Un approccio sistematico alla sperimentazione con l’IA generativa

Dopo aver messo sottosopra l’industria del software, l’IA generativa si sta facendo strada in un ampio ventaglio di settori, fra cui il manifatturiero, dove si sta dimostrando utile per gestire l’imprevedibilità e coadiuvare le decisioni in tempo reale. La capacità dell’IA generativa di codificare, automatizzare e distribuire le competenze dell’organizzazione potrà arrivare, in prospettiva, a trasformare per intero la strutturazione del lavoro, dall’officina fino ai vertici di un’azienda. Alcune organizzazioni la stanno già usando adesso per analizzare la massa di informazioni che vengono generate negli stabilimenti e usarle per prevedere problemi, simulare scenari complessi e ottimizzare i processi in tempo reale. Lavorando con un’ampia gamma di dati del settore manifatturiero – dai manuali di manutenzione e i software di automazione delle macchine a diagrammi complessi, disegni in 3D e dati sui processi – l’IA generativa può creare nuovi modi di collaborazione tra persone e macchine.

Ma chi beneficerà di questi cambiamenti, e quanto tempo ci vorrà? Non è una domanda semplice. Come l’elettricità e la macchina tipografica, l’IA generativa è una tecnologia di uso generale e la storia ci insegna che l’adozione di questo tipo di tecnologie non è quasi mai lineare. I manager spesso non si rendono conto delle loro reali potenzialità economiche e faticano a riorganizzare le mansioni, le competenze e i flussi di lavoro per adattarsi a esse. Il risultato è che i guadagni di performance spesso arrivano più tardi rispetto alla diffusione della tecnologia, ingenerando la cosiddetta “curva di produttività a J”: prima un calo iniziale della produttività nella fase in cui le organizzazioni si adattano a una nuova tecnologia, seguito da miglioramenti sostenuti una volta che gli investimenti complementari cominciano a dare i loro frutti. I dati recenti riguardo all’IA generativa sono coerenti con questo schema: uno studio condotto nel 2025 da McKinsey, per esempio, ha riscontrato che la nuova tecnologia, nonostante la sua rapida adozione in molte aziende, non ha ancora avuto un impatto significativo sugli utili, secondo quanto riferito da più dell’80% degli intervistati.

Non essendoci indicazioni precise su quello che deve fare un’azienda per adottare l’IA generativa, i manager si trovano di fronte a un dilemma strategico: meglio aspettare che la situazione diventi più chiara ma rischiare di rimanere indietro o agire troppo presto finendo per investire su applicazioni che non portano i risultati promessi?

Per risolvere questo dilemma, i dirigenti devono guardare l’adozione dell’IA generativa non come un’unica decisione, ma come un ventaglio di esperimenti. Come i test A/B nello sviluppo di prodotti digitali, lo scopo di questi esperimenti dev’essere isolare gli effetti causali, cercando di appurare non solo se l’IA generativa funziona, ma come, per chi e in quali condizioni. Testando le applicazioni di IA generativa prima di estenderle su scala più ampia, i dirigenti possono ridurre i rischi, affinare le loro strategie e costruire all’interno dell’organizzazione la spinta necessaria per il cambiamento. È l’approccio raccomandato dagli esperti, ma molte imprese faticano a implementarlo, col risultato che la sperimentazione per tante organizzazioni resta una prassi relativamente insolita.

È un atteggiamento che deve cambiare. La sperimentazione permette alle aziende di trasformare l’incertezza che circonda l’IA generativa in un vantaggio strategico. Aiuta le imprese a gestire la fase di adozione in modo più efficace dei loro concorrenti. E la conoscenza generata attraverso gli esperimenti può essere utilizzata per rafforzare le relazioni esistenti (o crearne di nuove) all’interno del proprio ecosistema di riferimento. In questo articolo descriveremo i progressi che stanno facendo le aziende nell’adozione dell’IA generativa attraverso la sperimentazione, all’interno della loro organizzazione e nell’intero ecosistema. Le società di software sono all’avanguardia da questo punto di vista, ma alcune aziende di altri settori, come Siemens, stanno iniziando a metterla in atto con successo anche nel mondo fisico della produzione.

LA SFIDA DELL’ADOZIONE

L’IA generativa promette grandi cose, ma molte organizzazioni non l’hanno ancora abbracciata fino in fondo. Il fatto che generano allucinazioni e risultati inaffidabili è uno dei motivi della reticenza delle imprese a usare questi strumenti quando la posta in gioco è alta. Ma una ragione più profonda, secondo vari esperti, è che le effettive potenzialità economiche dell’IA generativa risiedono nel fatto di creare sistemi di valore interamente nuovi, che le organizzazioni faticano a riconoscere e ancor di più a perseguire. Per fare un parallelo storico, pensate all’elettricità: gli impianti manifatturieri impiegarono quasi quarant’anni per adattarsi alla nuova tecnologia e ottimizzare il loro funzionamento intorno a essa, secondo il compianto storico dell’economia Paul David.

Per fare dell’IA generativa una componente inestricabile dell’organizzazione è necessario studiare attentamente come integrarla ai processi, alle procedure e ai team esistenti. Nel comparto manifatturiero, la sfida è ancora più impegnativa perché in quel contesto l’esigenza che l’IA sia efficiente, affidabile, sicura e in grado di integrarsi senza difficoltà con i lavoratori umani assume particolare rilevanza.

Se lo si vede in quest’ottica, non sorprende il fatto che i casi di adozione riuscita dell’IA generativa siano così rari, perché è il riflesso di una sfida più generale: rendere questa tecnologia utile per le organizzazioni, non solo tecnicamente sbalorditiva. È qui che gli esperimenti di organizzazione possono essere d’aiuto.

MOTORI DI APPRENDIMENTO E ADATTAMENTO

Un esperimento di organizzazione è essenzialmente un’applicazione del metodo scientifico. In un contesto lavorativo reale, si individua un gruppo sperimentale (per esempio dipendenti o team che usano un nuovo sistema di IA) e un gruppo di controllo (quelli che continuano a lavorare come sempre, senza usare il nuovo sistema). L’esperimento si basa su un piano di ricerca specifico, che parta da un’ipotesi chiara e verificabile, e può durare a lungo (settimane o mesi), per consentire di isolare sia gli effetti iniziali che gli effetti nel tempo. Si tiene traccia dell’andamento di determinati parametri chiave di rendimento, integrandoli in alcuni casi con le valutazioni qualitative fornite dai partecipanti. Per garantire che i gruppi siano comparabili si usa il metodo dell’assegnazione casuale dei partecipanti o altri meccanismi di controllo.

Per isolare l’effetto di uno strumento di IA sulla performance, un’azienda potrebbe abilitare a usarla solo metà dei suoi dipendenti, scelti in modo casuale. GitHub e Google, per esempio, hanno condotto sperimentazioni in cui si dividevano in modo casuale gli sviluppatori in due gruppi, quelli che continuavano a programmare a mano e quelli che utilizzavano assistenti IA. Quelli che hanno usato gli assistenti IA hanno eseguito i compiti loro assegnati in tempi più rapidi (tra il 21% e il 55%), con tassi di completamento leggermente maggiori rispetto a quelli che programmavano manualmente; inoltre, hanno riferito un maggior livello di soddisfazione e un minor affaticamento mentale. I risultati, che dimostrano che gli assistenti IA possono accelerare lo sviluppo del software e migliorare il benessere dei lavoratori, sembrano indicare che l’IA, oltre a potenziare il rendimento dei dipendenti, può anche rendere più gratificante la loro esperienza lavorativa.

Quando la randomizzazione è difficile, alcune aziende adottano un’implementazione scaglionata, introducendo la tecnologia con gradualità in team diversi, per creare gruppi di controllo naturali. In uno di questi esperimenti, una società del Fortune 500 specializzata in software di processi aziendali per piccole e medie imprese negli Stati Uniti ha scaglionato l’implementazione di un assistente di IA generativa tra più di 5.000 addetti al servizio clienti e poi ha confrontato la performance di quelli che avevano avuto la possibilità di usare questo strumento con gli altri, osservando che la produttività era cresciuta complessivamente di circa il 14% per chi l’aveva usato, arrivando fino al 34% per i dipendenti meno esperti. È stato registrato un miglioramento anche per quanto riguarda l’atteggiamento dei clienti e il tasso di fidelizzazione. Di fronte a questi risultati, l’azienda ha deciso di estendere l’uso dello strumento di IA a tutta l’organizzazione.

Un altro approccio è quello di creare un “laboratorio sul campo”, cioè un ambiente controllato dove osservare le interazioni con la nuova tecnologia. Per esempio, in un recente esperimento alla Procter & Gamble, 776 sviluppatori di prodotto sono stati assegnati in modo casuale a lavorare con o senza l’IA, e da soli o in coppie, durante un hackathon di innovazione. (Una di noi – Raffaella – è stata coinvolta nell’organizzazione dell’esperimento.) In media, gli sviluppatori che hanno utilizzato l’IA lavorando da soli hanno avuto un rendimento equivalente agli sviluppatori che hanno lavorato in coppia senza l’IA, e tutti quelli che hanno usato l’IA, sia da soli che in coppia, hanno dimostrato di riuscire a fondere insieme più efficacemente idee tecniche e commerciali. La Procter & Gamble è giunta alla conclusione che usare l’IA generativa può ridurre la tendenza a ragionare per compartimenti stagni e consentire la creazione di team interfunzionali più ristretti.

Gli esperimenti di organizzazione hanno alcuni tratti in comune con i tradizionali esperimenti pilota e test A/B, ma ci sono alcune differenze fondamentali. Gli esperimenti pilota normalmente sono test informali che coinvolgono team selezionati in modo arbitrario e riscontri aneddotici, e quando un’organizzazione decide di estendere l’utilizzo di una tecnologia sulla base di questi spesso lo fa più per l’entusiasmo che generano che per le prove che producono. Gli esperimenti pilota non hanno teorie di partenza chiare e nemmeno gruppi di controllo, e di conseguenza non sono in grado di offrire indicazioni generalizzabili. I test A/B, da parte loro, funzionano bene quando si tratta di affinare (scegliere le caratteristiche digitali di un nuovo prodotto, ad esempio), ma raramente riescono a cogliere gli effetti generali di un cambiamento sul coordinamento, il flusso di lavoro o le esperienze delle persone. Gli esperimenti di organizzazione si spingono più in là sia dei progetti pilota che dei test A/B: valutano l’impatto nel mondo reale e permettono di capire se l’IA generativa funziona, e come, per chi e in quali condizioni. Sono motori di apprendimento strategico e adattamento.

Se fatti nel modo giusto, gli esperimenti di organizzazione con l’IA possono produrre una serie di benefici, fra cui:

Indicazioni sulle cause. Gli esperimenti aiutano a distinguere la correlazione dalla causazione, e questo ha un’importanza cruciale. Senza un esperimento congegnato in modo tale da rendere chiara questa distinzione, un’organizzazione non è in grado di capire se i guadagni di produttività sono stati prodotti dall’IA generativa oppure, ad esempio, dal fatto di averla adottata prima degli altri, perché di regola quelli che adottano una tecnologia per primi sono più qualificati e motivati della media.

Granularità. Gli esperimenti possono portare alla luce effetti differenti dell’IA generativa su tipi differenti di lavoratori. Sono informazioni vitali, perché l’efficacia dell’IA generativa dipende molto dal contesto: la mansione specifica da compiere, il livello di competenze dell’utilizzatore, l’integrazione nel flusso di lavoro e la cultura dell’organizzazione, solo per citare alcuni fattori. Quello che funziona a meraviglia con un team può fallire clamorosamente con un altro. Evidenze recenti, per esempio, indicano che quanto meno nell’ambito del servizio clienti i “copiloti” di IA generativa possono offrire benefici notevoli ai lavoratori meno esperti, ma quasi invisibili a quelli con più anni di lavoro alle spalle. Questo tipo di evidenze offre ai manager indicazioni preziose non solo riguardo all’impatto dell’IA generativa nella loro organizzazione, ma anche riguardo agli investimenti necessari per tradurre in pratica questo impatto, per esempio applicando i nuovi strumenti dove possono assicurare i progressi più significativi.

Riduzione del rischio. Gli esperimenti aiutano i dirigenti a individuare possibili ostacoli all’implementazione prima di procedere a un’introduzione dell’IA su larga scala. Nel suo libro Idee ad alto voltaggio, l’economista John A. List sviluppa questo concetto, sottolineando che la sperimentazione può permettere di conseguire molteplici benefici: per esempio, può aiutarvi a evitare i falsi positivi (farvi avere la certezza che i risultati positivi iniziali non sono stati semplicemente un caso fortunato), comprendere il vostro pubblico (evitare il rischio che un’idea che funziona con un gruppo specifico, altamente motivato, possa non funzionare con un pubblico più ampio e diversificato), valutare la scalabilità degli ingredienti (farvi avere la certezza che il successo di un’idea non dipende da un’unica persona, per esempio una celebrità, ma da un processo o prodotto replicabili), prendere in considerazione conseguenze indesiderate (evitare effetti non previsti dell’allargamento all’intera organizzazione che possono avere un impatto negativo sull’idea originaria) e gestire i costi (valutare se i costi di un’idea continueranno a essere sostenibili man mano che cresce). Quest’ultima cosa è particolarmente rilevante per l’IA generativa, perché la sua adozione comporta investimenti non trascurabili in tecnologia, risorse umane e processi organizzativi.

Apprendimento strategico. I manager possono superare la paralisi decisionale spesso associata all’incertezza lanciando un processo di scoperta che consiste in piccoli esperimenti basati su ipotesi verificabili. Progettare gli esperimenti costringe i manager a focalizzarsi su interrogativi strategici e a elaborare un quadro generale per ragionare sui problemi in modo strutturato. Quando la Siemens ha iniziato la sua sperimentazione di organizzazione per prima cosa ha definito le ipotesi da sottoporre a verifica per cogliere l’impatto dell’IA generativa sulla produttività e il benessere dei lavoratori. Focalizzarsi su ipotesi specifiche ha consentito di arrivare a una definizione molto più chiara delle misure da raccogliere durante l’esperimento per individuare cambiamenti nei comportamenti (per esempio il tempo necessario per risolvere un problema), cambiamenti negli atteggiamenti (per esempio il livello di soddisfazione lavorativa) e, in ultima analisi, i risultati di produttività in fabbrica. Aderire al metodo scientifico ha consentito anche di farsi un’idea chiara sugli effetti primari e secondari dell’IA generativa nel comparto manifatturiero, per esempio se la nuova tecnologia può indurre i lavoratori a fare meno affidamento su ingegneri esperti. Complessivamente, questo processo ha aiutato Siemens a capire, in modo molto più ampio e accurato di quello che sarebbe riuscita a fare con una generica immissione di un nuovo prodotto, il percorso che porta dall’adozione della tecnologia alla creazione di valore.

LE SPERIMENTAZIONI DI ECOSISTEMA

Le sperimentazioni con l’IA generativa non avvantaggiano soltanto quelli che potrebbero adottarla. I più innovatori possono avere un ritorno dell’investimento ancora maggiore applicando le indicazioni raccolte per aiutare potenziali acquirenti a capire quali casi d’uso dell’IA generativa sono realmente importanti per loro, o quali ostacoli potrebbero impedire loro di integrare la tecnologia ai processi esistenti. Alcuni innovatori con un’ampia base di clientela stanno portando avanti la sperimentazione di nuove applicazioni di IA generativa al di fuori delle loro organizzazioni, per esempio attraverso partnership con acquirenti attuali o potenziali. In questi casi, gli innovatori orchestrano sperimentazioni di ecosistema.

Microsoft, per esempio, ha collaborato con un team di accademici per studiare l’adozione di Microsoft Copilot da parte di oltre 7.000 dipendenti in 66 aziende. Il team ha condotto un esperimento strutturato che assegnava licenze Copilot a un gruppo mirato di dipendenti e poi teneva traccia di come modificavano i loro comportamenti con la posta elettronica e le riunioni, confrontandoli con dipendenti che ricoprivano ruoli simili ma non avevano accesso a Copilot.

Dallo studio è emerso che i dipendenti che avevano usato Copilot avevano impiegato da 1,3 a 3,6 ore in meno a settimana per scrivere mail e avevano velocizzato la stesura di bozze di documenti, ma non avevano modificato i loro comportamenti nelle riunioni. Un’altra indicazione ricavata dallo studio è stata che per assicurare l’adozione dell’IA era fondamentale offrire formazione e creare un programma per gestire il cambiamento. Data la qualità e l’ampiezza dell’esperimento, i risultati probabilmente influenzeranno le decisioni che prenderà Microsoft in futuro rispetto al suo assistente IA.

Nello stesso filone, la piattaforma di software Grab attualmente sta collaborando con una squadra di accademici della Harvard Business School e dell’INSEAD per esaminare l’impatto dell’assistente IA su oltre un milione di imprenditori in sei paesi. L’ampiezza dell’esperimento consente alla Grab di vedere con precisione per quali mansioni l’IA risulta più utile e come viene utilizzata concretamente da diversi tipi di imprese sulla sua piattaforma. Questi dati consentono agli sviluppatori di prodotto dell’azienda di continuare a migliorare il modo di progettare, applicare e sperimentare con l’IA.

L’IA IN FABBRICA

Le società di software non sono le uniche che possono trarre beneficio da una sperimentazione di ecosistema con l’IA. Collaborando con numerosi clienti, la Siemens ha creato, secondo la sua definizione, un «assistente d’officina alimentato dall’IA generativa», che aiuta gli operai nella manutenzione e riparazione di macchine industriali. L’assistente IA fornisce accesso istantaneo a informazioni relative alle macchine contenute in documenti statici e a dati provenienti in diretta dalle macchine stesse, attraverso un’interfaccia conversazionale intuitiva. La Siemens ha messo a disposizione di utenti selezionati una prima versione di questo strumento, per aiutarli a capire come integrarlo nel loro lavoro quotidiano. Questi clienti, che vanno dai costruttori dei macchinari ai loro utilizzatori finali, hanno testato il prodotto minimo funzionante in una varietà di contesti operativi, all’interno di un insieme di esperimenti esplorativi pensati per far emergere indicazioni tecniche, organizzative e commerciali. Gli esperimenti aiutano la Siemens a migliorare e affinare il suo prodotto (per esempio parametrando la qualità delle risposte a differenti domande per trovare gli stili di prompting più efficaci e stabilire quali parti dei manuali devono essere migliorate). I clienti hanno abbracciato con entusiasmo questo approccio, vedendolo come un’opportunità per cominciare a provare lo strumento ora e prepararsi a quello che potrebbe fare una sua versione più potente in futuro.

La Siemens ha condotto il primo test del suo assistente d’officina nel 2024, nella sua fabbrica sperimentale a Erlangen, in Germania. (Tutti gli autori di questo articolo sono stati coinvolti nella sperimentazione.) Gli addetti alla manutenzione sono stati invitati a usare l’assistente IA durante riparazioni complesse di macchine costose. Queste riparazioni normalmente prevedono una serie di passaggi per individuare e sostituire pezzi rotti o usurati. Lo scopo degli esperimenti era verificare se l’assistente IA fosse in grado di snellire il processo fornendo analisi passo passo e istruzioni di riparazione ai lavoratori mentre svolgevano la loro mansione. I primi risultati – basati su questionari strutturati prima e dopo, abbinati a dati di prestazione granulari – mostrano che l’assistente IA ha ridotto il tempo necessario per trovare informazioni e ha aiutato i lavoratori a gestire le loro mansioni in modo più indipendente.

La sperimentazione ha fornito a Siemens una serie di importanti insegnamenti riguardo al suo assistente d’officina, e più in generale riguardo all’adozione e all’uso dell’IA da parte degli addetti alla produzione. Ecco quali sono:

Gli utilizzatori sono diffidenti finché non la provano. I tecnici della manutenzione alla Siemens inizialmente erano scettici sul loro futuro personale in una fabbrica potenziata dall’intelligenza artificiale, ma nel giro di poche settimane, dopo aver cominciato a usare l’assistente d’officina, hanno riferito di sentirsi più sicuri nel loro lavoro. Il motivo era che lo strumento, riducendo enormemente il tempo che impiegavano per trovare le informazioni, li lasciava liberi di dedicare più tempo a eseguire il lavoro importante, quello che solo loro erano in grado di fare.

È un prezioso strumento di apprendimento. Anche senza nessuna formazione preparatoria, gli utilizzatori iniziano rapidamente a usare l’assistente IA per comprendere meglio le macchine e le cause potenziali di incidenti ricorrenti. Questa cosa può trasformare radicalmente la formazione degli addetti alla produzione, che normalmente non prendono parte a sessioni strutturate per la condivisione delle conoscenze, come succede per i colletti bianchi. Inoltre, lo strumento permette loro di decidere autonomamente dove e quando imparare, senza più dover dipendere dal fatto di avere a portata di mano colleghi più esperti e dalla disponibilità di questi ultimi a fargli da maestri.

Mette i lavoratori nelle condizioni di affrontare lavori più complessi. Il fatto di poter gestire molti incidenti complessi con il supporto dell’assistente di fabbrica, per esempio, ha reso i tecnici della manutenzione meno dipendenti dagli ingegneri di processo. A loro volta, dovendo gestire un minor numero di richieste da parte degli addetti alla manutenzione, gli ingegneri di processo hanno più tempo per svolgere mansioni a maggior valore aggiunto, come l’ottimizzazione dei processi di produzione e gli aggiornamenti tecnologici.

Consente ai lavoratori di portare a termine il loro compito più facilmente. Nel periodo della sperimentazione, nel 2024, la Siemens ha ridimensionato significativamente il suo organico complessivo, per ragioni che non avevano a che fare con l’introduzione dello strumento di IA generativa. Anche se meno numeroso, il team è riuscito a mantenere stabile il suo rendimento, nonostante i membri spesso si trovassero a dover gestire gli incidenti da soli, senza la possibilità di chiamare rapidamente un collega per farsi dare una mano. Addirittura, hanno riferito di aver provato meno stress quando lavoravano solo con l’assistente IA, senza altro supporto.

Siemens sta sfruttando questa esperienza per mettere a punto una sperimentazione più ampia, randomizzata e con gruppo di controllo, per verificare l’impatto dell’assistente d’officina nei suoi stabilimenti e anche in clienti selezionati all’interno del suo ecosistema. Inoltre, le capacità sviluppate grazie alle informazioni ricavate da queste sperimentazioni hanno indotto l’azienda ad applicare metodi simili per testare se e in che modo la creazione di nuove professioni “ad alta intensità di IA” influenza la quantità e la qualità delle candidature per ricoprire ruoli vacanti.

COME IMPARARE A FARE ESPERIMENTI DI ORGANIZZAZIONE

Abbiamo descritto a grandi linee i numerosi benefici degli esperimenti di organizzazione, ma non vogliamo dire che siano una cosa facile da fare. Per implementarli nel modo migliore bisogna focalizzarsi su alcuni aspetti fondamentali.

Le esigenze del cliente. Il cuore del successo di qualunque esperimento con l’IA generativa sta in una comprensione profonda delle esigenze del cliente. Le organizzazioni devono focalizzarsi sulla risoluzione di problemi specifici, ad alto impatto. Le soluzioni sperimentali devono offrire evidenti possibilità di ritorno dell’investimento e un impatto potenziale formulato con chiarezza e verificabile. Per fare questo, è necessario condurre interviste approfondite con i clienti, per avere la certezza che le soluzioni proposte affrontino bisogni reali invece di limitarsi a offrire miglioramenti “carini da avere”. Se riescono a distinguere le cose che possono realmente fare la differenza (differenziatori strategici) dalle scomodità trascurabili, le aziende possono incanalare le loro risorse su esperimenti a forte impatto, evitando di sparpagliarle su tanti piccoli progetti pilota dalla rilevanza discutibile. È quello che ha fatto P&G nel suo esperimento: partendo da una conoscenza approfondita del tradizionale processo di innovazione di prodotto, l’azienda ha capito che un «compagno di squadra cibernetico» alimentato dall’IA generativa poteva aiutare a ridurre gli attriti che emergono spesso tra il reparto marketing e la ricerca e sviluppo (gli utilizzatori finali in questo caso), soprattutto nelle fasi iniziali dello sviluppo del prodotto.

Prototipi utilizzabili. Durante il processo di sviluppo di un prodotto, i team devono costruire prototipi iniziali che possano essere effettivamente usati e testati, dopo di che devono coinvolgere gli utilizzatori in una sperimentazione nel mondo reale, per poter migliorare in tempi rapidi i prototipi fino a quando sono pienamente pronti per essere lanciati sul mercato. In questo modo si costruisce fiducia e crescono le probabilità che gli esperimenti producano indicazioni concrete e risultati migliori. Questo approccio tratta l’IA generativa come un modo non per rimpiazzare i lavoratori, ma al contrario per aiutarli a svolgere meglio i loro compiti.

Una mentalità improntata all’apprendimento. Il tradizionale processo di sviluppo di un prodotto, che spesso procede lentamente ed è focalizzato su se stesso, non si presta particolarmente alle sperimentazioni con l’IA generativa. Per alimentare l’innovazione, le aziende devono abbracciare un approccio sperimentale, che coinvolga i clienti fin dalle fasi iniziali e preveda team interfunzionali che lavorano insieme in brevi fiammate per testare idee e raccogliere riscontri in tempi rapidi. Durante gli esperimenti con il suo strumento di IA generativa, la Siemens si è affidata a uno strumento già esistente chiamato Innovation Validation Engine, che assicura che tutto quello che fa l’azienda sia focalizzato su una rapida e pronta risoluzione di problemi reali della clientela. Questo approccio lascia un maggior controllo agli utilizzatori finali e assegna ai team la responsabilità diretta di produrre valore. Era esattamente quello che serviva alla Siemens per individuare, convalidare e sviluppare applicazioni di IA generativa in contesti industriali con velocità, precisione e allineamento al mercato.

Competenze in materia di sperimentazioni. Per applicare il metodo scientifico dentro un’azienda servono un insieme di competenze diverse. I team devono sapere come progettare e condurre esperimenti validi (elaborare ipotesi chiare e verificabili, stabilire le dimensioni appropriate dei campioni), come portarli avanti nel modo giusto e come fare in modo che non escano dai binari. I team devono anche essere in grado di analizzare i risultati, spiegare cosa significano e usare quello che esce per prendere decisioni. Sono tutte competenze che si trovano più facilmente in campo accademico, ed è il motivo per cui alcune aziende sono andate a cercare in quel mondo chi le aiutasse. Nel 2020, per esempio, Amazon ha assunto Justine Hastings, un’insigne economista del lavoro, per rendere operativa una sperimentazione su larga scala focalizzata sulle persone. Nel 2022 Walmart ha assoldato John A. List per farsi aiutare a testare ed espandere su scala più ampia una miriade di esperimenti in ambiti di ogni sorta, da strumenti di IA per attività promozionali a metodologie per le risorse umane. Altre aziende stanno allacciando rapporti con ricercatori universitari per sfruttare temporaneamente le loro competenze in materia di esperimenti, invece di assumerli direttamente: è quello che hanno fatto Google, GitHub e P&G per attuare gli esperimenti di cui abbiamo parlato in questo articolo.

Capacità di collaborazione. Per creare prototipi, sperimentare, scoprire e condividere conoscenze nel modo più efficace, le aziende che portano avanti sperimentazioni con l’IA generativa devono costruire collaborazioni attive con un insieme variegato di soggetti: fornitori, clienti ed esperti del settore, oltre che accademici. Il segreto è creare team che abbiano competenze e autorità sufficienti nel loro campo da progettare e realizzare esperimenti che vadano incontro alle esigenze dell’impresa, e poi fare in modo che comunichino adeguatamente con il team che si occupa dello sviluppo del prodotto. Soprattutto, se siete un dirigente che punta a rendere le sperimentazioni un elemento permanente dello sviluppo di prodotti strategici dell’azienda dovete far capire costantemente che l’apprendimento continuo e un processo decisionale fondato sui dati sono la cosa più importante per voi.

La sperimentazione rapida e rigorosa sta emergendo come un imperativo strategico nell’era dell’IA generativa. Le aziende che sviluppano la capacità di testare, imparare e adattarsi in tempo reale, al loro interno e nell’ecosistema di cui fanno parte, saranno in una posizione migliore per tradurre le potenzialità tecnologiche in vantaggio organizzativo. È questa la scomoda verità: mentre voi siete impantanati a discutere di quale strategia adottare per l’IA generativa, i vostri concorrenti forse si stanno già dando da fare per imparare con metodo sistematico cosa funziona e cosa no. Abbracciando la disciplina della sperimentazione, le imprese possono trasformare l’incertezza in una fonte di differenziazione strategica e così facendo dare forma al futuro del lavoro.

Johannes Berndt è senior project manager nella divisione risorse umane e strategia organizzativa della Siemens.Florian Englmaier è professore di Economia delle organizzazioni alla Ludwig-Maximilians-Universität di Monaco di Baviera. Raffaella Sadun è titolare della cattedra di Amministrazione aziendale alla Harvard Business School, copresidente del progetto Managing the Future of Work dell’università e presidente del board della Harvard Business Publishing. Jorge Tamayo è assistant professor presso l’unità Strategia della Harvard Business School. Nikolaus Von Hesler è responsabile globale della divisione risorse umane e strategia organizzativa della Siemens.