L’integrazione di nuove tecnologie all’interno delle dinamiche aziendali solleva costantemente interrogativi profondi non solo sulla natura degli strumenti stessi, ma sull’evoluzione delle relazioni umane che ne derivano.
Durante il convegno “Design in Action: Design as a value creation practice”, promosso dall’Osservatorio Design Thinking for Business presso gli Osservatori Digital Innovation del Politecnico di Milano, il dibattito si è concentrato sulle ricadute operative psicologiche e reali di questa trasformazione. Il Senior Researcher Michele Melazzini ha coinvolto Michele Signoretto, Design Manager di BIP Officina, per esplorare le frizioni vissute quotidianamente dai professionisti del settore.
Il confronto ha permesso di sviscerare le complessità legate all’introduzione dell’AI nel Change Management, evidenziando come l’adozione di nuovi strumenti tecnologici richieda un approccio radicalmente diverso rispetto al passato, capace di mettere in discussione i modelli organizzativi tradizionali e le stesse modalità di reclutamento dei talenti.
Indice degli argomenti
La polarità del progettista: tra spinta operativa e guida umanistica
L’apertura della discussione ha inquadrato immediatamente la condizione psicologica e operativa di chi oggi è chiamato a progettare soluzioni per le aziende.
Esiste una profonda divisione interna, una polarizzazione, che caratterizza il lavoro quotidiano dei pensatori progettuali e dei designer. Da una parte, i professionisti avvertono la necessità di mantenere saldo il timone sui valori fondanti del proprio lavoro, ricordando costantemente quali siano gli impatti reali e la componente umana del progetto. Questo aspetto rappresenta la guida, la visione a lungo termine e l’essenza stessa della progettazione.
Dall’altra parte, emerge una fortissima attrattiva verso gli strumenti operativi. Melazzini ha descritto questa dinamica ricorrendo all’immagine del “mettere le mani in pasta”, sottolineando come i risultati delle ricerche mostrino una vera e propria adozione compulsiva di nuove tecnologie. Questa urgenza di controllare i nuovi strumenti a disposizione si scontra con l’opportunità, forse ancora inesplorata, di delegare alle macchine alcune operazioni per potersi riappropriare del tempo necessario a ricominciare a pensare.
Signoretto ha confermato come l’Intelligenza Artificiale sia attualmente la tecnologia su cui sta personalmente investendo le maggiori energie e risorse.
Le resistenze silenziose e l’isolamento nell’era dell’AI
L’integrazione dell’AI nella gestione del cambiamento rivela dinamiche sociali complesse all’interno degli uffici, portando alla luce un debito relazionale che rischia di frammentare i team di lavoro.
Secondo l’analisi condivisa dal Design Manager di BIP Officina, l’AI possiede una caratteristica peculiare rispetto alle tecnologie del passato: le persone ne hanno sperimentato le potenzialità prima nella propria sfera privata, portandola solo successivamente all’interno dell’ambiente professionale. Questa dinamica di adozione “dal basso” ha colto di sorpresa le strutture dirigenziali e costretto le organizzazioni a rincorrere il cambiamento per supportare i dipendenti rimasti indietro.
Oggi gli uffici sono popolati da due macro-gruppi estremamente distanti: individui che padroneggiano la tecnologia con estrema sofisticazione e colleghi che si trovano in una condizione di totale arretratezza. Le direzioni aziendali si rivolgono, quindi, ai consulenti chiedendo strategie per formare il personale e costruire spazi di dialogo, ma si scontrano con un duplice ostacolo che paralizza la condivisione della conoscenza.
Le organizzazioni stesse nutrono dubbi e timori all’idea di concedere spazi ufficiali per la condivisione delle pratiche legate all’AI, temendo l’emersione e la legittimazione di procedure non ancora regolamentate.
Lo stigma sull’uso dell’AI e il blocco dell’apprendimento
A questo freno istituzionale si aggiunge un forte deterrente sociale. Signoretto ha descritto lucidamente il pregiudizio che colpisce i professionisti più capaci: «C’è uno stigma verso chi utilizza l’intelligenza artificiale e la sa usare bene. Si pensa che se la utilizzo sto barando, non ci sto mettendo il cervello, sto trovando una scorciatoia e l’output non è del tutto mio».
Questo stigma genera un pericoloso stallo organizzativo. I dipendenti che sanno sfruttare al meglio gli strumenti evitano di parlarne per non essere giudicati, mentre chi non li sa utilizzare preferisce tacere per non mostrare le proprie lacune.
Il risultato finale è un blocco totale in cui l’azienda, nel suo complesso, non apprende e non evolve.
Signoretto stesso ha ammesso, con forte autocritica, di sentirsi parte di questo cortocircuito comunicativo, confessando come il suo confronto principale stia diventando sempre più quello con l’agente artificiale piuttosto che con i colleghi fisici.
Ridefinire la consulenza: il coraggio di esplorare le domande
L’adozione di nuovi strumenti solleva un interrogativo cruciale sulla reale predisposizione al cambiamento delle aziende che richiedono servizi di consulenza.
Melazzini ha sollevato un dubbio pragmatico, chiedendo se, di fronte a questa rivoluzione tecnologica, i consulenti stiano realmente aiutando le persone a cambiare o si stiano limitando a vendere processi standardizzati, cadendo nella trappola di assecondare le aspettative del cliente per puro compiacimento.
L’approccio di BIP Officina si basa su una netta distinzione della clientela. Esistono organizzazioni che approcciano la consulenza avendo già una risposta predefinita e cercando meri esecutori in grado di produrre un output aderente all’idea di partenza.
Al contrario, le aziende realmente pronte ad affrontare un percorso di innovazione si presentano con una domanda, dimostrando l’apertura mentale necessaria per individuare la soluzione corretta.
Questa disponibilità all’ascolto si concretizza in pratiche specifiche, come il momento definito “sponsor meeting”. Durante questa fase, che segue la stesura del documento commerciale, i consulenti si fermano con le organizzazioni per condurre un’analisi approfondita dei bisogni reali, un processo che frequentemente porta a modificare il perimetro del progetto iniziale.
Questa pratica di ascolto dialogico, riconosciuta come fondamentale per affrontare la complessità, richiede flessibilità e volontà di esplorazione congiunta.
L’urgenza di abbracciare questo approccio critico è amplificata dall’attuale spinta verso la digitalizzazione. «L’intelligenza artificiale sta portando una trasparenza ancora maggiore, perché espone all’esterno il modo in cui le aziende decidono e pensano». Di fronte a questa imminente esposizione esterna dei processi decisionali, le aziende sono chiamate a valutare con urgenza la propria reale preparazione al cambiamento.
Valutare i talenti: la ricerca dell’ambizione oltre le competenze
La trasformazione in atto costringe a ripensare radicalmente anche i criteri di selezione e assunzione di nuove figure professionali destinate a durare nel tempo. Chiamati a scegliere tra un profilo tecnico focalizzato sui dati, ma con capacità relazionali nella media, e un individuo dotato di spiccata sensibilità emotiva e intelligenza relazionale, pur con competenze tecnologiche ordinarie, la preferenza per le soft skill appare evidente.
Tuttavia, Signoretto ha delineato una prospettiva alternativa e più profonda per orientarsi nel mercato del lavoro odierno, introducendo un terzo elemento di valutazione che prescinde dalla rigida dicotomia tra competenze tecniche e relazionali.
L’elemento cardine ricercato nei candidati è l’ambizione, intesa non come mera avidità, ma come la specifica capacità di dare un nome al proprio sogno. Stabilendo che la differenza fondamentale tra un sogno e un obiettivo risieda semplicemente nella presenza di una data di scadenza, la metodologia di selezione si adatta al livello di esperienza del candidato.
Per quanto riguarda i profili junior, spesso bloccati dal senso di colpa nel desiderare traguardi ambiziosi e inconsapevoli delle proprie potenzialità, l’indagine si concentra sulle attività non richieste. L’analisi dei progetti personali e laterali, portati avanti in totale autonomia quando nessuno osserva, permette di rintracciare il seme dell’ambizione.
Completamente diversa è la lente attraverso cui vengono analizzate le figure senior provenienti da altre realtà lavorative. Qui lo sforzo investigativo mira a comprendere la direzione del movimento professionale del candidato. «Se la persona sta scappando, scapperà in ogni caso. Se va verso qualcosa, allora forse io posso esserle d’aiuto.».
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
Partecipa alla community