Come Sbloccare la Crescita Prevedibile con la Gestione delle Risorse Abilitata da Dati e GenAI

Leggi la Trascrizione:

Stiamo sperimentando la trascrizione dei nostri podcast tramite un programma software. Per favore, perdona eventuali errori di battitura, poiché il bot non è sempre corretto al 100%.

Galen Low: Benvenuti alla nostra tavola rotonda sull'uso dei dati e dell'AI come sfera di cristallo per il management delle risorse. E non per esagerare, lo discuteremo. Lo analizzeremo a fondo. Scopriremo di cosa si tratta davvero. È qualcosa che ci piace fare ogni mese con i nostri membri e ospiti VIP.

È un modo per coinvolgersi direttamente con gli esperti e con chi contribuisce e collabora con noi su The Digital Project Manager. Per chi non mi conosce, mi chiamo Galen, sono fondatore, co-fondatore di The Digital Project Manager, e oggi sarò anche vostro moderatore. Quindi sarete in mia compagnia per un po', ma con me ci sono anche un team straordinario di alcuni dei migliori esperti di operations di agenzia che conosco — Ann Campea, Marcel Petitpas e Grant Hultgren.

La gestione delle risorse è un tema estremamente popolare nel mondo delle agenzie, e onestamente, anche per molte organizzazioni. Credo che ci sia un valido motivo: non avere le giuste risorse disponibili per portare avanti programmi e iniziative chiave rappresenta un rischio enorme che può compromettere il raggiungimento degli obiettivi, e persino alcuni posti di lavoro all’interno della vostra organizzazione.

E penso sia per questo che la gestione delle risorse avviene su molti livelli diversi di un'organizzazione, dal comporre il giusto team per i tuoi progetti, all’avere la giusta struttura di talenti interna perché tutto proceda. Ma quando si tratta di prevedere il futuro, noi umani, nella migliore delle ipotesi, facciamo una supposizione e, nella peggiore, assumiamo ipotesi troppo ottimistiche filtrate da lenti color rosa.

A volte presumiamo che Surrender completerà un’attività velocemente quanto Kathy, se non fosse in malattia improvvisa. A volte assumiamo che Kelvin possa lavorare su 8 progetti per 8 ore al giorno senza perdita di tempo dovuta al cambio di contesto. E spesso pensiamo che Elena e Leila debbano avere le stesse preferenze, competenze, e conoscenze lavorative solo perché condividono la stessa mansione.

Alla fine dei conti, la gestione delle risorse è difficile, soprattutto perché tipicamente coinvolge variabili che non controlliamo, ovvero le persone. Ma mentre il nostro approccio non è cambiato molto negli ultimi decenni, almeno dal mio punto di vista, la tecnologia sì. Quindi, la domanda che mi sono posto è: con tutti gli strumenti che usiamo e i dati che raccogliamo, non potremmo sfruttarli per fare previsioni migliori su risorse e su cosa accadrà, nei nostri progetti, nelle iniziative, con i nostri obiettivi? Ecco cosa esploreremo oggi.

E, onestamente, inizierò con la domanda più ampia per tutti i panelisti: con tutte queste organizzazioni che diventano sempre più orientate ai dati e con l’emergere dell’AI generativa, perché la gestione delle risorse non è già del tutto automatica e “magica”?

Forse passo la palla a Marcel per primo. Sei tu sul banco.

Marcel Petitpas: Certo. La risposta semplice è che i dati sono disordinati e le persone imprevedibili. È davvero entusiasmante il potenziale della GenAI nell’aiutarci a ottenere valore e interpretare i dati, ma la premessa è sempre che i dati siano perfettamente puliti, strutturati, con schemi chiari e nomenclatura coerente, senza errori né outlier. Allora sì che la GenAI risponde velocemente. Quello che vedo davvero entusiasmante è che il modo in cui interagiamo con i dati verrà rivoluzionato.

Tra dieci anni penseremo che navigare tabelle, applicare filtri e ordinare per avere una visualizzazione sarà arcaico. Ma il problema che rimane è che servono dati buoni e puliti perché l’AI possa offrire quelle funzionalità.

Purtroppo, come manager e responsabili delle operations, gestiamo dati creati da persone e quindi per natura imperfetti. Bisogna pianificare tutto questo nella progettazione di processi e sistemi dati.

Galen Low: Ottima precisazione sulla “pulizia” del dato. Affronteremo in seguito anche il tema della data literacy e di chi deve possederla – spoiler: probabilmente tutti.

Ann, vuoi aggiungere qualcosa sul perché la gestione delle risorse non sia già più facile con tutta questa tecnologia?

Ann Campea: Innanzitutto, concordo con Marcel: si tratta di ottenere dati validi. E c’è sempre quell’elemento umano legato al loro raccolgimento. Nella mia esperienza, costruiamo strumenti, pensiamo di avere i report giusti, osserviamo le metriche corrette, ma poi tutto torna alla qualità del dato. Ottenere buoni dati è come cercare di catturare un fulmine in una bottiglia.

È complicato. A volte non è affidabile perché c’è il fattore umano. Le persone sono meravigliosamente imprevedibili. Nell’esempio che hai fatto, Susie potrebbe gestire 50 progetti in una settimana, mentre Joe va in ferie tre giorni e produce di meno. Come si rileva tutto questo nei dati? Dal tracciamento del tempo, alla complessità dei progetti, alla capacità del personale di produrre? E ognuno lavora in modo diverso.

Quindi, per ribadire il concetto di Marcel: servono dati affidabili, poi la tecnologia e l’AI possono essere costruite sulla base di quelli. E aggiungo: capita anche di dover far convivere tecnologie vecchie e nuove, e ora ci mettiamo sopra anche l’AI.

Come possiamo far funzionare insieme tutti questi elementi, mantenendo comunque l’essere umano nella catena decisionale?

Galen Low: Mi piace.

E tornando a Grant, come dicevi, lo strumento non è una bacchetta magica. Ci sono altre variabili. Questo è un buon momento per superare il concetto “è complicato”.

Perché non è più facile? Semplice: dati puliti e persone. Ma che dati dobbiamo effettivamente raccogliere? Lo so, esiste un universo di dati possibili, ma Grant, secondo te, quali sono i punti dati che un’agenzia o qualsiasi organizzazione dovrebbe rilevare per gestire le risorse in modo più accurato?

Ci sono dati meno tradizionali o persino controversi da considerare?

Grant Hultgren: Sì, tornando al tema: in cosa credi? Spesso, quando inizi in agenzia, o la entri da nuovo, si tratta di creare una propria autonomia operativa. Spesso pensi di poter fare meglio della realtà precedente, quindi definisci tu certi parametri. E, improvvisamente, attribuiamo significati diversi a diversi dati. Come dice Marcel, però, termini diversi ma stessi concetti.

Se guardi i KPI, sono d’accordo con lui. Nel nostro mondo SaaS, ad esempio: ricavo per dipendente fatturabile, ricavo per tutti i dipendenti, margini di progetto vs. marginalità generale trimestrale o annua, inclusi i costi fissi. Sono elementi comuni. Dal lato project management digitale, tutto è parte di un ecosistema che confluisce poi nei KPI superiori.

E come diceva Ann, gli strumenti vanno dai più obsoleti ai moderni. Qui nasce la sfida: ci si può davvero fidare di sistemi interni per fornire dati affidabili su cui basare modelli AI per decisioni ottimali?

Non siamo ancora a quel livello. Ecco perché le persone sono così importanti. Nessuno accuserà l’AI per un margine di progetto mancato: guarderemo tutti il project manager e diremo: che è successo? Interpretaci i dati. E Ann ha ragione: ad esempio, se qualcuno era in malattia, l’AI non l’ha rilevato. Non è accettabile. Ci arriveremo forse, ma non credo che i parametri cambieranno tanto, quanto il modo di aggregarli al livello superiore. Marcel, sei d’accordo?

Marcel Petitpas: Sì. Faccio un esempio pratico: a Parakeeto, quando dobbiamo strutturare un sistema di forecasting, partiamo dalla capacità. Questo varia da un’organizzazione all’altra: alcuni pensano alle skill (design, project management, sviluppo, copywriting), altri ai task. Allora: task, ruoli, titoli di lavoro, che paradigma mentale usa la vostra azienda per ragionare sulla capacità e assumere?

Cerchiamo di creare un livello di astrazione semplice (5-8 macro-bucket di capacità). Così, la pianificazione segue lo stesso schema (nomi delle categorie, tempo stimato raggruppato negli stessi bucket).

Poi, per il time tracking, ogni registrazione deve essere ricondotta a uno di questi bucket. Se costruiamo dati strutturati in questo modo e aggiungiamo altre info (tipo di lavoro, cliente, offerta, fasi) possiamo collegare meta-dati così che, ad esempio, la domanda “Per ogni euro di budget su un sito web, quanti minuti di design in media servono?” diventi risolvibile anche con set dati piccoli, trovando una buona retta di “best fit” e distinguendo tra attività prevedibili e non, individuando dove il processo non funziona.

Se in azienda non siamo consistenti, prevedere il futuro sarà difficile anche con dati ottimi. Quindi: modello di capacità, modello di pianificazione e come si mappa il tempo speso negli stessi bucket per evitare inutili attriti.

Galen Low: Mi piace questa idea: ci sono cose prevedibili e altre impossibili da pianificare. E il nostro desiderio umano è risolvere, ma forse non si può del tutto.

L’altra cosa che mi colpisce è che serve buono e pulito. Qui la tecnologia aiuta, perché ricordo una matrice di skill per il mio staff fatta in Google Sheets: ti senti su 10 su Drupal? “Boh, direi 10…” e compilare tutto era un casino. L’intenzione era ottima: come ti piace lavorare, su quali progetti punti, ecc. Ma la quantità di dati era ingestibile per noi esseri umani. Come dici, sono modelli, molta tassonomia. È da qui che che la tecnologia può aiutare davvero.

Grant Hultgren: Puoi anche architettare tutto alla perfezione. Ma tutto potrebbe cambiare tra un’ora: il cliente firma lo statement of work, cambia scope, arriva una pandemia, cambiano i costi… Serve allineare i contributor che sono sul campo per informare il dato nel miglior modo e per adottare quei cambiamenti incrementali.

Quello che ha spiegato Marcel, è il motivo per cui la nostra azienda esiste. Con lo stesso mindset cerchiamo di codificare i dati, trovare il metodo di misurazione giusto. Puoi assumere consulenti come Marcel o Ann, ognuno ha il suo metodo, o provare a incapsularlo nei tool. Ma i problemi sono sempre quelli: come arrivare dal vertice all’ultimo collaboratore. Dove serve precisione, dove accuratezza, dove sta il valore.

Galen Low: Parliamone: dati puliti sembrano un mito, non tanto dal punto di vista tecnico ma proprio umano. Ann, la componente umana: come fare per ottenere l’adesione delle persone all’idea di tracciare più dati?

Molti odiano tracciare il tempo. Marcel, hai pubblicato su LinkedIn sull’utilizzo… sono cose che stressano le persone e rovinano il morale. Ora chiediamo loro di tracciare ancora più dati, più modelli. Come li convinci che sia utile?

Ann Campea: Domanda difficile! Difficile allineare tutti i livelli. Dirò: Marcel, hai scritto “la formula magica” da proporre agli stakeholder per mostrare come misurare risorse/capacità, ecc. E Grant ha citato i continui cambiamenti. Come controllare questa variabile mobile?

Si tratta di ottenere consenso su una struttura: anche se diversa da altri, ma se leadership e cultura aziendale vi credono, allora c’è buy-in. Senza quello – anche con tool/report/cronometri perfetti – quello diventa il blocco più grosso. Tutto torna all’elemento umano. Ho visto spesso che i manager pensano la “quantitativa oggettiva” dominerà. Ma, onestamente, persino nei dati quantitativi ci sarà variabilità soggettiva perché, ancora una volta, sono gli esseri umani a inserire i dati. Quando presento, chiarisco sempre: “questi sono i risultati di uno studio tempo, ci sarà sempre una certa variabilità soggettiva”.

Se vuoi ottenere consenso, devi essere onesto su cosa rappresentano i tuoi dati. Non puoi dire: “è 100% accurato”, non sarà mai così, ma ci si può avvicinare. Ecco il primo passo per “vendere” la formula agli stakeholder.

Galen Low: Approccio collaborativo: non calare la soluzione dalla cima, ma dare contesto e onestà. Soprattutto perché spesso si pretende che il totale sia sempre 40 ore, preciso, perfetto. Mentre tu dici: presentiamolo con variabilità.

Marcel, torna sull’idea di precisione vs accuratezza?

Marcel Petitpas: Sì. Si parla spesso di soluzioni per migliorare la compliance: gamification, reminder, pre-compilazioni… Ma il problema vero, come Ann diceva, è il buy-in. E poi, spesso, il loop non si chiude: i collaboratori che inseriscono i dati non vedono mai realmente come vengono usati quei dati. Si inventano una storia che spesso non è lusinghiera nei confronti dell’azienda. Dovrebbero vedere davvero il risultato concreto, essere coinvolti.

Molte aziende sono restie a mostrare i dati perché “non sono ancora buoni”, quindi diventa un circolo vizioso. Io suggerisco sempre: fate comunque la riunione, anche se pensate che i dati non siano buoni. Da qui potete anche scoprire che l’insistenza su alcuni KPI porta a reazioni opposte a ciò che volete. Ad esempio, se tutto è sotto budget e dite che potete vendere il doppio, la gente obietta: “ma non ce la facciamo a gestire davvero il doppio”. Risposta: “perfetto, questa informazione è preziosa per pianificare”. Così si sposta il pendolo verso la verità e il team capisce che questi dati li proteggono.

Infine, se si chiede di tracciare tempi su ogni micro-task, milestone, fase, progetto… è troppo! Va semplificato: meglio bucket ampi, più utili e significativi, più veloci a raggiungere la significatività statistica e ottenere maggiore compliance. Lo stesso vale per la pianificazione delle risorse: assegnazioni individuali non vi porteranno a una previsione a sei mesi. C’è troppo movimento. Quindi: adatta la metodologia alla domanda che vuoi risolvere.

Galen Low: Bella idea… anche se un po’ “subdola”, ma funziona!

Ann, come dicevi: si parte dai dati, ma si avvia una conversazione su ciò che nei dati non c’è. La cultura va costruita abbassando la pressione, perché nessuno vuole spiegare perché solo 70% del tempo è utilizzato, o perché ci sono volute sette ore per un compito da cinque. Tutti hanno paura. Ma semplificare è meglio che complicare inutilmente il dato per cercare la “perfezione”.

Fare un po’ di storytelling: avete storie di successo dove siete riusciti a coinvolgere e alzare la data literacy nell’organizzazione così che la pianificazione sia migliorata? O, al contrario, qualche storia horror dove l’ostacolo vero era proprio la scarsa adesione?

Grant Hultgren: Racconto una vittoria. Ho lasciato da parte mie rigidità in un’agenzia digitale, seguendo consigli simili a quelli sentiti ora: fidati del team, spiegagli il perché delle analisi di margine progetti e dei costi per ruolo, anche senza svelare dettagli confidenziali. Mostrando perché è importante e facendo educazione.

Dopo un anno, la maggiore soddisfazione non è stato un KPI, ma vedere tre persone formare famiglia, due comprare casa. Il CEO ha detto: “questo è stato l’anno più gratificante della mia carriera”. Questo era ciò che voleva offrire al team. Spesso viviamo nell’ansia se ci sarà lavoro tra tre mesi — e quell’incertezza non sparirà mai. Ma la maggiore conquista è stata sentire confermata la fiducia nelle scelte di vita dei colleghi. Magari poi qualcuno ha cambiato strada, ma quando fai bene il tuo lavoro puoi trovare ragioni di orgoglio per quei momenti.

Dobbiamo sempre lavorare su dati e processi, ci saranno fasi di crescita e di contrazione, momenti duri e più facili, e nessuna scorciatoia. Ma la collaborazione rende il percorso meno duro. Perché farlo per i PM, allora? Per non bruciare i migliori, aiutare i junior a crescere. Quando si aggregano i dati, si può essere strategici e offrire reali opportunità di crescita e sviluppo professionale che migliorano la vita.

Può sembrare aspirazionale, ma vivendo quell’esperienza, resto orgoglioso di quei momenti. Certo, ho anche fallito, ma quella è stata una parentesi speciale.

Galen Low: Mi piace: non solo data literacy, ma far capire che la crescita non riguarda solo l’agenzia, bensì la crescita personale, di carriera e tra pari. Tutto per una maggiore serenità, speriamo con miglioramento. E questa è una motivazione importante.

Grant Hultgren: Non è una crescita lineare. Il mercato decide cosa è di successo e cosa no. Essere adattivi e iterativi è la chiave, anche nell’implementazione dati. Serve lavorarci ogni giorno.

Galen Low: Bello!

Ann Campea: Difficile aggiungere a Grant, ma a volte ti senti l’eroe quando usi i dati anche solo per evitare il burnout della tua squadra, sostenendo la necessità di risorse extra. Se riesci a dipingere un quadro realistico, anche solo con dati “abbastanza buoni”, sull’impatto della complessità dei progetti, puoi equilibrare meglio il carico e allineare i manager ai problemi veri. Si tratta di piccole vittorie: usare i dati per raccontare cosa sta succedendo alle risorse è spesso sufficiente a cambiare le sorti di un’organizzazione.

Galen Low: Marcel, tu hai una storia?

Marcel Petitpas: Sì, storia di turnaround di un cliente che, in apparenza, era un esempio da manuale: grandi clienti, lavori favolosi, premi vinti. Ma sotto la superficie c’era molto burnout, un vero e proprio ciclo “abbondanza-penuria”: picchi oltre il 150% di utilizzo, tutti al lavoro di sera e nei weekend, poi lunghi periodi vuoti e licenziamenti. Le solite divisioni: i PM che danno la colpa alle vendite, le vendite ai creativi, tensioni tra tempo e denaro (scoping e pricing). Se il budget del cliente era basso, si faceva finta che servisse meno tempo; se alto, viceversa, senza distinguere che prezzo e scoping sono sì collegati, ma anche distinti.

Siamo intervenuti separando questi elementi, definendo chiaramente la struttura dati e tracciando l’effettivo. Abbiamo identificato lavori rischiosi e non. Il videomaking, ad esempio, era super imprevedibile e con margini bassissimi, ma causava enormi stress. Al contrario, branding, siti web e strategia erano più profittevoli e gestibili.

Con queste informazioni, per il team vendite abbiamo creato un sistema matematico oggettivo per scoping e pricing, condiviso con i PM. Il risultato? L’agenzia è cresciuta fino al 60 e poi 90% year over year, con margine cresciuto oltre il 500%. Ma sono più orgoglioso della drastica riduzione di straordinari e settimane lavorate di sera.

Tutto questo dimostra il potere delle operations: si tratta di convertire le assunzioni in proiezioni sul futuro. Più togliamo soggettività (tramite i dati) e più proiettiamo ciò che è reale nel futuro, più possiamo fare del bene a tutti i portatori di interesse.

Galen Low: Boom. Rapido aneddoto: parlando con persone in ambito accademico/agenzie, tutti odiavano il tracciamento del tempo, ma alcuni hanno detto “sarebbe fantastico, è l’unico modo per comunicare al capo che sono sopraffatto”. I dati avviano conversazioni che diversamente non partirebbero – anche solo “dobbiamo continuare questa cosa che ci sta bruciando?”.

Voglio passare ad alcune domande del pubblico. Comincio da una su AI generativa, dati ed etica:

Domanda: Se immettiamo dati di progetto in uno strumento di GenAI, come garantire la sicurezza dei dati? Bisogna usare solo strumenti approvati dall’azienda, o anche altro? Dove si traccia la linea etica nel raccogliere dati sulle persone (preferenze di lavoro, competenze, tempi)? Quando si diventa invasivi?

Grant?

Grant Hultgren: Ho lavorato con agenzie marketing dove i contenuti sono prodotti anche via AI generativa. Primo passo: dichiariamo se usiamo queste tecnologie, cosa comporta? Internamente abbiamo discusso su quali livelli di qualità accettiamo, e, se tutto è ok, allora sfruttiamolo come tool, con consapevolezza.

Se i dati sono interni, il discorso è più semplice, purché si sia conformi (noi per esempio siamo Soc2, GDPR, quindi sappiamo cosa si può o no condividere con AI). Spesso si possono anonimizzare dati e proteggerli nelle proprie pipeline.

In agenzia: se il cliente non lo ha espressamente approvato, non userei quei dati per AI. È una questione di tutela della relazione, vitale nel nostro mondo, dove si basa spesso sulla fiducia personale. Talvolta i tool AI sono potenti ma vanno usati solo come supporto (es: suggerimenti di processi), mai per fornire direttamente diagnosi al cliente.

È un’area grigia, anche legalmente: ChatGPT è sotto accusa sulle fonti. Ci stiamo tutti beneficiando dei dati, ma il tema resta aperto.

Galen Low: Sì, sul tema compliance: ci sono tantissimi tool, alcuni serissimi lato sicurezza, altri solo MVP costruiti in fretta. Molto dipende dall’affidabilità.

Grant Hultgren: Vero. E anche internamente siamo attenti a cosa possiamo o dovremmo fare: non tutto quello che abbiamo va passato ai tool.

Galen Low: Boom. Ottimo.

Ann Campea: Vorrei sottolineare l'aspetto etico: anche la GenAI porta dei bias, bisogna quindi usarla con cautela. Il PMI ha una propria piattaforma AI che attinge solo da fonti verificate, ma la linea etica si traccia anche su come usi i dati. Capita che, presentando dati a uno stakeholder, lui pretenda quelli che servono ai suoi scopi. Un PM deve stare molto attento a usare dati — specie AI — per informare decisioni senza manipolare o distorcere la realtà per far piacere qualcuno. La tentazione di piegare il dato esiste: attenzione a non oltrepassare quella linea.

Galen Low: L’altro lato del data storytelling! Non essere un martello in cerca di chiodi, insomma.

Domanda successiva, sempre dal pubblico: pensate che in futuro gli strumenti riusciranno ad accomodare l’aspetto “umano” e la complessità dei progetti, o servirà sempre l’intervento manuale?

Marcel Petitpas: Opinione personale: difficile pensare che si possa automatizzare completamente. Guardate la guida autonoma: se ne parla da dieci anni, ma il “last 2%” è difficilissimo. Abbiamo ancora commercialisti e consulenti malgrado Excel e QuickBooks esistano da secoli! Possiamo arrivare al 98% di automazione — con dati strutturati bene — ma ci sarà sempre bisogno del giudizio umano. Anche se la pipeline fosse totalmente automatizzata, serve osservabilità, perché con ChatGPT o simili non sai perché è arrivato a una certa risposta — non hai trasparenza sui ragionamenti. Un grande limite se parliamo di alterazioni di dati o assunzione di decisioni delicate sui dati. Esistono molti edge case (tempo registrato per errore ecc.) che solo una persona può validare davvero.

Grant Hultgren: Concordo. Per me, il meme è: pensavo che l’AI mi aiutasse a lavare i piatti, invece fa arte… Preferisco iniziare ad automatizzare le attività ripetitive, lasciando all’AI il compito di suggerire (“vuoi davvero assegnare altro a Marcel?”). Solo dopo si potrà apprendere e migliorare. Ma dire che oggi affiderei la gestione dell’azienda all’AI? No. Ci sono eventi che nessun modello prevederà (una pandemia, scelte morali, errori da compensare o valorizzare ecc.). Sono valutazioni troppo sottili tra relazioni umane e business.

Galen Low: Quindi, “umano al volante”, ma esploriamo zone grigie: se un tool AI ti suggerisse: “Vuoi davvero Tony su questo lavoro? È lento… Sergio è più veloce.” E Tony resta sempre in panchina. È bene delegare questo alla macchina?

Marcel Petitpas: Risponde il CEO: questi pensieri fanno già parte del nostro lavoro. Quindi la domanda è: quali valori e standard mettiamo dietro a queste decisioni? Se dati e AI possono supportare il processo, benissimo. Posso dire che avere più oggettività è un dono, ma servono dei paletti chiari. L’implementazione va fatta con attenzione e poi mantenuta. Può aiutare a evitare decisioni troppo “di pancia” e portare a scelte più corrette per l’organizzazione.

Grant Hultgren: Le persone non abbandonano il lavoro, ma i cattivi manager. Se usi la tecnologia per “spremere” le persone, spero che tutti ti lascino. Il punto è valorizzare anche i junior che stanno crescendo e dare a ciascuno il giusto ruolo, non solo “scaricare” chi rende meno. L’equilibrio si trova solo con intenti chiari e rispetto dei valori, così la gente resterà volentieri e sarai giudice equo.

Galen Low: Mi piace quest’ottica: le decisioni sono sempre complesse, anche con la migliore tecnologia. Ann?

Ann Campea: Concordo: la GenAI deve essere un partner, non dirigere le nostre decisioni come esseri umani. Il PMI propone sempre “umanità nel loop”. Da GenAI ottengo due spunti: può aiutare a eliminare il lavoro noioso, liberando spazio per la creatività; e, sulla leadership, l’AI non ti darà mai un abbraccio o capirà davvero se hai avuto una brutta giornata come una persona può. Detto tutto!

Galen Low: Già addestrata bene, quell’AI! Ultima domanda:

Raccolta e presentazione dei dati come intervallo, non come valore assoluto: può aiutare rispetto ai fattori umani “imprevedibili”?

Marcel Petitpas: Esempio concreto: che tempo farà oggi? Posso dirti “saranno 24,3 gradi” o “tra 22 e 27”. La seconda opzione è meno precisa ma più accurata. Più si sale nella scala organizzativa, più serve ragionare in termini probabilistici e presentare dati sotto forma di range, perché riflette meglio la realtà. Noi a Parakeeto lo facciamo e aiuta la discussione e le scelte.

Galen Low: Boom, ottimo!

Grant Hultgren: Provate a mantenere una previsione precisa anche solo quattro settimane avanti, figurarsi sei mesi… L’intervallo è fondamentale per riconoscere alti e bassi, scegliere i clienti buoni o meno, e capire dove portare il business.

Galen Low: Boom. Difficile pianificare davvero con troppa precisione.

Perfetto, siamo arrivati in fondo. Grazie ancora Grant, Marcel, Ann — grazie per il vostro tempo e la partecipazione.

Come sempre, se vuoi unirti alla community con oltre mille professionisti del project management, vieni nel nostro collective. Visita thedigitalprojectmanager.com/membership per saperne di più. E se ti è piaciuto questo episodio, iscriviti e resta aggiornato su thedigitalprojectmanager.com. Alla prossima e grazie per l’ascolto.