Le opportunità dell’intelligenza artificiale diventano più comprensibili quando vengono collegate a un’attività concreta: preparare un documento, organizzare una richiesta o assistere un collaboratore nella ricerca di informazioni. Il punto non è inserire l’AI in ogni processo, ma capire dove valga la pena sperimentarla e come misurare il risultato.

Il 2025 richiamato nel titolo appartiene al contesto originario di questo articolo. Per leggere oggi quelle prospettive è più utile distinguere obiettivi, prove e risultati effettivamente osservati, evitando di presentare l’automazione completa come un traguardo inevitabile per tutte le attività.

Partire da un problema, non dal nome di uno strumento

Una sperimentazione può iniziare da una domanda semplice: quale passaggio richiede tempo, si ripete spesso e può essere verificato da una persona competente? Preparare una prima bozza di una scheda interna, per esempio, è un progetto diverso dall’autorizzare pagamenti o inviare comunicazioni ai clienti.

La proposta è scegliere un solo caso d’uso e descrivere il lavoro attuale: chi lo esegue, quali informazioni consulta, quanto tempo richiede e quali errori devono essere evitati. Questo riferimento iniziale permette di confrontare il processo esistente con quello assistito, senza confondere una dimostrazione interessante con un miglioramento già ottenuto.

Un percorso di prova leggibile

Consideriamo un esempio ipotetico: la preparazione di una risposta preliminare a una richiesta di assistenza. Nella prima fase si possono usare casi di prova e documenti approvati, mantenendo l’invio sotto il controllo dell’operatore. Il responsabile confronta poi la bozza con la richiesta originale e decide se correggerla, utilizzarla o scartarla.

La scheda di valutazione può registrare il tempo complessivo, le correzioni necessarie e le richieste per cui non è stato possibile proseguire. Sono criteri di progetto proposti, non risultati già misurati in Computer Technology né una descrizione garantita del comportamento di un modello.

Dati e autorizzazioni: prima le regole

Prima di collegare una soluzione a posta, documenti o gestionali, conviene definire quali dati sono necessari e quali operazioni sono ammesse. Una sperimentazione che consulta informazioni non richiede automaticamente anche il permesso di modificarle o inviarle all’esterno.

È utile distinguere almeno tre livelli: consultazione, preparazione di una bozza e azione effettiva. Per ciascuno vanno identificati il responsabile, le approvazioni previste e le modalità di verifica. Il NIST AI Risk Management Framework propone le funzioni Govern, Map, Measure e Manage come quadro per organizzare la gestione dei rischi lungo il ciclo di vita del sistema.

Persone, procedure e formazione

Un’introduzione ordinata richiede anche istruzioni comprensibili a chi utilizzerà lo strumento. Dove si inseriscono le richieste? Quali documenti si possono usare? Quando è necessario fermarsi e chiedere una verifica? A chi si segnala un risultato non utilizzabile?

La formazione può concentrarsi su questi passaggi e su esempi del lavoro quotidiano, invece di limitarsi a una presentazione delle funzioni. Il progetto dovrebbe inoltre prevedere un referente per le modifiche: quando cambiano strumenti, dati o responsabilità, è opportuno riesaminare le prove.

Il valore va dimostrato nel processo completo

Valutare soltanto la velocità con cui compare una bozza non basta. Occorre considerare preparazione delle informazioni, tempo di controllo, eventuali correzioni e attività rimaste manuali. Il quadro NIST per la gestione del rischio AI può essere un riferimento organizzativo; non è una certificazione del singolo progetto né una garanzia di conformità o di efficacia.

Un passo successivo ha senso quando le verifiche mostrano un beneficio sul caso d’uso concordato e le persone sanno come gestire le eccezioni. L’innovazione diventa così una sequenza di decisioni documentate: cosa provare, cosa mantenere e cosa lasciare sotto controllo umano.