Ogni project manager conosce quella sensazione: il progetto sembra procedere bene, le riunioni di stato sono tranquille, poi a tre settimane dalla consegna tutto frana. Il ritardo non è arrivato all’improvviso. Era lì da settimane, scritto nei dati, solo che nessuno lo stava leggendo nel modo giusto.
Da qualche anno si parla molto di intelligenza artificiale applicata alla previsione dei ritardi di progetto. Promesse grosse, demo brillanti, e parecchia confusione su cosa questi strumenti facciano davvero. Questo articolo prova a spiegarlo in modo onesto: niente magia, niente sfere di cristallo. Solo cosa guarda un modello predittivo, cosa puoi farci, e a quali condizioni vale la pena fidarsene.
Cosa significa davvero “prevedere un ritardo”
Partiamo da un equivoco. L’AI non ti dice “il progetto sarà in ritardo di 12 giorni” come fosse una verità scolpita. Ti dice qualcosa di più sfumato e più utile: “dato l’andamento attuale e quello che è successo in progetti simili, c’è il 70% di probabilità che questa milestone slitti oltre la data pianificata”.
È una differenza che cambia tutto. Una previsione è una stima di probabilità, non una profezia. Serve a darti un margine di manovra mentre puoi ancora fare qualcosa, non a stabilire chi avrà colpa quando sarà troppo tardi. Un modello che dice “rischio alto” otto settimane prima della scadenza ti regala otto settimane per reagire. Questo è il valore, non l’esattezza al giorno.
Leading indicator e lagging indicator: la distinzione che conta
Per capire come l’AI anticipa i problemi serve afferrare una coppia di concetti presi in prestito dal mondo della gestione operativa.
Un lagging indicator è un segnale che arriva a cose fatte. Il task è stato consegnato in ritardo: lo sai, ma ormai è successo. La milestone è saltata: tardi per intervenire. Sono misure di risultato, fotografano il passato.
Un leading indicator invece è un segnale che precede il problema. La velocità del team sta calando da tre sprint. Un task chiave resta bloccato in “in revisione” da troppi giorni. Il numero di task riaperti dopo la chiusura sta crescendo. Nessuno di questi è ancora un ritardo, ma tutti puntano nella stessa direzione.
Il cuore della previsione AI sta qui: imparare a leggere i leading indicator prima che diventino lagging. Un buon modello osserva decine di questi piccoli segnali insieme, pesa quanto ciascuno conta sulla base dello storico, e li traduce in una probabilità di slittamento. È esattamente quello che fa un PM esperto a intuito, solo su molti più dati e senza dimenticarsi nulla.
Cosa guarda concretamente un modello
Quando uno strumento valuta il rischio di ritardo, non legge la mente. Legge i dati che già produci lavorando. I principali sono questi.
Avanzamento reale rispetto al piano. Quanto lavoro è stato completato rispetto a quanto avrebbe dovuto esserlo a questa data. È la base di tutto: se a metà progetto hai consumato il 60% del tempo ma chiuso solo il 35% delle attività, qualcosa non torna.
Velocity del team. Quanti task o story point il team chiude per unità di tempo, e soprattutto come questo ritmo sta cambiando. Una velocity stabile è rassicurante. Una in calo costante è un campanello.
Dipendenze. I task non vivono isolati. Se un’attività critica è in ritardo e altre cinque dipendono da lei, il modello capisce che il danno si propaga a catena. Le dipendenze sono il moltiplicatore silenzioso dei ritardi.
Segnali storici. Qui sta la parte “intelligente”. Il modello confronta il progetto attuale con centinaia di progetti passati e nota schemi ricorrenti. Se in azienda i progetti che a questo stadio mostravano questi sintomi sono slittati nell’80% dei casi, è un’informazione che pesa.
Gli approcci sotto il cofano, in parole semplici
Dietro l’etichetta “AI” ci sono in realtà tecniche diverse, alcune più vecchie di quanto si creda. Vale la pena conoscerle, almeno per nome.
I modelli predittivi in senso stretto sono algoritmi addestrati su dati storici. Tu dai loro centinaia di progetti conclusi, con i loro andamenti e i loro esiti, e il modello impara a riconoscere quali combinazioni di sintomi precedono un ritardo. Poi applica quel sapere al progetto in corso.
L’Earned Value Management potenziato parte da una metodologia classica del project management, l’EVM, che misura valore prodotto contro valore pianificato. La versione moderna ci aggiunge proiezioni statistiche per stimare dove finirà il progetto se mantiene l’andatura attuale.
La simulazione Monte Carlo è forse la più elegante. Invece di darti una sola data di fine, fa girare il progetto migliaia di volte simulando variazioni realistiche su ogni attività, e ti restituisce una distribuzione: “c’è il 50% di probabilità di finire entro il 15, l’85% entro il 22”. Smette di vendere certezze e ti mostra il ventaglio di esiti possibili con la loro probabilità.
Questi approcci sono finiti dentro strumenti che molti PM già usano. Wrike ha funzioni di risk prediction, Smartsheet integra analisi predittive, piattaforme come Forecast costruiscono stime data-driven sui progetti. Anche la ricerca accademica lavora da anni su modelli di previsione dei ritardi, soprattutto in edilizia e nello sviluppo software. Quando uno di questi tool ti mostra un punteggio di rischio, sotto c’è una di queste tecniche, non una scatola magica.
Segnali, significati, azioni
Una previsione serve solo se sai cosa farci. Ecco i segnali più comuni che un sistema osserva, cosa indicano e la mossa concreta del PM.
| Segnale che l’AI osserva | Cosa indica | Azione del PM |
|---|---|---|
| Velocity in calo da più sprint | Il team rende meno: sovraccarico, ostacoli, debito tecnico | Parlare col team, alleggerire il carico, rimuovere blocchi prima che si accumulino |
| Avanzamento sotto la curva di piano | Il lavoro fatto è meno di quello previsto a questa data | Rinegoziare scope o scadenza adesso, non a ridosso della consegna |
| Task critico bloccato da giorni | Un collo di bottiglia che bloccherà tutto ciò che ne dipende | Dare priorità allo sblocco, escalation se serve una decisione esterna |
| Crescita dei task riaperti | Problemi di qualità: il lavoro torna indietro e mangia tempo | Rivedere i criteri di completamento, rinforzare la fase di revisione |
| Dipendenza esterna in ritardo | Un fornitore o un altro team rallenta la catena | Aprire un canale diretto, preparare un piano B per le attività dipendenti |
Cosa serve perché funzioni davvero
Qui arriva la parte che le demo non raccontano. Un modello predittivo vale quanto i dati che riceve. Se i tuoi dati di progetto sono sporchi, incompleti o aggiornati a singhiozzo, la previsione sarà inaffidabile per quanto sofisticato sia l’algoritmo. È il classico “spazzatura dentro, spazzatura fuori”.
Servono tre cose. Primo, dati puliti: stati dei task aggiornati con regolarità, date reali e non inventate, stime registrate. Un team che chiude i task tutti insieme il venerdì sera rende cieco qualsiasi modello. Secondo, dati storici: il sistema impara dai progetti passati, quindi se parti da zero le prime previsioni saranno deboli e miglioreranno col tempo. Terzo, coerenza nel modo di lavorare: se ogni team usa convenzioni diverse, il modello fatica a confrontare le mele con le mele.
Verifica quanto puoi fidarti di una previsione con questa lista.
- I task vengono aggiornati di stato in modo regolare, non in blocco a fine settimana?
- Le stime iniziali sono registrate da qualche parte, così da poterle confrontare col reale?
- Esiste uno storico di progetti chiusi su cui il modello ha potuto imparare?
- Le dipendenze tra attività sono mappate nello strumento, non solo nella testa di qualcuno?
- Il team lavora con convenzioni abbastanza uniformi da essere confrontabili?
- La previsione viene mostrata come probabilità o intervallo, e non come una data secca spacciata per certa?
Più caselle puoi spuntare, più la previsione merita la tua attenzione. Se ne spunti poche, prendi i numeri con beneficio del dubbio e investi prima sulla qualità dei dati.
Come leggere e usare un segnale di ritardo
Immagina che lo strumento ti mostri “rischio ritardo: alto, probabilità 75%” su una milestone. Cosa fai.
La prima cosa è non andare nel panico e non ignorarla. Un rischio al 75% non vuol dire che il ritardo è certo, e nemmeno che è una falsa allerta. Vuol dire che, se non cambia nulla, è più probabile che vada male che bene. È un invito a guardare dentro, non una condanna.
La seconda è andare a vedere perché. I buoni strumenti non ti danno solo il punteggio, ti mostrano i fattori che lo hanno generato: la velocity in calo, quel task bloccato, quella dipendenza scoperta. Lì trovi la leva su cui agire. La previsione è la diagnosi, non la cura: la cura la decidi tu.
La terza è agire mentre il margine c’è ancora. Il senso di anticipare un ritardo di settimane è proprio poter rinegoziare uno scope, ridistribuire un carico, sbloccare una decisione, prima che le opzioni si chiudano. Una previsione usata il giorno prima della consegna non serve a niente.
L’errore da non fare: trasformarla in un’arma
C’è un modo sicuro per rovinare tutto questo, ed è usare le previsioni per puntare il dito. Se il team capisce che il punteggio di rischio diventa il pretesto per colpevolizzare chi è “in ritardo”, succede una cosa prevedibile: si comincia a truccare i dati. Task chiusi prima che siano davvero finiti, stime gonfiate per stare sul sicuro, stati aggiornati per far contento il sistema invece che per dire la verità. E quando i dati mentono, la previsione muore.
Un segnale di ritardo è uno strumento di gestione del rischio, non un registro di colpe. Serve a far emergere i problemi presto, quando sono ancora piccoli e risolvibili insieme. La cultura giusta è quella in cui un alert alto fa dire “bene, l’abbiamo visto in tempo, sistemiamolo”, non “di chi è la colpa”. Senza quella cultura, il miglior modello del mondo diventa inutile.
In sintesi
L’AI applicata alla previsione dei ritardi non è né la rivoluzione miracolosa che alcuni vendono né il giocattolo inutile che altri liquidano. È un amplificatore del giudizio del PM: osserva più segnali di quanti tu possa seguirne a mano, li confronta con lo storico, e ti dà una probabilità su cui ragionare. Funziona se i dati sono puliti e storici, se leggi i numeri come probabilità e non come destino, e se usi i segnali per intervenire presto invece che per assegnare colpe. Demistificata così, è semplicemente un buon alleato. Niente sfere di cristallo, solo un modo migliore di vedere quello che stava già succedendo.
Vuoi gestire progetti digitali con metodo, non a intuito
Capire i segnali di rischio è una competenza, e si costruisce. Il Corso DPM Executive è il percorso più completo per chi vuole gestire progetti digitali in modo solido: 118 ore di contenuti che coprono la gestione di progetto sia waterfall sia agile, la creazione e gestione di un prodotto digitale, e l’uso degli OKR.
Il corso prepara a quattro certificazioni riconosciute: CAPM (PMI), Scrum (Scrum Alliance), Product Management (ACS) e include moduli dedicati agli OKR. Prepara agli esami ma non li rilascia: si sostengono presso gli enti esterni e non sono inclusi nel costo del corso. Gli esami sono in italiano. Come titolo di accesso è richiesto il diploma.
