La Regola 70-20-10 per la Trasformazione AI si Applica a Tutte le Dimensioni Aziendali?
L'Azienda A ha speso 8 milioni di dollari per la trasformazione tramite AI lo scorso anno. L'Azienda B ne ha speso la metà. Eppure, per ogni parametro importante—tassi di adozione, miglioramenti della produttività, soddisfazione dei dipendenti e ritorno sull'investimento—l'Azienda B sta superando nettamente la concorrente meglio finanziata.
La differenza non sta nella tecnologia. Entrambe le aziende hanno acquistato le stesse LLM aziendali. Entrambe hanno ingaggiato consulenti. Entrambe hanno annunciato le loro iniziative AI con il clamore che tanto piace ai dirigenti. La differenza risiede in una singola decisione presa all'inizio: come hanno allocato i loro budget.
L'Azienda A ha seguito la strada più battuta: 60% in tecnologia, 15% in formazione, 25% in "tutto il resto". L'Azienda B ha completamente ribaltato la piramide: 70% su persone e processi, 20% su infrastrutture, 10% su algoritmi.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Il modello seguito dall'Azienda B non è stato inventato dal nulla. È emerso da ricerche condotte da Boston Consulting Group e MIT Sloan su centinaia di trasformazioni AI. Il loro risultato è chiaro: le imprese che hanno ottenuto risultati reali con l'AI non sono quelle che hanno comprato gli strumenti più sofisticati. Sono quelle che hanno maggiormente investito nelle persone.
Ma, come sempre, il contesto è fondamentale. Quella ricerca ha esaminato aziende con budget AI superiori a 10 milioni di dollari, ovvero imprese con team dedicati alla trasformazione, infrastrutture dati mature e schiere di specialisti.
Per aziende di fascia media con 5.000 dipendenti o meno, i vincoli sono profondamente diversi. Molte non hanno un'infrastruttura dati di base. Stanno acquistando AI tramite abbonamenti SaaS, dove i costi degli algoritmi sono inclusi nelle tariffe mensili. Le stesse somme di denaro hanno un impatto diverso quando si lavora con 2 milioni invece che con 20 milioni.
Quindi il modello 70-20-10 è ancora valido? O le aziende di fascia media hanno bisogno di una strategia radicalmente diversa?
Analizziamo il Framework
La regola 70-20-10, nella sua essenza, descrive dove le trasformazioni AI di successo investono davvero risorse e attenzione. I numeri rappresentano la suddivisione in tre aree fondamentali:
- Il 70%: Persone e Processi. Qui rientrano i programmi di gestione del cambiamento, formazione specifica per ruolo, revisione dei flussi di lavoro, strutture di governance, infrastrutture di comunicazione, coaching per i manager e supporto agli utenti. È il lavoro meno visibile ma fondamentale per chiarire chi fa cosa, come cambiano i processi decisionali con l'AI e quali incentivi devono essere ripensati.
- Il 20%: Infrastruttura tecnologica. Questa voce copre la preparazione dei dati, layer di integrazione, strutture di sicurezza, sistemi di monitoraggio e architetture scalabili. Tutto ciò che deve funzionare prima che gli strumenti AI possano operare realmente nell'organizzazione.
- Il 10%: Algoritmi e Modelli. Sono i tool AI veri e propri—licenze, costi API, personalizzazione dei modelli, scelta dei fornitori.
Questa ripartizione è emersa da dati concreti. La ricerca di BCG ha mostrato che le aziende che seguono questa allocazione ottengono tassi di adozione nettamente superiori e miglioramenti di produttività misurabili. Il MIT Sloan ha rilevato che il 70% del valore dell’AI dipende da investimenti complementari su persone e processi, non dalla sofisticazione della tecnologia.
Il motivo è che i modelli di AI stanno diventando rapidamente prodotti di massa. Qualsiasi azienda di fascia media può accedere agli stessi modelli di frontiera di OpenAI, Anthropic o Google. Ma la capacità di cambiamento organizzativo? Quella non è in vendita.
La differenza sta nella capacità di riprogettare i flussi di lavoro, formare i manager ad accompagnare l’adozione dell’AI e creare strutture di governance che abilitano invece di ostacolare.
Eppure, quando i leader delle aziende di fascia media esaminano questo framework, sorge una domanda legittima: possono davvero destinare solo il 20% a infrastrutture se non sono ancora mature? E per chi acquista prodotti AI SaaS dove i costi degli algoritmi sono già inclusi nell'abbonamento? L’equazione regge ancora?
Whitney Munro, fondatrice di FLEX Partners, che accompagna le aziende nei percorsi di trasformazione AI, vede spesso questo dilemma all’opera.
“Il modello 70-20-10 è di base quello giusto”, dice, “ma dove iniziano i problemi è quando manca la sequenza e l’intenzione. Si saltano i lavori 'scomodi' per chiarire ruoli, scopi, incentivi, flussi di lavoro, ecc. prima ancora di arrivare agli strumenti.”
Il framework non vuole essere rigido, è un principio. La trasformazione AI è soprattutto una sfida di persone e organizzazione, non di tecnologia. Per le aziende medie, questo principio resta vero, ma le percentuali specifiche possono richiedere aggiustamenti a seconda del punto di partenza.
Perché le Aziende Sbagliano l'Allocazione
La pressione a investire prima di tutto nella tecnologia arriva da ogni direzione. I fornitori di AI, naturalmente, vendono tecnologia. I membri del consiglio vogliono vedere dashboard e strumenti, prove visibili che l’azienda stia “facendo AI”. Gli investitori fanno domande sulle iniziative AI nelle call sugli utili. I dipartimenti IT parlano il linguaggio di infrastrutture e modelli.
È più difficile da vedere, più difficile da misurare e più difficile da vendere il lavoro lento di sviluppo delle competenze. I programmi di formazione non rendono eccitanti le presentazioni al consiglio di amministrazione. La riprogettazione dei flussi di lavoro non fa una bella figura nelle foto per il rapporto annuale. I framework di governance sembrano burocratici piuttosto che innovativi.
Per le aziende di fascia media in particolare, diverse trappole rendono l'approccio "prima la tecnologia" ancora più seducente:
- La scarsità di risorse crea una scorciatoia illusoria. "Non possiamo permetterci un team dedicato alla trasformazione AI, quindi compriamo l’applicazione e vediamo come va." La logica sembra sensata finché non ci si accorge che l’applicazione rimane inutilizzata perché nessuno ha riprogettato i flussi di lavoro attorno ad essa.
- La pressione sulla velocità schiaccia la pianificazione ragionata. Soprattutto le aziende in rapida crescita sentono la necessità di muoversi velocemente. Prendersi tre mesi per formare i manager e riprogettare i processi sembra lento rispetto all’attivazione di un nuovo strumento AI la prossima settimana.
- Le dinamiche dei fornitori oscurano i veri costi. Quando acquisti un prodotto AI SaaS enterprise, lo sviluppo dell’algoritmo e gran parte dell’infrastruttura sono inclusi in un abbonamento mensile. Questo fa sembrare che si spenda meno in tecnologia di quanto si stia effettivamente spendendo e rende più facile investire troppo poco sulle persone.
- L’iper-carico di ruolo crea una situazione insostenibile. Nelle aziende di fascia media, le stesse persone che devono mantenere le operazioni attuali sono anche quelle che ci si aspetta che le trasformino. Senza risorse dedicate alla gestione del cambiamento, la trasformazione diventa un progetto collaterale che non riceve mai l’attenzione adeguata.
Clint Riley, COO di Globe Midwest, ha guidato le operazioni di customer experience attraverso numerose implementazioni tecnologiche. Vede ripetersi sempre lo stesso schema.
"I leader spesso investono molti soldi nell’infrastruttura AI e vedono risultati limitati. Gli strumenti restano inutilizzati perché i team non sono preparati, non si fidano di essi oppure restano ancorati alle vecchie abitudini. La vera differenza la fa investire prima nelle persone e nei processi", afferma.
La percezione errata dei costi è radicata. La formazione sembra costosa nell’immediato—300.000 $ per una formazione focalizzata su AI per 500 dipendenti sembra molto. Ma questo investimento può ridurre gli errori di routine del 40% già nel primo anno.
Altri 200.000 $ per riprogettare i flussi di lavoro chiave con l’integrazione dell’AI portano miglioramenti di efficienza che si possono misurare trimestre dopo trimestre. Confronta questo con 800.000 $ spesi in strumenti AI che raggiungono solo il 15% di adozione perché nessuno ha investito nella gestione del cambiamento necessaria a supportarli.
Il fenomeno AI ombra che si è manifestato fornisce la dimostrazione più chiara che gli approcci che mettono la tecnologia al primo posto creano proprio i problemi che dovrebbero risolvere. Le ricerche mostrano che il 90% dei dipendenti utilizza strumenti AI, ma soltanto il 40% delle aziende li ha effettivamente forniti in modo ufficiale.
Questo divario esiste perché le aziende hanno distribuito la tecnologia senza il necessario supporto, lasciando i dipendenti a doversela cavare da soli e creando esattamente i rischi di sicurezza e governance di cui i leader sono preoccupati.
Come si concretizza davvero il 70% sulle persone
Il modello 70-20-10 sembra semplice finché non si prova a metterlo in pratica. Cosa significa realmente spendere il 70% del proprio budget AI su “persone e processi”?
Per un’azienda di fascia media con un budget di trasformazione AI da 2 milioni di dollari per il primo anno, una ripartizione orientata alle persone potrebbe essere la seguente:
1,2 milioni $ (60%) in Persone & Processi:
- 400.000 $: Risorse dedicate alla trasformazione (2-3 FTE con conoscenze sia nella gestione del cambiamento che nelle capacità AI)
- 300.000 $: Consulenza esterna per gestione del cambiamento, design dei flussi di lavoro e framework di governance
- 200.000 $: Sviluppo e consegna di programmi di formazione (non sessioni una tantum, ma abilitazione continua)
- 150.000 $: Abilitazione dei manager e infrastruttura di coaching
- 150.000 $: Sistemi di comunicazione, meccanismi di feedback e cicli di iterazione
600.000 $ (30%) in Infrastruttura:
- 300.000 $: Preparazione dei dati, integrazione e miglioramento della qualità
- 150.000 $: Sistemi di sicurezza, conformità e monitoraggio
- 150.000 $: Infrastruttura di analytics per tracciare sia gli esiti tecnici che quelli umani
200.000 $ (10%) in Strumenti/Algoritmi AI:
- Abbonamenti aziendali LLM
- Applicazioni AI specializzate
- Costi delle API e spese di utilizzo
Da notare l’aggiustamento per il mid-market: Qui si nota una ripartizione 60-30-10 invece del modello puro 70-20-10. Perché? Le aziende di fascia media spesso hanno maggiori lacune infrastrutturali rispetto alle organizzazioni enterprise. Sistemi legacy, silos di dati e debito tecnico richiedono investimenti maggiori nell’infrastruttura rispetto alle aziende enterprise che hanno basi dati moderne.
Il principio chiave resta: l’investimento sulle persone deve essere uguale o superiore a quello sulla tecnologia. Se si spende il 60% tra strumenti e infrastruttura e solo il 40% su persone e processi, le ricerche suggeriscono che si sta lasciando un valore significativo sul tavolo.
Cosa Comprende Veramente l’Investimento “Persone”:
Quando i dirigenti vedono “$400K per risorse di trasformazione”, spesso chiedono: cosa stanno effettivamente facendo queste persone?
Risorse dedicate alla trasformazione:
- Condurre un’analisi dei flussi di lavoro prima dell’implementazione della tecnologia
- Progettare formazione specifica per ruolo (un analista finanziario ha bisogno di diverse competenze di intelligenza artificiale rispetto a un operatore del servizio clienti)
- Costruire quadri di governance che abilitano invece di bloccare
- Creare circuiti di feedback per iterare in base all’utilizzo reale
- Coordinare tra IT, HR e unità di business
Abilitazione dei manager:
- Preparare i manager a formare le squadre sugli strumenti di intelligenza artificiale (non solo a usarli individualmente)
- Aiutare i manager a comprendere come cambia la valutazione delle performance quando il lavoro è supportato dall’IA
- Sostenere i manager nel proprio cambiamento d’identità mentre il lavoro si evolve
- Creare comunità di manager per condividere sfide e soluzioni
Infrastruttura di comunicazione e feedback:
- Comunicazioni periodiche a tutto il personale sull’avanzamento della trasformazione
- Canali per segnalare tematiche e preoccupazioni dei dipendenti
- Sistemi per rilevare ciò che funziona e ciò che non funziona
- Processi decisionali trasparenti su quali strumenti di IA vengono adottati e perché
Formazione efficace:
- Non workshop una tantum, ma programmi di apprendimento continuo
- Ambienti di pratica dove è sicuro sbagliare
- Apprendimento tempestivo collegato a reali esigenze lavorative
- Reti di supporto tra pari per la risoluzione dei problemi
Risparmiare su questi investimenti porta risultati abbastanza prevedibili: bassi tassi di adozione, resistenza dei dipendenti, proliferazione di IA non conforme e infine sprechi nelle spese tecnologiche. Per i leader di C-suite o i membri del consiglio che vedono tutto ciò come “fantasie” o eccessiva gentilezza verso i dipendenti, è essenziale ribadire che si tratta di valorizzare quanto la tecnologia rende possibile, ma non può offrire da sola.
“Ai consigli di amministrazione piace vedere il lancio di nuove tecnologie,” osserva Riley. “Quindi inquadra l’attenzione sulle persone come una gestione intelligente del rischio con ritorni forti e composti: maggiore produttività, migliore retention e risultati di business che crescono nel tempo. Da sola, la tecnologia tende a raggiungere rapidamente un picco e poi a stabilizzarsi.”
Verifica della Realtà per il Mercato Mid-Market
Ma questa allocazione presuppone un livello relativamente maturo di partenza. E per le aziende in cui i numeri devono cambiare molto più drasticamente?
Alix Gallardo, Chief Product Officer di Invent, aiuta le aziende mid-market a navigare proprio questi scenari. La sua prospettiva sull’IA SaaS cambia i parametri di valutazione.
“Quando acquisti IA SaaS, il fornitore ha già fatto il lavoro più impegnativo, quello costoso e complicato sui modelli e sull’infrastruttura. Quindi la domanda dovrebbe essere: ‘Dato che tutto ciò è stato fatto, dove dobbiamo concentrare il poco tempo e budget interni a disposizione?’”
La sua ripartizione per un approccio SaaS prevalentemente standard mette ancora le persone al primo posto, ma si adatta al fatto che le sfide infrastrutturali spesso pesano di più nelle aziende di media dimensione.
“Le realtà mid-market tendono a essere caotiche,” nota Gallardo. “Tanti prodotti SaaS scollegati, sistemi legacy, integrazioni native, flussi dati disomogenei, piccoli team IT. È normale che le infrastrutture arrivino a rappresentare il 25–35% all’inizio.”
Considera tre scenari in cui è necessario adeguare l’allocazione:
Scenario 1: L’Azienda Con Carenze di Infrastruttura
Un’azienda manifatturiera con 2.000 dipendenti è attiva da 30 anni. I dati sono in silos su diversi sistemi. Le informazioni dei clienti sono in un database, i dati di produzione in un altro, le metriche di qualità in fogli di calcolo. Il team IT è composto da cinque persone.
Per questa azienda, la ripartizione potrebbe essere 50% persone, 40% infrastruttura, 10% algoritmi—almeno all’inizio. Senza una base minima di infrastruttura dati, gli strumenti di IA non possono funzionare in modo efficace. Ma anche qui non si può sacrificare l’investimento sulle persone. Serve solo renderlo strategico, puntando a costruire la capacità interna di prendere decisioni migliori sull’infrastruttura e preparare la forza lavoro ai cambiamenti che verranno una volta messa in opera la nuova infrastruttura.
Scenario 2: La Scale-Up Agile
Un’azienda software di 800 dipendenti è nata cloud-native. I sistemi comunicano tra loro. Il team è tecnicamente competente. L’infrastruttura non è il collo di bottiglia.
Qui, la ripartizione potrebbe essere 75% persone, 15% infrastruttura, 10% algoritmi. La rapida crescita dell'azienda implica che cultura e processi necessitino di investimenti aggiuntivi per poter scalare. Con solide basi tecniche, il vincolo è organizzativo e non tecnologico.
Scenario 3: L'azienda mid-market avversa al rischio
Un'azienda di servizi finanziari con 4.500 dipendenti opera in un settore altamente regolamentato. La cultura è resistente al cambiamento, la gestione del rischio è fondamentale e i requisiti di conformità sono estesi.
Questa azienda potrebbe destinare il 65% alle persone, il 20% all'infrastruttura e il 15% agli algoritmi. L'investimento maggiore negli algoritmi non serve a inseguire i modelli più recenti — si tratta invece di investire in strumenti di intelligenza artificiale dotati di funzioni di governance integrate, tracciabilità degli audit e meccanismi di trasparenza che riducono il rischio di non conformità.
La diagnostica non è complicata. Dai un punteggio alla tua azienda su quattro dimensioni da 1 a 10:
- Qualità dell'infrastruttura dati attuale
- Capacità di cambiamento dell'organizzazione
- Densità del talento tecnico
- Complessità normativa e di conformità
Punteggi bassi per infrastruttura e talenti suggeriscono che occorrerà investire maggiormente in queste aree. Una maggiore capacità di cambiamento consente di investire maggiormente in persone e processi. Un'elevata complessità normativa potrebbe giustificare investimenti in strumenti avanzati con governance integrata.
Ma in tutti gli scenari, un principio rimane valido: l'investimento sulle persone deve essere pari o superiore a quello sulla tecnologia.
Come afferma Munro: "La maggior parte delle organizzazioni non fallisce a causa dell'IA in sé, ma perché investe in prompt aspettandosi che l'IA sia una soluzione magica invece di fare ciò che dovrebbero: assicurarsi che le persone comprendano cos'è l'IA, cosa sia possibile, come usarla, quali strumenti utilizzare per la propria mansione e come usarli con integrità."
Il problema dei costi nascosti
Uno dei motivi per cui le aziende sbagliano la ripartizione è che molte in realtà non sanno quanto spendono in ciascuna area. I costi sono distribuiti tra i reparti e nascosti in diverse voci di bilancio.
I costi tecnologici sono di solito visibili: licenze software, spese di cloud computing, contratti con fornitori. Questi compaiono chiaramente nei budget IT.
I costi infrastrutturali a volte sono nascosti. Il tempo di data engineering viene incluso nel budget operativo dell'IT. Il lavoro di integrazione avviene come parte del "mantenimento dei sistemi". Le revisioni della sicurezza sono progetti svolti di lato. I sistemi di monitoraggio vengono considerati solo in un secondo momento.
Ma i costi di persone e processi spesso sono totalmente invisibili. Il tempo dei dipendenti in formazione rappresenta un costo opportunità (lavoro non svolto durante la formazione). Il tempo del coaching manageriale non appare in nessun budget. Le revisioni dei processi avvengono nelle sale riunioni senza una voce di spesa dedicata. I costi di comunicazione sono ovunque ma invisibili. Le riunioni di governance richiedono tempo ma raramente vengono conteggiate nei costi della trasformazione IA.
Gallardo individua tre segnali di allarme che la tua ripartizione è errata, indipendentemente da quanto ufficialmente riportato a bilancio:
"Alcuni power user adorano il tool di IA, ma la maggioranza lo ignora. Non si notano cambiamenti evidenti nelle decisioni o nei flussi di lavoro a causa dell'IA, solo funzionalità interessanti senza reale impatto su come viene svolto il lavoro. Nuovi esperimenti IA sono sparsi ovunque senza standard condivisi, procedure, metriche, casi di studio o una governance comune."
Quando riscontri questi sintomi, "spostare il budget verso product management, operations, change management e creare 'campioni dell’IA' ha un impatto molto maggiore che investire in un nuovo progetto di integrazione" dice lei.
Riley osserva lo stesso schema: "Anche quando i dipendenti usano in silenzio strumenti di IA da soli, la risposta non sono controlli più rigidi. Bisogna incanalare quell'energia tramite formazione pratica e linee guida chiare. Raramente si esagera nell'investire sulle persone, molte aziende qui fanno in realtà troppo poco, non troppo."
Per comprendere la vera ripartizione, serve un audit onesto. Per l’ultimo trimestre, considera:
- Tutte le licenze software IA, costi cloud e tariffe dei fornitori
- Tempo speso dai team IT e dati su infrastruttura IA, integrazione e sicurezza
- Tempo impiegato dai dipendenti nella formazione IA (moltiplica le ore per il costo medio orario)
- Tempo dei manager dedicato al coaching sull’adozione dell’IA
- Tempo impiegato in riunioni per governance, revisione processi e pianificazione delle iniziative IA
- Consulenti esterni e costi di advisory
Categorizza tutto in tre macroaree: algoritmi, infrastruttura oppure persone e processi. La maggior parte delle aziende scopre di spendere molto più in tecnologia e molto meno sulle persone di quanto credesse.
Perché è importante farlo bene
La differenza di performance tra le aziende che gestiscono bene la ripartizione e quelle che sbagliano è netta.
Le ricerche dimostrano che le organizzazioni con approcci centrati sulle persone hanno 2,3 volte più dipendenti coinvolti e performance superiori dell’1,5 volte.
Le aziende in cui CHRO e CIO lavorano come veri partner riportano una produttività 15 volte superiore nelle iniziative di IA. Ma questo accade meno spesso di quanto si pensi. Il problema nasce da una confusione fondamentale su cosa debbano gestire i CIO rispetto ai CHRO nella trasformazione guidata dall’IA.
“Quello che è affascinante è che al CIO è stato assegnato non solo il compito di progettare, testare e distribuire gli strumenti, ma anche quello di curarne l’adozione,” osserva David Swanagon, fondatore della Machine Leadership Journal, basandosi sulle sue ricerche sulla prontezza organizzativa per l’IA. “E uno degli argomenti che stiamo portando avanti con la nostra ricerca è che l’adozione dovrebbe essere di competenza del CHRO, perché riguarda cultura, fiducia, autonomia e competenze. Il CIO dovrebbe occuparsi di progettazione, test e distribuzione, ma fermarsi lì e poi collaborare con il CHRO per gestire l’adozione.”
ASCOLTA L’EPISODIO COMPLETO CON DAVID SWANAGON
Questa distinzione è strutturale. Quando i CIO gestiscono sia la distribuzione che l’adozione, il risultato è prevedibile: soluzioni tecnicamente valide che però nessuno utilizza o che creano attriti organizzativi perché non progettate tenendo conto della cultura e delle competenze.
Il costo di una cattiva allocazione cresce rapidamente. Klarna ha fatto notizia per i guadagni di efficienza con l’IA, salvo poi fare marcia indietro quando i costi umani e culturali sono diventati evidenti.
L’IA ombra prolifera quando le aziende non forniscono strumenti e formazione supportati, generando quei rischi di sicurezza che i leader temono. I dati di settore mostrano che l’80% dei progetti di IA non riesce a scalare, spesso perché sono stati implementati senza il sostegno organizzativo necessario per l’adozione—portando talvolta all’IA come capro espiatorio per fallimenti organizzativi più ampi.
Il burnout e la resistenza dei dipendenti diventano le tasse occulte degli approcci che privilegiano la tecnologia. Quando gli strumenti vengono distribuiti senza una formazione adeguata e senza riprogettare i flussi di lavoro, i dipendenti vivono l’IA come qualcosa che subiscono invece che come un aiuto. Gli strumenti si sommano al carico di lavoro, anziché ridurlo. La resistenza si rafforza.
“È estremamente disfunzionale e preoccupante vedere la maggior parte delle aziende che ci contattano pensare che una volta ‘acceso’ uno strumento la magia abbia inizio spontaneamente,” afferma Munro. La disfunzione non è solo uno spreco, ma danneggia attivamente la capacità dell’organizzazione di trasformarsi.
Eppure le aziende di medie dimensioni che gestiscono correttamente l’allocazione hanno un vantaggio strutturale rispetto alle grandi imprese. Linee di comunicazione più brevi significano che i cambiamenti si diffondono più rapidamente. Cicli decisionali agili consentono iterazioni rapide. Collegamenti più stretti tra leadership e dipendenti permettono una gestione del cambiamento più autentica. Adattamenti di processo più agili rendono possibile l’evoluzione dei flussi di lavoro man mano che l’organizzazione apprende.
“Come COO che ha guidato le operazioni CX attraverso molteplici implementazioni tecnologiche, affronto l’IA allo stesso modo: prima le persone, poi processi solidi a supporto, e la tecnologia come abilitante,” spiega Riley. “Quando l’elemento umano è centrale, la trasformazione si radica e dà risultati sostenibili che contano davvero.”
L’ROI è trasformativo. Quei $300.000 di formazione mirata sull’IA che riducono gli errori del 40%? Non è un guadagno una tantum. È una competenza che migliora ogni trimestre man mano che le persone diventano più abili. I $200.000 di riprogettazione dei flussi di lavoro? Quei miglioramenti si sommano perché hai sviluppato una capacità per l’innovazione dei processi.
Da regola a principio
La regola del 70-20-10 non è una formula rigida da seguire ciecamente. È un principio ricavato osservando quali aziende riescono davvero con l’IA e la realtà che la trasformazione è prima di tutto una sfida di persone e organizzazione, non di tecnologia.
Per le aziende di medie dimensioni, questo principio va tradotto ma non abbandonato. I tuoi gap infrastrutturali potrebbero richiedere il 25-35% del budget invece del 20%. I tuoi strumenti SaaS di IA potrebbero includere i costi degli algoritmi nelle tariffe degli abbonamenti, cambiando come calcoli il 10%. Vincoli di settore specifici potrebbero richiedere aggiustamenti.
Ma la verità di fondo rimane: se spendi più sulla tecnologia che sulle persone, è quasi certo che stai lasciando sul tavolo molto valore.
La visione di Riley è pragmatica: “Per un budget iniziale di $2M, allocarei circa il 65% alle persone tramite formazione mirata e supporto per la gestione del cambiamento. Circa il 25% dovrebbe andare a elementi essenziali come accesso ai dati e configurazione cloud di base, solo il 10% agli algoritmi, scegliendo soprattutto solidi SaaS invece di sviluppi personalizzati.”
Il punto di vista di Gallardo tiene conto della realtà SaaS che affrontano la maggior parte delle aziende di medie dimensioni: “Sì, la suddivisione resta la stessa anche se non si tocca mai il modello vero e proprio. Per una soluzione prevalentemente pronta all’uso: ~10% va agli algoritmi, ~20% all’infrastruttura, ~70% a persone e processi. Qui è dove dovresti investire la maggior parte del tuo budget.”
L’intuizione che condividono è che il successo emerge nei tassi di adozione, nella fiducia dei dipendenti e nei risultati quotidiani, non solo nei dollari spesi. La tecnologia che acquisti conta meno di ciò che fai per aiutare le persone a utilizzarla al meglio.
L’azione esecutiva è semplice: conduci questo mese la tua verifica di allocazione. Calcola quanto spendi davvero tra algoritmi, infrastruttura e persone considerando tutti i costi nascosti. Se la tecnologia supera le persone, hai trovato il tuo problema.
Poi mettiti al lavoro.
- Investi nell'importante ma poco attraente lavoro di gestione del cambiamento prima di implementare il prossimo strumento.
- Crea programmi di formazione specifici per ogni ruolo.
- Nomina dei referenti AI all'interno dell'organizzazione.
- Permetti ai tuoi manager di guidare l'adozione del cambiamento.
- Ripensa i flussi di lavoro prima di implementare la tecnologia.
- Crea framework di governance che abilitano invece di limitare.
Ricorda l'avvertimento di Munro: "I problemi iniziano quando manca la sequenza e l'intenzionalità. Saltare il lavoro 'non sexy' di chiarire la proprietà, lo scopo, gli incentivi, i flussi di lavoro, ecc. prima ancora di arrivare agli strumenti."
La tecnologia sarà pronta quando lo sarai tu. Le tue persone non aspetteranno per sempre.
