AI | Kanban & l'arte della Maratona

Perché collegare l’AI ai vostri dati di flusso non basta: le decisioni che qualcuno deve prendere

Sono appena rientrato dal Kanban Leadership Retreat, la tre giorni annuale organizzata per la propria comunità da Kanban University. Tra i temi che hanno occupato più spazio quest’anno c’era l’AI: dove sta già cambiando il modo di lavorare di manager e knowledge worker e come il metodo Kanban possa aiutare le organizzazioni a orientarsi in un contesto tecnologico che si muove molto in fretta.

La risposta che sembra corretta finché non fate due volte la stessa domanda

Prendo spunto da una sessione proposta da Sonya Siderova, fondatrice di Nave, dedicata a flow metrics, analytics e AI agent. La domanda di partenza era semplice da porre ma non di facile risposta: che cosa succede quando si toglie la persona, lo human in the loop, dal ciclo di gestione del flusso di lavoro e si lascia decidere all’AI? Gli argomenti condivisi dal gruppo di lavoro sono stati sei: costo più elevato, difficoltà ad adattarsi a condizioni che cambiano, perdita di competenza di management, perdita di capacità di fare le domande giuste, perdita di capacità di guidare il cambiamento, perdita di gestione delle pratiche operative. Nel confronto tra un agente AI da solo e un agente affiancato da una persona, l’agente da solo non basta su nessuno di questi sei punti, nemmeno se lavora interfacciandosi con un motore di flow analytics già maturo.

Peggio ancora se l’agente accede direttamente ai dati grezzi di flusso e li elabora in autonomia. Il riscontro, dai test effettuati, è che si ottiene una risposta plausibile ma non affidabile. Il valore che l’AI aggiunge sta altrove: accedere attraverso il protocollo MCP ai dati prodotti in modo affidabile dal motore di flow analytics e costruirci sopra una narrazione, arrivando a generare raccomandazioni.

Successivamente a quella sessione, Siderova ha ripreso e sviluppato il ragionamento in un articolo che trovate su LinkedIn: https://www.linkedin.com/pulse/your-ai-can-talk-delivery-data-you-trust-answer-sonya-siderova-rfdfe

L’esempio che descrive è preciso. Qualcuno collega un LLM ai dati grezzi di flusso e chiede quanto dura normalmente un lavoro, cosa sta rallentando un team, quando saranno finiti quaranta work item. In pochi minuti arriva una risposta, e sembra che il problema sia risolto. Tre mesi dopo qualcuno rifà la stessa domanda. Nel frattempo il team ha cambiato workflow, due stati sono stati rinominati, i difetti seguono un percorso diverso. L’AI restituisce un numero diverso, e a quel punto nessuno sa più dire quale risposta fosse corretta.

Il prototipo non è la parte difficile

Siderova anticipa l’obiezione più ovvia, quella di chi ha collegato i propri dati grezzi di flusso a un LLM, ha sviluppato una demo e pensa di aver già risolto tutto: collegare l’API di strumenti quali Jira o Azure DevOps a un modello di AI non è al giorno d’oggi particolarmente difficile. La parte difficile comincia dopo la demo.

Prendete il cycle time. Dove parte il timer, alla creazione del ticket, all’ingresso in backlog o all’inizio effettivo del lavoro? Cosa succede se il work item torna indietro? Se salta uno stato? Se viene riaperto? Il tempo di attesa conta o no? Sono decisioni di misurazione, non domande che si rivolgono all’AI. Qualcuno deve prenderle, e poi assicurarsi che continuino a valere quando il workflow cambia il mese successivo, e quello dopo ancora. L’integrazione è un progetto, con un inizio e una fine. Il modello di misurazione è un prodotto: ha bisogno di un owner, di test, di manutenzione continua.

Da qui le sei domande che Siderova invita a porsi su ogni sistema, prima di fidarsi di un suo qualsiasi numero, che si tratti di uno strumento interno, di un foglio di calcolo o di una piattaforma commerciale: dove parte il cycle time, dove finisce, cosa succede quando il lavoro torna indietro, cosa succede quando un work item salta direttamente a “Fatto”, cosa succede quando un lavoro completato viene riaperto, il tempo di attesa viene conteggiato? E ne aggiunge una settima, decisiva quando quei numeri servono a prendere un impegno su una data di consegna: si sta guardando una media, o un percentile che permette davvero di valutare il rischio? Se il sistema non permette di rispondere con chiarezza a queste domande, quei numeri non possono essere usati per un impegno su una data di consegna. Un numero plausibile e un numero affidabile sono due cose diverse.

Interfaccia, non motore di calcolo

Interrogare ogni volta i dati grezzi e lasciare che sia l’LLM a interpretarli da zero è il modo più veloce per avere una risposta, ed è però anche quello che produce il problema descritto sopra, una risposta diversa ogni volta che qualcosa a monte cambia, senza che nessuno se ne accorga finché i numeri smettono di tornare. Interrogare un motore di flow analytics che applica sempre le stesse definizioni perché configurato opportunamente, con l’AI solo come interfaccia, fornisce invece risposte affidabili: la stessa domanda, posta oggi o tra sei mesi, produce una risposta diversa solo se sono cambiati i dati di flusso sottostanti, non perché è cambiata l’interpretazione di quei dati.

Non è un problema di modello di AI più o meno capace, è che le definizioni di misura non sono pattern che un LLM possa indovinare guardando i dati, sono decisioni che qualcuno deve avere già preso a monte.

Non è un problema di AI

Qui il discorso torna alla sostanza della gestione del flusso di lavoro. Dove parte il timer, come si trattano gli stati, cosa succede se c’è una rilavorazione: non sono un problema di ownership tecnica dello strumento. Sono esattamente ciò che rende maturo un sistema Kanban: policy esplicite, confini del workflow dichiarati, non lasciati all’intuito di chi in quel momento guarda la board. Un’organizzazione che non ha mai reso esplicite queste regole non scopre un problema di AI quando i numeri smettono di tornare. Scopre un problema di sistema che aveva sempre avuto, e che l’AI si limita a rendere visibile più in fretta, perché moltiplica il numero di domande poste a un sistema che non era pronto a rispondere con coerenza.

Ed è per questo motivo che trattare lo human in the loop come un tema separato dalla qualità della misurazione è fuorviante. Sono lo stesso tema visto da due lati diversi. La persona che possiede le definizioni di misurazione deve anche restare la persona che le mantiene quando il workflow cambia. Non è un ruolo che l’AI rende superfluo. Diventa anzi più necessario proprio perché l’AI abbassa il costo di fare domande al sistema.

Il punto di leva resta lo stesso di sempre

Visualizzare il flusso. Limitare il lavoro in corso. Rendere esplicite le policy, comprese quelle di misurazione che di solito nessuno scrive perché sembrano ovvie finché il numero torna. Solo dentro un sistema costruito così ha senso collegare un’AI e farsi rispondere sui propri dati di flusso di lavoro. Solo così quello che si ottiene è una risposta, oltre che plausibile, di cui ci si possa fidare.

Ho pubblicato originariamente questo articolo per il portale Kanban Help, al quale collaboro insieme al collega Luca Gambetti.
Visita Kanban Help – www.kanban.help – per conoscere gli strumenti formativi e di coaching che ti possono aiutare a introdurre il metodo Kanban nella tua azienda.

Perché l’AI da sola non vi renderà agili: il concetto di “satisficing”

Quanto sta spendendo davvero la vostra azienda in intelligenza artificiale, e come fate a sapere se quella spesa sta producendo un miglioramento reale? È la domanda al centro del recente keynote speech di David Anderson tenuto a Norimberga, che è stato riproposto da Anderson stesso in un webinar e che qui riprendiamo e sintetizziamo. Non è un intervento sulla tecnologia AI in sé, ma su un problema molto più vecchio e sempre attuale: come si fa a sapere se un cambiamento produrrà un miglioramento? Da quella domanda è nato, quasi un decennio fa, il framework Fit for Purpose, sviluppato da Anderson insieme ad Alexei Zheglov.

Il problema: aziende che investono senza strategia

Anderson racconta di parlare regolarmente con aziende i cui team, un tempo dedicati all’agile coaching, oggi lavorano su iniziative di intelligenza artificiale. Lo schema che vede ripetersi è molto simile: prima si è provato l’agile in piccola scala senza risultati, poi si è scalato con qualche framework dedicato spendendo molto e rallentando ulteriormente, infine si sono licenziati scrum master e product owner, rinominando i superstiti con titoli come flow manager o transformation coach. Ora quelle stesse persone sono state messe a capo delle iniziative di AI, nella speranza che la tecnologia risolva ciò che l’agile non è riuscito a risolvere. Anderson sottolinea come questa non sia una strategia: è essenzialmente una speranza, unita a una spesa ingente.

Che cosa significa il concetto di satisficing

Il termine, coniato dall’economista e matematico Herbert Simon (premio Nobel per l’economia) a metà degli anni Cinquanta, nasce dalla fusione di “satisfactory” e “sufficient“. Simon studiava i grafi di rete e un problema ben noto nelle organizzazioni industriali: se si chiede a ogni singolo nodo di una rete, per esempio ogni reparto o linea produttiva, di ottimizzare la propria efficienza, i nodi finiscono per competere tra loro e il risultato complessivo diventa inefficiente. Un ottimo locale non produce un ottimo globale.

La soluzione individuata da Simon non era chiedere ai singoli nodi di ottimizzare, ma di raggiungere un livello, appunto, satisficing: sufficiente e soddisfacente. Se ogni nodo persegue quel livello, l’intera rete tende a un ottimo globale a partire da livelli locali di sufficienza. Applicato a un’azienda, questo significa che ogni servizio della rete organizzativa ha bisogno di metriche proprie che definiscano cosa rappresenti, per quel nodo, un livello soddisfacente e sufficiente di performance, per poi usarle in un ciclo di retroazione locale.

Il costo reale dell’AI

Anderson porta alcuni dati per dare la misura del problema. Uber avrebbe budgetato 1.800 dollari al mese per dipendente per l’AI, ma starebbe in realtà spendendo circa 5.400 dollari al mese. Un insider che lavora a un’iniziativa di AI agentica in una nota grande azienda tecnologica americana, riferisce una spesa di circa 4.000 dollari al mese per dipendente. Numeri che, calcolati in relazione a un ingegnere software con stipendio tra 150.000 e 300.000 dollari l’anno, possono sembrare sostenibili, ma che non reggono in altri mercati: a Lisbona, dove ha tenuto lo stesso keynote due mesi prima di Norimberga, una cifra del genere equivarrebbe a raddoppiare il costo del lavoro.

Una ricerca dell’Economist dello scorso giugno indica che l’1% delle aziende globali per capitalizzazione spende in media 7.500 dollari al mese per dipendente, ovvero circa 100.000 dollari l’anno. Il range che emerge da queste fonti è quindi tra 50.000 e 100.000 dollari l’anno per dipendente, a fronte di un miglioramento di produttività atteso di circa quattro volte, ma con pochissime evidenze concrete di benefici di business. Molti di questi budget vengono sottratti ad altre voci, come la formazione, di cui l’AI arriva a costare fino a dieci volte tanto per dipendente.

Agilità aziendale su due livelli

L’agilità enterprise si gioca su due dimensioni: la capacità di far girare più velocemente il business quotidiano (Run the Business), rispondendo a cambiamenti di mercato e di domanda, e la capacità di reinventarsi, di cambiare direzione quando serve (Change the Business). Storicamente gli sponsor aziendali delle iniziative agili si aspettavano velocità, e i coach che negli anni hanno sostenuto che “l’agile non è mai stato sulla velocità” hanno spesso pagato quella loro affermazione con il posto di lavoro.

Pensare per servizi, non per team

Un’organizzazione va modellata come una rete di servizi interdipendenti, non come una gerarchia. Una richiesta cliente attraversa più team per essere evasa: la Kanban board rappresenta il servizio, non la struttura organizzativa. L’unità molecolare dell’agilità aziendale non è mai stata il team, ma il servizio. Per ciascun servizio serve un proprio sistema Kanban e un proprio set di metriche di satisficing, tra cui lead time, prevedibilità, puntualità, qualità funzionale e non funzionale, conformità normativa, convenienza, adattabilità, configurabilità e sostenibilità economica.

Un punto che Anderson sottolinea con un esempio personale: l’AI non prende decisioni, genera opzioni. Con la sua stessa casella di posta come esempio, racconta di ricevere continuamente analisi con più opzioni da valutare, generate rapidamente dai suoi collaboratori grazie all’AI, che finiscono per far perdere tempo prezioso a chi deve poi decidere, lui compreso. È un caso concreto di ottimizzazione locale che crea un problema altrove nella rete, in questo caso al vertice dell’azienda.

Il problema dell’efficienza di flusso

Dati raccolti in vent’anni di lavoro con la community Kanban dicono che in molte organizzazioni solo l’1-2% del lead time complessivo di una richiesta cliente corrisponde a lavoro effettivo, il resto sono code. Se una richiesta impiega 100 giorni per essere evasa ma richiede un solo giorno di lavoro effettivo, applicare l’AI a quel giorno di lavoro, riducendolo per esempio di un fattore quattro, porta il lead time percepito dal cliente a restare sostanzialmente invariato. Il discorso cambia se il servizio ha già un’efficienza di flusso alta, per esempio del 50-60%: in quel caso l’AI può davvero dimezzare il lead time o raddoppiare la produttività. Il rischio più comune, però, è che l’AI ottimizzi localmente una fase già poco significativa nel flusso complessivo, spostando semplicemente il collo di bottiglia altrove nell’organizzazione, senza produrre alcun miglioramento globale percepibile, pur continuando a consumare budget.

Autonomia locale e doppio ciclo di retroazione

Perché il miglioramento locale funzioni, ogni nodo della rete deve poter agire con autonomia, perseguendo il proprio livello di satisficing e non un ottimo assoluto. Anderson descrive due cicli di retroazione (double-loop learning): uno interno, che chiede se il servizio sta rispettando i propri criteri di satisficing, e uno esterno, che chiede se quei criteri sono ancora quelli giusti da misurare. Quando i servizi sono collegati tra loro, ogni servizio dipendente deve conoscere cosa rappresenta un livello soddisfacente per il servizio che lo richiede, in modo che la sufficienza si propaghi lungo tutta la rete fino al cliente finale.

L’ottimizzazione globale parte dai nodi a contatto diretto con il cliente e si propaga verso l’interno dell’organizzazione attraverso pratiche di revisione periodica, documentate nel Kanban Maturity Model. Se il meccanismo funziona, i diversi nodi della rete possono scambiarsi capacità, competenze e priorità: un nodo può accettare di essere sub-ottimale per contribuire a un miglioramento globale, ma questo richiede che i sistemi di incentivo dei manager siano allineati al bene della rete e non alla sola performance locale.

Cosa fare, a prescindere dall’AI

Anderson suggerisce un percorso in tre passi, indipendente dalla tecnologia scelta:

visualizzare, dotare di strumenti di misurazione e gestire il flusso delle richieste cliente end to end, non a livello di singolo team, con il Kanban Maturity Model
definire i criteri di satisficing con il framework Fit for Purpose
implementare un ciclo di retroazione locale che porti quelle metriche al livello desiderato

Solo a queste condizioni ha senso chiedersi se un investimento in AI, applicato a un nodo specifico della rete, produrrà un miglioramento reale e misurabile, con un’analisi di ritorno sull’investimento che tenga conto sia della spesa locale sia dell’impatto globale sul business. E solo se si gestisce il flusso di lavoro per ogni servizio, si potrà sapere se l’AI ha generato dei miglioramenti oppure no.

Il confronto con Kanban su scala enterprise

Il keynote si chiude con un termine di paragone: le implementazioni Kanban su scala enterprise fatte correttamente producono tipicamente un miglioramento di produttività da 4 a 8 volte, una riduzione del 90% dei lead time e del time to market, con un costo inferiore all’1% del costo del lavoro esistente. Adam Woo, coach Kanban di Shenzhen, ha realizzato più di sei implementazioni su scala superiore alle 5.000 persone, la più grande delle quali in Huawei con 100.000 persone coinvolte. Un risultato, osserva Anderson, spesso migliore di quanto ci si aspetti dall’AI, e a una frazione del costo.

Anche nella sua organizzazione, Kanban University, Anderson riconosce all’AI un ruolo utile, per esempio nelle operazioni IT che mantengono il sito e la piattaforma Kanban+. Ma da CEO ammette di non gradire quando l’AI, usata dai suoi collaboratori, finisce per generare più lavoro di revisione per lui: spostare il collo di bottiglia al vertice dell’azienda non è mai una buona strategia.

Il keynote completo, con tutti i dati e gli esempi qui solo sintetizzati, è disponibile integralmente sul canale YouTube di Kanban University: https://youtu.be/ZWfUq8Z9soc.

Organizzare per migliorare i servizi legali: perché l’AI non basta senza flussi di lavoro strutturati

Si parla sempre più di intelligenza artificiale come soluzione definitiva per rivoluzionare i servizi legali. La promessa è seducente: efficienza immediata, risultati straordinari. Ma c’è un rischio concreto che viene sistematicamente ignorato: se l’AI viene applicata in organizzazioni non strutturate, l’efficienza che si ottiene potrebbe essere solo un’illusione.

L’ottimizzazione locale non è efficienza di sistema

L’uso prevalente degli strumenti AI oggi è focalizzato sull’individuo: si accelera la redazione di un contratto, si comprime un’analisi da due ore a venti minuti. Il risultato sembra maggiore produttività. Questo però, dal punto di vista del pensiero sistemico, può significare che si spreca lavoro più velocemente.

Se un professionista all’interno di un flusso di lavoro redige più velocemente un documento ma il collo di bottiglia è la revisione affidata a una sola persona a valle della redazione, il revisore sarà ancora più sopraffatto. Più lavoro in ingresso genera più lavoro in corso, più code, più rilavorazioni. Questo è il rischio classico dell’ottimizzazione locale: si migliora una parte del sistema ma il sistema complessivo potrebbe peggiorare.

Uscire da questa logica richiede un cambiamento di prospettiva radicale: dall’individuo al flusso.

Un percorso sistemico

Il punto di partenza è riconoscere l’identità del team e sviluppare la collaborazione, uscendo dalla mentalità individuale in cui ognuno ottimizza solo il proprio lavoro indipendentemente dagli altri. Il passo successivo è spostare l’attenzione sul flusso: il team impara a coordinare il lavoro tra i professionisti, a farlo fluire invece di accumularlo. Si arriva infine a uno stadio in cui l’organizzazione è allineata attorno a uno scopo condiviso, capace di erogare il servizio in modo coerente con le aspettative del cliente, quello che in Lean si chiama essere fit for purpose.

È qui che l’AI diventa uno strumento potente. Non prima.

L’esperienza di Studio ExLege

Lo studio ExLege – fondato dall’Avv. Germana Cardea e con la collaborazione dell’Avv. Claudia Premoli – ha scelto di percorrere questo cammino in modo consapevole, con il mio supporto.

Il punto di partenza è stato l’approccio STATIK (Systems Thinking Approach to Implementing Kanban): un’analisi delle criticità esistenti, la definizione dei flussi di lavoro reali, l’identificazione delle fonti di variabilità e di attrito. Non si è partiti da zero: la prima Kanban board è stata ricavata da un foglio di calcolo già in uso, coerentemente con il principio Kanban di “iniziare da quello che si fa oggi”.

Le pratiche Kanban introdotte – visualizzazione del lavoro, politiche esplicite, cadenze di allineamento, metriche di flusso – hanno trasformato progressivamente la gestione dello studio da un sistema basato sulla memoria individuale a un sistema strutturato, visibile, prevedibile.

I risultati sono stati concreti e percepiti con chiarezza da tutti i professionisti coinvolti. La pressione è diminuita, perché il sistema aiuta a distinguere ciò che dipende dall’organizzazione da ciò che viene dall’esterno. La visibilità è aumentata: lo studio ha collegato le capacità dei singoli in un sistema e ha iniziato a navigarlo avendo a disposizione una ‘bussola e una mappa’. Le relazioni con i clienti sono migliorate, perché conoscere lo stato esatto di ogni pratica permette di comunicare con maggiore precisione e autorevolezza. L’inserimento di nuovi professionisti è diventato più fluido, grazie a protocolli chiari che riducono l’ambiguità. Inoltre, dettaglio controintuitivo, la struttura ha prodotto flessibilità, non rigidità: avendo il controllo del sistema, lo studio ha sviluppato metriche a supporto del processo decisionale – dall’accettazione degli incarichi, alla determinazione delle tempistiche di evasione, fino alle scelte di allocazione delle risorse.

La sintesi, nelle parole dei professionisti coinvolti: “non torneremmo indietro”.

L’AI come passo successivo, non come scorciatoia

L’esperienza di ExLege non è un caso isolato: è la dimostrazione pratica di un percorso che vale per qualsiasi organizzazione di servizi professionali. Prima si costruisce il sistema, poi si introduce la tecnologia.

L’AI non crea ordine dove non c’è ma, nel bene e nel male, amplifica ciò che trova. Applicata a un’organizzazione strutturata, può sbloccare valore reale: coordinare flussi complessi, supportare decisioni strategiche, ridurre il lavoro a basso valore cognitivo. Applicata al caos, lo accelera.

Il vero investimento non è nello strumento. È nell’organizzazione che lo sa usare.

Ho pubblicato originariamente questo articolo su LinkedIn il 3 settembre 2026

Dal caos al flusso: perché l’AI non basta se l’organizzazione non funziona

Negli ultimi anni l’intelligenza artificiale è entrata con forza nel linguaggio e nelle pratiche di molte organizzazioni. Spesso viene presentata come una scorciatoia: uno strumento capace di velocizzare il lavoro, ridurre i costi, migliorare le decisioni. Ma c’è una domanda che raramente ci fermiamo a porci davvero: che cosa succede quando introduciamo l’AI in un sistema che è disorganizzato, sovraccarico o poco chiaro?

È da questa riflessione che nasce l’intervista che mi ha fatto Leonarda Vanicelli per il podcast Lavoro Meglio con l’AI. Una conversazione che non parla di tool, prompt o mode del momento, ma di ciò che viene prima: il funzionamento reale delle organizzazioni.

L’AI accelera, ma non aggiusta

Un punto chiave emerso durante l’intervista è semplice quanto spesso ignorato:
l’AI non risolve i problemi organizzativi, li amplifica.

Se i processi sono confusi, se le priorità cambiano di continuo, se le persone sono costantemente in sovraccarico, l’AI non porterà ordine. Al contrario, renderà il caos più veloce, più pervasivo e meno visibile.

Per questo, prima di introdurre qualsiasi tecnologia avanzata, è fondamentale fermarsi e osservare:

come scorrono davvero le attività
dove si accumula il lavoro
quali decisioni vengono prese senza dati
quali sono i colli di bottiglia che drenano energia e attenzione

Rendere visibili i flussi di lavoro

Uno dei temi centrali della conversazione è la necessità di rendere visibili i flussi.
Quando il lavoro resta invisibile – frammentato tra email, chat, urgenze e interruzioni – diventa impossibile governarlo. Senza visibilità non c’è scelta consapevole, e senza scelta non c’è miglioramento.

Lavorare sui flussi significa:

chiarire cosa entra nel sistema e cosa no
limitare il sovraccarico
creare spazi di decisione reali
permettere alle persone di lavorare con più continuità e meno stress

Solo in questo contesto l’AI può diventare un alleato: uno strumento che supporta un sistema già pensato, non una toppa messa sopra le falle.

Tecnologia sì, ma umana

Un altro aspetto emerso con forza è il tema dell’umanità.
Introdurre l’AI in modo efficace non è solo una questione tecnica o strategia: è una scelta culturale. Significa chiedersi che tipo di lavoro vogliamo creare, che ruolo hanno le persone, come vengono prese le decisioni e quali sono i limiti che scegliamo di rispettare.

L’innovazione sostenibile non nasce dall’accumulo di strumenti, ma dalla capacità di progettare sistemi di lavoro più chiari, efficaci e sostenibili.

Per approfondire

Se questi temi ti interessano, ti invito ad ascoltare l’intervista completa nel podcast Lavoro Meglio con l’AI:

Spotify: https://tinyurl.com/LMAISpotify
Spreaker: https://tinyurl.com/LMAISpreaker
Apple Podcast: https://tinyurl.com/LMAIApple
YouTube: https://tinyurl.com/LMAIYoutube

Per un approfondimento più strutturato su questi temi, puoi anche leggere il libro Dal caos al flusso: La trasformazione organizzativa con il metodo Kanban, un percorso pratico per ripensare il lavoro prima (e oltre) la tecnologia: https://amzn.eu/d/inuHN8J

L’intelligenza artificiale applicata in organizzazioni poco strutturate: l’illusione dell’efficienza

Una riflessione che mi accompagna spesso in questo periodo — e che viene sollecitata anche dalle organizzazioni che seguo come consulente — riguarda l’utilizzo dell’intelligenza artificiale in combinazione con il metodo Kanban.

Qualche giorno fa, durante una presentazione introduttiva sul metodo Kanban a un gruppo di potenziali interessati, mi sono trovato di fronte a una persona che, con grande entusiasmo, raccontava di aver ottenuto risultati straordinari di efficientamento nella propria organizzazione grazie all’uso dell’AI.

Questo episodio mi ha riportato alla mente un’interessante analisi contenuta in un recente articolo di Klaus Leopold, che potete leggere qui. Leopold si concentra sul suo modello dei Flight Levels, ma osservazioni analoghe possono essere fatte anche alla luce del Kanban Maturity Model (KMM).

Sta emergendo infatti un paradosso notevole: l’intelligenza artificiale (AI) rende le persone sempre più efficienti nei propri compiti, ma allo stesso tempo sembra spingere le organizzazioni indietro, fino a ML0 (Inconsapevole – Oblivious).

La regressione a ML0: l’ottimizzazione individuale

Storicamente, le organizzazioni di servizi professionali erano fortemente orientate alla performance individuale. Con lo sviluppo del pensiero organizzativo si è compiuto un passo avanti significativo, spostando progressivamente l’attenzione dall’individuo al team e, successivamente, al sistema nel suo insieme.

Oggi, tuttavia, l’uso prevalente dell’intelligenza artificiale sembra riportarci a un livello di focalizzazione più elementare: l’ottimizzazione delle prestazioni individuali, attraverso strumenti come assistenti di scrittura o applicazioni per la generazione e il riassunto di testi.

Questo tipo di applicazione dell’AI si allinea perfettamente alle caratteristiche di organizzazioni a ML0. A questo livello:

Focus su sé stessi e raggiungimento dei risultati: l’organizzazione si presenta come un insieme di individui poco coesi, ciascuno concentrato sui propri obiettivi. Il valore culturale dominante è l’Achievement, ovvero il raggiungimento dei risultati personali. L’intelligenza artificiale finisce per rafforzare questo orientamento, offrendo a ciascuno la possibilità di autocelebrarsi quotidianamente con pensieri del tipo: “Guarda quanto sono produttivo”.
Pratiche individualistiche: le pratiche organizzative si focalizzano principalmente sul completamento dei singoli compiti (“getting things done”). Quando presente, l’uso delle Kanban board avviene a livello individuale (VZ 0.1). L’intelligenza artificiale non modifica sostanzialmente questo approccio: si limita a rendere più rapidi i processi — scrivere più velocemente, codificare più velocemente, fare tutto più velocemente — aumentando così l’efficienza dell’individuo, ma non quella del sistema.
Qualità dipendente dall’eroe di turno: la qualità e la coerenza del lavoro dipendono interamente dalle competenze, dall’esperienza e dal giudizio dei singoli. Ne risulta un’organizzazione estremamente fragile, in cui ogni cambiamento di personale può compromettere significativamente la stabilità operativa.

L’illusione di produttività: sub-ottimizzazione complessiva

La promessa di ridurre il lavoro “da due ore a 20 minuti” o ottenere un “risparmio di tempo del 75% nelle presentazioni” crea una potente illusione di produttività. In realtà, questo progresso è solo apparente.

Quando l’intelligenza artificiale viene impiegata per velocizzare singole attività in modo isolato, senza un coordinamento sistemico, si producono effetti paradossali:

L’AI produce riassunti perfetti delle riunioni, ma nessuno legge il riassunto.
L’AI crea automaticamente la richiesta di ferie, ma l’approvazione resta bloccata per tre settimane sulla scrivania del capo.
L’AI crea 25 versioni di uno slogan e il team marketing finisce per impiegare il doppio del tempo per sceglierne uno.

Visto da una prospettiva di pensiero sistemico (system thinking), tutto questo si traduce semplicemente in tempo sprecato più velocemente. Ottimizzare un singolo passaggio — come premere il tasto “A” due volte più rapidamente — non rende più veloce la scrittura se il sistema complessivo resta invariato.

Allo stesso modo, se tutti i membri di un’organizzazione diventano “supereroi dell’AI” e svolgono le proprie mansioni individuali in meno tempo, il risultato non è una consegna più rapida di valore al cliente. Al contrario: il lavoro tende ad accumularsi nel collo di bottiglia successivo.

Un aumento della velocità in ingresso nel sistema non accelera la velocità in uscita: genera invece più lavoro in corso (Work in Progress – WIP), più rilavorazioni e più caos.
È il risultato tipico della ottimizzazione locale, che porta inevitabilmente a una sub-ottimizzazione del sistema complessivo.

La via d’uscita da ML0: il pensiero sistemico

Per sfuggire alle tipiche logiche da organizzazione poco strutturata, è necessario superare la mentalità individualistica e adottare un autentico pensiero sistemico.

Passaggio a ML1 (Team-Focused): a questo livello si inizia a riconoscere l’identità dei team, a sviluppare la collaborazione e a incoraggiare l’iniziativa collettiva. L’introduzione di limiti al Work in Progress (WIP) per persona (LW 0.1) o per team (LW 1.1) contribuisce a ridurre il muri (sovraccarico), creando le basi per un flusso di lavoro più sostenibile.
Passaggio a ML2 (Customer-Driven): l’attenzione si sposta progressivamente sul cliente. La cultura organizzativa evolve dall’esecuzione dei compiti alla gestione del flusso. Si inizia a comprendere il lavoro come un servizio erogato al cliente, piuttosto che come una somma di attività interne. In questa fase, la mancanza di pensiero sistemico rappresenta il principale ostacolo al raggiungimento di ML2.
Passaggio a ML3 (Fit-for-Purpose): l’organizzazione raggiunge un grado più elevato di unità e allineamento, sviluppando un senso di scopo condiviso. Il servizio viene erogato in modo coerente con le aspettative del cliente e il sistema diventa realmente fit-for-purpose (idoneo allo scopo). In questo stadio, l’ottimizzazione non riguarda più il singolo o il team, ma l’intero flusso di valore end-to-end.

L’ottimizzazione che avviene nel passaggio da ML0 a ML1 rappresenta un progresso significativo per i membri dell’organizzazione, ma il funzionamento complessivo del servizio resta comunque unfit-for-purpose (non idoneo allo scopo) dal punto di vista del cliente. Per creare reale valore, è necessario evolvere verso ML3.

Il vero potenziale dell’AI per la crescita di maturità delle organizzazioni

Il vero valore e l’impatto organizzativo emergono solo quando l’intelligenza artificiale viene applicata ai livelli di gestione del flusso e della strategia (ML2, ML3 e ML4). Le organizzazioni hanno bisogno di approcci che favoriscano l’evoluzione dell’intero sistema, non solo l’efficienza delle singole parti.

Nella tabella seguente sono riportate alcune indicazioni e possibili applicazioni dell’AI, suddivise per livello di maturità:

Livello KMM	Obiettivo Organizzativo	Impiego dell’AI
ML2 (Customer-Driven)	Coordinamento e flusso: far fluire il lavoro tra team.	L’AI analizza le capacità interfunzionali e identifica le dipendenze e i conflitti tra gli obiettivi dei diversi dipartimenti.
ML3 (Fit-for-Purpose)	Allineamento e scopo: soddisfare in modo sostenibile le aspettative del cliente.	L’AI può segnalare quando le azioni intraprese non sono allineate con la strategia o con lo scopo del servizio.
ML4 (Risk-Hedged)	Rischio e sostenibilità economica: robustezza e bilanciamento degli interessi degli stakeholder.	L’AI è in grado di simulare scenari — ad esempio l’impatto di spostare il 30% del budget — analizzare il portfolio in termini di valore generato e fornire valutazioni sui possibili rischi. ML4 richiede anche una solida alfabetizzazione matematica, fondamentale per l’uso efficace di modelli predittivi e simulazioni Monte Carlo.

Mentre l’ottimizzazione individuale resa possibile dall’AI può semplificare le attività quotidiane, il suo impatto a livello sistemico resta nullo quando il lavoro deve attraversare più unità organizzative, richiedendo coordinamento e approvazioni.

Per raggiungere livelli evoluti di agilità e resilienza (ML3, ML4 e oltre), è necessario spostare l’attenzione dall’AI come strumento per creare “supereroi individuali” all’AI come leva per costruire sistemi robusti, integrati e allineati.
Questi sistemi, tuttavia, iniziano a prendere forma solo a partire da ML2 e ML3.

Fino ad allora, l’ottimizzazione tipica di ML0 — per quanto utile e pratica — non è in grado di produrre effetti significativi sull’efficacia complessiva dell’organizzazione.