Andrew Sales, Chief Product Officer, Scaled Agile – Intervista in serie

Andrew Sales, Chief Product Officer e Chief Methodologist di Scaled Agile, è un esperto di Lean, Agile e DevOps con oltre due decenni di esperienza nella trasformazione delle imprese per offrire valore. Nel suo ruolo attuale, guida la strategia del prodotto e l’evoluzione del Scaled Agile Framework (SAFe), lavorando con organizzazioni globali per adottare pratiche agili su larga scala. Prima di unirsi a Scaled Agile, Sales ha ricoperto ruoli di leadership e consulenza in CA Technologies, Rally Software e Pearson, dove ha consigliato organizzazioni in Europa, Medio Oriente e Africa su iniziative di trasformazione agile in settori come servizi finanziari, telecomunicazioni, retail, software e istruzione.

Scaled Agile, Inc è l’azienda dietro il Scaled Agile Framework, noto come SAFe, un framework ampiamente adottato per aiutare le imprese ad applicare principi Lean, Agile e DevOps su larga scala. Attraverso il suo framework, programmi di formazione, certificazione, rete di partner e piattaforma SAFe Studio, Scaled Agile supporta le organizzazioni che cercano di migliorare l’allineamento, la velocità di consegna, la qualità del prodotto, l’impegno degli dipendenti e l’agilità aziendale. L’azienda afferma che SAFe è stato adottato da oltre 20.000 imprese a livello globale e che oltre un milione di professionisti sono stati formati sul framework.

Quali lezioni dalle trasformazioni su larga scala hanno influenzato più direttamente la creazione di AI-Native SAFe?

Negli ultimi 15 anni, abbiamo visto oltre 20.000 organizzazioni adottare SAFe per risolvere una sfida fondamentale: coordinare lo sviluppo di prodotti complessi su larga scala. Una lezione è rimasta sorprendentemente costante: i principi Lean e Agile continuano a funzionare. Ciò che cambia è come quei principi devono essere applicati con il cambiare della tecnologia.

L’AI non rende quei principi obsoleti; cambia dove si trovano le limitazioni. Le squadre stanno diventando più piccole, più potenziate dall’AI e sempre più concentrate sulla direzione del lavoro piuttosto che sull’esecuzione di ogni compito. I cicli decisionali si stanno comprimendo e l’interazione tra giudizio umano e esecuzione dell’AI sta diventando centrale per la creazione di valore.

AI-Native SAFe si basa sulla solida base di SAFe, evolvendo il modello operativo per questa nuova realtà. Mantiene la concentrazione sul valore per il cliente, la collaborazione cross-funzionale, l’allineamento del portafoglio e il miglioramento continuo, introducendo nuovi modi per governare l’AI, gestire i dati come un asset strategico e stabilire la responsabilità nelle organizzazioni abilitate all’AI.

Perché i framework Agile tradizionali non sono più sufficienti per l’era dell’AI?

I framework Agile tradizionali rimangono incredibilmente preziosi. Ciò che è cambiato è l’ambiente in cui operano.

Per anni, le organizzazioni erano limitate da quanto velocemente potevano progettare, costruire e consegnare software. L’AI cambia drasticamente quell’equazione. Come ci ha detto recentemente un cliente, non sono più limitati da quanto velocemente possono costruire le cose; sono limitati da quanto velocemente possono determinare se quelle soluzioni creano un valore significativo, sono sicure da distribuire e si allineano con gli obiettivi aziendali.

Il collo di bottiglia si è spostato dalla produzione agli esiti.

Le organizzazioni hanno ora bisogno di modelli operativi che le aiutino a valutare continuamente il valore, a governare l’AI in modo responsabile e a coordinare il lavoro tra persone e AI. Questo è un’evoluzione oltre le pratiche Agile tradizionali, non una sostituzione.

Quali sono gli errori più grandi che le imprese fanno quando cercano di scalare le iniziative AI?

Il primo errore è trattare l’AI come un problema di strumentazione. La maggior parte delle imprese ha già accesso a più capacità AI di quante ne stiano utilizzando efficacemente.

Il secondo è sovrapporre l’AI ai flussi di lavoro esistenti senza mettere in discussione se quei flussi di lavoro dovrebbero esistere per primo. L’automazione di processi inefficienti raramente produce una trasformazione.

Un terzo errore è trattare l’AI come un’iniziativa di innovazione isolata invece di una capacità organizzativa. L’adozione sostenibile dell’AI richiede cambiamenti nella strategia, nella governance, nello sviluppo del prodotto, nelle pratiche operative e nella leadership, non solo il deploy di un’altra piattaforma tecnologica.

Le organizzazioni che vedono il maggior impatto ridisegnano come avviene il lavoro. L’AI diventa parte del modello operativo piuttosto che un altro strumento che gli dipendenti sono tenuti a utilizzare.

Qual è il gap che l’AI Value Architect riempie e come cambia la dinamica di squadra?

L’AI riduce drasticamente il costo della creazione di soluzioni, ma non riduce il costo del risolvere il problema sbagliato.

L’AI Value Architect esiste per aiutare le organizzazioni a scoprire opportunità per sfruttare l’AI mentre si mantengono concentrate sugli esiti aziendali. Questo ruolo aiuta a bilanciare il valore per il cliente, la fattibilità tecnica, il costo, la governance, le considerazioni legali e la responsabilità etica prima che le organizzazioni investano nello scaling di capacità potenziate dall’AI.

Piuttosto che diventare un altro livello di approvazione, il ruolo di AI Value Architect crea allineamento tra leader aziendali, team di prodotto e organizzazioni tecniche in modo che le decisioni sull’AI siano sia più veloci che meglio informate. Fornisce un meccanismo pratico per bilanciare l’innovazione con la responsabilità mantenendo il valore aziendale misurabile al centro di ogni investimento in AI.

Come si bilancia la velocità dell’innovazione con la supervisione responsabile dell’AI?

La governance non dovrebbe essere qualcosa che accade dopo l’innovazione. Dovrebbe essere costruita nel modello operativo in modo che l’innovazione possa avvenire in modo sicuro e continuo.

Le grandi imprese hanno sempre avuto bisogno di bilanciare la velocità con la responsabilità. L’AI aumenta l’importanza di quel bilanciamento perché i sistemi AI introducono nuove considerazioni intorno alla qualità dei dati, alla trasparenza, ai pregiudizi, alla conformità e alla responsabilità organizzativa.

AI-Native SAFe rende la governance esplicita piuttosto che implicita. Incorpora la governance nella pianificazione del portafoglio, eleva la gestione dei dati come una preoccupazione di prima classe, mantiene l’essere umano nel ciclo e introduce chiarezza di ruolo intorno alla responsabilità dell’AI. Quando la governance è integrata in come le organizzazioni lavorano, diventa un abilitatore dell’innovazione piuttosto che una limitazione.

Come cambieranno le strutture di squadra aziendale nei prossimi cinque anni?

Vediamo quattro grandi cambiamenti emergere in organizzazioni ad alte prestazioni.

Primo, le persone si concentrano sempre più sul definire l’intento e gli esiti desiderati piuttosto che eseguire manualmente ogni compito.

Secondo, i cicli di apprendimento e sperimentazione diventano drasticamente più veloci poiché l’AI accelera l’esplorazione e il feedback.

Terzo, l’innovazione diventa più distribuita poiché l’AI riduce il costo dell’esperimentazione in tutta l’impresa.

Infine, le squadre diventano sempre più potenziate dall’AI, con l’AI che agisce come un partecipante attivo nella consegna piuttosto che solo come uno strumento di produttività.

Nel futuro, le squadre AI-Native saranno probabilmente definite meno dal numero di dipendenti e più da quanto sono efficaci nell’orchestrare la collaborazione tra competenze umane e capacità AI.

Perché la prontezza dei dati è ancora un ostacolo così grande e cosa dovrebbero prioritizzare le organizzazioni?

I dati rimangono uno dei più grandi ostacoli alla realizzazione dell’AI su larga scala poiché l’AI è solo efficace quanto le informazioni su cui si basa. I dati frammentati, la governance incoerente e i flussi di lavoro che non sono stati progettati per un ambiente nativo AI continuano a mantenere molte organizzazioni bloccate nella fase di pilotaggio piuttosto che scalare l’AI in tutta l’azienda.

La ricerca del Return on AI Institute ha scoperto che il 55% degli executive globali cita la mancanza di dati pronti per l’AI come il più grande inibitore per realizzare il valore dall’AI. Ciò rafforza ciò che vediamo nella pratica: prima che le organizzazioni investano pesantemente in nuove applicazioni AI, devono trattare i dati come un asset strategico gestito, con chiara proprietà, governance, standard di qualità e fiducia. L’AI scala qualsiasi informazione che riceve, sia buona che cattiva.

È per questo che AI-Native SAFe incorpora la gestione dei dati curata come un elemento strutturale del modello operativo piuttosto che trattarla come un prerequisito o una responsabilità di qualcun altro. La prontezza dei dati non è semplicemente una sfida IT; è una sfida di leadership e di modello operativo che influenza direttamente la capacità dell’organizzazione di generare valore aziendale dall’AI.

Come AI-Native SAFe aiuta le organizzazioni a spostarsi dal misurare gli output al misurare gli esiti?

L’AI rende molto più facile generare output. Mentre l’esecuzione diventa più veloce e meno costosa, l’output solo diventa una misura di progresso molto più debole. Il vero vantaggio competitivo si sposta verso la misurazione se quegli output creano esiti aziendali significativi.

AI-Native SAFe è costruito intorno a un ciclo di sviluppo del prodotto guidato dagli esiti. Fornisce i ruoli, le pratiche e la governance necessari per connettere continuamente gli investimenti in AI al valore aziendale misurabile.

La stessa ricerca del Return on AI Institute supporta questo spostamento: le organizzazioni che regolarmente misurano e comunicano il valore dell’AI a livello esecutivo e di consiglio segnalano ritorni significativamente più forti sui loro investimenti in AI. AI-Native SAFe aiuta a rendere quella disciplina basata sugli esiti una parte continua di come l’impresa opera.

Quali fattori dovrebbero considerare le organizzazioni quando decidono se passare ad AI-Native SAFe?

Il core SAFe rimane il modello operativo giusto per molte organizzazioni. AI-Native SAFe non è destinato a sostituirlo; lo estende per le organizzazioni il cui modello operativo è sempre più plasmato dall’AI.

Le organizzazioni dovrebbero considerare dove l’AI sta creando opportunità significative per ridisegnare il lavoro piuttosto che semplicemente automatizzare le attività esistenti. Dovrebbero valutare se la loro governance, le pratiche di leadership e le capacità dei dati sono pronte a supportare l’AI su larga scala.

Il più importante è che non si tratta di una decisione tutto-o-nulla. AI-Native SAFe include linee guida per l’adozione in modo che le organizzazioni possano evolversi in modo incrementale, adottando le pratiche di AI-Native SAFe.

Ogni organizzazione inizia da un posto diverso e AI-Native SAFe è progettato per supportare quell’evoluzione.

Cosa somiglia un’impresa veramente nativa AI nel 2030?

Entro il 2030, le organizzazioni ad alte prestazioni non penseranno più all’AI come a un problema tecnologico ma come a un’opportunità aziendale. Diventerà integrante di come fanno il loro lavoro, rimangono competitive e offrono valore ai loro clienti.

I leader umani definiranno sempre più l’intento, prenderanno decisioni strategiche, eserciteranno il giudizio e rimarranno responsabili degli esiti. Gli agenti AI eseguiranno più dell’analisi, della coordinazione e dell’esecuzione che in precedenza richiedevano uno sforzo umano significativo.

Ciò che separerà i leader dell’industria non sarà l’accesso all’AI, poiché tutti avranno accesso a potenti capacità AI. Il differenziatore sarà la qualità del loro modello operativo: come orchestreranno efficacemente le persone, l’AI, i dati, la governance e l’apprendimento continuo per offrire esiti aziendali misurabili su larga scala.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Scaled Agile.