Un progetto di trasformazione può rispettare ogni milestone, restare nel budget, seguire il piano di comunicazione alla lettera. E perdere comunque la partita. Succede quando le difficoltà emergono dopo le interviste iniziali, quando una procedura viene aggirata per necessità, quando più progetti chiedono nello stesso periodo l’attenzione delle stesse persone.
È in questa distanza tra piano e realtà che l’intelligenza artificiale può cambiare il modo di fare change management, rendendo leggibili i segnali che emergono durante la trasformazione e collegando fonti finora scollegate tra loro: ticket, survey, dati di utilizzo, feedback dei manager, osservazioni raccolte sul campo. Il contributo dell’IA non sta nel sostituire la pianificazione iniziale, ma nell’affiancarle una lettura continua di ciò che accade, per aggiornare interventi e priorità mentre il programma è ancora in corso.
Indice degli argomenti
Perché il piano di change management invecchia durante il progetto
Il change management viene tipicamente impostato nelle prime fasi del programma, quando si definiscono popolazioni e impatti, messaggi, formazione, calendario. Nei mesi successivi, però, le priorità cambiano e compaiono problemi che il piano iniziale non poteva prevedere. L’IA sostiene questa evoluzione permettendo di osservare con continuità il modo in cui la trasformazione viene realmente vissuta, intervenendo prima che una difficoltà occasionale diventi un comportamento stabile.
Le stime secondo cui il 60-70% delle trasformazioni non raggiunge i risultati attesi ricorre da anni nella letteratura manageriale e va letta con prudenza: metodi di calcolo e definizioni di successo variano molto.
Resta però una difficoltà concreta: molti programmi completano le attività previste senza ottenere un’adozione stabile del cambiamento. Secondo il Change Report di Sia (2024, oltre 1.200 persone intervistate), quasi nove collaboratori su dieci affrontano cambiamenti nel proprio ambiente professionale. Ogni nuova iniziativa si inserisce quindi in uno spazio già occupato da altre trasformazioni e da priorità operative che competono per il tempo e l’attenzione delle persone.
Quando il piano si allontana dalla realtà operativa
Una nuova piattaforma può essere accompagnata da comunicazioni chiare e sessioni formative ben costruite, ma dopo il rilascio gli utenti incontrano comunque problemi: autorizzazioni errate, passaggi più lunghi del previsto, eccezioni che la procedura non contempla. Quello che accade sul campo si allontana progressivamente da ciò che era stato immaginato quando il piano di change è stato costruito.
La causa può risiedere nello strumento, nel modo in cui il processo è stato disegnato, o nella quantità di iniziative che coinvolgono al momento la stessa popolazione. Nel frattempo, newsletter, webinar, kit per i manager e survey continuano a seguire il calendario stabilito, anche quando i problemi reali si sono già spostati altrove.
In poche settimane gli utenti costruiscono soluzioni parallele, i manager iniziano a ricevere domande alle quali non sanno rispondere, la formazione perde efficacia perché descrive un funzionamento diverso da quello sperimentato sul campo. Molte delle informazioni necessarie per accorgersi di questo scarto esistono già: ticket di assistenza, commenti delle survey, verbali di riunione, domande ai responsabili, forum interni, dati di utilizzo. La difficoltà non è raccogliere questi segnali, ma ricomporli in tempo utile, prima che la criticità si consolidi e il cambiamento venga vissuto come un problema.
Come usare l’IA nel change management adattivo
I team di change ricevono feedback in momenti diversi e da fonti eterogenee: alcune strutturate, come i tassi di accesso o di completamento della formazione, altre sotto forma di messaggi o osservazioni raccolte durante riunioni e momenti di confronto. Metterli insieme richiede tempo, perché bisogna classificare i problemi, capire quali gruppi siano coinvolti, decidere quali segnali abbiano priorità. Il risultato dipende anche dall’esperienza di chi conduce l’analisi, e persone diverse possono interpretare le stesse evidenze in modo diverso.
L’IA porta valore proprio in questa fase: gestisce grandi quantità di commenti, riconosce domande ricorrenti, mette in relazione ticket e dati di utilizzo con altre fonti per far emergere le aree in cui l’adozione sta rallentando. Il suo ruolo non è sostituire la lettura critica del team di change, ma preparare una prima interpretazione da verificare.
In un progetto di introduzione di un nuovo CRM, per esempio, l’aumento delle richieste di assistenza su una funzione specifica può essere letto insieme a un calo degli accessi e ai commenti dei responsabili commerciali: la lettura congiunta aiuta a capire se la difficoltà richieda una correzione tecnica, una spiegazione più chiara o una modifica del processo.
Segnali continui e interventi per un change management adattivo
Una lettura più continua dei segnali rende meno rigido il piano di change: alla programmazione generale si possono affiancare cicli di lavoro più brevi, in cui il team individua un problema, prova una risposta e osserva nelle settimane successive se l’intervento ha funzionato. Se molti utenti confondono i passaggi di una nuova procedura, può bastare una guida breve o una dimostrazione in riunione. Se la difficoltà riguarda una popolazione specifica, un intervento mirato è più efficace di una formazione generale, che rischierebbe solo di aggiungere carico.
Vale lo stesso per le domande ai manager: richieste ricorrenti su ruoli e responsabilità possono dipendere da una comunicazione centrale che non ha attecchito, o da un modello organizzativo ancora poco definito. L’IA aiuta a riconoscere la ricorrenza del tema critico; al team di change spetta comprenderne la causa e scegliere la risposta.
Anche gli indicatori di adozione devono guardare oltre la partecipazione a un webinar o l’apertura di una newsletter: contano il ricorso a procedure alternative, il numero di eccezioni, i tempi per completare un’attività, le richieste che si ripresentano dopo la formazione. Anche qui l’IA aiuta a metterli in relazione: l’IA formula ipotesi, il team decide come intervenire.
Qualità dei dati e controllo umano
Le analisi prodotte dall’IA dipendono dai dati disponibili e da quanto questi rappresentino davvero ciò che accade in azienda. Una popolazione che partecipa poco alle survey può risultare sottorappresentata; i gruppi che inviano molti ticket possono apparire più in difficoltà di quelli che hanno smesso di chiedere assistenza pur continuando ad avere problemi.
Anche la frequenza con cui un tema compare può ingannare: una criticità segnalata poche volte può riguardare un’attività rara ma avere conseguenze rilevanti sul business, mentre un tema molto discusso può essere solo una fase temporanea destinata a ridursi con l’esperienza.
Il team di change deve quindi controllare le fonti, verificare copertura e qualità dei dati, prestando attenzione ai casi che rischiano di restare ai margini dell’analisi: piccoli gruppi, sedi periferiche, attività stagionali, persone con minore familiarità digitale.
La stessa attenzione serve quando dai segnali si passa alle risposte: una micro-formazione è utile quando manca una conoscenza specifica, ma serve poco se la procedura è complessa o il sistema presenta un errore. Attribuire automaticamente una difficoltà a un bisogno formativo rischia di chiedere alle persone di compensare un problema che appartiene alla progettazione.
L’IA amplia la capacità di osservazione del change management: ordina le informazioni e aiuta a formulare ipotesi sulle possibili cause. La verifica del contesto, la scelta della lettura più plausibile e la decisione su come intervenire restano affidate al team.
Il presidio organizzativo del change management nell’era dell’IA
Raccogliere e interpretare più rapidamente i segnali non basta a migliorare il change se manca un presidio capace di trasformarli in decisioni e interventi. Resta indispensabile una funzione o una rete interna che mantenga nel tempo competenze e metodi, e conservi una visione trasversale delle trasformazioni in corso. Questa vista comune è particolarmente utile quando le stesse persone sono coinvolte contemporaneamente in progetti diversi: presi singolarmente possono apparire sostenibili, ma diventano molto più impegnativi se considerati nel loro insieme.
Un team può trovarsi, nello stesso trimestre, protagonista di una riorganizzazione e insieme dell’introduzione di una nuova piattaforma: le conseguenze riguardano priorità e tempi di coinvolgimento, ma anche la quantità di richieste da assorbire. Un presidio del change aziendale permette di leggere queste interdipendenze; l’IA ne rafforza la capacità di osservazione aggregando segnali da programmi diversi e facendo emergere problemi ricorrenti tra popolazioni coinvolte in più trasformazioni.
Tre configurazioni per il presidio del change
Sia distingue tre configurazioni di change, che si differenziano per durata, perimetro d’intervento e capacità di incidere sulle priorità aziendali:
- Cockpit Change: legato a uno specifico programma, resta attivo per la durata della trasformazione con una funzione di coordinamento.
- Centro di expertise: assimilabile a un centro di competenza, opera in modo permanente mettendo metodi e competenze specialistiche a disposizione di più iniziative, e supporta i project manager nella valutazione degli impatti e nella preparazione delle attività di change.
- Change Direction: perimetro più ampio, lavora sull’intero portafoglio delle trasformazioni, coordina le dipendenze tra programmi, può intervenire sulle priorità e gestire i tempi di coinvolgimento delle persone tra i diversi cantieri.
Inserire l’IA in questo modello significa attribuirle un ruolo preciso nel ciclo di change: raccogliere e classificare i segnali, confrontare fonti diverse, riconoscere ricorrenze o anomalie tra progetti e popolazioni. Questa capacità richiede però regole chiare sulle fonti analizzabili, attenzione particolare al trattamento dei dati personali e criteri espliciti su quando un output può essere usato direttamente e quando va invece verificato dal team. Serve inoltre una base informativa ordinata, che consenta confronti nel tempo: quali interventi hanno ridotto le richieste di aiuto, quali popolazioni hanno richiesto più supporto, quali azioni formative hanno prodotto risultati nei diversi progetti.
Il ruolo dei manager nel change management potenziato dall’IA
I manager vedono gli effetti del cambiamento prima che questi compaiano nei report: raccolgono i dubbi dei loro team, osservano la nascita di “procedure parallele”, percepiscono il calo di attenzione prodotto dalla sovrapposizione di più progetti. In un modello di change dinamico, potenziato dall’IA, il loro ruolo pesa di più, perché diventano una delle fonti chiave attraverso cui l’organizzazione capisce come una trasformazione è vissuta e dove emergono gli ostacoli. Per svolgere questo compito hanno però bisogno di tempo, informazioni aggiornate e linee guida utilizzabili concretamente.
Chiedere a un responsabile di sostenere una trasformazione senza informarlo sulle decisioni prese, o senza prepararlo alle domande del suo team, lo esporrebbe davanti alle proprie persone: nelle situazioni più delicate, l’assenza di risposte può essere letta come disaccordo o scarsa fiducia nel progetto. La rete di change deve quindi fornire ai manager indicazioni chiare su cosa cambia, quali eccezioni sono previste, come indirizzare i problemi; i manager, a loro volta, devono poter riportare ciò che osservano sul campo, soprattutto quando una nuova attività genera più lavoro del previsto.
Nei progetti che introducono strumenti di IA emergono anche dubbi legati alle competenze richieste, al grado di autonomia, all’evoluzione del ruolo: alcune persone temono di perdere attività nelle quali si riconoscono, altre ricevono nuovi strumenti senza il tempo per imparare a usarli. Questi segnali non emergono facilmente dagli indicatori di adozione: è il confronto diretto con manager e team a rivelare come la trasformazione sia davvero vissuta, facendo emergere problemi concreti come accessi mancanti, interfacce poco chiare, regole incomplete, tempi operativi sottostimati.
Quando una difficoltà viene segnalata, deve essere chiaro chi la prende in carico e in quali tempi arriverà una risposta. Le segnalazioni ricorrenti possono poi essere affiancate a ticket e dati di utilizzo, perché l’IA le ricomponga in una lettura aggiornata della trasformazione, da riportare nei cicli successivi di change. Non è la tecnologia a decidere se una trasformazione riesce, ma la capacità dell’organizzazione di ascoltarsi mentre cambia: l’IA, semplicemente, fornisce più occasioni per farlo.
Partecipa alla community