Aumentare la qualità mentre l'AI subentra in parte nel lavoro

L'ambizione come viene espressa

Nella sala del consiglio suona semplice: "vogliamo aumentare la qualità, e l'AI ci aiuta." Tutti annuiscono. E tuttavia un direttore intende con questo meno errori nell'output, un altro un lavoro più rapido e coerente, e un terzo soprattutto meno dipendenza dall'esperienza di qualche senior. La stessa frase, tre ambizioni. Finché quell'ambizione non viene scomposta in ciò che cambia esattamente — quale compito, a quale livello, con quale controllo — resta un desiderio senza direzione.

Ciò che già ora sta cambiando

Lo spostamento non risiede in uno scenario futuro. Percorre già oggi il lavoro, in tre tipi di passaggi che esistono fianco a fianco:

Alcuni compiti l'AI può assumerli completamente: scrivere una prima bozza, strutturare dati, compilare un rapporto da fonti fisse.
Altri compiti vengono assunti in parte, con una persona che approva o respinge motivando la decisione — il lavoro cambia da eseguire a verificare.
Altro lavoro ancora resta lavoro umano: negoziare, rassicurare un cliente, formulare un giudizio dove il contesto non è racchiudibile in regole.

Aumentare la qualità non significa allora "aggiungere l'AI", ma determinare con precisione in quale delle tre categorie rientra un compito, e organizzare l'azienda in modo che la seconda categoria — la supervisione — avvenga davvero. È qui che spesso le cose vanno storte: le aziende impiegano l'AI per l'output, ma non costruiscono contemporaneamente lo strato di controllo.

Perché in un'azienda funziona già e in un'altra no

La differenza risiede raramente nella tecnologia. Risiede in chi ha l'autorità di respingere un risultato dell'AI, se quella persona ha il tempo per farlo, e se l'organizzazione richiede una motivazione documentata in caso di rifiuto invece di una sensazione. Le aziende dove questo funziona già hanno reso esplicito quel ruolo: qualcuno è responsabile della qualità della parte del processo gestita dall'AI, con il mandato di rimandare il lavoro indietro. Le aziende dove non funziona ancora lasciano che l'output dell'AI scorra in un processo progettato per il lavoro umano, senza che nessuno sia designato a riconoscere il nuovo tipo di errori.

Ciò che l'organizzazione deve saper fare

Il test di ambizione fissa questo in quattro livelli: la visione (qualità più alta), la vision state (ciò che significa concretamente per processo), il target (un livello descritto) e la target state (come si presenta il lavoro a quel punto). Questi quattro livelli vengono verificati su otto dimensioni di readiness — dalla qualità dei dati ai diritti decisionali fino alla capacità di valutare l'output dell'AI — e lungo cinque confidence gate che indicano se l'organizzazione è pronta a passare al passo successivo.

Ne segue una traduzione all'indietro verso le capabilities, e per ogni capability un ruolo:

Qualcuno che stabilisce lo standard di qualità per compito. Non in termini generali, ma per singolo passaggio: cos'è un buon output, cosa vale un rifiuto.
Qualcuno con il mandato di respingere il lavoro dell'AI. Senza questa autorità, la supervisione resta una formalità.
Un metodo fisso per registrare i rifiuti con motivazione. Non è solo controllo, è la fonte di apprendimento con cui l'impiego dell'AI migliora nel tempo.
Qualcuno che rivede periodicamente il confine tra le tre categorie di lavoro. Ciò che oggi è lavoro umano può, entro sei mesi, diventare parzialmente assumibile dall'AI — e viceversa, se i requisiti di qualità aumentano.

Questa domanda su ruoli e mandato ritorna in ambizioni correlate: chi vuole crescere senza assumere personale aggiuntivo trova cosa richiede questo in quali capabilities sono necessarie per crescere senza ampliare il team, e chi vuole ridurre la dipendenza da poche figure chiave trova la sovrapposizione in quali capabilities sono necessarie per diventare meno dipendenti dalle figure chiave. Chi cerca la qualità soprattutto nell'amministrazione può leggere la traduzione verso quel processo specifico in quali capabilities sono necessarie per dimezzare l'amministrazione con l'AI.

Cosa noterà entro un anno

Il risultato non è "l'AI opera ovunque". È che per ogni processo esiste una risposta esplicita a tre domande: quale parte la fa l'AI, chi approva o respinge l'altra parte, e chi continua a farla interamente da solo. Entro un anno lo noterà in meno discussioni su se un risultato dell'AI sia da fidarsi, e in un ritmo fisso in cui i rifiuti vengono registrati e usati per correggere il processo. Nessuna promessa che il tasso di errore diminuisca di una cifra fissa — dipende dal processo, dalla qualità dei dati sottostanti e da quante ore uomo sono già oggi dedicate al controllo — ma sicuramente una discussione dimostrabilmente diversa nelle riunioni di direzione.

Se questo cambiamento tocca anche l'entità del personale, si applicano requisiti legali propri; quella valutazione non rientra in questo test.

Chi vuole sapere prima come un'ambizione di questo tipo viene rendere misurabile invece di restare un'intenzione, può leggerlo in come trasformare un'ambizione di crescita in passi misurabili, e chi si chiede cosa significhi un target operating model in termini semplici lo trova spiegato in cosa significa un target operating model in parole semplici.

Cosa può fare ora

La domanda di fondo — quale lavoro in questa azienda può realmente essere assunto dall'AI, e dove resta necessaria la supervisione o il lavoro umano — viene risposta per singolo compito con lo scan del lavoro di FTE TO AI. Se desidera prima un quadro a livello di direzione, senza quell'approfondimento: il test di readiness gratuito consiste in otto brevi domande, una per dimensione, e produce un quadro di dove l'organizzazione è già più avanti e dove resta ancora la maggiore distanza. Il test di ambizione completo, con i quattro livelli e i cinque confidence gate, è in fase di realizzazione.