Sarah Philipp, Global Lead di Abilitazione e Adozione AI presso Altimetrik – Serie di Interviste

Sarah Philipp, Global Lead di Abilitazione e Adozione AI presso Altimetrik, si concentra sull’aiutare le organizzazioni a colmare il divario tra l’innovazione rapida dell’AI e l’adozione nel mondo del lavoro. Il suo lavoro si concentra sulla creazione di programmi di alfabetizzazione dell’AI, strategie di abilitazione dei flussi di lavoro e iniziative di formazione basate su ruoli che aiutano i dipendenti e i manager a integrare l’AI generativa nelle operazioni quotidiane. In Altimetrik, ha contribuito a plasmare programmi di adozione aziendale su tecnologie come ChatGPT Enterprise, l’SDK degli agenti di OpenAI e flussi di lavoro di AI su larga scala, oltre a co-creare “LAByrinth”, una piattaforma di simulazione di AI generativa basata su progetti progettata per ingegneri e manager di programmi tecnici. Prima di unirsi ad Altimetrik, ha trascorso anni guidando iniziative di educazione dei clienti e implementazione su piattaforme SaaS come Nudge Coach, dandole una solida base in sistemi di apprendimento, abilitazione comportamentale e trasformazione digitale. La sua carriera riflette una tendenza crescente all’interno dell’AI aziendale in cui il successo dipende sempre più non solo dal deploy di modelli, ma anche dal rendere i dipendenti fiduciosi, capaci e produttivi con gli strumenti AI nel loro lavoro quotidiano.

Altimetrik è un’azienda di ingegneria digitale e soluzioni di dati con un focus sull’AI, che aiuta le aziende a modernizzare i sistemi legacy e a scalare l’AI generativa in tutta l’organizzazione. L’azienda opera in vari settori, tra cui servizi finanziari, sanità, produzione, retail e scienze della vita, combinando ingegneria di prodotto, modernizzazione del cloud, infrastruttura dei dati e servizi di deploy dell’AI. Altimetrik si è posizionata come un importante partner di implementazione dell’AI aziendale attraverso collaborazioni con OpenAI, con un forte accento sull’AI agente, l’orchestrazione dei flussi di lavoro, la governance e i sistemi di AI pronti per la produzione. Il suo ALTI AI Lab funge da hub di innovazione interno dove l’azienda prototipa applicazioni di AI aziendale che vanno da assistenti intelligenti a flussi di lavoro multimodali e operazioni aziendali native AI. Negli ultimi anni, Altimetrik ha espanso aggressivamente le sue partnership e acquisizioni, rafforzando il suo marchio di ingegneria globale e le sue capacità di consegna dell’AI aziendale.

Ha costruito la sua carriera all’incrocio della trasformazione aziendale, della progettazione dell’apprendimento e della tecnologia emergente — quale esperienza cruciale l’ha convinta che l’adozione responsabile dell’AI dipendesse tanto dall’abilitazione umana quanto dalla capacità tecnica?

Di solito finisco per essere un adottatore piuttosto tardo di nuove tecnologie. Tendo a essere scettico sull’iperiallarmismo e testardo nel rimanere fedele al modo in cui sono abituato a fare le cose. Questo è stato vero anche per l’AI. Ero un adottatore lento, e mi sono mosso molto lentamente all’inizio.

Ciò che è cambiato per me è stato ascoltare, in un linguaggio umano e non tecnico, come altre persone stavano utilizzando l’AI nella loro vita e lavoro quotidiano. Una volta che potevo collegarlo a punti di frizione reali e personali, la curiosità ha seguito.

Quell’esperienza ha rafforzato qualcosa che ho visto in ogni sforzo di trasformazione di cui ho fatto parte: l’adozione raramente inizia con la sola capacità. Inizia con la rilevanza, la fiducia e il significato. Le persone devono prima vedersi nel cambiamento e questo è il motivo per cui l’adozione responsabile dell’AI dipende tanto dall’abilitazione guidata dagli esseri umani quanto dalla prontezza tecnica.

Nel suo ruolo di guida dell’abilitazione globale dell’AI presso Altimetrik, come definisce il successo dell’adozione dell’AI generativa su larga scala oltre i piloti e gli esperimenti di proof-of-concept?

Il successo dell’adozione su larga scala non vive in silos. Uno dei modelli più comuni che vediamo è l’adozione compartimentalizzata. Un team diventa molto avanzato nella sua maturità AI, mentre un altro team nella stessa organizzazione non ha ancora una strategia chiara e potrebbe addirittura utilizzare strumenti frammentati o account personali. Quel tipo di adozione disomogenea crea incoerenza e rischio.

Il vero successo arriva quando un’organizzazione costruisce abitudini condivise, standard condivisi e modi di lavorare connessi. Richiede sia un cambiamento di gestione dall’alto verso il basso che dal basso verso l’alto. Dall’alto, la leadership deve stabilire la direzione, stabilire la governance e creare chiarezza su cosa significhi un’adozione responsabile e di valore. Dal basso, i dipendenti devono capire come l’AI si inserisce nel loro lavoro quotidiano, dove risolve problemi reali e come utilizzarla con fiducia all’interno del loro ruolo.

Il vero segno di maturità è quando i flussi di lavoro funzionano senza problemi dall’inizio alla fine e attraverso i team, non solo all’interno di pocket isolate.

Molte organizzazioni investono in strumenti di AI generativa ma faticano a operazionalizzarli. Quali sono le lacune di esecuzione più comuni che vede tra ambizione e impatto aziendale misurabile?

La proprietà della governance è spesso poco chiara. Chi è responsabile della documentazione di cosa viene utilizzato, della versione dei prompt o dei flussi di lavoro, del monitoraggio della qualità e del tenere traccia di dove l’AI si sta effettivamente manifestando nell’azienda? Senza quella chiarezza, le organizzazioni finiscono con un utilizzo sparpagliato e molto poca disciplina operativa.

Molte organizzazioni non hanno deciso quale tipo di utilizzo dell’AI vogliono effettivamente incoraggiare. Stanno puntando a comportamenti di prompt specifici del ruolo, casi di utilizzo di produttività individuale come brainstorming e stesura, o agenti progettati per flussi di lavoro definiti? Se non è chiaro, l’abilitazione rimane vaga e l’impatto diventa difficile da misurare.

C’è anche spesso una disconnessione tra rollout e lavoro reale. Le aziende investono in strumenti prima di aver identificato i momenti in cui l’AI può rimuovere la frizione, migliorare la qualità o accelerare l’esecuzione in modo significativo. L’ambizione è facile, ma l’operazionalizzazione richiede specificità.

Lavora a stretto contatto con team di leadership esecutiva — cosa significa essere fluente in AI a livello di C-suite, e come il comportamento della leadership influenza l’adozione in tutta l’organizzazione?

Sembra un modello, curiosità e una mentalità da principiante. Sembra che i leader siano vulnerabili in una stanza con persone che riferiscono a loro.

I leader che fanno la maggiore differenza sono quelli che dimostrano una mentalità da principiante. Sono disposti a imparare pubblicamente. Sono a loro agio nel dire: “Sto ancora cercando di capire anche io”. Quella vulnerabilità conta più di quanto la gente si renda conto, perché dà a tutti gli altri il permesso di impegnarsi senza sentirsi come se dovessero essere esperti per primi.

Il comportamento della leadership stabilisce il tono. Se gli esecutivi trattano l’AI come un esperimento laterale, l’organizzazione lo farà anche. Se modellano un utilizzo pensato, pongono domande pratiche e investono visibilmente nell’apprendimento, l’adozione diventa culturalmente più sicura. La fiducia è altrettanto importante della capacità quando si tratta di scalare l’AI nell’impresa.

Cosa significa un framework di sperimentazione strutturato per l’AI generativa nella pratica, e come possono le aziende incoraggiare l’innovazione senza creare frammentazione o esposizione al rischio?

Vogliamo iniziare con punti di frizione reali nei flussi di lavoro, non suggerimenti casuali. I team dovrebbero essere incoraggiati a identificare attività ripetitive, colli di bottiglia decisionali o lacune di conoscenza esistenti. Da lì, le organizzazioni possono priorizzare gli esperimenti in base alla rilevanza aziendale, alla fattibilità e al rischio.

Gli ambienti più sani sono quelli in cui le persone possono provare cose in sicurezza, condividere cosa funziona e evitare di reinventare la ruota in isolamento.

Ha co-creato LAByrinth, una piattaforma di simulazione di AI generativa progettata per dare agli ingegneri un’esperienza pratica nella costruzione con strumenti AI in un ambiente guidato e sicuro. Cosa l’ha ispirata alla sua creazione, e come l’apprendimento basato sulla simulazione accelera la capacità di AI nel mondo reale?

Ho sempre amato forme di apprendimento pratico ed esperienziale. In particolare, il tipo di mentoring “sulla spalla” che esiste negli ambienti di studio d’arte.

Quando Martin Gaida e io abbiamo iniziato a scambiare idee per questa struttura di formazione, l’intero progetto è stato molto divertente da creare. Sembra che stessimo creando un puzzle per gli altri da risolvere. È stato così che ho capito che eravamo sulla strada giusta. Le persone sono più propense a impegnarsi con nuovo materiale quando lo trovano interessante e si sentono supportate.

L’apprendimento basato sulla simulazione accelera la capacità perché riduce il divario tra teoria e applicazione. Dà loro un posto sicuro per praticare il giudizio, non solo memorizzare concetti. E con l’AI, questo conta enormemente, perché la vera capacità non è solo sapere cosa può fare uno strumento, ma sapere come utilizzarlo in modo pensato e sicuro.

Come dovrebbero approcciare le aziende l’aggiornamento delle competenze della forza lavoro in modo diverso nell’era dell’AI generativa rispetto alle precedenti ondate di trasformazione digitale?

Collaborativamente e creativamente. Con strumenti come Notebook LM e Figma, ci sono molti modi per creare contenuti coinvolgenti e freschi. Amiamo una presentazione, ma amiamo anche creare quaderni interattivi, video animati e altri metodi per consegnare il curriculum.

Personalmente, imparo meglio con infografiche e altri visuali.

L’AI responsabile è spesso inquadrata intorno alla governance e alla conformità. Da una prospettiva di abilitazione, cosa significa adozione responsabile nel flusso di lavoro quotidiano?

Consultare le persone che utilizzano effettivamente gli strumenti su cosa li rende utili, poi assicurarsi che tutti coloro che utilizzano gli strumenti sappiano cosa significa effettivamente la politica. Come si traduce nel loro utilizzo quotidiano dell’AI?

L’adozione responsabile significa un modello con l’essere umano al timone. L’AI può aiutare a stendere, riassumere, analizzare o accelerare, ma le persone possiedono ancora il giudizio, il controllo di qualità e la decisione finale. Quella responsabilità umana è fondamentale.

Altrettanto importante, l’adozione responsabile dipende dalla fiducia. La discernimento deriva dall’esperienza. È per questo che le organizzazioni hanno bisogno di spazi a basso rischio e non giudicanti dove i dipendenti possano praticare e costruire una vera fluenza. Quando le persone acquisiscono sufficiente esperienza pratica per prendere decisioni ponderate, l’uso responsabile smette di essere astratto e inizia a diventare abituale.

Man mano che l’AI generativa evolve rapidamente, come possono le aziende progettare programmi di abilitazione che rimangano adattabili invece di diventare obsoleti nel giro di pochi mesi?

È una sfida, ma ci sono molti strumenti grandi là fuori.

L’errore più grande è costruire l’abilitazione interamente intorno al paesaggio attuale degli strumenti.

Spesso ci viene chiesto se offriamo una formazione agnostica rispetto agli strumenti, e la risposta è sì. Assolutamente. Ci concentriamo su competenze di AI durature e poi insegniamo alle persone come applicare quelle competenze all’interno degli strumenti che l’organizzazione sta utilizzando oggi. Quell’approccio dà ai programmi una vita molto più lunga.

L’abilitazione adattabile deve anche essere modulare. Frattale. Invece di trattare la formazione come un evento unico, le organizzazioni dovrebbero pensare in strati: alfabetizzazione di base, applicazione basata su ruoli, sperimentazione avanzata e aggiornamenti continui man mano che gli strumenti e le priorità cambiano.

Guardando avanti, quali cambiamenti ritiene definiranno la prossima fase dell’adozione dell’AI aziendale nei prossimi due anni?

Basato sui ruoli e agente. Le aziende stanno già abbracciando l’utilizzo degli agenti. Queste organizzazioni vogliono assicurarsi che i loro team tecnici siano aggiornati in tutti i modi necessari per costruire e governare questo tipo di utilizzo dell’AI.

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