Perché i leader che misurano meglio l’adozione dell’IA non guardano ai dashboard
Monitorare le metriche: Le metriche di utilizzo tradizionali spesso rappresentano male il valore dell’IA; l’attenzione dovrebbe spostarsi sull’efficienza operativa.
Incrementi di efficienza: Valutare l’impatto dell’IA si basa su miglioramenti misurabili dell’efficienza, non solo su livelli di attività o output.
Cambio di comportamento: Un’adozione significativa dell’IA si manifesta con cambiamenti nei comportamenti, come l’uso spontaneo e l’automazione di compiti.
Spostamento nel giudizio: Il valore dei project manager sta evolvendo dalla rapidità di output alla capacità di prendere decisioni e fare revisioni informate.
Paradosso della visibilità: Il successo nell’adozione dell’IA può essere nascosto; chi lavora più a stretto contatto nota i cambiamenti significativi.
Monitorare l’adozione dell’AI nella gestione dei progetti sembra un compito semplice. Registri d’uso, conteggi dei prompt, attività sugli strumenti: i dati ci sono. Ma i leader che hanno cercato di misurare il vero impatto dell’AI stanno scoprendo che i segnali più rilevanti non compaiono affatto nelle dashboard. Ciò che effettivamente funziona assomiglia meno ad analytics e più a prestare attenzione a come il lavoro sta cambiando concretamente.
Ecco cosa secondo i nostri esperti funziona — e cosa no.
Perché i metodi tradizionali di misurazione dell’utilizzo non bastano
L’istinto di misurare l’adozione dell’AI attraverso l’attività è comprensibile — più prompt, più sperimentazione, più entusiasmo visibile dovrebbero significare più valore. Rawad Baroud, CEO di ZeroGPT, ha cominciato con questa esatta convinzione, e ciò che ha riscontrato ha cambiato completamente la sua idea di misurazione. "Da un punto di vista manageriale, pensavo inizialmente che le squadre che traessero più valore dall’AI sarebbero state le più facili da individuare," afferma. "Mi aspettavo di vedere tassi di utilizzo maggiori, più prompt, più sperimentazione, più entusiasmo visibile." La realtà era quasi opposta.
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
"Le squadre che ottenevano i risultati migliori spesso trattavano l’AI come il controllo ortografico. Era diventata talmente integrata nei loro flussi di lavoro che nessuno sentiva più il bisogno di menzionarla." Le implicazioni per come i leader valutano l’adozione sono significative. Come afferma Baroud, "un project manager che genera cinquanta prompt al giorno potrebbe non creare più valore di qualcuno che usa l’AI cinque volte per eliminare colli di bottiglia ricorrenti."
Le squadre che ottenevano i risultati migliori spesso trattavano l’AI come il controllo ortografico. Era diventata talmente integrata nei loro flussi di lavoro che nessuno sentiva più il bisogno di menzionarla.
I segnali a cui ora presta più attenzione sono operativi: se i piani di progetto raggiungono più rapidamente gli stakeholder, se meno attività ritornano indietro per essere chiarite, se gli aggiornamenti di stato richiedono meno revisioni. Questi indicatori, spiega, gli dicono molto di più delle dashboard sull’adozione.
Misurare l’efficienza, non l’attività
Per i leader che hanno superato il mero tracciamento dell’utilizzo, l’attenzione si sposta su guadagni concreti di efficienza — capacità produttiva, tassi di errore e feedback degli stakeholder come veri metri di giudizio. Emmanuels Magaya, fondatore di Project Managers Africa, lo descrive con una semplice analisi prima/dopo. “Per me, la misura principale è: la tua efficienza è aumentata da quando utilizzi l’AI? Oppure passi molto più tempo a scrivere prompt per correggere ciò che hai fatto?” afferma.
Per me, la misura principale è: la tua efficienza è aumentata da quando utilizzi l’AI? Oppure passi molto più tempo a scrivere prompt per correggere ciò che hai fatto?
Il suo approccio è creare periodi di confronto chiari: “Possiamo misurare l’efficienza dicendo, ad esempio, se nel primo trimestre dell’anno non avevamo l’AI in nessuna fase del workflow, quello è un benchmark. Ora, nel secondo trimestre, sì. Quindi confrontiamo il primo trimestre col secondo.”
Magaya invita anche i leader a guardare oltre la prospettiva del proprio team quando valutano l’impatto. “Non deve essere solo la vostra prospettiva come team PMO. Prendete input dagli stakeholder, dai clienti interni, ecc. Non serve nemmeno dire loro che state usando l’AI. Basta chiedere, ‘Come ci siamo comportati negli ultimi mesi?’ Il feedback sincero da chi è più vicino al lavoro, sostiene, è una delle misure più oneste disponibili.”
Misurare i comportamenti, non solo gli output
Diversi leader hanno individuato nel cambiamento dei comportamenti l’indicatore più affidabile di una reale adozione dell’AI — specificamente, quali attività sono passate all’AI come primo approccio, e se i membri del team utilizzano spontaneamente l’AI senza che venga loro chiesto. Ferhat Suat Erdogan, fondatore e CEO di Ekofi, ha deliberatamente evitato di costruire una struttura formale di misurazione proprio per questo motivo. “Poiché siamo una realtà snella, ho scelto di non creare una dashboard sull’AI,” spiega. “Quello che non posso vedere da una dashboard è se l’AI sta effettivamente cambiando il modo in cui il lavoro viene svolto. Quindi misuro più i comportamenti che gli output.”
I segnali che Erdogan osserva sono specifici: quali attività ricorrenti sono diventate AI-first — "report di stato, note delle riunioni convertite in azioni, aggiornamenti per i clienti di prima bozza, riassunti dell'ambito" – rispetto a quelle che sono ancora human-first; il tempo necessario per la prima bozza di una consegna e quanto editing serve su un output AI prima che venga inviato. "Quel tasso di rielaborazione è la mia vera metrica di qualità", dice. "Il comportamento di cui mi fido di più è se il team ricorre all'AI spontaneamente. Un utilizzo imposto non dice nulla; l'uso spontaneo dimostra che sta davvero facendo loro risparmiare tempo."
Il comportamento di cui mi fido di più è se il team ricorre all’AI spontaneamente. Un utilizzo imposto non dice nulla; l’uso spontaneo dimostra che sta davvero facendo loro risparmiare tempo.
Artem Panasiuk, Head of Delivery presso Brocoders, adotta un approccio simile, utilizzando sincronizzazioni regolari del team invece di una dashboard formale per raccogliere segnali. "Al momento non monitoriamo l'adozione dell'AI attraverso una dashboard di metriche formale. Facciamo regolari riunioni di allineamento del team in cui i nostri manager si scambiano ciò che sta funzionando nella loro quotidianità, ed è da lì che arrivano la maggior parte dei nostri segnali", afferma.
Facciamo regolari riunioni di allineamento del team in cui i nostri manager si scambiano ciò che sta funzionando nella loro quotidianità, ed è da lì che arrivano la maggior parte dei nostri segnali.
Quello che Panasiuk misura realmente è il cambiamento di ciò su cui un project manager impiega il proprio tempo. Le attività standard di PM — generare documentazione, creare ticket su Jira, aggiornare la documentazione, scrivere email — sono ormai automatizzate, e quella capacità liberata permette ai manager di occuparsi di attività che prima erano fuori dal loro ruolo: analisi di business, elementi del design system, documentazione e vibecoding. Il risultato citato da Panasiuk è significativo: "i nostri manager svolgono circa il doppio del lavoro rispetto a prima, e i team che li circondano sono molto più versatili (a T)."
Il grande cambiamento: dall'output al giudizio
Da queste prospettive emerge una ridefinizione coerente — non solo nel modo in cui si misura l'AI, ma anche nei valori che i leader iniziano a privilegiare nei loro team. Erdogan lo esprime chiaramente: "Prima premiavo implicitamente la velocità e la quantità dell'output. Ora la competenza ad alto valore è il giudizio — modificare gli output dell’AI e sapere quando non utilizzarla affatto. Il lavoro si sta spostando dal produrre la bozza all’essere l’editor che se ne assume la responsabilità."
Prima premiavo implicitamente la velocità e la quantità dell'output. Ora la competenza ad alto valore è il giudizio — modificare gli output dell’AI e sapere quando non utilizzarla affatto.
Questo cambiamento ha implicazioni pratiche per la valutazione delle performance di delivery. Volume e velocità non sono più il segnale che erano un tempo. Il PM che produce meno ma rivede meglio, individua le lacune che l’AI non coglie e sa quando mettere da parte lo strumento può portare più valore di chi genera l’output maggiore. Come osserva Baroud, il più grande cambiamento di prospettiva è che "l'adozione dell'AI non è sempre visibile. In molti casi, il successo assomiglia meno a un aumento dell’attività e più a una silenziosa eliminazione di lavoro che prima rallentava i team."
Conclusione sul paradosso della visibilità
La cosa più utile che fa emergere l’osservazione di Baroud è un paradosso su cui vale la pena riflettere: i team che integrano meglio l’AI sono proprio quelli che meno ci si aspetterebbe di trovare in un report sull’adozione. Se il successo si manifesta come una silenziosa eliminazione, e non come un’attività visibile, allora i leader più adatti a misurare l’impatto dell’AI non sono quelli che guardano le dashboard — sono coloro che sono ancora abbastanza vicini al lavoro da accorgersi quando qualcosa smette di creare attrito.
Vuoi altri insight come questi? Registrati per un account DPM gratuito per leggere altri pareri di esperti come questi.
