#Finsubito news dalla rete – L’AI rende le risposte abbondanti. Ma le buone decisioni restano scarse

di Fabio Moioli e Duccio Vitali

Durante un recente evento di AlixPartners, in cui eravamo entrambi speaker insieme al professor Maurizio Dallocchio, è emersa una riflessione che ci è rimasta particolarmente impressa: per tutta l’attenzione che circonda l’AI nelle imprese, oggi gran parte dell’adozione sta avvenendo ancora a livello individuale. Le persone usano Copilot, ChatGPT e altri strumenti per scrivere, analizzare, preparare presentazioni, generare codice o affrontare un problema. L’individuo diventa più capace. L’organizzazione, spesso, rimane quasi la stessa.

Immaginiamo un’azienda in cui quasi tutti possono produrre in pochi minuti un’analisi credibile, ma una decisione importante richiede ancora sei settimane. Le persone sono diventate più veloci, ma le informazioni attraversano gli stessi confini, i diritti decisionali non sono cambiati, gli incentivi continuano a premiare l’ottimizzazione locale e le scelte più importanti restano concentrate nelle stesse poche persone. L’AI ha trasformato il compito senza trasformare l’organizzazione.

Anche per questo bisogna usare con cautela l’espressione “intelligenza abbondante”. Avere accesso a un modello non significa avere buon giudizio, e una risposta molto convincente può comunque essere sbagliata. Ma qualcosa sta certamente diventando meno scarso: la capacità di produrre spiegazioni, confrontare opzioni, costruire raccomandazioni e analizzare rapidamente un problema. Le imprese si sono organizzate per decenni partendo dal presupposto che queste capacità fossero costose e distribuite in modo diseguale. L’AI sta cambiando questa premessa molto più velocemente di quanto le organizzazioni stiano cambiando se stesse.

Dall’adozione individuale alla capacità organizzativa

Per molto tempo una parte dell’autorità manageriale è derivata dalla capacità di raccogliere e interpretare informazioni che altri non potevano facilmente ottenere. Contava l’esperienza, ma contava anche la vicinanza all’analisi. Quando molte più persone possono produrre autonomamente una prima risposta, il rapporto tra conoscenza e gerarchia diventa meno lineare.

Questo non rende superflua l’expertise. In molti casi la rende ancora più importante, perché qualcuno deve riconoscere il vincolo mancante, il confronto ingannevole o la risposta molto sicura alla domanda sbagliata. Cambia però il modo in cui l’esperienza crea valore. Un leader che aumenta la qualità del giudizio di un intero team produce un valore diverso da quello di un leader senza il cui intervento nulla può procedere.

C’è anche una difficoltà umana. Le persone costruiscono la propria identità professionale intorno a determinati modi di essere utili. Per un manager che ha ottenuto riconoscimento perché sapeva più degli altri o perché forniva la risposta, può essere scomodo diventare la persona che crea le condizioni affinché altri rispondano bene. La resistenza all’AI non riguarda quindi sempre la tecnologia. Può riguardare status, identità e il significato stesso dell’expertise.

Per questo dare una licenza AI a tutti non equivale a trasformare l’organizzazione. Gli strumenti si diffondono rapidamente perché le persone possono adottarli senza ridisegnare l’azienda. L’adozione organizzativa è più difficile: richiede di intervenire sui flussi informativi, sull’autorità, sugli incentivi, sull’accountability e sui confini tra funzioni. Finché questi elementi non cambiano, l’AI può rendere l’organizzazione più efficiente lasciandone intatta la logica di fondo.

La produttività è solo il primo livello

Per leggere ciò che sta accadendo può essere utile distinguere tre livelli: produttività, supporto alle decisioni e nuovi modelli di business. Il primo chiede come fare lo stesso lavoro più velocemente. Il secondo se l’AI ci aiuta a prendere una decisione migliore. Il terzo che cosa diventa possibile quando il costo di analisi, personalizzazione o delivery cambia abbastanza da rendere sostenibile un servizio o un modello di business diverso.

La maggior parte delle aziende parte naturalmente dalla produttività, perché è visibile e relativamente semplice da misurare. Un documento che richiedeva una giornata richiede un’ora. Il codice viene prodotto più rapidamente. Una proposta commerciale può essere preparata in un pomeriggio invece che in diversi giorni. Sono guadagni reali, ma possono creare una falsa sensazione di trasformazione se l’organizzazione intorno al task resta identica.

Pensiamo a un processo commerciale in cui l’AI aiuta un team a identificare un’opportunità, preparare una proposta e valutarne la redditività molto più velocemente. Se il pricing deve comunque passare da un comitato, la capacità di delivery appartiene a un’altra funzione e le eccezioni aspettano un executive che le rivede una volta al mese, la proposta arriva semplicemente prima nella stessa coda. La slide interna sulla produttività è eccellente. Il cliente può non percepire quasi alcuna differenza.

È qui che l’adozione individuale e quella organizzativa si separano. Che fine ha fatto il tempo risparmiato? Il cliente ha ricevuto una risposta migliore e più veloce? La decisione è migliorata? Oppure l’organizzazione ha semplicemente prodotto più lavoro che adesso aspetta nello stesso collo di bottiglia?

L’AI può rendere visibili vincoli che prima erano nascosti dalla quantità di lavoro necessaria per produrre un output. Quando la produzione accelera, decision rights lenti, ownership frammentata e incentivi non allineati diventano più evidenti. Da questo punto di vista, uno degli effetti più utili dell’AI può essere diagnostico: mostra dove il vero collo di bottiglia non è più il task, ma l’organizzazione.

Il terzo livello è ancora più impegnativo. Se ogni investimento in AI deve giustificarsi soltanto attraverso risparmi immediati, le aziende finiranno soprattutto per migliorare ciò che già fanno. La domanda più interessante è che cosa diventa economicamente conveniente fare quando il costo dell’analisi, della personalizzazione o della delivery diminuisce drasticamente. È qui che l’AI smette di essere soltanto un acceleratore e può diventare un motore di nuovi mercati, nuove esperienze e nuovi modelli di business.

Quando generare diventa facile, verificare diventa scarso

Un esempio recente rende il punto molto concreto. In un sistema che ogni mese elabora gli stipendi di centinaia di persone, l’AI può generare codice molto più rapidamente. Ma in un sistema payroll la domanda importante non è quanto sia impressionante la generazione. Lo stipendio deve essere corretto. La logica di business deve essere preservata, le eccezioni devono essere gestite e qualcuno deve sapere quando il risultato merita di essere considerato affidabile.

Generazione e verifica vanno quindi progettate insieme, con l’AI a supportare il lavoro e l’esperienza umana a governare le decisioni più rilevanti. Man mano che generare diventa più facile e meno costoso, la capacità scarsa può spostarsi dal produrre una risposta al capire se quella risposta merita fiducia.

E verificare non significa semplicemente chiedere una seconda opinione a un altro modello. Due sistemi possono concordare perché condividono assunzioni o punti ciechi. La fiducia deve collegare l’output a qualcosa di esterno alla plausibilità della risposta: risultati osservati, fonti affidabili, vincoli di business, evidenze indipendenti o una linea di indagine realmente diversa. Il livello di verifica dovrebbe dipendere dalle conseguenze dell’errore.

Anche per questo la formula “human in the loop” rassicura meno di quanto sembri. Una persona che deve approvare centinaia di raccomandazioni senza tempo, contesto o autorità per fermare il processo non sta esercitando un vero controllo. Presenza umana e giudizio umano non sono la stessa cosa. La leadership deve decidere dove l’attenzione umana può realmente cambiare un risultato e proteggere il tempo, le informazioni e l’autorità necessari perché quel giudizio sia effettivo.

Un’organizzazione AI-native deve saper imparare

Un altro concetto utile è quello di antifragilità: organizzazioni che non si limitano a resistere all’incertezza, ma imparano attraverso ciò che accade. In un’organizzazione AI-native questo diventa centrale. Un’azienda può produrre più raccomandazioni e automatizzare più azioni, ma sa imparare dalle conseguenze? Quando un esperimento fallisce, la decisione successiva cambia? Quando una raccomandazione funziona, l’organizzazione capisce abbastanza bene perché ha funzionato da trasferire quella lezione altrove?

Parleremmo di organizzazione AI-native soltanto quando workflow, decision rights e pratiche di apprendimento vengono ridisegnati deliberatamente intorno sia alle capacità sia ai limiti dell’AI. È una definizione meno spettacolare di molte demo. Significa seguire un outcome rilevante lungo l’intera organizzazione e chiedersi dove entra l’evidenza, dove si perde il contesto, dove l’autorità è poco chiara e dove nessuno possiede davvero l’apprendimento che dovrebbe seguire.

Significa anche essere disposti a rimettere in discussione il processo stesso. Se l’AI cambia ciò che è tecnicamente ed economicamente possibile, il workflow di ieri non dovrebbe essere automaticamente il punto di partenza di domani. Alcune frizioni devono restare perché proteggono persone, introducono un controllo utile o impediscono azioni difficilmente reversibili. Altri passaggi sopravvivono soltanto perché “si è sempre fatto così”. Ridisegnare significa distinguere gli uni dagli altri.

L’antifragilità, in questo senso, non è una metafora. È una disciplina organizzativa: abbastanza libertà per sperimentare, abbastanza visibilità per capire che cosa è successo e abbastanza disponibilità a cambiare una regola, un processo o un’assunzione quando l’evidenza la contraddice. L’AI può accelerare il feedback loop. Solo l’organizzazione può decidere se imparare davvero.

Il “premio umano” non è automatico

Con la crescita dell’AI alcune capacità umane possono acquisire maggiore valore. Ma non perché tutto ciò che è umano diventerà automaticamente più prezioso. Alcune attività diventeranno meno scarse e alcuni ruoli cambieranno profondamente. Il “premio umano” deve essere guadagnato attraverso capacità che contano davvero per il risultato.

Tra queste ci sono riconoscere un problema che valga la pena risolvere, accorgersi degli interessi assenti, mettere in discussione l’obiettivo stesso e assumersi la responsabilità di un trade-off difficile. Un modello può ottimizzare rispetto a un obiettivo. Qualcuno deve ancora decidere se quell’obiettivo è quello giusto. Crescita, equità, resilienza, fiducia dei clienti e redditività di breve periodo non indicano sempre la stessa direzione. L’analisi può chiarire le conseguenze, ma la leadership continua a richiedere una scelta su ciò che l’organizzazione è pronta a sostenere.

Responsabilità, coraggio ed etica diventano concreti quando hanno un costo: riconoscere un risultato scomodo, cambiare una pratica redditizia, permettere che un’evidenza migliore portata da una persona meno senior modifichi una decisione, oppure decidere prima che la certezza sia completa. Se l’accesso all’analisi diventa più diffuso, uno dei test della leadership sarà capire se l’organizzazione lascia davvero circolare quell’intelligenza verso l’alto e lateralmente.

C’è poi un rischio meno discusso. Gran parte del giudizio professionale si è sviluppato storicamente attraverso ricerca, stesura di documenti, riconciliazione di informazioni e errori commessi sotto supervisione. Sono esattamente le attività che l’AI oggi può aiutare a svolgere. Se automatizziamo il lavoro senza ridisegnare il modo in cui le persone imparano, potremmo aumentare la produttività di oggi indebolendo l’expertise di domani. Potremmo arrivare a chiedere alle persone di verificare sistemi senza aver dato loro un percorso credibile per sviluppare il giudizio necessario a farlo.

Anche l’apprendistato diventa quindi parte dell’organizational design nell’era dell’AI. I colleghi più junior devono poter formulare una propria opinione, confrontarla con quella del modello, indagare i disaccordi e vedere che cosa è successo dopo una decisione. Gli esperti senior devono avere tempo e incentivi per rendere visibile il proprio ragionamento, non soltanto fornire la risposta. La capacità umana non è un patrimonio fisso che l’azienda può dare per scontato. Va continuamente rigenerata.

Dalle risposte alle decisioni

Prima del prossimo grande investimento in AI, un leadership team dovrebbe discutere almeno tre domande. Se domani le nostre persone potessero produrre il doppio delle analisi utili, che cosa dentro l’organizzazione impedirebbe a quelle analisi di migliorare i risultati? Quando automatizziamo una parte del lavoro, dove si sposta davvero il lavoro, chi verifica il risultato e il risparmio sopravvive a una lettura dell’intero processo? E se la trasformazione dipende dal giudizio umano, come continueremo a sviluppare quel giudizio mentre cambiano proprio i lavori entry-level attraverso cui lo si imparava?

Queste domande misurano la distanza tra adozione individuale e trasformazione organizzativa. La prima ondata ha messo capacità straordinarie nelle mani delle persone. La seconda è più difficile, perché obbliga le aziende a ripensare come circola l’informazione, dove siedono le decisioni, che cosa significa expertise, come si impara e che cosa dovrebbe fare un leader.

Un’azienda può rendere analisi, bozze e risposte plausibili enormemente più abbondanti e lasciare le buone decisioni scarse esattamente come prima.

Colmare questa distanza potrebbe diventare uno dei compiti più importanti della leadership nell’era dell’AI.