Le roadmap AI vogliono mappe dei task

Molte discussioni sulle roadmap AI partono da un livello troppo alto. Un founder chiede se il supporto, le vendite, la finanza, la ricerca o l’engineering possano essere automatizzati. Un product lead chiede quale ruolo verrà trasformato per primo dall’AI generativa. Sono domande comprensibili, ma troppo grossolane per decidere cosa costruire.

Un ruolo è un contenitore di attività diverse. Dentro lo stesso ruolo ci sono task ripetitivi, task di giudizio, task di relazione, task di controllo e task che esistono solo perché un sistema precedente è scomodo. La tesi è questa: le roadmap AI hanno bisogno di mappe di esposizione dei task. Prima di scegliere automazione, augmentation o niente AI, un team prodotto deve elencare i task reali di un workflow, stimare quanto siano esposti alla GenAI, indicare quale input umano resta necessario, chiarire la conseguenza dell’errore e decidere il tipo di rollout.

I ruoli sono troppo grandi per decidere la roadmap

Un job title funziona in un organigramma, non in una roadmap AI. Un customer success manager può scrivere email di follow-up, riassumere call, capire il rischio di rinnovo, negoziare eccezioni, aggiornare il CRM e gestire un cliente irritato. Alcuni di questi task sono linguistici e ripetibili. Altri richiedono contesto, fiducia, timing o autorità. Trattare il ruolo come un unico bersaglio di automazione cancella la forma reale del lavoro.

L’Organizzazione internazionale del lavoro arriva a una distinzione simile su scala macro. L’aggiornamento 2025 su GenAI e lavoro raffina le stime di esposizione con analisi a livello di task, input di esperti e previsioni di modelli AI, coprendo quasi 30.000 attività e raggruppando le professioni in quattro gradienti di esposizione. Il rapporto sottolinea anche che, dato il bisogno continuo di input umano in molte occupazioni, l’esito più probabile è la trasformazione del lavoro, non la sostituzione semplice. La lezione per chi costruisce prodotti è diretta: non progettare contro i ruoli quando la tecnologia entra dai task. Vedi la nota OIL, Intelligenza artificiale generativa e lavoro.

Il problema è che i team prodotto amano le etichette sintetiche. “Automatizziamo l’onboarding.” “AI per il supporto.” “Analista AI.” Ogni frase comprime un workflow complicato in un tema di roadmap. La sintesi aiuta nelle slide, ma può diventare pericolosa in delivery. Se salti il livello dei task, rischi di spedire AI nel punto sbagliato, misurare il denominatore sbagliato e scoprire troppo tardi che il modello è bravo sul testo visibile ma debole sulla decisione nascosta.

Cosa contiene una mappa di esposizione dei task?

Una buona mappa deve stare in una pagina. Non serve un framework enorme. Servono cinque colonne.

La prima è il task, scritto in linguaggio operativo. “Preparare il riepilogo settimanale della pipeline” è meglio di “reporting commerciale”. “Bozza di risposta per rimborso usando policy e storico ordine” è meglio di “automazione supporto”. Il task deve essere abbastanza piccolo da poter essere osservato mentre accade.

La seconda è l’esposizione. Puoi usare livelli semplici: bassa, media, alta, molto alta. Esposizione non significa “si può automatizzare in sicurezza”. Significa che il task contiene pattern che i sistemi GenAI possono eseguire o supportare, come scrivere, riassumere, classificare, trasformare, estrarre, confrontare o generare varianti.

La terza è l’input umano richiesto. È la colonna che molti backlog AI dimenticano. Che cosa deve fornire una persona perché il modello sia utile? Contesto? Diritto di approvazione? Storico cliente? Gusto? Giudizio di policy? Vincoli negoziali? Se l’input umano è pesante, il prodotto corretto probabilmente è un co-pilot, non un lavoratore autonomo.

La quarta è la conseguenza dell’errore. Un riassunto debole in una nota interna è fastidioso. Un rifiuto di rimborso sbagliato può rompere la fiducia. Una risposta inventata su compliance può creare esposizione legale. Un consiglio medico, finanziario o di sicurezza sbagliato può essere inaccettabile. La conseguenza cambia il rollout anche quando l’esposizione è alta.

La quinta è la decisione di rollout: automatizzare, aumentare, mettere un gate o fermarsi. Automatizza solo quando l’esposizione è alta, il giudizio umano è basso e l’errore è recuperabile. Aumenta quando il modello riduce fatica ma la persona resta proprietaria della decisione. Metti un gate quando il modello può agire solo dopo controlli, approvazioni o soglie. Fermati quando il task non è maturo, i dati sono poveri o la conseguenza è troppo alta.

Questa logica completa il principio per cui la scelta dei modelli parte dai task. Il portafoglio di task aiuta a capire quali capacità del modello contano. La mappa di esposizione decide dove quelle capacità entrano nel workflow.

Dove conta ancora l’input umano?

La parte difficile non è trovare task esposti. La parte difficile è capire se il contributo umano sia marginale o essenziale. Un modello può scrivere la bozza di una email di rinnovo, ma l’account owner può sapere che il cliente è irritato per un disservizio recente. Un modello può riassumere un’intervista di ricerca, ma il product manager può cogliere una contraddizione che cambia la priorità. Un modello può classificare ticket in ingresso, ma il support lead può sapere che un cliente strategico richiede una corsia diversa.

L’input umano conta in quattro momenti. Conta prima del task, quando la persona inquadra l’obiettivo. Una richiesta vaga può produrre un output plausibile ma inutile. Conta durante il task, quando la persona intercetta contesto mancante, assunzioni sbagliate o tono fuori posto. Conta dopo il task, quando decide se agire. Conta attorno al task, perché policy, incentivi, relazioni e norme interne influenzano cosa significhi “buono”.

Per questo la mappa non dovrebbe essere scritta solo dal team AI. Porta nella stanza chi fa il lavoro, il product owner, un responsabile operativo e qualcuno che capisce il rischio. Fatevi raccontare un caso reale, non il flusso ideale. Dove si è fermata la persona? Che informazioni ha cercato? Che cosa sapeva ma non ha scritto? Che cosa renderebbe costoso un output sbagliato?

Quelle risposte sono requisiti di prodotto. Definiscono campi di contesto, gate di approvazione, fallback, log di audit e corsie di escalation. Evitano anche l’errore più comune: trasformare ogni task esposto in una feature guidata dal modello.

Dall’esposizione alla scelta di rollout

Un item di roadmap non dovrebbe dire “aggiungere AI al triage supporto”. Dovrebbe dire: “Per domande di billing a basso rischio, classificare il ticket, recuperare la policy rilevante, preparare una bozza e richiedere approvazione dell’agente nella prima release”. In una frase ci sono task, confine, input umano e scelta di rollout.

Qui entrano anche i milestone. Una demo può far sembrare risolto un task esposto, perché il percorso felice è facile da mettere in scena. La produzione mostra edge case, permessi mancanti, input ambigui e utenti arrabbiati. Prima che una feature maturi, collega la mappa a gate di release come quelli descritti in i milestone AI vogliono gate, non ottimismo. Un task ad alta esposizione e bassa conseguenza può passare da un gate leggero. Un task ad alta conseguenza richiede prove, review e rollback più severi.

Anche la misurazione deve seguire la stessa logica. Non chiedere solo quante persone hanno usato la feature AI. Chiedi quanti task eleggibili esistevano, quanti sono stati mandati all’AI, quanti hanno richiesto editing umano, quanti sono stati escalati e quanti hanno generato rilavorazione. È una disciplina vicina a quella delle metriche AI con mappe dei denominatori. Senza il denominatore corretto, l’adozione può far sembrare importante un assistente stretto, oppure nascondere una feature utile perché il volume eleggibile è piccolo ma prezioso.

Una regola pratica aiuta. Se esposizione è alta, input umano basso e conseguenza dell’errore bassa, testa automazione. Se esposizione è alta ma il giudizio umano conta, progetta augmentation. Se esposizione è media e conseguenza alta, usa AI solo per preparazione, retrieval o bozza dietro un gate. Se esposizione è bassa, non forzare il modello nel workflow solo perché la roadmap vuole una voce AI.

Mappa un workflow prima di aggiungere AI

Scegli un workflow questa settimana. Non un reparto, non una famiglia professionale, non un tema strategico. Scegli un flusso con passaggi visibili: supporto in ingresso, intake dei contratti, sintesi di feedback prodotto, qualificazione lead, triage QA o onboarding.

Elenca dieci task nell’ordine in cui avvengono. Per ogni task compila le cinque colonne: task, esposizione, input umano, conseguenza dell’errore, decisione di rollout. Poi cerca il primo punto stretto in cui l’AI può ridurre fatica senza fingere di possedere tutto il lavoro. Quello è il primo item di roadmap.

Non è un invito alla prudenza fine a se stessa. È un invito alla precisione. I prodotti AI diventano utili quando entrano nel lavoro al task giusto, con il confine giusto e con il ruolo umano giusto. Una mappa di esposizione rende quella scelta visibile prima che il team spenda un trimestre a costruire il tipo sbagliato di automazione.