L’esperto di innovazione nella consegna spiega le condizioni necessarie per una riuscita integrazione dell’IA
Michael Housman è il fondatore di AI-ccelerator e autore di Future Proof: Trasforma la tua azienda con l’IA (o rimani indietro). In poche parole, il suo lavoro consiste nel mettere in discussione i metodi tradizionali di gestione dei progetti e modernizzare la consegna dei progetti nelle organizzazioni. Lo fa formando i leader di progetto, ripensando i processi e integrando l’IA nei flussi di lavoro.
Michael Housman
Fondatore e CEO di Aiccelerator
Iterazione rapida batte pianificazione rigida nell’era dell’IA: Michael sostiene che la gestione tradizionale dei progetti fallisce in ambienti ad alta velocità. La realizzazione con IA richiede abitudini brevi e ripetibili — scansioni settimanali, revisioni mensili e micro-esperimenti quotidiani — invece di lunghi percorsi. I team che hanno successo costruiscono un ritmo di test, aggiustamenti e apprendimento continui.
Il cambiamento culturale conta più degli strumenti: L’adozione dell’IA fallisce quando le organizzazioni la trattano come qualcosa da aggiungere dall’esterno. Michael sottolinea il design incentrato sull’uomo, le abitudini e i rituali: formazione guidata dai colleghi, celebrazione di successi condivisi, librerie di prompt e piccoli esperimenti nei flussi di lavoro. La vera trasformazione nasce dal cambiamento dei comportamenti, non dall’implementazione di nuovo software.
L’IA sta diventando un collaboratore, non solo uno strumento: Il futuro della consegna è la collaborazione uomo–IA. L’IA si occupa di ricerca, sintesi, analisi, redazione e compiti ripetitivi, mentre gli esseri umani si concentrano su strategia, giudizio, creatività e allineamento. I project manager si spostano dai compiti amministrativi verso l’orchestrazione e la leadership strategica — con l’IA che accorcia le distanze tra dati e intuizioni.
Abbiamo incontrato Michael per capire cosa serve per modernizzare con successo i sistemi di delivery con l’IA. Ci ha detto che tutto ruota intorno alla coltivazione di una rapida iterazione — più facile a dirsi che a farsi.
Aiutare i team a rendere l’IA un partner affidabile
Guido AI-ccelerator, dove il mio team ed io aiutiamo le organizzazioni a modernizzare i loro sistemi di delivery integrando l’IA direttamente nei loro flussi di lavoro.
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
Il mio background spazia dalla data science all’economia comportamentale e all’implementazione su larga scala di IA, ma la maggior parte del mio lavoro oggi si concentra sull’aiutare le aziende a ripensare il modo in cui il lavoro viene svolto in un mondo in cui l’intelligenza stessa è scalabile. Invece di trattare l’IA come uno strumento aggiuntivo, aiuto i team a riprogettare i processi affinché gli esseri umani possano concentrarsi su creatività, giudizio e strategia — mentre le macchine gestiscono il lavoro ripetitivo e dispendioso in termini di tempo relativo alle analisi di progetto.
In termini pratici, ciò significa che trascorro gran parte del mio tempo guidando i team tramite la definizione della roadmap IA, l’ideazione di framework sperimentali, la strategia di adozione e lo sviluppo di capacità su larga scala. Sia che aiuti un team marketing a lanciare campagne più velocemente o formi analisti a prendere decisioni migliori e più rapide, il mio ruolo nella consegna di progetti è rendere l’IA un compagno affidabile piuttosto che uno sconosciuto intimidatorio.
Perché l’adozione dell’IA fallisce senza cambiamento culturale e progettazione centrata sull’uomo
L’IA ha trasformato il mio ruolo da “costruttore di soluzioni” ad “architetto di capacità”. Passo meno tempo su analisi manuali, ricerche o creazione di contenuti perché ora l’IA può gestire gran parte del lavoro più impegnativo a velocità e scala. Al contrario, mi concentro sulla progettazione dei sistemi, l’impostazione dei confini e l’aiuto alle squadre nella costruzione delle abitudini necessarie per integrare realmente l’IA in modo da cambiare gli esiti.
L’ambito che è cresciuto di più è quello dell’orchestrazione: scegliere dove l’IA si inserisce, assicurarsi che le persone rimangano coinvolte dove è importante e ottimizzare costantemente i flussi di lavoro. L’IA riduce il tempo tra insight e decisione, quindi il mio ruolo è sempre più legato a sequenziamento, allineamento e aiutare i team a “cavalcare l’onda” invece di esserne travolti.
Alla fine, la tecnologia è la parte semplice; sono le persone la vera sfida. Per questo motivo, una grossa parte della mia attenzione è rivolta a formare i leader, favorire l’adozione e riprogettare i rituali affinché i team possano lavorare in modi nuovi.
Come creare le condizioni per una rapida iterazione
In un ambiente esponenziale, la leadership nella delivery diventa meno una questione di controllo del piano e più la capacità di creare le condizioni in cui la rapida iterazione non solo sia possibile, ma anche attesa. E creare queste condizioni significa creare un ritmo operativo ripetibile.
Con i clienti, iniziamo mappando un singolo flusso di lavoro dall’inizio alla fine e avviando quello che chiamo un “censimento IA”: dove le persone fanno attività di supporto decisionale manuali che oggi l’IA potrebbe realisticamente facilitare? Da lì, definiamo uno o due esperimenti a basso rischio ma ad alto impatto — ad esempio accelerare la sintesi della ricerca, la generazione di campagne o le analisi — assegnando loro responsabili chiari, una metrica semplice di successo e un ciclo di feedback serrato. Poi aggiungiamo rituali leggeri: scan settimanali degli orizzonti per vedere cosa è cambiato, revisioni mensili per decidere quali esperimenti approfondire, e il “remare ogni giorno”. In altre parole, piccoli usi concreti dell’IA nel lavoro reale affinché diventi un’abitudine, non un progetto a parte.
Ecco un esempio concreto: ho lavorato con un gruppo di analisti scettici in una grande azienda del settore life sciences incaricata di decisioni critiche su mercato e pipeline. Invece di imporre l’“uso dell’IA”, abbiamo iniziato mappando come realizzavano una specifica consegna, poi usato Gemini per automatizzare solo le parti più tediose — analisi dei dati di mercato, sintesi delle informazioni sulla concorrenza, e simulazione di scenari.
Li abbiamo formati con un modello “guarda-fai-insegna”: prima dimostrazioni dal vivo sui loro flussi di lavoro reali, poi esercitazioni pratiche in scenari a basso rischio, quindi il passaggio all’insegnamento tra colleghi. E abbiamo istituzionalizzato piccoli rituali che premiavano i progressi — presentazioni settimanali, librerie di prompt, condivisione dei successi.
In quattro mesi, l’utilizzo quotidiano dell’IA tra gli analisti formati è passato dal 16% all’83% e l’adozione dipartimentale è cresciuta dal 31% al 100%. La tecnologia è stata importante, ma la vera svolta è stata quel ritmo di piccoli esperimenti a portata limitata, unito a rituali ricorrenti e formazione tra pari che ha reso la rapida iterazione sicura, normale e attesa.
In un ambiente esponenziale, la leadership nella delivery riguarda meno il controllo del piano e più la creazione delle condizioni in cui l’iterazione rapida non solo è possibile, ma attesa.
Come passare a una delivery leggera abilitata dall’IA
La gestione dei progetti tradizionale si basa su una pianificazione pesante a monte e su strutture rigide che si inceppano in ambienti dinamici.
Sostengo che l’IA richieda un passaggio da roadmap quinquennali ad abitudini brevi e ripetibili: analisi settimanali degli scenari, revisioni mensili del posizionamento e micro-esperimenti quotidiani. L’evoluzione dell’IA è troppo rapida per il modello a cascata. Invece di “pianificare > costruire > lanciare”, la delivery moderna assomiglia di più a “esplorare > testare > adattare”.
I sistemi leggeri danno priorità all’allineamento in tempo reale tramite riepiloghi generati dall’IA utilizzando software per prendere appunti, snapshot istantanei sui progressi e documentazione automatica. I team impiegano meno tempo ad aggiornare artefatti e più tempo nell’iterare sugli esiti. Diamo priorità ai prototipi funzionanti rispetto ai piani teorici e utilizziamo l’IA per comprimere i tempi di ciclo, imparando così più velocemente della concorrenza. Il risultato è un ritmo di delivery che assomiglia più al surf: movimento costante, continui aggiustamenti e opportunità continue.
Quando ci siamo allontanati dalla gestione dei progetti tradizionale verso sistemi più leggeri e abilitati dall’IA, lo abbiamo fatto integrando intenzionalmente questi strumenti nei workflow esistenti invece di sostituire tutto in blocco. ChatGPT è diventato il fulcro multiuso — scrivendo scope, generando briefing, chiarendo requisiti e producendo snapshot dei progetti. Gemini si occupava di ricerche più approfondite come analisi della concorrenza e sintesi tecnica.
Per i team creativi, Flux Replicate permetteva una generazione rapida di immagini, RunwayML gestiva le trasformazioni da immagine a video, e Suno/ElevenLabs fornivano asset audio immediati. Sul fronte automazione, Atlas e Lindy venivano utilizzati per prototipare workflow a base di agenti, aiutandoci ad automatizzare passaggi come il reperimento di materiali di riferimento, la riscrittura di output per diversi stakeholder o la generazione di task list dai documenti di progetto. Infine, strumenti come Claude e Manus hanno velocizzato lo sviluppo del codice e dei prototipi.
La transizione ha seguito uno schema semplice e ripetibile di cui ho parlato sopra:
- Mappa un singolo workflow dall’inizio alla fine.
- Individua quali passaggi possono essere delegati a quali strumenti.
- Fornisci ai team una raccolta di prompt di partenza.
- Effettua una sessione pratica dal vivo su un lavoro reale, in cui i membri del team completano l’intero workflow usando la nuova toolchain.
- Istituzionalizza piccoli rituali che premiano i progressi.
Come gestire la complessità organizzativa e favorire l’adozione dell’IA su larga scala
Ecco un altro esempio. Ho collaborato con un’azienda di integratori per animali domestici in forte crescita il cui team marketing faticava a tenere il passo con la domanda. Lanciavano circa 500 campagne al mese e ogni asset richiedeva designer, copywriter e iterazioni manuali. Quando l’IA generativa è diventata mainstream alla fine del 2022, abbiamo introdotto strumenti come Midjourney e formato il team per integrarli direttamente nella pipeline delle campagne.
Con solo piccoli cambiamenti di processo e pratica diretta, il loro tempo di produzione è passato da 45 minuti per annuncio a 5 minuti: un miglioramento di quasi il 900%! Ciò ha sbloccato una crescita esponenziale: 2.300 campagne mensili, tassi di conversione più alti e, in definitiva, una crescita dei ricavi del 50% anno su anno.
I cambiamenti di processo sono stati volutamente piccoli ma ad alto impatto. Il percorso seguito è stato quello descritto sopra.
Siamo partiti isolando un singolo workflow — la produzione di annunci social a pagamento — e suddividendolo nei suoi passaggi: ideazione, copywriting, generazione visiva, formattazione asset, QA e upload. Invece di riprogettare l’intera pipeline, abbiamo sostituito solo due passaggi: ideazione iniziale e prima creazione visiva. Abbiamo introdotto prompt Midjourney creati ad hoc per ogni linea di prodotto, template di prompt per i copy all’interno di ChatGPT, e progettato un breve albero decisionale affinché i creator sapessero esattamente quando usare l’IA e quando rifinire manualmente.
Il team ha poi messo in pratica questo modello in un ambiente controllato: un annuncio, un asset, un prompt alla volta. Una volta constatata la riduzione dei tempi — da 45 minuti a circa 5 — l’adozione è seguita spontaneamente. Gli output reali creano fiducia molto più rapidamente della formazione teorica.
Come l’IA cambia il punto di partenza di ogni rituale di delivery
L’IA cambia il punto di partenza di ogni rituale.
Ad esempio, il concetto di ambito non è più una questione di “cosa possiamo realisticamente fare con le ore disponibili?”, bensì “cosa diventa possibile quando la nostra capacità si espande?” Nel definire l’ambito, ora co-creiamo con l’IA: generiamo più versioni, sfidiamo le assunzioni ed esploriamo percorsi alternativi prima di impegnarci. Questo amplia le possibilità di soluzione e riduce i punti ciechi già in fase iniziale.
Anche l’allineamento cambia perché l’IA fornisce un’unica fonte di verità. Produce briefing condivisi, sintesi, rischi e opzioni, eliminando le lacune di interpretazione che spesso rallentano la collaborazione.
La validazione diventa continua invece che episodica: l’IA testa le assunzioni, revisiona risultati e mette in luce le incoerenze in tempo reale.
E l’esecuzione diventa meno una questione di gestione dei compiti e più un’orchestrazione di flussi di lavoro uomo-macchina, assicurando che il lavoro giusto venga affidato al “membro del team” giusto, che sia umano o IA.
Perché la partnership tra umani e IA è la formula vincente
Nel complesso, le attività ripetitive, manuali, analitiche e ad alto volume rappresentano le opportunità più immediate. Attività come la sintesi delle ricerche, la raccolta dei requisiti, l’analisi della concorrenza, le prime bozze, la validazione tecnica, il controllo qualità e la raffinazione del backlog sono ideali per l’IA perché si basano sul riconoscimento di schemi e si scalano bene con l’automazione.
L’IA è per i lavoratori della conoscenza ciò che la macchina a vapore fu per la manodopera manuale: un moltiplicatore di forza che si fa carico dei lavori pesanti, permettendo agli umani di concentrarsi su ciò che solo loro possono fare.
I lavori che continuano a richiedere l’intervento umano comprendono la risoluzione delle ambiguità, l’allineamento tra funzioni, la gestione dei conflitti, lo storytelling, l’intelligenza emotiva e le scelte strategiche; ambiti in cui contesto, giudizio e capacità relazionali contano più del calcolo. Le macchine possono proporre opzioni, ma sono ancora gli umani a scegliere quale montagna scalare.
La formula vincente è la partnership: lasciare gestire all’IA le attività di precisione e permettere agli umani di guidare con creatività, strategia e connessione.
L’IA è per i lavoratori della conoscenza ciò che la macchina a vapore fu per la manodopera manuale: un moltiplicatore di forza che si fa carico dei lavori pesanti, permettendo agli umani di concentrarsi su ciò che solo loro possono fare.
Come gli agenti IA riducono il carico cognitivo
I flussi di lavoro basati su agenti stanno rapidamente diventando fondamentali. Noi ci concentriamo su tre aree:
- Ridurre il carico cognitivo
- Automatizzare dall’inizio alla fine i flussi di lavoro ripetitivi
- Creare sistemi “a ciclo chiuso” in cui gli agenti possono ragionare, agire e verificare i risultati
I primi esperimenti includono agenti che generano varianti di campagne, revisionano set di dati, raffinano prompt, costruiscono dashboard o gestiscono flussi di ricerca complessi senza richiedere supervisione manuale tra i vari passaggi.
Quando si uniscono persone di talento ai giusti sistemi IA, la produttività cresce esponenzialmente. In alcuni casi, ciò che prima richiedeva giorni ora si conclude in poche ore — o minuti. La chiave sta nell’orchestrazione attenta: fare in modo che gli agenti abbiano vincoli, criteri di valutazione e percorsi di escalation, così che gli umani restino sempre in controllo di giudizio e strategia. In altre parole, gli agenti dovrebbero agire entro un “perimetro” ben definito e gli esseri umani dovrebbero essere sempre coloro che prendono decisioni interpretative o strategiche.
Ad esempio, con un analista farmaceutico, abbiamo identificato esattamente dove gli agenti IA potevano offrire un aiuto affidabile, e queste aree sono diventate i vincoli dell’agente: poteva raccogliere, organizzare e redigere, ma non interpretare, raccomandare o stabilire priorità. Quelle decisioni di ordine superiore restavano esclusivamente agli analisti.
Abbiamo anche stabilito i criteri di valutazione prima che l’IA svolgesse il primo compito. Per esempio, ogni sintesi generata dall’IA doveva riflettere accuratamente i documenti di partenza, ogni scenario doveva citare le assunzioni di base e ogni tabella comparativa doveva rispettare i formati preferiti dagli analisti. Quando l’IA si imbatteva in dati ambigui, segnali contrastanti o lacune significative — eventi frequenti nelle prime iterazioni — segnalava automaticamente il problema a un revisore umano che chiariva la direzione e aggiungeva sfumature.
L’orchestrazione ha funzionato perché l’IA aveva dei vincoli, i risultati dei criteri e gli analisti dei segnali di escalation chiari per mantenere la supervisione. Quando questo equilibrio è centrato, i guadagni di produttività sembrano quasi sleali.
Come l’IA riduce la distanza tra dati e insight
Ma la capacità più sottovalutata dell’IA non è uno strumento o un agente specifico; è il supporto alle decisioni assistito dall’IA.
Quando ogni membro del team ha un assistente di ricerca intelligente, uno stratega e un analista in tasca, le riunioni si accorciano, le decisioni sono più chiare e l’esecuzione accelera notevolmente. I team smettono di passare ore a raccogliere informazioni e invece impiegano pochi minuti a scegliere tra le opzioni generate dall’IA.
Per la maggior parte delle mie decisioni, mi affido a una rotazione dei principali modelli di frontiera—ChatGPT, Gemini, Claude e Grok—perché ciascuno ha punti di forza diversi e la qualità di una risposta spesso dipende dall'abbinamento tra domanda e modello. In pratica, “interrogo” costantemente tutti quando devo valutare compromessi, mettere alla prova ipotesi o esplorare opzioni strategiche. Questa triangolazione tra modelli è ciò che mi dà fiducia: se più sistemi convergono sullo stesso ragionamento, lo considero un segnale più forte.
Detto ciò, di solito la mia prima scelta è ChatGPT. Il motivo è semplice: la funzione di memoria lo rende particolarmente adatto alle decisioni che richiedono continuità. Ricorda il mio contesto aziendale, il tipo di clienti che servo, il mio tono, le mie preferenze e i modelli del mio lavoro. Questa continuità si rafforza nel tempo—quindi, quando rifletto su posizionamento, strategia, messaggi, o su qualsiasi cosa tragga vantaggio da un contesto a lungo termine, ChatGPT diventa la mia “base operativa”.
Gli altri modelli agiscono come consulenti specializzati; ChatGPT è quello che mi conosce meglio.
Come i livelli di orchestrazione e i GPT personalizzati unificano gli strumenti di IA
Il mio stack principale ora ruota intorno a:
- Modelli multimodali come ChatGPT, Gemini e Claude
- Strumenti agentici per l'automazione del flusso di lavoro
- Copiloti specifici per il dominio, per design, coding, analytics e documentazione
In generale, la maggiore evoluzione non sono gli strumenti stessi, ma il livello di orchestrazione — usare framework di automazione e GPT personalizzati per collegare il tutto. In passato, il mio stack includeva strumenti separati per ricerca, scrittura, diagrammi e project management. Oggi, molti di quei flussi di lavoro convergono in un unico livello di IA che si sovrappone agli strumenti esistenti.
In sostanza, sto parlando di una raccolta di sistemi di IA interoperabili con cui i team interagiscono per semplificare i loro flussi di lavoro. In pratica, questo significa usare modelli generici (ChatGPT, Claude, Gemini) come motore cognitivo per attività come ricerca, sintesi, stesura o analisi, sfruttando invece copiloti o plug-in specifici all’interno degli strumenti esistenti come Notion, Google Workspace, Figma o Jira. Invece di passare continuamente tra una dozzina di applicazioni separate, i team si affidano sempre più a un nucleo ristretto di interfacce di IA che si collegano al resto dello stack.
Il valore deriva dal ridurre i costi cognitivi dei continui cambi di contesto.
Lo stack tecnologico di IA che accelera l’iterazione e la consegna
Nell’ultimo anno ho puntato su strumenti che permettono iterazione rapida (generatori visuali, interpreti di codice), orchestrazione (Zapier, Make) e governance (librerie di prompt, registri di audit). Allo stesso tempo, ho sostituito molti strumenti legacy perché i sistemi nativi di IA ora sono più flessibili, veloci e adattabili.
L’obiettivo è eliminare passaggi fastidiosi che prima portavano via ore al team: smistamento degli asset, sintesi delle conversazioni, generazione di aggiornamenti di stato, conversione delle note delle riunioni in task o riconfezionamento dei risultati per diversi stakeholder. Tutto questo ora può essere automatizzato. Il risparmio cumulativo di tempo è enorme, non perché ogni singola attività fosse enorme, ma perché il lavoro di delivery è composto da migliaia di piccoli task.
Il mio stack cambia ogni mese, ma il principio resta: usare l’IA per accorciare i passaggi, ridurre gli attriti e scalare l’output. Utilizzo letteralmente dozzine di strumenti in ogni momento, ma quelli che uso di più ora sono questi:
- ChatGPT: modello linguistico di grandi dimensioni multiuso
- Google Gemini: ricerca approfondita
- Lindy: progettare flussi di lavoro agentici
- Manus: prototipazione assistita da IA
- Claude: strumento per lo sviluppo del codice
- Atlas: browser agentico
- NotebookLM: riepiloghi audio
- Flux Replicate: generazione di immagini
- Suno: da testo a musica
- ElevenLabs: voiceover
- RunwayML: da immagine a video
- AKool: avatar IA/gemello digitale
Perché l’IA trasformerà il project management in leadership focalizzata sulla strategia
Presto l’IA diventerà una vera e propria collaboratrice nella delivery, non più solo uno strumento. Avremo sistemi in grado di gestire autonomamente progetti end-to-end: generare scope, sequenziare task, gestire le dipendenze, segnalare rischi, e persino gestire standup o retrospettive. I delivery manager passeranno dall’orchestrazione operativa a strategia, cultura e allineamento cross-funzionale. Il lato “amministrativo” del project management sarà automatizzato per l’80-90%.
Ancora più importante, vedremo concorrenti nativi dell’IA in ogni settore. Team con costi generali quasi nulli, una capacità creativa infinita e sistemi di consegna che operano a velocità che le organizzazioni tradizionali non possono eguagliare.
Il divario tra chi adotta e chi rimane indietro si sta allargando in modo esponenziale, non lineare. I responsabili della delivery che costruiscono ora sistemi operativi potenziati dall’IA saranno quelli che possiederanno il futuro. Chi aspetta, si ritroverà a competere con organizzazioni che possono consegnare in pochi giorni quello che prima richiedeva trimestri.
Vedremo concorrenti nativi dell’IA in ogni settore. Team con costi generali quasi nulli, una capacità creativa infinita e sistemi di consegna che operano a velocità che le organizzazioni tradizionali non possono eguagliare.
Perché aspettare chiarezza rallenta l’adozione dell’IA
Ecco il mio consiglio: Non aspettare la chiarezza perfetta.
L’errore più grande che fanno i leader della delivery è cercare di prevedere l’unica onda perfetta. Non serve un piano quinquennale; serve un atteggiamento di sperimentazione continua. Parti in piccolo, muoviti velocemente, testa spesso e crea abitudini che ti mantengano in apprendimento. Il cambiamento esponenziale premia chi si muove e penalizza chi esita. I team che vincono sono quelli che remano prima e più spesso degli altri.
E investi prima sulle persone che sulle piattaforme. L’adozione dell’IA fallisce se il tuo team si sente minacciato, disinformato o sopraffatto. Crea una cultura della curiosità, organizza formazioni pratiche, celebra i primi successi e rendi visibile l’adozione. Quando l’IA diventa una gioia invece che una minaccia, diventa sostenibile.
Alla fine, quest’epoca non appartiene ai team con gli strumenti migliori, ma a quelli che imparano a collaborare con essi.
Segui gli aggiornamenti
Puoi seguire il lavoro di Michael sulla modernizzazione dei sistemi di delivery sul suo sito personale, su LinkedIn e su YouTube. E dai un’occhiata a AI-ccelerator!
Presto altre interviste con esperti su The Digital Project Manager!
