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 familiare: che l’AI possa fare il lavoro più velocemente e a minor costo rispetto alle persone. Mentre in molti casi ciò potrebbe essere vero, l’AI sta anche venendo utilizzato come un pulsante facile per i licenziamenti.

In un rapporto di PwC condiviso all’inizio di quest’anno, il 56% dei CEO ha dichiarato di non aver visto alcun beneficio finanziario significativo dai loro investimenti in AI fino ad ora, e solo il 12% ha riportato di aver visto risparmi di costo e crescita dei ricavi grazie all’AI. Inoltre, uno studio di febbraio della National Bureau of Economic Research ha trovato che quasi il 90% delle aziende ha dichiarato che l’AI non ha avuto alcun impatto sull’occupazione o sulla produttività negli ultimi tre anni. Ciò sottolinea una verità rivelatrice: molte organizzazioni non hanno ancora visto i ritorni di ricavi e produttività inizialmente promessi dall’AI, e per coprire le loro perdite, continuano a tagliare migliaia di lavoratori.

Ma ecco cosa le chiamate di guadagno non stanno dicendo: quando si elimina il responsabile del conto che porta con sé dieci anni di contesto di relazione, o l’ingegnere di qualità il cui sapere istituzionale è l’unico che coglie i difetti prima che raggiungano i clienti, non si sta tagliando il grasso. Si sta tagliando i muri portanti. I costi di rielaborazione, la perdita di clienti, i fallimenti di qualità che seguono raramente appaiono nello stesso set di diapositive che ha celebrato la riduzione del numero di dipendenti. Vengono assorbiti silenziosamente in future trimestri, attribuiti alle condizioni di mercato e dimenticati. La lacuna tra ciò che la ristrutturazione guidata dall’AI promette e ciò che effettivamente consegna è reale, sta crescendo e per molte organizzazioni rimane completamente inosservata.

I costi reali di questo ciclo non atterrano in un solo posto. Si diffondono attraverso ogni team rimasto in piedi dopo i tagli. Gli sviluppatori assorbono il carico di lavoro degli ingegneri che se ne sono andati, mentre contemporaneamente vengono loro forniti strumenti di AI che sono ancora troppo immaturi per compensare la perdita di personale. I team di prodotto perdono il contesto che teneva le roadmap radicate nella realtà dei clienti. Le organizzazioni di supporto vengono tese allo stremo e la qualità della risposta peggiora mentre i clienti riconoscono immediatamente le “slop” risposte ai loro biglietti. L’onere non è concentrato, è distribuito e questa diffusione è parte di ciò che lo rende così facile da ignorare in un rapporto trimestrale. Ma all’interno di questa diffusione più ampia, i team IT affrontano una versione distinta e cumulativa del problema. Non stanno solo facendo di più con meno. Stanno anche gestendo infrastrutture costruite velocemente, senza il sapere istituzionale che gli dava coerenza, mentre contemporaneamente eseguono lo smontaggio dei colleghi partiti e l’integrazione dei loro sostituti mentre le aziende silenziosamente invertano la rotta sui tagli che hanno pubblicamente celebrato.

Mentre procediamo nell’anno e le organizzazioni cercano di mantenere le promesse dell’AI, è arrivato il momento di realizzare che c’è molto più del solo fatturato che si perde quando si taglia l’esperienza umana in nome dell’efficienza abilitata dall’AI. La buona notizia? Puoi avere il meglio di entrambi i mondi. Ma ciò richiede un approccio più pratico e pragmatico all’AI. Uno che tiene gli esseri umani al centro della tua 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’AI si espandono, l’automazione senza contesto sfumato crea pericolosi punti ciechi in aree critiche:

• Giudizio e strategia: l’intuizione, la conoscenza istituzionale e la consapevolezza del mercato non vivono in modo ordinato nei set di dati, anche quelli non strutturati.
• Contesto e consapevolezza situazionale: gli esseri umani riconoscono la sfumatura, l’intento e possono navigare le aree grigie in cui le regole rigide potrebbero rompersi.
• 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.
• Sorveglianza e responsabilità: qualcuno deve essere incaricato di identificare i fallimenti, i pregiudizi o di anticipare la disinformazione. Dire semplicemente “Hai ragione, lasciami provare di nuovo” dopo aver fornito informazioni completamente errate non è sufficiente.
• 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 la politica, la tolleranza del rischio e attenersi ai confini etici rimane una fondamentale responsabilità umana.

L’AI può portare a galla informazioni, raccomandare azioni e accelerare l’esecuzione, ma non può sostituire la memoria istituzionale che prevenisce i disastri o offrire la responsabilità che li coglie prima che si verifichino.

Cosa stanno facendo diversamente le organizzazioni intelligenti

Le organizzazioni che hanno successo con l’AI non stanno rimuovendo gli esseri umani dall’equazione. Stanno utilizzando l’AI per semplificare i processi ripetitivi che aggiungono attrito alle operazioni quotidiane. Ciò consente agli esseri umani di dedicare tempo e altre risorse critiche altrove per trovare nuovi modi creativi per generare maggiori benefici aziendali. Stanno utilizzando l’AI come uno strumento “corsa-con” per forzare l’amplificazione. Consideriamo il mondo delle operazioni IT. Questi team sono già tesi allo stremo, gestendo infrastrutture vastissime con mezzi limitati. L’AI, o forse più specificamente, l’apprendimento automatico (ML), può offrire un valore reale qui.

L’AI/ML può automatizzare compiti precedentemente molto tempo-dipendenti e ripetitivi che seppelliscono gli esperti di materia in lavori operativi: test di patch e ricerca, classificazione dei biglietti, generazione del flusso di lavoro, scoperta e mappatura dei rischi.

Questi compiti formano la base delle operazioni IT, ma consumano enormi quantità di tempo (soprattutto mentre le proprietà digitali delle organizzazioni si allargano, il panorama delle vulnerabilità si sposta e i dipendenti si aspettano sempre più di avere esperienze digitali positive con i dispositivi che utilizzano per lavorare). Quando i team falliscono nel fare le basi bene (gestendo o monitorando queste capacità e processi) perché sono sommersi, le conseguenze colpiscono duramente: downtime, mancato aggiornamento, perdita di dati, violazioni della sicurezza.

D’altra parte, quando si utilizza bene l’AI per semplificare il lavoro in queste aree, si dà allo staff IT il tempo di fare ciò che l’AI non può: eliminare il debito tecnico, migliorare i sistemi e i processi esistenti, riarchitettare per la resilienza e preservare la conoscenza istituzionale che mantiene i sistemi critici in funzione. Ciò è più di una semplice efficienza. È mitigazione del rischio. E ciò stabilisce una base più solida per la crescita a lungo termine.

Far funzionare l’adozione dell’AI

Le organizzazioni che iniziano con un’applicazione e un’adozione dell’AI pensate e prioritarie, mentre anche danno priorità all’abilitazione sicura ed efficace, stanno vedendo (e continueranno a vedere) maggiori successi dalle loro strategie di AI. L’ottimizzazione non deriva dal tagliare le persone.Deriva dall’investire in loro, ridisegnando i flussi di lavoro e educando i team su come utilizzare al meglio l’AI.

Ciò non è realmente nuovo. La tecnologia sta avanzando attraverso cicli generazionali da centinaia di anni. Ogni volta tendiamo a ripetere gli stessi errori. Ci concentriamo eccessivamente e cerchiamo di rendere un particolare avanzamento una panacea per qualsiasi cosa ci affligga. Non c’è carenza di venditori di olio di serpente lì fuori che approfitteranno di questa disperazione, promettendo troppo e scomparendo prima che gli esiti possano essere misurati. La realtà è che l’AI/ML può fare ciò che i computer hanno sempre fatto; eseguire determinati compiti a velocità e accuratezza maggiori di un essere umano. Coloro che trovano quelle opportunità e applicano l’AI in modo pragmatico e “corsa-con” vedranno ritorni molto rapidi sugli investimenti. Praticamente, ciò significa:

• Utilizzare l’AI per eliminare i compiti a basso valore, non il giudizio ad alto valore
• Progettare flussi di lavoro “umano-nella-corsa” per la de-risking delle decisioni ad alto impatto
• Definire percorsi di escalation chiari quando i sistemi di AI falliscono o producono risultati incerti
• Assegnare una proprietà esplicita per le decisioni guidate dall’AI
• Addestrare i team a scrutinare l’output dell’AI, non ad accettarlo ciecamente

Il costo reale di sbagliare

L’attuale ciclo dell’industria tecnologica di licenziamenti di massa seguiti dariassunzioni silenziose non è un cambiamento di talenti. È un trasferimento di rischio. Le organizzazioni stanno scambiando decenni di memoria istituzionale per pochi mesi di velocità automatizzata e i leader IT sono quelli che rimangono con il compito di gestire le conseguenze.

L’AI offre guadagni reali, ma questi significano di più quando si utilizza l’AI per preservare e amplificare l’esperienza, non sostituirla. Le aziende che continueranno a prosperare nell’era dell’AI non sono quelle che tagliano più a fondo o che distribuiscono il maggior numero di strumenti di AI. Sono quelle che utilizzano in modo ponderato l’AI per automatizzare la monotonia e aumentare la creatività, la collaborazione e l’esperienza umana.

Perché quando il prossimo sistema fallisce, o si verifica il prossimo downtime o incidente di sicurezza, non si vuole un robot o una macchina in prima linea nella risoluzione del sistema o nella comunicazione con il cliente. È lì che si vuole (e si ha bisogno) della persona con un profondo contesto storico e conoscenza ancora in azienda.

Se vogliamo sbloccare il pieno potenziale dell’AI, è cruciale concentrarsi sull’utilizzo dell’AI per i compiti impantanati nella noia e smettere di utilizzarla come scusa per le scarse prestazioni aziendali.