Sei un project manager o un PMO che sta preparando la prossima revisione di progetto e, intanto, ogni settimana arriva un nuovo annuncio sull'intelligenza artificiale: tool che "riscrivono" il project management, report che si generano da soli, previsioni automatiche, assistenti che promettono di farti risparmiare ore. La domanda che ti poni è legittima: di tutto questo, cosa regge davvero alla prova dei fatti?
Questo articolo prova a rispondere in modo onesto. Non troverai la promessa che l'AI farà il tuo lavoro al posto tuo: non è vera, e non è nemmeno il punto. Troverai una mappa pratica: cosa l'AI sa fare bene oggi, cosa non sa fare, come valutare uno strumento e quali rischi tenere d'occhio. Il criterio di fondo è uno solo: prima i dati verificabili, poi l'interpretazione.
Cosa l'AI sa fare bene oggi
Tre attività, se ben delimitate, funzionano davvero.
Riassumere. Un modello linguistico può leggere verbali, thread di posta e documenti di progetto e restituirne una sintesi ordinata: decisioni prese, azioni assegnate, scadenze. Il riassunto va sempre riletto — i modelli possono perdere dettagli o appiattire sfumature — ma elimina il lavoro più noioso: il primo passaggio su decine di pagine.
Strutturare. Da note sparse, dati grezzi e registri disordinati, l'AI può produrre una prima bozza di report, una checklist di rischi, un indice di argomenti per la revisione. La struttura è utile quando è trattata come un punto di partenza: la rifinitura, cioè decidere cosa è davvero rilevante, resta un lavoro umano.
Segnalare anomalie su dati strutturati. Su numeri veri e ben definiti — budget, avanzamento, scadenze, impegni — il lavoro più utile non è creativo ma statistico: confrontare i valori con soglie, tendenze e periodi precedenti e segnalare gli scostamenti da verificare. È l'unico tipo di analisi che si può controllare voce per voce, perché ogni segnalazione rimanda a un dato preciso.
La letteratura scientifica, peraltro, è cauta quanto basta: una survey sui modelli linguistici applicati alla pianificazione registra risultati notevoli su alcuni compiti, ma conclude che l'applicazione più ampia richiede ancora verifiche sistematiche. In una parola: promettente, non consolidato.
Cosa l'AI non può fare
Non può decidere al posto tuo. Un modello non porta la responsabilità della decisione, non ne subisce le conseguenze e non conosce i vincoli che non sono scritti da nessuna parte: la relazione con il cliente, la cultura dell'azienda, le promesse fatte a voce, la disponibilità reale delle persone. La decisione resta, per intero, del project manager e dello sponsor.
Non può sostituire il giudizio. Distinguere un ritardo accettabile da uno pericoloso, capire se un rischio è davvero mitigato, valutare se una persona è sovraccarica: sono giudizi che si formano sul contesto e sull'esperienza, non solo sui dati. L'AI può preparare il materiale per il giudizio; il giudizio no.
Non deve inventare dati. Qui sta il confine più importante. I modelli generativi possono produrre contenuti plausibili ma non veri: le cosiddette allucinazioni, un fenomeno ampiamente documentato nella ricerca (una survey dedicata ne ricostruisce tipi, cause e contromisure). In un report di progetto, un numero inventato ma verosimile è peggio di un dato mancante: sembra un dato, e viene usato come tale in una decisione.
Da qui il principio che, a mio parere, dovrebbe guidare ogni uso dell'AI nel project management: prima i dati verificabili, poi l'interpretazione. L'AI può lavorare sull'interpretazione solo dopo che i dati sono stati controllati; mai il contrario. Se il dato non esiste o non è verificato, l'interpretazione non parte.
| Attività | L'AI può aiutare? | Cosa resta al project manager |
|---|---|---|
| Riassumere verbali e documenti | Sì, con rilettura | Validare contenuti e decisioni |
| Strutturare report e checklist | Sì, come bozza | Scegliere cosa è rilevante |
| Segnalare anomalie su dati strutturati | Sì, in modo verificabile | Verificare i segnali e decidere le azioni |
| Produrre dati e stime | No: può inventarli | Produrre e validare ogni numero |
Come valutare un tool AI di project management
Prima di adottare uno strumento, cinque controlli, nell'ordine.
- Cosa è deterministico e cosa è generativo. Regole, soglie e calcoli devono essere deterministici e riproducibili: stessi dati, stessi risultati. La parte generativa deve essere dichiarata, separata e facoltativa.
- Da dove vengono i dati. Ogni numero del report deve risalire a una fonte precisa e verificabile. Se un numero non ha fonte, non è un dato: è una decorazione.
- Come segnala l'incertezza. Un buon strumento dice quando un dato manca o è vecchio, invece di riempire i buchi con valori plausibili.
- Chi controlla il risultato. Deve esistere sempre un passaggio di revisione umana tra il contenuto generato e chi decide. Se il tool non lo prevede, lo prevedi tu.
- Come tratta i dati personali. I progetti contengono dati su persone, costi e contratti: l'uso di strumenti di AI deve rispettare il GDPR, e il Garante per la protezione dei dati personali raccoglie indicazioni specifiche sul tema dell'intelligenza artificiale.
I rischi da tenere d'occhio
Il primo rischio sono le allucinazioni: numeri o fatti plausibili ma falsi, presentati con la stessa sicurezza dei dati veri. In una revisione di progetto, un solo numero inventato può inquinare una decisione che vale mesi di lavoro. In pratica: se un report generato contiene un numero che non sai verificare in trenta secondi, trattalo come un'opinione.
Il secondo è la dipendenza. Se il team smette di verificare perché "ci pensa il tool", il controllo di qualità crolla senza che nessuno se ne accorga. A mio parere questo è il rischio più sottovalutato: il danno non arriva dall'AI che sbaglia, ma dal controllo umano che si spegne lentamente.
Il terzo è l'opacità: accettare un risultato senza poter risalire a come è stato prodotto. Un report che non mostra le evidenze non è un report: è un'opinione con un formato migliore.
Nessuno di questi rischi è un motivo per non usare l'AI. È un motivo per posizionarla in un punto preciso della catena: dopo i dati verificati, prima della decisione umana.
Come si colloca ControlRoom
In ControlRoom il motore predefinito è deterministico: indicatori, soglie e calcoli sui dati di progetto sono riproducibili e verificabili. I report assistiti dall'AI sono un livello opzionale ancora in validazione: attivabile, ma distinto dal reporting principale e con le evidenze citate accanto a ogni affermazione. Oggi puoi vedere come funziona con una demo guidata gratuita. Il piano Free è in preparazione e includerà fino a 2 review AI valide per workspace a settimana e 3 export PDF/PPTX una tantum.
Se vuoi approfondire il ragionamento, puoi partire dall'analisi di processo per PMO in ricerca e sviluppo, dalla guida sulla project analytics o dalla pagina sull'AI per l'intelligence di processo.
Da questo principio discendono anche gli altri due articoli di questo percorso: le dieci domande di una revisione di progetto che decide e il rischio dei dati mancanti nei report.
Il prossimo passo
Prima di scegliere o scartare un tool, fai il test più semplice: chiedi di vedere da dove viene ogni numero del report. Se la risposta non è un dato verificabile, hai già la tua valutazione. Se vuoi vedere un'impostazione che tiene separati il deterministico e l'AI, inizia da una demo guidata gratuita di ControlRoom. E se la domanda è "in una revisione di progetto, dove sta l'AI?", la risposta è la stessa dei dati: aiuta a preparare, non a decidere.