IA on the job: distribuire gli incarichi senza confondere equilibrio ed equità

Un assistente di IA può proporre una distribuzione di pratiche, clienti o progetti sulla base delle disponibilità dichiarate. La domanda manageriale è precisa: come verificare che questa distribuzione non concentri le opportunità di apprendimento sempre sulle stesse persone, con il pretesto di bilanciare il carico di lavoro?

Che cosa stabilisce la letteratura

Jason A. Colquitt (2001, Journal of Applied Psychology) fornisce riscontri empirici a sostegno di quattro dimensioni distinte della giustizia organizzativa: distributiva, procedurale, interpersonale e informativa. Il risultato ottenuto, il processo che lo produce, il trattamento delle persone e le spiegazioni fornite non costituiscono quindi un unico giudizio indifferenziato. Applicata a una distribuzione assistita dall'IA, questa distinzione invita a non considerare l'uguaglianza dei volumi di lavoro una prova sufficiente di equità.

Dimensioni della giustizia che non si sostituiscono

Jason A. Colquitt, Donald E. Conlon, Michael J. Wesson, Christopher O. L. H. Porter e K. Yee Ng (2001, Journal of Applied Psychology) mostrano, in una metanalisi, che queste dimensioni presentano relazioni in parte distinte con gli atteggiamenti e i comportamenti sul lavoro. Una spiegazione dettagliata e una distribuzione favorevole non sono dunque semplici sostituti. Per il management, ciò significa esaminare separatamente i criteri di assegnazione e il valore degli incarichi assegnati.

La conclusione affrettata

Se ne potrebbe dedurre che una distribuzione diventi equa non appena i suoi criteri sono espliciti e applicati in modo uniforme. Sarebbe una conclusione affrettata: un criterio come l'esperienza pregressa può favorire lo svolgimento affidabile di un incarico e, al contempo, riservare stabilmente gli incarichi formativi alle persone già esperte. Questo rischio è un'ipotesi da verificare nell'organizzazione, non un effetto dell'IA dimostrato dagli studi citati. (i nostri percorsi di formazione per quadri e collaboratori)

Che cosa i dati non permettono di concludere

Questi lavori riguardano la giustizia organizzativa, non l'assegnazione degli incarichi tramite IA generativa. Non consentono né di certificare l'equità di uno strumento né di stabilire il peso corretto da attribuire a disponibilità, competenza e sviluppo professionale. La verifica deve inoltre considerare le preferenze espresse e i vincoli effettivi: un incarico visibile non è automaticamente un'opportunità desiderata.

Una verifica pratica a Lugano

Nell'ambito di « IA on the job » di SHR, un esercizio potrebbe esaminare, nell'arco di un mese, tutti gli incarichi di un team che si prestano a una distribuzione assistita: pratiche bancarie, lanci nel settore della moda, relazioni con i fornitori nel commercio o progetti di una PMI familiare italofona. Prima della distribuzione, il responsabile e il team definirebbero in italiano che cosa costituisce un'opportunità di sviluppo, registrando poi per ogni incarico le persone idonee, le loro disponibilità, le loro preferenze e l'assegnazione finale. La misura sarebbe, per ogni persona, il numero di incarichi di sviluppo ricevuti diviso per il numero di quelli per cui era idonea, disponibile e interessata. Uno scarto non dimostrerebbe un'ingiustizia, ma offrirebbe una base verificabile per esaminare le ragioni delle assegnazioni, senza trasmettere dati dei clienti a uno strumento non autorizzato. Per approfondire: scoprite la formazione IA nel lavoro quotidiano a Lugano, oppure sfogliate i nostri percorsi di formazione per quadri e collaboratori in Svizzera.

In Bildern: IA nel lavoro quotidiano in Lugano

• ia nel lavoro quotidiano
• Lugano
• ricerca
• Weiterbildung lugano