AI e lavoro cognitivo nei processi decisionali aziendali tra sostituzione, additività e complementarità

Luciano Pilotti e Gioele Gambaro

Parallelamente alla diffusione dell’IA generativa (intesa qui soprattutto come LLM utilizzabili anche da non specialisti), alcune grandi società di consulenza hanno perso capitalizzazione e annunciato licenziamenti e non semplicemente nelle fasce degli entry level, ma anche più sopra, cioè lungo la catena decisionale aziendale e dove si consolida il pensiero strategico. Nel momento in cui scriviamo, Accenture è a circa -25% da inizio anno (YTD) e così molte società di consulenza. La coincidenza temporale, da sola, non dimostra che l’IA sia la causa  diretta di questi fenomeni; segnala però un cambiamento che tocca direttamente l’economia  e l’organizzazione delle attività di consulenza da una parte e i mutamenti  ( a volte radicali) che caratterizzano il processo decisionale aziendale (dall’altra) e che va compreso, nella sua complessità, fisiologia e anatomia e di cui qui introduciamo alcune brevi note di sintesi.

Modelli di business, valore e complessità decisionale “oltre” il caos

Certo, uno dei nodi riguarda il modello di business tradizionale, fondato anche sulla fatturazione di molte ore di lavoro junior. Una parte crescente di queste attività è oggi ampiamente automatizzabile: ciò può abbatterne il costo, ma anche comprimere i margini associati al lavoro venduto a ore. A questo si aggiunge l’hype intorno alla tecnologia, che in alcuni casi ha favorito sperimentazioni e sovra-utilizzi seguiti da passi indietro, per risultati inferiori alle attese o per costi difficili da governare, per la semplice ragione che servirebbe un approccio più sistemico e che investe l’intero albero organizzativo in tutti i suoi rami, procedurali o specialisti, o anche di transfer di conoscenze e informazioni intra e inter-organizzative. Perché, in primo luogo (A) – ed è la fisica che ci guida – c’è una complessità ineludibile tra molteplici fattori ed elementi che lega l’operatività delle persone ai team, alle nicchie di specialismo, ai legami con la clientela e all’infrastruttura di back office. Modificando un tasto è tutta la tastiera che ne viene coinvolta e dunque il lavoro di un singolo individuo può accelerarsi con Claude o Gemini, ma il processo mostra inerzie evidenti e che vanno governate, “colli di bottiglia “ compresi. Sempre la fisica ci conduce ad altro fattore (B) che definiremmo di “proprietà emergente”: un comportamento collettivo non coincide quasi mai  con la somma delle sue singole parti individuali, per l’ordito di interazioni che lo formano tra  organizzazione, informazioni, competenze, dialogo, integrazioni, infrastrutture, domanda. Il terzo fattore (C) , della fisica e forse più noto ancora, è che tutto ciò conduce a continue retroazioni (feedback): la spinta di una azione  si riverbera sul sistema  in continui “stop and go” con effetti di “risonanza” permanenti, come segnali di aggiustamento e allineamento della decisione e/o degli stormi di decisioni che si affollano nei vari processi come fiumi carsici che portano al mare dell’equilibrio e/o della performance e che può modificare la causa inziale con/senza path dépendance. I contenuti  con l’AI possono essere più facili da configurare (pochi minuti contro ore di prima) e forse anche in eccesso, ma per questo serve poi più tempo per controllarli, allinearli, correggerli, integrarli prima della configurazione finale e della decisione che ne consegue. Ai che ci consente all’inizio di ogni processo di risparmiare tempo (sostituzione) ma poi che ne domanda altro per additività e/o complementarità. Il quarto fattore (D) – allora – è quello di “adattamento”, ossia una general purpose technology quale è l’AI  impone al sistema di riconfigurarsi attorno ad essa, come fu con l’elettricità, con il motore a scoppio, con il PC e loro reti, dentro e fuori le mura d’azienda, ma che richiesero anni per cambiare. Lo strumento AI che ormai è una posta di bilancio ben definita, impone formazione adeguata, regole d’uso appropriate, pulizia dei dati, nuova logistica di processo (fisica, relazionale, interazionale e cognitiva) e in tempi sempre più stretti, non decenni, non anni, e forse nemmeno mesi. Sempre più spesso servono manciate di settimane data l’accelerazione del digitale sulla materialità, che va allineata con l’immaterialità e la malleabilità del cognitivo e del quale ci sfugge spesso la direzionalità, perché non ha confini “fisici” che condizionano e facilitano con la forza di ferro e fuoco per la linearità del materiale, ma vanno plasmati verso processi decisionali stabili e condivisi nell’osmosi partecipata dell’uso dell’AI, per organizzazioni sempre meno gerarchiche e sempre più piatte e veloci. Solo qui arriverà il “grande salto di produttività” con l’AI che attendiamo da anni ma che non vediamo ancora proprio per la necessità di “ibridazione” tra materiale  e immateriale, tra relazionale e cognitivo, tra sciami decisionali e direzionalità. Per questo la nota “curva J” degli economisti dove cresce l’investimento ma magari la produttività diminuisce necessita di tempi per errori e aggiustamento, apprendimento, ben oltre l’addestramento degli algoritmi dell’AI che sono solo un primo passo, quasi mai risolutivo. Qui allora sorge anche il problema (E) di misurazione dell’incremento di efficienza da decremento dei tempi di lavorazione di una decisione (format di un documento, traduzione dal cinese o in inglese, analisi giuridica procedurale, configurazione di un time sheet, ricerca bibliografica, diagnosi medica, lettura sintetica di documenti, interazione con cliente, ecc.). Quale il beneficio finale  di valore se il rapporto con prezzo del servizio, con le ore lavorate complessive delle catena di decisione, con le quantità vendute del servizio e loro efficacia non cambiano ? Il risultato finale è più valore o meno valore, e se la prima come si aggiunge al PIL ? Per leggere questi effetti di valore necessitiamo di propagazione nella rete aziendale e spesso nella rete sistemica aggregata, altrimenti rimangono “occulti” come “Shadow Effect”. Abbiamo dato alle persone una super-car ma che rimane bloccata nella congestione urbana e aziendale e nell’ordito caotico di micro-decisioni che necessitano di un sestante nella notte stellata della complessità per cogliere direzione  e ordine.

Se questo il quadro macro-organizzativo il punto che ci interessa è più micro e circoscritto: quale impatto ha l’IA sul modo in cui lo stratega prepara e supporta una decisione? La domanda è rilevante perché questi strumenti non cambiano soltanto la velocità del lavoro, ma possono modificare – come abbiano visto –  il processo con cui si costruiscono ipotesi e si arriva a scegliere tra opzioni alternative. Qui per stratega intendiamo chi analizza mercati e aziende, formula ipotesi strategiche e supporta decisioni, sia in consulenza sia all’interno dell’impresa e in grado di segnalare le fonti di valore e i relativi flussi di dati  e poi di informazione che si fanno alla fine conoscenza.

Dove l’IA aumenta la produttività dello stratega

Riduzione dei costi della desk research. Quanti distributori in Spagna servono il marchio X? Che servizi di assistenza vengono offerti in questo settore industriale dai principali player? Gli strumenti basati su LLM possono ridurre drasticamente i tempi di una prima ricognizione. Il vantaggio è maggiore nelle attività relativamente semplici, con istruzioni chiare e poco margine interpretativo, che in passato richiedevano tempo-uomo se svolte internamente o costi di ricerca se delegate. La raccolta, però, non coincide con la verifica: attendibilità, aggiornamento e tracciabilità delle fonti restano responsabilità di chi conduce l’analisi, compreso il team alle spalle che ha rifornito di dati e informazioni appropriate in quel nodo e come questo è interconnesso con la rete dei nodi.

Gli LLM come controparte dialettica. Grazie alla quantità e varietà di schemi, casi e argomentazioni incontrati durante l’addestramento, questi sistemi possono essere ottimi sparring partner, capaci di costruire obiezioni alle nostre ipotesi strategiche e di evidenziarne lacune o debolezze. L’uso più interessante non è chiedere al modello quale sia la strategia giusta, ma sottoporgli un’ipotesi, fargli generare i contro-argomenti più forti, individuare quali evidenze potrebbero falsificarla e, sulla base di queste, irrobustirla, modificarla o scartarla.

Bisogna però gestire la tendenza alla compiacenza (sycophancy): dopo alcuni scambi il modello può finire per seguire il frame dell’utente e attenuare le obiezioni. Prompt espliciti, che chiedano di cercare errori, formulare contro-argomenti e applicare standard probatori severi, aiutano a mantenere utile la funzione dialettica, come sangue che scorre nella rete  venosa dell’organizzazione nel suo complesso, evitando blocchi o “colli di bottiglia”.

Dove l’IA rischia di impoverire il lavoro dello stratega

Il rischio di impoverimento del lavoro dello stratega passa spesso pe una perdita di conoscenza diretta. Se il manager o il consulente si affidano fin dall’inizio a questi modelli, otterranno rapidamente output plausibili, ma rischiano di apprendere molto meno sul mercato e sull’azienda o sui suoi rapporti con la clientela. Se, invece di leggere i documenti, li si limita a «darli in pasto» all’LLM, si costruisce un modello mentale più povero del problema se non illuminato da un frame direzionale e da densità informativa focalizzata e che dunque produca più conoscenza, spesso da ibridazione tra codificato e tacito (à la Nonaka-Tacheuchi). Questo impatto appiattisce la curva di apprendimento e riduce la possibilità di creare collegamenti inattesi o formulare soluzioni originali anche per serendipity o exaptation. Detto in termini concreti: come possiamo discutere con profitto con gli esperti della supply chain se non abbiamo letto la documentazione e i report su cui quella conversazione si fonda, se non ne abbiamo compreso il contesto?

Rischio di strategia da «project work» scolastico. Se la formulazione delle ipotesi strategiche viene delegata fin dall’inizio a un modello di intelligenza artificiale, l’output tende facilmente a organizzarsi intorno ai framework più standard (SWOT, 5 forze di Porter, VRIO, ecc.) e che dipenderà dal tessuto della rete a strascico che è stata adottata (più larga o più fine), come presi stato degli errori e accensione di bias. Il problema non è l’uso di questi strumenti in sé ma i loro effetti sistemici che farà la differenza: due aziende possono applicare lo stesso framework e arrivare a conclusioni molto diverse, perché dispongono di dati, competenze e vincoli differenti. Il punto è che un framework standard non genera, da solo, alcun vantaggio competitivo, anche perché accessibile a chiunque e trasparente. Può schematizzare la realtà e rendere espliciti alcuni elementi, ma la qualità della strategia dipende dalla scelta delle informazioni rilevanti, dalla formulazione delle ipotesi, dall’analisi dei nessi causali e dalla capacità di produrre insight non ovvi, cioè aggiungendo “creatività”. L’IA può supportare questo lavoro, che può essere additivo o complementare, ma quasi mai sostituirlo automaticamente perché non “percepisce” il contesto ma è come se fosse permanentemente “state contingent”, per dirla ancora con gli economisti.

Infatti, una governance efficace impone un contesto della decisione. Il rischio aumenta quando l’IA è usata per silos: marketing, operations, finanza e strategia possono produrre analisi plausibili ma incoerenti. Servono regole condivise e un’orchestrazione aziendale di dati, criteri e responsabilità, calibrata sul contesto che è firm specific e/o industry specific. Le trappole possono essere concettuali, per esempio usare un framework corretto sul problema sbagliato; cognitive, quando il modello conferma un’ipotesi perché riceve domande già orientate; semantiche, quando funzioni diverse attribuiscono significati diversi a termini come «cliente» o «margine».

Ai e orchestrazione per efficacia e valore della strategia: una conclusione

In conclusione, l’IA può aumentare sensibilmente la produttività dello stratega, soprattutto nelle attività di ricerca, sintesi e confronto tra ipotesi e se in un contesto e frame well defined. Il vantaggio si riduce però quando dal supporto all’analisi si passa alla delega della decisione: le trappole concettuali, cognitive e semantiche restano numerose e, proprio perché gli output sono spesso plausibili, non sempre sono facili da riconoscere. Per questo necessitiamo di un continuo ricorso a lenti di ingrandimento o a microscopi a seconda dei contesti della decisione, evitando di scambiare “fischi con fiaschi”. Ricordando – peraltro – che l’l’uso isolato di strumenti AI favorisce il rischio elevato  di fuoriuscita di dati e informazioni aziendali spesso riservate.

Per questo l’efficacia dell’IA non dipende soltanto dalla qualità del singolo utilizzo o dell’efficacia del prompt, ma anche da come l’azienda ne governa l’impiego in forme sistemiche. Dati, criteri, responsabilità e strumenti devono essere coerenti tra funzioni, evitando che marketing, operations, finanza e strategia lavorino in silos. Almeno per ora, l’IA appare quindi più solida come componente orchestrata del processo strategico che come sostituto autonomo del decisore.