La checklist di prontezza all'IA: la sua azienda è davvero pronta?

C'è una domanda che ormai mi viene posta almeno una volta a settimana, quasi sempre con una risata un po' nervosa: «Allora… dovremmo fare qualcosa con l'IA?». È la domanda sbagliata, ma è onesta. La domanda giusta — quella che quasi nessuno pone per prima — è più sommessa e molto più utile: questa azienda è davvero pronta a ricavare valore dall'IA, o staremmo solo bruciando denaro per sembrare moderni?

Sono anni che mi siedo di fronte a titolari e dirigenti di PMI: produttori, grossisti, studi professionali, aziende di servizi territoriali da cinquanta a trecento persone. Chi riesce con l'IA non parte quasi mai dalla tecnologia. Parte dall'essere onesto sullo stato della propria casa: i propri dati, i propri processi, le proprie persone e come si prendono davvero le decisioni quando nessuno guarda. La tecnologia è la parte facile. La prontezza è ciò che decide se otterrà un risultato o un rimpianto.

Questa è dunque, più o meno, la checklist che seguo prima di consigliare a un'azienda di spendere un solo euro per costruire qualcosa. Non è un modello di maturità con dodici dimensioni e un colorato grafico radar. È un insieme di domande semplici a cui può rispondere davanti a un caffè, raggruppate in cinque cose che prevedono davvero se l'IA funzionerà per lei — o se la metterà in silenzio in imbarazzo in un comitato di controllo tra sei mesi.

Perché la «prontezza» conta più del modello

Ecco la verità scomoda con cui i fornitori non aprono: il modello di IA è raramente ciò che fa fallire un progetto. I modelli oggi sono straordinariamente buoni e migliorano ogni pochi mesi, che lei faccia qualcosa o no. Ciò che uccide i progetti è tutto ciò che sta intorno al modello: i dati disordinati con cui lo si nutre, il processo a cui lo si imbullona, le persone che non sono mai state interpellate, il responsabile poco chiaro, la definizione sfumata di successo.

Ho visto aziende spendere cifre serie su un pilota intelligente che funzionava a meraviglia nella demo per poi morire al contatto con la realtà, perché i dati di cui aveva bisogno vivevano in tre sistemi incompatibili e nella testa di una persona. Il pilota non era sbagliato. L'azienda semplicemente non era pronta per esso. La prontezza non è un cancello che la tiene fuori dall'IA: è ciò che determina se il suo investimento si moltiplica o evapora.

La buona notizia è che la prontezza è risolvibile, e la maggior parte delle correzioni è poco appariscente ed economica. Non le serve un data lake né un responsabile dell'IA. Le serve sapere onestamente a che punto è su cinque fronti, e chiudere l'una o due lacune che altrimenti affonderebbero il primo progetto. Vediamole.

Pilastro 1: i suoi dati — sono abbastanza buoni su cui costruire?

L'IA vale solo quanto ciò con cui la nutre, ed è qui che le PMI si sorprendono più spesso. Non perché i loro dati siano pessimi — di solito bastano per mandare avanti l'azienda — ma perché «abbastanza buono per gli esseri umani» e «abbastanza buono per una macchina» sono asticelle diverse. Una persona può leggere un'anagrafica cliente un po' incoerente e sapere che «Müller GmbH» e «Mueller G.m.b.H.» sono la stessa azienda. Un sistema esige che lei l'abbia già deciso.

Non le servono dati perfetti. Nessuno ha dati perfetti, e aspettarli è solo procrastinazione in giacca e cravatta. Ciò che le serve sono dati accessibili, ragionevolmente coerenti e collegati al processo che vuole migliorare. Si ponga le domande semplici:

• Riesce davvero a raggiungere i dati che le servirebbero, o sono intrappolati in un sistema da cui solo un fornitore può esportare?
• La stessa cosa viene registrata allo stesso modo la maggior parte delle volte — clienti, prodotti, stati, date?
• I suoi sistemi centrali si conoscono tra loro, o qualcuno ridigita ogni giorno dall'uno all'altro?
• C'è abbastanza storico da cui imparare, là dove il compito ne ha bisogno?
• Sarebbe tranquillo se un'autorità chiedesse da dove arriva un certo numero?

Una cosa che si sottovaluta ancora: la proprietà dei dati. Se una parte critica di ciò con cui nutrirebbe il modello vive dentro uno strumento di terzi il cui contratto vieta di esportarla, non è un problema tecnico che può aggirare: è un problema commerciale da risolvere prima. Meglio scoprirlo ora, sulla carta, che tre mesi dopo l'avvio della costruzione.

Pilastro 2: i suoi processi — sono abbastanza stabili da automatizzare?

C'è un vecchio detto nel nostro mondo: se automatizzi un caos, ottieni un caos più veloce. È un cliché perché è inesorabilmente vero. L'IA calata su un processo caotico non risolve il caos: lo scala, e ora è confuso ad alta velocità. Prima di poter mettere intelligenza sopra un processo, il processo deve essere abbastanza stabile da poterlo descrivere a un nuovo assunto al suo primo giorno.

Ciò non significa che debba essere elegante o pienamente documentato. Significa che deve essere reale e ripetibile. Il test è semplice: riesce a disegnarlo? Se mettesse in una stanza tre persone che fanno il lavoro e chiedesse loro di abbozzare i passaggi, disegnerebbero più o meno lo stesso quadro — o tre quadri diversi, ciascuno convinto che il suo sia il modo in cui si fa «davvero»?

Regole contro giudizio

Aiuta anche sapere con che tipo di processo ha a che fare. Se segue regole fisse — sposta questi dati lì, invia quel promemoria, segnala tutto ciò che supera una soglia —, forse non le serve affatto l'IA; la semplice automazione è più economica e affidabile. L'IA si guadagna la pagnotta dove il lavoro è genuinamente disordinato e ha forma di linguaggio o di giudizio: leggere un'e-mail in testo libero ed estrarne l'ordine, abbozzare una prima risposta, smistare documenti che nessuno vuole archiviare. Essere onesti su quale dei due ha le evita di comprare una mazza per una puntina.

Pilastro 3: le sue persone — lo useranno davvero?

Questo è il pilastro che riceve meno attenzione e manda in pezzi più progetti. Può avere dati puliti e un processo ordinato e ritrovarsi comunque con uno strumento che nessuno tocca, perché le persone il cui lavoro è cambiato sono state trattate come un ripensamento. Un modello ignorato ha un ROI di esattamente zero, per quanto impressionante sembrasse nella presentazione.

Qui la prontezza riguarda in parte le competenze, ma soprattutto la fiducia e il coinvolgimento. Sono state chieste alle persone che fanno il lavoro cosa le rallenta, o è stata consegnata loro una soluzione a un problema che non riconoscevano come proprio? Qualcuno in azienda sente un senso di responsabilità per far riuscire la cosa, o è «il progetto del consulente»? C'è almeno una persona curiosa nel team che lo sosterrà invece di aggirarlo in silenzio?

Non le servono data scientist in organico. Per la maggior parte delle PMI, il partner giusto porta la profondità tecnica. Ciò che non può esternalizzare è la disponibilità a cambiare il modo in cui vengono svolte poche attività quotidiane — e quella disponibilità si costruisce coinvolgendo le persone presto, non annunciando il nuovo sistema in un'assemblea generale quando è già stato acquistato.

Pilastro 4: strategia e budget — c'è un vero responsabile e un vero numero?

Le iniziative di IA che fluttuano slegate dall'azienda, senza un responsabile chiaro e senza un successo definito, tendono ad andare alla deriva finché qualcuno taglia silenziosamente i fondi. La prontezza su questo fronte è poco appariscente ma decisiva: una persona nominata che risponde del risultato, un problema specifico che vale la pena risolvere e un budget all'altezza dell'ambizione — inclusa la parte che tutti dimenticano, cioè tenere la cosa in funzione dopo il lancio.

Dovrebbe riuscire a completare questa frase prima di iniziare: «Questo progetto ha successo se, entro tre mesi, accade [qualcosa di specifico e misurabile]». «Diventiamo più innovativi» non è un traguardo; è un comunicato stampa. «Il nostro team smette di passare sei ore a settimana a ridigitare ordini» è un traguardo. Più è stretto e misurabile, meglio è — e più facile sarà sapere se ha davvero vinto.

Sul budget in particolare: la costruzione è di solito la metà più piccola. Un modello ha bisogno di monitoraggio, di un occasionale ritocco e di un responsabile che si accorga quando la realtà si discosta da ciò su cui è stato addestrato. Le aziende che mettono a budget solo la costruzione allestiscono uno strumento che funziona brillantemente per un trimestre e poi marcisce lentamente perché nessuno è stato pagato per occuparsene. Pianifichi la noiosa vita successiva del progetto, non solo la sua emozionante nascita.

Pilastro 5: rischio e governance — la parte che in Europa non può saltare

Per una PMI europea, questo pilastro non è opzionale, e fingere il contrario è il modo di ritrovarsi con uno strumento intelligente che legalmente non può mettere in produzione. Non le serve un ufficio compliance, ma deve essersi posto le domande di base prima di costruire, non dopo. Per lo più si riduce a sapere quali dati il sistema tocca, dove vengono trattati e chi risponde quando sbaglia.

Le domande fanno meno paura di quanto suonino. Lo strumento tratta dati personali e, in tal caso, sui server di chi e con quale accordo? Se l'IA suggerisce qualcosa — un prezzo, una risposta, una decisione —, una persona lo rivede dove conta, o agisce da sola? Riesce a spiegare, in parole semplici, come è arrivata a un certo risultato se un cliente o un revisore lo chiede? Ha pensato a cosa succede il giorno in cui sbaglia con sicurezza, perché quel giorno arriverà?

Mettere tutto insieme: valutarsi onestamente

Non le serve un foglio di calcolo per questo, anche se può costruirne uno. Passi in rassegna i cinque pilastri e valuti ciascuno rosso, giallo o verde — non come vorrebbe, ma com'è davvero oggi. L'obiettivo non è fare tutto verde; quasi nessuna azienda ci riesce, e non le serve. L'obiettivo è trovare l'uno o due rossi che affonderebbero un primo progetto e occuparsene prima di costruire.

1. 1
   Valuti ogni pilastro rosso, giallo, verde

   Dati, processi, persone, strategia, governance. Sia onesto — un'autovalutazione ottimistica si limita a spostare la delusione più avanti.
2. 2
   Trovi i suoi rossi bloccanti

   Un rosso proprio sul pilastro da cui dipende il suo primo progetto è un segnale di stop. Un rosso altrove, scollegato, può aspettare. Il contesto conta più del totale.
3. 3
   Chiuda prima le lacune economiche

   La maggior parte delle lacune di prontezza si chiude con lavoro poco appariscente e a basso costo — rendere i dati raggiungibili, mettere per iscritto il processo, coinvolgere il team presto.
4. 4
   Scelga il più piccolo progetto reale

   Scelga un processo stabile, frequente e ben presidiato dove è abbastanza verde da vincere. Una piccola vittoria portata a termine finanzia la successiva — in fiducia, non solo in denaro.
5. 5
   Allora, e solo allora, costruisca

   Con i rossi rimossi sui pilastri che contano e un obiettivo misurabile messo per iscritto, è pronto. Non perfetto — pronto. Sono cose diverse, e solo una delle due va in produzione.

Noti che la maggior parte di questo lavoro non ha nulla a che fare con l'IA. Dati raggiungibili, un processo che può disegnare, un team coinvolto, un responsabile chiaro, una persona nel circuito — queste cose rendono la sua azienda migliore anche se non mette mai in produzione un solo modello. È il bonus silenzioso del prendere sul serio la prontezza: la preparazione vale di per sé. L'IA le dà solo un motivo per farla finalmente.

Domande frequenti