più crescono i costi di adozione. È interessante che molte aziende non abbiano un metodo per misurare l’adozione dell’IA: tengono conto solo dei costi computazionali, tipo data center, costi di calcolo, e così via.

Ma sanno che non funziona realmente nel loro business. Questo modello, invece, ti permette di tracciare in modo sistematico autonomia, fiducia, competenze e i loro allineamenti/disallineamenti, così puoi calcolare il costo di una cattiva adozione ed è enorme.

Il punto interessante, secondo me, è capire che l’adozione è completamente diversa dalla semplice introduzione. E spesso al CIO non solo viene affidata la progettazione, il test e il deployment degli strumenti, ma anche l’adozione. Una delle nostre tesi è che l’adozione debba ricadere sotto il CHRO, perché riguarda cultura, fiducia, autonomia, competenze; il CIO dovrebbe occuparsi di progettazione, test e deployment e poi collaborare con il CHRO per la gestione dell’adozione.

Serve crescita anche nelle competenze del CHRO per questo.

David Rice: Sì, infatti, mi sono appena ritrovato a un convegno dove questa questione è stata discussa spesso. Tutti parlano dell’interazione tra i due ruoli. Questo modello è utile, in quanto propone un modo efficace di inquadrare un problema noto:

cioè, non è un semplice rollout tecnologico. È una questione di equilibrio. Ti chiedo: si può enfatizzare troppo una dimensione a scapito delle altre? Per esempio, vediamo casi in cui si esagera con l’autonomia senza considerare fiducia o competenza, creando caos?

Oppure, all’opposto, si controlla troppo e si soffoca l’innovazione. Come si trova l’equilibrio?

David Swanagon: Ottima domanda. Nella nostra ricerca siamo partiti dalla teoria dei giochi per costruire il modello, tipo "A Beautiful Mind" con John Nash.

Lui ha sviluppato molte formule su ciò che accade in un gioco a due giocatori non cooperativo, dove uno ha informazioni asimmetriche e sceglie di non collaborare. Quando sono due esseri umani, il giocatore con le info asimmetriche ha molti vantaggi, e l’altro deve agire con scrupolo per rimanere in partita.

Allora ci siamo chiesti: e se l’altro giocatore non fosse umano, ma una macchina? Se una macchina decidesse di non cooperare? Avrebbe un vantaggio asimmetrico enorme. E abbiamo scoperto che le formule di Nash non funzionano quando assumi la scala e la pervasività di un modello linguistico che raggiunge un’autonomia per cui non ascolta più.

Ecco dove entra l'equilibrio: se spingi troppo sull’autonomia senza avere le competenze per supervisionare, avviene un deferimento inconsapevole: sempre più autorità decisionale è trasferita alla macchina, anche senza rendersene conto.

Un esempio perfetto è il robot chirurgico. Molti non sanno che usa algoritmi simili a un aspirapolvere automatico: il cosiddetto algoritmo SLAM. Ma, a differenza degli aspirapolvere dove muri e soffitti non cambiano mai, nel corpo umano i tessuti, i reni, il flusso sanguigno cambiano sempre — quindi serve un algoritmo slam deformabile.

Quando un robot chirurgico inserisce l’endoscopio, mappa il corpo dalla testa ai piedi e durante l’operazione ricalcola costantemente come cambiano i tessuti e il sangue, costruendo modelli in tempo reale. Questi dati vengono archiviati.

Se, ad esempio, AWS è il fornitore cloud, non solo avrà il tuo DNA, ma, se fai la spesa da Whole Foods pagando col palmo, avranno anche i tuoi dati biometrici e la storia dei tuoi acquisti. Così i fornitori cloud possiedono l’intera esperienza umana dal punto di vista dei dati.

Ecco cosa succede quando l’autonomia delle macchine non ha controllo: gli hyperscaler detengono tutto. Immagina se AWS avesse tutti questi dati e qualcuno proponesse robot-poliziotti o giudici robot — potrebbero usare i dati per far rispettare il comportamento. È uno scenario da incubo.

L’unico modo per combatterlo è limitare l’autonomia a un livello accettabile di fiducia: e la fiducia non è solo ciò che pensa una persona, ma anche ciò che la società crede debba essere delegato a una macchina. Il problema è che non stiamo affrontando questa conversazione perché le persone non hanno le competenze. Molti non sanno come funziona un algoritmo SLAM deformabile.

Se capissero quanti dati vengono raccolti, tutti vorrebbero una legge che regoli collezione e archiviazione; che Amazon partizioni i dati su server diversi, e così via. Poiché non viene insegnato, e Amazon non è l’unico esempio, i cloud provider possono estendere l’autonomia senza adeguata fiducia o competenza e le decisioni passano a loro, perché l’umano non sa nemmeno cosa sta succedendo.

Tutto questo fa parte della teoria dei giochi. Non credo sia una strategia deliberata dei cloud provider, ma uno dei modi per avvantaggiarsi in un gioco asimmetrico è limitare le informazioni dell’altro giocatore. Così si crea la strategia dominante.

Se i cittadini capissero questi casi d’uso, potrebbero sviluppare fiducia ed equilibrio delle competenze, limitando tale vantaggio asimmetrico. Un modo per farlo può essere agenti di controllo: macchine che supervisionano altre macchine; macchine per il controllo della fiducia che valutano l’autonomia degli altri sistemi e riportano le decisioni a un comitato di governance quando l’autonomia supera le competenze.

È uno scenario estremo, ma importante da capire: sarebbe scioccante sapere quanti dati detengono davvero gli hyperscaler.

David Rice: È curioso, perché mentre spiegavi la questione del flusso sanguigno etc., pensavo proprio a un’organizzazione con i suoi ritmi e caratteristiche. Poi ho subito pensato che, sapendo tutto dell’organizzazione, sarebbe un ottimo modo per venderle nuovi prodotti… Beh, meglio augurarsi che siano felici del servizio AWS.

David Swanagon: Esatto. Microsoft, Meta eccetera se la cavano sempre su questo fronte, ma…

David Rice: Lo so, già…

Se qualcuno in Amazon avesse da ridire direi che fa parte dell’essere un colosso, d’accordo?

David Swanagon: Esattamente.

David Rice: Hai studiato i tratti cognitivi e creativi che definiscono i grandi leader dell’IA; sono curioso, cosa hai imparato sul loro modo di pensare?

David Swanagon: È affascinante. Il discorso è molto profondo in questo senso.

Come dicevo, ho iniziato durante il COVID, ma la mia ricerca iniziale si è concentrata sullo studio dei brevetti IA, IA generativa, robotica eccetera, incrociandoli con le persone coinvolte, dove lavoravano, da dove venivano, facendo analisi statistiche sugli individui.

Abbiamo individuato dei marcatori diversi, ed è proprio questo che mi ha appassionato: queste persone sono diverse dai tradizionali CFO di Goldman Sachs o CEO di PepsiCo. Pensano e agiscono in modo diverso, ma tra loro sono molto più simili di quanto siano simili ai leader tradizionali. Credo sia importante capirlo con rispetto: i leader tecnologici sono diversi dagli sviluppatori tech. Elon Musk ad esempio avrà capacità di sviluppo, ma nel suo ruolo attuale non è uno sviluppatore robotico o uno sviluppatore deep learning. Confrontare la sua personalità con quella di un ingegnere IA sarebbe un falso parallelo, perché, pur essendo un innovatore, rimane più vicino ai leader tradizionali. Solo un vero sviluppatore rispecchia ciò che abbiamo trovato nella nostra ricerca.

Abbiamo iniziato dal punto di vista dei processi cognitivi usando interviste a leader tradizionali in supply chain, marketing, HR, per creare un quadro mentale di come prendevano decisioni. E il quadro era coerente coi dati. Poi abbiamo fatto la stessa cosa con ingegneri IA specializzati in computer vision, robotica, NLP, modelli linguistici. Siamo partiti dalla memoria. Ed eccolo qui: esiste una componente particolare della memoria molto diversa nei leader IA rispetto ai leader tradizionali, cioè la memoria di lavoro o memoria a breve termine.

Ha senso, perché se osservi l’ML Ops, ci sono tanti passaggi interconnessi, continui aggiornamenti giornalieri, diversi fornitori, vari repository, codici: tanti strumenti in continuo sviluppo o già in produzione.

Il leader IA deve essere bravissimo a ricordare e organizzare informazioni a breve termine e capire cosa trasferire nella memoria a lungo termine e quali informazioni preservare. Dai nostri test risulta che la memoria a breve termine è significativamente migliore negli ingegneri IA, anche se, nel complesso, la memoria globale è simile. Non sono solo più bravi a ricordare in generale, sono più bravi a ricordare ciò che apprendono di recente. Questo è un aspetto. Poi c’è la creatività. Qui, tipicamente, le valutazioni di leadership distinguono fra pensiero convergente (trovare la soluzione migliore) e divergente (produrre più soluzioni). Ma in entrambi i casi si parte da un problema definito. Abbiamo scoperto che in questa situazione gli ingegneri IA e altri leader brillano allo stesso modo, sia in marketing che supply chain. Se crei una scatola, e dici: trova soluzioni per questo problema, se la cavano allo stesso modo.

La vera differenza emerge quando non definisci il problema. Quando semplicemente dici: crea qualcosa dal nulla, senza limiti. Più specifichi che si tratta di crescita, profitto o reputazione, più la creatività degli ingegneri IA e dei leader tradizionali si avvicina. Più lasci libertà, più gli ingegneri IA si distinguono: riescono a creare davvero dal nulla, con una capacità di immaginazione superiore. Abbiamo sviluppato una metodologia statistica per misurare tutto questo e i mondi inventati sono oggettivamente più ricchi rispetto ai leader tradizionali.

Il terzo elemento, nei processi cognitivi, è la capacità di navigazione — parte dell’intelligenza spaziale: la capacità di ruotare, rappresentare oggetti in 3D o spazi multidimensionali. Anche qui, nel marketing esistono persone geniali, ma negli ingegneri IA la capacità di trovare la strada più efficace è nettamente maggiore, soprattutto nei problemi spaziali complessi: sono come le forze speciali rispetto alla fanteria normale. E poi c’erano altre differenze, ma la memoria a breve termine, la creatività e l’ottimizzazione dei percorsi sono le più peculiari.

Sul piano della personalità, come dicevo, quasi tutti sono veri introversi. Ma abbiamo notato un elemento interessante, ancora ipotetico: la personalità può essere situazionale. È una tesi audace, ma abbiamo riscontrato che gli ingegneri IA sono introversi nella vita reale, ma quando interagiscono con le macchine diventano estroversi. La loro personalità digitale è diversa da quella fisica.

Quindi se interagiscono con una macchina diventano sicuri, assertivi, dominanti, guidano come alfa; ma nel mondo reale preferiscono non confrontarsi, essere concilianti, non entrare in conflitto: sono un’altra persona. E questa è la nostra scoperta: estroversi con le macchine, persino aggressivi, nel senso positivo: determinati, desiderosi di innovare e sviluppare, e poi molto introversi nella vita sociale — vestiti casual, nessuno sospetterebbe che gestiscono modelli linguistici di portata mondiale.

David Rice: Benvenuti al Data Bite di questa settimana. Le previsioni di Gartner indicano che entro il 2032 almeno un terzo delle maggiori economie globali introdurrà quote minime obbligatorie di lavoro umano. In altre parole, vincoli di legge che garantiscano il coinvolgimento minimo degli esseri umani nel lavoro. Fermiamoci un attimo: tra meno di un decennio potremmo aver bisogno di leggi per assicurarci che gli umani abbiano ancora un ruolo significativo nell’economia. Non è fantascienza: è la naturale conseguenza di quando l’adozione dell’IA supera la nostra capacità di immaginare un futuro in cui gli uomini contano ancora.

Un analista Gartner l’ha messa così: questo cambiamento non sarà guidato dalle aziende, ma dalla legge. Riflettiamo su cosa significa: stiamo costruendo un sistema così efficiente nel sostituire il lavoro umano, che i governi dovranno intervenire per conservare la nostra rilevanza.

Gli esseri umani verrebbero tutelati non perché "diversi", ma perché diventati obsoleti. Questa è la sconfitta definitiva della visione HR business-first. Per decenni abbiamo ottimizzato per efficienza, produttività e valore per gli azionisti, trattando le persone come risorse da gestire, costi da abbattere. Ora ci troviamo di fronte all’ultimo sviluppo logico di questo pensiero: un mondo che non ha più bisogno degli umani. Ma ciò che trovo più interessante di questa previsione è che non deve necessariamente avverarsi: il solo fatto che Gartner predica quote minime umane è in sé un avvertimento, non un destino. È un appello ai leader per cambiare approccio: non chiedersi come rendere le persone più simili a macchine, ma come costruire un’economia che valorizzi il contributo umano.

Se aspettiamo leggi che ci costringano a restare nel mondo del lavoro, abbiamo già perso. La domanda non è se serviranno quote minime umane, ma se sapremo diventare leader capaci di renderle superflue. E con questo, torniamo alla puntata.

È interessante, perché tornando alla domanda iniziale, la gente penserebbe che tu dica che non sono i più tecnici a fare la differenza.

La vera sorpresa, invece, è l’agilità mentale, la capacità di muoversi in questo spazio senza certezze, che è ciò che molti inseguono.

Tenendo conto di questo, pensando ai leader del futuro, se dovessi disegnare un programma di sviluppo della leadership per la prossima era del lavoro, quali tratti includeresti?

David Swanagon: Bella domanda. Secondo la nostra ricerca, saranno tre le competenze di leadership necessarie nell’era dell’IA. Un leader dovrà saper guidare le macchine, guidare le persone che costruiscono le macchine e guidare le organizzazioni nell’adozione dell’IA. Questi tre ambiti. Guidare le macchine è interessante: non è una questione tecnica come la si intende di solito. Più cresce l’autonomia e la capacità autoapprendente delle macchine, più serviranno competenze vere di leadership, perché la macchina sviluppa una sorta di falsa "personalità" che va gestita.

Un leader dovrà quindi saper dialogare con queste macchine sofisticate, anche con agenti specializzati che supervisionano altri agenti, sempre nell’ottica di ottimizzare prestazioni, autonomia, fiducia e competenza.

L’obiettivo è che la macchina collabori efficacemente con l’umano, che lo affianchi e lo completi. Per ora va tutto bene perché le macchine non sono ancora "ribelli" ma la nostra matematica suggerisce che prima o poi si creerà un problema di non cooperazione.

La macchina si chiederà: "Perché rivolgersi all’umano se posso fare meglio da sola?" Per evitare ciò bisogna formare la macchina a riconoscere i propri limiti: non ha esperienza vissuta — quindi non dovrebbe giocare tutti i ruoli decisionali. Da qui, la leadership sulle macchine.

Poi c’è la leadership sulle persone che costruiscono le macchine: qui è fondamentale. Meta, per esempio, ha messo a capo dell’IA una persona molto giovane e competente, e lo vediamo spesso nel tech. Ma la poca esperienza di vita può essere una lacuna: non puoi colmarla, non hai vissuto abbastanza. Serve tanto coaching, bisogna aiutare questi sviluppatori a maturare, affinché non si limitino all’innovazione tecnica ma capiscano il loro impatto sull’umanità e coinvolgano chi non è tecnico nella conversazione.

Sono vere competenze di leadership e la maggior parte delle aziende non include gli ingegneri tech nei programmi di formazione per la leadership: non li vedono come leader come il CFO, il capo del marketing ecc. Ma sono loro a guidare business, crescita, reputazione. Anche se non guidano squadre, se guidano le macchine, devono essere preparati.

Terza competenza: adottare l’IA. Qui bisogna vedere come CIO, CSO e data officer collaborano con il CHRO. Nella maggior parte delle organizzazioni, il CHRO resta ai margini sulla questione IA. Invece, l’adozione richiede progettazione di modelli operativi, integrazione uomo-macchina, trasformazione culturale, alfabetizzazione digitale: strumenti da HR e leadership. Il CHRO dovrebbe avere la proprietà del processo di adozione IA, ma servono anche capacità di discutere tecnicamente di modelli linguistici, sistemi di sicurezza o data management.

Il CIO invece dovrebbe essere aperto a dialogare su sviluppo della leadership, cultura, change management. Il CEO guida il valore d’impresa ma non ha tempo per tutto; tocca davvero al C-suite collaborare e chiarire le rispettive responsabilità sulla roadmap IA, mentre oggi è tutto in mano al tech, risultando in ottimi strumenti ma pessima adozione.

David Rice: Sono d’accordo. Visto che hai sottolineato perché questa collaborazione è cruciale, passo alla domanda per i CHRO: quali competenze dovrebbero urgentemente sviluppare, secondo te?

David Swanagon: Prima cosa: bisogna conoscere "le regole del gioco". C’è differenza tra blackjack e poker, e il CHRO deve capire che serve imparare a fondo, anche i meccanismi dietro un modello linguistico.

Serve formazione sulle basi operative IT, DevOps, MLOps, ecc. Non serve essere programmatori, ma bisogna parlare "la lingua". Il primo passo è questo, poter dialogare con competenza.

Poi c’è da svecchiare gli strumenti HR, spesso obsoleti. Molti assessment provider hanno modelli di leadership non aggiornati per workflow IA, e questo va cambiato in fretta.

Un leader IA è diverso da un CFO o un leader legale. Servono valutazioni, percorsi di formazione e mentoring differenti. Anche i survey annuali sul coinvolgimento del personale dovrebbero misurare la readiness IA, la fiducia nelle macchine, l’interfaccia uomo-macchina — cosa che oggi pochi fanno, probabilmente perché i fornitori HR non hanno aggiornato i loro prodotti. I CHRO dovrebbero collaborare coi fornitori per innovare survey, assessment, proposte formative, ma anche potenziare le proprie competenze così da "giocare la partita". È una funzione tecnica: bisogna capire le neural network, il funzionamento dei modelli linguistici, la roadmap tecnica e come gestirla.

David Rice: È interessante: si parla molto di cambiare il design organizzativo – non più silo né struttura piramidale, magari più una specie di Pentagono, con tanti ruoli direttivi o addirittura C-level, perché aumentano le cose da gestire rispetto a oggi.

Pensi che ci sia spazio per un ruolo ibrido tra le due sfere, che faccia da ponte a livello di C-suite, per integrare competenze trasversali e strategia dati?

David Swanagon: Assolutamente sì, stai proiettando alcune delle innovazioni che probabilmente verranno. Secondo me i dati diventeranno più importanti della valuta, persino della finanza. "Il contante è re", si dice sempre: ma per me, se il contante è re, il dato sarà imperatore. I dati sono il vero terreno di gioco.

Man mano che i modelli linguistici consolidano repository e infrastrutture, se non puoi accedere ai dataset, la finanza non conta. Quindi la figura che sappia gestire partnership, proprietà intellettuale e soprattutto criptografia e protezione dei dati sarà fondamentale.

Servirà anche qualcuno che sappia dialogare sia con le macchine che coi leader e che gestisca le scelte strategiche tempestive. Ora si parla solo di IA generativa e prompt engineering, ma credo che i futuri ruoli chiave saranno proprio sull’adozione: sapersi integrare nell’infrastruttura, usare strumenti chiave, stare al passo con l’innovazione, governare i processi decisionali e fare da ponte organizzativo — quello sarà oro puro. Perché qui tutte le aziende falliranno: quando la complessità cresce, i C-suite dubiteranno della loro capacità decisionale, non potranno stare al passo e alla fine subiranno la crescita di autonomia delle macchine e delegheranno tutto. Il rischio è questo.

Chi gestisce la roadmap di bilanciamento tra autonomia, fiducia e competenze, aiuterà board e C-suite a prendere le decisioni importanti.

Se lasci che la raccolta dati ti sfugga di mano, diventa solo una gara per inseguirli. E sul fronte competenze, la tecnologia amplifica sia le buone che le cattive decisioni, e le decisioni sbagliate si pagano carissime.

Per questo serve qualcuno che dica "questa cosa va decisa, questa va ignorata, questa partnership conta, questi dati vanno protetti, questi vanno condivisi, questa linea decisionale resta tua e la macchina non la deve toccare". Non sarà facile: tra egocentrismi e resistenze, anche perché il modello linguistico non teme i CEO, non gliene importa nulla del rango. Serve umiltà dirigenziale, a volte imposta, perché superata una certa scala la leadership umana non vale più.

David Rice: Una delle cose su cui volevo interrogarti riguarda la leadership e il fatto che, normalmente, inquadriamo l’IA come opportunità di produttività.

Tu sostieni che la vera opportunità sia la trasformazione. Sono d’accordo. Spesso, però, parlandone si resta nel vago o nei cliché. Quali sono, concretamente, le caratteristiche di una vera trasformazione IA?

David Swanagon: Secondo me le aziende dovrebbero ancorarsi a quattro cose: crescita dei ricavi, crescita dei profitti, reputazione. Prima di tutto, eliminare le iniziative che non contribuiscono direttamente a una di queste variabili. E sorprenderesti molti dirigenti: sono tante le iniziative fuori fuoco. Poi, l’errore diffuso è concentrare tutto sul profitto. Il problema è che, se il fatturato è zero, il profitto non conta nulla e gli executive lo sanno. Ma con l’IA pensano comunque a produttività, efficienza, automazione — che sono funzioni di profitto.

Si migliorano solo i processi, non si generano innovazione o nuovi prodotti. Invece, la vera leva per il valore d’impresa è crescita e ricavi. Molte aziende pre-IPO puntano tutto sulla crescita più che sui ricavi: "sbarchi con successo in nuovi mercati, anche in perdita". Quindi, l’IA va ancorata a crescita e ricavi, non all’efficienza come primo obiettivo.

Focalizzandosi troppo sulla produttività personale, si finisce per usare l’IA come tool di performance management: quanto velocemente leggi le email? Quante cose automazioni puoi fare? Come puoi usare i modelli linguistici per fare report? Ma non si innova, si fa meglio ciò che già si fa, non si crea nulla di nuovo.

Se spendi per aumentare ricavi e crescita e usi l’IA per questo — respingendo l’idea che serva solo per l’efficienza personale — puoi davvero trasformare la tua impresa.

Se invece usi ChatGPT e agenti IA solo per ridurre organici, diventare più automatici e efficienti, alla fine massimizzi solo l’efficienza, ma continuerai a offrire prodotti e servizi mediocri perché non avrai innovato in nulla. Chi ci lavora lo vede: la ragione per cui molte aziende si concentrano su modelli di valore (NPV, terminal value ecc.), la vera variabile che conta sono crescita e ricavi: è ciò che conta di più per investitori e valutatori, anche se fanno i conti su EBITDA.

David Rice: Vero, perché come dici anche tu, quanto tempo a produrre report, a rispondere alle email: è solo innovazione di processo. Non è proprio vera innovazione. Ok, cambi il processo, ma non stai producendo cose mai viste. Siamo in mezzo a una rivoluzione di mentalità e chissà se tutti sono pronti. È un passaggio obbligato.

David Swanagon: Sì, e d’altra parte pensa ai libri più venduti: Il Signore degli Anelli, Harry Potter — mondi completamente inventati. È lì che si genera il massimo valore.

Quindi anche nelle industrie più "tradizionali" occorre chiedersi: come posso rivoluzionare l’esperienza del cliente, portarla a un nuovo livello, sfruttando le macchine?

Se aiuti le cameriere a pulire più velocemente le stanze d’hotel, sì, migliori il RevPAR, ma non cambi l’esperienza alberghiera. Ma se usi l’IA per offrire un’esperienza digitale parallela e unica, accessibile solo in hotel, o espandibile dalla stanza anche in remoto — c’è del vero valore.

Nello sport: uno stadio da centomila posti, ma perché non posso guardare la partita in prima persona dal divano, grazie all’IA? O vedere dal punto di vista del quarterback? La gente pagherebbe fortune per questo tipo di abbonamento. Ecco dove si genera vero valore, altro che automazione delle email o dei report — queste sono le vere opportunità che i CHRO dovrebbero inseguire, e che pochi stanno davvero esplorando. Automatizzare va bene, ma non è interessante. È la trasformazione del prodotto e del servizio a fare la differenza.

David Rice: Prima di chiudere, una domanda conclusiva. Se potessi dare un solo consiglio a un leader che vuole bilanciare sistemi umani e di macchine, da dove dovrebbe iniziare?

David Swanagon: Per me, innanzitutto serve riconoscere che un essere umano è un essere umano e una macchina è una macchina. Non stiamo creando una nuova specie, una fusione.

L’idea dell’"umano aumentato" si muove verso una nuova tipologia ibrida; per me invece umani e macchine devono collaborare nel modo più efficace possibile, ma senza ridefinire cosa significa essere David – semmai migliorando la collaborazione.

Se invece diventa necessario essere "aumentati" per essere umani, è tutt’altra storia e pochi sono pronti per questo. Quindi: l’umano resta umano, la macchina resta macchina, si lavora insieme ma non ci si fonde in una cosa nuova.

Seconda cosa: alzare gli standard. Qui molti sbagliano, spesso lo fanno apposta per non spaventare la gente: "L’IA è per tutti, basta seguire qualche corso!" — non è vero, è molto complessa e pervasiva, bisogna studiare davvero nuove competenze.

La vera leadership è essere onesti: "devi studiare e sì, è complicato, ma puoi farcela e ti aiutiamo". L’IA è per chi è disposto a impegnarsi. Fingere che i modelli linguistici non siano difficili da capire non è onesto: c’è dietro matematica complessa. E dobbiamo iniziare da subito, anche nelle scuole primarie, cambiando i programmi per insegnare machine learning fin da piccoli.

David Rice: Da genitore di un bimbo di quarta elementare, non potrei essere più d’accordo.

David Swanagon: Sì, quindi: alzare gli standard. Ma mai dimenticare: umano è umano, macchina è macchina.

David Rice: Benissimo David, grazie davvero per essere stato con noi. È stata una grande conversazione.

David Swanagon: Anche per me, è stato divertente.

David Rice: E a voi che ci ascoltate, se non l’avete ancora fatto, andate su peoplemanagingpeople.com. Iscrivetevi alla newsletter, createvi un account gratuito. Potrete scaricare tutti i nostri template e accedere a tutti i contenuti che volete. E fino alla prossima volta, umano è umano, macchina è macchina.