Tra entusiasmo e scetticismo, comprendere le reali capacità dell’IA è fondamentale per i leader che desiderano applicarla in modo significativo all’interno delle proprie organizzazioni.
Autore: Art Smalley – autore di “4 tipi di problemi”.
Ogni giorno ci imbattiamo in previsioni diametralmente opposte sull’impatto dell’Intelligenza Artificiale: alcuni credono che eliminerà un numero enorme di posti di lavoro e trasformerà radicalmente la società; altri avvertono che la tecnologia è sopravvalutata, incline ad allucinazioni e molto meno capace di quanto suggeriscano i titoli dei giornali. Tra questi due estremi si cela un panorama confuso per i leader che cercano di capire cosa significhi realmente l’IA per le loro organizzazioni.
Per affrontare questo dibattito, è utile fare un passo indietro e distinguere l’entusiasmo dalla realtà. L’intelligenza artificiale non è una novità assoluta. Anzi, molte forme di quella che potremmo definire “IA avanzata” esistono da decenni. Robotica, visione artificiale, automazione e sistemi esperti sono utilizzati nella produzione e nell’ingegneria da oltre 40 anni. Queste tecnologie operano nel mondo fisico (macchine che muovono, afferrano, ispezionano e lavorano materiali reali). Si potrebbe pensare a questo come al “lato di coppia” dell’IA, come lo chiamo io, ovvero il dominio in cui le macchine interagiscono direttamente con l’ambiente fisico.
Ciò che ha colto di sorpresa il mondo negli ultimi anni è stato qualcosa di diverso: la rapida diffusione dei modelli linguistici su larga scala (LLM). Quando strumenti come ChatGPT sono diventati ampiamente disponibili, milioni di persone hanno improvvisamente sperimentato un nuovo tipo di intelligenza artificiale. Invece di controllare robot o macchinari industriali, questi sistemi interagivano attraverso il linguaggio, producendo testi, spiegazioni, riassunti e codice.
Questa distinzione è importante. L’IA tradizionale si occupava di azioni fisiche e sistemi meccanici. L’IA generativa opera in un mondo completamente diverso: il mondo delle parole e dei modelli linguistici. Comprendere questa differenza aiuta a spiegare sia l’entusiasmo che la confusione che circondano l’IA moderna.
IL PROBLEMA DELL’ENTUSIASMO CONTRO LA REALTÀ
Parte della difficoltà sta nel fatto che la maggior parte delle persone interagisce con l’IA solo al suo livello più elementare. Ad esempio, molti utenti si imbattono in modelli linguistici complessi attraverso semplici interfacce di chat. A questo livello, i risultati possono sembrare imprevedibili. A volte le risposte sono sorprendenti; altre volte sono errate, incomplete o stranamente fuori luogo.
Questa incoerenza si verifica perché i modelli linguistici in realtà non pensano. Generano risposte prevedendo la parola successiva più probabile in base agli schemi presenti nei dati su cui sono stati addestrati, principalmente ampie porzioni di Internet. I ricercatori a volte li descrivono come “pappagalli stocastici” che simulano il ragionamento, ma non comprendono veramente il mondo.
Eppure, nonostante questa limitazione, i modelli linguistici sono sorprendentemente capaci. Se usati correttamente, possono svolgere molti compiti che un tempo richiedevano un notevole sforzo umano. La chiave sta nell’imparare ad andare oltre le interazioni di base.
In pratica, esistono diversi livelli di utilizzo dell’IA. Al livello più basso (l’interfaccia del chatbot), quasi tutti possono partecipare. Ma man mano che si sale nella scala delle capacità, il numero di persone in grado di utilizzare efficacemente questi strumenti diminuisce drasticamente.
Il livello successivo prevede l’ingegneria guidata, in cui gli utenti progettano attentamente le istruzioni per guidare le risposte del modello. Al di sopra di questo si trova l’interazione a livello di API, in cui gli sviluppatori si connettono direttamente ai modelli di IA utilizzando strumenti di programmazione come Python. Ciò consente loro di integrare l’IA nelle applicazioni e automatizzare flussi di lavoro più complessi. Oltre a questo, ci sono tecniche avanzate come la generazione aumentata tramite recupero (RAG), che collega i modelli a dati esterni e sistemi ottimizzati progettati per compiti specifici.
Sebbene questi approcci avanzati possano fornire risultati impressionanti, solo una minima percentuale di utenti attualmente opera a questi livelli. La maggior parte delle persone rimane allo stadio di interazione di base. Di conseguenza, le reali capacità dell’IA appaiono spesso esagerate.
DOVE L’IA ECCELLE… E DOVE INCONTRA DIFFICOLTÀ
Per comprendere come i leader dovrebbero approcciarsi all’IA, è utile considerare le differenze nei processi di pensiero tra esseri umani e macchine. Come ha affermato il ricercatore di Stanford Balaji Srinivasan, gli esseri umani sono per natura pensatori end-to-end: di fronte a un problema, siamo in grado di definire la situazione, sviluppare ipotesi, implementare soluzioni e riflettere sui risultati. Nel Lean Thinking, questo ciclo viene spesso descritto come PDCA (Plan, Do, Check, Act). I modelli linguistici operano in modo diverso: sono più efficaci nella fase intermedia del processo di pensiero (secondo Srinivasan, sono “pensatori da metà a metà”).
All’inizio del ciclo di risoluzione dei problemi, nella fase di pianificazione, gli esseri umani eccellono. Inquadriamo il problema, raccogliamo il contesto e decidiamo quale direzione intraprendere. L’intelligenza artificiale ha difficoltà in questa fase perché non comprende il mondo reale. Senza una guida chiara, può facilmente produrre suggerimenti irrilevanti o fuorvianti.
Alla fine del ciclo, nella fase di azione, anche in questa fase prevale l’elemento umano. Tale fase implica giudizio, riflessione e la capacità di adattare le strategie in base all’esperienza. Anche in questi ambiti l’intelligenza artificiale presenta dei limiti.
Ma nelle fasi intermedie – analisi, sintesi e ragionamento strutturato – l’IA può essere estremamente potente. Una volta definito chiaramente un compito, i modelli linguistici possono elaborare grandi quantità di informazioni, generare riassunti e suggerire possibili soluzioni.
Questo schema diventa ancora più chiaro se si esaminano i diversi tipi di risoluzione dei problemi, di cui ho parlato nel mio libro ” Quattro tipi di problemi” . L’IA dà il meglio di sé nei compiti procedurali, in cui sia il problema che la soluzione sono ben compresi. In termini di Lean, questo assomiglia alla risoluzione dei problemi di Tipo 1, che implica un’azione e una risposta rapide a condizioni anomale. Si tratta di compiti come scrivere codice di routine, riassumere documenti o risolvere problemi noti.
Per i problemi diagnostici, in cui è necessario indagare a fondo sulla questione, l’intelligenza artificiale può essere d’aiuto organizzando le informazioni e proponendo ipotesi. Tuttavia, gli esseri umani devono comunque verificare i fatti e individuare la causa principale.
Nella progettazione dello stato futuro (Tipo 3), l’IA diventa meno affidabile. Definire uno stato obiettivo convincente richiede osservazione, immaginazione e comprensione del contesto. Queste capacità rimangono una prerogativa esclusiva dell’essere umano.
Infine, nel campo della vera innovazione, l’IA incontra ancora maggiori difficoltà. Sebbene possa ricombinare idee esistenti in modi interessanti, raramente produce scoperte realmente originali senza una forte guida umana.
LA TECNOLOGIA DA SOLA NON BASTA
Per i leader che stanno valutando l’adozione dell’IA (e diciamocelo, chi non lo sta facendo?), la lezione più importante potrebbe provenire proprio dal Lean Thinking. La tecnologia da sola non genera trasformazione.
Un semplice schema riassume questo concetto: Impatto = Tecnologia × Comportamento × Gestione
Se manca anche solo uno di questi elementi, l’impatto complessivo si riduce a zero.
Le organizzazioni hanno imparato questa lezione molte volte in passato. I sistemi software aziendali, come le piattaforme ERP, promettevano miglioramenti radicali, ma spesso fallivano perché le aziende trascuravano i cambiamenti comportamentali e gestionali necessari per farli funzionare.
Anche l’intelligenza artificiale corre lo stesso rischio. Persino gli algoritmi più avanzati non possono generare valore se i dipendenti non sanno come utilizzarli o se l’organizzazione non dispone di un sistema di gestione che ne guidi l’applicazione. Si consideri un esempio comune nel campo della produzione snella: il sistema Andon. Sensori e strumenti di monitoraggio raccolgono dati da macchinari e linee di produzione, ma la tecnologia da sola non serve a nulla se le persone non intervengono quando si verifica un problema. Gli operai devono tirare la cordicella dell’Andon, i supervisori devono indagare sul problema e i responsabili devono assicurarsi che i problemi vengano risolti e che non si ripresentino. Senza queste risposte comportamentali e routine di gestione, la tecnologia diventa inutile.
QUATTRO PRIORITÀ DI LEADERSHIP PER L’ERA DELL’INTELLIGENZA ARTIFICIALE
Come possiamo quindi garantire che l’adozione dell’IA produca un valore reale? A mio avviso, ci sono quattro punti fondamentali da considerare.
- Riprogettare i flussi di lavoro, non solo le singole attività. Le organizzazioni che traggono i maggiori benefici dall’IA sono quelle che ripensano interi flussi di lavoro. Automatizzare semplicemente attività isolate raramente produce vantaggi significativi. I leader dovrebbero invece esaminare il flusso di lavoro dall’inizio alla fine e riprogettare il processo in base alle nuove funzionalità.
- Non bisogna considerare l’IA come un progetto IT. L’adozione dell’IA non può essere delegata interamente ai team tecnici. Richiede una riflessione strategica su dove la tecnologia crea maggior valore e su come si allinea con gli obiettivi dell’organizzazione. Questo è un compito che spetta alla leadership.
- Concentratevi sul potenziamento piuttosto che sulla sostituzione. Mentre alcuni temono che l’intelligenza artificiale sostituirà gran parte della forza lavoro, l’approccio più promettente è quello di utilizzare l’IA per migliorare le capacità umane. Quando i dipendenti utilizzano strumenti che li aiutano a lavorare più velocemente, ad analizzare meglio le informazioni e a risolvere i problemi in modo più efficace, le organizzazioni possono crescere anziché ridursi.
- Costruisci la fiducia attraverso la trasparenza e la sperimentazione. Le direttive imposte dall’alto raramente hanno successo. I dipendenti devono comprendere i vantaggi dell’IA per loro e per i loro clienti. Partire da applicazioni pratiche che risolvono problemi reali può rafforzare la credibilità e incoraggiare una maggiore adozione.
UN FUTURO CAUTAMENTE OTTIMISTA
L’intelligenza artificiale trasformerà senza dubbio molti aspetti del lavoro, ma il suo impatto si manifesterà probabilmente in modo più graduale e disomogeneo di quanto suggeriscano i titoli dei giornali.
L’intelligenza artificiale generativa è potente, ma rimane comunque uno strumento che richiede un’integrazione ponderata nei sistemi umani. Quando i leader combinano la tecnologia con i comportamenti e le pratiche di gestione appropriati, tale tecnologia accelererà l’apprendimento, migliorerà il processo decisionale e aumenterà la produttività.
In definitiva, la vera trasformazione non deriva dalla tecnologia in sé, ma da come le organizzazioni imparano a utilizzarla. Nel caso delle organizzazioni snelle, ciò avviene attraverso una sperimentazione disciplinata, il miglioramento continuo e l’impegno nello sviluppo delle competenze umane. La nostra capacità di integrare tecnologia, comportamento e gestione è ciò che determinerà se l’intelligenza artificiale diventerà solo l’ennesima moda passeggera o una vera forza trainante per il progresso.
