Negli ultimi anni l’intelligenza artificiale è entrata con forza nel linguaggio e nelle pratiche di molte organizzazioni. Spesso viene presentata come una scorciatoia: uno strumento capace di velocizzare il lavoro, ridurre i costi, migliorare le decisioni. Ma c’è una domanda che raramente ci fermiamo a porci davvero: che cosa succede quando introduciamo l’AI in un sistema che è disorganizzato, sovraccarico o poco chiaro?
È da questa riflessione che nasce l’intervista che mi ha fatto Leonarda Vanicelli per il podcast Lavoro Meglio con l’AI. Una conversazione che non parla di tool, prompt o mode del momento, ma di ciò che viene prima: il funzionamento reale delle organizzazioni.
L’AI accelera, ma non aggiusta
Un punto chiave emerso durante l’intervista è semplice quanto spesso ignorato: l’AI non risolve i problemi organizzativi, li amplifica.
Se i processi sono confusi, se le priorità cambiano di continuo, se le persone sono costantemente in sovraccarico, l’AI non porterà ordine. Al contrario, renderà il caos più veloce, più pervasivo e meno visibile.
Per questo, prima di introdurre qualsiasi tecnologia avanzata, è fondamentale fermarsi e osservare:
come scorrono davvero le attività
dove si accumula il lavoro
quali decisioni vengono prese senza dati
quali sono i colli di bottiglia che drenano energia e attenzione
Rendere visibili i flussi di lavoro
Uno dei temi centrali della conversazione è la necessità di rendere visibili i flussi. Quando il lavoro resta invisibile – frammentato tra email, chat, urgenze e interruzioni – diventa impossibile governarlo. Senza visibilità non c’è scelta consapevole, e senza scelta non c’è miglioramento.
Lavorare sui flussi significa:
chiarire cosa entra nel sistema e cosa no
limitare il sovraccarico
creare spazi di decisione reali
permettere alle persone di lavorare con più continuità e meno stress
Solo in questo contesto l’AI può diventare un alleato: uno strumento che supporta un sistema già pensato, non una toppa messa sopra le falle.
Tecnologia sì, ma umana
Un altro aspetto emerso con forza è il tema dell’umanità. Introdurre l’AI in modo efficace non è solo una questione tecnica o strategia: è una scelta culturale. Significa chiedersi che tipo di lavoro vogliamo creare, che ruolo hanno le persone, come vengono prese le decisioni e quali sono i limiti che scegliamo di rispettare.
L’innovazione sostenibile non nasce dall’accumulo di strumenti, ma dalla capacità di progettare sistemi di lavoro più chiari, efficaci e sostenibili.
Per approfondire
Se questi temi ti interessano, ti invito ad ascoltare l’intervista completa nel podcast Lavoro Meglio con l’AI:
Per un approfondimento più strutturato su questi temi, puoi anche leggere il libro Dal caos al flusso: La trasformazione organizzativa con il metodo Kanban, un percorso pratico per ripensare il lavoro prima (e oltre) la tecnologia: https://amzn.eu/d/inuHN8J
Nel dinamico mondo delle risorse umane, in particolare all’interno delle grandi organizzazioni, la gestione di processi complessi come l’inserimento e il reclutamento del personale può rapidamente diventare una sfida significativa. Questo articolo approfondisce un esperimento trasformativo condotto all’interno del reparto risorse umane di una cooperativa sociale italiana di 3.000 persone. L’innovazione principale è stata l’applicazione del data mining per rivelare e analizzare la realtà dei flussi di lavoro operativi, un approccio che si è rivelato cruciale in un ambiente che faticava a mantenere prevedibilità ed efficienza. Nonostante la disponibilità di sistemi informativi legacy, il loro sottoutilizzo e l’affidamento a processi manuali, come l’uso di file Excel per le assunzioni di massa, rendevano molto difficile ottenere una comprensione chiara o fornire previsioni affidabili all’azienda.
La situazione iniziale: imprevedibilità e sovraccarico manuale
L’organizzazione, che partecipa spesso a gare d’appalto pubbliche, era sottoposta a forti pressioni per l’ingresso e l’uscita rapida di un gran numero di dipendenti. Ciò ha portato a una situazione in cui i flussi di lavoro del reparto risorse umane erano difficili da gestire e i sistemi informativi legacy venivano utilizzati solo in parte. Ad esempio, i file Excel manuali erano la norma per le assunzioni di massa.
I primi sforzi si sono concentrati sull’ottenimento del controllo:
Mappatura del flusso di lavoro: il primo passo ha comportato la mappatura visiva dei flussi di lavoro HR esistenti con modalità “low tech, high touch”.
Misurazione manuale: sono state identificate le fasi chiave per la misurazione e i dati sono stati raccolti manualmente in un file Excel. I campioni iniziali hanno rivelato che i tempi di onboarding variavano notevolmente da 1 a 96 giorni, senza uno schema riconoscibile. Ciò rendeva impossibile per l’HR fornire promesse di consegna affidabili all’azienda.
Identificazione dei colli di bottiglia: l’analisi dei dati ha rapidamente individuato la fase di firma del contratto come uno dei principali colli di bottiglia, che rispecchiava il comportamento generale del processo. Questa fase, che prevedeva firme digitali remote, è stata notevolmente migliorata affrontando le questioni sottostanti.
Prevedibilità migliorata: dopo aver risolto il collo di bottiglia, la prevedibilità è migliorata in modo significativo, con oltre il 91% degli onboarding completati entro otto giorni.
Evoluzione con Kanban: per far maturare ulteriormente il sistema, il team ha adottato una Kanban board elettronica, per poter implementare più pratiche Kanban e raccogliere automaticamente le metriche. Lo stesso approccio è stato esteso con successo anche al flusso di lavoro del recruiting.
Tuttavia, nonostante i miglioramenti, rimaneva una sfida non risolta: il reparto continuava a raccogliere dati a campione anziché in modo costante. Era riluttante ad adottare pienamente il nuovo strumento Kanban a causa del percepito sovraccarico aggiuntivo derivante dall’utilizzo di un nuovo strumento insieme ai sistemi legacy esistenti.
Il problema principale: un labirinto di sistemi eterogenei
Le operazioni del reparto HR erano distribuite su una serie di sistemi legacy notevolmente eterogenei e disparati. Questi includevano:
Un file Excel alimentato da una form di Microsoft Form.
Un’applicazione di recruiting dedicata.
Un’applicazione di onboarding.
Un’applicazione HR per le paghe.
Un sistema informativo regionale per l’impiego esterno (cruciale per la conformità legale e la definition of done).
Sebbene alcuni sistemi disponessero di integrazioni batch notturne, non esisteva una visione unificata dell’intero flusso di lavoro end-to-end. Cercare di raccogliere manualmente dati completi da questi sistemi era difficile, poiché ogni sistema esportava i dati in modo diverso.
L’esperimento: un data lake in soccorso
Riconoscendo la necessità di una misurazione completa e continua, è stato avviato un esperimento utilizzando Algorilla, una piattaforma di knowledge discovery. Questa piattaforma, originariamente sviluppata per consentire ai responsabili IT di ottenere il controllo sulle architetture IT aziendali, ha fornito un prezioso suggerimento: nei log e nei timestamp dei sistemi legacy esisteva già una “miniera d’oro di dati” che poteva essere sfruttata per evolvere il sistema Kanban.
Algorilla funziona come un sistema di data lake, in grado di raccogliere dati da fonti eterogenee, combinarle in un formato analizzabile e visualizzarle su dashboard. La premessa era semplice ma rivoluzionaria: se il sistema fosse stato in grado di rivelare in tempo reale ciò che stava realmente accadendo all’interno di infrastrutture IT complesse, avrebbe potuto fare lo stesso per i processi di business.
La verifica di questo concetto ha comportato l’inserimento dei dati provenienti da tutti e cinque i diversi sistemi HR in Algorilla. La piattaforma è stata progettata per:
Acquisire dati da vari formati, inclusi file Excel, esportazioni da database e persino ricevute in formato PDF.
Combinare e analizzare questi diversi dati per ricostruire il flusso di lavoro reale.
In futuro, gli agenti automatizzati potranno raccogliere direttamente i dati dai database senza esportazioni manuali.
Il disvelarsi della realtà: risultati chiave
L’implementazione ha fornito chiarezza e comprensione senza precedenti:
Analisi completa dei dati: per la prima volta, il reparto HR ha potuto analizzare tutti i dati storici, non solo alcuni campioni, ottenendo un quadro accurato dell’effettivo funzionamento dei flussi di lavoro.
Visibilità end-to-end: la piattaforma ha consentito l’analisi dell’intero flusso di lavoro, dal recruiting all’onboarding, oltre a fornire informazioni dettagliate sulle singole fasi del processo.
Monitoraggio in tempo reale: i flussi di lavoro sono stati visualizzati con contatori in tempo reale del lavoro in corso (WIP) per ogni fase e durata media delle fasi. Le dashboard includevano le metriche Kanban tipiche, come il produttività, la distribuzione dei tempi di consegna e i diagrammi di flusso cumulativi.
Rilevamento delle anomalie: il sistema ha aiutato a identificare valori anomali e situazioni insolite, come quella soprannominata “l’assunzione di Speedy Gonzales”, completata in pochi minuti, suggerendo l’inserimento a posteriori dei dati per recuperare gli aggiornamenti di sistema che erano rimasti indietro.
Correzione del flusso di lavoro: l’analisi dei dati ha persino corretto le interpretazioni errate del flusso di lavoro stesso. Ad esempio, i dati hanno rivelato che la registrazione nel sistema paghe avveniva prima della registrazione nel sistema regionale, una sequenza che in precedenza non era completamente chiara.
Una svolta per le organizzazioni vincolate da sistemi legacy
Questo approccio può rivelarsi particolarmente prezioso per le organizzazioni che si affidano a sistemi legacy. Consente loro di analizzare e migliorare i propri processi senza incorrere nei costi aggiuntivi associati alla manutenzione di uno strumento Kanban separato. Poiché funziona con i dati esistenti, è perfettamente in linea con il principio “inizia con quello che fai oggi”.
I miglioramenti futuri previsti per la piattaforma includono la possibilità di visualizzare le policy e l’efficienza di flusso sulla dashboard, nonché l’opzione di impostare avvisi per le violazioni dei limiti al lavoro in corso (WIP). Ciò consentirà di integrare ulteriormente le pratiche Kanban e alle organizzazioni di ottimizzare le loro operazioni.
In sostanza, l’esperimento ha dimostrato che, raccogliendo e analizzando strategicamente i dati esistenti provenienti da sistemi legacy disparati, le organizzazioni possono scoprire la vera realtà dei loro flussi di lavoro, identificare le inefficienze nascoste e prendere decisioni basate sui dati. Possono quindi sfruttare tali informazioni per accelerare lo sviluppo evolutivo del loro sistema Kanban e ottenere miglioramenti significativi del flusso di lavoro in un arco di tempo più breve.
