I tre cambiamenti per passare dall’assistenza AI alla proprietà
Divario organizzativo: La principale barriera alla diffusione dell’IA non è tecnica, ma la mancanza di un’infrastruttura organizzativa.
Cambiamento di giudizio: Le organizzazioni devono passare dal giudizio individuale a quello collettivo per migliorare le decisioni dei sistemi di IA.
Importanza della governance: Implementare una chiara proprietà e procedure di audit per garantire la responsabilità dei sistemi di IA e la correzione degli errori.
Ridefinizione del valore: Ripensare gli indicatori di valore: dalla velocità all’accuratezza e alla qualità delle decisioni, migliorando l’integrazione dell’IA.
Fattori di successo dei progetti pilota: Risultati chiari, proprietà definita e obiettivi IT-business allineati sono fondamentali per il successo dei progetti pilota di IA.
Secondo lo studio Deloitte sulle Tendenze Tecnologiche Emergenti del 2025, il 30% delle organizzazioni sta esplorando l’Intelligenza Artificiale agentica e il 38% sta sperimentando soluzioni pilota. Ma solo l’11% utilizza questi sistemi in produzione.
La differenza non sta nella preparazione tecnica. I modelli funzionano. I dati esistono. Gli strumenti sono accessibili. Ciò che manca è l’infrastruttura organizzativa—la governance, la proprietà e i sistemi di incentivi che rendono sicuro affidare decisioni all’IA.
I team che passano dai pilota alla produzione compiono tre cambiamenti specifici. Nessuno di questi è principalmente tecnico.
Continua a leggere—e continua a guidare con intelligenza
Crea un account gratuito per terminare la lettura e unirti a una community di leader lungimiranti che sbloccano strumenti, playbook e approfondimenti per prosperare nell'era dell'IA.
Have an account? Log In
Cambio Uno: Ridefinire il giudizio come capacità organizzativa
La maggior parte delle organizzazioni considera il giudizio come un’abilità personale che risiede nella mente delle figure senior. Due persone possono gestire lo stesso caso in modo diverso e nessuno sa spiegare il perché. Non esiste un modo per migliorare il processo in modo sistematico poiché la proprietà delle decisioni IA rimane indefinita.
Ahmed Zaidi, CEO di Accelirate, ha incontrato questo schema lavorando con un grande sistema ospedaliero. Il team di 15 infermiere responsabili della redazione delle lettere di ricorso contro la negazione dei rimborsi assicurativi sembrava seguire un processo lineare. In apparenza, il lavoro sembrava facilmente codificabile.
Ciò che è diventato rapidamente controverso è stato che, in realtà, non esisteva un unico processo", dice Zaidi. "Ogni infermiera aveva sviluppato la propria strategia in anni di esperienza.
Quando il team di Zaidi ha provato a scrivere "come facciamo davvero questo lavoro", le infermiere non erano d’accordo nemmeno sulle domande fondamentali:
- Cosa costituisce una forte giustificazione clinica?
- Quale documentazione evidenziare?
- Quale tono o linguaggio utilizza una compagnia assicurativa specifica?
- Quando bisogna procedere con l’escalation invece di riformulare il ricorso?
Le dipendenze nascoste andavano ancora più in profondità. Le decisioni non si basavano solo sul codice di diniego. Dipendevano dalle note dei medici conservate in un sistema, dai dati sulle autorizzazioni preventive in un altro, e da una dettagliata terminologia clinica presente solo nella documentazione in formato libero. Alcune strategie si basavano su abitudini specifiche di documentazione di determinati medici, non standardizzate.
“Quello che sembrava semplice—‘automatizzare i ricorsi’—si è trasformato in un esercizio organizzativo per rendere esplicito il giudizio implicito”, dice Zaidi.
Il punto di svolta è arrivato quando il team ha smesso di cercare il metodo “giusto” di un’infermiera e ha aggregato le conoscenze tribali di tutte e 15. Hanno organizzato sessioni strutturate in cui le infermiere hanno discusso strategie, portato alla luce casi limite e cercato consenso su cosa avesse storicamente portato ai migliori risultati. Quindi hanno incrociato i dati reali sui risultati—quali modelli di lettera consentivano più vittorie nei ricorsi, quali combinazioni di documenti miglioravano i tassi di accoglimento.
Invece di codificare opinioni, hanno codificato schemi validati.
Questa esternalizzazione crea qualcosa che raramente esiste nelle organizzazioni, ovvero la possibilità di osservare e migliorare il giudizio su ampia scala. Ogni azione è registrata. Ogni eccezione viene resa visibile. Ogni override svela dove le regole non corrispondono alla realtà. I team possono individuare schemi, affinare soglie, migliorare le prestazioni nel tempo.
Il risultato è stato misurabile: maggiore accuratezza nei ricorsi, riduzione dei tempi ciclo, aumento dei tassi di recupero e riduzione del rischio di non conformità perché le decisioni ora erano standardizzate, documentate e verificabili.
La governance non ha rallentato il sistema, ha dato all’organizzazione un modo per imparare sistematicamente dalle proprie decisioni.
Cambio Due: Assegnare una chiara responsabilità per il comportamento dell’agente
Il vero vincolo nel passaggio alla produzione è la fiducia organizzativa che le azioni dell’IA siano delimitate, verificabili, reversibili e supervisionate.
I team che avanzano assegnano un unico responsabile operativo che diventa esplicitamente responsabile del comportamento dell’agente, inclusi i suoi errori. Il primo errore significativo testa se questa infrastruttura funziona davvero.
Nella distribuzione dei ricorsi ospedalieri, Zaidi aveva un agente che aiutava a redigere e prioritizzare i ricorsi contro i dinieghi, progettato per smistare i casi e raccomandare l’escalation quando si raggiungevano certi livelli di rischio.
Il primo errore significativo si è verificato quando l’agente ha classificato erroneamente come ordinario un diniego di alto valore e sensibile al fattore tempo, senza procedere con l’escalation. La logica aveva correttamente interpretato il codice di diniego ma non aveva considerato un secondo fattore contestuale—la scadenza della finestra di ricorso legata al contratto con quel pagatore.
L’errore è stato contenuto ma finanziariamente rilevante. È stato scoperto grazie a un audit di eccezioni quotidiano inserito dal team nel flusso di lavoro—uno strato di revisione umana che campiona i casi di maggiore valore.
Quell’episodio non ha rivelato che l’agente fosse spericolato, ma che i nostri criteri di escalation erano incompleti", dice Zaidi. "Avevamo codificato la logica clinica e dei dinieghi ma non avevamo integrato completamente i metadati dei contratti nel framework di prioritizzazione.
La struttura di governance ha aiutato in due modi:
- La registrazione e la tracciabilità hanno mostrato esattamente perché l’agente ha preso la decisione, e l’audit umano nel processo ha individuato i casi ad alto rischio.
- Ha messo in luce una lacuna. La definizione di “rischio” era troppo ristretta.
Il team ha risposto ampliando le regole di escalation includendo variabili di rischio finanziario e temporale, implementando soglie dinamiche basate su contratti, aumentando il monitoraggio sulle tempistiche delle scadenze dei ricorsi e aggiungendo percorsi di override più chiari.
Nei sistemi agentici, gli errori raramente derivano da una singola cattiva decisione, ma da una modellizzazione del contesto incompleta. La responsabilità nella leadership dell’IA significa progettare per la rilevazione precoce, non dare per scontata la perfezione.
Il modo in cui la leadership gestisce il primo errore determina tutto. Se viene trattato come un’opportunità di apprendimento e il sistema viene migliorato, le squadre acquisiscono fiducia. Se invece si fa marcia indietro o si attribuisce la colpa al singolo, il progetto pilota fallisce.
Le organizzazioni di successo non evitano gli errori. Costruiscono sistemi che fanno emergere rapidamente gli errori, li trattano come dati e migliorano.
Il punto cieco della governance
Uno dei fallimenti di governance più comuni che Zaidi osserva è ciò che definisce governance passiva dell’IA, ovvero la convinzione che il logging equivalga al controllo.
“Le organizzazioni affermano con sicurezza: ‘Ogni decisione presa dall’agente viene registrata. Abbiamo piena tracciabilità,’” dice Zaidi. “Sembra rassicurante, soprattutto in un ambiente regolamentato. Ma la sola registrazione non riduce il rischio. Lo documenta semplicemente.”
Nel settore sanitario, le decisioni degli agenti e le applicazioni dell’IA riguardano spesso la gestione dei contratti e le sfumature, il linguaggio clinico, l’interpretazione da parte del pagatore e i vincoli di tempistica. Anche quando ogni output è tecnicamente tracciabile, il rischio si accumula nei casi limite appena fuori dalle soglie predefinite, nelle deviazioni nei modelli di documentazione o nei comportamenti di risposta dei pagatori, e nelle escalation che sarebbero dovute avvenire ma che tecnicamente non hanno violato alcuna regola.
Molte organizzazioni assumono che, se non si è verificato alcun errore, il sistema sia conforme. Ma l’assenza di un fallimento immediato non è una prova di sicurezza. Potrebbe semplicemente significare che nessuno sta guardando abbastanza a fondo.
La vera maturità nella governance dell’IA include cadenze definite di revisione a campione delle decisioni, soglie quantitative di rischio che fanno scattare automaticamente la revisione umana, attribuzione chiara della responsabilità di monitoraggio a livello operativo, e cicli di feedback dove pattern ricorrenti di eccezione portano alla revisione delle regole.
Spesso pongo una domanda semplice ai leader: ‘Chi si sveglia la mattina sapendo di essere responsabile di ciò che l’agente ha deciso ieri?’” dice Zaidi. “Se non c’è una risposta chiara, il modello di governance non è completo.
Terzo cambio di prospettiva: Cambiare ciò che viene valorizzato
Nella maggior parte delle organizzazioni, l’expertise è stata tradizionalmente associata a status, sicurezza lavorativa e potere informale. Essere “la persona che sa” è il modo in cui si costruisce e si protegge l’influenza. Rendere esplicito il giudizio può sembrare una perdita dell’unica leva su cui il sistema ha insegnato a fare affidamento.
Nel sistema ospedaliero, la squadra infermieristica veniva tradizionalmente valutata sul volume: quante lettere di ricorso riuscivano a preparare ogni giorno.
Con l’introduzione della stesura assistita dall’agente, questa metrica è diventata controproducente. Se l’IA genera le prime bozze, il solo volume non riflette più il valore.
La misurazione della performance si è spostata verso l’accuratezza della revisione clinica, l’efficacia delle modifiche apportate alle lettere generate dall’IA, i fondi recuperati influenzati e il contributo al miglioramento di template e logica di escalation.
Una infermiera in particolare si è distinta come leader. Aveva una capacità eccezionale di articolare perché certi termini funzionavano meglio con certi assicuratori. Invece di essere valutata sulla velocità di produzione, è diventata fondamentale per esternalizzare il suo giudizio in regole di sistema e template riutilizzabili.
La sua influenza è cresciuta perché sapeva tradurre l’intuizione in logica strutturata,” dice Zaidi. “Questa è una competenza molto diversa che, negli ambienti agentici, ha un valore elevato.
Lo spostamento è stato culturale: da "Quanto puoi produrre velocemente?" a "Quanto sai plasmare i sistemi decisionali?"
Quando le organizzazioni premiano l’eroismo, la velocità o l’intuizione—ma non premiano la documentazione, la supervisione o il miglioramento del sistema—l’expertise resta intrappolata nei singoli. Le squadre che fanno la transizione promuovono chi sa trasferire il proprio giudizio in un sistema, migliorarlo nel tempo e rendere migliori anche gli altri tramite esso.
Quando la competenza viene concepita come qualcosa che potenzia la capacità organizzativa invece dell’indispensabilità personale, la resistenza all’IA si affievolisce. Il passaggio agli agenti diventa un segno di seniority e non più una minaccia.
I primi segnali di allarme di un fallimento
Nei primi 30-60 giorni di un progetto pilota, il fallimento è quasi sempre prevedibile.
Il segnale d’allarme più grande è l’assenza di un obiettivo chiaramente definito. Se un team non sa descrivere, in termini operativi, cosa significa successo—ciclo operativo ridotto, aumento del recupero, tassi di errore più bassi—il pilota è probabilmente solo sperimentazione priva di direzione.
Altri segnali di allerta includono l’assenza di un referente operativo chiaramente indicato, mancato allineamento tra business e IT in termini di impegno e complessità, incapacità di esplicitare il vero processo decisionale da automatizzare e il trattare l’iniziativa come "esplorazione IA" invece che come una riprogettazione operativa.
I progetti pilota si bloccano quando le parti coinvolte nel business sottovalutano lo sforzo necessario a esternalizzare il giudizio logicamente, mentre l’IT sottovaluta la variabilità e i casi limite dei processi aziendali.
I piloti di successo fanno tre cose nei primi 30 giorni:
- Definiscono un ambito ristretto con risultati misurabili
- Assegnano ownership operativa dedicata e coinvolgono esperti della materia impegnati
- Forniscono copertura e supporto manageriale per sperimentare e rimuovere blocchi procedurali.
"L’Agentic AI non è un problema di implementazione tecnologica, ma di architettura decisionale", dice Zaidi. "Se questo non viene affrontato presto, si trasforma in una dimostrazione di costo."
Come si presenta la prontezza
Quando un’organizzazione sostiene di essere pronta a scalare una soluzione agentica, Zaidi cerca maturità strutturale su persone, processi e tecnologia. Questo significa:
- Un referente business nominato e responsabile dei risultati
- Un albero di eccezioni ed escalation chiaramente definito
- Osservabilità sul processo decisionale e sui risultati
- Economia unitaria che giustifica la scala
- Un framework di governance di base già operativo.
La maggior parte dei team sottovaluta due cose: il costo dell’analisi e il tempo necessario a esternalizzare correttamente la logica decisionale.
Un segnale di maturità che Zaidi ha imparato a riconoscere:
Se chiedo, ‘Come decide l’agente quando è incerto?’ e sanno rispondere chiaramente—incluse soglie di escalation e responsabilità—probabilmente sono pronti. Se la risposta è vaga o rimanda a ‘il modello lo capirà’, sono ancora ottimisti, non preparati.
La capacità che conta oggi si trova al confine tra giudizio e sistemi. Persone che sanno spiegare il perché di una decisione, non solo cosa hanno scelto. Che sanno trasformare l’intuizione in segnali, soglie ed eccezioni. Che si chiedono dove il proprio giudizio fallisce.
Nella quotidianità, passano meno tempo a eseguire e più tempo a supervisionare, correggere e migliorare come il lavoro viene svolto, sia da umani sia da agenti.
Le organizzazioni che padroneggiano questo cambiamento ottengono ciò che ai competitor bloccati in fase pilota manca: la capacità di migliorare il giudizio su vasta scala. Possono testare assunzioni, misurare risultati e iterare sulla qualità decisionale in modi che erano impossibili quando l’esperienza risiedeva solo nella testa delle persone.
Il vantaggio competitivo non è avere un’IA migliore. È disporre di un’infrastruttura organizzativa che renda possibile la proprietà dell’IA. Questa infrastruttura—governance che abilita velocità, ownership che crea responsabilità e incentivi che valorizzano l’expertise trasferibile—è ciò che distingue quell’11% in produzione dal 38% bloccato nei piloti.
