Le intelligenze artificiali generative potrebbero rivoluzionare il mondo del lavoro, ma la loro implementazione in azienda richiede un approccio strutturato e mirato, che parta, prima di tutto dalla comprensione di questi strumenti. In particolare, è importante accettare che la natura probabilistica dei large language model li rende macchine fallibili. Possono commettere errori ma questi errori si possono minimizzare e i processi si possono velocizzare, con un processo di adozione che preveda di valorizzare la combinazione essere umano-macchina e di addestrare entrambe le parti di questa combinazione.
Sfruttare al meglio queste tecnologie, quindi, significa andare oltre l’entusiasmo iniziale e evitare i catastrofismi per adottare una strategia che tenga conto delle esigenze specifiche di ogni realtà lavorativa.
Bisogna anche evitare l’illusione che esistano scorciatoie o prompt buoni per tutti gli usi da copia-incollare e imparare a usare i large language model come strumenti dialogici, per la produzione di semilavorati che poi devono essere raffinati e validati dagli esseri umani. La regola principale è: “Nulla di quello che produco con le AI come assistenti può diventare pubblico se non ho esercitato il controllo umano e la verifica.
Da dove partire: ascolto e analisi
L’adozione dell’intelligenza artificiale non può prescindere da una fase iniziale di ascolto dei bisogni e dello stato dell’arte, cercando anche di capire se ci sono già persone che hanno un proprio metodo o degli strumenti di AI nel proprio flusso di lavoro.
Le aziende, per quanto simili nei processi di base, hanno necessità, obiettivi e problematiche diverse. Ciascuna deve fare una propria valutazione di attività automatizzabili, rischi, compiti da delegare parzialmente agli automatismi. Un giornale potrebbe voler automatizzare la descrizione delle fotografie per i browser che leggono agli ipovedenti, la creazione dei riassunti in pochi punti, una semplificazione dei contenuti complessi per persone che non parlano la lingua di quel giornale; uno studio legale potrebbe voler migliorare l’analisi di contratti, norme, leggi, affiancando ai propri avvocati macchine che possano aiutarli nell’interpretazione di grandi moli di documenti; un analista di dati potrebbe voler raffinare un llm per poter dialogare con un file excel e fare a quel file domande in linguaggio naturale che non si possono tradurre in formule o filtri. Tutti potrebbero voler limitare il numero di call inutili!
Questa prima fase consiste nel raccogliere dati per comprendere:
- Quali sono le aree critiche: ci sono attività ripetitive e automatizzabili? C’è tempo umano che si può liberare?
- Quali sono i punti di forza: esistono competenze già avanzate in azienda su cui costruire?
- Quali sono gli obiettivi prioritari: aumento della produttività, liberazione di tempo umano, incremento della creatività o altro?
Un buon metodo per condurre questa analisi è attraverso sondaggi interni e interviste con i responsabili di funzione. Questo passaggio permette di costruire una mappa precisa delle necessità aziendali.
Personalizzazione come chiave del successo
Uno dei miti più diffusi è che le intelligenze artificiali possano essere implementate con soluzioni preconfezionate. Strumenti generici o liste di “prompt magici” da copiare e incollare non funzionano nella realtà aziendale, perché ignorano il contesto unico di ogni organizzazione.
La personalizzazione si articola in due livelli principali:
- adattamento degli strumenti: ogni azienda deve identificare quali strumenti di AI rispondono meglio alle sue esigenze e adattarli. Ad esempio, un chatbot generico potrebbe essere trasformato in un assistente virtuale specifico per il customer care, integrandolo con dati interni per risposte più precise.
- creazione di prototipi funzionali: invece di sviluppare soluzioni complesse da zero, si possono realizzare prototipi già utilizzabili, testati e migliorati direttamente nei processi aziendali, persino durante la fase di formazione, che si trasforma da subito in qualcosa di molto pratico e operativo.
Questo approccio non solo garantisce maggiore efficacia, ma consente di ottenere risultati misurabili senza spese eccessive.
Formazione: il cuore del cambiamento
L’adozione dell’AI non riguarda solo la tecnologia, ma soprattutto le persone. Spesso si pensa che il rischio principale sia la sostituzione dei lavoratori con le macchine, ma la vera dinamica è un’altra: chi non impara a usare questi strumenti rischia di essere superato da chi li sa integrare nel proprio lavoro.
Un programma di formazione efficace dovrebbe includere:
- concetti generali sull’AI generativa: cos’è, come funziona, quali sono i suoi limiti;
- applicazioni pratiche: dimostrazioni concrete su come l’AI può aiutare in attività specifiche, come l’analisi dei dati o la generazione di contenuti;
- adattamento ai ruoli aziendali: Ogni funzione (marketing, HR, logistica, ufficio legale, produzione di contenuti, ricerca e sviluppo, analisi dati ecc.) dovrebbe ricevere una formazione mirata, basata sulle sue necessità reali.
In questa fase, è fondamentale coinvolgere le persone non solo come destinatarie della formazione, ma come co-creatrici del processo. Questo aiuta a superare le resistenze al cambiamento e crea una cultura aziendale più aperta.
Adozione come processo continuo
Introdurre l’AI non è un progetto che si esaurisce in una fase iniziale, ma un percorso che richiede costante revisione e aggiornamento. Dopo la formazione, è utile seguire alcune pratiche:
- test e feedback: provare gli strumenti in un ambiente controllato, raccogliendo feedback da chi ha partecipato alla formazione;
- adattamento iterativo: modificare e migliorare gli strumenti sulla base dell’esperienza pratica;
- supporto continuo: Garantire assistenza e risorse per affrontare le difficoltà che emergono nel tempo.
Use case e output
Quando si porta l’AI in azienda è importante che si lavori su reali bisogni. Si definiscono, così, quelli che in gergo informatico si chiamano use case. Un esempio di use case può essere la
generazione automatica di report a partire da dati in un foglio di calcolo.
Per esempio, un’azienda di consulenza riceve mensilmente un file excel contenente i dati di performance delle sue attività per diversi clienti. Il file include diverse metriche come fatturato, numero di progetti completati, ore fatturabili e feedback dei clienti. Il responsabile delle operazioni deve trasformare queste informazioni in un report mensile standard da presentare alla direzione e ai clienti principali.
Attualmente, questa attività richiede 6-8 ore di lavoro manuale per aggregare, analizzare e formattare i dati. L’obiettivo è ridurre il tempo necessario, mantenendo un alto livello di precisione e personalizzazione.
A questo punto si lavora per progettare il prototipo di un’assistente di AI personalizzato (si può fare, per esempio, con i GPT personalizzati dentro ChatGPT o con gli agenti di Claude) che assisterà in questi compiti:
- analizzare automaticamente i dati del file Excel, dopo spiegazione del file
- generazione di report
- sintesi narrativa
- personalizzazione dei commenti e risposte a domande in linguaggio naturale sui dati
È importante dedicare del tempo alla progettazione e allo sviluppo dell’assistente personalizzato. Una volta pronto, andrà testato e si dovranno poi raccogliere i commenti di chi l’ha usato per migliorarlo.
Alla fine del processo, se fatto correttamente dall’inizio alla fine e con rigoroso controllo umano, il lavoro verrà svolto in meno tempo, con riduzione degli errori.
Un esempio live
Grazie allo spunto del giornalista Riccardo Saporiti ho progettato personalmente un GPT personalizzato su ChatGPT per assistere redazioni e giornalisti a compilare le richieste di documenti alla pubblica amministrazione. Ho spacchettato il compito che deve fare l’assistente (per esempio, capire quale modulo compulare); ho inserito nella knowledge base del GPT le norme che regolano queste richieste in Italia. Poi ho condiviso il chatbot con alcune persone che hanno iniziato a testarlo. Ho anche realizzato un sondaggio da compilare per ricevere feedback e migliorare il GPT prima di rilasciarlo per l’uso. Attualmente è in alpha testing e non è ancora raccomandato utilizzarlo. Tuttavia, credo sia utile vedere come funziona e com’è fatto il form per testarlo: si trova qui e il form per testarlo è questo.
In questo caso il bot verrà reso disponibile a tutti una volta pronto per l’uso e sicuro, ma le aziende possono fare procedimenti analoghi, guidati da professionisti consapevoli di questi percorsi, e condividere chatbot o assistenti o agenti solo all’interno degli spazi di lavoro aziendali.
Gli errori da evitare
Spesso, nell’adozione dell’IA, le aziende cadono in alcuni errori comuni:
- obiettivi poco chiari: implementare l’IA senza un piano strategico e senza un ascolto dei bisogni porta a soluzioni inutili e costose e a una formazione spesso priva di utilità pratica;
- ricerca dell’automazione totale: tentare di automatizzare ogni processo può essere controproducente, soprattutto per le attività che richiedono empatia o creatività;
- ricerca della precisione assoluta: gli llm non azzereranno mai gli errori;
- mancanza di formazione mirata: senza competenze adeguate, prima di tutto culturali, gli strumenti di AI rimangono sottoutilizzati o, peggio, mal gestiti;
- ossessione per la produttività: se ci si concentra sulla produttività e si pensa di liberare il tempo delle persone per farle lavorare di più e metterle sotto stress si perderanno tutti i vantaggi di queste macchine;
- tagli indiscriminati: l’essere umano al centro, lo human-in-the-loop è fondamentale. Le macchine servono per fare meglio, non per eliminare le persone che lavorano (a questo proposito, i posti di lavoro a rischio richiederebbero valutazioni politiche rispetto agli ammortizzatori sociali di cui dotarsi, ma non è questa la sede per approfondire anche se non si può non citare la cosa).
Se si commettono questi errori si finirà per pensare che le AI semplicemente non funzionino oppure per mortificare il lavoro umano. Evitarli significa, invece, considerare l’AI non come una soluzione miracolosa, ma come uno strumento per valorizzare le competenze umane, per liberare il tempo e per fare meglio con meno sforzo.
