Un processo davvero pronto per l’automazione non descrive soltanto che cosa deve accadere. Chiarisce anche chi può decidere, quali informazioni servono e quando è necessario fermarsi.
È una distinzione importante per le aziende che vogliono introdurre intelligenza artificiale e automazione nei propri workflow. Collegare applicazioni e velocizzare attività può migliorare l’operatività, ma non risolve da solo le ambiguità organizzative. Se una responsabilità è poco chiara o una regola viene interpretata diversamente da ogni reparto, la tecnologia rischia di amplificare il problema anziché eliminarlo.
Il passaggio decisivo è quindi trasformare la mappa dei processi in un sistema di regole operative, responsabilità e controlli verificabili. È qui che Business Process Management, Process Intelligence e AI governance devono incontrarsi.
Che cos'è la governance dei processi aziendali?
La governance dei processi è l’insieme di responsabilità, criteri decisionali, controlli e modalità di monitoraggio con cui un’organizzazione guida l’esecuzione e l’evoluzione dei propri processi. Non coincide con la sola documentazione: stabilisce come le regole vengono approvate, applicate, verificate e aggiornate.
In un processo automatizzato, significa poter rispondere a domande concrete: chi autorizza un’operazione? Quali condizioni consentono al sistema di procedere? Chi interviene in caso di errore? Come si verifica che il risultato sia coerente con gli obiettivi aziendali?
La governance non va aggiunta alla fine del progetto. Deve entrare nella progettazione del processo, insieme ai requisiti funzionali e alle integrazioni.
1. La mappa è il punto di partenza, non il traguardo
La mappatura rende visibili attività, attori, sistemi e passaggi di consegna. Consente di confrontare il modo in cui il processo è descritto con quello in cui viene effettivamente svolto e aiuta a individuare attese, duplicazioni e rilavorazioni.
Un diagramma, però, può indicare una fase di “approvazione” senza chiarire che cosa renda una richiesta approvabile. Può prevedere un “controllo dati” senza specificare quali fonti siano attendibili o che cosa fare quando le informazioni non coincidono.
Prima di automatizzare, questi elementi devono diventare espliciti. Per ciascun passaggio critico occorre definire almeno gli input necessari, il responsabile, la regola da applicare, l’esito atteso e la gestione dell’eccezione.
Non si tratta di disegnare più caselle. Si tratta di eliminare le ambiguità che, nell’operatività quotidiana, le persone risolvono attraverso esperienza, telefonate e accordi informali.
2. Separare il flusso delle attività dalle regole decisionali
La domanda “che cosa succede dopo?” è diversa dalla domanda “a quali condizioni possiamo procedere?”. Tenere distinte queste due dimensioni rende più semplice discutere e aggiornare il processo.
Il flusso descrive, per esempio, la ricezione di una richiesta d’acquisto, la verifica, l’approvazione e l’invio dell’ordine. Le regole stabiliscono invece quali verifiche effettuare, chi abbia la delega necessaria e quali condizioni richiedano un livello autorizzativo diverso.
Un riferimento utile è lo standard Decision Model and Notation (DMN) dell’Object Management Group, pensato per rappresentare decisioni e regole di business e progettato per essere complementare alla modellazione dei processi con BPMN. La distinzione aiuta business e IT a confrontarsi su criteri leggibili, anziché lasciare tutta la logica nascosta nel codice o nelle configurazioni. Non implica che ogni progetto debba adottare un motore decisionale dedicato: il primo obiettivo è rendere comprensibili e verificabili le regole.
Il modello, inoltre, non diventa automaticamente eseguibile: regole, autorizzazioni e controlli devono essere implementati e testati nei sistemi che gestiscono il workflow.
3. Decidere che cosa delegare all'automazione e all'AI
Non tutte le attività richiedono intelligenza artificiale e non tutte le decisioni sono adatte allo stesso livello di autonomia. Un criterio utile è distinguere quattro situazioni.
Attività deterministiche. Operazioni come verificare la presenza di campi obbligatori, inviare notifiche o trasferire informazioni possono essere gestite con regole esplicite e integrazioni tradizionali. Se il problema è risolvibile in modo semplice e verificabile, aggiungere AI non è necessariamente un vantaggio.
Attività assistite dall’AI. Classificare una richiesta, riassumere documenti o suggerire una risposta può supportare il lavoro delle persone. L’output rimane una proposta da valutare, non un’autorizzazione implicita ad agire.
Decisioni automatiche entro un perimetro definito. Il sistema può procedere quando sono soddisfatti requisiti approvati: dati completi, condizioni ammesse, autorizzazioni valide e assenza di anomalie bloccanti. Le condizioni devono essere controllate tecnicamente, non soltanto descritte nelle istruzioni date a un modello.
Eccezioni e decisioni a maggiore impatto. Richieste fuori standard, informazioni contraddittorie o operazioni difficili da annullare possono richiedere una valutazione umana prima dell’esecuzione.
Il livello di autonomia dovrebbe dipendere dall’impatto di un errore, dalla reversibilità dell’azione, dalla qualità dei dati e dalle evidenze raccolte nei test. Una risposta plausibile dell’AI non dimostra che l’azione proposta sia corretta o autorizzata.
4. Un esempio: governare una richiesta d'acquisto
Consideriamo uno scenario illustrativo, non un caso cliente: un’azienda vuole semplificare le richieste d’acquisto ricevute da reparti diversi, evitando passaggi manuali e approvazioni poco trasparenti.
La mappa iniziale prevede cinque fasi: richiesta, verifica, approvazione, creazione dell’ordine e aggiornamento dello stato. Per renderla operativa occorre definire che cosa avviene dentro ciascuna fase.
All’ingresso, il sistema controlla la presenza delle informazioni necessarie, come centro di costo, motivazione e categoria di spesa. L’AI può proporre una classificazione o sintetizzare gli allegati, ma i dati rilevanti devono essere verificati rispetto alle fonti aziendali disponibili.
Il workflow controlla quindi le condizioni previste dalla policy: disponibilità del budget, qualificazione del fornitore, deleghe e limiti autorizzativi. Quando tutte le condizioni del percorso standard sono soddisfatte, la richiesta segue l’iter approvato. In presenza di dati mancanti, incoerenze o richieste fuori perimetro, viene assegnata al referente competente, con una motivazione leggibile.
La creazione dell’ordine nell’ERP avviene solo dopo l’esito delle verifiche e delle autorizzazioni richieste. Se l’integrazione restituisce un errore o non conferma l’operazione, il processo deve gestire lo stato incerto prima di riprovare, evitando duplicazioni.
Il valore non sta soltanto nel ridurre i passaggi: sta nel rendere chiaro perché una richiesta ha seguito un determinato percorso e chi ne mantiene la responsabilità.
5. Human-in-the-loop: la supervisione deve essere effettiva
Prevedere un pulsante “approva” non basta a costruire una supervisione umana efficace. Chi interviene deve avere informazioni, competenze, tempo e autorità per valutare l’esito e modificarlo.
Una presa in carico utile dovrebbe mostrare la richiesta originale, le fonti disponibili, i controlli eseguiti, le anomalie e il motivo dell’escalation. Deve essere possibile correggere i dati, rifiutare la proposta o interrompere l’operazione, senza essere spinti a confermare automaticamente il suggerimento del sistema.
Anche l’assenza di risposta va progettata: chi riceve il sollecito? Dopo quanto tempo si attiva un sostituto? Quali attività rimangono sospese? Un’approvazione richiesta ma mai gestita crea un nuovo collo di bottiglia.
Il NIST AI Risk Management Framework offre un riferimento volontario per affrontare i rischi dell’AI attraverso le funzioni Govern, Map, Measure e Manage. La governance è trasversale e riguarda l’intero ciclo di vita, non una verifica iniziale isolata. Per l’azienda, il principio operativo è chiaro: ruoli, valutazioni e monitoraggio devono evolvere insieme al sistema.
6. Dai dati all'azione: il ruolo dell'integrazione
Una regola funziona soltanto se riceve informazioni adeguate e può produrre un esito coerente nei sistemi coinvolti. Un workflow che consulta dati non aggiornati o non riceve conferma dell’esecuzione può prendere decisioni formalmente corrette su una situazione ormai cambiata.
Per questo la governance dei processi richiede anche integrazione applicativa: fonti autorevoli identificate, controlli di qualità, gestione degli accessi e modalità esplicite per trattare errori, ritardi e indisponibilità.
Nel caso degli agenti AI è importante separare la capacità di proporre un’azione dal permesso di eseguirla. Accessi ai dati, strumenti utilizzabili e operazioni consentite devono rispettare autorizzazioni definite e controllate nei sistemi. Un’istruzione testuale all’agente non sostituisce questi vincoli.
Quando un servizio non è disponibile, il processo deve sapere se attendere, passare a una gestione manuale o fermarsi. Anche questo è parte del disegno operativo, non un dettaglio da rimandare al rilascio.
7. Tracciabilità e gestione delle modifiche
Per ricostruire un’esecuzione è utile collegare richiesta, dati rilevanti, versione delle regole, controlli svolti, esiti, approvazioni e azioni nei sistemi. Se interviene un componente AI, va identificata anche la versione del componente e la configurazione pertinente, nei limiti tecnicamente disponibili.
Registrare un evento, però, non equivale a spiegare integralmente il ragionamento di un modello. La tracciabilità deve documentare evidenze e passaggi verificabili, senza confondere una spiegazione generata dall’AI con una prova di correttezza.
Occorre inoltre definire chi può consultare le registrazioni, quali informazioni siano davvero necessarie e per quanto tempo conservarle, evitando la raccolta indiscriminata di dati sensibili.
La stessa attenzione vale per i cambiamenti: una nuova soglia, un diverso modello o un aggiornamento delle fonti possono modificare il comportamento del processo. Servono quindi un responsabile dell’approvazione, test sui casi rilevanti e una modalità di ripristino o sospensione se gli esiti peggiorano.
8. Quali KPI misurano un'automazione davvero efficace?
Contare le attività automatizzate non basta. Un processo più rapido può generare più rilavorazioni o spostare il carico su un altro reparto. Per valutare il risultato conviene combinare indicatori di efficienza, qualità e controllo.
• Tempo di attraversamento: durata tra l’avvio del caso e la sua conclusione, distinguendo lavorazione e attesa.
• Tasso di rilavorazione: quota di casi che richiedono correzioni o riaperture.
• Tasso di gestione automatica end-to-end: quota di casi conclusi senza interventi manuali, sul totale dei casi nel perimetro osservato.
• Tasso di eccezione: quota di casi usciti dal percorso standard, analizzata per causa.
• Qualità degli esiti: errori rilevati, loro gravità e impatto operativo.
• Efficacia della supervisione: tempi di presa in carico e frequenza delle correzioni umane alle proposte dell’AI.
• Rispetto delle regole: scostamenti dalle policy e tentativi di operazioni non autorizzate, distinguendo quelli bloccati da quelli effettivamente eseguiti.
Ogni indicatore richiede una definizione condivisa di perimetro, periodo e fonte dati. Il confronto va fatto rispetto a una situazione iniziale misurata e tenendo conto della complessità dei casi: automatizzare soltanto quelli semplici può migliorare una media senza risolvere i problemi principali.
9. Un percorso concreto per partire
Per impostare il lavoro può essere utile una scheda operativa in sei punti. Non è uno standard di certificazione, ma una traccia per allineare business e IT.
1. Obiettivo: quale risultato vogliamo migliorare e con quale misura iniziale?
2. Responsabilità: chi governa il processo, approva le regole e gestisce le eccezioni?
3. Decisioni: che cosa può essere automatizzato, che cosa richiede assistenza e che cosa resta alle persone?
4. Dati: quali fonti servono, con quali requisiti di qualità e aggiornamento?
5. Controlli: quali autorizzazioni, condizioni di arresto, escalation e modalità di ripristino sono necessarie?
6. Misurazione: quali KPI useremo e quando riesamineremo i risultati?
Si può quindi partire da un processo circoscritto, con responsabilità identificabili e dati disponibili. Prima dell’esecuzione autonoma, le proposte del sistema possono essere confrontate con le decisioni degli operatori, senza produrre effetti operativi. Il passaggio a un’autonomia maggiore deve dipendere dalle evidenze raccolte, non soltanto dal numero di casi elaborati.
Ampliare gradualmente il perimetro aiuta a verificare anche le eccezioni, i picchi di lavoro e i guasti, non solo il percorso ideale.
Il contributo di GN Techonomy: collegare processi, sistemi e misurazione
In GN Techonomy affrontiamo la trasformazione dei processi mettendo in relazione analisi organizzativa e competenze tecnologiche. Il nostro approccio al Process Mining e al miglioramento continuo parte dalla comprensione del contesto di business, prosegue con la misurazione dei processi attraverso i dati dei sistemi e arriva alla valutazione degli interventi e dei risultati.
Process Modeling, Process Mining, integrazione e automazione hanno ruoli complementari: il modello rende esplicito il disegno del processo, i dati aiutano a verificarne l’esecuzione, l’integrazione collega i sistemi e l’automazione interviene sulle attività individuate. Il Process Mining richiede registrazioni degli eventi adeguate: non sostituisce la conoscenza delle persone né rende automaticamente visibili le attività che non lasciano tracce digitali.
Questo approccio consente di affrontare anche l’introduzione dell’AI partendo dal processo e dalle decisioni da supportare, anziché dalla sola scelta dello strumento.
Vuoi capire quali passaggi del tuo processo possono essere automatizzati e quali controlli servono prima di introdurre l’AI? Confrontati con GN Techonomy per analizzare il contesto, individuare le priorità e definire un percorso coerente con i tuoi sistemi e obiettivi.
DOMANDE FREQUENTI
Qual è la differenza tra mappatura e governance dei processi?
La mappatura rappresenta attività, attori e passaggi. La governance definisce responsabilità, regole decisionali, controlli e modalità di aggiornamento. Una mappa è utile, ma da sola non garantisce che le regole siano applicate nei sistemi.
Serve sempre l’AI per automatizzare un processo?
No. Per attività con condizioni chiare e ripetibili possono bastare workflow e integrazioni tradizionali. L’AI va valutata quando può aggiungere valore, per esempio nell’analisi di informazioni non strutturate, considerando anche errori possibili e necessità di supervisione.
Quando una decisione deve passare a una persona?
Quando lo richiedono le regole del processo o emergono condizioni fuori perimetro: dati incompleti, anomalie, impatti rilevanti o azioni difficili da annullare. Criteri, destinatari e tempi di intervento vanno definiti prima del rilascio.
Come si verifica se l’automazione sta migliorando il processo?
Confrontando una situazione iniziale misurata con i risultati successivi, sullo stesso perimetro. Tempi, rilavorazioni, qualità degli esiti, eccezioni e rispetto delle regole vanno letti insieme: la sola velocità non misura il valore.
La domanda, in definitiva, non è quante attività possiamo affidare alla tecnologia. È se abbiamo definito abbastanza bene obiettivi, regole e responsabilità da poterne governare gli effetti.
