L'AI può velocizzare il resource planning, ma deve migliorare le evidenze disponibili invece di prendere decisioni autonome sulle persone. L'opportunità concreta è organizzare skill, disponibilità, domanda e storico, spiegando perché un profilo è adatto e quali informazioni mancano.
La differenza pratica fra un'implementazione utile e una decorativa sta in dove si colloca l'AI dentro il processo. Se sostituisce il giudizio del manager, produce una raccomandazione che nessuno sa difendere né davanti al cliente né davanti alla persona assegnata. Se invece prepara il materiale della decisione (chi è adatto, con quali evidenze, con quali lacune e con quali alternative), riduce a minuti un lavoro che oggi consuma un'intera mattinata fra fogli di calcolo, email e CV non aggiornati.
Questa impostazione risolve anche l'obiezione più comune del team. Nessuno contesta che un motore di ricerca capisca “React senior disponibile dal 15 con inglese di negoziazione”; ciò che genera resistenza è che un sistema decida da solo chi entra in un progetto che segnerà la carriera di qualcuno.
Definisci prima la decisione
Chiarisci chi può svolgere il lavoro, chi è disponibile, chi dovrebbe sviluppare una competenza e quali vincoli sono inderogabili. Traduci tutto in campi: ruolo, skill verificate, livello, lingua, sede, rate, continuità e conflitti.
Separa vincoli obbligatori da preferenze. Se ogni preferenza diventa filtro, il sistema esclude persone valide e replica abitudini non giustificate.
Un esempio tipico: il cliente chiede “cinque anni di esperienza” e il team lo traduce in un filtro rigido. Il risultato è che si scartano profili con tre anni ed esperienza diretta nello stesso settore, mentre entrano profili con cinque anni in un contesto irrilevante. Tratta l'anzianità come segnale pesato e riserva i filtri rigidi a ciò che è davvero obbligatorio: certificazione richiesta dal contratto, lingua indispensabile, permesso di lavoro, assenza di conflitto di interessi e disponibilità nella finestra del progetto.
Costruisci un modello di competenze mantenibile
L'inventario skill richiede vocabolario controllato, evidenza e data. Combina profili dichiarati, storia progetti, certificazioni e validazione manageriale. Una parola in un vecchio CV non prova una competenza attuale.
Evita centinaia di etichette sovrapposte. Parti dalle capacità che influenzano davvero lo staffing e crea un processo per sinonimi e nuove skill.
Un modello di competenze che punta a essere esaustivo dal primo giorno muore in tre mesi perché nessuno lo mantiene. Meglio partire da trenta o quaranta competenze che compaiono davvero nelle richieste dei clienti, ciascuna con livello, evidenza e data dell'ultima verifica, e allargare solo quando una decisione concreta si è bloccata per mancanza di un termine.
La data è la parte che quasi tutti dimenticano. Una skill senza data non distingue chi l'ha usata il trimestre scorso da chi l'ha toccata sei anni fa, e quella distinzione è esattamente quella che conta quando si propone un profilo a un cliente. Aggiungi anche chi ha validato il livello: autovalutazione, manager di progetto o certificazione esterna non hanno lo stesso peso, e mescolarle fa sembrare l'inventario più affidabile di quanto sia.
Unisci domanda, disponibilità ed economia
Usa una timeline comune per progetti firmati, domanda probabile, ferie, assegnazioni e date realistiche. Mostra fonte e confidenza: un contratto firmato è diverso da un'opportunità iniziale.
Considera bill rate, cost rate, margine e trasferta senza ottimizzare solo sul costo. Qualità, continuità e sviluppo contano: il sistema deve rendere visibili i trade-off.
Ottimizzare solo il margine della singola commessa degrada il sistema complessivo. Mettere sempre il profilo più economico disponibile produce, dopo pochi trimestri, un team senza esposizione a lavoro impegnativo, senior sottoutilizzati e un turnover silenzioso di chi voleva crescere. Un'assegnazione è insieme una decisione di business e una decisione di carriera, e il modello dovrebbe mostrare entrambe le facce: margine previsto, ma anche il fatto che la persona ripete lo stesso tipo di lavoro per la terza volta.
Usa l'AI per ricerca e scenari
Attività utili sono estrarre skill da profili autorizzati, trovare esperienze simili, riassumere conflitti e proporre scenari. Ogni risultato deve rimandare alle fonti e segnalare dati incerti.
Domande “what if” valgono più di un ranking: cosa cambia con partenza posticipata, senior part-time o supporto a un near-fit? Il modello di capacity planning offre la vista aggregata.
Nella pratica, un buon insieme di scenari per una richiesta di staffing ha questa forma: l'opzione ideale che probabilmente non è disponibile, l'opzione disponibile con una lacuna identificata e un piano per coprirla, l'opzione che rimanda l'avvio di due settimane per liberare il profilo giusto, e l'opzione mista che combina un senior part-time con qualcuno in crescita. Ognuna con il suo impatto su margine, rischio e sviluppo del team.
Presentata così, la conversazione con il cliente cambia natura: invece di negoziare su una proposta unica, si negozia su un compromesso esplicito fra data, profilo e prezzo.
Inserisci human review e governance
Assegna chi approva raccomandazioni e correzioni. Gli utenti devono contestare skill o vincoli errati. Registra input, output, scelta e motivazione quando la decisione influenza lavoro o opportunità di crescita.
Per usi ad alto impatto verifica norme applicabili con consulenti qualificati. Il NIST AI RMF e il portale AI della Commissione europea sono fonti primarie utili.
Conviene distinguere due usi con requisiti molto diversi. Cercare e riassumere informazioni su persone che già lavorano in azienda, per preparare un'assegnazione che un manager rivede, è un uso a basso rischio se esistono tracciabilità e diritto di rettifica. Valutare candidati esterni o influenzare decisioni di assunzione e promozione è un'altra categoria: lì documentazione, supervisione umana e verifica dei bias smettono di essere buone pratiche e diventano requisiti da validare con supporto legale in base alla giurisdizione.
Misura la qualità della decisione
Traccia tempo per una shortlist valida, riassegnazioni, correzioni dati, doppie prenotazioni e lead time di staffing. Confronta con la baseline e controlla se alcuni gruppi ricevono meno opportunità per proxy non pertinenti.
Non misurare il successo dai clic sulla prima raccomandazione: misura risultati, eccezioni e possibilità di correzione.
Un tasso di accettazione del 100% è un segnale d'allarme, non di successo: significa che nessuno sta rivedendo. Ciò che invece indica che il sistema funziona è che il tempo per arrivare a una shortlist difendibile si abbassa, che le correzioni si concentrano su dati concreti poi sistemati all'origine, e che diminuiscono le riassegnazioni a metà progetto.
Sequenza di rollout sicura
Inizia con ricerca read-only e spiegazioni, poi scenari e raccomandazioni con revisione obbligatoria. Automatizza attività amministrative a basso rischio solo dopo aver provato accuratezza, ownership e reversibilità.
Pilota su una practice con dati puliti e confronta vecchio e nuovo processo per più riunioni. L'AI guadagna fiducia quando chiarisce le evidenze, non quando nasconde il giudizio dietro un punteggio.
I dati che servono prima dell'AI
Nessuno strato di intelligenza compensa un inventario vuoto. Il minimo perché le raccomandazioni siano utili sono cinque insiemi: profili con skill datate e validate, calendario reale di disponibilità con assenze e orario, allocazioni correnti con percentuale di dedizione, domanda con ruoli e finestre temporali, ed economia per ruolo con tariffa di vendita e costo.
Se ne manca uno, la raccomandazione si degrada in modo prevedibile. Senza assenze, il sistema propone persone che saranno in ferie. Senza percentuale di dedizione, confonde chi è allocato al 20% con chi è libero. Senza date sulle skill, propone esperienza scaduta. Conviene sistemare i dati prima di ampliare le funzioni.
Come si misura se ne vale la pena
Confronta tre momenti dello stesso processo: prima, con ricerca assistita e con scenari completi. Misura ore di manager impiegate per preparare una proposta di staffing, numero di profili considerati rispetto a quelli davvero adatti, giorni dalla richiesta a una shortlist accettata dal cliente e percentuale di assegnazioni che restano invariate nel primo mese di progetto.
Quest'ultimo indicatore è il più rivelatore e il meno guardato. Un'assegnazione che salta dopo tre settimane è costata tempo commerciale, tempo di delivery e credibilità verso il cliente, e nasce quasi sempre da una decisione presa con informazioni incomplete e con fretta.
Scheda di valutazione del caso d'uso
Per ogni funzione AI registra scopo, utenti, dati utilizzati, output, decisione influenzata, possibile danno, revisore e modalità di correzione. Aggiungi test di accuratezza su profili reali autorizzati e casi limite, non solo demo selezionate.
Rivedi trimestralmente qualità, reclami e distribuzione delle opportunità. Sospendi o limita la funzione quando mancano dati, spiegazioni o competenze per una revisione significativa.