agilità | Kanban & l'arte della Maratona

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.

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.

Kanban e la navigazione stimata in barca a vela: un approccio simile alla pianificazione

Uno degli aspetti che trovo più affascinanti e rivoluzionari di Kanban è l’abolizione della pianificazione nel senso tradizionale del termine. Un’affermazione che, in ambito aziendale, spesso suscita sguardi perplessi e il sospetto che si tratti di una mera provocazione. Eppure, il punto è proprio questo: Kanban elimina la pianificazione perché essa, semplicemente, non funziona. Il motivo? L’impossibilità di prevedere ogni variabile in modo deterministico.

Al suo posto, Kanban introduce un approccio diverso, basato sull’analisi del rischio e dell’incertezza. Più che pianificare, si adotta un approccio di forecasting che è sorprendentemente vicino a quello della “navigazione stimata” nella barca a vela. Proprio come un’imbarcazione che si muove sulla superficie al confine tra due fluidi e adatta la sua rotta alle condizioni del vento e del mare, un sistema Kanban si muove in un contesto dinamico e complesso, dove la realtà non segue schemi prestabiliti. E forse è proprio questa la sua forza: accettare l’incertezza, invece di combatterla con previsioni che spesso si rivelano illusorie, e imparare a navigarla con agilità.

La navigazione stimata

La navigazione stimata in barca a vela è un metodo per determinare la propria posizione e tracciare la rotta basandosi su calcoli e osservazioni di punti di riferimento, venti, correnti e condizioni meteorologiche. Si parte da un punto noto e, tenendo conto della velocità dell’imbarcazione, della direzione del vento, della corrente e del tempo trascorso, si stima dove ci si trova in un dato momento. Questo approccio non è statico, ma dinamico: man mano che si procede, si raccolgono nuove informazioni – ad esempio, cambiamenti nelle condizioni meteo o nella direzione e intensità del vento – e si adatta la rotta e la previsione di viaggio di conseguenza. Proprio come in un sistema Kanban, la chiave della navigazione stimata non è pianificare rigidamente, ma correggere il percorso in base alla realtà del momento, accettando l’incertezza come parte integrante del viaggio.

Parallelismi tra la navigazione stimata e Kanban

Dipendenza dalle condizioni attuali

Sia in mare che nei progetti, le condizioni iniziali sono solo un punto di partenza. Un navigatore si basa su venti, correnti e posizione attuale per prendere decisioni consapevoli e adattare continuamente la rotta. Allo stesso modo, un team Kanban osserva il flusso di lavoro, identifica i colli di bottiglia, e modifica le modalità di gestione del flusso di lavoro in base a ciò che emerge. L’attenzione si concentra su ciò che è “in corso”, limitando il carico di lavoro per garantire che ogni attività sia completata prima di iniziarne un’altra.

Previsioni e non certezze

Un navigatore può prevedere la durata del viaggio, ma sa che condizioni non del tutto previste possono influenzare il percorso e utilizza in modo costante le previsioni meteomarine, che sono basate su analisi di tipo probabilistico. Similmente, in Kanban si utilizzano misure basate su dati storici per prevedere la durata delle attività, tenendo però sempre conto della loro variabilità statistica per fare un’analisi di probabilità.

Adattamento continuo alle condizioni

Il viaggio di una barca a vela non è mai lineare. I navigatori correggono costantemente la rotta, sfruttando le nuove informazioni e reagendo agli imprevisti. Anche in Kanban, la gestione del flusso è un processo iterativo, dove si acquisiscono informazioni e si incontrano ostacoli imprevisti lungo il percorso e si adatta il modo di lavorare di conseguenza.

Monitoraggio continuo

Il navigatore utilizza gli strumenti di bordo e i rilevamenti per verificare la posizione e confrontarla con il percorso pianificato. In Kanban le metriche come il lead time e il throughput aiutano a capire se il sistema sta funzionando correttamente e dove sono necessari interventi.

Importanza della comunicazione

Una buona comunicazione è vitale sia a bordo di una barca a vela che in un team Kanban. I membri dell’equipaggio devono condividere informazioni sulle condizioni del mare e sulle manovre necessarie. Analogamente, la trasparenza e la collaborazione sono essenziali in Kanban per garantire che tutti i membri del team siano allineati e informati.

Flessibilità e feedback

La navigazione stimata privilegia l’adattamento alle circostanze rispetto a un piano rigido, un navigatore pone costante attenzione ai segnali ambientali e sviluppa la capacità di anticipare i cambiamenti. In Kanban allo stesso modo, i cicli di feedback costanti e la flessibilità sono fondamentali per reagire tempestivamente ai cambiamenti e garantire il successo dei progetti e dei servizi.

Gestione delle dipendenze

Come un navigatore deve considerare le maree e le correnti, un team Kanban deve gestire le dipendenze tra le attività. Questo richiede accorgimenti e meccanismi opportuni per garantire che il flusso di lavoro non venga interrotto.

Orientamento al flusso

In barca a vela, uno degli obiettivi fondamentali è mantenere l’imbarcazione in movimento, adattandosi continuamente alle condizioni del vento e del mare. Il navigatore controlla costantemente il movimento della barca, regolando le vele per mantenere la rotta. Se la barca si ferma o perde troppo slancio, ripartire diventa difficile e inefficiente. Lo stesso principio si applica al concetto di flusso in Kanban, l’obiettivo è mantenere il flusso costante, garantendo che il lavoro proceda senza intoppi, riducendo blocchi e interruzioni.

Non conta partire, conta arrivare

In barca a vela, ciò che conta davvero non è la velocità assoluta dell’imbarcazione, ma la Velocity Made Good (VMG) on course, ovvero la velocità effettiva con cui ci si sta avvicinando alla destinazione. Una barca può muoversi rapidamente, ma se la direzione non è quella giusta, il progresso reale sarà minimo. Lo stesso principio si applica a Kanban, non è importante quanto velocemente si lavora in un dato momento, ma quanto lavoro viene effettivamente consegnato. L’obiettivo non è essere sempre impegnati o lavorare al massimo della velocità, ma completare il lavoro nel modo più efficiente possibile, riducendo sprechi e rallentamenti. Come in navigazione, l’essenziale non è l’illusione del movimento, ma il progresso reale verso la meta.

Conclusione

Kanban e la navigazione stimata in barca a vela condividono un principio fondamentale: il successo non dipende da piani rigidi, ma dalla capacità di osservare, misurare, adattarsi e rispondere ai cambiamenti. In entrambi i casi, l’obiettivo non è fissare una rotta immutabile, ma ottimizzare il flusso per avanzare in modo efficiente e consapevole. Così come un velista parte con una direzione generale, sfrutta previsioni e stime per tracciare il percorso, ma è sempre pronto a correggere la rotta in base alle condizioni reali, allo stesso modo Kanban permette di gestire il lavoro in modo dinamico, adattandosi alle sfide man mano che emergono. Questa flessibilità non è solo una necessità, ma la chiave per navigare con successo la complessità, trasformando ogni progetto o servizio in un viaggio in cui conta non solo la meta, ma anche il modo in cui la si raggiunge.

Come funziona Kanban: l’agilità aziendale vera è posticipare le decisioni, ma non troppo

C’è molta confusione in circolazione sul concetto di “agilità”, in questo articolo voglio spiegare come la vera agilità aziendale e organizzativa sia la scienza di posticipare le decisioni, ma non troppo. Una scienza, non un’arte, perché alla base c’è il metodo scientifico.

Cos’è l’agilità aziendale e qual è il suo impatto operativo

L’agilità aziendale è la capacità di un’organizzazione di rispondere rapidamente ai cambiamenti, lasciando al proprio cliente la possibilità di cambiare in corso d’opera i requisiti del lavoro richiesto, in qualunque momento. Questo per ottenere un risultato finale che sia il più aderente possibile ai desiderata del cliente stesso.

Da un punto di vista operativo, di chi deve fare il lavoro, l’agilità si riflette nella convenienza di aspettare il più possibile a decidere e a impegnarsi a fare il lavoro. Questo approccio aumenta le opzioni disponibili e la possibilità di cambiare i requisiti del lavoro da fare, senza però essersi ancora impegnati a farlo e quindi senza sostenere eventuali costi di rilavorazione.

Sapere quanto aspettare prima di iniziare il lavoro

L’attesa d’altro canto aumenta anche la probabilità di consegnare il lavoro in ritardo. E quindi diventa cruciale sapere quanto si può aspettare prima di iniziare il lavoro e diventa fondamentale il ruolo delle metriche di flusso. E per poter disporre di metriche di flusso affidabili occorre un sistema stabile e prevedibile, che possiamo ottenere attraverso l’implementazione di un sistema Kanban.

Il primo passo è limitare il Work in Progress (WIP), per ridurre la variabilità e migliorare la prevedibilità del flusso di lavoro, rendendo la pianificazione più realistica e gestibile. Una volta che il sistema è stato reso stabile e prevedibile, la metrica del Lead Time osservato in passato per i tipi di lavorazione simili permette di decidere quanto prima è necessario iniziare un determinato lavoro per consegnarlo in tempo. Il Lead Time non è un numero, ma una distribuzione di probabilità, per cui si ragiona in termini di confidenza statistica e di rischio di coda, concetti per i quali rimando a un precedente articolo che trovate qui.

Considerando per i servizi, come in figura, il tipico valore dell’ottantacinquesimo percentile (ma può variare in funzione della criticità del servizio stesso), si dovrà iniziare il lavoro con un anticipo rispetto alla data di consegna prevista che dia una confidenza statistica almeno dell’85% o, se preferiamo, un rischio massimo del 15% di ritardare rispetto alla data promessa, circa una volta su sette.

Pianificare utilizzando il Lead Time

La pianificazione e il successivo controllo di qualunque attività aziendale, sia delle attività correnti che delle attività relative ai progetti, viene fatta di conseguenza basandosi sui valori di Lead Time e diventa più accurata e affidabile, oltre che meno costosa da gestire. Invece di concentrarsi sulla stima dell’effort e l’aggiunta di fattori di rischio, Kanban si basa sui dati empirici del flusso di lavoro per prevedere in modo probabilistico le date di consegna.

Il metodo Kanban offre quindi un approccio alla pianificazione significativamente più vantaggioso rispetto ai metodi tradizionali. In definitiva, l’approccio di pianificazione basato sul Lead Time di Kanban promuove l’agilità aziendale, la consegna puntuale e la soddisfazione del cliente. A costi più bassi.