Il consulente AI che non ti dice quello che vuoi sentire: come selezioniamo i casi d’uso

Esiste un problema strutturale nel mercato della consulenza AI che nessuno ha interesse a nominare: i consulenti vengono pagati per vendere progetti, non per dire ai clienti che un progetto non ha senso. Il risultato è un mercato pieno di progetti avviati per le ragioni sbagliate, con aspettative irrealistiche, su casi d’uso che non avrebbero dovuto essere scelti.

Non è necessariamente malafede. È l’effetto naturale di un incentivo distorto: chi propone la soluzione ha interesse a proporre la soluzione più grande e più costosa che il cliente è disposto ad approvare. Chi decide ha interesse a sembrare innovativo agli occhi del proprio management. Chi implementa ha interesse a iniziare il prima possibile. Nessuno ha un interesse esplicito a fermarsi e chiedersi se vale davvero la pena.

Noi lo facciamo. E non sempre la risposta è quella che il cliente si aspetta.

La fase di selezione dei casi d’uso: perché è la più importante

Nel metodo MVF la prima fase, quella di analisi e selezione dei casi d’uso, è quella a cui dedichiamo più tempo e più attenzione. Non perché sia la più complessa tecnicamente, ma perché è quella che determina il successo o il fallimento di tutto quello che viene dopo.

Un caso d’uso sbagliato non diventa giusto con una buona implementazione. Un processo che non si presta all’AI non migliora con uno strumento AI sopra. Un problema che ha origine organizzativa non si risolve con la tecnologia. Queste sono verità semplici che vengono dimenticate con sorprendente frequenza nel momento in cui si entra in contatto con le possibilità che l’AI offre.

La selezione dei casi d’uso è il momento in cui bisogna essere più onesti, più rigorosi e più disposti a deludere le aspettative. È anche il momento in cui si costruisce la fiducia con il cliente, perché chi è disposto a dire “qui non ha senso” è anche chi merita credito quando dice “qui invece può fare la differenza”.

I criteri che usiamo per selezionare i casi d’uso

Non esiste una formula universale, ma esistono criteri che applicati sistematicamente permettono di distinguere i casi d’uso promettenti da quelli che sembrano promettenti.

Il primo criterio è la misurabilità del problema. Se non riesci a descrivere il problema in termini quantificabili, quanto tempo costa, quanti errori produce, quanto personale assorbe, è molto difficile costruire una soluzione AI che produca un impatto verificabile. I problemi vaghi producono soluzioni vaghe.

Il secondo criterio è la ripetitività e il volume. L’AI produce il suo valore migliore su attività che si ripetono con frequenza e su volumi significativi. Un’attività che viene svolta una volta al mese da una persona in un’ora non è un buon candidato per l’automazione AI. Un’attività che viene svolta cento volte al giorno da cinque persone è un candidato eccellente.

Il terzo criterio è la disponibilità dei dati. Come abbiamo visto, senza dati accessibili e di qualità sufficiente qualsiasi soluzione AI parte zoppa. Questo criterio da solo esclude una parte significativa dei casi d’uso che sembrano interessanti in astratto.

Il quarto criterio è il livello di giudizio richiesto. L’AI lavora bene su compiti strutturati, dove il ragionamento segue pattern riconoscibili. Lavora male su compiti che richiedono giudizio discrezionale elevato, gestione di situazioni inedite o relazioni interpersonali complesse. Capire dove si trova il confine in ogni specifico processo è parte essenziale dell’analisi.

Il quinto criterio è l’impatto organizzativo. Un caso d’uso tecnicamente ottimo ma che tocca aree sensibili dell’organizzazione, che genera resistenza forte nel personale o che richiede cambiamenti profondi nelle responsabilità, può fallire per ragioni che non hanno nulla a che fare con la tecnologia. L’impatto organizzativo non è un fattore secondario, è parte integrante della valutazione.

Cosa diciamo quando la risposta è no

Succede, e succede più spesso di quanto si pensi. Un’organizzazione arriva con un’idea chiara di cosa vuole fare con l’AI, e dopo l’analisi la risposta è che quella cosa specifica non ha senso, almeno non in questo momento, non in questo modo, non con queste premesse.

Dirlo chiaramente non è comodo. Ma è l’unico modo per costruire una relazione professionale seria. Un cliente a cui viene detto no sul caso d’uso sbagliato e sì su quello giusto ha molte più probabilità di ottenere risultati concreti, e molte più probabilità di tornare per il progetto successivo.

La risposta no quasi mai è definitiva. È quasi sempre “non qui”, “non ora” o “non così”. I processi non maturi per l’AI oggi lo diventano quando i dati migliorano, quando l’organizzazione ha acquisito più familiarità con gli strumenti, quando la normativa si stabilizza. Parte del nostro lavoro è anche aiutare le aziende e gli enti pubblici a capire cosa fare oggi per essere pronti a fare domani quello che oggi non è ancora fattibile.

Il rischio opposto: essere troppo conservativi

Vale la pena nominare anche il rischio opposto, che esiste ed è reale. Un consulente eccessivamente prudente, che vede problemi ovunque e opportunità da nessuna parte, non è più utile di uno che vende qualsiasi cosa. La prudenza senza coraggio non produce valore, produce paralisi.

Il nostro obiettivo non è minimizzare i rischi a tutti i costi. È valutarli onestamente e metterli in relazione con le opportunità reali. Quando un caso d’uso ha senso, lo diciamo con la stessa chiarezza con cui diciamo che non ne ha. E quando lo diciamo, abbiamo i numeri e l’analisi per dimostrarlo.

Il prossimo passo

Se hai un’idea di dove l’AI potrebbe fare la differenza nella tua organizzazione e vuoi una valutazione onesta, non una presentazione commerciale, prenota una call gratuita. Partiamo dall’analisi della tua situazione reale e ti diciamo quello che pensiamo davvero, non quello che vorresti sentire.