Il Responsabile Principale dell’Ingegneria afferma che i responsabili della delivery devono adottare sistemi in tempo reale e orientati ai segnali
Un Principal Engineering Manager di Microsoft condivide come l’IA stia trasformando la consegna dei progetti dal coordinamento manuale all'orchestrazione intelligente — e i sistemi orientati ai segnali che i suoi team utilizzano per restare all’avanguardia.
Chandrasekar Srinivasan
Principal Engineering Manager
Chiarezza Tecnica: Chandrasekar Srinivasan sottolinea la necessità di una direzione architetturale chiara nella consegna dei progetti.
Trasformazione IA: L’IA sposta la gestione dei progetti dal coordinamento all’orchestrazione, aumentando l’efficienza senza eliminare i ruoli umani.
Gestione delle Dipendenze: La sintesi assistita dall’IA migliora la visibilità e le decisioni consolidando lo stato dei progetti e le dipendenze.
Flussi di lavoro agentici: L’esplorazione dei flussi di lavoro agentici migliora il rilevamento dei rischi e il monitoraggio dei progetti tra più team, facilitando la collaborazione.
Fiducia nell’IA: Stabilire fiducia nei risultati dell’IA è fondamentale per l’adozione; i team devono dare priorità a affidabilità e trasparenza.
Chandrasekar Srinivasan è un Principal Engineering Manager presso Microsoft. Con oltre 15 anni di esperienza in sistemi distribuiti, cloud e IA, ha guidato iniziative di piattaforma sia in fase iniziale che su scala iper estesa.
Ci siamo seduti con lui per avere uno sguardo dall’interno su come sta ripensando la consegna dei progetti in un ambiente nativo per l’IA. Ecco cosa ci ha raccontato.
Chiarezza tecnica e allineamento esecutivo
Sono Chandrasekar Srinivasan, Principal Engineering Manager presso Microsoft. Guida grandi team che costruiscono piattaforme cloud di classe Tier-0 su vasta scala e ho oltre 15 anni di esperienza in sistemi distribuiti, cloud e IA. Nel corso della mia carriera, ho guidato iniziative di piattaforma sia 0→1 che 1→100 attraverso sistemi di controllo e di dati, concentrandomi su affidabilità, scalabilità, sicurezza, conformità ed esecuzione trasversale tra organizzazioni.
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
Nella consegna dei progetti, creo chiarezza tecnica e allineamento esecutivo. Questo include stabilire la direzione architetturale, risolvere ambiguità, sbloccare i team, guidare l’allineamento tra organizzazioni partner, segnalare tempestivamente i rischi, sostenere gli impegni presi con i clienti e costruire il team (assumere/crescere) per consegnare con successo.
Perché l’IA trasforma la consegna dei progetti da coordinamento a orchestrazione
L’IA sta diventando parte integrante di quasi ogni aspetto della consegna dei progetti. Non sostituisce la leadership o il giudizio ingegneristico, ma riduce significativamente il lavoro manuale nell’esecuzione. Sta cambiando radicalmente la gestione dei progetti da coordinamento a orchestrazione.
L’IA sta cambiando radicalmente la gestione dei progetti da coordinamento a orchestrazione.
I miei team utilizzano la programmazione assistita dall’IA e la revisione del codice per accelerare lo sviluppo, chatbot semantici per ridurre il carico di supporto e la sintesi basata sull’IA per riassumere le comunicazioni tra riunioni, thread e documenti. Utilizziamo anche l’IA per velocizzare la documentazione tecnica e migliorare la visibilità tramite dashboard automatizzate che evidenziano ritardi e rischi di esecuzione.
Di conseguenza, ora dedico meno tempo alla sintesi manuale, alla documentazione ripetitiva e al coordinamento di routine. Posso dedicare più tempo ad attività di maggior valore: prendere decisioni architetturali, gestire dipendenze tra team, affrontare l’ambiguità, migliorare la prioritizzazione e aiutare i team a concentrarsi sui rischi critici per la consegna.
Come gli approcci guidati dall’IA gestiscono le dipendenze tra team
Nel nostro ambiente, le dipendenze coinvolgono dozzine di team e gli aggiornamenti si distribuiscono naturalmente tra sistemi di progetto, thread di comunicazione e flussi di lavoro ingegneristici. Tradizionalmente, mettere insieme tutte queste informazioni richiedeva notevole sforzo manuale e spesso identificavamo i rischi più tardi di quanto avremmo voluto.
Abbiamo introdotto una versione V1 leggera che ha riunito un set mirato di segnali da questi sistemi — dati di monitoraggio progetto, aggiornamenti dei team e artefatti comunicativi — e abbiamo utilizzato la sintesi assistita dall’IA per generare una vista consolidata dello stato del progetto e delle sue dipendenze. Abbiamo iniziato a vedere questo approccio come un passaggio verso un modello di delivery basato sui segnali, dove segnali in costante evoluzione guidano le decisioni invece dei report periodici sullo stato.
Stiamo passando a un modello di delivery orientato ai segnali, dove segnali in continua evoluzione guidano le decisioni invece che rapporti periodici sullo stato di avanzamento.
Questo approccio ha già permesso al team di passare dal dedicare tempo alla raccolta di aggiornamenti ad agire su di essi. Ancora più importante, siamo ora sul percorso di trasformare questa funzionalità in un prodotto, integrandola più profondamente nei nostri sistemi di delivery affinché diventi una parte standard di come gestiamo la visibilità dei progetti e il monitoraggio dell’esecuzione, invece di un flusso di lavoro parallelo. La lezione chiave per noi è stata che il valore non sta nell’automatizzare completamente la delivery, ma nel creare un sistema che migliori continuamente la visibilità e il processo decisionale su larga scala.
Come l’IA supporta l’automazione e dove prevale ancora il giudizio umano
Le aree più pronte a ricevere supporto dall’intelligenza artificiale sono la sintesi degli stati di avanzamento, il monitoraggio delle dipendenze, l’identificazione dei rischi, la documentazione, la comunicazione di routine, il design, la scrittura del codice e le revisioni dello stesso. L’IA può aiutare attingendo informazioni tra sistemi diversi, riassumendo ciò che è stato modificato, individuando potenziali blocchi, mettendo in evidenza gap di esecuzione e suggerendo azioni successive.
Detto ciò, nessuna di queste aree risulta realmente “completamente automatizzabile” in un contesto di delivery significativo. Il giudizio umano resta essenziale per la definizione delle priorità, le decisioni di compromesso, l’allineamento organizzativo, la risoluzione dei conflitti, la direzione architetturale e la leadership delle persone. Il miglior uso che si può fare dell’IA oggi non è togliere gli esseri umani dal processo, ma ridurre il peso operativo per consentire a ingegneri e leader di concentrarsi sulle decisioni a maggior valore aggiunto.
Il miglior uso dell’IA non è togliere gli umani dal processo, ma ridurre il peso operativo così che i leader possano concentrarsi sulle decisioni a maggior valore aggiunto.
I cambiamenti nel nostro stack ci hanno portato da artefatti statici e mantenuti manualmente a flussi di lavoro assistiti dall’IA e basati su interrogazioni, che permettono di ricavare insight più rapidamente e di ridurre le attività manuali superflue.
Il panorama degli strumenti cambia sorprendentemente rapidamente. Ciò che oggi sembra avanzato può diventare la norma in poco tempo. Il nostro stack include sempre più strumenti di intelligenza artificiale come:
- GitHub Copilot — Lo utilizziamo per accelerare lo sviluppo, suggerimenti di codice, tracciamento dei progetti e migliorare la produttività degli sviluppatori durante l’implementazione. Il supporto per le revisioni automatiche del codice si è rivelato particolarmente prezioso e, in molti casi, ancora sottovalutato. Consente agli ingegneri di rilevare problemi prima, migliorare la qualità del codice e avanzare più rapidamente senza richiedere lo stesso livello di revisione manuale per ogni modifica di routine.
L’impatto maggiore si è visto nella velocità di iterazione più elevata e nella riduzione dello sforzo per le revisioni, pur permettendo ai professionisti di concentrarsi su aspetti di design e correttezza più approfonditi. - Azure Copilot / assistenti IA — Li utilizziamo per la documentazione tecnica, la sintesi dei contenuti, la ricerca nelle basi di conoscenza e i flussi di supporto.
- Strumenti di reportistica basati su query — Li usiamo per monitorare lo stato di salute dei progetti, i ritardi nell’esecuzione e lo stato delle dipendenze.
Come i workflow agentici migliorano la tracciabilità dei progetti e la rilevazione dei rischi
Stiamo esplorando workflow agentici per il tracciamento dei progetti, la gestione delle dipendenze e la rilevazione dei rischi di esecuzione. Si tratta di aree a forte valore aggiunto perché comportano una grande quantità di informazioni frammentate e un elevato seguito manuale, specie coordinando molti team.
Alcuni casi d'uso prevedono la rilevazione automatica dei ritardi di progetto, l’identificazione di mancanze nelle dipendenze e il monitoraggio del fatto che tutti i team coinvolti abbiano preso visione delle azioni o degli impegni necessari. In ambienti di grandi dimensioni con oltre 100 team, questa funzione diventa estremamente preziosa.
Come i sistemi snelli sostituiscono dashboard di progetto obsolete
La maggior parte dei cruscotti di progetto oggi è già obsoleta — semplicemente non sono ancora stati sostituiti. Ci stiamo allontanando da sistemi di project management pesantemente basati su interfacce grafiche e curati manualmente per avvicinarci a flussi di lavoro più leggeri e guidati da query.
La maggior parte dei cruscotti di progetto oggi è già obsoleta — semplicemente non sono ancora stati sostituiti.
Il cambiamento ora considera i dati di progetto come qualcosa con cui i team possono interrogare e interagire in modo dinamico — più simile a un modello a CLI o guidato da prompt. Invece di navigare tra più cruscotti o aggiornare documenti di stato statici, i team possono porre domande mirate come:
- “Quali sono le principali dipendenze in ritardo questa settimana?”
- “Quali team non hanno ancora riconosciuto le azioni critiche?”
- “Dove rischiamo di mancare le milestone?”
La combinazione di quello strato prevedibile di dati strutturati di progetto con uno strato probabilistico di intelligenza artificiale generativa rende possibile questo cambiamento, interpretando quei segnali nel contesto—collegando aggiornamenti tra sistemi, identificando schemi e facendo emergere intuizioni che non sarebbero evidenti da una singola fonte.
Perché i dati di project management devono essere separati dai dati core di progetto con l'evoluzione dei sistemi di intelligenza artificiale
Con l'evoluzione dei sistemi, dobbiamo anche separare i dati di project management (come stato, priorità, ecc.) dai dati core di progetto, ponendo chiari limiti per le informazioni sensibili. Questo garantisce che lo strato prevedibile resti affidabile e sicuro, mentre lo strato probabilistico può operare al livello di astrazione corretto senza esporre dettagli riservati. La separazione dei dati di project management dai dati core rende l’AI utilizzabile negli ambienti aziendali.
Con l’evoluzione dei sistemi, dobbiamo separare i dati di project management dai dati core di progetto per rendere l’AI utilizzabile negli ambienti aziendali.
Man mano che la qualità della distribuzione di probabilità migliora, questo strato filtra meglio il rumore e riduce le allucinazioni, fondamentale per costruire fiducia in questi sistemi. La differenza tra rumore e intuizione sta nella qualità delle probabilità. In pratica, ciò riduce la necessità di curare manualmente lo stato e sposta lo sforzo verso il processo decisionale. I team passano meno tempo ad aggiornare interfacce grafiche e più tempo a interagire con dati reali tramite query o prompt.
Il risultato è una riduzione dell’onere di reporting, maggiore rapidità nel rilevare i rischi esecutivi e un modo più dinamico di gestire la delivery — in cui il sistema riflette continuamente la realtà invece di basarsi su istantanee aggiornate periodicamente.
Come il supporto dell’AI consente agli ingegneri junior di affrontare compiti più complessi prima
Con il supporto dell’intelligenza artificiale, posso assegnare compiti più complessi agli ingegneri junior già nelle fasi iniziali della loro carriera. La combinazione di guida assistita dall’AI e validazione strutturata consente loro di operare su una scala più ampia, mantenendo comunque la qualità. Questo non solo accelera l’esecuzione, ma migliora anche sensibilmente la velocità di apprendimento e la crescita del team. L’AI sta comprimendo la curva di esperienza — gli ingegneri possono affrontare oggi attività che prima sarebbero spettate al futuro.
Con il supporto dell’IA, gli ingegneri junior possono affrontare compiti più complessi prima, comprimendo la curva di esperienza.
L’allineamento del team migliora quando l’IA può riassumere le discussioni ed evidenziare le decisioni ancora non prese. La validazione diventa più efficiente quando l’IA aiuta con la revisione del codice, la revisione della documentazione e la tracciabilità. Detto ciò, i fondamentali restano importanti. L’ambito necessita ancora di una chiara assegnazione di responsabilità. L’allineamento richiede comunque vere decisioni. La validazione ha ancora bisogno del rigore ingegneristico.
Perché adottare l’IA significa instaurare fiducia e bilanciare le tensioni
Adottare l’IA a volte significa che si crea tensione tra personalizzazione e standardizzazione. I team desiderano flussi di lavoro su misura per le loro necessità, ma su larga scala la leadership necessita anche di coerenza nel misurare e agire sui segnali di consegna. Bilanciare questi due aspetti è stata una delle lezioni più interessanti per me.
Oltre alla capacità di bilanciare le tensioni, un team che vuole adottare l’IA deve lavorare sull’instaurare la fiducia. La mancanza di fiducia rappresenta la principale barriera all’adozione dell’IA. I team utilizzeranno l’IA solo se i risultati saranno sufficientemente accurati, spiegabili e integrati nel loro flusso di lavoro per risparmiare tempo invece di generare ulteriore lavoro di verifica.
Nel lungo periodo, vinceranno i team che tratteranno l’IA non solo come un strumento di produttività, ma come un sistema che deve guadagnarsi la fiducia attraverso affidabilità, trasparenza e valore costante.
Vuoi altri approfondimenti come questi? Registrati per un account DPM gratuito per ascoltare altri esperti come questi.
