IA on the job: cercare una causa o confermare una diagnosi?
Di fronte a uno scostamento qualitativo o a un ritardo di produzione, un assistente può proporre rapidamente una spiegazione coerente con la diagnosi del responsabile. La domanda utile è come utilizzare questa proposta per distinguere tra cause possibili, anziché rafforzare quella che sembra già evidente.
Che cosa stabilisce la letteratura
Peter Cathcart Wason (1960, Quarterly Journal of Experimental Psychology) ha studiato come i partecipanti individuano una regola a partire da sequenze di numeri. In questo compito, i partecipanti faticavano a scegliere prove capaci di escludere la propria ipotesi, anziché esempi compatibili con essa. Il risultato illumina una difficoltà della diagnosi: accumulare osservazioni concordanti non basta a distinguere la propria spiegazione da quelle concorrenti.
Una spiegazione che organizza la ricerca
Raymond Scott Nickerson (1998, Review of General Psychology) raccoglie studi sulla tendenza a cercare o interpretare gli elementi disponibili a favore di una convinzione o di un’ipotesi preesistente. Il meccanismo non riguarda quindi soltanto la conclusione raggiunta, ma anche le informazioni che si decide di raccogliere. Applicato a uno scambio con l’IA, invita a esaminare la richiesta iniziale: chiedere perché una regolazione abbia provocato un difetto non equivale a chiedere se ne sia la causa.
La conclusione affrettata
Se ne potrebbe dedurre che basti chiedere all’assistente un elenco di cause alternative. Diverse spiegazioni possono però restare compatibili con le stesse osservazioni, senza che elencarle faccia avanzare l’indagine. Occorre definire una verifica i cui risultati attesi differiscano a seconda delle ipotesi, per poi confrontare queste ultime con la realtà operativa. (i nostri percorsi di formazione per quadri e collaboratori)
Che cosa non dimostrano questi lavori
Queste pubblicazioni non riguardano gli assistenti generativi e non dimostrano che il loro utilizzo rafforzi sistematicamente il bias di conferma. Un compito sperimentale di scoperta di una regola e una rassegna della letteratura non consentono neppure di quantificare un effetto in un reparto produttivo. Nel programma «IA on the job», possono fondare un esercizio di diagnosi, ma non una promessa di riduzione degli errori.
Una verifica pratica a Friburgo
In un’azienda agroalimentare del tessuto industriale bilingue friburghese, un esercizio del programma potrebbe riguardare scostamenti qualitativi anonimizzati, eventualmente coinvolgendo un partner del polo universitario per discutere il protocollo. Per due settimane, ogni diagnosi elaborata con l’IA sarebbe accompagnata da due cause plausibili e da una verifica autorizzata i cui risultati attesi permettano di distinguerle, documentate in francese e in tedesco se necessario. La misura sarebbe la proporzione di casi per i quali tale verifica è stata effettivamente svolta e il suo risultato confrontato con le attese, sul totale dei casi esaminati durante l’esercizio. Questo rapporto misurerebbe una disciplina d’indagine, non l’accuratezza dell’IA né un miglioramento della qualità già dimostrato. Per approfondire: scoprite la formazione IA nel lavoro quotidiano a Friburgo, oppure sfogliate i nostri percorsi di formazione per quadri e collaboratori in Svizzera.
In Bildern: IA nel lavoro quotidiano in Friburgo
- ia nel lavoro quotidiano
- Friburgo
- ricerca
- Weiterbildung friburgo