Quando mi chiedono che lavoro faccio, e chi me lo chiede non ha chiaro perché serva un consulente per migliorare i flussi di lavoro, parto sempre dall’efficienza di flusso.
L’efficienza di flusso è il rapporto tra il tempo in cui si lavora effettivamente a un’attività e il tempo totale che passa dall’inizio alla fine di quella stessa attività, cioè il Lead Time. Nella pratica, di solito non si usa come indicatore operativo, perché non è semplice da calcolare. Si usano le pratiche del metodo Kanban, le quali, come risultato, aumentano l’efficienza di flusso. Comprenderne la dinamica, pur senza calcolarla, permette comunque di afferrare il senso del metodo Kanban.
Quando l’efficienza di flusso è bassa, cioè sotto il 15% secondo il Kanban Maturity Model (KMM), il margine di miglioramento sta soprattutto nell’eliminare i tempi di attesa. Il che si ottiene limitando il lavoro in corso, riducendo code e buffer e gestendo meglio problemi bloccanti e dipendenze, tutte pratiche Kanban. Anderson ne ha parlato in un recente keynote, che ho sintetizzato in un articolo. Qui voglio riprendere e approfondire questo specifico aspetto.
Il lavoro effettivo è inizialmente solo una piccola parte del tempo
Il Toyota Production System, precursore del metodo Kanban, ha messo al centro proprio questo: non far andare più veloci gli addetti all’assemblaggio dei veicoli, ma eliminare le attese che stanno intorno al lavoro vero e proprio.
Nel lavoro di concetto, knowledge work in inglese, il ragionamento è identico, con una differenza. La materia prima è l’informazione. Se si parte senza averla tutta e questa arriva un po’ per volta, ci si ferma ad aspettarla, si riparte, ci si ferma di nuovo.
Prendiamo lo sviluppo software. Si comincia a sviluppare e a un certo punto manca un requisito del cliente, perché non era chiaro in fase di analisi. Si chiede al cliente, poi ci si ferma e si aspetta. Quando si ha la risposta, si riprende a lavorare fino a quando si incappa in un altro requisito poco chiaro e ci si ferma di nuovo. E così via. Alla fine il software è pronto, lo si consegna al cliente per il test e si resta in attesa del suo feedback. Se si sommano le attese, nell’esperienza mia e di molti colleghi della community Kanban, queste costituiscono la parte largamente prevalente del Lead Time.
Andare più veloci non è la leva
Per questo, all’inizio di una consulenza, una delle prime cose su cui lavoro è smontare l’idea, diffusa, che l’efficienza si ottenga facendo lavorare più in fretta le persone.
Il punto è controintuitivo. Limitare il lavoro in corso significa che le persone si occupano di meno cose contemporaneamente. Nella mia esperienza questo le porta a ricavarsi il tempo per riflettere su come tagliare i tempi morti, e dopo un po’ il processo va più veloce, senza che nessuno debba affannarsi. Nelle organizzazioni di cui parlo nei miei case study ho visto riduzioni del Lead Time fino al 90%, risultati che sono analoghi a quelli riscontrati da colleghi della community.
Cosa c’entra l’intelligenza artificiale
A più di un lettore può essere venuto a questo punto il dubbio: ma cosa c’entra questo ragionamento con l’intelligenza artificiale? Oggi, nel lavoro di concetto, l’AI viene usata soprattutto per la produttività personale. Aiuta a scrivere un testo, a fare calcoli, a preparare un’analisi, a sviluppare codice, e ognuno di questi compiti si svolge più in fretta.
Ma applicare l’AI a queste attività risponde alla stessa logica del far andare più veloci le persone. Accelera il lavoro effettivo, che è la parte più piccola del Lead Time.
Un esempio numerico: supponiamo che il lavoro effettivo sia il 10% del Lead Time, quindi due giorni su venti, e che l’AI lo dimezzi. Il lavoro passa a un giorno, il Lead Time a diciannove giorni, con un miglioramento del 5%. Il 10% è un’ipotesi esemplificativa, in linea con una situazione sotto la soglia del 15% del KMM, che è l’ordine di grandezza da cui partono i casi che seguo. Il dimezzamento del lavoro effettivo è generoso, per cui nella realtà il miglioramento è probabilmente inferiore.
A fronte di un miglioramento di questa entità, il costo dell’AI può essere anche rilevante, come riferito nel keynote da Anderson. Tornando all’esempio del software: se l’AI fa scrivere il codice più in fretta, il collo di bottiglia resta la risposta del cliente, e il problema non è risolto.
Serve un uso sistemico dell’intelligenza artificiale
La domanda giusta è come si potrebbe usare l’AI per ridurre le attese, che sono ciò che incide davvero sul Lead Time. Personalmente, un uso sistemico di questo tipo non l’ho ancora visto.
Se e quando lo troveremo, otterremo più valore dall’investimento. Anche questo ragionamento conferma però un tema che ho già sollevato in miei articoli precedenti: serve qualcuno che pensi a come gestire il sistema di lavoro e gli strumenti, l’AI compresa. Questo compito non viene eliminato dall’intelligenza artificiale, e continua a essere necessario come lo è sempre stato.
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.
Tornando dal Kanban Leadership Retreat di Bilbao ho volato con Vueling, sulle tratte Bilbao-Barcellona e Barcellona-Milano. Due imbarchi e due sbarchi, sempre con la stessa gestione del flusso. Cito la compagnia perché è quella che ho potuto osservare, non perché sia l’unica. Qui voglio soffermarmi su cosa possiamo imparare da questo modo di gestire il flusso dei passeggeri, per applicarlo ai flussi di lavoro delle nostre organizzazioni.
Il vincolo: una sola porta
In tutti e quattro i casi l’aereo era attraccato al pontile, il cosiddetto finger. In questa situazione si usa solo la porta anteriore e quella posteriore resta chiusa. Per i passeggeri è più comodo, perché si resta sempre all’interno, non si cammina mai in pista e non ci si bagna se piove.
Imbarco e sbarco però sono normalmente più lenti, perché tutti passano da una sola porta. Se chi ha la fila 26 si trova dietro a chi ha la fila 4, deve fermarsi finché l’altro non si è seduto, perché non c’è spazio per proseguire. In termini Kanban, la porta è il collo di bottiglia del sistema.
Diventa quindi fondamentale l’ordine di imbarco. Le compagnie da sempre chiamano per numero di fila, ma i passeggeri fanno un po’ quello che vogliono. Qualcuno arriva con la fila sbagliata e viene messo da parte, ma non si sottilizza troppo, e all’imbarco si crea di solito parecchia confusione.
All’imbarco: corsie, cartelli e gruppi
Nei gate che ho usato, Vueling divide i passeggeri in tre gruppi, anteriore, centrale e posteriore. È un sistema semplice, come si fa nel metodo Kanban, senza niente di sofisticato. Il numero del gruppo, 1, 2 o 3, è stampato sulla carta d’imbarco.
Al gate le transenne a nastro, le cosiddette bindelle, creano tre corsie di coda, ciascuna con il suo cartello. Le persone si mettono quasi spontaneamente nella corsia giusta. Si imbarca il gruppo 1, poi il 2, poi il 3, e il gruppo successivo viene chiamato quando il precedente è sostanzialmente imbarcato.
Non è molto diverso da quello che si è sempre fatto, ma creando le corsie e mettendo i cartelli si gestisce davvero il flusso, e l’ingresso in aereo risulta molto più ordinato. Ritrovo la visualizzazione (corsie e cartelli), una policy esplicita (il gruppo sulla carta d’imbarco), il limite al lavoro in corso (si imbarca un gruppo alla volta) e il pull (il gruppo successivo viene chiamato quando il precedente ha finito).
Io ero nel gruppo 3, perché avevo preso la tariffa più economica. Quando sono salito, i gruppi 1 e 2, cioè circa due terzi dell’aereo, erano già seduti e il corridoio era libero. Andare in fondo e sedersi è stato molto più semplice. È successo sia a Bilbao sia a Barcellona.
Allo sbarco: un sistema simile
Ho fatto due sbarchi, a Barcellona e a Milano. Di solito, quando l’aereo arriva all’attracco, tutti i passeggeri saltano in piedi e cominciano a tirare fuori i bagagli dalle cappelliere. Qui invece parte un annuncio abbastanza perentorio: restare seduti al proprio posto fino a quando non si viene chiamati.
Poi si chiamano blocchi di file, partendo dalle più avanti, dalla 1 alla X e poi dalla X+1 alla Y. Non ricordo quante file avesse ogni blocco. Il personale tiene monitorato il deflusso e, quando il blocco è pronto a uscire, chiama il successivo. L’uscita risulta più ordinata e più rapida.
Anche qui ritrovo una policy esplicita (restare seduti), il limite al lavoro in corso (un blocco alla volta) e il pull, con il segnale che arriva da valle, cioè dal corridoio che si sta liberando. Sono due sistemi diversi ma simili e governati dalle stesse logiche di gestione del flusso: uno per l’imbarco, uno per lo sbarco.
Le misure
Sono rimasto favorevolmente impressionato, perché è un esempio semplice di come un accorgimento facile da implementare possa migliorare un flusso. La mia sensazione è che il tempo di imbarco e sbarco si sia ridotto sensibilmente. Non ho fatto misure, perché l’idea dell’articolo mi è venuta dopo il viaggio, quindi non ho né i tempi né il numero di file per gruppo di imbarco o blocco di sbarco. In ogni caso le mie misure non sarebbero state significative come statistica.
Le compagnie aeree le misure le fanno di sicuro. Hanno tempi stretti per sbarcare, imbarcare e non perdere lo slot di decollo, come detto chiaramente negli annunci che mi è capitato di sentire altre volte per sollecitare i passeggeri a sbrigarsi a prendere posto. Non so cosa misurino esattamente, ma suppongo che tra le misure ci siano il tempo tra l’apertura delle porte e lo sbarco completo, e il tempo tra l’apertura del gate e la chiusura delle porte.
Suppongo anche che il sistema sia stato ottimizzato: con una sola porta, in pochi minuti l’aereo era pronto a partire.
Cosa portarsi a casa
Per i nostri flussi di lavoro la lezione è la stessa: rendere visibile il flusso, esplicitare le regole e far entrare il lavoro a blocchi, chiamando il successivo solo quando il precedente sta defluendo. Nel vostro sistema, in base a cosa si decide quando il blocco successivo può partire?
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.
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.
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.
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.
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.
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
Per chi vive a Milano, è diventata un’esperienza fin troppo comune: passeggiare per la propria via e scoprire una nuova area transennata, l’ennesimo cantiere che sbuca da un giorno all’altro. La frustrazione, però, arriva dopo. Passano le settimane, poi i mesi, e dietro a quelle recinzioni non accade nulla. I lavori non procedono, il cantiere resta abbandonato, e le aree verdi sequestrate alla cittadinanza si trasformano in piccole ‘savane’ di erba incolta.
Questa paralisi diffusa genera una domanda spontanea in molti cittadini: perché accade tutto questo? Con così tanti progetti da realizzare, perché così tanti cantieri rimangono fermi?
C’è un modo migliore per gestire le opere pubbliche, un metodo che potrebbe restituire la città ai suoi abitanti in tempi più rapidi e con meno disagi.
Il problema: l’illusione della produttività
Dal punto di vista della gestione dei processi, il problema di Milano è un classico esempio di sovraccarico del sistema, dove un carico di lavoro eccessivo porta alla paralisi. Il cuore del problema risiede nella tendenza ad aprire troppi fronti contemporaneamente. L’amministrazione avvia numerosi cantieri in tutta la città, disperdendo energie, risorse e manodopera su decine di progetti diversi. Questo approccio, simile a un multitasking su larga scala, crea l’illusione di una grande operosità, ma nei fatti si rivela controproducente.
Le conseguenze negative di questa strategia sono sotto gli occhi di tutti e pesano sia sulle casse comunali che sulla vita quotidiana dei cittadini:
Progetti che non avanzano mai: le risorse frammentate impediscono di completare rapidamente anche i lavori più semplici.
Aumento dei costi per il Comune: ogni giorno in più di cantiere aperto rappresenta un costo aggiuntivo.
Significativi disagi per i cittadini: strade chiuse, rumore, aree inaccessibili e degrado urbano si protraggono per mesi.
Allungamento a dismisura dei tempi: i cronoprogrammi diventano un miraggio, con scadenze costantemente posticipate.
Crollo della produttività generale: saltare continuamente da un’attività all’altra diminuisce l’efficienza complessiva del sistema.
La causa nascosta: perché si inizia senza finire?
Ma perché si adotta una strategia così palesemente inefficace? L’ipotesi più probabile è legata a una logica burocratica e procedurale. Spesso, una volta che i fondi per un’opera pubblica vengono stanziati, esiste il rischio che vengano persi se il cantiere non viene “ufficialmente iniziato” entro una certa data.
Per non perdere il finanziamento, si procede quindi ad aprire formalmente il cantiere, magari semplicemente recintando l’area, anche senza avere le risorse o il piano operativo per portare avanti i lavori in modo continuativo. Questo meccanismo, nato per garantire l’impiego dei fondi, genera un sistema inefficiente che, dal punto di vista della buona gestione e del buon senso, non ha alcuna logica.
La soluzione controintuitiva: limitare i lavori in corso
La soluzione a questo paradosso esiste ed è sorprendentemente semplice, anche se controintuitiva. Deriva da metodologie di gestione del lavoro collaudate a livello globale, come Kanban, nate in ambito produttivo ma oggi applicate con successo in ogni settore. Il principio fondamentale è: limitare i lavori in corso (limit WIP – Work in Progress).
Invece di iniziare dieci cantieri e non portarne a termine nessuno, l’amministrazione potrebbe concentrare tutte le sue risorse sul completamento di uno o due cantieri alla volta. Solo una volta che un cantiere è finito, chiuso e l’area restituita alla città, si potrebbe procedere con l’avvio del successivo. Il principio da adottare è potente nella sua semplicità:
“Smettere di iniziare il lavoro e iniziare a finirlo.”
I benefici: più efficienza per i cittadini
Adottare un approccio focalizzato sulla conclusione dei lavori porterebbe benefici immediati e tangibili, come suggerito dall’esperienza di molte organizzazioni di cui parlo su questo blog. Concentrare le risorse non solo risolve il problema dei cantieri fantasma, ma ottimizza l’intero sistema. I vantaggi principali sarebbero:
Tempi di completamento ridotti: concentrando le risorse, ogni singolo cantiere viene terminato molto più in fretta.
Massimizzazione delle risorse pubbliche: meno cantieri aperti in parallelo significa meno costi di gestione, meno disagi prolungati e un uso più efficace dei soldi dei cittadini.
Aumento della produttività complessiva: le squadre di lavoro non sono costrette a disperdere energie, operando con maggiore efficacia su un obiettivo alla volta.
Conclusione: finire è meglio che iniziare
L’immagine di una Milano costellata di cantieri fermi non è un segno di vitalità, ma il sintomo di un sistema di gestione che ha perso di vista l’obiettivo finale: servire i cittadini. La soluzione non richiede investimenti colossali, ma un cambio di mentalità. Passare da una cultura dell’iniziare a una cultura del finire è la chiave per sbloccare la città e migliorare la qualità della vita di tutti.
La vera domanda, a questo punto, è una sola. È pronta l’amministrazione di Milano ad abbracciare un approccio dove meno significa meglio per restituire finalmente la città ai suoi cittadini?
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.
Per anni, il mio viaggio in treno verso l’ufficio di un cliente è stato il mio laboratorio personale di Kanban. Avevo costruito una metrica di Lead Time estremamente affidabile, un set di dati consolidati che mi permetteva di calcolare al minuto l’istante esatto in cui uscire di casa per essere puntuale, senza sprecare un solo secondo. Era il trionfo della prevedibilità.
Poi, come per tutti, il mondo è cambiato. Tra la pandemia e un’evoluzione delle mie attività professionali, ho iniziato a usare quasi esclusivamente l’auto. Recentemente, però, ho avuto l’opportunità di tornare alle vecchie abitudini e riprendere il treno. Convinto della solidità della mia esperienza passata, ho ripreso in mano i miei vecchi dati. Mi sono fidato di quella ‘verità’ storica per pianificare il mio arrivo.
Mentre camminavo verso la mia destinazione finale, riflettendo sul fallimento della mia pianificazione, ho iniziato a concepire questo articolo. Mi sono reso conto di aver commesso lo stesso errore che spesso rimprovero alle aziende con cui collaboro: ho agito basandomi su metriche scadute in un sistema che non è più lo stesso.
L’invecchiamento delle metriche: quando i dati diventano il tuo rischio
Il mio errore non è stato di calcolo, ma di contesto. Quelle metriche, che anni prima garantivano la mia puntualità, erano diventate inutili, anzi, pericolose. Le ferrovie sono cambiate: l’infrastruttura è meno affidabile, i guasti più frequenti. Quel giorno, un imprevisto tecnico mi ha causato un ritardo di 15-20 minuti, mandando in fumo la mia pianificazione.
Come Kanban Coach, parlo spesso di stabilità del processo. Una metrica non è una verità ontologica; è una fotografia di un sistema in un determinato stato di equilibrio. Se il contesto muta, che sia per una crisi globale o per un degrado strutturale, la metrica subisce un processo di obsolescenza (Metric Decay). Usare il Lead Time del 2019 nel 2026 è come navigare una costa rocciosa usando una mappa del secolo scorso. Il territorio è cambiato, e lo schianto è quasi certo.
Mediocristan vs. Extremistan: comprendere la natura del mondo
Per navigare l’incertezza, dobbiamo capire in quale dominio stiamo operando. Nassim Taleb distingue tra Mediocristan, dove le fluttuazioni sono scarse e seguono una distribuzione Gaussiana, prevedibile. Ed Extremistan, il regno degli eventi estremi, dove un singolo evento può invalidare ogni previsione.
Senza metriche fresche e aggiornate, perdiamo la capacità di distinguere tra questi due mondi.
Se non so più quanto sia affidabile il treno, non posso più permettermi il lusso dell’efficienza. Sono costretto a un enorme dispendio di capacità residua: per essere sicuro di arrivare puntuale, dovrei partire un’ora prima. Questo è il costo economico del non sapere: senza dati, siamo costretti a un sovraccarico di precauzioni costante. Trattiamo ogni banale spostamento come se fosse un potenziale cigno nero, un evento catastrofico.
Costruire l’antifragilità: sopravvivere al caos per disaccoppiamento
Quando il sistema ferroviario ha fallito e le mie metriche sono saltate, ho cercato una via d’uscita. Ma ho scoperto che le soluzioni standard erano fragili quanto il treno stesso:
Taxi e Bus (sistemi dipendenti): erano entrambi paralizzati dal traffico urbano. Se la strada è bloccata, il taxi e l’autobus condividono lo stesso destino. In termini sistemici, le loro probabilità di fallimento sono correlate.
Andare a piedi (sistema antifragile/robusto): alla fine, ho scelto di camminare, anche se era la soluzione più lenta.
Camminare è una soluzione vincente perché è disaccoppiata dall’infrastruttura complessa. Non dipende dai segnali ferroviari, dai motori elettrici o dal traffico stradale. Mentre il taxi restava bloccato, la mia progressione costante a piedi non degradava con il fallimento del sistema circostante. In un mondo in cui non puoi misurare con precisione il Lead Time degli altri, l’unica strategia razionale è avere opzioni che non dipendano dalle fragilità altrui.
Conclusione: il costo del non sapere
Le metriche non servono solo a “misurare quanto siamo bravi”. Servono a definire la natura del mondo in cui stiamo operando. Se i tuoi dati sono obsoleti, non hai più una bussola: ogni fluttuazione statistica si trasforma in un evento da Extremistan che può travolgere la tua operatività.
Il costo di non avere metriche aggiornate è il tempo perso in cautele eccessive, o nel rischio di trovarsi a gestire l’imprevisto senza alcuna preparazione.
Vi lascio con una provocazione: siete sicuri che i dati che state usando oggi per guidare il vostro team non siano solo il ricordo di un sistema che non esiste più? Perché senza una metrica, ogni imprevisto è un caso di Extremistan.
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.
Nel settore dei servizi molte organizzazioni faticano perché approcciano la leadership con una mentalità meccanicistica. In questo approccio, il leader agisce come un installatore di software: implementa strumenti, “installa” procedure standard e si aspetta che l’azienda funzioni come un ingranaggio perfetto. Per avvicinarsi davvero all’eccellenza nei servizi, però, serve un cambio di prospettiva: il passaggio dalla visione del leader-meccanico a quella del leader-giardiniere. In un’azienda di servizi, dove il valore è creato nell’interazione umana, non si può “installare” l’efficienza, bisogna coltivare le condizioni perché essa possa emergere.
Questo approccio distingue la mera implementazione di strumenti (spesso utile solo nel breve periodo) dalla creazione di una cultura profonda basata sui due pilastri del pensiero Toyota: miglioramento continuo e rispetto per le persone. Per far crescere un’organizzazione sana e resiliente, occorre smettere di agire sulla superficie delle procedure e iniziare a nutrire le radici filosofiche del sistema.
Le radici della crescita: filosofia e pensiero a lungo termine
La filosofia è il substrato nutritivo del modello del giardiniere. Il pensiero sistemico orientato al lungo periodo non è un lusso, ma una condizione per non farsi guidare solo dalla logica del profitto trimestrale. Il modello 4P codificato da Jeffrey Liker identifica infatti la Filosofia (Philosophy) come la base dell’intera struttura:
Philosophy (Filosofia): la base del sistema. Decisioni guidate da uno scopo superiore e dal contributo alla società, anche a scapito dei risultati finanziari immediati.
Process (Processo): il terreno in cui il valore fluisce senza interruzioni.
People (Persone): lo sviluppo del talento attraverso la sfida costante.
Problem Solving (Risoluzione dei Problemi): la disciplina dell’apprendimento organizzativo.
Questo orientamento nasce dalla visione di Sakichi Toyoda, il quale ha insegnato che un leader deve “sporcarsi le mani” e conoscere il business dalle fondamenta. Il suo contributo più noto è il concetto di Jidoka: l’automazione dal tocco umano. Come un giardiniere che progetta un sistema di irrigazione che si arresta se rileva un’anomalia, Sakichi inventò un telaio capace di fermarsi istantaneamente alla rottura di un filo, impedendo la produzione di scarti. Il leader-giardiniere è il custode di questa qualità integrata, attento a non sacrificarla per un risultato immediato.
Vale la pena notare che il modello 4P non è la lettura di un osservatore esterno. Liker racconta di un incontro con il nipote di Sakichi, Eiji Toyoda, l’uomo che ha portato l’azienda da essere un piccolo produttore locale a diventare un colosso globale: sulla sua scrivania teneva copie del suo libro in inglese e in giapponese, e gli disse di aver strutturato il pensiero dell’azienda meglio di quanto Toyota stessa sapesse spiegarlo ai propri dirigenti. Un riconoscimento che pesa, perché arriva da chi il metodo lo ha vissuto dall’interno, non da chi lo ha solo studiato.
Preparare il terreno: ottimizzare il processo per il valore
Prima di piantare qualsiasi cosa, il terreno va preparato, e questo significa affrontare tre tipi di spreco, in un ordine preciso. Il primo è il Muri, il sovraccarico: un terreno a cui si chiede di sostenere più piante di quante ne possa nutrire non produce di più, produce piante deboli su tutta la superficie. Nei servizi è lo stesso: caricare le persone oltre la loro capacità reale non aumenta l’output, lo degrada ovunque. Per questo il Muri va affrontato per primo: chiedere di più a chi è già sovraccarico non lascia energia per occuparsi d’altro.
Il secondo è il Mura, l’irregolarità del flusso: un terreno che riceve troppa acqua oggi e niente per settimane, non fa crescere le piante meglio di uno irrigato con costanza. Sovraccarica in un momento, lascia a secco nell’altro, e il risultato è comunque una qualità compromessa. L’ideale del One-Piece flow (fare una cosa per volta) e della produzione livellata serve proprio a questo: sostituire l’alluvione con un’irrigazione regolare.
Il terzo è il Muda, lo spreco puro: le erbacce che non nutrono nulla e sottraggono solo risorse al resto del giardino. Il Value-Stream Mapping serve a mappare il flusso del valore e riconoscerle per toglierle di mezzo; il lavoro standardizzato è il “palo” a cui si lega la pianta perché cresca nella direzione corretta invece che a caso.
Affrontare gli sprechi in quest’ordine, prima le persone, poi il flusso, poi le attività, permette al giardino di dare il meglio di sé, invece di restare travolto dal caos operativo.
Coltivare il talento: le persone al centro del giardino
Per Toyota, il rispetto per le persone non è mera cortesia; è la responsabilità di sfidare i collaboratori a dare il meglio di sé. Il leader-giardiniere agisce come un coach attraverso l’On-the-Job Development (OJD). Latondra Newton, che ha trasformato il concetto di On-the-Job Development in Toyota da una pratica tacita a un approccio deliberato di coaching e insegnamento, sottolinea un punto cruciale: il coach deve permettere ai membri del team di “oscillare verso i limiti esterni” del sentiero tracciato. Un leader meccanicistico corregge l’errore istantaneamente; un giardiniere permette alla pianta di inclinarsi leggermente per creare un momento di insegnamento, aiutandola a trovare autonomamente la “luce” del miglioramento.
Le 4 fasi del modello OJD sono:
Scegliere un problema con il team: identificare sfide che superino leggermente le capacità attuali.
Dividere il lavoro e rendere la direzione avvincente: assegnare obiettivi che diano senso al lavoro quotidiano.
Eseguire, monitorare e istruire: lasciare spazio alla sperimentazione, intervenendo come guida quando si raggiungono i limiti del processo.
Feedback, riconoscimento e riflessione: consolidare l’apprendimento attraverso il ciclo PDCA.
Il contrario di questo modello è la crescita per vegetazione spontanea: responsabilità che si allargano più in fretta delle competenze, senza che nessuno insegni a chi le riceve gli strumenti di base, leggere un numero, strutturare un obiettivo, gestire una criticità senza improvvisare. Non è un problema di talento, è un’assenza di metodo, spesso scambiata per autonomia quando in realtà è abbandono.
Lo sviluppo del leader avviene attraverso tre ondate progressive, mirate a creare non solo esecutori, ma coach:
Aware (Consapevole): comprendere la teoria.
Able to Do (Capace di fare): applicare i principi nel Gemba.
Able to Teach (Capace di insegnare): sviluppare altri leader. Non esistono scorciatoie: generare nuovi giardinieri è ciò che distingue una leadership che dura da una che si esaurisce con la singola persona.
L’obiettivo del percorso non si esaurisce nella terza ondata individuale. Un leader che diventa Able to Teach comincia a sua volta a coltivare altri all’interno dell’organizzazione: è il punto in cui il modello collettivo di Toyota, il miglioramento che arriva dal basso e si moltiplica, prende forma concreta. Non un solo giardiniere che coltiva un giardino, ma un giardiniere che forma altri giardinieri.
Potatura e cura: il Problem Solving come disciplina di apprendimento
Il Problem Solving è l’arte della “potatura”: eliminare ciò che ostacola la crescita per orientare l’organizzazione verso il True North (il Nord Ideale). Non è una reazione alle emergenze, ma una mentalità scientifica. Il leader-giardiniere pratica il Genchi Genbutsu: va a controllare personalmente lo stato delle “foglie” (i fatti) per individuare i parassiti (le cause radice), rifiutando di affidarsi a report astratti.
Il set di strumenti è il Toyota Business Practices (TBP) strutturato in 8 passi (PDCA):
Plan: 1. Chiarire il problema rispetto all’ideale; 2. Scomporre il problema; 3. Definire target sfidanti; 4. Analisi dei “5 Perché”; 5. Sviluppare contromisure (ipotesi).
Do: 6. Attuare le contromisure con rapidità.
Check: 7. Monitorare sia i risultati che il processo.
Act: 8. Standardizzare i successi e condividere la conoscenza.
Il raccolto: eccellenza nei servizi e impatto sul cliente
L’eccellenza nei servizi non è un obiettivo a sé, è la conseguenza naturale di una leadership che coltiva sistematicamente persone e processi. La differenza tra chi si ferma alla gentilezza superficiale e chi coltiva davvero il sistema si vede proprio dove il cliente la sente di più: nel tempo che deve aspettare, nella fatica che deve fare per ottenere quello che gli serve, nella sensazione di trovarsi dentro un sistema che scorre o dentro uno che arranca nonostante le buone intenzioni di chi lo gestisce.
Un’organizzazione può essere accogliente nei modi e comunque lenta nei fatti, se nessuno ha mai lavorato sul flusso che sta dietro la cortesia. Quando invece il flusso è stato coltivato con cura, la produttività cresce senza che le persone debbano lavorare più in fretta o sotto pressione: cresce perché il lavoro è organizzato meglio, non perché costa più fatica a chi lo fa. Ed è un vantaggio che si misura, non solo si racconta: le organizzazioni che coltivano sistematicamente persone e processi ottengono risultati economici superiori alla media. L’eccellenza, in altre parole, non è un costo aggiuntivo. È un investimento che si ripaga.
Dai concetti alla pratica: un caso concreto
C’è un caso che mi ha riguardato direttamente e che mostra questo intero approccio all’opera, non come principio astratto ma come cosa accaduta nei fatti. Il punto di partenza era tipico: una figura direttiva che stava assumendo responsabilità sempre più ampie con la necessità di apprendere nuovi strumenti di management.
L’ho affiancata con incontri regolari, ogni due settimane, di due o quattro ore. In quel percorso abbiamo costruito insieme, un problema alla volta, l’impianto di governance e la gestione dei flussi di lavoro della struttura che stava nascendo, sempre con la stessa logica: non teoria calata dall’alto, ma gestione dei problemi reali che quella persona portava al tavolo. Ogni incontro affrontava un tema gestionale concreto, come leggere i numeri, come monitorare l’avanzamento del lavoro, come strutturare obiettivi e responsabilità, come gestire le criticità senza improvvisare, partendo sempre da strumenti operativi, una board, delle metriche, un foglio di calcolo, e dalle situazioni reali. Lei si portava a casa qualcosa da applicare da subito, con l’impegno di riportare un riscontro all’incontro successivo.
Nel tempo, quella persona ha cominciato a fare lo stesso con il proprio team: oggi accompagna direttamente i propri riporti con lo stesso approccio che ha vissuto in prima persona. È la cascata che il modello descrive: il giardiniere ha formato un secondo giardiniere, e quel secondo giardiniere ha già cominciato a coltivare il proprio giardino.
Il passo che resta da fare, ed è oggi la proposta sul tavolo, è estendere lo stesso accompagnamento a un gruppo più ampio di figure nella stessa organizzazione, perché la capacità gestionale cresca in modo più ampio e strutturato, invece di restare affidata a singoli rapporti di coaching isolati.
Conclusione: iniziare la trasformazione oggi
La leadership del giardiniere richiede onestà verso se stessi. Se un’organizzazione si limita a risolvere emergenze senza far crescere le persone, sta solo rimandando un problema che si ripresenterà, più grande. La trasformazione inizia quando il leader smette di dare ordini e inizia a porre domande scientifiche al Gemba.
Vale la pena, a questo punto, fermarsi un momento e guardare al proprio stile di leadership con onestà. Quanto tempo si dedica davvero a comunicare uno scopo che vada oltre il risultato del trimestre, e quanto le decisioni prese ogni giorno lo contraddicono nei fatti? Si sta lasciando alle persone lo spazio per sbagliare quel tanto che serve a imparare, o si interviene troppo presto, soffocando con un controllo che finisce per bloccare la crescita? E quante ore, ogni settimana, si passano davvero a osservare il lavoro reale e a fare coaching sul campo, invece che dentro riunioni e report che raccontano il lavoro senza mostrarlo?
Bibliografia
Jeffrey K. Liker, Karyn Ross, The Toyota Way to Service Excellence: Lean Transformation in Service Organizations, McGraw Hill, 2017
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.
Nell’articolo precedente ho lasciato in sospeso un tema: che la saggezza di Sun Tzu, quella del conquistare intero e intatto senza distruggere, ha una radice profonda che arriva fino al pensiero giapponese dietro a Toyota e a Kanban. È il momento di affrontarlo.
Attenzione, però. È facile cadere nella scorciatoia: “Cina e Giappone, in fondo è tutto Oriente, tutto si tiene”. Sarebbe una semplificazione grossolana. La cultura cinese di Sun Tzu e quella giapponese di Toyota sono profondamente diverse, e le differenze contano più delle somiglianze. Ma sotto le differenze c’è davvero una radice condivisa, e ha un nome: il Tao. Sun Tzu pone il Tao come il primo dei cinque fattori fondamentali dell’analisi strategica, prima ancora del cielo, della terra, del comando e della disciplina. La cultura giapponese ha assorbito moltissimo dalla Cina nei secoli passati (dalla scrittura in Kanji al Buddismo), ma i rapporti moderni sono segnati da profonde ferite storiche e tensioni mai del tutto superate. Una multinazionale come Toyota, che è l’orgoglio del Giappone, non citerà mai concetti cinesi come Sun Tzu o il Tao. Eppure molti aspetti del taoismo emergono visibilmente nel pensiero Toyota.
Il flusso che non si forza
Il cuore del pensiero taoista è il wu wei, l’agire senza forzare. Non è passività, non è non fare nulla. È agire assecondando la natura delle cose invece di imporsi contro di essa. Lao Tzu usa l’immagine dell’acqua: la cosa più cedevole del mondo, eppure quella che scava la roccia. L’acqua non combatte il terreno, lo asseconda, evita il pieno e scorre nel vuoto, e proprio così arriva ovunque.
Sun Tzu prende esattamente questa immagine e la porta sul campo di battaglia. L’esercito dev’essere come l’acqua: evita i punti forti del nemico e colpisce quelli deboli, non ha forma fissa, si adatta al terreno che incontra. Non è una metafora poetica, è una dottrina operativa.
E qui la radice arriva fino a Toyota, senza forzature. Il principio del flusso che sta alla base del Lean e di Kanban è la stessa intuizione. Il lavoro deve scorrere, non essere spinto a forza. Il push system – riversare lavoro nel sistema perché “tanto prima o poi si farà” – è esattamente il combattere contro il terreno che Sun Tzu sconsiglia: si accumulano code, sovraccarico, attriti. Il pull system è l’acqua che asseconda la conformazione: si tira il lavoro quando c’è la capacità di riceverlo, si scorre nel vuoto invece di premere sul pieno. Non è un trucco gestionale. È wu wei applicato al lavoro della conoscenza.
Conoscere il terreno con i propri occhi
C’è un secondo punto in cui Sun Tzu e Toyota si toccano. Sun Tzu ripete che senza la conoscenza delle condizioni reali del terreno le possibilità di vittoria si dimezzano. Il grande generale non decide dalla tenda, sulla base di un modello astratto: conosce a fondo il terreno vero, quello su cui i soldati cammineranno.
Toyota ha un nome preciso per questo: genchi genbutsu, “vai a vedere con i tuoi occhi”. Non fidarti del report, non fidarti dello schema sulla lavagna: vai al gemba, il posto reale dove il lavoro accade, e guarda. Entrambi rifiutano la stessa cosa, la decisione presa sulla rappresentazione invece che sulla realtà. Il Toyota Way lo dice con una distinzione netta: un conto sono i dati, che sono astrazioni, un altro sono i fatti, che si vedono solo dove il lavoro accade. Distinguere il sintomo dalla causa richiede di andare a vedere cosa succede davvero, non cosa dovrebbe succedere secondo il modello.
Vincere senza combattere, cioè non generare lo spreco
Nell’articolo precedente ho insistito sul “vincere senza combattere”. La vera vittoria di Sun Tzu non distrugge il nemico, previene la battaglia. La battaglia che si può evitare è già, in un certo senso, una battaglia vinta – perché anche vincerla sul campo costa risorse, uomini, tempo, può essere uno spreco.
Toyota fa la stessa mossa sul terreno della produzione, ma qui devo essere preciso, perché è un punto su cui si semplifica sempre troppo. Di solito si parla di muda, lo spreco come attività che non aggiunge valore, e ci si ferma lì. Ma gli sprechi secondo Toyota sono tre, non uno, e muda è l’ultimo dei tre. Prima viene muri, il sovraccarico delle persone. Poi mura, l’irregolarità, la variabilità del flusso. Solo alla fine muda, l’attività non a valore aggiunto. Il Toyota Way li lega in una catena: è l’irregolarità del flusso a generare il sovraccarico, e il sovraccarico a produrre le attività inutili e i difetti. Ma se questa è la catena con cui gli sprechi nascono, l’ordine con cui si affrontano è un’altra cosa – ed è qui che sta il punto.
Si affronta prima muri, il sovraccarico sulle persone. Poi mura, l’irregolarità del flusso. Solo dopo muda. Il motivo è semplice e profondo insieme: se prima non liberi le persone dal sovraccarico, come fanno ad aiutarti a risolvere le altre due forme di spreco? Una persona schiacciata dal troppo lavoro non ha la lucidità né l’energia per migliorare il flusso o eliminare le attività inutili. È esattamente il “conquistare intero e intatto” del primo articolo, tradotto in fabbrica: non sacrifichi le persone per ottimizzare il processo, le preservi perché senza di loro il processo non lo ottimizza nessuno. Non è un’idea moderna: Sun Tzu diceva di trattare i soldati come propri figli, ed è per questo che lo seguivano fino in fondo. Il rispetto per le persone che Toyota mette tra i suoi pilastri ha radici antiche quanto il Tao.
Il “vincere senza combattere” e il “non generare lo spreco” sono la stessa saggezza. In entrambi i casi la vittoria spettacolare – la battaglia vinta all’ultimo, il progetto salvato con lo straordinario eroico – è già il sintomo di un fallimento a monte. Il sistema ben progettato non ha bisogno di eroi. Non a caso il Kanban Maturity Model definisce con il motto “no more heroes anymore” il livello di maturità in cui un’organizzazione smette di dipendere dagli slanci eroici dei singoli e comincia a reggersi su processi e politiche esplicite.
Adattarsi al momento, non al modello
L’ultimo punto in comune è forse il più sottile. Il comandante saggio, dice Sun Tzu, non assume un’identità fissa, la sua saggezza emerge al momento propizio. Gli stratagemmi vittoriosi dei nostri avi, si legge, esistono solo nel momento presente: non possono essere tramandati in anticipo. Ogni situazione è unica, e la sua soluzione può derivare solo dall’unicità di quel singolo caso.
Questo è, parola per parola, lo spirito del kaizen: il miglioramento continuo che risponde alle condizioni attuali, non l’applicazione di una ricetta decisa altrove. È anche la ragione per cui evito sempre di calare in azienda “il metodo” pacchettizzato. Il metodo giusto è quello che emerge dalle condizioni reali di quell’organizzazione, in quel momento. Un modello è una rappresentazione semplificata della realtà, non la realtà: serve finché aiuta a vedere, va abbandonato appena pretende di sostituire lo sguardo.
Le differenze, che contano
Fin qui le affinità. Ma le differenze tra Sun Tzu e Toyota sono reali e vanno rispettate.
Sun Tzu nasce nel conflitto e nella competizione. C’è un avversario, un altro esercito, anche se l’ideale supremo è non doverlo combattere. Toyota nasce nella cooperazione produttiva: il “nemico” non è un altro, è lo spreco, un avversario impersonale che sta dentro il sistema. Ed è proprio questa differenza che rende il ponte utile per le organizzazioni. Perché in un’azienda il vero nemico non sono le persone – il collega, l’altro reparto, il responsabile, il concorrente – ma il sistema mal disegnato. Sun Tzu ci insegna a non distruggere l’avversario umano; Toyota ci insegna a identificare l’avversario giusto, che è impersonale.
C’è una seconda differenza. Sun Tzu è strategico e, in fondo, individualista: al centro c’è il singolo generale geniale che conosce, valuta, decide. Toyota è collettivo: il miglioramento viene dal basso, da tutti, da ogni persona sulla linea che vede un problema e lo segnala. Sono due modelli diversi. Ed è un bene che lo siano: prenderli come equivalenti sarebbe perdere ciò che ciascuno ha da insegnare.
Perché tutto questo conta
La radice taoista condivisa spiega qualcosa che altrimenti sembra solo tecnica. Limitare il lavoro in corso, stabilire cadenze, tirare invece di spingere non sono trucchi da manuale di management. Sono la forma organizzativa di un’intuizione antica di venticinque secoli: che la forza si esercita meglio assecondando la natura delle cose che opponendovisi. Che l’acqua arriva più lontano del martello.
Ecco perché, quando entro in un’organizzazione, non parto mai dallo strumento. Prima viene il flusso – capirlo, liberarlo, assecondarlo. Gli strumenti vengono dopo, e solo se servono. È lo stesso ordine di Toyota: prima le persone, poi il flusso, poi le attività. Prima la natura del sistema, poi la tecnica. Non è filosofia orientale da appendere alla parete. È il modo più concreto che conosco per fare funzionare le cose.
Bibliografia
David J. Anderson, Teodora Bozheva, Kanban Maturity Model: A Map to Organizational Agility, Resilience, and Reinvention – 2nd Edition, Kanban University Press, 2021
Jeffrey K. Liker, Karyn Ross, The Toyota Way to Service Excellence: Lean Transformation in Service Organizations, McGraw Hill, 2017
Sun Tzu, L’arte della guerra, a cura del Denma Translation Group, Oscar Mondadori, 2003
Lao Tzu, Tao Te Ching: The Definitive Edition, translated by Jonathan Star, Tarcher, 2001
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.
In molte organizzazioni, l’arrivo di un picco di lavoro scatena una reazione prevedibile: dichiarazione di emergenza, straordinari improvvisati, la solita discussione sul personale insufficiente. E la frase che si sente più spesso in questi momenti è qualcosa del tipo: “Cosa possiamo farci? Ci è piombato addosso”.
Il problema è che raramente è vero.
I dati tolgono l’alibi
Guardiamo il caso reale in figura. Il dataset copre agosto 2024 – marzo 2026 e mostra il volume settimanale delle richieste in arrivo su un servizio operativo. Il grafico non mostra un andamento caotico: mostra un pattern.
A settembre 2024 il volume settimanale sale da una media di ~37 unità a 117–126. A giugno 2025 il picco è ancora più marcato: 178, poi 144, poi 200 nella settimana di punta. A settembre 2025 si ripete: 174 in una settimana. Il dataset si ferma a marzo 2026, ma se qualcuno in quella organizzazione stesse aspettando di “vedere come va” a giugno 2026, starebbe solo perdendo tempo.
L’onda arriva due volte l’anno, arriva sempre nello stesso periodo, e la sua magnitudo è nell’ordine di 4–5 volte il volume ordinario. Non è una sorpresa: è un appuntamento fisso scritto nei grafici dell’anno precedente.
Dalla sensazione alla misurazione
La differenza tra un’organizzazione che subisce i picchi e una che li gestisce non è la dimensione del team: è la cultura del dato.
Fino a quando l’unica fonte di informazione è la percezione soggettiva della fatica – “ci sembra di essere sommersi” – non c’è modo di quantificare quanto sia grande l’onda né di prepararsi in anticipo. Quando invece si lavora con dati storici strutturati, il ragionamento cambia: si può misurare la magnitudo del picco, si può confrontarla con la capacità disponibile, e si può calcolare quanto margine serve.
Il metodo Kanban fornisce esattamente questa infrastruttura di misura. Ma la misura da sola non basta: bisogna incrociare i dati della domanda con quelli della capacità. E qui entra in gioco il secondo fattore spesso trascurato.
I picchi di domanda tendono a coincidere con i periodi di minore disponibilità interna: le ferie estive si sovrappongono al picco di giugno, la stagione influenzale autunnale arriva insieme al picco di settembre. I dati storici delle Risorse Umane sull’incidenza delle assenze – se li si incrocia con la curva della domanda – permettono di anticipare questo combinato disposto di fattori con mesi di anticipo. Non servono modelli sofisticati: basta voler guardare i numeri.
La strategia: capacità flessibile, non eroismo individuale
Una volta accettato che i picchi sono prevedibili, la domanda diventa operativa: come si struttura la risposta?
La soluzione non è aumentare l’organico fisso per coprire i momenti di punta – sarebbe capacità sprecata per undici mesi l’anno. La soluzione è progettare una capacità flessibile, che si espande sui picchi e si contrae nei periodi ordinari.
In pratica questo si può realizzare in due modi:
Con fornitori esterni dimensionati in anticipo – partner già contrattualizzati, istruiti sul processo, pronti a subentrare quando il volume supera la soglia.
Con riserve interne trasversali – colleghi di altri reparti che in quel periodo hanno un carico inferiore, formati preventivamente sulle attività di supporto, attivabili su richiesta.
Il punto critico è preventivamente. Formare qualcuno durante un picco è inutile: il tempo di formazione va sottratto alla capacità già sotto pressione. La formazione va fatta nei mesi di calma, quando c’è il margine per farlo bene.
Nel caso reale dell’esempio, affrontato con questo approccio, la calibrazione non è avvenuta con un modello matematico ma con sperimentazione empirica: si è provato, si è osservato e misurato cosa succedeva al flusso, si è calibrata la capacità di riserva fino a trovare il punto di equilibrio. Quanta capacità in più serve esattamente per non essere sommersi? La risposta è nei dati della domanda durante i picchi passati.
Due tipi di variabilità, due risposte diverse
Arrivati a questo punto e alla luce degli articoli scritti precedentemente sul tema, è utile distinguere tra due nature diverse della variabilità, perché richiedono risposte diverse.
La variabilità stocastica – il rumore quotidiano, le fluttuazioni casuali intorno alla media – si gestisce con i principi classici della teoria delle code. Non si satura il sistema: si mantiene un buffer di capacità, si lavora sulla riduzione del WIP, si applica la formula di Kingman per tenere sotto controllo i tempi di attesa. Qui il problema è di calibrazione continua.
La variabilità stagionale è un fenomeno diverso. Non si tratta di rumore attorno a una media: si tratta di una variazione strutturale della scala del problema. La risposta non è ottimizzare i parametri interni – è cambiare la capacità del sistema. E questa è una decisione di pianificazione, non di gestione operativa.
Confondere le due cose è il principale errore che porta a rincorrere i picchi invece di prepararsi.
Vale la pena osservare che entrambe le forme di variabilità discusse in questo articolo – il rumore stocastico quotidiano e i picchi stagionali – rientrano nel dominio che Nassim Taleb chiama Mediocristan: la media è significativa, i pattern sono stabili, la distribuzione del lead time è prevedibile. È precisamente questo che rende possibile pianificare. In un sistema in Extremistan, dove un singolo elemento di lavoro può durare cento volte la mediana, nessuna delle strategie descritte qui funzionerebbe allo stesso modo. Come scegliere la strategia giusta in base alla natura statistica del proprio flusso è l’argomento dell’articolo precedente Anticipare o differire? Come leggere il proprio flusso per decidere al momento giusto.
Il lavoro di riserva: cosa fare se l’onda non arriva
L’obiezione più comune che ricevo per questo approccio è legittima: “e se quest’anno il picco è meno intenso del solito? Abbiamo pagato capacità in eccesso inutilmente.”
Il rischio esiste, ma si può mitigare. A chi è stato ingaggiato nella riserva si assegnano in parallelo attività a bassa priorità – miglioramenti, arretrati di manutenzione, documentazione, formazione interna – classificabili come lavoro intangible secondo le Classi di Servizio Kanban. Se il picco arriva nella sua forma attesa, queste attività vengono sospese e la capacità viene dirottata sul flusso principale. Se il picco è più contenuto, il team ha comunque generato valore su attività che altrimenti sarebbero rimaste indefinitamente in coda.
In entrambi i casi, l’organizzazione è in una posizione migliore rispetto a quella di chi non si è preparato.
Conclusione
I grafici in questo articolo mostrano dati reali di un servizio operativo. Chi gestisce quel servizio sa che a giugno c’è da aspettarsi un picco intorno a 150–200 unità di lavoro settimanali. La domanda non è se l’onda arriva, ma se l’organizzazione ha scelto di vederla in anticipo o di scoprirla quando si è già stati travolti.
In molti casi, gestire l’imprevedibile è soprattutto una questione di volontà di guardare i propri dati. Il caos non nasce dai picchi: nasce dalla scelta di ignorarli fino a quando non è troppo tardi.
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.
