Ogni metrica di questo libro poggia su un presupposto: produrre ciò che si conta richiede uno sforzo reale. Un ticket risolto rifletteva lavoro. Un articolo scritto rifletteva conoscenza. Una modifica integrata rifletteva cura. L'IA generativa indebolisce questo presupposto. Può redigere in pochi secondi una risposta, un articolo, un test o un blocco di codice, e ciò che redige è spesso plausibile e a volte sbagliato. I conteggi salgono. Se le persone servite stiano meglio è una domanda distinta, a cui i conteggi non sanno rispondere.

L'IA aggiunge inoltre nuove cose da misurare. Gli assistenti conversazionali e gli agenti che agiscono per conto dell'utente richiedono misure di risoluzione, di passaggio di consegne e del danno causato da azioni errate. La governance di modelli, prompt e fornitori richiede misure di copertura, controllo e gestione degli incidenti. E le persone che lavorano accanto a questi strumenti hanno bisogno che le loro competenze, la loro comprensione e il loro ritmo sostenibile siano protetti. Le misure di questa parte attingono al resto del libro, perché le salvaguardie sono le stesse: abbinare ogni metrica a un controllo su ciò che potrebbe nascondere, confrontare con una base di riferimento, campionare insieme alle persone e tenere i dati sulle persone fuori dalla valutazione (si veda l'argomento 1.2 «La legge di Goodhart e la psicologia delle metriche»).

Le modalità di lavoro agili e quelle di ITIL offrono un atteggiamento sensato verso tutto questo. Si tratti ogni uso dell'IA come un piccolo esperimento. Si dichiari il beneficio atteso, lo si provi con persone disponibili, lo si confronti con un lavoro analogo svolto senza IA e si decida sulla base delle evidenze. Si mantengano gli stakeholder coinvolti in modo continuo, perché sono i primi ad accorgersi quando il segnale si degrada. Si miri a un ritmo sostenibile, così che il tempo risparmiato sia una scelta a favore della qualità e dell'apprendimento, non un aumento automatico della domanda. E si ricordi l'obiettivo di costruire il lavoro attorno a individui motivati: l'IA dovrebbe sollevare dal lavoro tedioso e rispettare il giudizio delle persone, e non dovrebbe diventare un modo per sorvegliarle.

I fatti relativi a strumenti, prodotti e regole dell'IA cambiano rapidamente. Le affermazioni di questa parte su normative, standard e strumenti specifici sono datate a ottobre 2026 e il lettore dovrebbe ricontrollarle. I principi di misurazione sono più duraturi di qualsiasi tecnologia descritta.

Argomenti di questa parte

  • 10.1 L'IA nella misurazione della gestione dei servizi: dove l'IA entra nel lavoro, basi di riferimento prima dell'adozione, confronti, tempo necessario per un risultato verificato e costo complessivo.
  • 10.2 Misurare il lavoro assistito dall'IA: persistenza, rilavorazione, carico di revisione, difetti sfuggiti, comprensione e competenze.
  • 10.3 Metriche di agenti IA e chatbot: risoluzione verificata, contatti di ritorno, passaggi di consegne, tempo di accesso a una persona, accuratezza delle risposte e annullamento delle azioni dell'agente.
  • 10.4 Inflazione delle metriche e diluizione della qualità: come volume e velocità si gonfiano, campionamento dell'utilità, onere di verifica e interruzione dei cicli di retroazione.
  • 10.5 Metriche di governance e rischio dell'IA: il registro degli usi, le classi di rischio, il controllo delle modifiche a modelli e prompt, la valutazione, la supervisione e gli incidenti.

Come questi argomenti si collegano

L'argomento fondativo (si veda l'argomento 10.1 «L'IA nella misurazione della gestione dei servizi») stabilisce il metodo: base di riferimento, confronto, campionamento e costo complessivo. Si applica a tutti gli altri argomenti della parte. L'argomento sul lavoro assistito (si veda l'argomento 10.2 «Misurare il lavoro assistito dall'IA») applica quel metodo al lavoro che le persone svolgono con l'IA accanto, e guarda a ciò che sopravvive e a ciò che accade alla comprensione. L'argomento su chatbot e agenti (si veda l'argomento 10.3 «Metriche di agenti IA e chatbot») lo applica ai sistemi che si rivolgono direttamente agli utenti o agiscono per loro conto, dove il costo di una risposta o di un'azione errata ricade su qualcun altro.

L'inflazione e la diluizione (si veda l'argomento 10.4 «Inflazione delle metriche e diluizione della qualità») sono il compagno ammonitore di tutti questi. Spiega perché i numeri facili salgono e che cosa abbinare loro, e si collega ai controlli di utilità presenti negli altri argomenti. La governance (si veda l'argomento 10.5 «Metriche di governance e rischio dell'IA») è la struttura che tiene insieme il resto: fornisce il registro che indica che cosa misurare, le classi di rischio che indicano con quale profondità, il controllo delle modifiche che impedisce al comportamento di derivare inosservato e il processo di gestione degli incidenti per quando qualcosa va storto.

Ne derivano diverse coppie di salvaguardie. Una misura di velocità va letta insieme al tempo necessario per un risultato verificato e all'onere di verifica. Un dato di contenimento o di deflessione va letto insieme alla risoluzione verificata e ai contatti di ritorno. Un conteggio degli usi registrati va letto a fronte di una scoperta indipendente. Un dato di adozione di uno strumento di IA va trattato come descrittivo, e il peso lo portano i risultati confrontati con un termine di paragone.

La parte rimanda a quelle precedenti: le misure di revisione e di flusso della Parte 2, le misure di conoscenza e self-service della Parte 3, le misure di sicurezza e rischio della Parte 8 e le misure sulle persone della Parte 9. Introduce l'ultima parte di contenuto, dedicata alla costruzione di un programma di metriche, perché un programma che introduce la misurazione senza cautela subirà le stesse distorsioni descritte in questa parte.