Chris Perry, Fondatore e CEO di Andus Labs – Serie di Interviste

Chris Perry, fondatore e amministratore delegato di Andus Labs, è un dirigente specializzato in comunicazione, strategia digitale e innovazione con quasi tre decenni di esperienza nell’aiutare le organizzazioni a gestire importanti cambiamenti nella tecnologia e nel business. Prima di fondare Andus Labs nel 2025, Perry ha trascorso più di 22 anni presso Weber Shandwick, dove ha ricoperto una serie di ruoli di alta dirigenza, tra cui Presidente dei Futuri, Direttore dell’Innovazione, Presidente delle Comunicazioni Digitali, EVP della Strategia Digitale e Operazioni e SVP. All’inizio della sua carriera, ha lavorato nella comunicazione tecnologica presso General Motors e ha ricoperto il ruolo di vicepresidente presso Edelman. La sua carriera si è concentrata sulla trasformazione digitale, le tecnologie emergenti, il cambiamento organizzativo e la relazione in evoluzione tra tecnologia e le persone responsabili della sua applicazione.

Andus Labs aiuta le imprese a tradurre le capacità dell’IA in risultati organizzativi pratici concentrandosi sui sistemi umani che circondano la tecnologia. L’azienda descrive la sua missione come la costruzione del “Human OS for AI” — uno strato operativo progettato per orchestrare il lavoro tra persone e agenti IA — basandosi sul presupposto che gli investimenti in IA spesso non raggiungono i risultati quando la preparazione organizzativa, i flussi di lavoro e l’adozione rimangono indietro rispetto alla tecnologia stessa. Il suo lavoro comprende programmi di orchestrazione del lavoro con IA, prodotti destinati a rafforzare e moltiplicare l’apprendimento organizzativo, e una rete più ampia di professionisti, artisti e umanisti che esplorano come umani e IA possano collaborare efficacemente.

Hai trascorso più di due decenni presso Weber Shandwick, passando da ruoli digitali senior a Chief Innovation Officer e Chairman, Futures, prima di fondare Andus Labs nel 2025. Cosa hai osservato all’interno delle grandi organizzazioni durante quel periodo che ti ha convinto che la più grande barriera alla trasformazione dell’IA fosse il sistema umano e organizzativo intorno alla tecnologia, piuttosto che la tecnologia stessa?

Ho imparato per prima cosa nello studio di arti grafiche di mio padre a Detroit, dove ho iniziato, prima di Weber Shandwick. La pubblicazione digitale ha trasferito il lavoro che i suoi tipografi e illustratori svolgevano a mano nel software. Ha rotto il suo modello di business, e lui non ha visto il cambiamento finché non era troppo tardi.

Presso Weber Shandwick ho lavorato con alcune delle più grandi aziende del mondo attraverso nuove ondate tecnologiche: social media, blog, video, mobile, dati. Ogni volta, il modello era lo stesso. La tecnologia è arrivata. Le persone hanno percepito il cambiamento e hanno iniziato a usarla autonomamente. La leadership e la struttura dell’azienda sono cambiate per ultime.

In quelle prime ondate, le aziende hanno pagato quel ritardo perdendo terreno, ma le persone continuavano a svolgere il lavoro. L’IA fa al lavoro della conoscenza ciò che la pubblicazione digitale ha fatto allo studio di mio padre. Il modo in cui le persone svolgono il lavoro viene incorporato nel software.

Le scuole di business non insegnano come gestire un’azienda in cui persone e agenti condividono il lavoro. La maggior parte delle aziende aggiunge l’IA e fa completare il lavoro tradizionale più velocemente. Il vero ritorno arriva quando i leader preparano le loro persone a ricostruire il lavoro con l’IA. Il lavoro cambia forma invece di limitarsi a diventare più veloce.

Lo abbiamo chiamato Andus Labs, come in “and us”, perché scommettevamo che il ritorno dipenderebbe dalle persone.

Andus Labs sostiene che le imprese possono possedere capacità avanzate di IA pur mancando della “prontezza umana” necessaria a catturare il valore da esse. Cosa distingue un’azienda che ha implementato con successo l’IA da una che ha realmente trasformato il modo in cui il lavoro viene svolto?

Mi sono seduto con un’azienda che riportava un’adozione dell’IA dell’80% e un cambiamento di circa il 5% nel modo in cui il lavoro veniva svolto. Solo il dato sull’adozione è comparso nella presentazione al consiglio. Il secondo dato non era nascosto; il cruscotto semplicemente non aveva uno spazio per esso.

L’implementazione è facile da misurare. Licenze assegnate, agenti distribuiti, accessi. Sono attività, non impatto. Chiediamo ai clienti cosa l’azienda può fare ora che non poteva fare prima. La maggior parte delle volte la risposta onesta è gli stessi report, le stesse presentazioni e le stesse analisi, solo più velocemente.

Le aziende che stanno trasformando misurano qualcos’altro. Il progetto pilota ha prodotto valore sufficiente per valerne la scalabilità? Possiamo presentare al consiglio qualcosa che non avremmo potuto produrre un anno fa? L’IA sta alleggerendo il carico delle nostre persone più preziose così che possano svolgere il lavoro che solo loro possono fare? Nessuna di queste metriche è facile da contare come i posti, ma sono le misure che indicano se qualcosa è cambiato.

Anche queste domande hanno bisogno di un responsabile. Chiedi chi lo sia nella maggior parte delle aziende e otterrai un elenco. Il CIO è responsabile delle piattaforme. Un centro di eccellenza gestisce i progetti pilota. Le risorse umane si occupano della formazione. L’impatto sul business non è attribuito a nessuno.

Un’azienda può dirti quante persone hanno accesso. L’altra può dirti cosa è cambiato e chi ne è responsabile.

L’Indice Ground Truth attinge ora a una raccolta di 300 modelli documentati, osservati nel corso di collaborazioni e conversazioni con leader di 595 organizzazioni; prima che i ricercatori esaminino e convalidino la classifica finale, cinque agenti analisti indipendenti assegnano un punteggio a ciascun modello. Come si è evoluta questa metodologia, in quale fase interviene il giudizio umano e come evitate che l’Indice si limiti a rafforzare le convinzioni già presenti nelle vostre osservazioni sul campo?

Il metodo è cambiato man mano che la libreria è cresciuta. Ogni modello inizia con ciò che sentiamo e vediamo nelle conversazioni con i leader aziendali. Verifichiamo ogni nuovo segnale rispetto alla libreria, lo testiamo con le osservazioni sul campo e la ricerca esterna, e decidiamo se è davvero nuovo, rafforza un modello che già monitoriamo o appartiene altrove.

L’AI ci aiuta a valutare l’intera libreria ogni trimestre, cosa che un team di ricerca non potrebbe fare manualmente. Gli agenti leggono ogni modello attraverso una diversa prospettiva professionale e lo valutano sulle stesse cinque dimensioni. Lavorano alla cieca, quindi nessun agente può influenzare un altro. Prendiamo la mediana così un singolo valore anomalo non può alterare il punteggio, e i primi 50 passano alla revisione umana.

Il giudizio umano permea tutto. Il nostro team di ricerca approva ogni modello che entra nella libreria, rivede le classifiche e decide i 25 finali. Mettiamo più impegno dove gli agenti non sono d’accordo e dove l’attenzione dei media contrasta con ciò che sentiamo sul campo. Possiamo modificare un punteggio, ma solo sulla base di osservazioni documentate: chi lo ha sollevato, con quale frequenza l’abbiamo sentito e se si è confermato nelle varie organizzazioni. Un’intuizione non modifica il punteggio.

Il nuovo Ground Truth Index classifica “Empty Chairs” come la principale barriera all’AI aziendale, descrivendo le organizzazioni che concedono ai sistemi di AI influenza su decisioni quali assunzioni, prezzi e rischi senza identificare chiaramente chi è responsabile o ha l’autorità di annullare tali decisioni. Man mano che l’AI passa dal raccomandare azioni al modellare effettivamente i risultati aziendali, come dovrebbe apparire nella pratica una responsabilità umana significativa?

Più funzioni tocca l’AI, più decisioni prende per conto dell’azienda. La responsabilità diventa una questione di gestione prima di essere una questione tecnologica.

La responsabilità di solito si colloca da qualche parte tra chi ha acquistato il sistema di AI e chi lo utilizza, e nessuno dei due ne è proprietario. Il divario rimane invisibile finché una decisione non viene contestata. Questa è la sedia vuota.

La responsabilità implica un leader nominato che vede ciò che il sistema produce e può spiegare il risultato, correggerlo o fermare il sistema. Ciò richiede autorità su un processo che solitamente attraversa diversi dipartimenti.

Chiediamo ai leader di scegliere una decisione significativa che la loro AI ha contribuito a prendere in questo trimestre e di dirci chi ne è responsabile. Quando la risposta non è chiara, l’azienda ha modificato il modo in cui le decisioni vengono prese senza stabilire chi ne risponde.

“Learning While Drowning” si classifica al secondo posto nel nuovo Index, evidenziando le aziende che impongono la formazione sull’AI lasciando inalterati i carichi di lavoro esistenti dei dipendenti. Allo stesso tempo, “Optimization Temptation” mostra quanto sia facile per le aziende quantificare i risparmi di personale rispetto al valore più difficile da misurare del riassegnare le persone a lavori di maggior valore. Le aziende stanno sottovalutando fondamentalmente l’investimento organizzativo necessario per rendere la loro forza lavoro più produttiva con l’AI anziché limitarsi a usare l’AI per ridurre i costi?

Sì. I risparmi derivanti dall’eliminazione di un ruolo sono facili da inserire in un foglio di calcolo. Il valore della conoscenza, delle relazioni e del giudizio di quella persona è molto più difficile da catturare. I risparmi compaiono in questo trimestre. Le perdite possono accumularsi per anni.

L’ipotesi alla base del taglio è spesso sbagliata, inoltre. L’AI rende il lavoro di oggi più efficiente e genera anche nuovi compiti da svolgere. Quello che osserviamo è un riequilibrio dei team, con le persone che passano a ruoli diversi anziché vedere intere funzioni eliminate.

Un mandato di formazione è una decisione sul carico di lavoro. Le aziende sovrappongono la formazione sull’AI al lavoro esistente, poi interpretano una bassa percentuale di completamento come un problema di motivazione. L’investimento che evitano è quello che non entra mai nel budget. Decidere quale lavoro verrà interrotto, ridotto o spostato per fare spazio, e indicare chi ha autorizzato la decisione. L’apprendimento richiede tempo. L’applicazione richiede ancora di più, perché le persone devono testare strumenti poco familiari, verificare i risultati e modificare il loro modo di lavorare abituale.

La risposta non è un altro punto della lista. Assegnare un team a un progetto reale e l’apprendimento avviene all’interno del lavoro.

Il Index identifica anche “Devaluation Anxiety”, riflettendo le preoccupazioni su cosa accade ai dipendenti quando l’AI diventa capace di svolgere parti sempre più preziose del loro lavoro. Quanto di quello che i dirigenti definiscono resistenza all’AI è in realtà un’ansia razionale sul valore della carriera, e cosa dovrebbero fare diversamente i leader quando introducono questi sistemi?

La maggior parte è razionale. I dipendenti sentono parlare dell’efficienza dell’AI in un annuncio e dei licenziamenti nel successivo. Traggono le proprie conclusioni.

La leadership tratta questi come messaggi separati. I team no. Concludono la formazione e trattengono la sperimentazione che l’avrebbe resa utile.

Le rassicurazioni non risolveranno la questione. I leader devono comunicare ciò che è stato deciso riguardo ai posti di lavoro, ciò che è ancora incerto e quale supporto le persone possono aspettarsi.

Lo stesso vale per il ritorno. Le aziende specificano cosa si aspetta il business dall’AI e lasciano vuoto il lato dei dipendenti. Se qualcuno diventa più veloce, cosa ne ricava? Spazio per un lavoro migliore, un percorso di crescita, più tempo? Questo dovrebbe far parte del piano di implementazione.

I dirigenti chiedono ai loro team di lavorare diversamente con l’AI. I team attendono di vedere prima i dirigenti farlo.

Un altro pattern che identifichi è “Active Inertia”, in cui le organizzazioni usano l’IA per accelerare i processi esistenti senza cambiarli fondamentalmente. Come appare una vera riprogettazione del flusso di lavoro nativa dell’IA, e potresti fornire un esempio della differenza tra rendere più veloce un processo vecchio e ricostruirlo attorno a ciò che l’IA ora rende possibile?

Le aziende più spesso indirizzano l’IA verso ciò che è più facile da automatizzare, che spesso è lavoro che non dovrebbe nemmeno esistere. I report vengono prodotti più rapidamente. Le approvazioni procedono al ritmo consueto. Questo è Active Inertia.

La riprogettazione stabilisce in anticipo cosa fanno i modelli di IA e cosa gestisce il team, per poi costruire su quella base invece di ereditare la struttura precedente.

Prendi un report settimanale. La versione più veloce lo fa redigere dall’IA, e le stesse persone lo revisionano nello stesso programma. La versione ricostruita chiede a cosa serviva il report. Se esiste per consentire a qualcuno di individuare i problemi in anticipo, il sistema può segnalare un problema nel momento in cui si verifica, e il report scompare.

Hai scritto che “il valore è uguale a capacità per assorbimento” e hai sostenuto i sistemi anziché semplicemente il software. Man mano che i modelli di frontiera diventano sempre più commoditizzati e disponibili a tutti, la capacità di un’organizzazione di assorbire e riorganizzarsi attorno all’IA potrebbe diventare un vantaggio competitivo più durevole rispetto all’accesso ai modelli stessi?

Sì. Distribuire i modelli è facile rispetto a modificare il lavoro attorno a essi. Arrivano con una potenza straordinaria, diventano più economici ogni trimestre. Gli stessi modelli sono disponibili a chiunque. Ciò che non si può acquistare è il contesto unico all’interno dell’azienda e i team pronti a sfruttarli al loro pieno potenziale.

Ciò che chiamiamo “capacità di ricezione” è un’idea antica. È la capacità di un team di accogliere qualcosa di nuovo e metterlo in pratica, ed è composta da diritti decisionali, incentivi, flusso di lavoro, progettazione del ruolo e sufficiente fiducia affinché le persone ti comunichino cosa è andato storto. Nulla di tutto ciò può essere noleggiato.

Describo il valore come capacità per assorbimento perché i due si moltiplicano. Non si sommano. Un modello brillante introdotto in un’organizzazione che non può accoglierlo è una parte impeccabile avvitata a una guarnizione difettosa. La capacità è reale. Il ritorno è ancora zero.

L’AI agentica introduce un ulteriore livello di complessità perché i sistemi possono sempre più compiere azioni, utilizzare strumenti e perseguire obiettivi anziché semplicemente generare risposte. Dove dovrebbero le imprese tracciare il confine tra l’autonomia dell’agente e il processo decisionale umano, e quali nuove strutture di governance saranno necessarie man mano che gli agenti ricevono maggiore autorità?

Inizia con una domanda: chi risponde quando l’agente sbaglia?

Stabilisci il confine tra ciò che decide l’agente e ciò che decide una persona prima che qualcosa venga messo in produzione. La maggior parte delle aziende individua quel confine dopo che qualcosa si è già rotto.

Quando un errore è poco costoso da annullare e si manifesta rapidamente, lascia che l’agente operi. Quando la decisione influisce su ciò che qualcuno guadagna, sul mantenimento del lavoro o sulla sua posizione legale, è una persona a prendere la decisione e l’agente a prepararla.

L’istinto è centralizzare. Costituire un comitato, redigere un quadro di riferimento, attendere finché non sembra gestibile. Quando le indicazioni dalla direzione arrivano al lavoro, sono già obsolete, e le persone che non riescono a ottenere una risposta iniziano a utilizzare strumenti che l’azienda non ha mai approvato.

La governance deve essere vicina al lavoro. I team devono sapere cosa può decidere ciascun agente, chi ne è responsabile e come fermarlo. E hanno bisogno di una registrazione di ciò che ha fatto.

L’organigramma non è mai stato concepito per agenti che operano tra le funzioni, quindi nessuna singola funzione è responsabile del fallimento. Risolvete la questione prima del deployment, non dopo.

Guardando al futuro, se i principali vincoli sull’AI aziendale diventano sempre più organizzativi piuttosto che tecnici, come prevedi che cambieranno le aziende stesse? Quali parti dell’attuale organigramma, della struttura di gestione, della progettazione dei ruoli e dei processi decisionali sono meno propense a sopravvivere alla transizione verso organizzazioni costruite attorno a esseri umani e agenti IA che lavorano insieme?

L’organigramma funzionale è quello meno probabile a sopravvivere. La maggior parte delle aziende opera ancora per funzione, con il lavoro trasferito da un dipartimento all’altro e una firma a ogni passaggio. L’IA produce lavoro in minuti, mentre le approvazioni intorno ad esso richiedono settimane. Si chiede ai leader di muoversi più rapidamente all’interno di sistemi progettati per rallentare le cose.

Quell’organigramma è stato creato per persone che passano il lavoro a persone, non per decisioni condivise tra persone e agenti.
Un comitato non risolverà questo problema.

Ciò che sostituisce l’organigramma assomiglia a piccoli team organizzati attorno a un problema. Un leader individua un problema degno di essere risolto, decide cosa deve essere vero per risolverlo e assegna un team di persone e agenti. Quel team ottiene il proprio finanziamento e protezione, perché non può operare come il resto dell’azienda. Le persone che ne fanno parte prendono le decisioni di giudizio e possiedono ciò che gli agenti producono.

I motori elettrici arrivarono nelle fabbriche americane negli anni 1880, ma i guadagni di produttività non si manifestarono fino agli anni 1920. Inizialmente, gli impianti installarono un unico grande motore al posto del motore a vapore, azionarono gli stessi alberi di trasmissione e lasciarono ogni macchina al suo posto. I benefici arrivarono quando ogni macchina fu dotata del proprio motore e il pavimento fu organizzato attorno al lavoro.

Il riarrangiamento è stato la rivoluzione.

Grazie per la bella intervista. I lettori che desiderano saperne di più possono visitare Andus Labs o approfondire consultando l’Indice Ground Truth.