C’è una decisione che quasi nessuna organizzazione vuole prendere esplicitamente perché nominarla significa assumersi una responsabilità che è più comoda lasciare implicita: trattiamo il talento (le persone) come una variabile o come un asset strategico?
La risposta onesta, nella maggior parte delle organizzazioni, è la prima. Si assume quando serve, si riduce quando non serve, si sostituisce quando costa troppo. Il modello ha funzionato per decenni in un contesto dove il lavoro era prevalentemente procedurale, standardizzabile, documentabile, trasferibile. Un nuovo assunto con le competenze giuste diventava produttivo in tempi ragionevoli, la perdita era un costo, non una catastrofe.
L’AI generativa ha cambiato (sta cambiando) questa equazione in modo silenzioso e irreversibile. E le agenzie di comunicazione sono tra le organizzazioni più esposte non perché siano indietro sull’adozione degli strumenti, ma perché il loro modello di business dipende esattamente dal tipo di valore che l’AI fa fatica a replicare e che la rotazione del personale erode sistematicamente.
Tre logiche, tre modi di progettare un’impresa
Nel post precedente
ho usato il framework di David Maister per distinguere tre logiche di practice professionale: Brains, Grey Hair e Procedure. Vale la pena riprenderle qui con un livello di dettaglio maggiore, perché Maister non le usa come etichette descrittive, ma come criteri di progettazione dell’intera impresa.
La tesi centrale di Maister è questa: il tipo di valore che vendi determina come devi assumere, come devi formare, come devi prezzare e come devi governare. Se sbagli categoria (se progetti l’impresa in modo incoerente con il tipo di lavoro che fai ) assumi le persone sbagliate, le formi male, prezzi il servizio in modo errato e costruisci una governance che lavora contro di te. Non è un problema di esecuzione, è un “semplice” problema di architettura.
La Procedure tratta problemi ripetitivi e standardizzabili.
- Il cliente paga per rapidità, affidabilità ed efficienza.
- Le assunzioni privilegiano profili affidabili e disciplinati, capaci di eseguire processi codificati: il modello funziona con più junior perché il lavoro è trasferibile.
- La formazione è orientata a processi, strumenti e standard operativi: playbook, metodi, controllo della variabilità.
- Il pricing è industriale, sensibile a volumi e cost-to-serve.
- La governance assomiglia a quella di un’operazione manifatturiera: controllo di produttività, qualità e utilizzo delle risorse.
- La leva principale è la standardizzazione, non l’eccezionalità del singolo.
La Grey Hair gestisce problemi già visti, ma in contesti dove l’esperienza conta molto.
- Il cliente non compra una soluzione nuova, compra giudizio, pattern recognition, la capacità di adattare intelligentemente soluzioni note a un contesto specifico.
- Le assunzioni premiano seniority, credibilità verso il cliente e capacità di riconoscere rapidamente schemi e rischi. La formazione serve a trasformare esperienza individuale in competenza organizzativa (trasferimento di casi, pattern, lessons learned, in modo da rendere ripetibile il buon giudizio).
- Il pricing riflette il track record e il minor rischio percepito dal cliente.
- La governance deve bilanciare autonomia professionale e trasferimento di esperienza.
- Il rischio principale è dipendere troppo da singole persone senior senza trasformare il loro sapere in capacità dell-agenzia.
La Brains affronta problemi nuovi, complessi, ad alta incertezza.
- Il cliente paga per l’intelligenza dei senior migliori e per soluzioni originali.
- Le assunzioni privilegiano potenziale intellettuale e capacità analitica e creativa, non solo l’esperienza pregressa.
- La formazione è apprendistato ad alta intensità: affiancamento ai partner, esposizione a casi complessi, sviluppo del pensiero critico e della capacità di diagnosi originale.
- Il pricing riflette la rarità dell’expertise e il valore della soluzione, non il tempo impiegato.
- La governance deve proteggere il tempo dei senior e selezionare con attenzione i progetti dato che il margine dipende da pochi professionisti chiave
- Il leverage deve essere compatibile con la natura del lavoro.
Maister è esplicito su cosa succede quando si sbaglia categoria.
- Una boutique strategica che prova a funzionare come una fabbrica di delivery standardizzato abbassa il valore dei senior, comprime i margini e distrugge la reputazione
- Una practice operativa che si comporta come una scuola di geni spreca talenti, non scala e non riesce a sostenere il proprio modello economico.
L’incoerenza tra tipo di valore venduto e architettura dell’impresa non è un problema che si risolve con più efficienza, ma è un problema strutturale che peggiora nel tempo.
L’AI generativa e le tre logiche: chi rischia cosa
Con questo frame, l’impatto dell’AI generativa diventa molto più preciso di quanto il dibattito corrente suggerisca.
Sulla Procedure, l’AI porta benefici immediati e visibili e rischi altrettanto immediati.
Produzione di contenuti seriali, adattamenti, reportistica, social media management, sintesi di brief: tutto quello che è ripetitivo viene accelerato in modo drammatico. Il problema è che accelera per tutti simultaneamente: chi competeva su questa logica competeva già su efficienza e costo; ora la frontiera della produttività si sposta verso l’esterno per tutti insieme, il margine si comprime ulteriormente e il vantaggio di scala costruito negli anni si azzera.
Le agenzie che hanno costruito il proprio modello prevalentemente sulla Procedure sono quelle a maggior rischio di commoditizzazione rapida non perché l’AI le sostituisca, ma perché elimina la barriera che le proteggeva.
Sulla Grey Hair, l’AI generativa produce l’effetto più subdolo e più pericoloso.
Può simulare il ragionamento Grey Hair in modo convincente_ produce analisi ben strutturate, identifica pattern nei dati, suggerisce analogie storiche. Ma non ha mai perso un cliente, non ha mai gestito una crisi andata storta, non ha mai presentato una strategia che sembrava perfetta e si è rivelata sbagliata per ragioni che i dati non catturavano. I
l rischio per le agenzie è duplice: sottovalutare quanto valore Grey Hair stiano vendendo senza saperlo, e credere che gli strumenti possano sostituire le persone che lo incarnano. Non possono e il modello di Maister spiega perché: la Grey Hair firm deve trasformare l’esperienza individuale in competenza organizzativa attraverso formazione e trasferimento di casi.
Se invece di investire in questo trasferimento si accelera la rotazione del personale affidandosi agli strumenti per compensare, si perde esattamente il valore che il cliente stava comprando.
Sulla Brains, l’AI fa meno danni nel breve termine.
Affrontare problemi nuovi e ad alta incertezza non è un’attività standardizzabile. L’AI può supportare il ragionamento (esplorare ipotesi, accelerare la ricerca, generare scenari alternativi), ma non può sostituire il giudizio di chi ha già navigato abbastanza incertezza da sapere cosa cercare quando non si sa ancora cosa si sta cercando.
Il problema è che poche agenzie di comunicazione operano davvero in questa logica in modo consapevole e quelle che lo fanno spesso non lo valorizzano adeguatamente nel pricing né lo proteggono nella governance.
Il problema specifico delle agenzie di comunicazione
Le agenzie di comunicazione hanno un’esposizione particolare che vale la pena nominare con precisione, perché nasce da una contraddizione strutturale nel loro modello.
Il valore che vendono (strategia di comunicazione, creatività, gestione delle relazioni con media e pubblici) è intrinsecamente Grey Hair e Brains.
Richiede conoscenza del cliente accumulata nel tempo, comprensione dei mercati specifici, relazioni costruite con giornalisti, interlocutori istituzionali, community. Richiede di aver visto abbastanza campagne andare bene e abbastanza campagne andare male da sapere dove stanno i rischi reali.
Il modello economico è storicamente costruito su una struttura di leverage che assomiglia alla Procedure: pochi senior che impostano, molti junior che eseguono.
I junior esistono perché il lavoro esecutivo è abbondante e può essere delegato a chi costa meno. L’AI generativa sta comprimendo drasticamente quel lavoro esecutivo (sia in tempo, sia in costo).
Il risultato è una pressione strutturale sul modello: meno lavoro Procedure da far fare ai junior, meno giustificazione economica per la piramide tradizionale, ma invariata (anzi crescente) con necessità di Grey Hair e Brains per produrre valore reale.
Le agenzie che stanno rispondendo solo accelerando la produzione di contenuti con l’AI stanno ottimizzando la parte del business che vale meno e trascurando quella che vale di più.
C’è poi un effetto collaterale che viene quasi mai nominato: i junior che non fanno più lavoro esecutivo non sviluppano l’esperienza che li trasforma in Grey Hair.
Il percorso tradizionale di crescita (fare, sbagliare, correggere, capire) si interrompe. Si rischia di produrre una generazione di professionisti che sanno usare gli strumenti ma non hanno il contesto per valutarne gli output. Persone che non diventeranno mai Grey Hair nel senso che conta, ma non perché manchino di talento, ma perché non hanno avuto le condizioni per costruire il pattern recognition che richiede esposizione, errori e tempo.
Cosa succede quando le persone Grey Hair se ne vanno
In un modello Procedure, perdere una persona è un problema operativo: gap temporaneo, si assume un sostituto, si forma sul processo, si va avanti. La conoscenza è nei playbook, nei sistemi, nelle procedure e non nella testa delle persone.
In un modello Grey Hair, perdere una persona è perdere una parte del database proprietario che non è scritto da nessuna parte. Il senior che gestisce un cliente da sei anni non ha solo le email e i brief, ma ha il contesto di sei anni di conversazioni, aspettative non dette, dinamiche interne che non compaiono in nessun documento, errori corretti in modo informale.
Quando quella persona va via, quel contesto va via con lei. Il successore ricomincia da zero, indipendentemente da quanto sia bravo, da quanti strumenti abbia a disposizione, da quanto sia dettagliata la documentazione lasciata.
L’AI generativa non risolve questo problema. Lo aggrava. Perché nel momento in cui la Procedure viene automatizzata, quello che rimane come valore differenziante è esattamente il contesto accumulato e il contesto accumulato vive nelle persone, non negli strumenti.
Le organizzazioni che negli ultimi anni hanno sistematicamente ottimizzato il costo del lavoro, ridotto i percorsi di crescita, gestito il talento come variabile flessibile, hanno eroso il proprio moat senza accorgersene.
Hanno tagliato costi reali e hanno pagato in contesto perduto un costo che non compare in nessun bilancio ma che diventa visibile quando un cliente storico segue il account manager che se ne è andato, o quando la nuova generazione di senior non riesce a produrre lo stesso giudizio di quella precedente perché non ha avuto il tempo e le condizioni per costruirlo.
Tre implicazioni che nessuno vuole affrontare
La prima: la retention è una decisione strategica, non una questione HR.
Chi va via porta via il contesto che l’AI non ha mai potuto acquisire e che il successore impiegherà anni a ricostruire (se ci riesce).
Trattare la retention come un problema di compensation o di employee satisfaction senza collegarlo al valore del contesto accumulato è perdere il punto. In una Grey Hair firm, ogni uscita di un senior è una perdita di asset, non di risorsa.
La seconda: l’onboarding deve cambiare natura.
Non si tratta più solo di trasferire competenze procedurali (quelle le gestisce, almeno teoricamente, l’AI meglio di qualsiasi affiancamento).
Si tratta di trasferire giudizio, euristiche, pattern di riconoscimento del problema. Maister lo dice chiaramente per le Grey Hair firms: la formazione serve a trasformare esperienza individuale in competenza organizzativa.
Questo richiede che i senior sappiano spiegare come pensano, non solo cosa fanno (che è esattamente la conoscenza dichiarativa di cui ho scritto in un post precedente) .
Molti senior non hanno mai sviluppato questa capacità perché non ne avevano bisogno perché lavoravano da soli o in contesti dove il trasferimento implicito funzionava. Ora non funziona più.
La terza: il modello di sviluppo del talento va ripensato prima che la struttura si svuoti.
Se la Procedure viene automatizzata, i junior hanno meno opportunità di fare il lavoro esecutivo che storicamente era il modo in cui si costruiva esperienza. Meno esecuzione significa meno esposizione ai problemi, meno errori pagati, meno pattern recognition sviluppato.
La risposta non è proteggere artificialmente il lavoro esecutivo, ma è progettare percorsi di crescita alternativi che garantiscano comunque l’esposizione necessaria. Affiancamento ad alta intensità, partecipazione a progetti complessi fin dalle prime fasi, feedback strutturato sul ragionamento oltre che sull’output. È quello che Maister descrive per le Brains firms e che le agenzie di comunicazione dovrebbero adottare anche per costruire la prossima generazione di Grey Hair.
La domanda che rimane aperta
Le persone intelligenti che sanno risolvere problemi avranno vita lunga (GAC)
La domanda aperta è come queste persone possano moltiplicare il proprio valore dentro organizzazioni che stanno ancora misurando la produttività in output invece che in Outcome, che trattano il talento come costo invece che come asset, e che confondono l’adozione degli strumenti con la costruzione di un vantaggio competitivo.
Maister ha scritto il suo libro nel 1993. Trent’anni dopo, le domande che pone (come progetti l’impresa in funzione del valore che vendi, come trasferisci l’esperienza prima che esca dalla porta, come governi in modo coerente con il tipo di lavoro che fai) sono più urgenti di quando le ha scritte.
L’AI non risponde a queste domande, le rende più costose da ignorare.
Di talenti e agenzie
/in Comunicare stanca/by pierotagliaC’è una decisione che quasi nessuna organizzazione vuole prendere esplicitamente perché nominarla significa assumersi una responsabilità che è più comoda lasciare implicita: trattiamo il talento (le persone) come una variabile o come un asset strategico?
La risposta onesta, nella maggior parte delle organizzazioni, è la prima. Si assume quando serve, si riduce quando non serve, si sostituisce quando costa troppo. Il modello ha funzionato per decenni in un contesto dove il lavoro era prevalentemente procedurale, standardizzabile, documentabile, trasferibile. Un nuovo assunto con le competenze giuste diventava produttivo in tempi ragionevoli, la perdita era un costo, non una catastrofe.
L’AI generativa ha cambiato (sta cambiando) questa equazione in modo silenzioso e irreversibile. E le agenzie di comunicazione sono tra le organizzazioni più esposte non perché siano indietro sull’adozione degli strumenti, ma perché il loro modello di business dipende esattamente dal tipo di valore che l’AI fa fatica a replicare e che la rotazione del personale erode sistematicamente.
Tre logiche, tre modi di progettare un’impresa
Nel post precedente 1
ho usato il framework di David Maister per distinguere tre logiche di practice professionale: Brains, Grey Hair e Procedure. Vale la pena riprenderle qui con un livello di dettaglio maggiore, perché Maister non le usa come etichette descrittive, ma come criteri di progettazione dell’intera impresa.
La tesi centrale di Maister è questa: il tipo di valore che vendi determina come devi assumere, come devi formare, come devi prezzare e come devi governare. Se sbagli categoria (se progetti l’impresa in modo incoerente con il tipo di lavoro che fai ) assumi le persone sbagliate, le formi male, prezzi il servizio in modo errato e costruisci una governance che lavora contro di te. Non è un problema di esecuzione, è un “semplice” problema di architettura.
La Procedure tratta problemi ripetitivi e standardizzabili.
La Grey Hair gestisce problemi già visti, ma in contesti dove l’esperienza conta molto.
La Brains affronta problemi nuovi, complessi, ad alta incertezza.
Maister è esplicito su cosa succede quando si sbaglia categoria.
L’incoerenza tra tipo di valore venduto e architettura dell’impresa non è un problema che si risolve con più efficienza, ma è un problema strutturale che peggiora nel tempo.
L’AI generativa e le tre logiche: chi rischia cosa
Con questo frame, l’impatto dell’AI generativa diventa molto più preciso di quanto il dibattito corrente suggerisca.
Sulla Procedure, l’AI porta benefici immediati e visibili e rischi altrettanto immediati.
Produzione di contenuti seriali, adattamenti, reportistica, social media management, sintesi di brief: tutto quello che è ripetitivo viene accelerato in modo drammatico. Il problema è che accelera per tutti simultaneamente: chi competeva su questa logica competeva già su efficienza e costo; ora la frontiera della produttività si sposta verso l’esterno per tutti insieme, il margine si comprime ulteriormente e il vantaggio di scala costruito negli anni si azzera.
Sulla Grey Hair, l’AI generativa produce l’effetto più subdolo e più pericoloso.
Può simulare il ragionamento Grey Hair in modo convincente_ produce analisi ben strutturate, identifica pattern nei dati, suggerisce analogie storiche. Ma non ha mai perso un cliente, non ha mai gestito una crisi andata storta, non ha mai presentato una strategia che sembrava perfetta e si è rivelata sbagliata per ragioni che i dati non catturavano. I
l rischio per le agenzie è duplice: sottovalutare quanto valore Grey Hair stiano vendendo senza saperlo, e credere che gli strumenti possano sostituire le persone che lo incarnano. Non possono e il modello di Maister spiega perché: la Grey Hair firm deve trasformare l’esperienza individuale in competenza organizzativa attraverso formazione e trasferimento di casi.
Sulla Brains, l’AI fa meno danni nel breve termine.
Affrontare problemi nuovi e ad alta incertezza non è un’attività standardizzabile. L’AI può supportare il ragionamento (esplorare ipotesi, accelerare la ricerca, generare scenari alternativi), ma non può sostituire il giudizio di chi ha già navigato abbastanza incertezza da sapere cosa cercare quando non si sa ancora cosa si sta cercando.
Il problema specifico delle agenzie di comunicazione
Le agenzie di comunicazione hanno un’esposizione particolare che vale la pena nominare con precisione, perché nasce da una contraddizione strutturale nel loro modello.
Richiede conoscenza del cliente accumulata nel tempo, comprensione dei mercati specifici, relazioni costruite con giornalisti, interlocutori istituzionali, community. Richiede di aver visto abbastanza campagne andare bene e abbastanza campagne andare male da sapere dove stanno i rischi reali.
I junior esistono perché il lavoro esecutivo è abbondante e può essere delegato a chi costa meno. L’AI generativa sta comprimendo drasticamente quel lavoro esecutivo (sia in tempo, sia in costo).
Il risultato è una pressione strutturale sul modello: meno lavoro Procedure da far fare ai junior, meno giustificazione economica per la piramide tradizionale, ma invariata (anzi crescente) con necessità di Grey Hair e Brains per produrre valore reale.
Le agenzie che stanno rispondendo solo accelerando la produzione di contenuti con l’AI stanno ottimizzando la parte del business che vale meno e trascurando quella che vale di più.
C’è poi un effetto collaterale che viene quasi mai nominato: i junior che non fanno più lavoro esecutivo non sviluppano l’esperienza che li trasforma in Grey Hair.
Il percorso tradizionale di crescita (fare, sbagliare, correggere, capire) si interrompe. Si rischia di produrre una generazione di professionisti che sanno usare gli strumenti ma non hanno il contesto per valutarne gli output. Persone che non diventeranno mai Grey Hair nel senso che conta, ma non perché manchino di talento, ma perché non hanno avuto le condizioni per costruire il pattern recognition che richiede esposizione, errori e tempo.
Cosa succede quando le persone Grey Hair se ne vanno
In un modello Procedure, perdere una persona è un problema operativo: gap temporaneo, si assume un sostituto, si forma sul processo, si va avanti. La conoscenza è nei playbook, nei sistemi, nelle procedure e non nella testa delle persone.
In un modello Grey Hair, perdere una persona è perdere una parte del database proprietario che non è scritto da nessuna parte. Il senior che gestisce un cliente da sei anni non ha solo le email e i brief, ma ha il contesto di sei anni di conversazioni, aspettative non dette, dinamiche interne che non compaiono in nessun documento, errori corretti in modo informale.
Quando quella persona va via, quel contesto va via con lei. Il successore ricomincia da zero, indipendentemente da quanto sia bravo, da quanti strumenti abbia a disposizione, da quanto sia dettagliata la documentazione lasciata.
L’AI generativa non risolve questo problema. Lo aggrava. Perché nel momento in cui la Procedure viene automatizzata, quello che rimane come valore differenziante è esattamente il contesto accumulato e il contesto accumulato vive nelle persone, non negli strumenti.
Le organizzazioni che negli ultimi anni hanno sistematicamente ottimizzato il costo del lavoro, ridotto i percorsi di crescita, gestito il talento come variabile flessibile, hanno eroso il proprio moat senza accorgersene.
Hanno tagliato costi reali e hanno pagato in contesto perduto un costo che non compare in nessun bilancio ma che diventa visibile quando un cliente storico segue il account manager che se ne è andato, o quando la nuova generazione di senior non riesce a produrre lo stesso giudizio di quella precedente perché non ha avuto il tempo e le condizioni per costruirlo.
Tre implicazioni che nessuno vuole affrontare
La prima: la retention è una decisione strategica, non una questione HR.
Chi va via porta via il contesto che l’AI non ha mai potuto acquisire e che il successore impiegherà anni a ricostruire (se ci riesce).
Trattare la retention come un problema di compensation o di employee satisfaction senza collegarlo al valore del contesto accumulato è perdere il punto. In una Grey Hair firm, ogni uscita di un senior è una perdita di asset, non di risorsa.
La seconda: l’onboarding deve cambiare natura.
Non si tratta più solo di trasferire competenze procedurali (quelle le gestisce, almeno teoricamente, l’AI meglio di qualsiasi affiancamento).
Si tratta di trasferire giudizio, euristiche, pattern di riconoscimento del problema. Maister lo dice chiaramente per le Grey Hair firms: la formazione serve a trasformare esperienza individuale in competenza organizzativa.
Questo richiede che i senior sappiano spiegare come pensano, non solo cosa fanno (che è esattamente la conoscenza dichiarativa di cui ho scritto in un post precedente) 3.
Molti senior non hanno mai sviluppato questa capacità perché non ne avevano bisogno perché lavoravano da soli o in contesti dove il trasferimento implicito funzionava. Ora non funziona più.
La terza: il modello di sviluppo del talento va ripensato prima che la struttura si svuoti.
Se la Procedure viene automatizzata, i junior hanno meno opportunità di fare il lavoro esecutivo che storicamente era il modo in cui si costruiva esperienza. Meno esecuzione significa meno esposizione ai problemi, meno errori pagati, meno pattern recognition sviluppato.
La risposta non è proteggere artificialmente il lavoro esecutivo, ma è progettare percorsi di crescita alternativi che garantiscano comunque l’esposizione necessaria. Affiancamento ad alta intensità, partecipazione a progetti complessi fin dalle prime fasi, feedback strutturato sul ragionamento oltre che sull’output. È quello che Maister descrive per le Brains firms e che le agenzie di comunicazione dovrebbero adottare anche per costruire la prossima generazione di Grey Hair.
La domanda che rimane aperta
Le persone intelligenti che sanno risolvere problemi avranno vita lunga (GAC)
La domanda aperta è come queste persone possano moltiplicare il proprio valore dentro organizzazioni che stanno ancora misurando la produttività in output invece che in Outcome, che trattano il talento come costo invece che come asset, e che confondono l’adozione degli strumenti con la costruzione di un vantaggio competitivo.
Maister ha scritto il suo libro nel 1993. Trent’anni dopo, le domande che pone (come progetti l’impresa in funzione del valore che vendi, come trasferisci l’esperienza prima che esca dalla porta, come governi in modo coerente con il tipo di lavoro che fai) sono più urgenti di quando le ha scritte.
L’AI non risponde a queste domande, le rende più costose da ignorare.
Note:
Quando il vantaggio è standard
/in Comunicare stanca/by pierotagliaC’è una scena di Attraverso lo specchio alla quale faccio riferimento spesso in diversi contesti legati a comunicazione, marketing, innovazione e AI nelle imprese.
In sintesi: la Regina di Cuori prende Alice per mano e comincia a correre. Corrono sempre più forte. Alberi, prati, tutto sfreccia attorno a loro. Poi si fermano e sono esattamente nel punto di partenza. Alice è stupita. “Nel mio paese”, dice, “quando si corre così a lungo si arriva da qualche altra parte.”
“Paese lento”, risponde la Regina. “Qui, vedi, devi correre più che puoi per restare nello stesso posto.”
Questo è esattamente quello che sta succedendo con l’AI nelle organizzazioni: si corre, si producono output più velocemente, si automatizzano processi, si moltiplicano i contenuti, le analisi, le sintesi.
E alla fine del trimestre ci si ritrova nello stesso posto degli altri perché gli altri stanno correndo alla stessa velocità, con gli stessi strumenti, verso gli stessi risultati.
L’efficienza operativa non è strategia
Nel 1996, Michael Porter ha pubblicato su Harvard Business Review un articolo che dovrebbe essere lettura IMHO obbligatoria per chi si occupa di marketing: “What Is Strategy?“.
Tra le perle di cui è disseminato l’articolo, ne troviamo una importante per interpretare la situazione odierna: l’eccellenza operativa non è strategia.
Le due cose non sono equivalenti e confonderle è esattamente l’errore che Porter vede ripetersi decade dopo decade.
La sua metafora è quella della frontiera della produttività: il limite massimo di valore che un’azienda può creare dato un certo livello di costo, usando le tecnologie e le pratiche migliori disponibili.
Quando tutte le aziende migliorano la propria efficienza operativa, spostano insieme la frontiera verso l’esterno. Il risultato? Miglioramento assoluto per tutti, miglioramento relativo per nessuno. La competizione basata solo sull’efficienza operativa è a somma zero e i guadagni di produttività vengono catturati dai clienti e dai fornitori di tecnologia, non dalle aziende che li producono.
Sostituisci “TQM” e “benchmarking” con “AI” e il testo del 1996 descrive perfettamente il 2026.
L’AI è uno strumento di efficienza operativa straordinario. È anche, per definizione, replicabile da chiunque abbia accesso agli stessi modelli, agli stessi tool, alle stesse API.
Quando tutti usano gli stessi strumenti per fare le stesse cose più velocemente, la velocità smette di essere un vantaggio e diventa il nuovo standard minimo 1.
Non correre significa restare indietro mentre correre significa restare fermi 2.
Il problema non sono gli Output
C’è una distinzione che nel project management viene ripetuta spesso e applicata raramente: la differenza tra Output e Outcome.
Il lavoro non è mai stato davvero di Output, ma è sempre stato di Outcome. Per decenni abbiamo misurato gli Output perché erano più facili da contare e abbiamo lasciato che la misurazione sostituisse il ragionamento sull’impatto 3.
L’AI ha aggravato questo problema in modo sottile e pericoloso perché ha reso la produzione di Output talmente veloce e talmente a buon mercato che il rischio di saturazione è concreto: più contenuti, più documenti, più analisi, più sintesi senza che nessuno si fermi a chiedere quale Outcome tutto questo dovrebbe produrre.
Ma siamo diventati molto più veloci.
Veloci a fare cosa, esattamente?
Se non sai quale Outcome vuoi ottenere, la velocità di esecuzione è un moltiplicatore dell’inefficienza, non dell’efficacia. Produci più cose inutili più rapidamente. Il costo sale, l’impatto no 4.
Per usare bene l’AI hai bisogno di esperienza
C’è un’assunzione implicita nel modo in cui si parla di AI come strumento democratizzante: l’idea che chiunque, con il tool giusto, possa fare quello che prima richiedeva anni di esperienza.
È parzialmente vera ed è proprio per questo che è pericolosa.
Chiunque può chiedere a un sistema AI di produrre un’analisi di mercato, una strategia di contenuto, un piano di progetto e il sistema produrrà qualcosa di plausibile, ben formato, privo di errori grammaticali.
Ma per sapere se quell’output è utile, se risponde al problema giusto, se i criteri sono corretti, se le assunzioni sono valide, se il risultato è applicabile al contesto specifico, hai bisogno di esperienza (anche perché sappiamo bene come questi strumenti ti diano sempre ragione e al massimo ti dicano dopo “hai ragione, mi sono sbagliato” se fai notare una porcheria / inesattezza cosmica).
Vale la pena fare una distinzione precisa qui, usando il framework che David Maister sviluppa in Managing the Professional Service Firm.
Maister identifica tre logiche di practice professionale, che non sono categorie rigide ma tre modi diversi di organizzare il lavoro, il valore e le persone.
L’AI è uno strumento di Procedure straordinario. Industrializza l’esecuzione, abbatte il costo marginale degli output ripetitivi, scala senza proporzione con il numero di persone. Ma una practice che compete solo sulla Procedure compete su efficienza operativa e torna esattamente al problema di Porter: tutti hanno accesso agli stessi strumenti, la frontiera della produttività si sposta verso l’esterno, e il vantaggio relativo svanisce.
La Grey Hair richiede pattern recognition costruito su anni di esposizione a problemi simili la capacità di riconoscere che questa situazione assomiglia a qualcosa che hai già visto, che il dettaglio apparentemente secondario è in realtà il punto critico, che il cliente sta descrivendo il sintomo ma il problema è altrove.
Questa capacità non si trasferisce a un sistema che non ha mai sbagliato una consulenza e non ne ha pagato le conseguenze.
La Brains è ancora più distante dalla replicabilità: richiede la capacità di affrontare problemi per cui non esiste ancora una risposta nota. L’AI può supportare il ragionamento, esplorare ipotesi, accelerare la ricerca, ma non può sostituire il giudizio di chi ha già navigato abbastanza incertezza da sapere come muoversi quando la mappa finisce.
L’AI augmenta l’esperienza, non la sostituisce: chi ha più esperienza (nel senso preciso di aver visto più contesti, risolto più problemi, capito dove i modelli falliscono e perché) ottiene dall’AI risultati strutturalmente migliori di chi non ce l’ha. Il gap non si chiude con lo strumento. Si allarga.
Questo significa che le organizzazioni che useranno meglio l’AI non sono necessariamente quelle che la adottano prima, ma sono quelle che capiscono in quale delle tre logiche di Maister stanno operando, e usano l’AI per amplificare il vantaggio specifico di quella logica invece di usarla indiscriminatamente per accelerare tutto 5.
Il moat? Persone e i dati proprietari.
Se l’AI è replicabile (e lo è, per definizione, perché chiunque ha accesso agli stessi modelli fondazionali) allora costruire un vantaggio competitivo sull’AI come tecnologia è costruire su sabbia. Qualcuno con più budget compra lo stesso tool, qualcuno con più tempo lo clona, i tuoi studenti lo riproducono con Lovable nel weekend.
Il moat non è mai stato nella tecnologia in sé, è sempre stato in quello che la tecnologia da sola non può replicare.
Tre elementi che resistono alla replicazione.
Porter direbbe che questi tre elementi non sono fonti di efficienza operativa: sono fonti di posizionamento strategico. Sono difficili da imitare non perché siano protetti da brevetti o segreti industriali, ma perché richiedono tempo e contesto per essere costruiti e il tempo non si compra con un abbonamento mensile.
La domanda che vale la pena farsi
Secondo me, chiedersi “come usiamo l’AI per essere più veloci?” è la domanda che porta la Regina di Cuori a correre sempre di più per restare nello stesso posto.
La domanda strategica è: quali Outcome vogliamo produrre, e come l’AI ci aiuta a ottenerli in modo che i nostri concorrenti non possono replicare facilmente?
La risposta non è mai solo tecnologica.
È una combinazione di esperienza accumulata, dati che solo tu possiedi, e relazioni che solo tu hai costruito e amplificata da strumenti che hanno anche gli altri, ma che senza quel contesto producono output generici invece di risultati specifici.
Le persone intelligenti che sanno risolvere problemi avranno vita lunga. La domanda aperta (e non ho ancora una risposta definitiva) è come queste persone possano moltiplicare il proprio valore dentro organizzazioni che stanno ancora misurando il tempo invece degli Outcome, e che confondono la velocità di esecuzione con la qualità della strategia.
L’AI non risponde a questa domanda, ma la rende più urgente 6.
Altre riflessioni interessanti
Sara Malaguti /Flowerista) – Cosa stai difendendo davvero? Ovvero, la Struttura
La Newsletter di Giorgio Soffiato (che pone un sacco di domande interessanti sul Moat delle agenzie e tante altre riflessioni)
Note:
Quando il saggio indica la governance, lo stolto guarda l’AI
/in Comunicare stanca, Marketing, Project Management/by pierotagliaQuando faccio progetti (di strategia, di riorganizzazione del marketing, di introduzione dell’AI), un’interessante situazione nella quale mi imbatto (credo comune a molti e molte) è che ci sono alcune incomprensioni iniziali che non sono tecnologiche: le persone fanno fatica a identificare cosa vogliono risolvere (dove spesso il racconto è focalizzato su sintomi e soluzioni) e le organizzazioni non hanno deciso chi può decidere cosa (per cui c’è un momento di lentezza per capire qual è il giro del fumo).
Non è una novità e il fatto che si riproponga in contesti diversi, con strumenti diversi, in aziende di dimensioni diverse è per me interessante. L’AI adesso è solo l’ultimo sintomo, più visibile degli altri perché arriva con aspettative alte e risultati spesso deludenti.
Il risultato è prevedibile: si introducono strumenti senza rivedere i processi, si ottimizza localmente quello che si rompe sistemicamente, si crea nuovo muda (spreco) credendo di eliminarlo 1.
Tre problemi concreti che trovo in sequenza, quasi sempre in quest’ordine.
Primo problema: non sai cosa stai risolvendo
L’errore più comune (nell’introduzione di qualsiasi strumento, AI inclusa) non è scegliere la soluzione sbagliata, ma è scegliere la soluzione prima di aver definito il problema.
Prima di qualsiasi introduzione serve una domanda brutalmente semplice: qual è il problema che stiamo cercando di risolvere, e come fa questo strumento a risolverlo? Se la risposta è vaga, il problema non è ancora definito. E se il problema non è definito, qualsiasi soluzione è prematura. 2
Ma c’è un prerequisito ancora più a monte, che ho affrontato nel post precedente: per definire un problema con sufficiente precisione da poterlo delegare (a un collaboratore, a un team, a un sistema AI) hai bisogno di conoscenza dichiarativa, la capacità di descrivere quello che fai, i criteri con cui decidi, il risultato che vuoi ottenere. Chi non ha sviluppato questa competenza non riesce a identificare il problema in modo utilizzabile e finisce per delegare un compito che nemmeno lui sa definire con precisione 3.
C’è poi una seconda domanda da fare, che viene quasi mai fatta:
Perché la risposta cambia completamente chi deve risolverlo, con quali strumenti e con quale livello di autonomia.
Secondo problema: non hai deciso chi può decidere cosa
Che si tratti di riorganizzare il marketing, introdurre un nuovo processo o adottare strumenti AI, il problema sottostante è quasi sempre lo stesso: manca una struttura chiara di governance. Chi può usare quali strumenti, per quali attività, con quali output attesi, con quale livello di autonomia non è sempre chiaro perché è parte (più frequentemente di quanto vorrei) di una conoscenza implicita, non dichiarata e che quindi deve essere trovata.
Senza questa struttura succedono due cose opposte e ugualmente dannose.
Quello che serve (e che poche organizzazioni hanno costruito in modo esplicito) è qualcosa che somiglia a una costituzione dell’autonomia 4: un insieme di principi chiari che definisce le aree in cui il problem solving locale è abilitato e le aree in cui serve coordinamento. Non un manuale operativo non una policy di 40 pagine. Un frame che risponde a: cosa puoi decidere da solo, cosa devi concordare, cosa non puoi fare senza autorizzazione esplicita.
Senza questo frame, ogni persona e ogni team risolve il problema come può, con gli strumenti che ha, secondo criteri che non sono condivisi. L’organizzazione diventa una collezione di ottimizzazioni locali che non si sommano mai in efficienza sistemica.
5Terzo problema: il lavoro di orchestrazione frammenta l’attenzione
Quando nuovi strumenti entrano nel flusso di lavoro (e l’AI lo fa in modo particolarmente pervasivo) il lavoro cambia natura. Non scompare: si trasforma. Meno produzione diretta, più orchestrazione: definire il task, verificare l’output, correggere, iterare, integrare.
Questo sembra un miglioramento. In parte lo è, ma introduce un effetto collaterale che si rischia di sottovalutare: la frammentazione dell’attenzione.
Se ogni quindici minuti verifico l’output di un processo delegato (a un agente AI, a un collaboratore remoto, a un sistema automatizzato) sto lavorando su più cose contemporaneamente in modo strutturale (e ho già mostrato in un post precedente cosa produce il multitasking sul rendimento “Perché è pericoloso lavorare su più progetti”): il multitasking non è un’abilità. È un costo.
Il context switching non sparisce con l’AI, si moltiplica, perché le istanze di lavoro si moltiplicano.
Questo ha un’implicazione diretta su come organizzare il lavoro: non per attività, ma per blocchi di risultato.
La domanda non è “cosa faccio adesso?” ma “qual è il risultato che voglio avere al termine di questo blocco di tempo, e come organizzo gli strumenti per ottenerlo senza dover verificare ogni quindici minuti?” e oltretutto torniamo a un ripensamento profondo delle attività per evitare di rendere più inefficienti processi non pensati per l’AI.
Il focus si sposta ancor di più dall’attività all’impatto ovvero dal tempo lavorato al risultato prodotto. Non è una novità concettuale (è la logica del lavoro per obiettivi, degli OKR, di qualsiasi approccio che mette il risultato prima del processo).
Ma la moltiplicazione degli strumenti rende questa transizione non più opzionale.
6Il problema dell’accountability che nessuno vuole affrontare
C’è un quarto problema, che non viene quasi mai nominato esplicitamente: è il più scomodo, ed è quello che rischia di avere le conseguenze più serie in particolare con l’AI, ma non solo.
Per rispondere con precisione, possiamo sfruttare uno strumento che il project management usa da decenni: una RAM, Responsibility Assignment Matrix, una matrice che mappa ruoli e responsabilità su attività o deliverable. Il PMBOK del PMI la definisce come strumento per illustrare le connessioni tra work package e membri del team di progetto 7.
La RACI (il tipo di RAM più usato) assegna a ogni attività quattro ruoli: chi esegue (Responsible), chi risponde del risultato (Accountable), chi viene consultato (Consulted), chi viene informato (Informed). Una regola fondamentale, ribadita dal PMBOK: per ogni attività deve esserci un solo Accountable. Non due. Non nessuno. Uno.
Ora prova ad applicare questa logica a un processo che include un sistema AI.
L’AI non può essere Accountable, per lo meno non nel senso tecnico del termine. Accountable significa rispondere del risultato, avere skin in the game, subire le conseguenze di una decisione sbagliata. Un sistema non risponde, non subisce conseguenze, non impara nel senso in cui impara una persona che ha sbagliato e ne porta il peso.
Questo non è un problema filosofico, è un problema operativo immediato.
In questo momento, tutta la responsabilità dell’output di un sistema AI ricade sull’operatore, la persona o l’organizzazione che ha scelto di usarlo, che lo ha configurato, che ha accettato il risultato. Anche quando il risultato è sbagliato. Anche quando l’errore era nel modello, nel training data, in una deriva che l’utente non aveva modo di prevedere.
Il parallelo più preciso è quello della guida autonoma. In caso di incidente, chi risponde? Il guidatore che non aveva le mani sul volante? Il produttore del software? La casa automobilistica? La risposta legale è ancora in costruzione, ma la risposta operativa attuale è che il guidatore è Accountable, perché era nella posizione di controllo.
Con l’AI in azienda funziona esattamente così. L’operatore risponde sempre. Anche se ha fatto “tutto bene”. La delega al sistema non riduce la responsabilità, la maschera, finché non emerge il problema.
Questo ha due implicazioni concrete che le organizzazioni quasi mai considerano esplicitamente.
Questo è il motivo per cui introdurre qualsiasi strumento senza aver prima definito la governance dell’autonomia non è solo inefficiente. È un rischio che l’organizzazione sta assumendo senza averlo nominato (soprattutto in una narrazione dove adesso possiamo fare più cose: facciamo più cose, ma come le controlliamo senza diventare controllori a tempo pieno?).
Da dove si parte
Da tre domande, in quest’ordine.
La prima: qual è il problema che voglio risolvere? Torniamo sempre allo SMART: Specifico, misurabile, collegato a un risultato atteso. Se la risposta è vaga, il lavoro è ancora a monte e prima di rispondere serve la capacità di descrivere il proprio lavoro con sufficiente precisione dichiarativa.
Senza quella, il problem solving rimane procedurale: si agisce per intuizione, non per definizione 8 .
La seconda: chi è Accountable del risultato, e come lo verifico? Senza questa risposta l’organizzazione sta delegando responsabilità a qualcuno o qualcosa che non può tenerla.
La terza: come organizzo il lavoro per evitare che l’orchestrazione frammenti l’attenzione più di quanto lo strumento la liberi? Il guadagno di efficienza si perde se il context switching diventa strutturale.
L’AI è uno strumento potente, ma il problema che trovo spesso negli assessment non è mai lo strumento: è sempre la struttura che manca prima dello strumento e la struttura, come quasi sempre, non è un problema tecnologico 9.
Altri approfondimenti interessanti:
Report Deloitte – State of AI in the Enterprise – Solo il 21% delle imrpese ha pensato/impostato una governance per gli agenti AI
Riflessione di Sara Malaguti /Flowerista) – Cosa stai difendendo davvero? Ovvero, la Struttura
Note:
Se non sai spiegarlo, non sai farlo. E nemmeno l’AI.
/in Comunicare stanca, Marketing, Project Management/by pierotagliaIn ogni team c’è quella persona che fa le cose in modo impeccabile: istinto, velocità, qualità. La chiami per i problemi difficili e li risolve.
Poi provi a farla lavorare con un junior, a farle trasmettere quello che sa e… catastrofe. Risultato pessimo: Senior frustrato, Junior frustrato. Non riesce a spiegare perché fa quello che fa, le fa e basta e il Junior dovrebbe apprendere per osmosi 1.
Non è cattiveria. È che sapere fare e sapere spiegare sono due competenze diverse e non si sviluppano automaticamente l’una con l’altra.
Read moreNote:
Tra progetti e prodotti digitali
/in Comunicare stanca, Project Management/by pierotagliaCapita spesso: un’azienda decide di rifare un qualcosa di digitale e parte la ricerca di un’agenzia o un brief al team interno.
Al primo incontro iniziano le incomprensioni: da un lato ci si aspetta che l’agenzia/team possa fare qualunque cosa dall’altro iniziano le sopracciglia alzate.
Questa criticità nasce da una generica confusione su cosa serve e cosa chiedere. Vogliamo un progetto? Un prodotto? Capire la differenza è il primo passo per non sprecare tempo, budget (soprattutto per le PMI) e capire anche quali competenze è meglio avere in casa.
Read moreLa verità sulle stime di progetto
/in Comunicare stanca, Marketing, Project Management/by pierotagliaC’è una domanda ricorrente che si presenta puntualmente in tutte le aule durante i corsi di Project Management e mentre lavoro con i team marketing: la famigerata domanda sulle stime di progetto. Questa domanda si presenta in vari modi: come possiamo fare stime migliori? Come facciamo a stimare? Perché le stime di progetto sono sbagliate? e varianti.
La questione stime di progetto è bellissima perché spesso parte da presupposti sbagliati e da una concezione errata di questo termine. Per migliorare le nostre stime dobbiamo partire dalle basi: che cosa è una stima?
Read moreAI: può avere effetti collaterali, leggere il foglio illustrativo
/in Comunicare stanca, Marketing, Project Management/by pierotagliaCome credo la maggior parte delle persone, tra le altre cose sto lavorando a diversi progetti legati all’Intelligenza Artificiale (IA o AI) legati all’ottimizzazione dei processi in ambito marketing (automazioni, agenti, low code e tutte quelle belle cose li) e, oltre a sporcarmi le mani guardo anche agli impatti più ampi e devo dire che ho notato una cosa interessante (forse banale): stiamo rendendo i processi meno efficienti.
Read moreTra Birra e AI Overview
/in Analisi della comunicazione, Comunicare stanca/by pierotagliaCon l’introduzione dell’AI Overview nei motori di ricerca sono cambiate le abitudini delle persone e questo inizia a rispecchiarsi nelle analisi delle SERP. Ma è veramente così? Cosa è cambiato?
Read moreL’impatto dell’AI sui Team di lavoro
/in Comunicare stanca, Comunicazione, Marketing, Project Management/by pierotagliaSe proviamo a cercare un po’ di articoli sull’Intelligenza Artificiale e il lavoro, la quasi totalità si concentra su elementi di produzione/efficienza: come creare più post, come fare più contenuti, come sviluppare nuovi agent… e anche su LinkedIn si parla della velocità di realizzazione di ricerche, contenuti e di come grazie all’AI possiamo fare più cose a parità di tempo.
Proviamo ad andare oltre questo elemento superficiale e considerare gli effetti sui Team di lavoro facendo delle ipotesi su quello che potrebbe accadere ai gruppi di lavoro in vari ambiti (soprattutto marketing, comunicazione, prodotto) partendo da alcune premesse di carattere generale.
Read more: L’impatto dell’AI sui Team di lavoroQuattro premesse
Prima di parlare dell’impatto dell’AI sui team di lavoro sono opportune quattro premesse:
Premessa sui contenuti
Grazie all’evoluzione dell’Intelligenza Artificiale oggi è possibile fare più contenuti? Assolutamente sì, ma è un elemento che non dovrebbe monopolizzare le conversazioni: aumentare la produzione di contenuti non è un obiettivo, ma potrebbe essere uno strumento funzionale al raggiungimento di alcuni obiettivi, anche se improbabile.
Perché improbabile? Banalmente per tre ragioni:
Se guardiamo qualche infografica ci sono già più contenuti che tempo, spazio e persone per guardarli.
Per cui riflettere su come automatizzare o aumentare la produzione di contenuti non è particolarmente interessante, bisognerebbe chiedersi sempre di più quali contenuti ha senso produrre.
Approfondimenti sul contesto:
Premessa sulle attività
Se il focus dell’AI è “produrre di più” ci stiamo concentrando sulla realizzazione di attività (o task) e anche questo non dovrebbe essere un obiettivo: se infatti ci concentriamo sul “fare cose” nel giro di alcuni mesi saremo nuovamente saturi e al punto di partenza, nuovamente stressati e con backlog lunghissimi.
Le attività dovrebbero essere focalizzare sul ridurre la quantità di lavoro massimizzando l’impatto delle poche attività rimaste
Le due frasi di Jeff Patton riportando l’attenzione a un tema che potremmo definire strategico: se oggi il costo e il tempo di realizzazione (operatività) si compattano, il focus e l’attenzione si spostano su altri elementi più decisionali sia in positivo (cosa fare) che negativo (cosa scegliere di non fare).
Approfondimenti sul contesto:
Premessa sulle competenze
L’Intelligenza Artificiale consente alle persone di migliorare le proprie competenze e velocizzare alcune attività sempre da un punto di vista operativo. Migliorare non significa creare o sostituire: da questo punto di vista l’AI è una protesi estensiva e in alcuni casi magnificativa 1.
Rimanendo vicini a questo concetto e riprendendo il concetto di persona T-Shaped o π-Shaped (alcune competenze orizzontali e alcune verticali) ecco che l’AI consente di aumentare le capacità senza però diventare sostitutiva (anche se questo è uno dei desideri non detti da parte di certe organizzazioni o manager).
Con l’AI lavoratori e lavoratrici assumono una forma che ricorda più una V, ma non consente di estendere le proprie competenze (che chiameremo, come nell’immagine “non skill”).
Una maggior autonomia delle persone, grazie all’aumento delle capacità, richiede anche una riflessione sul ruolo della persona e sul lavoro stesso. Se infatti in passato la Job Description o il Ruolo erano molto legati alla componente operativa, con la perdita di rilevanza di questa ecco che i confini tra alcune professioni tendono a perdere di senso.
Possiamo dare concretezza a questo concetto con un esempio: il lavoro dello Scrittore. Se tradizionalmente siamo abituati a sottolineare la componente pratica (una persona che di lavoro scrive), nel momento in cui l’Intelligenza Artificiale riduce/semplifica la parte operativa, la dimensione del lavoro si sposta verso la parte creativa (intesa come capacità di sviluppare soluzioni emergenti).
Ad aumentare di rilevanza sono ambito e capacità di affrontare una serie di nuove sfide in contesti ignoti.
Approfondimenti sul contesto:
Premessa sull’organizzazione
In un contesto dove il contesto VUCA si rinforza (dato che abbiamo un aumento di accelerazione e volatilità, incertezza, complessità e ambiguità) possiamo proporre una nuova metafora vicina al mondo ittico:
Se infatti conosciamo già due frasi piuttosto famose – Pesce grande mangia pesce piccolo e pesce veloce mangia il pesce lento – oggi la componente organizzativa (non intesa come rigidità, ma come conoscenza del lavoro e capacità evolutiva) consente di massimizzare il valore delle nuove tecnologie.
Uno dei limiti che sta emergendo nell’implementazione di soluzioni legata all’AI è infatti il debito semantico, ovvero l’ambiguità su processi, ruoli, pratiche, struttura.
Nel momento in cui si vogliono ottimizzare i processi, è necessario che questi siano noti, nel momento in cui si vuole sostituire una persona, è necessario avere chiaro il ruolo etc. etc
La presenza di poca chiarezza sta generando la diffusione dei due/tre use case nell’adozione dell’AI su larga scala, con un focus sempre sulle attività e poco sugli impatti.
Approfondimenti sul contesto:
Team e AI
Sulla base di queste premesse che compongono il contesto è possibile andare a immaginare quali potrebbero essere gli impatti sui team di lavoro.
Come Team di Lavoro, appoggiandoci a Scrum, intendiamo un gruppo di persone (superiore a due e inferiore a 10) in possesso delle competenze e capacità necessarie per trasformare delle idee in incrementi.
Nel team consideriamo una eventuale presenza di Agenti AI (entità autonome o semi-autonome basata su intelligenza artificiale, sviluppata per perseguire uno o più obiettivi specifici all’interno di un ambiente definito).
Riduzione del numero di membri
Uno dei primi effetti potenziali sui team è la riduzione del numero di persone necessarie per produrre lo stesso output.
L’AI consente a singoli individui di svolgere in autonomia attività che in precedenza richiedevano il contributo di più specialisti e quindi un numero minore di persone è ora in grado di coprire un ventaglio di attività più ampio.
Aspetti positivi
Aspetti negativi
Domanda chiave: come garantire resilienza in team più piccoli?
Team super-frazionati
Onde evitare dipendenze esterne, manteniamo un numero di persone simile al passato, ma questo team viene diviso su più progetti essendo aumentata la capacità produttiva. Ogni membro del team lavora su più stream e i team diventano sovra-estesi e multi-funzionali.
Questo è il modello adottato (spesso) nei contesti che vogliono massimizzare l’output senza ridisegnare l’organizzazione.
Aspetti positivi
Aspetti negativi
Domanda chiave: come evitare la dispersione nei team frammentati?
Singolo Team multiprogetto
Una ulteriore possibilità è rappresentata da team stabili, strutturati, che operano contemporaneamente su più iniziative, mantenendo un’identità e una coesione interna.
A differenza dei team super-frazionati, in cui le singole persone sono coinvolte in progetti diversi spesso in contesti separati, qui il team agisce come unità unica e coerente, anche se lavora su stream paralleli. È una forma organizzativa che tenta di massimizzare l’efficienza senza perdere la cultura di team.
Aspetti positivi
Aspetti negativi
Domanda chiave: come generare impatto e non solo output?
TAAS – Plug and Play
Un ulteriore scenario è rappresentato da team modulari temporanei, attivati su richiesta in base a una specifica esigenza progettuale. Parliamo di team costruiti con logica Plug & Play o Team As A Service (TAAS): composti da persone interne, collaboratori esterni e, in alcuni casi, agenti AI, con l’obiettivo di rispondere rapidamente a bisogni puntuali (campagne, prodotti sperimentali, redesign, validazioni rapide).
A differenza dei team stabili o funzionali, questi team hanno una durata limitata e una missione chiara: vengono creati e sciolti in modo flessibile, spesso operando su processi già standardizzati o documentati.
Questo modello consente alle organizzazioni di reagire in modo rapido a opportunità o cambiamenti, senza dover riconfigurare l’intera struttura e richiede una forte maturità progettuale, chiarezza di obiettivi e un sistema di gestione del lavoro che consenta l’integrazione veloce dei team temporanei nel flusso complessivo.
Aspetti positivi
Aspetti negativi
Domanda chiave: Come mantenere coerenza e qualità in team temporanei attivati su richiesta?
Note:
It’s Not Me, It’s You (Gantt)
/in Comunicare stanca, Project Management/by pierotagliaQuasi sempre, quando sono in agenzia o in azienda per consulenze o formazioni su processi e gestione dei progetti, nelle prime sessioni ci sono delle domande sui Gantt di progetto, famigerati strumenti di previsione progettuale. Dopo un minimo di discussione, prendiamo il Gantt e lo buttiamo con la consapevolezza che è uno strumento estremamente interessante, ma che probabilmente non fa al caso nostro. Per capire il motivo andiamo con ordine.
Read more: It’s Not Me, It’s You (Gantt)Un minimo di Storia del Gantt
Il Gantt è uno strumento che ci consente di rappresentare la pianificazione di un progetto usando barre colorate: avremo quindi delle attività (sulla sinistra) con descrizione, durata, etc. e la visualizzazione su un arco temporale delle attività (sulla destra) con la possibilità di vedere dove siamo oggi (la linea tratteggiata in viola) nell’evoluzione del progetto dall’inizio alla fine.
Questo celebre strumento prende il nome dal suo creatore, Henry Laurence Gantt, che lo introdusse nel 1916 1. Questo strumento, così come altre pratiche di Project Management dei primi del ‘900, si basa sull’idea di poter spezzettare il lavoro in più parti e, misurando il tempo necessario per ogni attività, poter fare delle valutazioni e delle previsioni. Primo piccolo problema di questo strumento: il principio di visualizzare e gestire le risorse nasce con la schiavitù e l’esigenza di monitorare il lavoro 2 e nasce quindi con uno specifico contesto in mente: è uno strumento di controllo.
Al netto delle problematiche culturali (superabili), rimane una criticità: il contesto per cui è pensato questo strumento (e i necessari passaggi per costruirlo).
Il contesto del Gantt
Una delle caratteristiche della visione progettuale (e manageriale) della prima metà del novecento è la staticità del contesto aziendale.
Considerando questi due elementi appaiono sia i punti di forza che gli eventuali limiti di questo strumento che nasce per gestire una certa classe di progetti caratterizzati da predicibilità e scarso tasso di cambiamento (sia a livello di cambiamento dei requisiti che di contesto).
Trovandomi a gestire normalmente progetti legati al marketing o ai prodotti digitali il mio contesto è tutto tranne che statico: potremmo scoprire che una certa funzionalità non è più necessaria, che un competitor ha lanciato qualcosa al quale dobbiamo rispondere, che un nuovo aggiornamento richiede lo sviluppo di nuovi content… oltretutto lavoro value driven e non guidato dal piano.
Tra piani e valore
Come detto poco sopra, il Gantt ha una caratteristica molto interessante: il fatto di distribuire su un arco temporale l’elenco dettagliato delle attività, la famigerata WBS (Word Breakdown Structure). Se abbiamo una bella Project Charter e una WBS strutturata ecco che traslare le attività su un calendario calcolando l’effort (la quantità di lavoro necessaria per realizzare l’attività) diventa semplice e se abbiamo uno strumento per allocare le persone e tenendo conto dei calendari possiamo calcolare l’elapsed 3.
Abbiamo messo in fila diversi “se” di cui due molto grandi: elenco delle attività completo e risorse disponibili. Quante volte abbiamo queste informazioni all’inizio del progetto?
Senza queste informazioni diventa molto difficile organizzare il tutto e poter avere uno strumento che ci aiuti nella gestione del progetto e nella visualizzazione del suo avanzamento. È come voler capire dove siamo durante un viaggio con una mappa disegnata secoli prima: ti mancano i riferimenti, fai fatica a capire dove ti trovi e di conseguenza quanto manca.
Inoltre, come è anche giusto che sia, se mi dai un piano il mio obiettivo è seguire quel piano e fare in modo che ci siano meno deviazioni possibili (ogni deviazione sono costi che si alzano e ritardi che si accumulano) 4. Personalmente io vivo questo approccio abbastanza male, perché ho l’idea che nel fare i progetti si debba cercare la massimizzazione del valore (e non litigare sulle CR).
Sì, ma…
Piero, come sei fiscale! Abbiamo capito che nel Gantt ci dovrebbe essere come minimo nome del task, inizio, fine, durata, predecessore e successore… ma noi non lo facciamo, facciamo una cosa più semplice e per noi funziona!
Certo che funziona, solamente non state usando un Gantt e non c’è nulla di male in questo, ma le parole sono importanti e vorrei citare un bel passaggio della Scrum Guide
La frase citata è delicata, ma molto importante per comprendere e valutare le attività per quello che sono: “giochiamo a calcio, ma quando vuoi puoi anche prenderla con le mani” è un bellissimo sport/gioco, ma non è Calcio.
“Facciamo Scrum, ma senza lo Scrum Master, il PO è il PM, non facciamo la Sprint Review” stai facendo una cosa probabilmente interessante, ma non è Scrum. Allo stesso modo se non stai inserendo gli elementi base di un Gantt in un Gantt non stai facendo un Gantt (lapalissiano).
Al posto del Gantt
Se il Gantt funziona molto bene in certi contesti (per cui continuerò a sostenere la validità di questo strumento) bisogna tenere conto che in altre situazione potrebbe non offrire vantaggi significativi o avere dei costi di aggiornamento/mantenimento così alti da renderlo sub-ottimale: per fortuna non è l’unico strumento esistente.
In molti casi per le agenzie o i dipartimenti marketing una meravigliosa Timeline può essere più che sufficiente: invece di scendere nel dettaglio rappresentiamo la sequenza di milestone e task in ordine cronologico 5.
Se vogliamo rimanere ad alto livello, ma fornendo maggiori informazioni ecco che la Roadmap può essere un altro strumento particolarmente interessante da esplorare. È un documento più legato alla strategia (per cui ci vogliono traguardi e obiettivi) che però contiene informazioni utili legate anche agli Stakeholder e ad altre informazioni.
Niente più dettagli!
Evviva: Piero ha detto che non dobbiamo più dettagliare le attività.
Momento, momento, momento: non dobbiamo dettagliarle nella Timeline o nella Roadmap, ma questo non significa che le attività non vadano specificate insieme (valutando insieme al team quale sia il giusto livello di granularità).
Magari lo facciamo durante lo Sprint Planning (se usiamo Scrum) o in una riunione simile se usiamo un sistema Ibrido, ma per evitare ambiguità e incertezza, abbiamo bisogno di trasparenza e confronto.
Per cui Gantt mi spiace, non sei tu, sono io: i miei progetti cambiano troppo velocemente e io ho bisogno di qualcosa che mi porti valore. Speri rimarremo amici e ogni tanto potremo ancora parlare.
Note: