Come creare chiarezza decisionale durante la trasformazione con l’intelligenza artificiale

Galen Low: Una matrice RACI è una di quelle cose che le persone amano o odiano, soprattutto odiano. Non perché non sia utile, ma perché è fin troppo facile lasciarsi prendere dalla documentazione di chi è responsabile, autorizzato, consultato o informato per ogni aspetto della propria attività, invece di limitarsi a portare a termine il lavoro. Ma mentre le organizzazioni avanzano nel loro percorso di trasformazione con l’intelligenza artificiale e iniziano a ripensare le strutture stesse all’interno delle quali il lavoro viene svolto, avere chiarezza su ruoli, responsabilità e processi decisionali sta diventando un po’ più importante.

Oggi ho quindi invitato la persona che considero un’esperta in materia di chiarezza decisionale guidata dalla RACI e che, tra l’altro, lavora a stretto contatto con aziende e agenzie governative sulla loro trasformazione con l’intelligenza artificiale. Insieme esploreremo se la RACI possa essere utilizzata non solo come strumento per registrare il modo in cui vengono prese oggi le decisioni, ma anche come linguaggio e mentalità per progettare le organizzazioni del futuro. Spero che l’episodio vi piaccia.

Benvenuti al podcast del Digital Project Manager, lo show che aiuta i responsabili della delivery a lavorare in modo più intelligente, consegnare con maggiore fluidità e guidare i propri team con sicurezza nell’era dell’intelligenza artificiale. Io sono Galen e ogni settimana analizziamo strategie concrete, tendenze emergenti, framework collaudati e qualche racconto di guerra dalle prime linee dei progetti.

Che tu stia guidando enormi progetti di trasformazione, gestendo flussi di lavoro basati sull’intelligenza artificiale o semplicemente cercando di tenere sotto controllo il caos, sei nel posto giusto. E se ti è piaciuto quello che hai ascoltato ultimamente, considera la possibilità di seguirci ovunque ci trovi e magari di lasciarci una recensione. Bene, cominciamo.

Oggi parleremo di intelligenza artificiale, processi decisionali e del motivo per cui la chiarezza su ruoli e responsabilità è più importante che mai. Con me c’è oggi un’amica del podcast, Cassie Solomon, presidente e amministratrice delegata di The New Group. Cassie è un’autrice pluripremiata e una consulente aziendale esperta nel guidare cambiamenti di successo.

Ha aiutato dirigenti senior a trasformare le loro attività in organizzazioni come Twitter, Pandora, Bayer Pharmaceuticals, Penn Medicine, Geisinger Health Systems e ChristianaCare Health Systems. Inoltre, insegna ai dirigenti presso la Wharton School of Business e il suo libro, Leading Successful Change: Eight Keys to Making Change Work, è ancora oggi il manuale che aiuta molti leader a orientarsi nel ritmo attuale della discontinuità.

Ma per chi segue questo podcast da anni, Cassie è la persona con cui parlare quando si tratta di usare la RACI come strumento e come linguaggio per chiarire ruoli, responsabilità e processi decisionali, così che le organizzazioni possano accelerare la velocità della loro trasformazione.

Cassie, grazie mille per essere qui con me oggi.

Cassie Solomon: Grazie mille a te, Galen, per avermi invitata. È sempre molto divertente parlare con te.

Galen Low: Prima di tutto, volevo porti una domanda un po’ provocatoria, che i miei ascoltatori apprezzerebbero molto, e poi spero che potremo trasformarla in alcuni consigli pratici per evitare il caos di ruoli e responsabilità legato all’intelligenza artificiale nei progetti e, più in generale, nei processi decisionali organizzativi.

E poi, per concludere, pensavo che potremmo guardare al futuro e capire come appariranno i processi decisionali, il lavoro di squadra e le strutture organizzative quando l’intelligenza artificiale sarà integrata, e cosa dobbiamo fare bene oggi affinché diventi qualcosa di positivo, n-non negativo. Che ne pensi?

Cassie Solomon: Mi sembra meraviglioso.

Galen Low: Inizio allora con una domanda un po’ provocatoria, perché in questo preciso momento quasi ogni organizzazione con cui parlo sta cercando di creare agenti di intelligenza artificiale e integrarli nel proprio modello operativo. Questi agenti sono progettati per operare con un’autonomia relativamente elevata, che include specificamente il prendere decisioni per conto proprio.

E tu sei, secondo me, l’esperta nell’uso della RACI come linguaggio per creare una comprensione condivisa di chi è responsabile, autorizzato, consultato e informato riguardo alle decisioni prese durante il processo di collaborazione. Quindi la mia domanda è questa: la RACI è ancora rilevante nell’era dell’intelligenza artificiale?

Cassie Solomon: Penso di sì.

Voglio ringraziarti per aver citato il libro Leading Successful Change. È un modo per descrivere un sistema. Una delle otto leve riguarda proprio i processi decisionali e una delle cose che amo sottolineare quando insegno quel modello è che questo è un aspetto della nostra vita organizzativa in gran parte invisibile.

Posso mostrarti il mio piano retributivo, posso mostrarti il mio organigramma, posso mostrarti la mia tecnologia, ma è molto difficile mostrarti il mio processo decisionale, eppure è una parte molto importante del sistema. È quindi una lente molto interessante attraverso cui osservare la trasformazione con l’intelligenza artificiale, perché stiamo per entrare in un tipo di cambiamento che, secondo me, trasformerà profondamente le nostre pratiche decisionali, e per metà del tempo non sappiamo nemmeno come parlarne.

Galen Low: Mi piace che tu abbia parlato di trasformazione, soprattutto di trasformazione con l’intelligenza artificiale, per due motivi. Primo, sono d’accordo con te. Non sono cose che mettiamo sempre per iscritto. Sono, in molti modi, non ufficiali, invisibili e documentate solo in misura molto limitata, il che è negativo per due ragioni.

La prima è che è negativo per l’intelligenza artificiale: se non l’abbiamo addestrata su queste informazioni, se non le conosce e non riesce a trovarle, non potrà saperle finché non gliele diremo. L’altra ragione è che la trasformazione richiede questa chiarezza. Tutti si stanno muovendo rapidamente. Cercano di fare le cose in fretta e di rimanere competitivi, e questo è il momento in cui processi decisionali, ruoli, responsabilità e tutte le cose in evoluzione devono essere discusse e poi messe per iscritto, così da poter continuare a muoverci rapidamente senza rimanere bloccati nel limbo decisionale o in una grande ambiguità.

È il modo in cui ne parliamo.

Cassie Solomon: Sì. Quando la stampa popolare parla di intelligenza artificiale, spesso pensi: «Si tratta di sostituire il lavoro di qualcuno? Sostituirò questo lavoratore perché non ne ho più bisogno?». Poi arriva un’altra parola: ma aspettate, e il giudizio? Che dire del giudizio umano?

La parola giudizio in realtà si riferisce a competenza e autorità, quindi il giudizio entra in gioco spesso nel momento in cui qualcuno dice: «Questa è una buona decisione», oppure: «Questa è una cattiva decisione», o ancora: «Aspetta, è meglio che prenda io questa decisione. Ho 25 anni di esperienza in…». Quindi, incorporata nella parola giudizio, penso che ci sia già la direzione giusta.

Ci sta dicendo: «Guardate qui. Questo è il territorio dei processi decisionali».

Ma l’altra cosa di cui voglio parlare è il libro di Ajay Agrawal, Josh Gans e Avi Goldfarb, Power and Prediction. È uscito nel 2022, quindi prima del lancio di ChatGPT, ma ci indirizza verso la comprensione dell’intelligenza artificiale come motore di previsione e strumento per prendere decisioni migliori.

In questo momento siamo sommersi da progetti e conversazioni sull’intelligenza artificiale. Nel 2025 è stato pubblicato uno studio molto valido che ha mostrato che circa l’80% dei progetti di intelligenza artificiale non sta ottenendo aumenti di produttività. Era uno studio del MIT. E uno studio di McKinsey del 2026 ha sostanzialmente detto la stessa cosa.

Questi autori propongono un modello che, secondo me, è davvero utile per capire di quale tipo di progetto di intelligenza artificiale stiamo parlando. Il loro framework è molto semplice. Il primo livello è la soluzione puntuale, in cui prendi una singola attività che prima svolgevano gli esseri umani e ora la svolgi con l’intelligenza artificiale. A livello individuale, penso a quando chiedo all’intelligenza artificiale di preparare il mio piano dei pasti per la settimana o di fare una ricerca per il mio articolo.

È una cosa molto utile, ma limitata. Il secondo livello è la soluzione applicativa, in cui cambi più cose contemporaneamente, e forse è il livello a cui ci stiamo avvicinando con gli agenti di intelligenza artificiale. Il livello massimo è costituito dalle applicazioni di sistema, in cui fai un passo indietro e chiedi: «Come posso trasformare l’intero sistema usando questa tecnologia?»

Sono molto più difficili da realizzare e ne esistono meno esempi. Ma la loro teoria, con cui concordo, è che sarà lì che vedremo un impatto reale sui risultati economici, se riusciremo ad arrivare alla trasformazione completa.

Galen Low: Mi piace molto questo framework perché ci porta a capire che non tutti i progetti di trasformazione con l’intelligenza artificiale, e non tutte le applicazioni di intelligenza artificiale, sono uguali.

Sarebbe facile dire: «Ora posso sostituire questo strumento con ChatGPT» oppure: «Ora posso aggiungere un agente a questo flusso di lavoro». Ma esiste un altro livello a cui dobbiamo pensare in modo diverso, perché le implicazioni sono più grandi, le sfide progettuali sono maggiori e il problema è più ampio.

Ci porta in un territorio in cui non ci aggrappiamo più al bordo della piscina. Non abbiamo davvero una zona di comfort a cui tornare. Siamo nel mondo reale, in un territorio completamente nuovo, e dobbiamo capirlo non sulla base di ciò che avevamo prima, ma partendo da qualcosa di completamente nuovo.

Cassie Solomon: Penso che, se iniziamo dalle soluzioni puntuali, che per me è logico perché sono le più semplici da immaginare, questo ci porti a pensare: «Non ho più bisogno di una forza lavoro di 8.000 persone per svolgere questa attività». È sostituibile. Ma questa settimana stavo esaminando una ricerca molto interessante.

L’anno scorso, quindi recentemente, nel Regno Unito, circa il 30% delle organizzazioni che hanno lasciato andare persone perché stavano per implementare l’intelligenza artificiale finisce per riassumerle. Poi c’è stato un secondo studio, realizzato da persone diverse, che sostanzialmente diceva: «A proposito, quando le riassumete, la seconda volta costano di più».

Penso che, ampliando il nostro modo di pensare e orientandoci verso le soluzioni e la trasformazione, possiamo iniziare a porre domande migliori. Se questi dipendenti non dedicano più tempo a questa attività, cos’altro potrebbero fare? L’esempio classico che molti ricordano è quello dell’arrivo degli sportelli automatici. Le persone dicevano: «Oddio, non ci saranno più cassieri bancari perché ora la macchina può darci il denaro e questo significa la fine di quell’intero lavoro».

Ma non è andata così. Non è stata la fine dell’intero lavoro. Hanno semplicemente deciso: «I cassieri sono ancora importanti perché possono parlare con i nostri clienti. Facciamoli lavorare di più su questo». Sono diventati più simili a persone che si occupano dello sviluppo commerciale. Penso che questo sia il tipo di ragionamento che ci aiuterà a ridimensionare alcuni degli incubi che stiamo vivendo sul futuro della forza lavoro e sulla possibilità che l’intelligenza artificiale sostituisca tutti i lavori.

La produzione è un caso di studio diverso, ma resta comunque una buona aspirazione, secondo me.

Galen Low: Mi piace molto l’idea che la soluzione puntuale sia quasi l’aspetto più spaventoso, perché sembra semplicemente una sostituzione: «Bene, ora il mio lavoro lo fa un robot». Sono contento che tu abbia richiamato ciò che abbiamo visto nella storia, e nella storia recente, riguardo alle discontinuità e al modo in cui possono svilupparsi.

Mi piace questo cambio di prospettiva: quando iniziamo ad ampliare lo sguardo sul sistema, anche a livello applicativo, pensiamo: «Dobbiamo licenziare tutti i cassieri». Poi ci fermiamo: «Aspetta, ci servono di nuovo», perché guardando il sistema nel suo complesso vediamo che esiste ancora valore da creare.

Dobbiamo solo pensarci in un modo completamente nuovo, non usando il vecchio modello. Reagiamo quasi sempre sulla base di ciò che conosciamo oggi, anche se la missione è trovare qualcosa di nuovo per domani.

Cassie Solomon: È una questione di mentalità al cento per cento. Una delle cose che mi affascinano, e per cui i miei amici mi prendono in giro, è la transizione che il mondo ha attraversato passando dal motore a vapore al motore elettrico, e quanto tempo ci sia voluto.

È stata una transizione di 20 o 25 anni. Una delle cose che ha frenato davvero le persone è stata la difficoltà a immaginare ciò che la nuova tecnologia era in grado di fare. Le aziende che ci sono riuscite hanno avuto successo e sono prosperate, mentre quelle che non ci sono riuscite sono finite ai margini.

La cosa che mi ha colpito di più di quell’esempio è che costruivano nuove fabbriche dopo che il motore elettrico era già stato adottato, ma lo collocavano nello stesso punto centrale in cui prima mettevano il gigantesco motore a vapore, perché non riuscivano a immaginare una disposizione diversa della fabbrica.

Quindi gran parte della questione riguarda la mentalità: che cosa possiamo immaginare in modo diverso?

Galen Low: Mi piace molto e penso che sia attuale, molto attuale. È come dire: «Dove metteremo il nuovo motore? Nello stesso posto in cui lo abbiamo sempre messo». Vedo molti parallelismi anche rispetto a dove vengono prese le decisioni.

«Dove lo collocheremo nel nuovo modello?» Esattamente dove si trovava prima. Probabilmente è la scelta migliore. Non sappiamo ciò che non sappiamo, ed è molto umano pensare: «Facciamolo come abbiamo sempre fatto e dovrebbe andare bene». Siamo arrivati fin qui facendo così.

E poi a volte arriva il momento in cui dici: «In realtà no, dobbiamo pensare più in grande. Non è più necessario che sia qui».

Cassie Solomon: Grazie per aver riportato la conversazione sui processi decisionali, perché ho un ottimo esempio che citeremo in un articolo a cui stiamo lavorando, tratto da McKinsey e riguardante una grande azienda chiamata Blackstone.

Blackstone ha trasformato le proprie attività legali e di conformità perché prevedeva una crescita enorme dei volumi e fino a quel momento aveva elaborato tutto manualmente. Non poteva permettersi di aggiungere il 25% di personale. Si è quindi rivolta a McKinsey dicendo: «Dovremmo riuscire a farlo con l’intelligenza artificiale».

McKinsey ha risposto: «Fermi tutti. Non possiamo semplicemente sovrapporre questa tecnologia al vostro vecchio processo, perché non vi porterà molto lontano». Sarebbe come nei casi in cui le persone dicono: «Ho usato l’intelligenza artificiale, ma non è cambiato nulla. Non ha avuto alcun impatto sui risultati economici».

McKinsey ha invece detto: «Avete tutti questi livelli di approvazione e un modo di gestire il processo davvero macchinoso. Prima dovete ripulire il processo e semplificare il processo decisionale, automatizzando il più possibile le decisioni basate su regole. Poi dovete creare un percorso di escalation nel caso in cui qualcuno non sia soddisfatto di ciò che produce la nuova automazione. Solo dopo potrete applicare l’intelligenza artificiale».

Dopo aver semplificato il processo macchinoso e adottato l’intelligenza artificiale, hanno ottenuto aumenti di produttività incredibili, circa il 30% in più. Le persone senior non dovevano più svolgere molteplici revisioni e potevano dedicarsi ad altro. Ne sono derivati numerosi vantaggi. Ed eccoci di nuovo alla mia amica RACI.

Possiamo usare la RACI per rappresentare il processo che utilizzate oggi? Possiamo osservare quanto sia macchinoso in termini di quante approvazioni dovete attraversare e semplificare tutto prima di adottare la tecnologia?

Galen Low: Tormento è una parola molto forte, appropriata e azzeccata per descrivere alcune dinamiche dei processi decisionali.

È interessante perché proprio in questo momento stai lanciando un programma di certificazione RACI, il primo di cui abbia sentito parlare. L’idea è aiutare le organizzazioni aziendali a formare persone a tutti i livelli, così da armonizzare il modo in cui le decisioni vengono prese nell’intera attività.

Vorrei chiederti che cosa cambia radicalmente nell’uso della RACI nell’era dell’intelligenza artificiale e che cosa devono capire i leader aziendali e i professionisti dei progetti per evitare di mantenere il motore a vapore nello stesso posto o di lasciare che le mentalità dell’epoca precedente limitino i progressi nella nuova era.

Cassie Solomon: Che bella domanda. Torniamo al corso di certificazione RACI, che al momento è in versione beta. La prima edizione completa si terrà a ottobre e stiamo cercando il titolo giusto, perché molte persone dicono: «La RACI è uno strumento molto semplice. Perché dovrei aver bisogno di una certificazione? Posso guardare un paio di video su YouTube e ho finito».

Sono completamente d’accordo. Lo strumento in sé è piuttosto semplice, ma noi cerchiamo di insegnarlo come competenza o capacità, e ha moltissime applicazioni nella creazione di coinvolgimento e team ad alte prestazioni. Spesso mi contattano aziende che dicono: «Il nostro sondaggio sul coinvolgimento dei dipendenti è tornato e le persone sono frustratissime dai nostri processi decisionali. Non riescono a portare a termine nulla. Puoi aiutarci?» E io rispondo: «Sì, certo che possiamo aiutarvi».

Una delle competenze che stiamo integrando nel corso è la capacità di fare un passo indietro e realizzare una sorta di audit decisionale. Come si analizzano le pratiche decisionali e le si mappano, proprio come si farebbe con un flusso di lavoro?

La differenza è che quasi mai mappiamo i nostri processi decisionali. Dedichiamo molta attenzione a ciò che facciamo o a come lo facciamo, ma pochissima a dove si trova il potere, dove si trova l’autorità e come la utilizziamo nell’organizzazione. Per prima cosa devi capire qual è il tuo stato attuale, e questa è una capacità RACI.

Poi devi iniziare a chiederti: perché è così lento? Il PMI ci ha detto molto tempo fa che dovremmo avere una sola persona A per ogni progetto. Tu mi conosci: tendo a non essere d’accordo e penso che non sia molto realistico. Anzi, se vogliamo raggiungere la velocità, dovremmo spostare le decisioni verso il basso nell’organizzazione.

Proveniamo tutti da sistemi tradizionali molto gerarchici e basati sul comando e controllo. Ma da un paio di decenni il mondo si sta spostando verso organizzazioni più piatte, meno gerarchiche e meno basate sul comando e controllo, che sono più agili e veloci.

Il primo passo è diagnosticare ciò che hai oggi in termini di processi decisionali. Il secondo è fare un passo indietro e osservarlo. Il terzo è riprogettarlo con l’obiettivo di dare potere alle persone, spingendo le decisioni più vicino al margine, come direbbero probabilmente in ambito militare.

Galen Low: Mi piace molto questo aspetto legato all’agilità. È curioso perché hai citato il PMI e sono sicuro che a un certo punto, nel modello originale della RACI, abbiano pensato: «Una sola persona A, una sola persona autorizzata, sarà la soluzione più efficiente». Oggi invece ci rendiamo conto che è in realtà un collo di bottiglia.

Molte delle persone con cui parliamo si trovano davanti a questo problema: avere un unico decisore per tutto non è sempre l’approccio migliore. Quella persona potrebbe non avere le competenze o le informazioni necessarie per prendere la decisione. E quando non è chiaro chi sia quella persona, o quando si crea una situazione di attesa, tutto rallenta.

Nel frattempo esistono molti esempi di team più responsabilizzati, capaci di prendere decisioni ai margini o più vicino al punto in cui viene creato valore. Questo sostiene un modo di lavorare più agile.

L’altra cosa che trovo affascinante è che le persone reagiscono alla certificazione RACI dicendo: «Cosa farai? Mi insegnerai un acronimo in cinque minuti, poi avrò dei compiti e sarà finita?». Ma non è questo. È la RACI come strumento, framework e mentalità per aiutare i team ad alte prestazioni a capire dove vengono prese le decisioni.

Hai anche introdotto l’idea della RACI come strumento di progettazione. Ora capiamo ciò che abbiamo oggi, ma non si tratta solo di documentare lo stato attuale. Si tratta di comprendere, nel nuovo mondo e nella nuova era, dove risiede l’autorità e chi può prendere le decisioni, per poi creare il sistema: quel cambiamento a livello di sistema, la trasformazione di terzo livello del tuo modello.

Cassie Solomon: In realtà vorrei tornare sul tema dell’unico decisore, perché funziona molto bene per le startup, che di solito non hanno bisogno della RACI.

Non hanno bisogno di quella struttura. Dicono: «Sono il fondatore, prendo io le decisioni. Non sono un collo di bottiglia. Abbiamo un team molto piccolo, ci riuniamo come farebbe un team agile, ricevo qualche parere, tutti hanno le idee chiare e ci muoviamo rapidamente». Poi arriva il successo, la startup inizia a crescere e l’unico decisore diventa davvero problematico, perché il team fondatore è abituato a intervenire in ogni decisione, conosce tutta la storia e si conosce bene reciprocamente. Poi aggiungi 350 persone nuove, molte delle quali portano con sé una grande esperienza.

Sono persone eccellenti. E poi arriva il caos. Di solito è questo il punto in cui emergono i problemi relativi ai diritti decisionali e i punti di sofferenza.

L’altro punto di cui credo abbiamo parlato nella stanza verde è l’analogia con la distribuzione del motore elettrico. Quei motori diventavano sempre più piccoli e venivano distribuiti in tutta la fabbrica: è una buona metafora del modo in cui oggi stiamo rendendo le organizzazioni più piatte.

Il motivo per cui le rendiamo più piatte è l’accesso alle informazioni. È un segnale molto interessante a cui prestare attenzione. Ieri sul New York Times è apparso un articolo sulla trasformazione della guerra tra Ucraina e Russia, con il passaggio sempre più marcato alla guerra con i droni. Possiamo parlare di quando la macchina inizierà a prendere decisioni, perché è questo che tutti si chiederanno.

Oggi utilizzano immagini satellitari per osservare il territorio e identificare gli obiettivi, e stanno portando questa tecnologia sul campo, direttamente sul telefono o sull’iPad di qualcuno. Se continuassero a prendere le decisioni al comando centrale, non sfrutterebbero il fatto che le informazioni sono ora disponibili sul campo, ai margini. Per questo il processo decisionale si è spostato.

Non sono però arrivati al punto in cui vogliono che siano i droni a prendere la decisione. Vogliono ancora una persona nel circuito, e penso che questo sia molto importante, almeno in questa fase della nostra evoluzione con l’intelligenza artificiale. Molte delle decisioni più importanti nell’assistenza clinica, per esempio, continuano a richiedere il giudizio umano e la presenza di una persona nel circuito.

Galen Low: Quello che stai dicendo è interessante perché non è solo la tecnologia ad avvicinare l’intelligenza alle persone che svolgono il lavoro, creano valore o portano avanti la missione.

C’è anche una componente di fiducia e, immagino, di formazione. Il fatto che qualcuno disponga delle informazioni corrette o dell’intelligenza necessaria per agire non significa che abbia la formazione o la visione d’insieme necessarie per prendere decisioni davvero valide.

Come si risolve questo problema? Possiamo certamente creare un flusso diretto di informazioni verso i team di progetto o verso le persone che lavorano nell’assistenza clienti, ma che cosa li aiuta a prendere buone decisioni una volta ricevute quelle informazioni? E come possono le organizzazioni fidarsi del fatto che fornire alle persone le informazioni giuste porterà effettivamente a decisioni migliori?

Cassie Solomon: Abbiamo costruito un modello di responsabilizzazione basato su anni di consulenza RACI, perché ritengo che quella parola e quel concetto siano troppo ampi e finiscano per includere molti aspetti normativi. «Non voglio essere una persona che controlla tutto. Voglio responsabilizzare il mio team, quindi devo farmi da parte rispetto a queste decisioni». Poi le cose non funzionano e pensi: «Devo rientrare». A quel punto hai scoraggiato tutti e demoralizzato l’intero sistema.

Uno degli elementi del nostro modello è l’idea di competenza, che deriva dalla ricerca di Dreyfus della metà degli anni Ottanta. Dreyfus e Dreyfus hanno studiato come gli esseri umani sviluppano le competenze. Se sei un principiante, inizi con liste di controllo dettagliate e istruzioni passo dopo passo. Ti dico esattamente cosa fare perché non l’hai mai fatto prima e devi crescere gradualmente.

Dico sempre che sono una cuoca molto esperta ma una pessima pasticciera. Quindi, quando preparo un dolce, devo tornare alla ricetta almeno quindici volte. La mia amica Laurie è una pasticciera geniale e lo fa da decenni. Per lei tutto è intuitivo. Man mano che acquisisci esperienza, sali nel modello di Dreyfus, fino al punto in cui l’esperienza inizia a trasformarsi in giudizio. Quando arrivi in cima alla scala e sei un’esperta, non riesci nemmeno più a ricordare la lista di controllo.

Hai interiorizzato a tal punto tutti quei passaggi e ciò che hai imparato all’inizio che, tra le altre cose, diventi una pessima insegnante per le persone nuove, perché per la maggior parte del tempo dici: «È solo buon senso. Perché non lo sai?»

A metà degli anni Ottanta si diceva che questo dimostrasse che i computer non avrebbero mai raggiunto l’intelligenza, perché potevano solo seguire regole. Quello era lo stato dell’arte dell’epoca. Poi è arrivato l’apprendimento automatico e, sorprendentemente, i computer hanno iniziato a insegnare a se stessi e ad acquisire esperienza proprio come gli esseri umani.

Il modello è ancora molto utile perché, se ho qualcuno in prima linea, mantengo quella persona nel circuito: non voglio che soldati inesperti prendano decisioni da soli. La domanda diventa: quando il drone potrà prendere la decisione da solo?

È una domanda molto interessante anche per la medicina, perché testiamo sempre i nostri sistemi di intelligenza artificiale clinica confrontandoli con medici esperti, ma spesso superano nettamente le prestazioni dei professionisti junior. Quando parliamo di fiducia e chiediamo se ci fideremmo di un sistema di intelligenza artificiale per prendere una decisione medica oppure di quel medico, la prima domanda dovrebbe essere: quanta esperienza ha quel medico?

Galen Low: È interessante che tu abbia menzionato l’apprendimento automatico, perché stiamo parlando di esperienza: ci si espone al lavoro e ai processi decisionali, si viene supportati nelle decisioni e spesso si ha l’opportunità di prendere la decisione sbagliata molte volte, finché non si capisce come fare.

Quindi l’esperienza non deriva semplicemente dal passare anni a osservare le cose. Deriva dal prendere decisioni e imparare da esse. L’apprendimento automatico avviene ovviamente molto più velocemente. L’intelligenza artificiale ha imparato a distinguere un gatto da un cane sbagliando molte volte e imparando progressivamente.

In teoria, quindi, acquisirà più esperienza nel prendere decisioni attraverso questo processo. Sono d’accordo con te, però, sul fatto che entri in gioco il livello di comfort umano. Non significa che l’intelligenza artificiale prenderà sempre la decisione giusta, ma nemmeno gli esseri umani lo faranno. La questione è: con che cosa ci sentiamo a nostro agio?

Forse è arrivato il momento di affrontare questo punto. Pensando alla RACI, nella nostra comunità parliamo di ruoli e responsabilità, e mi sono detto: finora abbiamo avuto strumenti, software e piattaforme. Non compaiono nella RACI perché non prendono decisioni. Non inserisco Photoshop nella RACI, né Git o Microsoft Word, perché non prendono decisioni. Non dobbiamo tenerne conto. Ora però la situazione è diversa.

Quando si parla di ruoli e responsabilità del team, l’intelligenza artificiale dovrebbe essere trattata come un membro del team o come uno strumento?

Cassie Solomon: Sai che risponderò in modo irritante dicendo: entrambe le cose. Se sei al livello della soluzione puntuale, allora è uno strumento. Hai bisogno di una risposta, hai bisogno di ottimizzare una singola cosa e usi l’intelligenza artificiale per farlo.

Pensa al modo in cui le grandi banche usano l’intelligenza artificiale per rilevare le frodi, un’attività che un tempo era svolta dagli esseri umani. Ora le macchine analizzano un miliardo di transazioni e dicono: «È un modello insolito. Cassie non ha mai acquistato 800 dollari di pizza a Brooklyn, dato che la maggior parte delle sue transazioni avviene a Philadelphia. Le invierò un messaggio». Non c’è nessuna persona nel circuito.

Per riportare questo alla RACI: quanto lavoro posso sottrarre e automatizzare? La A, che rappresenta il giudizio e le decisioni, è il punto su cui stiamo discutendo: non so se voglio mettere le decisioni dentro la macchina come se fosse un membro del team.

Ma nell’esempio delle frodi la decisione si trova effettivamente nella macchina. Il sistema comunica con il cliente e chiede se abbia effettuato quell’acquisto. Ovviamente, quando inseriamo questi algoritmi nei sistemi bancari antifrode, a volte coinvolgono le persone sbagliate e poi è difficile correggere la situazione. Non sto dicendo che sia perfetto.

Sto dicendo che esistono già esempi in cui le decisioni vengono prese dal sistema di intelligenza artificiale senza bisogno di una persona nel circuito. Ma quando si arriva a questioni più importanti, come «Devo trapiantarti un polmone?» oppure «Devo lanciare questo drone?», penso che serva ancora una persona nel circuito.

In quel caso è più uno strumento che un compagno di squadra.

Galen Low: A dire il vero, mi piace questa distinzione, perché penso che sia sempre stata vera per la RACI. Tornando alla RACI più elementare, come professionisti dei progetti diciamo: «Questo team normalmente non lavora insieme. Abbiamo solo bisogno di chiarezza su chi fa cosa».

La domanda che ricevo sempre quando insegno questo metodo è: «Quanto bisogna andare in profondità?» Come con un registro dei rischi, potrei inserire qualsiasi cosa. Ci sono migliaia di decisioni in un progetto. Non possiamo scriverle tutte.

La mia risposta è: «Non farlo. Scrivi quelle che hanno conseguenze e che sono poco chiare o ambigue». Nell’esempio del rilevamento delle frodi con carta di credito, la maggior parte dei team direbbe: «Abbiamo costruito il sistema in questo modo». Non devo inserire chi avvisa il cliente quando rileviamo una frode e poi mettere l’automazione o il flusso di lavoro dell’intelligenza artificiale nella RACI. È semplicemente parte del sistema.

Ma quando parliamo di trasformazione, se prima Sugandha era la R e ora lo è un agente, potrebbe valere la pena scriverlo per comunicare il cambiamento di responsabilità. Possiamo così discutere di ciò che Sugandha fa e di dove sia R o A nel sistema complessivo, non solo in una singola porzione.

Mi piace pensare che serva a vedere come si muovono i pezzi degli scacchi. Tra dieci mesi magari non sarà più rilevante, ma documentare il cambiamento ci permette di discutere ciò che sta cambiando e di assicurarci che tutti siano allineati. Possiamo anche chiederci: «Non è rischioso?»

Abbiamo appena messo un agente che abbiamo costruito in una notte usando la programmazione basata sul comportamento e ora è responsabile dell’80% delle nostre attività legate ai ricavi. Forse vale la pena parlarne per capire se sia accettabile. E, se lo è, chi viene consultato o informato?

E soprattutto, chi è autorizzato a prendere decisioni su quel lavoro? Le menti curiose vogliono sapere: secondo te, l’intelligenza artificiale può mai comparire nella colonna A di una RACI? Può essere autorizzata o responsabile a questo stadio dell’evoluzione tecnologica? Sta prendendo decisioni. Dovremmo inserirla?

Cassie Solomon: Penso di sì. Se consideri la parte superiore della matrice RACI, ci sono tutti gli stakeholder coinvolti, compreso il numero di stakeholder da consultare per evitare problemi e il numero di persone da informare, tutta quella lunga coda della RACI.

Assolutamente, l’agente di intelligenza artificiale numero uno dovrebbe far parte di quel gruppo, così da poter discutere se assegnargli la prima A e poi fare escalation quando si verificano determinate condizioni. È un modo relativamente poco rischioso per definire la sua autorità, se si tratta di una decisione semplice.

Per esempio, in Utah stanno sperimentando un sistema di intelligenza artificiale che può rinnovare le prescrizioni senza un medico. È molto controverso e si è discusso molto su quali farmaci siano così innocui che, anche se l’intelligenza artificiale sbagliasse il rinnovo, le conseguenze non sarebbero gravi.

La domanda è: vogliamo che sia la macchina a prendere quella decisione? Per perfezionare il sistema hanno ristretto sempre di più l’ambito decisionale. In determinate condizioni, per una certa persona, se quel farmaco è già stato assunto tre volte in passato, allora l’intelligenza artificiale può decidere senza revisione.

Mi piace rendere tutto visibile in questo modo all’interno di una RACI, così da poter avere queste conversazioni. Un’altra cosa che hai detto e che ho apprezzato è che quando incontro persone che odiano la RACI, è sempre perché hanno partecipato a una sessione in cui hanno dovuto creare una RACI per mille righe. Mi hanno detto letteralmente: «Preferirei guardare la vernice asciugarsi piuttosto che partecipare a un’altra sessione RACI del genere», e non posso biasimarle.

Però prenderò una direzione leggermente diversa dalla tua: non credo che dobbiamo applicare la RACI all’intero processo. Alcune parti del processo sono chiare o intuitive. Dovremmo applicare la RACI ai punti critici. Dove il processo non è chiaro? A volte dico alle persone: «Applicate la RACI solo alle decisioni».

Se sono miliardi, quello è un altro problema da affrontare, ma potremmo iniziare con una RACI che analizzi una varietà di decisioni. Quindi sì, l’intelligenza artificiale dovrebbe comparire nella matrice, e questo ci permetterebbe di discutere quali parametri vogliamo assegnarle, quali decisioni riteniamo sia in grado di prendere e quali invece vogliamo riservare agli esseri umani.

Galen Low: È molto interessante perché, nella mia mente, sto ragionando sul rischio. Qual è il rischio di prescrivere un farmaco senza il coinvolgimento di un medico? Dipende. Dipende da ciò che riteniamo accettabile, e ciò che riteniamo accettabile dipende dall’impatto del rischio.

Quindi la RACI diventa in qualche modo il documento della nostra tolleranza al rischio, che come hai detto è in evoluzione. Per questo dobbiamo avere la mentalità e il dialogo necessari: a volte le cose cambiano sotto i nostri piedi. All’inizio hai detto che molto è ancora invisibile tra esseri umani, perché potrebbe non essere documentato e noi sappiamo semplicemente come funziona.

È sicuramente invisibile all’intelligenza artificiale, che chiede: «Spiegatemi come prendete le decisioni», mentre noi restiamo senza parole.

Cassie Solomon: La cosa più dolorosa del lavoro interfunzionale è che ogni persona arriva nel team dal proprio dipartimento, e la maggior parte di quei dipartimenti vuole conservare una parte della propria autorità decisionale. Come può il team prendere una decisione se devo riportare tutto al mio capo?

Come posso responsabilizzare il team se non ricevo il livello adeguato di revisione legale, di valutazione delle risorse informatiche o di analisi della tolleranza al rischio? E allora questi team girano a vuoto. Non riescono a prendere decisioni e non riescono ad andare avanti. In genere qualcuno dice: «Ci serve la RACI».

Ma questo è il punto in cui si rompe il processo. Se sovrapponi semplicemente lo strumento a quel disordine, può aiutare, ma spesso aiuta nel senso che le persone riconoscono quanto sia disfunzionale la situazione.

Il vero valore sta in ciò che viene dopo: questa è la competenza RACI. Come gestisco la situazione? Come negozio un sistema più snello che possa procedere?

Galen Low: Possiamo tornare all’idea della RACI come strumento di progettazione per il cambiamento a livello di sistema? Da dove si comincia?

In che modo la RACI aiuta a guidare il dialogo per rappresentare ciò che sta accadendo? Come viene utilizzata per decidere quale sarà il nuovo modello? E come superiamo l’idea che ciò che scopriamo sia spesso legato alla politica del potere?

È questo che mi piace del tuo modello. La A non significa accountable, ma authorized. Quando penso ad accountable, penso a chi sarà ritenuto responsabile quando qualcosa andrà storto. Authorized significa invece chi può prendere la decisione. E questo riguarda anche il potere. Come hai detto, i gruppi all’interno di un’organizzazione vorranno conservare il potere.

Possiamo attraversare un esempio semplice di come progettare con la RACI? È più di un acronimo e più di una matrice su un foglio. È un modo per dialogare e progettare qualcosa di nuovo senza finire con il motore elettrico nello stesso punto in cui si trovava il motore a vapore.

Cassie Solomon: Sì, possiamo farlo. Ho preso in prestito una tecnica molto interessante da un cliente e ora la utilizziamo: il flusso di lavoro è in alto e la matrice RACI corrispondente è sotto.

Una delle cose che emergono è che nel mondo esistono moltissimi diagrammi di flusso di lavoro, ma sono soli. Non contengono persone, ruoli o indicazioni su chi faccia cosa. Descrivono soltanto il che cosa.

Durante la lezione beta della certificazione della scorsa settimana, una partecipante ha detto: «Non mi piace il modo in cui funzionano le cose nella mia azienda. Voglio usare la RACI per riprogettare i ruoli. Come posso farlo?» Le abbiamo risposto: «Abbiamo un modello per questo».

Puoi iniziare dicendo: «Ecco tutto il lavoro che voglio che tu svolga. Queste sono le tue R. Voglio che tu prenda qualche decisione?» È una domanda importante. Una volta chiarito questo, puoi chiedere: «Quali tipi di decisioni saranno incorporati nel tuo ruolo? Quale competenza voglio che tu porti nel tuo lavoro e in questo progetto?» È qui che ti collochiamo nella colonna C.

I partecipanti hanno iniziato a riprogettare i ruoli nella loro azienda usando questa lente: c’è un certo lavoro da svolgere, generalmente catturato in un flusso di lavoro. Le persone però non pongono abbastanza spesso la domanda sulle decisioni, e dovrebbero farlo, perché è lì che nascono tutti i problemi.

Quando penso a come progettare la trasformazione, torno al modello del libro. Penso alla RACI come alla combinazione di alcune leve: il processo decisionale e le persone, che rappresentano ciò di cui sei capace, quanto conosci e quale competenza possiedi, combinati con il processo decisionale.

C’è anche l’attività, cioè il flusso di lavoro. C’è la tecnologia. C’è il modo in cui organizzi il lavoro. È un momento affascinante, perché non sappiamo che aspetto avrà il futuro. Dobbiamo riconoscerlo, osservare ciò che accade e prestare attenzione ai segnali insoliti.

Possiamo spingere l’intelligenza verso la prima linea e consentire che la decisione venga presa dal singolo soldato o dal singolo medico. In che altro modo cambierà il lavoro? Non avevamo previsto il lavoro da remoto: è servita una pandemia globale, ma si è trattato di un cambiamento profondo.

Come possiamo immaginare in anticipo cambiamenti di questo tipo?

Galen Low: Mi piace che tu abbia parlato di competenze, capacità ed esperienza, perché penso che sia così che molte organizzazioni aspirano a riprogettare la propria struttura. Si parla di titoli di lavoro come descrittori probabilmente pessimi di ciò che le persone fanno in un’organizzazione.

Possiamo certo inserirle in una casella e dire: «Tutti i medici con questo numero di anni di esperienza sono uguali». Poi diventano responsabili della decisione. Ma dovremmo invece capire cosa deve essere fatto, chi è qualificato per farlo e chi possiede le competenze necessarie, invece di rinchiudere le persone in un titolo.

Forse una persona è R o A in molte attività diverse e questo diventa un nuovo ruolo. Posso immaginare che funzioni molto bene in un team di progetto, senza dover pensare necessariamente alla struttura organizzativa permanente.

Può anche essere un esercizio utile per ottenere chiarezza quando le soluzioni puntuali sembrano destinate a sostituire molti esseri umani. Possiamo usare il dialogo per capire come cambieranno le responsabilità delle persone nel nuovo modello.

Su un diagramma di flusso di lavoro, le decisioni sono semplicemente dei rombi.

Cassie Solomon: C’è un caso molto bello che devo raccontare, forse sarà il modo in cui concluderemo. IKEA ha sostituito molte persone con chatbot per rispondere a domande molto semplici dei clienti.

Quando però ha fatto un passo indietro e ha analizzato le domande ricevute, ha scoperto che molte persone stavano in realtà chiedendo consigli di progettazione. Il chatbot non sarebbe stato in grado di aiutarle. IKEA ha dovuto riqualificare 8.500 persone affinché potessero iniziare a fornire consigli di progettazione di base, e ha guadagnato moltissimo.

Penso quindi che dobbiamo restare aperti alla possibilità che, se siamo davvero disposti a osservare il sistema e a riprogettare il lavoro, l’intelligenza artificiale esponga le lacune. Abbiamo più dati e più intelligenza a portata di mano di quanta l’umanità ne abbia mai avuta nella sua storia.

Che cosa faremo con tutto questo? Licenziare le persone? Sarebbe sciocco. Dovremmo usare quell’intelligenza e quei dati per capire dove si trovano le lacune. Dico sempre alle persone: «Calmatevi, perché questa tecnologia mangerà il vostro lavoro come un piccolo divoratore di Mario Bros, partendo dal basso». Usiamo l’intelligenza artificiale per eliminare il lavoro ripetitivo e utilizziamo i dati generati per capire, come ha fatto IKEA, quale lacuna possiamo colmare.

Galen Low: Mi piace molto. Possiamo vedere le lacune attraverso la RACI, attraverso una mentalità RACI e una comprensione di come vengono prese le decisioni e di dove esistono lacune mentre creiamo qualcosa di completamente nuovo che non avevamo mai immaginato.

Cassie Solomon: Mi piace molto l’espressione completamente nuovo. È davvero efficace.

Galen Low: Parlando di qualcosa di completamente nuovo, come immagini il futuro?

In termini di processi decisionali, abbiamo parlato di organizzazioni che possono avere un unico decisore a una certa scala. Abbiamo parlato del comando centrale che prende decisioni, ma questo può essere lento. Abbiamo parlato di spingere le decisioni verso i margini, così che team e organizzazioni possano essere più agili, e abbiamo parlato dell’intelligenza artificiale che prende decisioni.

Come saranno i processi decisionali e la collaborazione tra due o tre anni?

Cassie Solomon: Lo scopo della certificazione è dire che conosci già il livello base del lavoro RACI. Le richieste nei nostri confronti sono diventate esponenziali: dobbiamo parlare dei ruoli e riprogettarli. Dobbiamo quindi diventare tutti davvero abili nell’uso di questo strumento e permettergli di illuminare le parti invisibili dell’organizzazione che sappiamo ci stanno frenando o che rappresentano opportunità per fare qualcosa di originale e innovativo.

Se non sappiamo parlare il linguaggio dei ruoli con padronanza, resteremo bloccati. Non posso prevedere il futuro, ma posso dirti che i segnali di ciò che sta arrivando sono già presenti oggi. Se impariamo a riconoscerli, possiamo iniziare a costruire la nostra comprensione del nuovo modello.

Galen Low: Mi piace molto. Oggi abbiamo un’abbondanza di informazioni, ma anche un linguaggio che ci aiuta ad avere il dialogo: dobbiamo diventare esperti nel comprendere i processi decisionali e il funzionamento delle cose, così da poter affrontare davvero questa conversazione.

Cassie Solomon: È un momento terrificante e straordinario per cercare di progettare il futuro con questa incredibile nuova tecnologia.

Galen Low: Fantastico. Cassie, è stato incredibile. Adoro parlare con te e ho imparato moltissimo. Grazie per essere tornata nello show e per aver condiviso le tue intuizioni. Per chi volesse saperne di più su di te e sul tuo lavoro con la RACI e con la certificazione RACI, dove può trovarti?

Cassie Solomon: RACI Solutions è il sito che abbiamo creato intorno alla nostra attività di consulenza RACI. Alla fine ci sarà anche una sezione dedicata al corso di certificazione. Stiamo limitando i gruppi a 20 persone perché vogliamo davvero il dialogo e vogliamo che, in questa fase della certificazione, le persone imparino le une dalle altre.

Se qualcuno è interessato, sarei felice che mi contattasse.

Galen Low: Perfetto. Includerò il tuo profilo anche nelle note dell’episodio. E Cassie, grazie ancora.

Cassie Solomon: Grazie, Galen.

Galen Low: Bene, amici. È tutto per questo episodio del podcast del Digital Project Manager. Se avete apprezzato questa conversazione, assicuratevi di iscrivervi ovunque ci ascoltiate.

E se volete ancora più approfondimenti pratici, casi di studio e manuali operativi, create un account gratuito su thedigitalprojectmanager.com. Alla prossima, grazie per l’ascolto