L'automazione basata sull'intelligenza artificiale nel mondo degli affari globali

Il primo progetto di IA all’interno di un’azienda spesso prende il via da qualcosa di apparentemente semplice. Un manager nota che ogni lunedì mattina cinque persone passano il tempo a copiare dati da un foglio di calcolo all’altro, a smistare le e-mail dei clienti o a redigere lo stesso rapporto settimanale. Qualcuno suggerisce che uno strumento di IA potrebbe portare a termine il lavoro in pochi minuti. Viene approvato un progetto pilota, la prima dimostrazione sembra impressionante e il team inizia a parlare delle ore che si potrebbero risparmiare.

Poi arriva la realtà. I dati di origine sono incoerenti. Il software non è in grado di gestire diverse eccezioni comuni. I dipendenti correggono silenziosamente i suoi errori senza registrarli, mentre i manager faticano a stabilire se il processo sia davvero più veloce. Quello che sembrava un progetto di automazione si rivela essere una lezione su come funziona realmente l’azienda.

Questo non significa che la tecnologia abbia fallito. Significa che l’azienda ha iniziato dal strumento anziché dal lavoro.

L'automazione basata sull'intelligenza artificiale può ridurre le attività amministrative ripetitive, favorire decisioni più rapide e lasciare ai dipendenti più tempo per svolgere mansioni che richiedono capacità di giudizio, negoziazione o creatività. Tuttavia, le aziende che ne traggono il massimo vantaggio sono raramente quelle che acquistano il maggior numero di applicazioni. Sono invece quelle che individuano un problema operativo specifico, riprogettano il processo attorno ad esso e definiscono chiaramente quali responsabilità debbano rimanere di competenza umana.

Iniziamo con il problema del martedì mattina

Il punto di partenza migliore non è l’ambizione aziendale di “diventare un’azienda guidata dall’IA”. È un compito che le persone possano descrivere con un linguaggio semplice.

Forse il team finanziario riceve centinaia di fatture in formati diversi e inserisce manualmente le stesse informazioni nel sistema contabile. Gli addetti al servizio clienti potrebbero dedicare la prima parte di ogni caso all’identificazione del prodotto, della lingua e della natura del reclamo. Un team addetto agli acquisti potrebbe dover leggere lunghi documenti dei fornitori per individuare poche clausole rilevanti.

Si tratta di candidati promettenti perché il lavoro viene ripetuto frequentemente, utilizza informazioni riconoscibili e segue uno schema ragionevolmente stabile. È inoltre possibile misurarne il potenziale beneficio.

Chiedete ai dipendenti quali attività svolgono ripetutamente, quali dati copiano da un sistema all’altro e in quali momenti perdono tempo nella ricerca di informazioni. Le risposte più utili si trovano spesso a diversi livelli al di sotto dell’alta dirigenza. I dirigenti sanno dove l’azienda vuole arrivare; chi svolge il processo sa dove si verificano gli intoppi.

Non iniziare chiedendoti quali mansioni possano essere automatizzate. Suddividi piuttosto le mansioni in attività specifiche. Un ruolo nell’assistenza clienti può comprendere la classificazione, il recupero di informazioni, la conversazione, la negoziazione e la risoluzione dei problemi. L’intelligenza artificiale potrebbe gestire bene le prime due attività, mentre potrebbe rivelarsi inaffidabile o inadatta per le restanti.

Questa distinzione impedisce che un programma di automazione si trasformi in un’operazione indiscriminata di riduzione del personale. Inoltre, consente di prendere decisioni più oculate in materia di tecnologia.

Analizza il lavoro prima di cercare di migliorarlo

Una volta individuata un’attività, seguila dall’inizio alla fine.

In quale punto le informazioni entrano nell'azienda? Chi le verifica? Quali sistemi sono coinvolti? Quali decisioni vengono prese e cosa succede quando il caso non segue lo schema abituale?

Un processo che in una presentazione sembra semplice può nascondere decine di soluzioni alternative non ufficiali. Un dipendente sa che gli ordini provenienti da un determinato mercato richiedono un documento aggiuntivo. Un altro si accorge che un fornitore utilizza un codice prodotto obsoleto. Questi dettagli potrebbero non essere mai stati messi per iscritto, poiché il personale esperto li ha sempre tenuti a mente.

L'automazione porta alla luce questa conoscenza nascosta. Un sistema non può applicare una regola che nessuno ha mai formulato.

Crea una semplice mappa di processo che illustri gli input, le fasi di routine, le decisioni, le eccezioni e l'output finale. Indica quali informazioni sono essenziali e quali vengono semplicemente riportate perché l'azienda le ha sempre raccolte.

Questa operazione spesso consente di ottenere risparmi già prima dell’introduzione di qualsiasi sistema di intelligenza artificiale. È possibile eliminare le approvazioni duplicate, standardizzare i modelli e sospendere la produzione di report superflui. Non ha molto senso ricorrere a tecnologie avanzate per accelerare un processo di cui l’azienda non ha più bisogno.

Scegli un primo progetto che possa reggere anche a un errore

Il pilota ideale è abbastanza competente da fare la differenza, ma abbastanza moderato da garantire che un suo errore non provochi danni gravi.

Riassumere documenti interni, classificare richieste di informazioni non sensibili o redigere descrizioni standard dei prodotti possono essere punti di partenza adeguati. Prendere decisioni in materia di prestiti, selezionare candidati per posizioni lavorative o fornire consulenza medica, legale o finanziaria comporta invece un livello di rischio molto più elevato.

Si considerino tre fattori: frequenza, prevedibilità e conseguenze.

Un’attività svolta migliaia di volte al mese offre un valore potenziale maggiore rispetto a una eseguita solo occasionalmente. Un processo regolato da schemi chiari è più facile da automatizzare rispetto a uno che dipende fortemente dal contesto. Ma soprattutto, sono le conseguenze di un errore a determinare il livello di supervisione necessario.

Un riassunto generato dall’intelligenza artificiale e utilizzato da un dipendente come prima bozza è ben diverso da una decisione automatizzata che determina se una persona ottenga un lavoro, un pagamento o un servizio essenziale.

Iniziare da una fase in cui i risultati possano essere esaminati rapidamente da una persona esperta. Ciò consente all’azienda di comprendere come si comporta la tecnologia prima di affidarle compiti più importanti.

Decidi quali sono le funzioni della macchina e quali sono le responsabilità della persona

Un progetto di automazione di successo richiede una linea di demarcazione chiara tra l'attività delle macchine e la responsabilità umana.

Il sistema può estrarre i dati dalle fatture, ma un dipendente dovrebbe verificare le voci che non superano una soglia di affidabilità. Può redigere una bozza di risposta a un cliente, mentre il consulente valuta se il tono e la soluzione proposta siano appropriati. È in grado di individuare transazioni insolite, ma spetta a un investigatore qualificato stabilire se siano sospette.

La presenza di una persona non dovrebbe limitarsi a dare l’impressione di un controllo. Il revisore deve disporre di tempo, informazioni e autorità sufficienti per mettere in discussione il risultato.

Questo è importante perché le persone possono finire per fidarsi eccessivamente dei risultati generati automaticamente, soprattutto quando un sistema funziona bene nella norma. Dopo aver approvato decine di raccomandazioni corrette, un dipendente potrebbe smettere di esaminare attentamente quella successiva.

Strutturare il processo di revisione in funzione del rischio. I casi di scarso valore e facilmente reversibili potrebbero richiedere un controllo a campione occasionale. Le decisioni di grande impatto potrebbero invece richiedere un’approvazione individuale e una motivazione documentata.

Decidete inoltre chi è responsabile quando qualcosa va storto. “È stata l’IA a generarlo” non è una risposta accettabile per un cliente, un’autorità di regolamentazione o il consiglio di amministrazione.

Correggi i dati prima di dare la colpa al modello

I sistemi di intelligenza artificiale dipendono dalle informazioni che ricevono. Se i nomi dei prodotti variano da un reparto all’altro, i dati dei clienti sono incompleti o i documenti normativi si contraddicono a vicenda, l’automazione non farà altro che amplificare la confusione a un ritmo ancora più sostenuto.

Prima dell'implementazione, verificare che i dati in questione siano accurati, aggiornati e legalmente disponibili per l'uso previsto. Identificare chi ne è il titolare e chi è responsabile della correzione degli errori.

Un chatbot per l'assistenza clienti basato su informazioni obsolete potrebbe fornire risposte con sicurezza, ma errate. Uno strumento di previsione addestrato su dati storici distorti relativi alla domanda potrebbe continuare a raccomandare livelli di scorte sbagliati. Un sistema di reclutamento che si basa su modelli di assunzione passati può ripetere i pregiudizi insiti in quelle decisioni.

La preparazione dei dati non è l'aspetto più affascinante dell'intelligenza artificiale, ma spesso è quello più importante dal punto di vista commerciale. Un sistema più semplice che utilizza informazioni pulite e pertinenti può ottenere risultati migliori rispetto a un modello più sofisticato basato su dati disorganizzati.

Le aziende dovrebbero inoltre ridurre al minimo i dati raccolti. Un progetto di automazione non necessita di accedere a tutti i campi disponibili solo perché la tecnologia è in grado di elaborarli. I dati aggiuntivi comportano ulteriori obblighi in materia di privacy, sicurezza e governance.

Costruire un progetto pilota basato sul lavoro reale

Una dimostrazione offerta da un fornitore si svolge solitamente in condizioni ideali. Un progetto pilota significativo dovrebbe invece basarsi su casi rappresentativi del carico di lavoro effettivo dell’azienda.

Includere compiti semplici, ma anche gli esempi più complessi che i dipendenti si trovano ad affrontare nella pratica: moduli incompleti, messaggi ambigui dei clienti, formati insoliti e istruzioni contraddittorie. Effettuare i test in diverse lingue, laddove l’azienda opera su più mercati.

Eseguire il nuovo processo parallelamente a quello esistente per un periodo di tempo prestabilito. Ciò consente di confrontare velocità, precisione e costi senza dover fare immediatamente affidamento su un sistema non ancora collaudato.

I dipendenti dovrebbero documentare gli interventi effettuati, anziché correggere in silenzio i risultati. Se una persona riscrive metà di ogni risposta generata, il tasso di automazione apparente potrebbe sembrare impressionante, mentre il risparmio effettivo è trascurabile.

Il progetto pilota dovrebbe fornire risposte a diverse domande concrete. Con quale frequenza il sistema produce un risultato utilizzabile? In quali casi fallisce? Quanto tempo occorre per la revisione? Riduce la durata complessiva del processo o si limita a trasferire il lavoro da un reparto all’altro?

Un progetto pilota che mette in luce i limiti non è un fallimento. Ha semplicemente impedito che un’idea difettosa venisse portata avanti su larga scala.

Misura il risultato che conta davvero

Il tempo risparmiato è utile, ma non è l'unico parametro per misurare il successo.

Un sistema di assistenza clienti basato sull'intelligenza artificiale può rispondere più rapidamente alle richieste, ma allo stesso tempo aumentare il numero di reclami perché le risposte risultano generiche. L'ispezione automatizzata in fase di produzione può ridurre i controlli manuali, ma rischia di non individuare un difetto raro e costoso. Uno strumento di marketing può produrre più contenuti, ma indebolire il marchio a causa della ripetitività e della mancanza di coerenza.

Scegliete indicatori correlati al problema iniziale. Tra questi possono figurare i tempi di elaborazione, i tassi di errore, il costo per transazione, la soddisfazione dei clienti, il tasso di conversione, gli sprechi, i tempi di inattività o il numero di casi che richiedono un intervento di livello superiore.

Valutate l’intero processo, anziché limitarsi alla sola fase automatizzata. Se l’estrazione delle fatture diventa più veloce, ma i dipendenti impiegano più tempo a risolvere gli errori in un secondo momento, il progetto non ha migliorato il funzionamento del processo.

Stabilire un punto di riferimento prima del lancio. Senza sapere quanto tempo richiede attualmente il processo e con quale frequenza si verificano gli errori, quasi ogni nuovo sistema può essere presentato come un successo.

Il calcolo dei costi dovrebbe includere le licenze, l'integrazione, la preparazione dei dati, la sicurezza, la formazione del personale, la supervisione e la manutenzione. Un prezzo mensile contenuto del software può nascondere costi interni di implementazione piuttosto elevati.

Coinvolgi i dipendenti prima che inizino le voci

Quando i lavoratori vengono a sapere che la dirigenza sta introducendo l’automazione, molti pensano che l’obiettivo sia la riduzione dei posti di lavoro. Se i dirigenti evitano l’argomento, i dipendenti tendono a colmare da soli il silenzio.

Spiega quali mansioni sono in fase di valutazione, perché sono state scelte e come verrà impiegato il tempo così liberato. Sii sincero riguardo a eventuali cambiamenti nei ruoli.

I dipendenti sono più propensi a sostenere il progetto quando questo elimina attività che ritengono ripetitive o frustranti. Sono invece meno propensi a collaborare quando viene loro chiesto di addestrare un sistema che sembra progettato per sostituirli senza che venga affrontata la questione del loro futuro.

La formazione non dovrebbe limitarsi a insegnare alle persone quali pulsanti premere. Il personale deve comprendere i limiti del sistema, riconoscere i risultati inaffidabili e sapere quando non è opportuno inserire le informazioni in uno strumento esterno.

Anche i manager hanno bisogno di formazione. Devono imparare a distinguere una dimostrazione convincente da un solido business case ed evitare di considerare i risultati generati dall’IA come intrinsecamente oggettivi.

I dati emergenti suggeriscono che l’IA generativa stia spesso modificando la composizione dei lavori piuttosto che eliminare intere figure professionali. Il compito pratico della gestione consiste quindi nel riprogettare il lavoro: le macchine si occupano della classificazione, della stesura e del recupero delle informazioni, mentre le persone mantengono la responsabilità in materia di valutazioni, relazioni ed eccezioni.

Metti in atto una governance prima di espanderti

Il fatto che un singolo dipendente provi a utilizzare uno strumento di intelligenza artificiale accessibile al pubblico può sembrare innocuo. In un’azienda internazionale, però, centinaia di esperimenti non coordinati tra loro possono rapidamente comportare rischi legati alla divulgazione di informazioni riservate, al diritto d’autore, alla sicurezza e a un trattamento non uniforme dei clienti.

Creare un inventario dei sistemi approvati e dei casi d'uso attivi. Ogni progetto dovrebbe avere un responsabile di business, un responsabile tecnico e una persona incaricata della gestione dei rischi e della conformità.

Registrare quali dati vengono utilizzati dal sistema, dove vengono trattati, quale fornitore vi ha accesso e se le informazioni possono essere conservate ai fini dell'addestramento dei modelli. Stabilire delle regole relative alle informazioni sensibili di natura commerciale, personale e relative ai clienti.

Il quadro di riferimento del NIST per la gestione dei rischi legati all’IA fornisce un utile principio organizzativo: regolamentare l’uso dell’IA, mappare il contesto e i rischi, misurare le prestazioni e gestire i problemi individuati durante l’intero ciclo di vita del sistema. La governance non dovrebbe limitarsi alla riunione finale di approvazione, ma deve essere parte integrante della fase di progettazione del progetto.

Per le aziende che operano in Europa, la legge dell’UE sull’intelligenza artificiale (AI Act) rende la classificazione sempre più importante. Gli obblighi variano a seconda del ruolo del sistema e del livello di rischio, con particolare attenzione agli utilizzi che possono avere un impatto significativo sulle persone, tra cui alcune applicazioni nel settore del lavoro, dei servizi essenziali e dei prodotti regolamentati.

La soluzione concreta non è quella di interrompere la sperimentazione, bensì di sapere cosa viene implementato e perché.

Sapere quando non automatizzare

Alcuni processi inefficienti dovrebbero essere riprogettati senza ricorrere all’intelligenza artificiale. Altri dovrebbero invece rimanere di competenza umana.

Una regola software convenzionale può risultare più affidabile per i calcoli soggetti a condizioni fisse. Una funzione di ricerca può risolvere il problema in modo più economico rispetto a un modello generativo. Una conversazione delicata con un cliente in difficoltà può richiedere empatia e discrezione che l’automazione non è in grado di garantire in modo credibile.

Non automatizzare un processo che non funziona solo perché richiede tempo. Se i dipendenti si trovano a dover correggere ripetutamente lo stesso tipo di reclamo da parte dei clienti, potrebbe essere necessario rivedere il prodotto o la politica sottostante.

L'automazione non dovrebbe nemmeno essere utilizzata per nascondere la carenza di personale. Un chatbot non può compensare all'infinito l'impossibilità, creata dall'azienda stessa, per i clienti di parlare con una persona.

La domanda giusta non è: “L’intelligenza artificiale è in grado di farlo?”, bensì: “L’automazione di questa attività produrrà un risultato migliore per l’azienda e per le persone coinvolte?”.”

I primi 90 giorni con buon senso

Durante il primo mese, individuate da tre a cinque processi ripetitivi e parlate direttamente con i dipendenti che li svolgono. Mappate le fasi, calcolate i costi attuali ed eliminate le inefficienze evidenti.

Nel secondo mese, selezionare un caso d’uso specifico e testarlo con dati rappresentativi. Definire il processo di revisione manuale, i controlli dei rischi e gli indicatori di successo prima dell’inizio della fase pilota.

Nel corso del terzo mese, confronta il nuovo flusso di lavoro con quello precedente. Registra gli errori, gli interventi dei dipendenti, le ripercussioni sui clienti e i costi complessivi di implementazione. Procedi all’espansione solo se i dati lo giustificano.

All'inizio, un progetto pilota efficace potrebbe far risparmiare solo poche ore. Il suo valore maggiore sta nell'insegnare all'organizzazione come selezionare, gestire e migliorare le future iniziative di automazione.

Le aziende che potrebbero trarne maggior beneficio

L'automazione basata sull'intelligenza artificiale non premia la fretta con la stessa affidabilità con cui premia la disciplina operativa. Le aziende dotate di processi chiari, dati utilizzabili e dipendenti motivati hanno maggiori probabilità di generare rendimenti rispetto a quelle che acquistano strumenti solo per rispondere alle preoccupazioni dei dirigenti.

Il primo progetto non dovrebbe cercare di reinventare l'organizzazione. Dovrebbe risolvere un problema ben definito, fornire dati concreti e definire un metodo che possa essere replicato.

Con il passare del tempo, questi piccoli sistemi possono iniziare a collegarsi tra loro. Le richieste dei clienti orientano lo sviluppo dei prodotti; le previsioni sulla domanda influenzano gli acquisti; i dati relativi alla manutenzione riducono le interruzioni della produzione. È qui che l’automazione assume un’importanza strategica, non come un insieme di strumenti isolati, ma come un modo più reattivo di gestire l’azienda.

Le aziende che avranno successo non saranno quelle che elimineranno le persone da ogni processo. Saranno invece quelle che capiranno quali attività traggono vantaggio dalla rapidità e dalla coerenza, quali decisioni richiedono il giudizio umano e come combinare i due aspetti senza perdere la responsabilità.