
Dai bisogni ai casi d’uso: come individuare le applicazioni IA più rilevanti per l’organizzazione
Questo è il terzo appuntamento della rubrica “IA adoption in 6 teorie”, un percorso in sei tappe per orientarsi nell’adozione dell’IA attraverso alcune delle teorie più influenti sul comportamento umano e organizzativo. In questa uscita cercheremo di comprendere come individuare le applicazioni IA più rilevanti all’interno dei flussi di lavoro delle organizzazioni, per farlo ci affideremo ad alcuni principi teorici e cognitivi elaborati da Herbert Simon.

Vi è mai capitato di avere così tante opzioni davanti da non sapere da dove cominciare?
Quando le possibilità sono numerose, raramente disponiamo del tempo e di tutte le informazioni necessarie per valutare ogni alternativa possibile e, spesso, finiamo per scegliere una soluzione sufficientemente adeguata rispetto a ciò che vogliamo ottenere, senza necessariamente individuare la migliore. È proprio in questa condizione che ci viene in soccorso il concetto di razionalità limitata, introdotto da Herbert Simon, economista e psicologo dei processi decisionali.
Secondo Simon, le nostre decisioni sono condizionate dalle informazioni disponibili, dalle capacità cognitive e dal tempo a disposizione. Non potendo conoscere tutte le alternative né prevedere tutte le conseguenze, tendiamo a cercare soluzioni soddisfacenti e coerenti con i nostri obiettivi. Per questo, più che cercare la soluzione perfetta, conviene dotarsi di criteri chiari che aiutino a scegliere in modo consapevole.
Il ragionamento di Simon offre una chiave di lettura interessante anche per chi oggi guida l’adozione dell’IA in azienda. Come abbiamo visto nei precedenti articoli, in una realtà che corre veloce e in cui gli strumenti si moltiplicano, è necessario mantenere il focus sui processi e la domanda da porsi diventa “Dove ha più senso inserire l’IA?” invece di “Cosa può fare l’IA?”.
Da dove partire per riconoscere le opportunità di applicazione dell’IA?
Osservando con attenzione le attività che le persone svolgono ogni giorno, il modo in cui si legano tra loro e il valore che producono, è possibile riconoscere dove l’IA può fare davvero la differenza: la risposta si trova proprio nel lavoro quotidiano.
Seguendo il principio della razionalità limitata di Herbert Simon, non è necessario esplorare tutte le possibili applicazioni dell’IA, ma individuare criteri che ci aiutino a restringere il campo e orientare le scelte. Per farlo, possiamo osservare le attività attraverso quattro dimensioni di lettura.
Per orientarci in questa analisi ci è utile guardare al problema attraverso quattro dimensioni di lettura. Il tempo ci aiuta a capire quanto assorbe un’attività e quanto questa pesa all’interno del flusso di lavoro, è il primo passo per cominciare la mappatura dei processi. Abbiamo poi la complessità, cioè quante variabili, eccezioni e passaggi coinvolge e quanto giudizio richiede. La ripetitività indica quanto l’attività si ripresenta in forma simile, secondo regole riconoscibili. Infine, il valore: quanto contribuisce ai risultati dell’organizzazione e quanto conta per chi la svolge.
Nessuna di queste dimensioni ha un significato assoluto, va sempre letta nel contesto e mai in modo isolato. Consideriamo la redazione di report periodici, a seconda dell’organizzazione può essere un semplice obbligo amministrativo oppure avere valore strategico.
Il quadro diventa più complesso quando si inizia a scomporre il lavoro nelle sue fasi, perché anche un processo che ci sembra unitario in realtà ne contiene numerose, molto diverse tra loro.
Prendiamo ad esempio il modello ADDIE, usato per progettare percorsi formativi, che distingue cinque fasi principali: analisi, design, sviluppo, implementazione e valutazione, ognuna delle quali richiede attività e competenze specifiche. Osservarle separatamente permette di individuare attività e flussi di lavoro in cui l’introduzione dell’IA può portare un valore concreto: dalla sintesi di grandi quantità di informazioni, allo sviluppo e produzione di bozze, fino al supporto nell’analisi dei risultati.
Questo approccio può essere applicato a qualunque flusso di lavoro, scomporlo permette di individuare gli spazi in cui l’IA ci consente di lavorare meglio o di fare di più.
Chi dovrebbe decidere cosa delegare all’AI e cosa mantenere sotto controllo umano?
Una volta individuate le attività su cui intervenire, entra in gioco il principio dello Human in the Loop, la persona resta dentro il flusso di lavoro, non ai suoi margini. Per questo è essenziale coinvolgere chi il procedimento lo conosce davvero: sono infatti le persone esperte, gli SME ovvero i subject matter expert, a saper riconoscere cosa si può delegare senza rischi, dove un’eccezione cambia il quadro e quali passaggi richiedono esperienza, consapevolezza e senso di responsabilità.
Guardare ai processi dall’alto, in base al livello di rischio, aiuta a distinguere tre modalità. Alcune attività possono essere automatizzate: sono quelle standardizzate e a basso rischio, in cui l’IA esegue e l’esperto verifica. Altre richiedono invece supporto, quando l’IA propone una bozza, una sintesi o un’analisi e la persona valuta, corregge e decide. Altre ancora hanno bisogno di presidio e qui entriamo in un terreno complesso in cui contano principalmente relazione, discrezionalità, implicazioni etiche.
Chiaramente, non è una classificazione definitiva: lo stesso flusso può contenere passaggi di tutti e tre i tipi.
Come coinvolgere le persone nell’individuazione dei casi d’uso?
Una buona strategia per ottenere una mappa ben strutturata è ricorrere a tecniche di condivisione come il job shadowing, ovvero affiancare un collega mentre lavora, svela dettagli che nessuna descrizione scritta restituisce, mentre predisporre momenti di confronto tra tutti coloro che sono coinvolti, come i focus group, aiuta a dare voce a esigenze e timori che in un questionario non emergerebbero.
Gli esperti sono fondamentali per individuare le opportunità di applicazione dell’IA, ma consultarli non basta. Il vero salto di qualità avviene quando le persone non si limitano a condividere la propria esperienza, ma partecipano attivamente alle scelte e alla costruzione delle soluzioni.
Finora abbiamo visto che sono gli esperti ad essere al centro dell’adozione, ma interpellarli non basta. Il punto di svolta nasce quando le persone diventano parte integrante del progetto e hanno un ruolo nelle scelte.
Molte persone usano già l’IA nel proprio lavoro, a volte in modo non dichiarato, ed è proprio da queste sperimentazioni spontanee che iniziamo a capire cosa funziona, dove nascono i rischi e dove servono regole. Iniziative come gli hackathon interni possono diventare l’anello di congiunzione di tutto il percorso, unendo persone di aree e background diversi, permettendo loro di sperimentare, in un contesto protetto in cui la messa a terra di idee inizia a trasformarsi in prove concrete, con tempi e obiettivi definiti. Lavorando sullo stesso caso da prospettive diverse, i partecipanti possono applicare insieme le quattro dimensioni di lettura (tempo, complessità, ripetitività, valore) e capire se un’attività che per uno è un peso quotidiano non sia, per un altro, un passaggio cruciale.
Coinvolgere le persone aiuta a raccogliere idee e a rendere il cambiamento più comprensibile e, di conseguenza, più sostenibile.
Come trasformare le opportunità individuate in casi d’uso prioritari?
Sempre più spesso le aziende richiedono interventi mirati di implementazione IA all’interno dei propri processi, ma un elenco di idee non è ancora un piano e per passare dalle opportunità ai casi d’uso occorre una valutazione strutturata e condivisa. I principali snodi sono il valore atteso per persone e organizzazione, l’impatto sulle modalità di lavoro esistenti, la fattibilità, i rischi connessi e la sostenibilità nel tempo dell’applicazione.
Siamo tornati al punto di partenza: tante opportunità, ma da dove cominciare? Il pensiero di Herbert Simon ci ricorda che non serve individuare la soluzione perfetta, ma disporre di criteri chiari per compiere scelte consapevoli. Gli strumenti di mappatura e assessment ci aiutano proprio in questo: trasformare le opportunità in priorità concrete.
Perché la vera sfida non è scoprire tutto ciò che possiamo fare con l’IA, ma scegliere dove può generare davvero valore.



