Iniziare a esplorare l’AI è stato entusiasmante; il passo difficile è (stato) far evolvere la sperimentazione di tutta l’azienda in processi e prodotti migliori.
Negli ultimi mesi, in OpenEconomics, l'intelligenza artificiale è passata da strumento sperimentale a infrastruttura di lavoro. Non è successo in un giorno e non è successo da solo. Tra ignorarla o adottarla ovunque, abbiamo scelto una terza strada: trattarla come trattiamo qualsiasi metodologia di analisi. Prima si testa, poi si adotta. Ci sono volute tre fasi, non sempre lineari, per arrivare dove siamo.
Lo slancio dal basso, le isole
L’adozione dell’intelligenza artificiale è cominciata, come spesso accade quando arrivano nuove tecnologie, come iniziativa personale. Chi era più curioso provava gli strumenti sul proprio lavoro, spesso da solo, su applicazioni molto specifiche, dagli strumenti di generative AI per la data science ai tool di intelligenza generativa per i video tutorial, per fare due esempi reali.
Questa è stata la fase dello slancio: entusiasmo per novità, la sensazione concreta che qualcosa si potesse fare più in fretta (e da soli, aspetto su cui torneremo).
Ma erano isole. Ognuno lavorava per conto proprio senza un impatto reale sull’intera organizzazione. Qualche volta ci siamo innamorati di strumenti che, alla prova dei fatti, si sono rivelati inadatti. C'era anche un limite più sottile: il focus restava tutto interno, concentrato solo su cosa potessimo fare più rapidamente per ciascuno di noi, non sui processi che coinvolgono tutti o sull’innovazione verso i clienti.
L'indirizzo dall'alto, lo strappo
A un certo momento, l'iniziativa individuale (e la relativa entropia) non sono bastate più. La portata dell’innovazione tecnologica è stata tale – anche nella consapevolezza del board - da non poter più ignorare i rischi e opportunità. Quindi è arrivato, proprio dal vertice, un segnale netto, sintetizzato in questo paradigma: urgenza, indirizzo, fiducia.
Urgenza: non un generico invito alla sperimentazione, ma una forte pressione a imparare a lavorare in un modo nuovo, con la stessa portata (anzi, maggiore e più veloce) di quando, negli anni Ottanta, il personal computer è entrato negli uffici: chi ha imparato a usarlo per tempo ha lavorato meglio, chi ha aspettato, si è ritrovato indietro.
Indirizzo: l’AI avrebbe dovuto coinvolgere tutta l'azienda, non solo chi era già convinto, ed entrare pervasivamente (individuo > team > azienda) nei processi e nei prodotti. Una volta definito un perimetro sicuro, dall’improvvisazione siamo passati alla sperimentazione strutturata. In pratica abbiamo costruito casi d'uso specifici, li abbiamo messi alla prova sul lavoro reale, abbiamo mappato i limiti e definito criteri di validazione. Ciò che ha dimostrato di funzionare è entrato nei processi (es. un nuovo processo di candidatura alle gare) o nei prodotti (le checklist automatiche dei prodotti per la rendicontazione). Il resto è rimasto fuori, o è ancora in test.
Un ingrediente fondamentale è stata la fiducia: dare lo spazio e il tempo di fermarsi un momento a riprogettare come lavoravamo, invece di chiedere di aggiungere strumenti nuovi sopra i processi vecchi. Ogni team ha potuto provare a fare le cose in modo diverso.
Non è stato indolore. Cambiare il modo di lavorare mentre si continua a lavorare, imparando qualcosa di nuovo ogni settimana, è faticoso.
Ma per la prima volta l'intera azienda ha iniziato a giocare sullo stesso campo: una premessa necessaria, perché l'AI diventasse un'infrastruttura democratica dentro OpenEconomics, con la stessa base di partenza per tutti, anche se utilizzata in modi e con intensità diverse.
La maturità è darsi delle regole
Oggi, come spesso accade negli hypecycle di adozione delle tecnologie innovative, siamo in una terza fase, più matura: meno improvvisazione ma una governance più strutturata.
Ci siamo dati uno stack principale, costituito da Claude e da un set di pochi strumenti specifici per funzione.
Insieme al team security abbiamo definito guardrail chiari su cosa un sistema AI può e non può toccare: i processi restano nostri, con le nostre regole; l'AI esegue attività dentro quei processi, non li sostituisce.
Gli accessi sono un altro nodo cruciale: passano attraverso un gateway centralizzato che garantisce uniformità di configurazione, controllo dei costi e tracciabilità degli utilizzi. La supervisione è affidata a un AI Committee a due livelli - strategico e operativo - che valida le scelte tecnologiche e presidia la coerenza con le policy interne e i vincoli normativi applicabili. Abbiamo voluto che ogni accesso all'AI fosse tracciato e governato fin dall'inizio. Non per burocrazia, ma perché in un'azienda che lavora su compliance e regolamentazione, la coerenza l’approccio verso l’esterno e quello che facciamo internamente non è negoziabile.
La supervisione umana resta un punto fermo, senza eccezioni; nel principio del controllo umano su ogni output non vediamo una rinuncia alla tecnologia, piuttosto una valorizzazione delle professionalità degli esperti che ne controllano il risultato. L'AI accelera il lavoro ma il giudizio su cosa è corretto, utile e pronto per un cliente resta delle persone.
È nata poi l'idea di una Knowledge Intelligence pensata apposta per noi: una miniera di informazioni di dati, di skill condivise e di processi, che chiunque può interrogare, facendo lavorare l’AI in un perimetro sicuro e in modo rilevante. Poi ci siamo accorti che il modello funzionava, e che poteva diventare il modo in cui progettiamo soluzioni per i nostri clienti. Sonar è il primo esempio concreto.
Il focus di tanti professionisti è cambiato, dalla “produzione” di uno scritto, una porzione di software, un video alla "certificazione” della qualità e degli standard di un risultato. Ad esempio, nell’ambito dello sviluppo di software, il vibe coding ha permesso di accelerare la mera scrittura di codice mentre i software engineer si concentrano ed esprimono il loro valore nella architettura e nella fase di revisione e controllo degli standard. In ogni area si esegue di meno, ma ci si assume la responsabilità della qualità del prodotto realizzato anche con l’aiuto dell’AI.
Quello che ci portiamo a casa nel percorso di adozione dell’intelligenza artificiale
Cosa abbiamo sbagliato. All'inizio abbiamo trattato l'AI come il compito di un team, non come una responsabilità di tutti e un’opportunità per tutti. Ci è voluto tempo per capire che nessun gruppo isolato, per quanto competente, può far evolvere il modo di lavorare di un'intera organizzazione.
Cosa pensiamo di aver fatto bene. Abbiamo capito presto che il contesto conta quanto lo strumento: non ci interessava un'AI generica, ma un'AI applicata ai nostri processi specifici, non solo ai nostri dati, sempre trattati responsabilmente in base alle norme vigenti. È la differenza tra usare occasionalmente uno strumento e integrarlo davvero in un nuovo modo di lavorare. Ed è un principio che oggi conta ancora di più: con tanti modelli diversi, spesso intercambiabili, sul mercato, il vantaggio competitivo non sta nel modello che si sceglie, ma in come lo si integra: le regole che gli diamo, i processi in cui lo inseriamo, i controlli che lo circondano.
Cosa impariamo ancora oggi. Le metriche più facili da misurare sono quelle di efficienza: un prototipo da mostrare al cliente pronto in tre giorni invece che in due mesi. Ma qual è il valore per il cliente, oltre alla rapidità? È il prossimo passo: KPI customer oriented, che parlano anche di valore e valore percepito, non solo di maggiore velocità.
Il salto tecnologico è stato notevole. Ma ancora di più quello organizzativo, tuttora in fase di consolidamento, perché richiede la rivisitazione di tutti i processi specifici della nostra azienda e il nostro modo personale di lavorare. Nelle prossime settimane racconteremo le tappe di questo percorso su LinkedIn, errori compresi. Se il tema ti riguarda da vicino, seguici.
.png)
.png)