Realizzare Progetti di Intelligenza Artificiale

Leggi la Trascrizione:

Stiamo provando a trascrivere i nostri podcast utilizzando un programma software. Per favore, perdona eventuali errori di battitura, dato che il bot non è preciso al 100% delle volte.

Galen Low: Hai di nuovo fatto quei sogni. Sai, quello in cui ogni altro PM del tuo team è un cyborg? Oppure quello in cui il prodotto di IA che il tuo team sta sviluppando diventa autocosciente e schiavizza l’umanità?

Rilassati.

Certo, l’intelligenza artificiale è un argomento caldo al momento, ma esiste, in qualche forma, già da decenni. E ti circonda: suggerisce le frasi per le tue email, ti raccomanda video, calcola il percorso migliore per andare al lavoro, tutto questo sopra ogni cosa.

Ma sì, portare a termine progetti che coinvolgono l’IA è una grande responsabilità e, onestamente, un’inevitabilità. E come per qualsiasi tecnologia in rapida evoluzione, non tutti i progetti sono destinati al successo. Quindi... quella pressione che senti è valida e reale.

Se sei qualcuno che sta cercando di capire l’intelligenza artificiale e il modo in cui influenzerà la gestione dei progetti digitali, l’episodio di oggi è pensato per te. Andremo a fondo nelle ragioni per cui i progetti di IA falliscono e cosa possiamo fare, come project manager, per offrire ai nostri progetti legati all’IA la miglior opportunità di successo.

Ciao a tutti e grazie per essere qui. Mi chiamo Galen Low e sono con Digital Project Manager. Siamo una community di professionisti digitali con la missione di aiutarci a vicenda a diventare più abili, sicuri e connessi, così da poter amplificare il valore della gestione dei progetti nel mondo digitale. Se vuoi saperne di più, vai su thedigitalprojectmanager.com.

Oggi parliamo di progetti che coinvolgono l’intelligenza artificiale e di come le pratiche agili possono aiutare a gestire alcune delle complessità di creare un prodotto basato sull’IA.

Con me oggi ci sono Kathleen Walch e Ron Schmelzer, soci amministratori e analisti principali di Cognilytica e anche conduttori di AI Today—un podcast dedicato a intuizioni pratiche e del mondo reale su ciò che succede nel campo dell’intelligenza artificiale.

Kathleen, Ronald, benvenuti!

Ronald Schmelzer: Grazie per averci invitato.

Kathleen Walch: Siamo davvero entusiasti di essere qui.

Galen Low: È fantastico avervi come ospiti nello show. Per chi ci ascolta, stavamo giusto parlando da “nerd” di podcast perché Ron e Kathleen fanno podcast sull’IA da, quanto, sei anni ormai?

Kathleen Walch: Circa, sì.

Galen Low: Quindi sto raccogliendo tutti i loro consigli e segreti e mi sento un po’ sotto pressione.

Mi sento un po’ a disagio, ma ho pensato, partiamo subito. L’IA è un tema interessante in questo momento nel mondo del project management, forse anche a livello globale. Il vostro podcast ha tantissimi ascoltatori. Tutti stanno cercando di tenere il polso su questa cosa che si muove così velocemente ed è generalmente abbastanza fraintesa.

Ma prima di addentrarci, mi chiedevo: potreste dirci qualcosa di Cognilytica? Cosa vi ha portato a creare la vostra organizzazione e come aiutate le persone a orientarsi nel mondo dell’intelligenza artificiale?

Kathleen Walch: Certo. Cognilytica esiste da circa quanto il nostro podcast, dal 2017. È nata perché Ron e io avevamo già lavorato insieme in precedenza in una società chiamata Tech Breakfast, che era essenzialmente un evento mattutino in stile demo.

Molto imprenditoriale, non necessariamente focalizzato sull’IA, ma sulla tecnologia in generale. Per aiutare a mostrare e mettere in evidenza cosa stesse accadendo in diverse aree degli Stati Uniti. Quindi eravamo in circa 12 sedi, da Boston a New York, l’area di Washington DC, Northern Virginia, Maryland. Abbiamo fatto tappe anche in Texas, North Carolina e la Silicon Valley, ovviamente.

Così, da Tech Breakfast, abbiamo iniziato a vedere molto fermento in particolare nel campo degli assistenti vocali e della tecnologia vocale. E abbiamo detto, ok, qui potrebbe esserci qualcosa. Così sono nate le prime idee per Cognilytica. Cognilytica è iniziata come una società di ricerca, consulenza ed educazione focalizzata sull’IA. E quello che abbiamo rapidamente capito è che le persone che gestivano progetti di IA—il termine intelligenza artificiale è stato coniato nel 1956—non lo facevano correttamente.

Il concetto non è nuovo, esiste da decenni a questo punto, eppure sembra ancora nuovo. E penso che per molti lo sia. Magari non ne hanno mai sentito parlare davvero. È solo nell’ultimo decennio circa che è iniziata a diventare mainstream. Le persone interagiscono giornalmente con questa tecnologia: tramite assistenti vocali, tramite lo smartphone, con il riconoscimento facciale, ecc.

Quello che abbiamo riscontrato è che molte persone non gestivano i progetti di IA in modo corretto e il tasso di insuccesso era alto. Così abbiamo deciso di fare un passo indietro e capire cosa stesse succedendo e perché. Sul nostro podcast, abbiamo anche una serie dedicata ai fallimenti nell’IA, dove entriamo nei motivi più comuni per cui questi progetti falliscono.

E possono riguardare la qualità dei dati, problemi di quantità dei dati, oppure magari il ritorno sull’investimento non è presente. Le persone vogliono fare IA solo per farla. Un altro grosso motivo era che, per qualche ragione, le persone promettono troppo e poi mantengono poco, quindi promettono troppo su ciò che l’IA può fare. Si entusiasmano per la tecnologia e poi ovviamente deludono perché magari il progetto era troppo ambizioso.

Prendono un impegno superiore alle possibilità. Così abbiamo detto: dobbiamo concentrare l’attenzione sull’educazione fondamentale e davvero mostrare e insegnare alle persone come fare bene l’IA, includendo il seguire le migliori pratiche metodologiche. E lascio la parola a Ron per presentarsi e proseguire su questo.

Ronald Schmelzer: Presentazione fantastica.

Quindi, sono Ron Schmelzer, anch’io managing partner qui in Cognilytica. Sai, una delle cose che abbiamo scoperto, e il motivo per cui penso anche il podcast abbia avuto tanto successo, è che dedichiamo tanto tempo a concetti e spiegazioni, persino alla terminologia.

Perché alcune cose sono confuse. Come diciamo, alcune sono quasi volutamente confusionarie. Usiamo le stesse parole per esprimere cose diverse. Usiamo parole diverse per dire la stessa cosa, perché l’intelligenza artificiale è in realtà l’insieme di molteplici comunità affini, ma differenti. Ci sono quelli della robotica tradizionale e dei sistemi di controllo.

Poi c’è tutto il gruppo degli statistici e degli esperti di analisi che portano un background di analytics. Abbiamo i linguisti e chi si occupa di linguaggio naturale. E poi chi ha lavorato in cibernetica e nei sistemi di controllo, e dice: usiamo questa parola per descrivere... ed è interessante.

Usiamo queste parole, ma nessuno cerca davvero di sistemare il problema. Si mette tutto insieme. E nel frattempo, molte ricerche: appena la gente si entusiasma per l’IA, piovono soldi, a volte miliardi di dollari.

All’improvviso questi ricercatori si ritrovano in grandi aziende come Microsoft, Amazon, Google, Facebook eccetera e guidano questi progetti. Come diceva Kathleen, davvero gran parte del nostro tempo è dedicato alla formazione; abbiamo rilasciato i primi corsi nella storia di Cognilytica, come i fondamenti dell’intelligenza artificiale e le applicazioni dell’IA e simili.

Quello ha preso rapidamente piede e abbiamo finito per fare molta formazione per enti governativi: governi federali, statali, locali, internazionali, Australia, Regno Unito, Singapore, tanti paesi con cui collaboriamo, oltre a grandi aziende e organizzazioni. E penseresti che dopo tutti questi anni ormai abbiano capito.

Ma naturalmente vai lì e ti sorprendi. Ti chiedi: come fanno a fare tutto questo e a non avere basi solide? E questo ovviamente ci ha portato a questa metodologia, di cui parleremo, su come gestire questi progetti di IA, perché ciò che le organizzazioni avevano in comune erano gli stessi errori ripetuti.

E non perché non ci sono persone intelligenti, anzi: ci sono molti dei ricercatori più brillanti e noti del settore e hanno ottima tecnologia. Quindi la causa è altrove e, come sapete, la “magia” che fa funzionare molte cose è il project manager, ed è per questo che siamo qui.

Galen Low: È curioso sentirti parlare delle origini dell’intelligenza artificiale, coniato negli anni ‘50… mi viene in mente la fantascienza che poi diventa realtà. Così come la domanda sul perché i progetti IA falliscano.

Ne parleremo, ma sto riflettendo alla differenza tra il provare a costruire qualcosa di fantascientifico, tipo la teletrasportazione, e invece chiedersi: perché la teletrasportazione? Qual è l’impatto sul business? Come colleghiamo questa tecnologia all'utilizzo concreto?

Ronald Schmelzer: Esatto, e lo vediamo ora: in questi giorni stanno uscendo notizie sul fallimento di una delle società di veicoli autonomi. Argo, società da miliardi, ha appena chiuso, licenziato 2000 persone, ha venduto team e tecnologia a Ford e VW.

C’è un grande articolo: si pensa che la magia sia finita e i veicoli autonomi forse non avverranno, ma questo va nel segno della tua domanda: adoro il concetto ma la mancanza di guida nel business—non c’è un driver davanti, ma neanche un driver nel business. Quindi, è solo la smania di farcela quella che conta? O dobbiamo tornare al ritorno sull’investimento per farla funzionare?

Galen Low: Ottimo punto. E penso che molti ascoltatori, in generale, quando sentono “progetti di IA” pensano subito a veicoli autonomi, conversazioni, chatbot… ma è un campo vastissimo, l’intelligenza artificiale non è solo questo. Quindi magari possiamo chiarire: quando parliamo di progetti che coinvolgono l’IA, di cos’altro parliamo? Quali altri esempi esistono?

Kathleen Walch: Sì. Anche all’inizio per noi era una difficoltà, perché quando si parla di IA, spesso si intendono cose molto diverse. Chatbot conversazionali, veicoli autonomi (che amo, come dice Ron). E magari io parlo di manutenzione predittiva. Sono tutte IA, ma non sono la stessa cosa.

Per rendere più semplice la categorizzazione abbiamo individuato sette pattern dell’IA, perché tutti i progetti visti rientrano in uno o più di questi.

A grandi linee sono: sistemi conversazionali (computer che comunicano con umani e viceversa, ma anche tra computer, ad esempio con la traduzione automatica); sistemi autonomi (l’obiettivo è eliminare la presenza umana dal sistema: veicolo autonomo, ma anche software autonomo, routing automatico, rilevamento dei colli di bottiglia, ecc.); pattern di riconoscimento (estrarre senso da dati non strutturati, come nella computer vision e riconoscimento facciale);

sistemi guidati da obiettivi (rinforzo, percorsi ottimizzati, giochi);

pattern di pattern & anomalie (trovare pattern o anomalie nei dati); pattern di iper-personalizzazione (niente più segmentazioni, ma trattare ogni individuo come tale: pensiamo a medicine personalizzate o marketing avanzato);

infine, pattern di analisi predittiva (usare dati del passato o presenti per aiutare nelle previsioni).

Visti così, si riesce a inquadrare meglio anche il tipo di dati o algoritmi necessari, chi coinvolgere nel team, ecc. Serve a chiarificare la conversazione.

Galen Low: Mi piace il termine pattern. All’inizio pensavo a pattern come in informatica, invece sembra più quello del cucito (cartamodelli): un pattern per un vestito guida verso un certo risultato, diverso da un pattern per pantaloni. È corretto?

Ronald Schmelzer: Sì, il termine pattern è uno di quei termini inglesi. Usiamo questa parola in modo generale, ma la metafora del cartamodello è azzeccata. A volte penso al “cookie cutter”, lo stampo per i biscotti, perché i sistemi di machine learning devono imparare da dati e sono tutti forme di riconoscimento di pattern.

Il pattern conta perché un pattern per il linguaggio non lo puoi usare per il riconoscimento immagini (il vestito non ti serve per le scarpe). L’obiettivo dell’intelligenza artificiale generale (AGI) è proprio quello: un sistema capace di imparare tutto.

Per ora invece facciamo IA “stretta”, Narrow AI, ovvero risolviamo solo pattern specifici. Ecco perché serve distinguere e non puoi usare il sistema che gioca a scacchi per il riconoscimento immagini. È come dire: lavoro nella moda—ok, ma che tipo di capi?

Così funzionano le cose al momento. L’analogia è calzante.

Galen Low: Ancora più interessante: non siamo nemmeno certi di come funzioni il cervello umano, eppure cerchiamo di costruirne uno pezzo a pezzo. È quasi che questa corsa all’AGI serva a capire come si costruisce un cervello. Partiamo da funzioni locali ma, alla lunga, finiremo per arrivare a qualcosa di più generale…

Uno degli aspetti che abbiamo toccato prima riguarda proprio la delivery: quali sono le differenze tra lanciare un progetto IA rispetto ad altri progetti digitali? Quali caratteristiche chiave occorre che i project manager comprendano per avere successo?

Ronald Schmelzer: Ottima domanda, è il motivo per cui siamo qui. Come dicevamo nella chiacchierata pre-show, molti dei motivi per cui i progetti di IA falliscono sono riconducibili a questioni fondamentali di project management. Ci sono due problemi principali: gli esperti di dati e IA spesso ignorano i fondamenti del project management; ma anche i project manager che vengono coinvolti trattano un progetto IA come qualsiasi altro progetto digitale—ma ci sono grandi differenze. La più grande è che i sistemi di IA dipendono totalmente dai dati. Mentre puoi costruire un sito web o un’app mobile senza dati iniziali, un sistema di machine learning apprende TUTTO dai dati. Usando set di dati diversi, due chatbot identici avranno performance molto differenti.

Nel caso di Microsoft e del famoso Tay bot, permisero a Internet di fornire i dati di training… puoi immaginare il risultato: in 24 ore fu disattivato perché divenne razzista e offensivo. Mai lasciare l’addestramento a Internet!

Abbiamo imparato che occorre gestire i progetti IA in modo data-centrico, il che implica cose molto specifiche. Passo la parola a Kathleen su cosa significhi esattamente eseguire un progetto data-centrico.

Kathleen Walch: Per gestire un progetto data-centrico, serve una mentalità orientata ai dati. E le giuste metodologie e pratiche specifiche. Molti non lo fanno, trattando i progetti IA come semplici sviluppi software: così falliscono. Noi siamo promotori del fare bene l’IA.

Non vogliamo più questi fallimenti. Promuoviamo la metodologia CPMAI (Cognitive Project Management for AI). Abbiamo riscontrato che, specialmente qualche anno fa, c’era confusione su dove iniziare: dalla comprensione del business o dei dati?

Molti pensavano: se i dati sono tutto, partiamo dai dati. Invece bisogna partire dal business: se non risolvi un VERO problema, perché farlo? Molti inseguivano la moda IA perché “l’ha detto la direzione”. Ma se non c’è un vero ritorno, si sprecheranno solo tempo e denaro. Dopo un flop, la direzione ti chiederà: ma abbiamo speso 5 milioni per cosa?

Ecco un’altra causa di insuccesso.

Galen Low: Interessante anche il tema del contesto. In tante discipline si lavora “a compartimenti”. Anche il project manager viene spesso visto come risolutore universale (“guns for hire”), ignorando le peculiarità di un progetto dati rispetto, ad esempio, a un sito web. Quante differenze ci sono! Project management non è un mestiere “monolitico”: serve molta curiosità e specializzazione, e comprensione del contesto generale.

Poi entrambe le figure coinvolte, sia scienziato dei dati che PM, rischiano di non vedere la foresta per gli alberi se non comprendono la visione di business e la strategia organizzativa. Perché, come dicevamo per i veicoli autonomi, tutto può cambiare da un momento all’altro, soprattutto con l’IA dove il settore evolve a velocità folle. Senza contesto, rischi di essere “scaricato” senza capire perché.

Ronald Schmelzer: Questo problema può emergere anche in progetti big data non IA. Quelli di IA sono di fatto progetti big data. Uno degli errori più classici: “Basta il dato e creo un modello, un sistema di raccomandazione, un chatbot…” Ma avete verificato davvero quali dati avete? Spesso scopri di non avere accesso, o i dati non ci sono proprio, o sono di pessima qualità, o c’è un problema di privacy, sicurezza... E così il progetto parte ma è già zoppo. Magari serve ANCHE un altro progetto per pulire, etichettare, integrare, reperire nuovi dati... tutto ciò non era nel budget e nelle tempistiche: ecco che il progettino si sfalda rapidamente, e dopo 12, 18 mesi non hai prodotto nulla perché stai ancora pulendo o raccogliendo dati. E magari nel frattempo il mercato è cambiato, certe esigenze non ci sono più… Walmart ha investito milioni su un robot di scansione scaffali e l’ha cancellato dopo anni perché non funzionava.

Possiamo pensare in grande, ma occorre partire in piccolo ed iterare spesso. Magari bastava una telecamera su un carrello spinto a mano invece di un robot autonomo! Separare riconoscimento da autonomia: per questo parliamo di pattern.

Galen Low: L’asticella sull’IA è altissima: deve essere rivoluzionaria, il “tutto o niente”. Ma forse la prima iterazione, invece di un robot che fa la colazione, potrebbe limitarsi al suggerire una ricetta personalizzata! Parlando di iterazione: Agile secondo voi è davvero la metodologia perfetta per l’IA, o ci sono forzature e limiti nell’approccio agile?

Kathleen Walch: Molte organizzazioni sono agili, o almeno ci provano. Qualcuno in realtà non lo è per niente: noi scherziamo parlando di “wagile” (waterfall + agile) perché spesso è una via di mezzo. Progetti che durano 12, 18 mesi: non è agile! Secondo noi, l’agilità serve, ma va potenziata per i progetti IA, sempre ricordando che gestiamo progetti dati e adattando la mentalità agile al contesto.

Ronald Schmelzer: Immagino Agile come una spirale continua: hai il tuo progetto principale (es. una soluzione di diagnosi IA), che non è fine a sé stessa ma funzionale a qualcosa, e poi il “black box” del modello di machine learning. Sono due cicli iterativi intrecciati, con cadenze e tempistiche diverse: ci possono essere micro iterazioni per il modello e macro per il progetto generale. Le funzionalità possono evolvere da “stupide” via via sempre più sofisticate. Seguire una metodologia come CPMAI (che è più un processo che una metodologia… una serie di step: 1) definizione esigenze di business, 2) verifica dati, 3) preparazione dati, 4) sviluppo modello, 5) valutazione modello, 6) messa in produzione, e così via) è utile: questi step si inseriscono nel ciclo agile e non lo sostituiscono, ma lo integrano.

Galen Low: Adoro questi framework che guidano senza irrigidire. In PM c’è chi si fissa sulle regole pure, mentre la vera agilità richiede flessibilità e adattamento. La vera utilità di standard e linee guida è quella di essere spunti di riferimento, non binari obbligatori, e la “wagile” non dovrebbe essere un ritorno al waterfall per la parte di raccolta dati: può e deve esserci iterazione anche su quella. La metafora delle spirali concentriche è utile.

Spesso pensiamo in modo troppo lineare: dobbiamo imparare a pensare “intrecciato” e multidimensionale perché le cose cambiano sempre e serve comunicazione continua.

Ronald Schmelzer: Spesso le ipotesi sbagliate sono fatali: ad esempio, si pensa di aver bisogno fin da subito di petabyte di dati e delle reti neurali più complesse. Ma per la prima iterazione magari basta un decision tree con un dataset minuscolo! È una questione di trovare l’approccio giusto, meno costoso e rischioso. Così non si blocca il progetto, si risparmia tempo e poi si migliora progressivamente. Un po’ come la questione del “cavo corto sull’aereo”: la prima iterazione poteva essere una semplice corda...

Kathleen Walch: Seguire un approccio passo-passo aiuta tutti a essere in linea. Avere tutto concreto e tracciato previene i soliti “incidenti”. Sorprende vedere quante realtà lavorino ancora in modo “ad hoc”! Un buon approccio step-by-step aiuta a evitare sorprese di costi o ritardi anche solo per accedere o pulire i dati. Qualche volta il problema è la cultura organizzativa, quindi serve il coinvolgimento della leadership. Oppure, come detto, si può partire con un piccolo set di dati a cui già si ha accesso, evitando rotture di silos o lotte interne tra dipartimenti.

Galen Low: Questo porta anche a un altro tema: le aspettative spesso non allineate. Non solo leadership che si attende un robot e riceve un carrello scansione, ma anche team troppo ottimisti che promettono molto e poi deludono dopo aver speso milioni. Come affrontare queste conversazioni? Come gestire le aspettative e armarsi degli argomenti giusti?

Kathleen Walch: Bisogna capire cosa può e non può fare l’IA. Non è una tecnologia “taglia unica”. Se ti serve una cosa sempre uguale, meglio l’automazione tradizionale. L’IA non ti dà mai risultati identici sempre, è probabilistica. Non è sempre la soluzione giusta: è meglio essere onesti e non forzare. Uno dei motivi per cui l’IA storicamente fatica è proprio l’esagerare le promesse e poi deludere: fenomeno dell’“inverno dell’IA” (cali di investimenti e fiducia). Siamo in una “primavera dell’IA”, ma rischiamo un nuovo inverno se continuiamo a promettere troppo. Bisogna essere realistici con le aspettative e curare l’ambito del progetto. E se l’IA è davvero quella giusta, seguire le best practice.

Galen Low: L’importanza della responsabilità di chi crea il lavoro e la fiducia degli “investitori”. Tangibile la connessione.

Ronald Schmelzer: Comprendiamo perché la tentazione di promettere tanto esista: per sbloccare davvero la trasformazione digitale servirebbero macchine più intelligenti, in grado di gestire eccezioni, giudizio, ecc. C’è questa voglia di automatizzare anche i compiti complessi.

Però ci sono rischi, come le decisioni algoritmiche non ricorsive che possono interrompere servizi o escludere persone senza via di uscita. Ecco perché ha senso parlare di “intelligenza aumentata”, mantenendo l’umano nel ciclo, almeno in parte. È questa la visione realistica secondo noi: si migliora il digitale, ma con gradualità e attenzione alle ricadute.

Galen Low: E sul fronte della “resistenza”? Se c’è diffidenza, paura (“vedrai che l’IA finirà in un’era glaciale”, addirittura...), come si affronta il tema con team che temono l’IA, o viceversa con chi è troppo entusiasta?

Kathleen Walch: Serve il coinvolgimento della leadership, perché sia le paure razionali che quelle emotive bloccano l’adozione. Nessuno vuole sentirsi sostituito. Ma diversi studi lo confermano: il “paradosso dell’automazione” vede aziende come Amazon assumere più persone con più automazione. Le macchine fanno le cose ripetitive, insicure, ecc., lasciando all’umano compiti più complessi—come l’ultimo miglio delle consegne, l’empatia al telefono, eccetera. L’IA si prende cura delle attività più noiose (tipo “quali sono gli orari del negozio?”), l’umano resta per ciò che conta.

Ma è dirimente ascoltare davvero il personale! Chiedere: quali sono i compiti che non ti piacciono? Concentriamoci su quelli con automazioni, IA o “intelligenza aumentata”, così da far lavorare di più le persone sui compiti appassionanti. Questo ascolto cambia tutto.

Ronald Schmelzer: Esiste un certo livello di sfiducia manageriale giustificato, specie dopo la pandemia. Ma bisogna distinguere tra il lavoro che si fa e la funzione. Se sei nel customer service, la tua mansione è la relazione con il cliente—non l’inserimento dati! Lavorare sei ore al giorno a inserire dati non giova né all’azienda né a te. Automatizzare quello consente di riportare valore ovunque. Penso sempre, per esempio, alla quantità di tempo sprecata in telefonate con enti pubblici che sarebbe risolta da automazioni di base.

Il tema vero non è la tecnologia, ma la gestione del cambiamento!

Galen Low: Domanda che molti ascoltatori sicuramente si pongono: l’IA sostituirà i project manager?

Kathleen Walch: Ottima domanda. Secondo noi, i ruoli che richiedono empatia ed esperienza umana unica non spariranno, ma cambieranno. L’IA non uccide i “lavori”, ma le “categorie di lavoro”. Dal computer abbiamo perso stanze di segretarie… ma oggi abbiamo ruoli che prima non esistevano (social media marketer, ecc.). Chi lavora nel PM non si salverà dal cambiamento, ma la propria funzione verrà potenziata dall’IA: certi compiti manuali spariranno o saranno agevolati, ma la funzione di PM rimarrà, evolvendo.

Ronald Schmelzer: Sì, spesso il vero problema nei progetti IA era proprio una mancanza di project management. Quindi, paradossalmente, più IA, più bisogno di PM! Guardando a come occupiamo il nostro tempo, tra riunioni, analisi, documentazione… se l’IA può aiutare a fare meglio alcune di queste cose (ad esempio con trascrizioni automatiche, o “assistenti” in call), non sparisce il ruolo del PM, ma migliora l’efficacia dell’organizzazione e la capacità di portare a termine i progetti. Il futuro ruolo potrebbe cambiare, ma ci sarà sempre bisogno di coordinatori. Noi stessi ci appassioniamo a questo incrocio IA + PM e chissà che non rilanceremo con nuovi prodotti e iniziative su questo tema.

Galen Low: Bello, rassicurante. Probabilmente i ruoli resteranno, anche se cambieranno i compiti. Per concludere: l’elemento chiave è la comprensione dell’IA. Più si conosce, meglio ci si muove. Ma come si può acquisire l’essenziale senza dover diventare subito super-esperti?

Kathleen Walch: Per noi è il motivo principale della formazione e certificazione CPMAI: pensato per chi non ha background scientifico o di matematica avanzata, permette a tutti di gestire un progetto di IA anche senza diventare specialisti. Per chi non se la sente subito consigliamo il corso gratuito introduttivo su CPMAI, su AItoday.live/cpmai: tre ore, panoramica utile per project manager e non solo. La metodologia è step-by-step, iterativa, permette di ritornare sugli step senza rigidità.

Ronald Schmelzer: Aggiungo che spesso sottovalutiamo la confusione terminologica. Dopo anni di podcast, abbiamo deciso di pubblicare un “glossario” delle parole chiave. Da 100 termini siamo passati a 300! Sul podcast AI Today c’è una serie intera su questi temi, utilissima soprattutto per chi si avvicina al mondo IA. Restare aggiornati e connessi è essenziale. Anche noi vogliamo avvicinarci di più al mondo PM, cross-pollinare eventi e community, e rassicurare tutti che, capendo la terminologia e i concetti chiave, si può partecipare senza paura.

Galen Low: Adoro questa idea di contaminazione e scambio. Chissà, magari faremo un evento condiviso tra community per imparare e crescere insieme.

Kathleen Walch: Sicuramente.

Galen Low: Grazie Ron, Kathleen, per essere stati ospiti del podcast! È stato divertente, ricchissimo di spunti, sono certo che chi ci ascolta ha tratto molto valore. Linkerò qui sotto il vostro podcast, tutte le risorse AI Today e anche Cognilytica per chi vorrà approfondire. Grazie ancora per aver condiviso tempo e pensieri.

Kathleen Walch: Grazie, è stato un vero piacere.

Galen Low: E voi cosa ne pensate?

Gestire un progetto di intelligenza artificiale richiede davvero un approccio specifico per avere successo? O un progetto è semplicemente un progetto, con le stesse sfide di sempre?

Raccontateci: quando un tool o tecnologia IA ha complicato il vostro progetto? Come avete risolto?

E se volete affinare le vostre capacità di project leader strategico, unitevi a noi!

Andate su thedigitalprojectmanager.com/membership per accedere a una community di supporto che condivide conoscenza, risolve sfide complesse e plasma il futuro del mestiere insieme.

Da template robusti e sessioni di formazione mensili che fanno risparmiare tempo ed energia, al supporto dei pari tramite Slack, eventi live e mastermind group: essere parte della nostra community significa avere oltre un migliaio di persone dalla propria parte per orientarsi nella carriera di PM digitale.

Se questo episodio ti è piaciuto, iscriviti e resta in contatto su thedigitalprojectmanager.com.

Alla prossima, grazie per averci ascoltato.