Non tutte le strategie per l'automation sono efficaci: ecco quali scenari evitare.

Un’azienda può automatizzare un’attività, sostituire lavoro umano e ritrovarsi con un risultato appena migliore di prima, o addirittura insufficiente.

È il problema della so-so automation: automatizzare così-così.

Un rischio da tenere presente quando compriamo un progetto AI lasciando fuori dal preventivo il lavoro necessario per trasformare davvero l’organizzazione.

Daron Acemoglu e Pascual Restrepo descrivono tecnologie che sostituiscono lavoro umano producendo guadagni di produttività troppo piccoli per compensare la conseguente riduzione della domanda di lavoro.

L’automazione avanza, ma il valore aggiunto è modesto.

Il working paper dell’Anthropic Institute Economic Scenarios for Transformative AI riprende questo rischio: un’AI molto diffusa, ma solo marginalmente più produttiva, può generare perdite di reddito da lavoro grandi rispetto ai benefici economici complessivi.

Sono possibilità esplorate da un modello, non previsioni.

La distinzione conta: una so-so automation può persino convenire alla singola impresa.

Come spiega MIT Sloan, parte del risparmio può derivare dal trasferire lavoro e costi sui clienti. Il servizio automatico risponde; il cliente passa il pomeriggio a cercare qualcuno che risolva.

Portando questa lente dentro le aziende, la nostra tesi è che una strada per ottenere risultati così-così sia introdurre l’AI senza costruire le condizioni perché produca valore.

In questo caso, i benefici possono diventare tanto modesti da non ripagare nemmeno integrazione, verifiche e manutenzione.

Immaginiamo un assistente per preparare preventivi. Recupera documenti e scrive una proposta in pochi secondi.

Poi qualcuno deve verificare quale listino sia aggiornato, correggere le condizioni commerciali, ricopiare i dati nel gestionale e aspettare l’approvazione del responsabile.

La bozza arriva prima, ma il preventivo al cliente arriva nello stesso tempo che ci metteva in passato.

Il conto della consulenza, però, è completo.

Un MVP ha una funzione legittima: verificare un’ipotesi.

Diventa un problema quando una società di consulenza improvvisata sull’AI lo consegna come sistema pronto per la produzione, senza aver studiato eccezioni, dipendenze e responsabilità.

Se qualcuno deve continuamente correggerlo e rimettere insieme i pezzi, o peggio ancora sopperire alle sue mancanze, abbiamo portato in azienda un accrocchio.

Qui c’è anche una questione di incentivi.

Se il fornitore viene pagato alla consegna dell’agente, mentre nessuno risponde del costo complessivo di una pratica, il contratto premia un risultato diverso da quello che interessa all’azienda.

Il primo lavoro consiste quindi nel capire come scorre davvero il processo: dove si accumulano le attese, quali informazioni mancano, chi gestisce gli imprevisti.

Per noi è un tema ricorrente: accelerare un passaggio può lasciare intatto il collo di bottiglia che rallenta tutto il resto.

Essere AI-ready significa affrontare questo lavoro attraverso il business process reengineering quando serve ripensare radicalmente il flusso.

Nel nostro esempio, bisogna stabilire quale listino faccia fede, quali approvazioni siano necessarie e come il preventivo entri nel gestionale. Poi decidere quali passaggi eliminare, quali affidare a regole software e dove l’AI possa contribuire.

Serve anche qualcuno con l’autorità di cambiare il processo quando attraversa più reparti.

C’è poi l’envelopment: adattare l’ambiente alle capacità e ai limiti del sistema, creando condizioni nelle quali possa operare utilmente.

Asatiani e colleghi lo hanno sviluppato in ambito organizzativo come sociotechnical envelopment, mostrando quanto contino insieme fattori tecnici e sociali.

Applicato al nostro assistente, significa dargli accesso a fonti riconoscibili, delimitare le azioni consentite, verificare gli output e definire quando fermarsi e coinvolgere una persona.

Il redesign dei processi stabilisce come deve scorrere il lavoro; l’envelopment costruisce l’ambiente operativo dell’AI.

La readiness si realizza sul processo scelto, senza aspettare che tutta l’infrastruttura aziendale diventi perfetta.

Questo è il lavoro che in Datapizza affrontiamo attraverso AI deployment ed AI adoption, insieme, per una vera AI Transformation.

• L’AI deployment porta i sistemi dentro i processi e li rende operativi in produzione. Comprende integrazioni, valutazioni, gestione delle eccezioni e manutenzione. Il risultato deve reggere il lavoro quotidiano, con la sua variabilità e i suoi errori.
• L’AI adoption mette le persone nelle condizioni di usarli: strumenti e licenze adeguati, formazione sui compiti reali, accompagnamento al cambiamento.
• Il change management comprende anche responsabilità, incentivi e nuove mansioni. Coinvolgere chi lavora fin dalla progettazione permette di conoscere le eccezioni che nessuna procedura documenta e di costruire un cambiamento praticabile.

Ne abbiamo parlato nel dettaglio in un nostro blogpost!

Tutto questo richiede però investimenti.

Nella ricerca sulla Productivity J-Curve, Brynjolfsson, Rock e Syverson spiegano perché tecnologie come l’AI richiedano investimenti complementari, spesso immateriali, i cui benefici emergono nel tempo.

Un rendimento iniziale basso può riflettere una trasformazione ancora in costruzione. Aspettare il ritorno di un investimento organizzativo mai fatto, invece, serve a poco.

Per questo misuriamo il processo intero: quanto costa completare correttamente una pratica, quanto tempo richiede, quanto lavoro assorbono gli errori.

E decidiamo come utilizzare la capacità liberata per migliorare il servizio e rendere possibili nuove attività, comprese quelle nelle quali le persone possono contribuire di più.

Una vera AI Transformation tiene insieme tecnologia, processi e persone, e si misura sul risultato complessivo.

È il criterio con cui scegliere un progetto e valutarne il fornitore.

Se ti interessa approfondire, dai un’occhiata al nostro lavoro sull’AI Transformation nelle aziende!

Giacomo Ciarlini - CIO - Datapizza

Simone Conversano - AI Transformation & Marketing Specialist - Datapizza