L’IA fa risparmiare tempo, ma a quale prezzo? La seconda colonna che le aziende devono imparare a misurare

di Fabio Moioli

Stiamo diventando sempre più bravi a misurare ciò che fa l’intelligenza artificiale. Ma siamo spesso ancora sorprendentemente incapaci di misurare l’impatto che ha sull’organizzazione. Mentre contribuivo alla stesura dell’AI Equity Compass di Valore D, continuavo a pormi una domanda molto semplice: quando diciamo che l’IA sta creando valore, cosa stiamo misurando esattamente?

Nella maggior parte delle aziende, le risposte stanno diventando familiari. Ore risparmiate. Task automatizzati. Tassi di adozione. Costi ridotti. Decisioni più rapide. Numero di casi d’uso implementati. Utilizzo dei token. E, sempre più spesso, cosa è in grado di fare un agente IA. Abbiamo bisogno di queste metriche. Ma ho iniziato a chiedermi se non avessero tutte un elemento in comune: ci dicono principalmente ‘cosa fa’ l’IA. Ci dicono molto meno su ‘cosa l’IA cambia’ attorno a sé.

Questo interrogativo mi è rimasto impresso soprattutto perché l’AI Equity Compass analizza l’IA attraverso tre lenti: Persone, Responsabilità e Sostenibilità Organizzativa. Nel capitolo a cui ho contribuito, dedicato alla ‘leadership individuale e collettiva nell’era dell’IA’, ho sostenuto che la tecnologia è necessaria, ma non sufficiente: l’IA abilita, ma le questioni più difficili rimangono quelle organizzative. Riguardano il modo in cui vengono prese le decisioni, come viene esercitata la leadership, come vengono distribuite la fiducia e l’autonomia, e come viene creato valore nel tempo.

L’ultimo sondaggio State of AI di McKinsey ha reso questa tensione piuttosto evidente. Otto intervistati su dieci affermano che l’IA sta già migliorando la loro produttività individuale, eppure solo il 37% riporta un contributo positivo all’Ebit della propria organizzazione. Questo non significa che i guadagni di produttività siano irreali. Suggerisce, piuttosto, che c’è una distanza considerevole tra il rendere più veloce un’attività individuale e il cambiare l’economia di un’azienda.

A un certo punto, ho iniziato a immaginare tutto questo come un cruscotto aziendale, una dashboard, diviso in due colonne. La prima colonna contiene le cose che misuriamo naturalmente, perché sono visibili e relativamente facili da contare. La seconda contiene alcune delle conseguenze che sono più difficili da vedere, che spesso si manifestano più tardi, e che alla fine potrebbero contare di più.

La seconda colonna

Prendiamo qualcosa di apparentemente semplice come il tempo risparmiato. Se l’IA riduce un compito da tre ore a venti minuti, il risparmio è reale. Ma vorrei anche sapere cosa succede dopo quei venti minuti. Quanto tempo viene speso per controllare il risultato? Per correggerlo? Per conciliare output contrastanti o per integrarlo nel lavoro effettivo? E, cosa più importante, cosa succede alla capacità produttiva che è stata liberata?

Un recente studio del Metr su 349 lavoratori in ambito tech ha fatto una distinzione interessante tra velocità e valore. I partecipanti hanno auto-segnalato un miglioramento mediano della velocità pari a tre volte grazie all’IA, mentre il miglioramento stimato del valore effettivo del loro lavoro era compreso tra 1,4 e 2 volte, a seconda di come e quando veniva posta la domanda. Essendo un sondaggio auto-riportato su un gruppo specifico, non trasformerei quei numeri in un benchmark universale. Ma trovo la distinzione estremamente utile: fare qualcosa più velocemente e creare più valore non sono la stessa cosa. Quindi, accanto al tempo risparmiato, vorrei avere una comprensione del valore netto dopo la verifica e la rielaborazione.

La stessa domanda diventa ancora più interessante quando passiamo dal tempo ai task automatizzati. Chiunque sia cresciuto nella consulenza, nell’ingegneria, nella legge, nella finanza o in molte altre professioni (come me) sa che una quantità sorprendente di competenze è stata costruita facendo lavori che, col senno di poi, erano inefficienti. La prima analisi. La prima bozza. Esaminare i dati manualmente. Fare il debug di qualcosa che non funzionava. Stare su un problema abbastanza a lungo da capire perché la risposta ovvia era sbagliata. Quelle attività producevano un output, ma allo stesso tempo facevano qualcos’altro: costruivano capacità di giudizio.

Dobbiamo assolutamente usare l’IA per eliminare il lavoro che non ha più bisogno di essere svolto da una persona. La domanda è cosa succede all’apprendimento che avveniva durante lo svolgimento di quel lavoro. Un articolo pubblicato di recente sull’Academy of Management Review esplora proprio questa tensione. Gli autori descrivono come l’esternalizzazione cognitiva all’IA generativa, specialmente sotto pressione per le scadenze, possa contribuire a quello che chiamano ‘de-skilling epistemico’. Ma descrivono anche la possibilità opposta: laddove l’assunzione di responsabilità spinge i manager a interrogare più a fondo l’output dell’IA, la tecnologia può supportare l’up-skilling e un giudizio più solido.

È un modello teorico piuttosto che una misurazione di ciò che sta già accadendo, ma l’implicazione per la progettazione del lavoro è cruciale. Se automatizziamo parte della ‘gavetta’ attraverso la quale le persone diventavano brave, non possiamo semplicemente presumere che le competenze continueranno ad apparire per magia. Dobbiamo riprogettare il modo in cui vengono costruite. Ecco perché, accanto ai task automatizzati, metterei l’apprendimento preservato o riprogettato.

C’è una dualità simile per quanto riguarda il talento. Una delle possibilità più promettenti dell’IA è che può aiutare le organizzazioni a vedere capacità che i sistemi attuali trascurano. Questa è una delle idee centrali nel pilastro ‘Persone’ dell’AI Equity Compass: la tecnologia può contribuire a rendere visibili profili e percorsi che i dati convenzionali e i filtri organizzativi potrebbero non rappresentare. Ma c’è un’eventualità inversa che mi interessa altrettanto.

Se usiamo sempre di più l’IA per identificare il potenziale, raccomandare candidati, assegnare opportunità o valutare le performance, quali tipi di talento diventano più difficili da vedere? Nel mio lavoro con i leader, mi ricordo costantemente di quanto ciò che distingue una persona eccezionale sia difficile da dedurre da una cronologia ordinata di dati passati. Il giudizio. La curiosità. La capacità di guadagnarsi la fiducia. La sensibilità al contesto. La capacità di imparare qualcosa che non è ancora diventato parte della job description. L’IA può aiutarci a vedere talenti che i vecchi filtri ignoravano. Può anche privilegiare ciò che è più facile da rappresentare, confrontare e prevedere. Quindi vorrei guardare non solo al talento emerso, ma anche al talento che scompare: capacità, percorsi di carriera o persone che diventano meno visibili mentre riprogettiamo il lavoro attorno all’IA.

La questione diventa ancora più consequenziale quando passiamo alle decisioni. Le organizzazioni, comprensibilmente, celebrano le decisioni accelerate. L’IA può sintetizzare informazioni, trovare pattern, confrontare alternative e fare raccomandazioni molto più velocemente dei processi tradizionali. Ma la velocità è solo una proprietà di una decisione. L’AI Equity Compass è molto esplicito su questo punto: le decisioni rimangono responsabilità dell’organizzazione anche quando l’IA contribuisce con le informazioni usate per prenderle.

Credo che questo diventerà sempre più difficile, anziché più facile, man mano che i sistemi migliorano. Una raccomandazione da un sistema debole è facile da contestare. Una raccomandazione da un sistema altamente capace, supportata da analisi sofisticate ed espressa con sicurezza, è psicologicamente diversa. Puoi mantenere un essere umano formalmente ‘in the loop’ pur rendendo gradualmente il suo ruolo puramente cerimoniale. La persona approva, ma non interroga più veramente la raccomandazione. Mantiene la firma, pur perdendo parte del giudizio che vi sta dietro. Per questo motivo, accanto alle decisioni accelerate, vorrei comprendere la qualità delle decisioni e la titolarità (ownership) umana nel tempo.

E infine arriviamo agli agenti. Qui penso che la discussione cambi in modo sostanziale. Per gran parte dell’era dell’IA generativa, ci siamo chiesti cosa potesse produrre un modello: testi, codice, immagini, analisi. Con gli agenti, ci chiediamo sempre di più cosa l’IA possa fare. Gli agenti possono usare strumenti, interagire con altri sistemi, avviare processi ed eseguire sequenze di azioni verso un obiettivo.

Lo stesso AI Equity Compass nota questo passaggio da sistemi che generano contenuti a sistemi in grado di pianificare azioni, usare strumenti, interagire con altri sistemi e prendere iniziative. Le aziende hanno trascorso decenni a definire l’autorità per gli esseri umani. Chi può assumere qualcuno? Chi può approvare una spesa da 10.000 euro e chi da 10 milioni? Chi può modificare un prezzo? Accedere a dati sensibili? Contattare un cliente? Prendere un impegno vincolante per conto dell’azienda? Questi non sono permessi tecnici. Sono diritti decisionali organizzativi.

Gli agenti IA stanno iniziando a trasformare alcuni di questi diritti decisionali in software. Trovo quindi particolarmente interessante il recente lavoro del World Economic Forum sugli agenti. Il suo Agent Capability and Authorization Profile (Acap) separa ciò che un agente è tecnicamente capace di fare da ciò che è effettivamente autorizzato a fare, e collega tale autorizzazione al monitoraggio e all’accountability. Questo suggerisce una quinta coppia per la dashboard. Accanto alle capacità dell’agente, inserirei l’autorità organizzativa delegata. Non semplicemente: ‘L’agente può farlo?’ Ma: ‘Abbiamo deciso che dovrebbe farlo? A quali condizioni? Entro quali limiti? E chi mantiene la responsabilità quando agisce?’

Una dashboard non è l’organizzazione

A questo punto c’è un pericolo ovvio nel ragionamento che sto facendo. La risposta manageriale naturale a una metrica mancante è creare un’altra metrica. Poi un’altra dashboard. Poi un’altra serie di KPI. Non è questo che intendo. Infatti, una delle idee che attraversano l’AI Equity Compass è proprio che le persone e le organizzazioni non possono essere comprese interamente attraverso parametri quantitativi. Alcune delle cose che contano di più sono difficili da misurare, e potrebbero rimanere sempre tali. Il giudizio è difficile da misurare. Lo è anche la fiducia.

Il valore formativo di un’esperienza è difficile da catturare in una dashboard trimestrale. Così come la qualità di una relazione, o la capacità di qualcuno di riconoscere che i dati che ha davanti sono tecnicamente corretti ma contestualmente sbagliati.

La seconda colonna non è quindi intesa come una scorecard definitiva. La vedo più come una disciplina. Ogni volta che la prima colonna mostra un miglioramento, guardate cosa è cambiato attorno ad essa. Se un processo è diventato più veloce, il suo valore reale è aumentato? Se un task è scomparso, dove avverrà ora l’apprendimento? Se l’IA ha fatto emergere nuovi talenti, chi o cosa potrebbe essere diventato meno visibile? Se le decisioni hanno accelerato, il giudizio e l’accountability sono rimasti intatti? Se un agente è diventato capace di fare di più, l’organizzazione ha preso una decisione altrettanto consapevole sull’autorità che stava cedendo?

Questo è anche il motivo per cui credo che il terzo pilastro del Compass, la Sostenibilità Organizzativa, sia particolarmente importante. L’adozione dell’IA non finisce quando la tecnologia funziona. I sistemi, i dati, i comportamenti e le circostanze evolvono. Il Compass chiede quindi che i sistemi vengano monitorati, aggiornati e, quando necessario, rivisti o fermati.

I dati più recenti di McKinsey puntano in una direzione simile dal punto di vista delle performance aziendali. I cosiddetti ‘high performer’ nell’IA rappresentano ancora solo circa il 6% degli intervistati, ma quasi i tre quarti di loro dichiarano di aver riprogettato radicalmente i flussi di lavoro a causa dell’IA. Tra le altre organizzazioni, solo circa un quarto lo fa. Questa differenza è interessante perché la riprogettazione dei flussi di lavoro impone inevitabilmente domande che la sola adozione della tecnologia può evitare. Chi fa cosa adesso? Dove si costruiscono le competenze? Cosa deve ancora sapere un manager? Quali decisioni rimangono umane? Dove risiede l’autorità? Queste sono domande di progettazione organizzativa.

Cosa stiamo costruendo, davvero?

Qualche anno fa, il dibattito era concentrato sul se le aziende dovessero usare del tutto l’IA generativa. Poi la domanda è diventata dove implementarla. Più recentemente, l’enfasi si è spostata sul valore misurabile e su come scalarla. Sono segni di progresso. Ma man mano che l’IA si radica in porzioni sempre più ampie del nostro lavoro, e mentre gli agenti iniziano ad agire anziché semplicemente consigliare, credo che un’altra domanda meriti maggiore attenzione: che tipo di organizzazione stiamo costruendo in questo processo?

Forse, in fin dei conti, è proprio a questo che serve la seconda colonna. Non sostituisce le misure di produttività che già abbiamo, e non implica certamente che ogni conseguenza umana possa o debba essere trasformata in un numero. Ci costringe semplicemente a guardare oltre i guadagni che sono più facili da vedere. L’IA può far risparmiare tempo alterando il modo in cui si sviluppano le competenze. Può accelerare le decisioni cambiando sottilmente chi le prende per davvero. Può rivelare talenti rendendo meno visibili altre capacità. E gli agenti possono diventare più capaci mentre l’organizzazione delega autorità quasi senza accorgersi di farlo.

Sospetto che una delle sfide di leadership più importanti dei prossimi anni sarà imparare a vedere questi effetti con sufficiente anticipo per poterli plasmare. L’IA continuerà a fare di più. La domanda più interessante, però, potrebbe essere cosa diventeranno le nostre organizzazioni mentre lo fa.