La Direttrice della Gestione dei Programmi Tecnologici afferma che l’IA senza sufficiente contesto può portare a decisioni pericolose
Scopri come una responsabile di programmi tecnologici utilizza l’IA per ridurre la burocrazia nei report, individuare rischi di consegna e aiutare i team a concentrarsi sulle decisioni anziché sull’amministrazione.
Anika Banakh
Direttrice della Gestione dei Programmi Tecnologici presso ACV Auctions
Leadership centrata sull’essere umano: Anika sottolinea che una corretta adozione dell’IA inizia dando potere ai team, non solo con la tecnologia.
Incrementi di efficienza: Gli strumenti di IA hanno snellito le attività ripetitive, migliorando l’efficienza nella reportistica e la visibilità della consegna tra i team.
Prevenire l’eccessiva dipendenza: L’intervento umano è essenziale per interpretare correttamente i risultati dell’IA e garantire che il contesto aziendale sia mantenuto.
Semplificare i flussi di lavoro: Una sovra-progettazione può oscurare la chiarezza; concentrarsi sulle decisioni di maggior valore facilita una più rapida adozione degli strumenti di IA.
La titolarità è importante: Una chiara proprietà delle decisioni migliora l’integrazione dell’IA e aiuta le organizzazioni a evitare confusione e a ottenere risultati migliori.
Anika Banakh è la Direttrice del Program Management Tecnologico presso ACV Auctions. Ha guidato numerosi team di delivery distribuiti a livello globale e cross-funzionali. Oggi si concentra sull'adozione dell'IA in modo non invasivo, rendendo allo stesso tempo la delivery più efficace.
Abbiamo raggiunto Anika per capire come sta implementando l’IA nei suoi flussi di lavoro di delivery. Ecco cosa ci ha raccontato.
Leadership IA centrata sull'essere umano
Sono una canadese di origine ucraina che porta a termine i progetti. La maggior parte delle persone pensa che il mio percorso verso la trasformazione guidata dall’IA sia iniziato con la tecnologia, ma in realtà è partito dalle persone — dal reclutamento dei talenti, dalla costruzione di fiducia tra team globali e dall'apprendimento sul comportamento delle organizzazioni sotto pressione.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Ho guidato diversi team di delivery distribuiti a livello globale e cross-funzionali, supportando iniziative di trasformazione digitale e operativa su scala enterprise. Le dimensioni dei team variavano da sei persone a qualche migliaio. La maggior parte di queste organizzazioni si muoveva rapidamente — adottando la delivery agile tra prodotto, ingegneria, operation e stakeholder di business, gestendo integrazioni complesse, rapida scalabilità e lavori su piattaforme guidate dai dati per clienti che spaziano tra concessionari auto, banche, rivenditori, organizzazioni non profit e multinazionali.
Condurre la delivery in realtà diverse mi ha insegnato che la più grande barriera all’innovazione raramente è la tecnologia, ma piuttosto se le persone si sentono realmente capaci di cambiare il loro modo di lavorare. Ecco perché il mio approccio alla leadership nella IA è fuori dagli schemi: il futuro della delivery non sarà di chi automatizza di più, ma di chi riuscirà a rendere l'IA profondamente umana, collaborativa ed energizzante dal punto di vista creativo per i team che la usano ogni giorno.
Come gli strumenti di IA aumentano l'efficienza sul lavoro
Nell’ultimo anno ho sostituito i compiti più ripetitivi e prevedibili del processo di delivery, liberando così tempo per il vero lavoro — principalmente incorporando sintesi e prioritizzazione guidate dall'IA nei processi di reportistica di stato, tracciamento delle dipendenze e comunicazione con gli stakeholder.
Come risultato dell'IA, ho osservato maggiore efficienza nei report, visibilità sulle consegne e identificazione dei rischi tra team distribuiti, riducendo al contempo lo sforzo di coordinamento manuale e migliorando la prevedibilità dell'esecuzione.
Come risultato dell'IA, ho osservato maggiore efficienza nei report, visibilità sulle consegne e identificazione dei rischi tra team distribuiti.
Tuttavia, se posso fare affidamento sull’IA per accelerare le attività di delivery data-intensive come insight di prioritizzazione, sintesi dello stato, identificazione dei pattern di rischio, tracciamento delle dipendenze e reportistica operativa, non posso farlo per ogni cosa.
Le decisioni che coinvolgono allineamento degli stakeholder, dinamiche di team, cambiamento organizzativo, risoluzione dei conflitti e scelte strategiche rimangono intenzionalmente guidate dalle persone. Perché una delivery di successo richiede ancora fiducia, contesto, empatia e giudizio che l’IA non può replicare pienamente.
Perché gli output dell'IA richiedono intervento umano
Infatti, la mia sfida più grande è stata evitare che i team si affidassero eccessivamente agli output automatizzati senza applicare il contesto aziendale. Per evitarlo, ho messo in discussione i loro risultati e sottolineato l’importanza dell’esperienza diretta con il prodotto e il business. È qui che sta la differenza tra buono ed eccellente.
L’intervento umano è fondamentale sia nella richiesta che nell’interpretazione. Serve una richiesta strutturata e corretta nel contesto di correlazione-causalità e una profonda comprensione dei processi e delle leve per interpretare gli output.
Ad esempio, un tool può segnalare che una consegna è a rischio, ma la causa potrebbe essere che l’ingegnere ha un figlio malato; quindi è necessario andare in profondità per comprendere la logica dietro i dati e la persona dietro il compito.
La mia sfida più grande è stata evitare che i team si affidassero eccessivamente agli output automatizzati senza applicare il contesto aziendale. L’intervento umano è fondamentale sia nell’indirizzare che nell’interpretare.
Come l'eccessiva ingegnerizzazione danneggia i flussi di lavoro
Per quanto riguarda gli strumenti, attualmente utilizziamo Omni per le dashboard, Rovo su Jira per la gestione ingegneristica e una chat AI interna per aggiornamenti e sintesi del team.
All'inizio, avremmo potuto evitare di complicare eccessivamente il flusso di lavoro inserendo troppi segnali e dashboard. Ha generato più complessità interpretativa che chiarezza. Un caso d'uso più semplice e mirato — focalizzato su una o due decisioni ad alto valore — avrebbe favorito un'adozione più rapida e meno scetticismo da parte dei team.
Perché l'AI fallisce nel migliorare la velocità decisionale
L'AI non ha prodotto l'impatto atteso di migliorare l'allineamento tra team e la velocità delle decisioni semplicemente aggiungendo più insight automatizzati e dashboard.
Sì, l'AI ha migliorato la visibilità, ma non ha ridotto l'ambiguità né risolto le priorità in conflitto — in alcuni casi ha amplificato il rumore, con diversi team che interpretavano gli stessi output in modo differente.
L'AI ha migliorato la visibilità, ma non ha ridotto l'ambiguità né risolto priorità in conflitto — in alcuni casi ha amplificato il rumore.
Prendiamo una dashboard come esempio. Ogni team si concentra sui propri KPI ed esigenze aziendali, per cui può utilizzare gli strumenti per generare output che soddisfino i propri obiettivi chiave. Creare coesione in questo caos è fondamentale, dato l'impatto su tutti i team.
Perché una pianificazione migliore non porta necessariamente a risultati migliori
L'AI mi ha fatto abbandonare l’idea che una migliore pianificazione porti automaticamente a risultati migliori nella delivery. Anche piani molto dettagliati diventano meno predittivi quando l'AI fa emergere la reale velocità del cambiamento e modifica in tempo reale le priorità e la volatilità delle dipendenze.
Ripianificare continuamente sulla base di segnali live, invece di cercare certezze anticipate, ha portato a risultati migliori. La delivery non era più basata sul realizzare il piano perfetto, ma sull'adattarlo rapidamente.
Il nostro flusso di lavoro per la delivery potenziato dall'AI acquisisce le attività e gli aggiornamenti dei team, dove l'AI raggruppa i temi, segnala rischi e riassume automaticamente i progressi tra gli squad. Questi insight alimentano una sessione di prioritizzazione guidata dall'uomo, durante la quale le decisioni diventano piani di sprint. Durante l'esecuzione, l'AI segnala costantemente deviazioni e problematiche emergenti.
L'effetto netto è stato meno tempo speso a riportare dati e più tempo per risolvere i problemi di delivery.
Perché la reportistica sullo stato va riprogettata con l’AI
Un ambito che più responsabili della delivery dovrebbero ripensare attivamente è la reportistica dello stato e la governance della delivery — è ancora una delle attività più manuali, a basso valore e soggette a distorsione nella maggior parte delle organizzazioni.
Sto lavorando alla sostituzione dei tradizionali status deck e delle raccolte manuali con un flusso di lavoro arricchito dall’AI che sintetizza costantemente gli aggiornamenti dagli strumenti di delivery, segnala rischi e genera sintesi concise “pronte per la decisione” destinate al management. Il cambiamento non ha portato solo efficienza: ha modificato la natura delle conversazioni di governance da “qual è lo stato?” a “quali decisioni dobbiamo prendere ora?”.
Il risultato è stato meno tempo dedicato a compilare aggiornamenti e più tempo per risolvere i veri vincoli di delivery, con un'escalation più rapida dei veri rischi—but only after we tightened decision ownership so AI outputs didn’t become another layer of interpretation.
Perché una proprietà chiara è la vera chiave di svolta con l’IA
Ecco il mio consiglio:
Non confondere più output dell’IA con decisioni migliori; offre solo più spunti su cui essere in disaccordo. La vera svolta è una proprietà chiara. L’IA suggerisce, gli umani decidono, niente drammi da comitati.
Tieni anche questo a mente. Se l’adozione sembra lenta, di solito non è il modello — sono le persone che la ignorano educatamente.
Segui gli aggiornamenti
Puoi seguire il lavoro di Anika Banakh su LinkedIn.
Altre interviste con esperti in arrivo su The Digital Project Manager.
