Vai al contenuto
digitapulia
Apri il menu

Una parola alla volta

Intelligenza artificiale: che cosa nomina, e che cosa fa in ufficio

· 23 min di lettura

Ogni domenica una parola del nostro mestiere, spiegata a chi fa impresa. Questa settimana quella che si sente più di tutte, e che quasi nessuno prova a delimitare.

«Intelligenza artificiale» sta nell’offerta del gestionale, nel programma delle fatture, nel telefono nuovo, nelle mail dei fornitori. In ufficio ognuno la usa per una cosa diversa: per qualcuno è la chat che scrive le mail, per altri il programma che legge le bolle, per altri ancora una tecnologia da grandi aziende. Sentita dappertutto, la parola non dice quale lavoro dell’azienda le somiglia, e quale no.

Nel pezzo sui tre lavori da darle avevamo scritto che la domanda utile non è che cosa sia l’intelligenza artificiale, ma per che cosa la useremmo in azienda lunedì mattina. Questa domenica facciamo l’altra domanda, perché senza la sua risposta la prima si fa al buio: che cosa vuol dire, che cosa non è, come si riconosce in azienda, un esempio, e che cosa potete fare da lunedì.

Cosa vuol dire

Un nome, in una proposta del 1955

Il nome che usiamo traduce artificial intelligence, e sta nel titolo di una proposta di ricerca datata 31 agosto 1955: «A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence». La firmano in quattro: J. McCarthy, del Dartmouth College, M. L. Minsky, della Harvard University, N. Rochester, dell’IBM, e C. E. Shannon, dei Bell Telephone Laboratories. Chiedono uno studio di due mesi, con dieci persone, nell’estate del 1956, al Dartmouth College di Hanover, nel New Hampshire.

La proposta parte da una congettura: che ogni aspetto dell’apprendimento, o qualunque altra caratteristica dell’intelligenza, si possa in linea di principio descrivere con tanta precisione da poter costruire una macchina che lo simuli. Fra le cose da tentare mette il far usare il linguaggio alle macchine, e fra i problemi da studiare ce n’è uno intitolato «How Can a Computer be Programmed to Use a Language»: come programmare un calcolatore perché usi una lingua. Più di settant’anni dopo, è proprio la lingua la parte arrivata negli uffici.

La proposta non definisce la parola: la usa per nominare un problema, «the artificial intelligence problem». Lo descrive un elenco in fondo alla copia pubblicata, scritto dopo il progetto, delle persone che al progetto avevano partecipato o si interessavano al tema: il problema è quello di «making a machine behave in ways that would be called intelligent if a human were so behaving». Far comportare una macchina in modi che chiameremmo intelligenti se a comportarsi così fosse una persona. Il nome descrive un comportamento visto da fuori, non quello che succede dentro la macchina.

Un campo dell’informatica

McCarthy, uno dei quattro, in un testo per chi non è del mestiere rivisto nel novembre 2007, risponde in una riga alla domanda di questa puntata: la scienza e l’ingegneria del costruire macchine intelligenti, soprattutto programmi intelligenti. Nello stesso testo, alla domanda se l’intelligenza sia una cosa sola, risponde di no: è fatta di meccanismi, e la ricerca ha scoperto come far fare ai calcolatori alcuni di questi, e non altri.

È il primo significato della parola: un campo dell’informatica, non un prodotto. L’OCSE, nella nota che accompagna la sua definizione, elenca che cosa ci sta dentro: famiglie di tecniche, come il machine learning e gli approcci basati sulla conoscenza, e campi di applicazione, come la visione artificiale, l’elaborazione del linguaggio naturale e il riconoscimento del parlato. Aggiunge che le tecniche cambiano in fretta, e che probabilmente altre ne arriveranno. Sotto lo stesso nome stanno cose diverse; a un’azienda conviene conoscerne tre.

Le regole scritte da chi conosce il mestiere

La prima famiglia non impara dai dati. Gli orientamenti della Commissione europea sulla definizione di sistema di IA la descrivono così: sistemi che apprendono dalla conoscenza, cioè dalle regole, dai fatti e dalle relazioni codificati da esperti umani, e che su quella base ragionano per trarre conclusioni davanti a situazioni nuove. L’esempio che fanno è quello dei sistemi esperti di prima generazione per la diagnosi medica, costruiti mettendo per iscritto le conoscenze di molti medici.

In un’azienda servono dove la conoscenza si può scrivere, chi la possiede la sa dire, e le regole cambiano poco. Il loro limite è anche la loro forza: sanno quello che qualcuno ha scritto, e niente di più. Non vanno confusi con il programma che esegue una regola fissa, di cui diciamo più sotto: per gli orientamenti della Commissione le due cose stanno da due parti diverse del confine.

Il machine learning: le regole ricavate dagli esempi

La seconda famiglia le regole non le riceve: le ricava. Per l’OCSE il machine learning è un insieme di tecniche che permette alle macchine di migliorare le proprie prestazioni esponendole a dati di addestramento, in cui riconoscono regolarità, invece che seguendo istruzioni esplicite di una persona; quel processo si chiama addestramento. L’esempio degli orientamenti della Commissione è il filtro della posta indesiderata: lo si addestra su messaggi che qualcuno ha già segnato come spam o no, e poi classifica da solo quelli nuovi.

Serve dove ci sono molti esempi passati, spesso con la risposta giusta accanto, e dove la domanda di domani somiglia a quelle di ieri. Qui basta la definizione: anche la terza famiglia è costruita così.

I modelli di linguaggio, e gli altri generativi

La terza famiglia è quella che ha portato la parola in ufficio. Un modello di linguaggio è un programma addestrato su una quantità enorme di testo che, dato un testo, ne scrive il seguito più plausibile, un pezzo alla volta. Gli orientamenti della Commissione lo dicono con le parole del mestiere: i modelli linguistici imparano a prevedere il pezzo successivo di una frase. La nota dell’OCSE aggiunge che un testo generato si può vedere come una sequenza di parole scelte fra quelle che probabilmente compaiono in quel contesto.

Da qui viene quello che ne esce in un ufficio: riassumere un documento lungo, estrarre da una pagina i dati che servono, classificare una mail o una richiesta, scrivere la bozza di una risposta. Sono quattro lavori diversi, e lo stesso modello li fa tutti. Il regolamento europeo sull’intelligenza artificiale cita i grandi modelli generativi come esempio tipico di modello per finalità generali, capace di rispondere a un’ampia gamma di compiti distinti. In tutti e quattro i casi quello che esce è una bozza, e dietro la bozza c’è una persona.

Gli altri modelli generativi fanno lo stesso con altri materiali: immagini, audio, video. La nota dell’OCSE li mette nella stessa categoria di risultati, i contenuti, che dal 2023 compare apposta nella sua definizione. Esistono, ma in questa puntata parliamo di testo, perché è con il testo che lavora un ufficio.

Tre famiglie sotto lo stesso nome, e a che cosa servono in azienda

Regole scritte da espertiMachine learningModelli di linguaggio
Da dove vengono le regoleLe scrive chi conosce il mestiere: regole, fatti e relazioni messi per iscritto, su cui il sistema ragiona.Le ricava la macchina da molti esempi, durante l'addestramento.Ricavate da una quantità enorme di testo, imparando a prevedere il pezzo che viene dopo.
Che cosa serve per costruirloUn esperto che sappia dire quello che sa, e qualcuno che lo codifichi.Molti esempi passati, spesso con la risposta giusta accanto, come i messaggi già segnati come spam o no.Di solito un modello già addestrato, ospitato da un fornitore: il lavoro sta in quello che gli si mette intorno.
In azienda, dove serveDove la conoscenza si può scrivere, e cambia poco.Dove la domanda di domani somiglia a quelle di ieri.Dove c'è un testo da leggere o da scrivere: riassumere, estrarre, classificare, una bozza.
A che cosa stare attentiSa quello che qualcuno ha scritto, e niente di più.Vale quanto gli esempi su cui è stato addestrato.Scrive il testo più plausibile: anche quando è sbagliato, con lo stesso tono.

Regole scritte da esperti

Da dove vengono le regole
Le scrive chi conosce il mestiere: regole, fatti e relazioni messi per iscritto, su cui il sistema ragiona.
Che cosa serve per costruirlo
Un esperto che sappia dire quello che sa, e qualcuno che lo codifichi.
In azienda, dove serve
Dove la conoscenza si può scrivere, e cambia poco.
A che cosa stare attenti
Sa quello che qualcuno ha scritto, e niente di più.

Machine learning

Da dove vengono le regole
Le ricava la macchina da molti esempi, durante l'addestramento.
Che cosa serve per costruirlo
Molti esempi passati, spesso con la risposta giusta accanto, come i messaggi già segnati come spam o no.
In azienda, dove serve
Dove la domanda di domani somiglia a quelle di ieri.
A che cosa stare attenti
Vale quanto gli esempi su cui è stato addestrato.

Modelli di linguaggio

Da dove vengono le regole
Ricavate da una quantità enorme di testo, imparando a prevedere il pezzo che viene dopo.
Che cosa serve per costruirlo
Di solito un modello già addestrato, ospitato da un fornitore: il lavoro sta in quello che gli si mette intorno.
In azienda, dove serve
Dove c'è un testo da leggere o da scrivere: riassumere, estrarre, classificare, una bozza.
A che cosa stare attenti
Scrive il testo più plausibile: anche quando è sbagliato, con lo stesso tono.
Per gli orientamenti della Commissione europea le tre famiglie usano tutte tecniche di IA; cambia da dove vengono le regole, e quindi che cosa serve per farle lavorare in un'azienda.

Una categoria della legge

Il secondo significato è giuridico, e ha anche lui una storia. Il 22 maggio 2019 l’OCSE ha adottato una raccomandazione sull’intelligenza artificiale, il primo standard intergovernativo sul tema, con una definizione di sistema di IA. L’8 novembre 2023 l’ha aggiornata: fra l’altro, per chiarire che gli obiettivi di un sistema possono essere espliciti o impliciti, e che vale anche per i sistemi generativi, che producono contenuti. Il regolamento europeo del 13 giugno 2024 spiega, nel considerando 12, che la sua nozione di sistema di IA dovrebbe essere strettamente allineata al lavoro delle organizzazioni internazionali.

Il testo della definizione europea l’abbiamo riportato nel pezzo sui tre lavori, alla voce «Che cosa chiede la legge europea sull’IA»; lì manca un inciso, che il sistema «può presentare adattabilità dopo la diffusione». Qui conta come la si legge. Gli orientamenti che la Commissione ha pubblicato per aiutare a capire se un programma è un sistema di IA la dividono in sette elementi, e uno pesa più degli altri: la capacità di dedurre dall’input come generare un risultato, che per la Commissione è una condizione fondamentale e indispensabile che distingue un sistema di IA dagli altri programmi.

Che cosa resta fuori lo dice lo stesso considerando 12: la definizione non dovrebbe riguardare i sistemi basati su regole definite unicamente da persone fisiche per eseguire operazioni in modo automatico. Gli orientamenti ne fanno esempi che si trovano in molti uffici, e li vediamo più sotto, fra le cose che l’intelligenza artificiale non è.

Due avvertenze le scrive la Commissione stessa. Gli orientamenti non sono vincolanti, e solo la Corte di giustizia dell’Unione europea può dare un’interpretazione autorevole del regolamento. E la definizione non va applicata meccanicamente: ogni sistema si valuta per le sue caratteristiche, e un elenco completo di che cosa sia IA e che cosa no non si può scrivere. La stragrande maggioranza dei sistemi che rientrano nella definizione, aggiungono, non sarà soggetta ai requisiti del regolamento: quali obblighi restano, e da quando, lo dice il pezzo sui tre lavori.

L’Omnibus digitale sull’IA del 2026, che ha cambiato altre parti del regolamento, la definizione l’ha lasciata com’era: dell’articolo 3 ha riscritto il punto sui componenti di sicurezza e ha aggiunto le definizioni di PMI e di piccole imprese a media capitalizzazione. Che le regole, per ora, non siano chiare lo dicono anche le imprese sentite dall’Istat: nel 2025, fra le imprese con almeno dieci addetti che non usano l’IA ma ne hanno preso in considerazione l’uso, il 47,3% mette fra gli ostacoli la carenza di chiarezza legislativa, e il 58,6% la mancanza di competenze.

Una parola in più di settant'anni, dal progetto di ricerca alla legge

  1. 31 agosto 1955Quattro ricercatori propongono uno studio sull'intelligenza artificiale; fra i problemi da studiare, come far usare una lingua a un calcolatore.
  2. Estate 1956Il progetto estivo al Dartmouth College, nel New Hampshire: la proposta chiedeva due mesi e dieci persone.
  3. 22 maggio 2019L'OCSE adotta la raccomandazione sull'intelligenza artificiale, il primo standard intergovernativo sul tema, con una definizione di sistema di IA.
  4. 8 novembre 2023L'OCSE aggiorna la definizione: obiettivi espliciti o impliciti, e i contenuti dei sistemi generativi fra i risultati.
  5. In evidenza: 13 giugno 2024Il regolamento europeo sull'intelligenza artificiale definisce il sistema di IA, con una nozione che il considerando 12 vuole allineata al lavoro delle organizzazioni internazionali.
  6. 6 febbraio 2025La Commissione europea pubblica gli orientamenti sulla definizione: sette elementi, e i programmi che ne restano fuori.
  7. Luglio 2026L'Omnibus digitale sull'IA cambia altre parti del regolamento; la definizione di sistema di IA resta com'era.
Il nome compare come titolo di un programma di ricerca e diventa una definizione di legge: quella europea si allinea al lavoro dell'OCSE, e l'Omnibus del 2026 la lascia com'era.

In un’azienda, oggi

Il terzo significato è quello di tutti i giorni. Quante imprese italiane usano l’IA, e quale tecnologia usano di più, l’abbiamo riportato con i numeri dell’Istat nel pezzo su da quale processo si comincia: in testa c’è l’estrazione di informazioni dai documenti di testo, seguita dalla generazione di testi e immagini. Sono lavori sul testo, prima di tutto. Per questo, in un ufficio, la parola oggi indica soprattutto un modello di linguaggio, usato da solo o dentro un altro programma.

La stessa indagine aggiunge un numero che dice il problema di questa puntata. Fra le imprese con almeno dieci addetti che nel 2025 usano almeno una tecnologia di IA, il 33,4% non indica nessuna delle finalità aziendali proposte dal questionario, contro il 15,5% del 2024; per l’83,3% sono imprese da 10 a 49 addetti. L’Istat lo legge come un uso ancora iniziale e sperimentale, che non si riconduce a nessun ambito definito dell’azienda. Lo strumento c’è; il lavoro a cui serve, spesso, ancora no.

Un modello non è ancora uno strumento

Qui sta la differenza fra una prova che colpisce e uno strumento che regge il lunedì mattina. Il regolamento europeo fa una distinzione vicina nel considerando 97: i modelli di IA sono componenti essenziali dei sistemi di IA, ma non sono di per sé sistemi di IA, e per diventarlo hanno bisogno di altri componenti, per esempio un’interfaccia per chi li usa. Quello che si prova in una chat è il sistema che un fornitore ha costruito intorno al suo modello, per tutti. Quello che serve in ufficio è un sistema costruito intorno al vostro lavoro.

Gli orientamenti della Commissione fanno l’esempio di un assistente aziendale che risponde alle domande su un insieme di documenti. La sua finalità prevista, scrivono, si raggiunge non solo con il funzionamento interno del sistema, ma anche con altri fattori: l’integrazione in un flusso di lavoro più ampio, i dati che usa, le istruzioni per l’uso. E può chiedere che i documenti abbiano certi requisiti, e che le domande restino nel campo per cui l’assistente è pensato.

Detto per un ufficio, servono quattro cose che il modello non porta con sé:

  • i vostri documenti, perché quello che il modello ha imparato di solito resta fermo dopo l’addestramento, e del vostro listino di ieri non sa niente;
  • una regola scritta di che cosa è accettabile: quali dati, in quale forma, e che cosa va comunque a una persona;
  • una persona che controlla, con un nome e il tempo per farlo;
  • un corridoio fino ai vostri programmi, perché il risultato non vada ricopiato a mano.

L’ultima è un’integrazione: il corridoio fra due programmi, e le decisioni che lo tengono in piedi, sono il tema della puntata sull’integrazione. Una prova su tre documenti scelti da chi la fa non ha nessuna delle quattro, e per questo colpisce: il modello risponde come risponderebbe a chiunque. Come si prova un lavoro sui documenti veri, con i numeri scritti prima, l’abbiamo raccontato nel pezzo sui tre lavori.

La prova che colpisce e lo strumento del lunedì, voce per voce

La prova che colpisceLo strumento del lunedì
I documentiPochi, puliti, scelti da chi mostra la prova.I vostri: tutti quelli che arrivano in una settimana normale.
Che cosa è accettabileLo decide chi guarda, a occhio, in quel momento.Una regola scritta prima: quali dati, in quale forma, che cosa va comunque a una persona.
Chi controllaNessuno: basta che il risultato sembri giusto.Una persona con un nome, e il tempo per farlo.
Dove va il risultatoSu uno schermo, da cui andrebbe ricopiato.Nel programma dove serve, attraverso un corridoio costruito apposta.
Quando qualcosa non tornaNon succede: i casi difficili non c'erano.Va a una persona, invece di passare lo stesso.

La prova che colpisce

I documenti
Pochi, puliti, scelti da chi mostra la prova.
Che cosa è accettabile
Lo decide chi guarda, a occhio, in quel momento.
Chi controlla
Nessuno: basta che il risultato sembri giusto.
Dove va il risultato
Su uno schermo, da cui andrebbe ricopiato.
Quando qualcosa non torna
Non succede: i casi difficili non c'erano.

Lo strumento del lunedì

I documenti
I vostri: tutti quelli che arrivano in una settimana normale.
Che cosa è accettabile
Una regola scritta prima: quali dati, in quale forma, che cosa va comunque a una persona.
Chi controlla
Una persona con un nome, e il tempo per farlo.
Dove va il risultato
Nel programma dove serve, attraverso un corridoio costruito apposta.
Quando qualcosa non torna
Va a una persona, invece di passare lo stesso.
Il modello può essere lo stesso nelle due colonne: cambia quello che gli sta intorno. Il regolamento europeo lo dice così: un modello, da solo, non è ancora un sistema di IA.

Cosa non è

Non è un programma che sa le cose

Un modello di linguaggio non consulta un archivio di verità: produce il testo più plausibile. Per questo può scrivere una cosa sbagliata con lo stesso tono sicuro di una giusta; perché succeda, e come lo chiama il NIST, l’istituto americano degli standard, l’abbiamo raccontato nel pezzo sui tre lavori. Qui basta la conseguenza per la definizione: nel nome c’è «intelligenza», non «conoscenza». La nota dell’OCSE ricorda che, una volta in uso, questi sistemi di solito non hanno più accesso ai dati su cui sono stati addestrati.

Non è l’automazione

Automatizzare vuol dire far ripetere alla macchina una regola che qualcuno ha deciso, sempre allo stesso modo: se il peso supera una soglia, parte un avviso; se la fattura richiama un ordine, i due documenti si collegano. Con un modello di linguaggio c’è invece un testo da interpretare, ogni volta diverso, e un risultato che può essere sbagliato senza che niente si rompa. È il confine del considerando 12 che abbiamo letto sopra: le regole definite unicamente da persone, eseguite in modo automatico, stanno fuori dalla definizione.

Le due cose possono stare nella stessa riga di un preventivo, e sono lavori diversi, con rischi diversi. Sulla pagina di Consulenza Imprese, dove il lavoro del modello lo chiamiamo automazione che legge, lo diciamo con una frase che vale come misura: «L’automazione che legge è più potente e sbaglia di più, quindi si collauda prima di usarla.»

Non è ogni programma che si dice intelligente

Un’etichetta non fa un sistema di IA. Gli orientamenti della Commissione mettono fuori dalla definizione programmi che si trovano in molti uffici. Il database che trova i clienti che hanno comprato un certo prodotto nell’ultimo mese, e il foglio di calcolo senza funzioni di IA, sono elaborazione di base dei dati: regole fisse programmate da persone, senza apprendimento, ragionamento o modellizzazione in nessuna fase. Il cruscotto con le vendite medie per regione presenta i dati senza dire che cosa fare. La previsione che ripete la media del passato è un sistema di previsione semplice.

Possono essere ottimi programmi, e spesso sono proprio quelli che servono. Non sono quello che il nome promette, anche quando lavorano da soli.

Vale anche al contrario: un programma che non si presenta come IA può averne dentro un pezzo, per esempio un modello che legge gli allegati. Il nome sulla scatola dice poco in tutte e due le direzioni; quello che c’è dentro si chiede, con le domande della parte che segue.

Non è un collega che ha capito

Il nome, l’abbiamo visto, parla di un comportamento visto da fuori. Un modello di linguaggio scrive come scriverebbe una persona competente, e per questo si tende a trattarlo come un collega che ha capito la pratica. Del vostro lavoro, però, sa solo quello che sta nel testo che gli date. Chi conosce il cliente, il fornitore e l’eccezione dell’anno scorso resta una persona, ed è lei che deve accorgersi quando la macchina sbaglia: perché sia questo il criterio per scegliere i lavori lo spiega il pezzo sui tre lavori.

Come si riconosce in azienda

Per capire dove l’intelligenza artificiale c’entra con il vostro lavoro, e dove no, bastano alcune domande: alcune per chi il lavoro lo fa ogni giorno, altre per chi vi propone un prodotto.

C’è un testo da interpretare, o una regola da ripetere?

Prendete un lavoro che vi pesa e guardate che cosa lo rende lento. Se è leggere, una mail scritta a modo suo, un documento impaginato da altri, una richiesta in un’altra lingua, c’è un testo da interpretare, e lì un modello di linguaggio può preparare il lavoro. Se è ricopiare un dato che sta già scritto, in ordine, in un altro programma, c’è una regola da ripetere: serve un collegamento, non un modello, come raccontava la puntata sulle API.

La regola si scrive su un foglio?

Provate a scrivere quello che direste a una persona appena assunta per fare quel lavoro: che cosa cercare, dove, in quale forma va riportato, che cosa fare nei casi dubbi. Se la regola si scrive tutta e non lascia casi dubbi, è un’automazione. Se si scrive ma lascia casi da giudicare, è un lavoro da preparare con un modello e da far controllare. Se non si riesce a scrivere, non è ancora un lavoro da dare a una macchina.

Quale delle tre famiglie c’è nel prodotto?

Quando un’offerta dice «con l’intelligenza artificiale», chiedete quale delle tre famiglie: regole scritte da esperti, un modello addestrato su esempi, un modello di linguaggio. E chiedete che cosa deduce, e da quale input: è la condizione senza la quale, per la Commissione, un programma non è un sistema di IA. Se la risposta è una media, un filtro o una regola fissa, avete un programma come gli altri, presentato con un’altra parola.

Su quali documenti è stata fatta la prova?

Una dimostrazione che colpisce è fatta, di solito, sui documenti di chi la mostra. Chiedete se la prova è stata fatta sui vostri, quanti erano, e se fra loro c’erano anche quelli che in ufficio fanno perdere più tempo. Se no, avete visto il modello del fornitore, non lo strumento che usereste voi.

Chi legge il risultato prima che serva?

Per ogni risultato che lo strumento produce, chiedete chi lo legge prima che finisca in un documento, in una mail o nel gestionale. Se c’è un nome, e quella persona ha il tempo per farlo, il controllo c’è. Se la risposta è «nessuno, è automatico», il controllo non c’è, e nessuno ha deciso di toglierlo. È la domanda con cui chiude il pezzo sui tre lavori, fatta a chi vende.

Dove arriva quello che il modello ha letto?

Chiedete dove finisce il risultato: in una schermata da cui qualcuno lo ricopia, o direttamente nel programma dove serve. Se c’è da ricopiare, il lavoro a mano non è sparito: si è spostato di una scrivania. Il corridoio fino al programma è la quarta delle cose che il modello non porta con sé, e va progettato come tale.

Un esempio

Una casa di spedizioni al porto di Brindisi, immaginaria come tutte le aziende della rubrica: una quindicina di persone, che organizza il viaggio delle merci dei suoi clienti e ne tiene i documenti.

Come lavora oggi

Ogni giorno arrivano, per posta e in PDF, le fatture dei fornitori esteri, le liste di imballo con i colli e i pesi, i documenti di trasporto. Sono scritti in inglese, in tedesco, in greco, ognuno impaginato a modo suo. In ufficio tre persone li aprono uno per uno e ricopiano nei programmi dell’azienda mittente, destinatario, numero e data, descrizione della merce, colli, pesi e valori. Il lavoro si concentra nelle ore in cui arrivano le navi, e quando manca una delle tre si accumula.

La prova che ha colpito

Un fornitore di programmi mostra al titolare un assistente che, da una fattura in inglese, tira fuori in pochi secondi una tabella ordinata. La fattura è pulita, scelta per l’occasione, e la tabella è giusta. Il titolare torna in ufficio convinto. Il lunedì dopo, sulle scrivanie, ci sono sessanta documenti di venti fornitori diversi, due fotografie fatte con il telefono di un autista, una lista di imballo compilata a mano, e un programma in cui ogni dato va comunque ricopiato.

Nessuno ha mentito. La prova mostrava un modello, e il modello sa leggere. Mancavano le quattro cose che fanno di un modello uno strumento, e che il fornitore, in un’ora di dimostrazione, non poteva portare: i documenti della casa di spedizioni, la sua regola, la persona che controlla e il corridoio fino ai suoi programmi.

Che cosa è IA, e che cosa no

Nel lavoro di quell’ufficio il confine si vede bene. Leggere una fattura impaginata da un fornitore di Salonicco e capire quale numero è il peso lordo e quale il valore è un testo da interpretare: è il lavoro di un modello di linguaggio. Confrontare il peso della fattura con quello della lista di imballo, e avvisare se non tornano, è una regola che qualcuno ha deciso: è automazione, e non ha bisogno di un modello.

E le fatture elettroniche dei fornitori italiani della casa di spedizioni non vanno lette affatto: arrivano già come dati, e si importano con un collegamento, come raccontano la puntata sulle API e il pezzo su fattura elettronica e magazzino. Su tre tipi di lavoro, uno solo chiede l’intelligenza artificiale.

Il lavoro da preparare

Il lavoro che un modello potrebbe preparare è quello: per ogni spedizione, leggere fattura, lista di imballo e documento di trasporto e proporre la riga per il programma dell’azienda, che una persona conferma o corregge. È il secondo dei tre lavori del pezzo su che cosa dare all’AI, mettere in colonna quello che arriva in formato libero; qui conta che cosa servirebbe perché reggesse il lunedì.

Servirebbero i suoi documenti: le spedizioni di qualche settimana già lavorate a mano, con le righe che le persone hanno scritto, su cui misurare quanto il modello legge bene, come si prova il corridoio nella puntata sull’integrazione. Servirebbe una regola scritta: quali dati, in quale forma, quali documenti vanno comunque a una persona, come le fotografie e le liste compilate a mano, e che cosa si fa quando fattura e lista non tornano. Servirebbe una persona, la stessa che oggi ricopia, che confermerebbe le righe nelle ore in cui oggi le scrive.

E servirebbe il corridoio: dalla riga confermata al programma della casa di spedizioni, senza ricopiarla. Quali dati passano, chi comanda su ciascuno e dove aspetta una riga che non passa sono le decisioni della puntata sull’integrazione. Senza quel corridoio, il modello leggerebbe in pochi secondi un documento che poi qualcuno ricopierebbe lo stesso.

Che cosa resta a una persona

Resta tutto quello che la casa di spedizioni firma e di cui risponde ai clienti: le scelte che il mestiere chiede, il rapporto con chi spedisce e con chi riceve, il documento che non torna e la telefonata al fornitore per capire perché. Resta anche la decisione su quando il modello sbaglia troppo per essere usato, presa prima, sui documenti veri, e non a occhio il giorno della dimostrazione, come la soglia scritta prima nel pezzo sui tre lavori.

Che cosa cambierebbe

Le tre persone dell’ufficio leggerebbero ancora tutti i documenti, ma più in fretta: una riga proposta da confermare, invece di un documento da ricopiare. Le fotografie e le liste scritte a mano continuerebbero ad arrivare a loro, come oggi. E nelle ore delle navi il lavoro si accumulerebbe meno, perché la parte meccanica della lettura l’avrebbe già fatta la macchina.

Da lunedì

Le cose che seguono non chiedono di comprare niente. Bastano un foglio, una settimana normale e le persone che leggono i documenti.

Contate una settimana di lettura

Per una settimana, chi in ufficio apre documenti scritti da altri segna quali, quanti, e che cosa ne ricopia, con i minuti accanto, come nella settimana di misure del pezzo su quando Excel non basta più. Alla fine avete l’elenco dei lavori in cui c’è un testo da interpretare: i soli in cui un modello di linguaggio ha qualcosa da fare.

Separate la lettura dalla regola

Per ogni voce dell’elenco, dividete la parte che è lettura da quella che è regola: «capire qual è il peso» da «confrontarlo con l’altro documento». La seconda è un’automazione, e non ha bisogno di un modello. Spesso, tolta la regola, la lettura che resta è più piccola di quanto sembrava.

Mettete da parte i documenti veri

Scegliete il lavoro di lettura che pesa di più e conservate i documenti di una settimana normale, con accanto quello che le persone ne hanno ricavato. Sono i vostri documenti, la prima delle quattro cose, e il metro su cui misurare qualunque prova vi venga proposta: la vostra, non quella del fornitore.

Scrivete chi legge e dove va

Accanto a quel lavoro scrivete due righe: chi controllerebbe il risultato, e in quale programma il risultato dovrebbe arrivare. Se la prima riga resta vuota, il lavoro non è ancora da dare a una macchina. Se resta vuota la seconda, il lavoro a mano cambierebbe solo di posto.

Rileggete la prova che vi ha colpito

Se una dimostrazione vi ha già convinto, rileggetela con le quattro cose davanti: su quali documenti è stata fatta, con quale regola, chi controllava il risultato, dove andava. Quasi sempre la differenza con il lunedì sta lì, e non nel modello. Sulla pagina di Consulenza Imprese, fra le persone per cui è pensata la parte «AI e automazione», ce n’è una che di questa differenza si è già accorta: «Chi ha scoperto che un assistente AI generico, sulle carte dell’azienda, non sa rispondere».

Le fonti

Condivisione

Il servizio collegato a questo articolo: Consulenza Imprese

Tutti gli articoli