La lacuna di conoscenza che l’AI sta creando è la nuova lacuna di sicurezza. Ecco come colmarla.

Le aziende tecnologiche stanno facendo una scommessa già vista: che l’IA possa svolgere il lavoro più velocemente e a costi inferiori rispetto alle persone. In molti casi può essere vero, ma l’IA viene anche usata come facile giustificazione per i licenziamenti.

In un rapporto di PwC condiviso all’inizio di quest’anno, il 56% dei CEO ha dichiarato di non aver ancora riscontrato benefici finanziari significativi dai propri investimenti nell’IA, e solo il 12% ha riferito di aver ottenuto sia risparmi sui costi sia crescita dei ricavi grazie all’IA. Inoltre, uno studio di febbraio del National Bureau of Economic Research ha rilevato che quasi il 90% delle aziende ha dichiarato che l’IA non aveva avuto alcun impatto sull’occupazione o sulla produttività negli ultimi tre anni. Questo mette in luce una verità significativa: molte organizzazioni non hanno ancora visto i ritorni in termini di ricavi e produttività inizialmente promessi dall’IA e, per coprire le perdite, continuano a eliminare migliaia di posti di lavoro.

Ma c’è qualcosa che non viene detto nelle conferenze sui risultati finanziari: quando si elimina il responsabile clienti che conserva nella propria mente dieci anni di contesto sulle relazioni commerciali, o l’ingegnere del controllo qualità la cui conoscenza istituzionale è l’unica cosa che permette di individuare i difetti prima che arrivino ai clienti, non si sta eliminando il grasso superfluo. Si stanno abbattendo muri portanti. I costi del lavoro da rifare, la perdita di clienti e i problemi di qualità che seguono compaiono raramente nelle stesse slide che celebravano la riduzione del personale. Vengono assorbiti silenziosamente nei trimestri successivi, attribuiti alle condizioni di mercato e dimenticati. Il divario tra ciò che promette la ristrutturazione guidata dall’IA e ciò che produce davvero è reale, cresce e, per molte organizzazioni, continua a non essere riconosciuto affatto.

I costi reali di questo ciclo non ricadono in un solo punto. Si distribuiscono tra tutti i team rimasti dopo i tagli. Gli sviluppatori assorbono il carico di lavoro degli ingegneri che se ne sono andati, mentre ricevono strumenti di IA ancora troppo immaturi per compensare la perdita di personale. I team di prodotto perdono il contesto che manteneva le roadmap ancorate alla realtà dei clienti. I team di assistenza sono sovraccarichi e la qualità delle risposte peggiora, mentre i clienti riconoscono subito i contenuti scadenti generati dall’IA nelle risposte alle proprie richieste. L’onere non si concentra, ma si distribuisce, e questa dispersione contribuisce a renderlo facile da ignorare in un rapporto trimestrale. All’interno di questa dispersione più ampia, però, i team IT affrontano una versione specifica e aggravata del problema. Non devono soltanto fare di più con meno. Devono gestire infrastrutture costruite rapidamente, senza la conoscenza istituzionale che dava loro coerenza, occupandosi contemporaneamente delle procedure di uscita dei colleghi che hanno lasciato l’azienda e dell’inserimento dei loro sostituti, mentre le aziende fanno discretamente marcia indietro sui tagli che avevano celebrato pubblicamente.

Con il procedere dell’anno, mentre le organizzazioni cercano di mantenere le promesse dell’IA, è tempo di riconoscere che si perde molto più del solo fatturato quando si sacrifica l’esperienza umana in nome dell’efficienza resa possibile dall’IA. La buona notizia è che si può avere il meglio di entrambi i mondi. Ma serve un approccio più pratico e pragmatico all’IA, che mantenga le persone al centro della strategia.

Cosa si perde quando la conoscenza esce dalla porta

La conoscenza operativa critica vive nelle persone e viene applicata attraverso il giudizio umano, non attraverso i sistemi. Quando quelle persone se ne vanno, quella conoscenza se ne va con loro. Indipendentemente da quanto sofisticato sia il modello, l’AI non può colmare quella lacuna oggi.

Anche mentre le capacità dell’IA si ampliano, l’automazione priva di un contesto ricco di sfumature crea pericolosi punti ciechi in ambiti critici:

• Giudizio e strategia: l’intuizione, la conoscenza istituzionale e la consapevolezza del mercato non si inseriscono ordinatamente nei set di dati, nemmeno in quelli non strutturati.
• Contesto e consapevolezza situazionale: le persone riconoscono sfumature e intenzioni e sanno orientarsi nelle zone grigie in cui le regole rigide possono smettere di funzionare.
• Empatia e fiducia: i momenti ad alto impatto o emotivamente carichi (soprattutto quelli che coinvolgono clienti o dipendenti) richiedono una risposta centrata sull’essere umano.
• Supervisione e responsabilità: qualcuno deve avere il compito di individuare errori e distorsioni, o di prevenire la disinformazione. Limitarsi a dire «Hai ragione, riprovo» dopo aver fornito informazioni completamente errate non basta.
• Memoria istituzionale e contesto di sistema: capire perché i team hanno costruito un’infrastruttura in un certo modo (o non l’hanno fatto), cosa hanno provato prima e quali casi limite esistono che nessuno ha documentato.
• Leadership e governance: definire le politiche e la tolleranza al rischio e rispettare i limiti etici rimane una responsabilità fondamentalmente umana.

L’IA può far emergere informazioni utili, raccomandare azioni e accelerarne l’esecuzione, ma non può sostituire la memoria istituzionale che evita i disastri né garantire l’assunzione di responsabilità che permette di intercettarli prima che sfuggano di mano.

Cosa stanno facendo diversamente le organizzazioni intelligenti

Le organizzazioni che hanno successo con l’IA non stanno eliminando le persone dall’equazione. Usano l’IA per semplificare i processi ripetitivi e di routine che creano attrito nelle attività quotidiane. Liberano così tempo e altre risorse essenziali, consentendo alle persone di trovare nuove soluzioni creative per generare maggiori benefici aziendali. Usano l’IA come uno strumento con cui «correre insieme» e potenziare le capacità umane. Consideriamo le operazioni IT. Questi team sono già sovraccarichi e gestiscono infrastrutture vastissime con mezzi limitati. L’IA, o forse più precisamente l’apprendimento automatico (ML), può offrire un valore reale in questo ambito.

L’IA e il ML possono automatizzare attività di routine che prima richiedevano molto tempo e sommergevano preziosi specialisti di lavoro operativo: ricerca e test delle patch, classificazione dei ticket, generazione dei flussi di lavoro, individuazione e mappatura dei rischi.

Queste attività costituiscono la base delle operazioni IT, ma assorbono enormi quantità di tempo, soprattutto mentre si amplia l’ambiente digitale delle organizzazioni, cambia il panorama delle vulnerabilità e i dipendenti si aspettano sempre più un’esperienza digitale positiva con i dispositivi usati per lavorare. Quando i team non riescono a svolgere bene le attività di base — gestire o monitorare queste capacità e questi processi — perché sono sommersi dal lavoro, le conseguenze sono gravi: interruzioni del servizio, patch non applicate, fughe di dati e violazioni della sicurezza.

Quando invece l’IA viene usata bene per semplificare il lavoro in questi ambiti, il personale IT trova il tempo per fare ciò che l’IA non può: ridurre il debito tecnico, migliorare sistemi e processi esistenti, riprogettare l’architettura per aumentare la resilienza e preservare la conoscenza istituzionale che mantiene operativi i sistemi critici. È molto più che semplice efficienza: è mitigazione del rischio. E crea basi più solide per la crescita a lungo termine.

Adottare l’IA nel modo giusto

Le organizzazioni che partono da un’applicazione e un’adozione ponderate dell’IA, dando anche priorità a un utilizzo sicuro ed efficace, stanno ottenendo — e continueranno a ottenere — risultati migliori dalle proprie strategie di IA. L’ottimizzazione non nasce dai tagli al personale. Nasce dall’investire nelle persone, riprogettando i flussi di lavoro e formando i team sull’uso migliore dell’IA.

Non è davvero una novità. Da centinaia di anni la tecnologia avanza attraverso cicli generazionali, e ogni volta tendiamo a ripetere gli stessi errori. Ci sbilanciamo eccessivamente e cerchiamo di trasformare un progresso specifico nella panacea di tutti i nostri problemi. Non mancano ciarlatani pronti ad approfittare di questa disperazione, promettendo troppo e scomparendo prima che i risultati possano essere misurati. In realtà l’IA e il ML possono fare ciò che i computer hanno sempre fatto: svolgere determinati compiti con maggiore velocità e precisione rispetto a un essere umano. Chi individua queste opportunità e applica l’IA in modo pragmatico, per lavorare insieme a essa, vedrà un rapido ritorno sull’investimento. In pratica, questo significa:

• Usare l’IA per eliminare le attività di scarso valore, non il giudizio umano di grande valore
• Progettare flussi di lavoro con intervento umano per ridurre i rischi delle decisioni ad alto impatto
• Definire percorsi chiari per segnalare i casi ai responsabili quando i sistemi di IA falliscono o producono risultati incerti
• Assegnare esplicitamente la responsabilità delle decisioni guidate dall’IA
• Formare i team a esaminare criticamente i risultati dell’IA, senza accettarli ciecamente

Il costo reale di sbagliare

L’attuale ciclo dell’industria tecnologica, con licenziamenti di massa seguiti da riassunzioni silenziose non è uno spostamento di talenti, ma un trasferimento del rischio. Le organizzazioni stanno scambiando decenni di memoria istituzionale per pochi mesi di velocità automatizzata, e sono i responsabili IT a doversi fare carico delle conseguenze.

L’IA offre benefici reali, ma questi hanno maggiore valore quando viene usata per preservare e amplificare l’esperienza, anziché sostituirla. Le aziende che continueranno a prosperare nell’era dell’IA non sono quelle che effettuano i tagli più profondi o introducono il maggior numero di strumenti di IA. Sono quelle che la usano in modo ponderato per automatizzare le attività monotone e potenziare la creatività, la collaborazione e l’esperienza umana.

Perché quando si guasterà il prossimo sistema, o si verificherà la prossima interruzione del servizio o il prossimo incidente informatico, non si vorrà un robot o una macchina a guidare il ripristino dei sistemi o la comunicazione con i clienti. In quel momento si vorrà — e si avrà bisogno — che la persona con una profonda conoscenza del contesto storico sia ancora in azienda.

Se vogliamo sfruttare appieno il potenziale dell’IA, dobbiamo concentrarci sull’impiego dell’IA per i compiti noiosi e smettere di usarla come scusa per gli scarsi risultati aziendali.