L'attrito è la valuta mancante nella trasformazione dell'IA

Il problema non era la mancanza di competenze delle persone. Il problema era che il sistema costringeva le persone capaci a impiegare troppo tempo a cercare ciò di cui avevano bisogno prima di poter iniziare il lavoro. Documenti essenziali, materiali di formazione, aggiornamenti aziendali, strumenti di comunicazione e riferimenti operativi erano sparsi in diversi luoghi. Le persone sapevano che le informazioni esistevano da qualche parte, ma dovevano comunque cercare, chiedere, confrontare, verificare e ricostruire il contesto prima di poter procedere. La giornata lavorativa non iniziava con la consegna, ma con la navigazione.

Quel fardello era diventato la normalità perché i team si adattano sempre. Salvavano pagine nei segnalibri, ne conservavano copie locali, inviavano messaggi, creavano scorciatoie e si ponevano ripetutamente le stesse domande. Dall'esterno, il lavoro sembrava procedere senza intoppi. All'interno, però, si perdeva tempo a trovare le condizioni per lavorare prima che si potesse creare valore. Il problema aveva un nome: la tassa di ricerca. Non si trattava di una voce di bilancio, di un difetto formale o di un progetto fallito. Era un dispendio operativo quotidiano che era diventato invisibile perché le persone avevano imparato a gestirlo.

La soluzione non era dire alle persone di cercare più velocemente. Non era inviare un altro promemoria, lanciare un'altra campagna di comunicazione o chiedere ai team di essere più proattivi. Il lavoro doveva essere riprogettato in modo che l'accesso diventasse parte integrante del sistema operativo, non una necessità per la sopravvivenza. È stato creato un hub interno centralizzato come unica fonte di risorse essenziali: documenti, strumenti di comunicazione, materiali di formazione e notizie aziendali. È stato strutturato, gestito e progettato per fornire informazioni in pochi secondi, anziché dopo una lunga ricerca su più sistemi. Il peso della ricerca quotidiana è stato eliminato perché il sistema ha smesso di costringere le persone a superare ostacoli evitabili prima di poter contribuire.

Ecco perché l'attrito è importante nella trasformazione basata sull'IA. La maggior parte delle organizzazioni parla ancora del valore dell'IA in termini di adozione, utilizzo, potenziale di automazione e risparmio sui costi. Misurano quante persone hanno utilizzato lo strumento, quanti prompt sono stati inviati, quante licenze sono state attivate, quanti progetti pilota sono stati avviati e quanti casi d'uso sono entrati nella pipeline. Questi segnali sono utili, ma non dimostrano che il lavoro sia migliorato. Un'azienda può avere un elevato utilizzo dell'IA e lasciare comunque inalterato il vero attrito. Può automatizzare un'attività visibile mentre il flusso di lavoro rimane lento, frammentato e dipendente da persone che hanno in mente informazioni mancanti.

L'attrito è la moneta mancante perché mostra dove si perde effettivamente valore. È la ricerca prima dell'azione, il tempo di attesa tra una fase e l'altra, i ripetuti chiarimenti, il confronto manuale tra sistemi, l'approvazione necessaria perché la responsabilità non è chiara, l'eccezione che viene risolta da zero ogni volta, la correzione dopo un output rapido ma incompleto e il caso riaperto dopo che una dashboard ha indicato che il lavoro era stato chiuso. È lo sforzo silenzioso che le persone compiono ogni giorno per mantenere funzionanti sistemi imperfetti.

L'intelligenza artificiale può ridurre gli attriti, ma solo se l'organizzazione sa dove si annidano. In caso contrario, l'IA può velocizzare un singolo passaggio, ma il flusso di lavoro complessivo rimane invariato. Uno strumento può aiutare qualcuno a redigere una risposta più rapidamente, ma se la risposta richiede comunque tre verifiche, due chiarimenti, una ricerca manuale e un'approvazione separata, il lavoro non è realmente cambiato. Un modello può riassumere rapidamente le informazioni, ma se la fonte di verità è frammentata, obsoleta o incoerente, il riepilogo potrebbe solo aumentare la confusione. Un agente può instradare il lavoro più velocemente, ma se la logica delle eccezioni non è chiara, potrebbe inviare il lavoro al posto sbagliato con maggiore sicurezza.

Questa è la differenza tra attività dell'IA e valore dell'IA. L'attività indica che qualcosa sta accadendo. Il valore indica che l'attrito è stato eliminato, ridotto, riprogettato o mantenuto intenzionalmente perché protegge la qualità o il controllo. Senza questa distinzione, i programmi di IA possono sembrare impressionanti dall'alto, ma risultare comunque pesanti a livello operativo. La dashboard mostra l'utilizzo mentre i dipendenti continuano a cercare. Il progetto pilota mostra la velocità mentre i casi vengono ancora riaperti. Il modello produce una risposta mentre il flusso di lavoro richiede ancora l'intervento umano per ricostruire il contesto mancante.

Questo non è un problema nuovo creato dall'IA. L'IA sta solo rendendo più difficile ignorarlo. Le organizzazioni si portano dietro attriti nascosti da anni. Le persone perdono tempo a cercare informazioni, copiare dati tra sistemi, riconciliare report, attendere approvazioni, chiarire la responsabilità, correggere errori e segnalare eccezioni che avrebbero dovuto essere diventate conoscenza riutilizzabile molto tempo fa. Poiché il lavoro viene comunque svolto, l'attrito diventa invisibile. Le persone lo compensano. I manager lo normalizzano. Il reparto finanziario raramente ne vede il costo completo. I team di trasformazione passano all'iniziativa successiva.

Poi arriva l'IA e lo stesso attrito si trasforma in un problema di scalabilità. Se la fonte della verità è frammentata, il recupero delle informazioni da parte dell'IA diventa fragile. Se la responsabilità del processo non è chiara, l'IA non può risolvere il problema dell'attribuzione delle responsabilità. Se le eccezioni non vengono rilevate, l'IA le interpreta come sorprese. Se i team non concordano su cosa sia un buon risultato, gli output dell'IA richiedono ulteriori verifiche. Se i dipendenti dedicano già troppo tempo alla raccolta del contesto, l'IA potrebbe aggiungere un ulteriore livello di complessità, a meno che non venga risolto il problema di accesso sottostante.

L'esempio della tassa sulle ricerche è rilevante perché rivela una verità operativa fondamentale: i team raramente incontrano difficoltà solo per mancanza di impegno o talento. Spesso, le difficoltà derivano dal fatto che il sistema rende più complicato del necessario un lavoro utile. Cercare non significa produrre risultati. Ricostruire il contesto non significa produrre risultati. Porre la stessa domanda più volte non significa produrre risultati. Passare da un sistema all'altro per trovare la versione più recente di un documento non significa produrre risultati. Queste attività possono essere necessarie in un ambiente inefficiente, ma rappresentano comunque un ostacolo.

La stessa logica si applica all'IA. Il suggerimento non è di per sé valore. La generazione non è di per sé valore. La sintesi non è di per sé valore. Il valore emerge quando il lavoro procede meglio grazie ad esso. Un problema del cliente viene chiuso correttamente. Un processo finanziario necessita di meno correzioni. Un manager riceve un segnale aggiornato invece del report della settimana precedente. Un dipendente dedica meno tempo alla ricerca e più tempo a decidere. Un'eccezione diventa riutilizzabile invece di essere riscoperta. Un flusso di lavoro diventa più facile da gestire perché il percorso è più chiaro.

Ecco perché i leader dovrebbero essere cauti con le metriche di adozione dell'IA. L'adozione indica se le persone utilizzano lo strumento, ma non se lo strumento sta effettivamente riducendo gli attriti. Un team potrebbe utilizzare l'IA quotidianamente e continuare a perdere tempo a controllarne l'output. I dipendenti potrebbero generare più contenuti e comunque impiegare più tempo per allinearsi su ciò che è vero. Un chatbot potrebbe gestire più domande e comunque aumentare i contatti ripetuti se le risposte sono incomplete. Un assistente interno potrebbe sembrare utile, mentre i dipendenti continuano a utilizzare fonti di fiducia separate perché non credono che il sistema sia aggiornato.

Quando i leader chiedono solo l'adozione, i team si concentrano sull'ottimizzazione per favorirla. Organizzano sessioni di formazione, promuovono l'utilizzo, raccolgono casi di successo e pubblicano dashboard interne. Queste azioni possono essere utili, ma possono anche creare mera apparenza se si ignora la questione fondamentale. Dove esattamente si sta eliminando l'attrito? Qual era la situazione di partenza? Quali ritardi sono scomparsi? Quali rilavorazioni sono diminuite? Quali ricerche non sono più necessarie? Quali eccezioni vengono ora gestite in modo più coerente? Quale sforzo umano è passato dall'assemblaggio alla valutazione?

L'attrito conferisce alla trasformazione dell'IA un linguaggio valoriale più onesto perché collega operazioni, finanza, tecnologia, governance e persone. Le operazioni percepiscono l'attrito come ritardi e rilavorazioni. La finanza lo vede come costi nascosti o capacità inutilizzata. La tecnologia lo vede come requisiti poco chiari e scarsa aderenza al sistema. La governance lo vede come scarsa tracciabilità ed eccezioni incontrollate. I dipendenti lo percepiscono come sforzi sprecati e frustrazione. I dirigenti, infine, lo vedono come una trasformazione che sembra frenetica ma non cambia abbastanza.

Ecco perché l'attrito dovrebbe essere trattato come una valuta. Non perché tutto si possa ridurre al tempo risparmiato, ma perché l'attrito mostra dove l'organizzazione sta pagando senza sempre rendersene conto. Il prezzo da pagare può essere tempo, qualità, capacità, fiducia, velocità, esperienza del cliente, controllo o attenzione da parte del management. Un'azienda può sostenere questo costo per anni, perché è distribuito tra persone e funzioni. Nessuno riceve una fattura per confusione, ricerca, correzione, attesa o eccezioni ripetute. Ma il costo è reale.

Anche un piccolo attrito rimane tale, se si ripete. In un singolo contesto operativo, ridurre il tempo di download delle fatture da 16 a 8 secondi potrebbe sembrare un dettaglio insignificante se considerato come una singola transazione. Ma se ripetuto su un flusso di lavoro elevato, quel piccolo cambiamento diventa rilevante perché la frequenza modifica il valore dell'attrito. Pochi secondi moltiplicati per migliaia di transazioni diventano capacità. Un controllo manuale ripetuto ogni giorno si trasforma in una struttura di costi. Un cambio di sistema ricorrente diventa una tassa occulta.

Anche i casi aziendali di intelligenza artificiale richiedono la stessa disciplina. Una piccola correzione dopo ogni output generato può sembrare innocua finché non si ripresenta in migliaia di casi. Un breve ritardo causato da una logica di approvazione poco chiara può sembrare gestibile finché gli agenti non iniziano a instradare il lavoro più velocemente di quanto gli esseri umani riescano a chiarire la responsabilità. Un'eccezione ripetuta può sembrare un caso speciale finché l'organizzazione non si rende conto di aver pagato per risolvere manualmente la stessa anomalia ogni settimana. L'attrito diventa costoso quando si ripete, e la maggior parte degli attriti aziendali si ripete.

L'errore sta nel considerare l'attrito come un reclamo dell'utente anziché come un segnale operativo. I dipendenti che dicono "ci vuole troppo tempo" spesso descrivono qualcosa di più di un semplice inconveniente. Potrebbero indicare una mancanza di responsabilità, un accesso limitato, una progettazione del sistema inadeguata, conoscenze obsolete, regole poco chiare o un flusso di lavoro che dipende da interventi manuali complessi. Quando le organizzazioni ignorano questo segnale, perdono le prove necessarie per progettare un lavoro migliore. Ascoltando attentamente, invece, individuano i punti in cui l'intelligenza artificiale può essere d'aiuto e quelli in cui si limiterebbe a mascherare il sintomo.

Non tutti i punti di attrito devono essere eliminati. Un certo grado di attrito protegge l'azienda. Una seconda revisione può essere necessaria nelle decisioni ad alto rischio. Un controllo legale può essere opportuno. Una fase di convalida manuale può tutelare clienti, dipendenti o l'accuratezza finanziaria. L'obiettivo non è eliminare ogni interruzione dal flusso di lavoro, ma saper distinguere tra attrito protettivo e attrito accidentale.

L'attrito protettivo è intenzionale. Esiste perché il rischio lo giustifica. L'attrito accidentale, invece, si verifica quando il sistema è poco chiaro, obsoleto, frammentato o mal gestito. La trasformazione indotta dall'IA diventa più efficace quando le organizzazioni riescono a separare i due tipi di attrito. Eliminare l'attrito protettivo può creare rischi. Automatizzare l'attrito accidentale può velocizzare la progettazione di sistemi deboli senza però risolverli. La scelta giusta dipende dalla comprensione delle cause dell'attrito.

È qui che la mentalità dell'architetto diventa pratica. L'eroe operativo si muove intorno agli ostacoli. L'architetto si chiede perché questi ostacoli continuino a presentarsi e se l'organizzazione debba eliminarli, riprogettarli, gestirli o preservarli. L'eroe porta a termine il lavoro con lo sforzo. L'architetto crea le condizioni affinché il lavoro non dipenda più da quel livello di sforzo. L'intelligenza artificiale ha bisogno di un maggior numero di persone che adottino questo secondo approccio.

Nel caso della tassa sulle ricerche, le persone avevano sviluppato i propri metodi per superare gli ostacoli. Questo è ciò che fanno i team di successo. Ma la soluzione non era celebrare per sempre la loro capacità di adattamento. La soluzione era rendere la chiarezza parte integrante del sistema. Una volta che le risorse sono state centralizzate, gestite e rese facilmente accessibili, il team non è diventato più prezioso solo perché esisteva un nuovo strumento. È diventato più efficace perché il sistema ha smesso di fargli perdere tempo prima ancora che il lavoro iniziasse.

Questo è lo stesso standard che l'IA dovrebbe rispettare. Se l'IA viene aggiunta a un ambiente di conoscenza frammentato, potrebbe recuperare frammenti più velocemente senza creare verità. Se l'IA viene aggiunta a un flusso di lavoro con responsabilità poco chiare, potrebbe accelerare i passaggi di consegne senza migliorare la responsabilizzazione. Se l'IA viene aggiunta a un processo pieno di eccezioni non gestite, potrebbe produrre risultati affidabili ma incompleti. Se l'IA viene aggiunta a un team già sommerso dalle correzioni, potrebbe aumentare il carico di lavoro a meno che il lavoro non venga riprogettato.

La sequenza corretta è fondamentale. Innanzitutto, bisogna rendere visibile il lavoro. Poi, bisogna identificare gli attriti. Quindi, bisogna decidere quali attriti rappresentano uno spreco, quali sono dovuti al controllo, quali alla mancanza di conoscenza, quali a una scarsa responsabilità, quali a un malfunzionamento del sistema e quali sono parte integrante della gestione del rischio. Solo dopo, l'organizzazione dovrebbe decidere quale ruolo debba avere l'IA. Altrimenti, l'IA diventa una scorciatoia per raggiungere la stessa confusione.

Questo cambia anche la giustificazione economica. Una giustificazione economica debole afferma che l'IA farà risparmiare tempo perché un'attività diventerà più veloce. Una giustificazione economica più solida afferma che l'IA ridurrà un punto critico ben definito, all'interno di un flusso di lavoro definito, misurato rispetto a una baseline reale, includendo correzione, rilavorazione, escalation e governance. È più difficile da realizzare, ma è molto più difficile da falsificare.

I leader dovrebbero porsi domande diverse. Non solo quante persone hanno utilizzato lo strumento di intelligenza artificiale, ma quale punto critico è scomparso. Non solo quante ore sono state teoricamente risparmiate, ma se quelle ore sono state effettivamente liberate o dedicate alla verifica. Non solo se il modello ha risposto più velocemente, ma se il caso è rimasto risolto. Non solo se l'agente ha instradato il lavoro, ma se le eccezioni sono state indirizzate al responsabile corretto. Non solo se l'organizzazione ha una roadmap per l'IA, ma se ha una mappa dei punti critici.

Una mappa delle frizioni non deve essere eccessivamente complessa. Si parte da dati concreti: dove le persone aspettano, dove cercano, dove copiano, dove cercano di conciliare, dove chiedono chiarimenti, dove i casi vengono riaperti, dove si ripetono le eccezioni, dove intervengono i manager e dove i dipendenti mantengono silenziosamente sistemi paralleli perché quello ufficiale non funziona. Questi dati sono già presenti all'interno dell'organizzazione. Il problema è che di solito vengono distribuiti, normalizzati e non trattati come strategici.

Le organizzazioni globali devono essere ancora più caute perché l'attrito varia a seconda del contesto. Un processo può avere lo stesso nome in tutte le regioni, ma l'attrito al suo interno può essere diverso. In un paese, l'attrito può derivare dalla normativa. In un altro, dalla complessità linguistica. In un altro ancora, dalla gestione specifica del cliente. In un altro, dalla maturità del sistema. In un altro, dalla progettazione dei processi di approvazione interni. Un programma di intelligenza artificiale centralizzato che presuppone che l'attrito sia lo stesso ovunque non coglierà la realtà locale. Un approccio locale, privo di una disciplina condivisa, creerà frammentazione. L'equilibrio si trova nella logica dei valori comuni unita all'evidenza operativa locale.

Ecco perché l'attrito è un punto di partenza migliore rispetto alla produttività generica. La produttività può diventare un concetto troppo ampio e troppo facile da definire. L'attrito, invece, ci costringe a concentrarci sul lavoro vero e proprio. Cos'è esattamente questo rallentamento? Qual è il suo costo? Chi lo sopporta? Con quale frequenza si ripete? Perché esiste? L'intelligenza artificiale dovrebbe eliminarlo, ridurlo, instradarlo, gestirlo o lasciarlo stare?

Il problema della "tassa sulla ricerca" è stato risolto perché l'organizzazione ha smesso di considerare la ricerca come un'attività normale. Questa è la lezione. Molte opportunità offerte dall'IA si troveranno allo stesso modo: rifiutandosi di accettare le continue difficoltà come costo naturale delle operazioni. L'organizzazione non deve inseguire l'IA fine a se stessa. Deve identificare le attività che non dovrebbero essere così complesse come sono, e poi decidere se l'IA è il meccanismo giusto per migliorarle.

La trasformazione digitale basata sull'IA non diventerà credibile solo perché più persone la utilizzano. Diventerà credibile quando il lavoro procederà meglio grazie ad essa. Meno ricerche superflue. Meno chiarimenti ripetuti. Meno correzioni occulte. Meno casi riaperti. Migliore accesso alla verità. Gestione delle eccezioni più chiara. Governance più solida. Più tempo dedicato al giudizio anziché all'assemblaggio.

Questo è lo standard. L'attrito non è un concetto astratto. È il costo operativo del lavoro che non scorre. Le organizzazioni che riescono a comprenderlo prenderanno decisioni migliori in materia di IA. Le organizzazioni che non ci riescono continueranno a confondere l'attività con il progresso.

Domande e risposte

D: Cosa significa attrito nella trasformazione dell'IA?

A: L'attrito è l'ostacolo che impedisce al lavoro di passare agevolmente dall'intento al risultato. Comprende la ricerca, l'attesa, la rielaborazione, i chiarimenti ripetuti, il cambio di sistema, il confronto manuale, la mancanza di chiarezza sulla responsabilità, la riapertura dei casi, la gestione delle eccezioni e le correzioni nascoste.

D: Perché l'attrito è un indicatore di valore migliore rispetto all'adozione?

A: L'adozione indica se le persone utilizzano uno strumento. L'attrito indica se il lavoro sta effettivamente migliorando. Un team può utilizzare l'IA in modo intensivo e continuare a subire gli stessi ritardi, rilavorazioni, correzioni e oneri di ricerca. L'utilizzo dimostra il contatto con lo strumento, non il suo valore.

D: L'intelligenza artificiale può creare maggiore attrito?

R: Sì. L'IA può creare maggiori attriti quando gli output richiedono verifiche approfondite, quando le informazioni di origine non sono affidabili, quando la logica delle eccezioni non è chiara, quando la governance viene aggiunta dopo l'implementazione o quando i dipendenti non si fidano abbastanza del sistema da utilizzarlo per un lavoro significativo.

D: Tutto l'attrito è negativo?

R: No. Alcuni attriti proteggono l'azienda, come ad esempio la revisione legale, i controlli di qualità o le fasi di approvazione ad alto rischio. La chiave è distinguere tra attrito protettivo e attrito accidentale. L'attrito protettivo dovrebbe essere progettato. L'attrito accidentale dovrebbe essere eliminato o riprogettato.

D: Cosa dovrebbero misurare i leader per comprendere l'attrito?

A: I leader dovrebbero misurare i tempi di attesa, i tempi di ricerca, le rilavorazioni, gli sforzi di correzione, i tassi di riapertura, il volume delle escalation, le eccezioni ripetute, i ritardi nel passaggio di consegne, i confronti manuali e se i dipendenti impiegano tempo a raccogliere informazioni contestuali invece di creare valore.

D: Qual è il primo passo pratico?

A: Iniziate identificando i punti in cui i team perdono tempo prima che inizi il lavoro vero e proprio. Analizzate le fasi di ricerca, verifica, riconciliazione, chiarimento e ricostruzione del contesto. Spesso è proprio in questi ambiti che l'IA può essere d'aiuto, ma solo se prima si comprende il lavoro sottostante.