AI, prima i processi poi gli strumenti: come ridisegnare il lavoro in azienda

L’L’AI in azienda aiuta a ridurre lo scarto fra velocità individuale e risultato, tuttavia è importante considerare che mettere a disposizione della popolazione aziendale uno strumento di AI richiede attenzione sui fronti della governance, della data protection e della sicurezza. Bisogna per esempio avere il controllo di come circolano le informazioni, sapere chi verifica gli errori e che cosa succede al lavoro liberato dall’automazione.

Le rilevazioni del 2026 mostrano quanto quel passaggio sia difficile. Il 19 ottobre Gartner ha pubblicato i risultati della CIO and Technology Executive Agenda 2027, basata su 2.002 responsabili informatici e dirigenti tecnologici intervistati tra maggio e luglio 2026: soltanto il 13% dichiara un valore significativo o trasformativo già ottenuto dall’AI e solo il 4% ha piani espliciti per ridisegnare i ruoli in una forza lavoro composta da persone e agenti AI. Inoltre, è emerso che il 31% dispone di criteri per fermare i progetti pilota prima della produzione; il 17% per abbandonare iniziative già operative ma di scarso valore.

Il problema organizzativo comincia dunque prima della scelta di un modello.

Cosa dicono i dati Gartner e Osservatori Politecnico di Milano

Definire quando un progetto funziona permette anche di capire quando correggerlo o fermarlo, evitando che una sperimentazione diventi permanente per inerzia.

Fonte: Gartner, CIO and Technology Executive Agenda 2027, pubblicazione 19 ottobre 2026. 2.002 CIO e dirigenti tecnologici, maggio–luglio 2026. Indicatori distinti, non sommabili.

In Italia questa sfida si innesta su una diffusione ancora diseguale. La ricerca dell’Osservatorio Artificial Intelligence del Politecnico di Milano, presentata a febbraio 2026, fotografa il 2025: il mercato raggiunge 1,8 miliardi di euro, il 50% in più dell’anno precedente; il 71% delle grandi imprese ha avviato almeno un progetto, contro l’8% delle piccole e medie. Solo una grande impresa su cinque utilizza però l’AI in modo pervasivo nelle diverse funzioni. Entrare in azienda e diffondersi nei processi sono due passaggi distinti.

Per chi sperimenta, il punto di partenza può essere un’attività personale: sintetizzare un documento o preparare una bozza. Il salto arriva quando quella capacità entra nel servizio a un cliente, nell’amministrazione o nello sviluppo di un applicativo utilizzato dai colleghi. Aumentano le persone coinvolte e diventano necessarie regole condivise sul risultato: quale informazione usare, quale controllo fare, chi interviene davanti a un’eccezione.

Emiliano Papadopoulos, CEO di Allnet.Italia, descrive così questa progressione: “Abbiamo iniziato a sperimentare circa due anni fa con un uso individuale, per la produttività personale: scrittura, sintesi, analisi. Poi siamo passati a un’adozione più strutturata e l’abbiamo portata in alcuni processi operativi, soprattutto nella gestione delle richieste di partner e clienti e nel supporto alle attività commerciali e amministrative”.

E aggiunge: “La usiamo anche nello sviluppo software, per costruire applicativi interni: ci permette di passare più rapidamente dall’idea a uno strumento funzionante e di sperimentare di più. In tutti questi ambiti l’AI lavora a fianco delle persone e le persone restano al centro: portano esperienza, conoscenza del contesto e responsabilità verso il cliente, e ogni giorno contribuiscono a migliorare il modo in cui usiamo questi strumenti”.

L’adozione dell’AI passa dalla qualità dei dati

Il passaggio dall’assistente personale al processo condiviso espone un limite preciso: il sistema deve trovare informazioni che i colleghi considerino valide. Si pensi a un’azienda in cui commerciale e amministrazione conservino versioni diverse delle condizioni di un cliente. Una risposta composta rapidamente a partire dal documento superato può tradursi in un’offerta da rettificare e in una nuova attesa per chi l’ha ricevuta. Stabilire quale documento fa fede, chi lo aggiorna e chi può leggerlo diventa parte del progetto AI.

È il lavoro preliminare che Papadopoulos indica come la difficoltà più sottovalutata: “Il primo, e il più sottovalutato, sono i dati. L’AI lavora bene solo se le informazioni aziendali sono digitali, omogenee e affidabili. Se i dati sono sparsi tra file, e-mail e conoscenza personale, o se lo stesso cliente è registrato in tre modi diversi, i risultati non possono essere affidabili. Buona parte del nostro lavoro è stata, ed è ancora, mettere ordine: strutturare i dati, collegare i sistemi, formalizzare le procedure”.

Il vincolo riguarda anche i sistemi che custodiscono quei dati. Una ricerca commissionata da GFT a Wakefield Research e pubblicata il 29 settembre 2026 ha interrogato online, dall’11 al 31 agosto, 945 responsabili informatici e tecnologici in 19 Paesi, presso aziende con almeno 500 milioni di dollari di fatturato annuo. L’84% riferisce di aver cancellato almeno un progetto pilota o un’iniziativa AI a causa dei limiti dei sistemi preesistenti. È un’indagine sulle grandi organizzazioni: mostra che la disponibilità di risorse non elimina il problema di collegare la nuova tecnologia all’infrastruttura che deve sostenerla.

Per capire la conseguenza operativa basta seguire una richiesta lungo il suo percorso. Generare una risposta sullo stato di un ordine richiede informazioni aggiornate su disponibilità, spedizione e condizioni concordate. Se questi dati restano separati, qualcuno deve ancora riconciliarli. Il costo del lavoro preparatorio comprende quindi il collegamento fra applicazioni, la correzione delle anagrafiche e la manutenzione delle procedure. Un progetto valutato soltanto sul prezzo delle licenze rischia di lasciare fuori proprio le attività necessarie a renderlo utilizzabile.

Il cambiamento entra nelle responsabilità dei manager

Quel lavoro richiede decisioni che attraversano più funzioni. Il responsabile commerciale può definire che cosa renda accettabile una risposta al cliente; chi gestisce i sistemi deve assicurare che le informazioni arrivino in modo corretto; le persone che trattano le richieste conoscono le eccezioni che una procedura scritta può ignorare. La responsabilità sul risultato deve tenere insieme queste competenze, altrimenti ciascuno ottimizza il proprio passaggio e il problema rimane nel percorso complessivo.

Nell’esperienza di Allnet.Italia questo ha comportato partire dalla formazione dei manager. Spiega Papadopoulos: “Da almeno un anno e mezzo investiamo molto nella formazione, a partire dal management. Abbiamo chiesto ai manager di usare questi strumenti nel lavoro quotidiano, perché è difficile guidare ciò che non si conosce. Poi abbiamo chiesto loro di preparare le proprie persone, spiegando con chiarezza che il modo di lavorare sarebbe cambiato. Abbiamo anche chiarito le responsabilità: ogni iniziativa ha un responsabile di business, non solo tecnico”.

Usare personalmente uno strumento aiuta a riconoscerne errori e utilità. Per guidare il cambiamento serve poi tradurre quell’esperienza in scelte: quali attività affidargli, quanto tempo riservare alla verifica, quali competenze coltivare. Se la formazione insegna soltanto a ottenere una buona risposta, resta irrisolta la domanda su come cambia la giornata di lavoro di chi dovrà controllarla e assumersene la responsabilità.

È una distanza che emerge anche nello State of AI in the Enterprise 2026 di Deloitte, condotto su 3.235 dirigenti di organizzazioni all’avanguardia nell’AI in 24 Paesi, tra agosto e settembre 2025. Il 34% dichiara di usare l’AI per trasformazioni profonde, come nuovi prodotti o la reinvenzione dei processi centrali e dei modelli di business; il 30% ridisegna processi chiave; il 37% introduce la tecnologia con cambiamenti minimi o assenti nei processi esistenti. La formazione è la risposta più diffusa sul personale, davanti al ridisegno di ruoli e flussi di lavoro. Imparare a usare l’AI e riorganizzare il lavoro procedono quindi a velocità diverse anche fra organizzazioni già impegnate nell’adozione.

Il coinvolgimento dei dipendenti diventa decisivo proprio dove il processo incontra casi che sfuggono allo standard. Chi gestisce un reclamo sa quando un’informazione formalmente corretta non basta a risolverlo; chi prepara un’offerta riconosce condizioni che richiedono un confronto con il cliente. Far entrare questa conoscenza nella progettazione permette di definire quando fermare l’automazione e passare a una persona, invece di scoprire il limite soltanto dopo una risposta sbagliata.

Papadopoulos collega questa partecipazione alla necessità di regole comprensibili nell’uso quotidiano: “Prima di tutto abbiamo dato regole chiare su cosa si può fare, con quali dati e con quali limiti. Le regole riducono l’incertezza più di qualsiasi presentazione motivazionale. Poi abbiamo coinvolto chi fa il lavoro ogni giorno nella costruzione delle soluzioni, perché nessuno conosce un processo meglio di chi lo vive”.

Regole di questo tipo diventano concrete quando indicano, per esempio, quale applicazione è autorizzata per un documento riservato, quali dati possono essere inseriti e chi controlla una risposta prima dell’invio. Per il dipendente cambiano la possibilità di lavorare senza improvvisare e il modo di segnalare un errore. Per l’impresa rendono più chiaro dove avviene una decisione e consentono di correggere il processo quando la stessa difficoltà si ripete.

Il tempo liberato e il ruolo delle persone

Resta però la domanda che una procedura non risolve da sola: quale posto avranno le persone se una parte delle loro attività viene automatizzata? Parlare soltanto di produttività lascia aperto se il tempo recuperato servirà a migliorare il servizio, ad aumentare i volumi o a ridurre il fabbisogno di lavoro. Esplicitare la destinazione del tempo liberato dà un contenuto verificabile alla comunicazione del management e permette ai dipendenti di capire quali capacità saranno richieste.

Papadopoulos unisce la preparazione dei dati alla dimensione umana del cambiamento: “È una parte poco visibile, ma senza di essa l’AI resta una promessa. Poi c’è la dimensione umana: le preoccupazioni per il proprio ruolo sono comprensibili e vanno affrontate con chiarezza, non con gli slogan. Infine, c’è la velocità: gli strumenti cambiano più in fretta di quanto un’organizzazione riesca ad assorbirli, e bisogna saper scegliere”.

La scelta degli strumenti entra così nella gestione del carico di lavoro: ogni nuova applicazione richiede apprendimento, prove e aggiornamenti. Se la sperimentazione si aggiunge integralmente alle attività ordinarie, il costo ricade sulle stesse persone a cui si chiede di innovare. Prevedere tempo per imparare e per discutere gli errori rende praticabile il coinvolgimento dei lavoratori; permette inoltre di capire se un miglioramento apparente sposta soltanto il controllo su un altro ufficio.

Prima i processi, poi gli strumenti

Sul risultato atteso Papadopoulos mette al centro giudizio e relazione: “Sul piano operativo abbiamo seguito un ordine preciso: prima abbiamo sistemato processi e dati, poi abbiamo introdotto l’AI. Automatizzare un processo disordinato significa solo produrre errori più in fretta. È cambiato soprattutto il ruolo delle persone. Siamo convinti che, con strumenti sempre più potenti, l’interazione umana conterà sempre di più: la capacità di ascoltare, capire il contesto, costruire fiducia con clienti e colleghi. Le attività ripetitive si riducono e resta più spazio per il giudizio, la relazione e i casi che richiedono esperienza. Tutto questo ci chiede di uscire dalla nostra zona di comfort e di accettare che il mondo cambia molto in fretta e che dobbiamo adeguarci. Non è sempre facile, ma vediamo anche molte possibilità di migliorare il nostro lavoro e, in fondo, la nostra vita”.

Per valutare questa prospettiva servono misure vicine al lavoro effettivo. Nel servizio clienti, per esempio, al tempo della prima risposta si possono affiancare il numero di richieste riaperte, le correzioni necessarie e il tempo totale fino alla soluzione. Nello sviluppo di applicativi, la rapidità del prototipo va letta insieme alle verifiche e alla manutenzione successive. Sono criteri con cui mettere alla prova il beneficio sull’intero processo, includendo il lavoro di chi riceve l’output dell’AI.

Anche la comunicazione fra manager e dipendenti può partire da queste evidenze: mostrare dove il risultato è migliorato, dove un controllo ha intercettato un errore e quale modifica ne è seguita. La fiducia ha così un oggetto preciso e diventa possibile discutere i limiti senza trasformare ogni difficoltà in resistenza al cambiamento. È un confronto da tenere aperto nel tempo, perché competenze e livelli di confidenza restano diversi.

Adoption dell’AI: perché importa il rapporto tra management e dipendenti

Sulla comprensione reciproca fra management e dipendenti Papadopoulos commenta indicando proprio un percorso ancora in corso: “È migliorata molto, ma non la considero un tema chiuso. Il livello di confidenza cambia tra persone e funzioni: c’è chi è entusiasta e chi è più cauto, ed è normale. La comunicazione funziona quando è concreta, cioè quando si mostrano risultati reali e si parla apertamente anche dei limiti degli strumenti. Il messaggio resta lo stesso: l’AI cambia il modo in cui lavoriamo, ma la responsabilità e il rapporto con il cliente restano nelle mani delle persone”.

La prova dell’adozione arriva quando una richiesta attraversa l’organizzazione e trova dati affidabili, un controllo proporzionato e una persona in grado di decidere nei casi difficili. Il valore emerge da un servizio che funziona meglio e da un lavoro che può essere svolto con maggiore qualità. Per arrivarci, la scelta più impegnativa è assegnare tempo, competenze e responsabilità alle attività che rendono possibile quel risultato, e misurare anche quelle.