Perché l’IA costringe i responsabili di prodotto a riprogettare l’organizzazione, non solo il prodotto

Lukas Egger è VP della strategia e dell'innovazione di prodotto presso SAP Signavio. È anche il creatore del podcast Process Transformers.

Abbiamo parlato con Lukas per capire come l'IA stia cambiando il modo in cui guida la sua organizzazione di prodotto, oltre a come influenzi il prodotto stesso. Ecco cosa ci ha raccontato.

Distinguere il valore duraturo dal rumore

Sono Lukas Egger, VP della strategia e dell'innovazione di prodotto presso SAP Signavio. Il mio lavoro interseca la strategia di prodotto, la trasformazione aziendale e l'IA, in particolare il modo in cui le grandi organizzazioni possono trasformare le tecnologie emergenti in prodotti utili, affidabili ed economicamente significativi.

Il mio percorso fino a questo momento deriva meno da una singola “illuminazione sull'IA” e più da un interesse di lunga data per il modo in cui le organizzazioni danno un senso alla complessità. All'inizio della mia carriera ho lavorato nell'ambito dei dati, dell'analisi, dei prodotti e della strategia, e mi sono interessato sempre più al divario tra possibilità tecnologica e realtà organizzativa. Molte idee sembrano convincenti in una demo o in un prototipo, ma la vera prova consiste nel vedere se riescono a superare incentivi, governance, flussi di lavoro dei clienti, vincoli tecnici e adozione effettiva.

Vedo l'IA nella leadership di prodotto anche in questo modo. L'aspetto entusiasmante non è semplicemente che i modelli generino testo, codice, immagini o analisi. Il cambiamento più profondo è che l'IA sta modificando la struttura dei costi della cognizione all'interno delle aziende. Riduce il costo della creazione, del confronto, della sintesi, della simulazione e del coordinamento del lavoro. Questo ha implicazioni profonde per i team di prodotto, perché cambia non solo ciò che possiamo costruire, ma anche la velocità con cui possiamo testare le idee, il modo in cui comprendiamo i clienti, il modo in cui progettiamo i flussi di lavoro e il modo in cui definiamo il valore.

In SAP Signavio, dedico molto tempo a valutare come l'IA possa sostenere la trasformazione aziendale in un serio contesto aziendale. Ciò significa andare oltre le generiche dichiarazioni sulla produttività e porsi domande di prodotto più precise: quali nuovi problemi dei clienti diventano risolvibili? Quali flussi di lavoro migliorano concretamente? Dove crea l'IA un valore aziendale misurabile? Dove crea nuovi rischi? E come possiamo ridurre i rischi dell'innovazione in termini di desiderabilità, fattibilità, sostenibilità economica e accettabilità organizzativa?

Per i leader di prodotto, questo è un momento raro. L'IA non è solo un ulteriore livello di funzionalità. Ci sta costringendo a rivedere le nostre ipotesi sull'esperienza utente, sulla differenziazione, sulla velocità di distribuzione, sui dati, sulla fiducia e sul ruolo del software stesso. Il compito della leadership di prodotto non è quindi inseguire il caso d'uso dell'IA più rumoroso, ma costruire il giudizio, i sistemi e i modelli operativi che aiutino i team a distinguere il valore duraturo dal rumore.

Rendere più semplice il cambiamento

Per fare un po' di contesto, il mio team supporta LabSpace, un importante ambiente di innovazione rivolto ai clienti. L'idea semplice alla base di LabSpace è consentire ai clienti aziendali di entrare in contatto con l'innovazione in una fase iniziale, in sicurezza e con pochissimi ostacoli. Nel software B2B tradizionale, soprattutto nell'ambito dell'ERP e della trasformazione aziendale, il cambiamento è spesso costoso, lento e rischioso dal punto di vista operativo. LabSpace riduce questa barriera. Invece di chiedere ai clienti di affrontare subito un cambiamento impegnativo, creiamo uno spazio in cui possano esplorare come potrebbe essere un flusso di lavoro futuro migliore prima di impegnarsi nell'adozione, nell'implementazione o nella scalabilità.

La nostra organizzazione ha due tipi di utenti. Esternamente, i clienti lo utilizzano per comprendere cosa potrebbero significare per la loro attività le nuove funzionalità. Internamente, i team di prodotto, ingegneria e innovazione lo utilizzano per sottoporre le idee iniziali a un riscontro reale dei clienti senza trasformare prematuramente ogni esperimento in un impegno per un prodotto completo.

In questo senso, LabSpace è sia una vetrina sia un sistema di apprendimento. Ci aiuta a testare la desiderabilità, la fattibilità, la sostenibilità economica e l'adeguatezza organizzativa in modo molto più concreto. La portata è ampia: puntiamo a rendere l'innovazione accessibile all'intera base clienti di SAP Signavio, offrendo al contempo ai team interni un percorso ripetibile per passare dalle idee promettenti a una direzione di prodotto validata.

Il modello di distribuzione è volutamente leggero. Non costringiamo i clienti ad affrontare pesanti cicli di implementazione solo per sperimentare l'innovazione. Creiamo modalità strutturate e a basso rischio per interagire con nuove funzionalità, raccogliere riscontri e capire dove esiste un valore reale. La filosofia di prodotto più profonda è che il software aziendale non dovrebbe solo aiutare le aziende a cambiare; dovrebbe rendere più semplice l'atto stesso del cambiamento.

Come il modello di prodotto si sta ridefinendo con l'IA

Di recente abbiamo iniziato a ripensare il team minimo necessario per l'innovazione di prodotto nelle fasi iniziali.

Storicamente, persino arrivare a un primo concetto credibile nel software aziendale richiedeva spesso un piccolo gruppo interfunzionale: prodotto, progettazione, ingegneria, competenze di dominio e, talvolta, supporto in ambito dati o architettura. Questo aveva senso perché ogni ruolo comprendeva attività specializzate difficili da comprimere. Tuttavia, l'IA ha iniziato a scomporre questi ruoli in attività con livelli di automazione molto diversi.

Nell'ultimo anno, abbiamo visto il tempo necessario per passare dall'idea al primo concetto validabile dal cliente ridursi drasticamente. Oggi i responsabili di prodotto e gli ingegneri possono coprire autonomamente una parte molto più ampia delle prime fasi dell'innovazione: sintetizzare i segnali dei clienti, generare concetti alternativi, creare prototipi, esplorare casi limite, elaborare narrazioni e preparare conversazioni con i clienti più coerenti. Questo non elimina la necessità di competenze, giudizio o collaborazione interfunzionale, ma cambia il momento — e il motivo — per cui queste persone devono essere coinvolte.

Il risultato non è solo velocità o riduzione dei costi. Il cambiamento più interessante riguarda la titolarità. Gruppi più piccoli e, in alcuni casi, singole persone possono ora portare un'idea abbastanza avanti da generare apprendimenti significativi prima di riunire un team più ampio. Questo riduce i passaggi obbligati tra i diversi ruoli e offre alle persone con idee valide maggiore libertà di creare impatto.

Per me, questo è uno dei cambiamenti più entusiasmanti che l'IA abbia portato nel lavoro sui prodotti. Non stiamo semplicemente producendo più output secondo il vecchio modello. Al contrario, sta cambiando la forma stessa del modello: meno passaggi di consegne, cicli di apprendimento più rapidi e maggiore autonomia per le persone più vicine all'opportunità.

Come l'IA amplia la superficie decisionale mentre gli esseri umani decidono

Sempre più spesso ragiono meno in termini di “quale attività di prodotto utilizza l'IA?” e più in termini di “che tipo di decisione stiamo prendendo?”

L'IA sta diventando molto efficace nelle attività informative, generative, comparative o reversibili. Oggi supporta ampiamente le ricerche di mercato, le ricerche documentali, la sintesi dei segnali dei clienti, le analisi della concorrenza, le prime bozze di narrazioni, l'esplorazione di concetti, la definizione di prospettive alternative e persino l'ideazione dei primi prototipi. In molte di queste aree, l'IA non rende semplicemente il lavoro più veloce; cambia anche le aspettative di base riguardo alla quantità di contesto che un responsabile di prodotto o un team dovrebbe elaborare prima di prendere una decisione.

Presto molta più attenzione alle decisioni che richiedono giudizio in condizioni di reale incertezza. L'IA può fornire informazioni utili per queste decisioni, ma non dovrebbe esserne responsabile. La definizione delle priorità, la direzione della roadmap, i compromessi strategici, le promesse ai clienti, la logica dei prezzi, gli impegni organizzativi e le scelte tecnologiche richiedono ancora che gli esseri umani se ne assumano la responsabilità. Non sono semplicemente problemi di ottimizzazione. Coinvolgono informazioni incomplete, valori in conflitto, vincoli politici, fiducia dei clienti, tempistiche e conseguenze che non possiamo modellare completamente in anticipo.

In parole semplici: l'IA eccelle nell'ampliare la superficie decisionale. Può mostrare più opzioni, più prove, più controargomentazioni, più rischi e più schemi di quanti un team potrebbe generare autonomamente. Ma gli esseri umani devono ancora decidere che cosa conta, su che cosa vale la pena scommettere e quale rischio l'organizzazione è disposta ad assumersi.

Questa distinzione diventa ancora più importante man mano che i contenuti diventano più economici. Se ogni team può generare ricerche curate, strategie plausibili e narrazioni convincenti, la risorsa scarsa non è più il contenuto. È la fiducia. La leadership di prodotto riguarda quindi meno la produzione di un numero maggiore di materiali e più la costruzione del giudizio, della governance e della credibilità necessari per capire quali materiali meritino di essere trasformati in azioni.

Come l'IA può aiutare i responsabili di prodotto a migliorare la comunicazione con i team

Un flusso di lavoro basato sull'IA che utilizzo quasi ogni giorno non è un flusso di lavoro di prodotto classico, ma mi ha reso un responsabile di prodotto migliore: trasformare il pensiero non filtrato in una comunicazione che gli altri possano ascoltare.

La leadership di prodotto implica ambiguità, tensioni e feedback. A volte ho una reazione forte a qualcosa: una strategia, una proposta, una riunione, una decisione o uno schema che vedo emergere. In passato, traducevo immediatamente quella reazione in qualcosa di curato e diplomatico. Può essere utile, ma può anche farti perdere il segnale originale.

Ora utilizzo spesso l'IA come livello di traduzione. Per prima cosa raccolgo onestamente il mio pensiero grezzo: cosa mi frustra, cosa non funziona, quale sia il vero problema e quale compromesso stiamo evitando. Non invio questa versione a nessuno. È l'analisi privata e non filtrata.

Poi chiedo all'IA di aiutarmi a trasformarla in qualcosa di utile per il destinatario: un'e-mail, un messaggio Slack, un feedback su una riunione, un memo decisionale o una serie di domande. Il flusso di lavoro è: pensiero grezzo → analisi strutturata → comunicazione consapevole del destinatario → revisione umana → messaggio finale.

L'IA non sostituisce il mio giudizio; mi aiuta invece a preservare la verità del feedback eliminando al contempo l'eccessiva emotività. Mi permette prima di essere più onesto con me stesso e poi più efficace con gli altri.

Per i leader di prodotto, questo è importante perché il lavoro non consiste solo nell'avere l'analisi giusta. Consiste nell'aiutare gli altri ad ascoltarla, confrontarsi con essa e agire senza mettersi sulla difensiva. L'IA è diventata utile come ponte tra una reazione autentica e una comunicazione costruttiva.

Perché il lavoro sui prodotti basati sull'IA richiede un cambiamento organizzativo

Il lavoro sui prodotti basati sull'IA non è solo una sfida di prodotto o tecnologica. È una sfida di cambiamento organizzativo.

Trovare un piccolo gruppo di persone entusiaste dell'IA non è difficile. Nemmeno creare i primi prototipi è la parte più complessa. Gestire un'innovazione alla velocità dell'IA attraverso strutture di incentivi, modelli di governance, percorsi di approvazione e processi di distribuzione progettati per un'epoca del software diversa è molto più difficile.

Molte di queste strutture esistono per buone ragioni. Proteggono la qualità, la sicurezza, la coerenza, il marchio, la conformità e la fiducia dei clienti. Ma l'IA cambia radicalmente la velocità, l'ampiezza e le opportunità, quindi alcune di queste strutture possono diventare colli di bottiglia se le organizzazioni non le riesaminano.

Serve quindi un mandato non solo per acquistare strumenti, ma anche per formare le persone o sviluppare funzionalità basate sull'IA. Serve inoltre un mandato per cambiare il modo in cui il lavoro attraversa l'organizzazione: chi può sperimentare, come vengono valutati le decisioni e i rischi, come vengono integrati i feedback e quanto rapidamente un'idea può passare dall'esplorazione all'apprendimento da parte dei clienti.

Se lo avessi compreso più chiaramente prima, avrei dedicato ancora più tempo alle fondamenta “poco eroiche”: incentivi, autorizzazioni, modelli di revisione, cicli di apprendimento e fiducia organizzativa. Questo lavoro non crea sempre un momento di lancio spettacolare. Ma senza di esso, processi non progettati per la velocità dell'IA possono facilmente intrappolare l'innovazione basata sull'IA.

Avremmo inoltre potuto evitare parte delle difficoltà derivanti dal chiedere alle persone di innovare con l'IA, costringendole al contempo a passare attraverso vincoli operativi precedenti all'IA.

Perché i leader di prodotto devono riprogettare il flusso del valore

I leader di prodotto devono porsi domande difficili: dove fluisce il valore? Quali parti della superficie del prodotto rimangono preziose quando gli agenti diventano utenti? Quali flussi di lavoro diventano una commodity? Quali colli di bottiglia si spostano dalla creazione alla verifica, alla fiducia, all'integrazione e all'adozione? Strumenti come la mappatura Wardley e l'analisi dei flussi di valore diventano più importanti, perché ci costringono a vedere dove il prodotto e l'organizzazione potrebbero dover cambiare, non solo dove è possibile inserire l'IA.

Abbiamo riprogettato il modo in cui l'innovazione raggiunge i clienti. Storicamente, l'innovazione poteva facilmente concentrarsi in un team specializzato, quasi come un laboratorio esclusivo che riduceva i rischi delle idee per il resto dell'organizzazione. Questo può funzionare su piccola scala, ma l'IA cambia la portata dell'opportunità. Un piccolo team dedicato all'innovazione non dovrebbe svolgere un lavoro interessante sull'IA mentre tutti gli altri guardano. L'obiettivo è fare dell'innovazione una capacità organizzativa più ampia.

Questo significa creare sistemi in cui più persone possano confrontarsi con nuove idee, testarle con i clienti, imparare dai feedback e contribuire alla direzione del prodotto. In pratica, significa passare da “innovazione come team” a “innovazione come modello operativo ripetibile”.

Lukas States

Il risultato è più importante della sola velocità. Più persone possono partecipare e convalidare le idee prima, consentendo all’organizzazione di distinguere in modo più efficace il valore reale dalle demo impressionanti.

Il risultato è più importante della sola velocità. Più persone possono partecipare e convalidare le idee prima, consentendo all'organizzazione di distinguere in modo più efficace il valore reale dalle demo impressionanti. In vista di un futuro potenziato dall'IA, questo potrebbe essere uno dei ridisegni più importanti: non un'altra funzionalità, ma un sistema di prodotto che aiuti l'intera organizzazione a imparare più rapidamente.

Perché le organizzazioni di prodotto devono premiare nuovi comportamenti per ottenere il massimo dall'IA

Il divario più grande riguarda la progettazione degli incentivi.

Cambiare ciò che l'organizzazione premia è più difficile. Gli strumenti di IA sono facili da usare e trovare persone entusiaste è semplice. Se le persone sono ancora incentivate a proteggere confini di ruolo ristretti, evitare la sperimentazione, seguire percorsi di approvazione lenti e ottimizzare una distribuzione prevedibile, allora l'adozione dell'IA rimarrà superficiale.

L'IA crea valore quando le persone possono superare i confini, testare rapidamente e assumersi una maggiore responsabilità dall'inizio alla fine. Questo richiede autorizzazione, fiducia e incentivi in linea con il nuovo modo di lavorare.

La domanda quindi non è solo se le persone usano l'IA. La domanda migliore è se l'organizzazione premia i comportamenti che rendono utile l'IA.

Come la mancanza di contesto può ostacolare il ROI

Gran parte del valore aziendale dipende dalla conoscenza tacita: come vengono eseguiti i processi, dove si verificano le eccezioni, quali passaggi di consegne sono importanti, quali regole sono formali rispetto a quelle informali e dove gli incentivi organizzativi influenzano silenziosamente il comportamento. I sistemi, la documentazione o i dati spesso non riescono a catturare in modo chiaro questa conoscenza. Pertanto, quando le aziende aggiungono l'AI, l'AI può apparire impressionante a livello di interfaccia, ma non raggiunge necessariamente il cuore del modo in cui viene svolto il lavoro.

Questo è uno dei motivi per cui il ROI si è rivelato più difficile da ottenere di quanto molti si aspettassero. L'opportunità è reale e i costi dei modelli continueranno a diminuire, ma spesso il collo di bottiglia non è il modello in sé. Il collo di bottiglia è il contesto. Se l'organizzazione non ha reso comprensibili processi, decisioni, dati e responsabilità, l'AI ha una leva limitata.

Quindi, la mia delusione non deriva dal fatto che l'AI sia debole. È che l'AI ha messo in luce quanta conoscenza organizzativa le aziende non abbiano mai strutturato adeguatamente.

Lukas States

Se l’organizzazione non ha reso comprensibili processi, decisioni, dati e responsabilità, l’AI ha una leva limitata. Quindi, la mia delusione non deriva dal fatto che l’AI sia debole. È che l’AI ha messo in luce quanta conoscenza organizzativa le aziende non abbiano mai strutturato adeguatamente.

Perché non dovresti aggiungere l'AI a un prodotto come un elemento accessorio

I risultati negativi tendono a derivare dal trattare l'AI come un elemento accessorio. La versione più evidente consiste nell'aggiungere un'interfaccia di chat o di prompt a un flusso di lavoro esistente solo per dimostrare che l'AI è presente. Questo può creare una falsa promessa. Un'interfaccia basata su prompt suggerisce capacità aperte e indeterminate, ma il software aziendale di solito necessita di un'intelligenza circoscritta, governata e specifica per il flusso di lavoro. Quando ciò che l'AI sembra offrire supera le sue capacità effettive, la fiducia si deteriora rapidamente.

Non considero l'AI un mattoncino Lego che si può semplicemente attaccare a un prodotto. La considero più simile alla sostituzione di un giocatore in uno sport di squadra. Quando cambia un giocatore, cambiano anche la strategia, le interazioni, le dipendenze e le modalità di errore. Se non riprogetti il sistema circostante, potresti ottenere una demo impressionante, ma spesso crei maggiore complessità in seguito.

Le integrazioni migliori sono spesso quelle più discrete. L'AI aiuta gli utenti a muoversi più rapidamente, comprendere il contesto, prendere decisioni migliori o evitare attività inutili — senza richiedere loro di gestire l'AI come un elemento separato.

Perché i prodotti non vengono più progettati solo per gli esseri umani

I prodotti non vengono più progettati solo per gli utenti umani. L'AI introduce un nuovo tipo di utente: agenti, automazioni e attori software che interagiscono con i prodotti in modo diverso dalle persone.

Per decenni, i team di prodotto sono partiti dal cliente umano: i suoi obiettivi, problemi, flussi di lavoro, attenzione, pazienza e aspettative. Questo rimane essenziale. Tuttavia, in molti contesti aziendali, oggi progettiamo per un ambiente misto in cui esseri umani e agenti consumano, interpretano e utilizzano entrambi le funzionalità dei prodotti.

Questo modifica presupposti sottili ma importanti. Prendiamo qualcosa di semplice come la ricerca. Un tempo di risposta che a un essere umano sembra istantaneo può essere troppo lento per un agente che opera all'interno di un flusso di lavoro più ampio. Un elemento dell'interfaccia utente che aiuta una persona a comprendere il contesto può essere irrilevante per un agente, mentre diventano più importanti i metadati strutturati, la coerenza delle API, la gestione delle autorizzazioni, la tracciabilità e la semantica leggibile dalle macchine.

Quindi, il presupposto a cui ho rinunciato non è “progettare per gli esseri umani”. È “gli esseri umani sono gli unici utenti significativi”. L'AI aggiunge un nuovo tipo di utente con vincoli diversi: velocità, affidabilità, componibilità, osservabilità e accesso al contesto.

Tre consigli per i responsabili di prodotto che stanno implementando l'AI

Ecco i miei consigli per i responsabili di prodotto:

1. Non considerare l'AI come un'attività di approvvigionamento. Acquistare strumenti, aggiungere copiloti o implementare agenti non significa realizzare la trasformazione. La trasformazione consiste nel comprendere come l'AI modifichi la scomposizione del lavoro, i confini tra i ruoli, i passaggi di consegna nel flusso di lavoro e il modo in cui viene creato valore per i clienti.
2. Ottimizza l'efficacia prima dell'efficienza. L'AI non dovrebbe solo ridurre lo sforzo; dovrebbe aiutare i team di prodotto a risolvere problemi che in precedenza erano troppo lenti, troppo costosi o troppo complessi da affrontare. La domanda non dovrebbe essere soltanto: “Possiamo farlo a un costo inferiore?”. Dovrebbe essere: “Possiamo ora creare un risultato migliore che prima era irraggiungibile?”.
3. Misura risultati affidabili, non l'attività dell'AI. Contare prompt, token, copiloti, agenti o prototipi può facilmente trasformarsi in una messinscena della produttività. I responsabili di prodotto dovrebbero invece chiedersi: il cliente ha raggiunto il valore più rapidamente? Il flusso di lavoro è migliorato? I tempi di ciclo, la qualità, il rischio, la conformità o l'esperienza del cliente si sono mossi nella direzione giusta? Abbiamo preso una decisione migliore o abbiamo soltanto prodotto più artefatti?

In sintesi: l'AI dovrebbe spingere i responsabili di prodotto a diventare più ambiziosi, non semplicemente più efficienti. L'opportunità non consiste nell'aggiungere l'intelligenza al sistema esistente. L'opportunità consiste nel riprogettare il sistema affinché l'intelligenza possa creare valore responsabile, misurabile e duraturo.

Seguici

Puoi seguire il lavoro di Lukas Egger su LinkedIn e X. E non perderti il suo podcast, Process Transformers.

Presto arriveranno altre interviste con esperti su The CPO Club!