L’adozione dell’intelligenza artificiale mette le aziende davanti a una scelta organizzativa su quali attività delegare e quali competenze sviluppare per governarle. Nell’ambito di ricerca e sviluppo, come nei processi interni, il change management deve accompagnare questo passaggio, rendendo comprensibile alle persone come cambierà il loro lavoro.
La ricerca McKinsey The state of AI in 2026: On the road to ROI, pubblicata il 25 agosto e condotta tra maggio e giugno su 1.719 partecipanti in 97 Paesi, evidenzia una distanza tra benefici individuali e impatto economico sull’impresa. L’80% degli intervistati dichiara che l’AI ha migliorato la produttività personale, mentre il 37% segnala un contributo positivo al risultato operativo aziendale, l’EBIT. Questo scarto invita a interrogarsi sull’organizzazione del lavoro.
Indice degli argomenti
Adozione dell’AI: dal singolo compito al processo aziendale
Trasformare un guadagno di produttività individuale in un beneficio per l’impresa richiede di osservare l’intero flusso di lavoro. Accelerare un’attività, lasciando invariati i passaggi successivi, può semplicemente spostare il carico su chi deve verificare o approvare i risultati. Il ridisegno dei processi deve quindi considerare anche questi collegamenti: dove si accumulano le attese, come circolano le informazioni e quali decisioni richiedono l’intervento delle persone.
Il change management comincia da questa lettura del lavoro quotidiano. Coinvolgere i dipendenti nella scelta delle attività da ripensare permette di mettere alla prova le aspettative del management, facendo emergere vincoli che una valutazione esclusivamente tecnologica rischierebbe di trascurare. Per esempio, il tempo risparmiato nella preparazione di un documento va confrontato con quello necessario a controllarlo e a renderlo utilizzabile dal reparto destinatario.
Ricerca e sviluppo, valorizzare l’esperienza mentre cambiano i compiti
Nella ricerca e sviluppo, questa analisi investe direttamente il patrimonio di conoscenze dei team. Per valutare dove introdurre l’AI occorre distinguere le attività che seguono procedure consolidate da quelle in cui pesano l’esperienza progettuale e la capacità di interpretare un problema. È una distinzione utile anche per organizzare la formazione: chi conosce a fondo un processo deve poter contribuire a definirne la nuova configurazione, mentre chi sta imparando ha bisogno di continuare a costruire le competenze necessarie a valutarne i risultati.
Da qui l’opportunità di procedere con percorsi differenziati, commisurati alla maturità delle applicazioni e alle caratteristiche del lavoro. Una sperimentazione su una fase dello sviluppo prodotto e l’integrazione dell’AI in un’attività software possono richiedere obiettivi, tempi e forme di accompagnamento diversi.
AI nella ricerca e sviluppo: il caso di Ariston Group
L’adozione può seguire percorsi diversi anche all’interno della ricerca e sviluppo, o R&D. Questo si concretizza, in azienda, anche nell’approcciare percorsi distinti. Per esempio, in Ariston Group, “stiamo valutando l’utilizzo dell’AI in modo trasversale, su tutte le funzioni aziendali. Alcuni ambiti sono più trasformativi di altri: l’R&D, in particolare, è destinato a un ridisegno dei processi di sviluppo prodotto. In concreto lavoriamo su due stream distinti. Il primo è lo sviluppo prodotto fisico, dove siamo ancora in una fase esplorativa: stiamo valutando dove e come l’AI possa portare valore. Il secondo è lo sviluppo software e digitale, dove l’adozione è già più matura e strutturata, ed è l’ambito su cui oggi lavoriamo in modo più concreto”, spiega Giacomo Fiocchi, Chief Innovation & Advanced Solutions Officer della multinazionale italiana.
La distinzione suggerisce di assegnare obiettivi coerenti con la maturità delle iniziative. Una sperimentazione esplorativa serve a individuare dove l’AI possa essere utile; un processo già ridisegnato va valutato sui risultati del lavoro.
Dalla scrittura del codice alla supervisione degli agenti
Nel software, il cambiamento investe il rapporto tra esecuzione e controllo. Spiega Fiocchi: “Un esempio evidente di ridisegno dei processi riguarda lo sviluppo software. I nostri professionisti stanno diventando orchestratori di agenti in grado di rielaborare in modo formale requisiti da fonti differenti, implementarli e definire un piano di validazione. Limitiamo al minimo la scrittura di codice in prima persona, ma supervisioniamo il lavoro degli agenti che lo producono”.
Il baricentro dell’attività dunque “si sposta dalla implementazione al coordinamento e al controllo di qualità, mentre la responsabilità sul risultato finale resta interamente in capo alla persona, che valida e ottimizza ciò che l’agente genera. In questo senso lo human in the loop è fondamentale”.
Per rendere effettiva questa supervisione occorre riservare tempo alla revisione e definire criteri condivisi di accettazione. Senza queste condizioni, la verifica rischierebbe di diventare un’approvazione formale, anziché un controllo sul lavoro degli agenti.
Change management: una regia comune per dirigenti e dipendenti
Collegare le sperimentazioni alle priorità dell’impresa richiede un coordinamento. Ariston affida allo stesso comitato la definizione delle applicazioni e la gestione del cambiamento. Racconta Fiocchi che “l’approccio combina una direzione top-down e una spinta bottom-up. Da un lato lavoriamo sulla consapevolezza del management; dall’altro facciamo leva sull’autoimprenditorialità delle singole persone, a partire dall’operatività quotidiana del loro lavoro. Per dare al tema una governance strutturata e omnicomprensiva abbiamo istituito un comitato AI a livello di management, con due mandati: la valorizzazione e la definizione degli use case, da un lato, e la gestione del change management, dall’altro”.
Un’impostazione simile permette di discutere insieme utilità della tecnologia e condizioni per adottarla. Alle proposte di chi conosce il lavoro quotidiano deve corrispondere una valutazione del management su risorse e preparazione necessarie.
Competenze e nuovi ruoli, i nodi da sciogliere
Se cambia il compito, deve cambiare anche la preparazione per svolgerlo. Fiocchi individua qui la difficoltà principale: “L’aspetto più complesso riguarda le competenze. In ambito R&D ci interroghiamo di continuo su come far evolvere competenze e professionalità delle persone a beneficio del Gruppo, ed è un tema che ha un impatto diretto anche sull’employer branding e sulla capacità di attrarre talento. Con la Gen.AI siamo di fronte a uno step evolutivo importante, che porta con sé una sfida concreta di upskilling e reskilling: non un adeguamento tecnico marginale, ma una trasformazione del profilo professionale delle persone e la nascita di nuovi ruoli”.
La formazione dovrebbe quindi affiancare all’apprendimento degli strumenti esercitazioni sui nuovi compiti. Chi supervisiona un agente dovrebbe imparare anche a riconoscere e correggere un risultato inadeguato: la riqualificazione va collegata al ruolo da ricoprire.
Dalla sperimentazione alla fiducia, come misurare il cambiamento
Il coinvolgimento passa anche dalla possibilità di verificare l’utilità della tecnologia attraverso sperimentazioni circoscritte, i proof of concept: “In area tecnica registriamo, sull’adozione e sul percorso di trasformazione, una quota fisiologica di scetticismo – sottolinea Fiocchi -. Proprio per questo i proof of concept sono uno strumento importante: aiutano a costruire fiducia e a gestire il change management passo dopo passo. Quando queste tecnologie vengono portate a scala, i vantaggi diventano evidenti e la percezione delle persone coinvolte cambia, con un passaggio da un’operatività più ripetitiva a un lavoro a maggiore valore aggiunto”.
Dunque una sperimentazione dovrebbe confrontare vecchio e nuovo processo, includendo la qualità dei risultati e il tempo per verificarli e correggerli. Produrre più rapidamente non dimostra, da solo, un beneficio complessivo. Coinvolgere le persone in questa valutazione significa riconoscere il loro contributo nel decidere che cosa delegare e come controllarlo.
Partecipa alla community