C’è una scena che si ripete in molti team digitali. Apri lo strumento di pianificazione, clicchi su “stima automatica”, e in pochi secondi l’AI ti restituisce una durata: il progetto si chiude in 47 giorni lavorativi, con un effort di 312 ore e una catena di dipendenze già disegnata. Numeri precisi, ordinati, rassicuranti. Il problema è che la precisione di una stima non dice niente sulla sua correttezza. Una previsione sbagliata può essere sbagliata al decimale.
Gli strumenti che generano forecast da dati storici si sono moltiplicati. Tempo, Forecast e diverse funzioni “AI” dentro i tool di project management leggono i progetti passati e da lì proiettano durate, carichi di lavoro e dipendenze sui progetti nuovi. La promessa è seducente: smettere di tirare a indovinare e affidarsi ai numeri. Ma chi gestisce progetti da qualche anno sa che la stima è uno degli atti più delicati del mestiere, e delegarla a una macchina senza capire come ragiona è un modo elegante per sbagliare con più sicurezza di prima.
Come l’AI costruisce un forecast dai dati storici
Il meccanismo, ridotto all’osso, è semplice. Lo strumento raccoglie i progetti chiusi, misura quanto tempo è servito per ogni tipo di attività, cerca pattern ricorrenti e li applica al lavoro futuro. Se nelle ultime venti landing page il design ha richiesto in media tre giorni e lo sviluppo cinque, quando crei una nuova landing page il sistema propone otto giorni e collega le due fasi in sequenza.
Finché il futuro assomiglia al passato, questo approccio funziona meglio dell’intuito. L’occhio umano sottostima cronicamente: dimentichiamo i ritardi, ricordiamo solo le volte in cui è filato tutto liscio, e siamo ottimisti per natura. Un modello che ha visto cento progetti reali, con tutti i loro slittamenti, non ha questo problema. Pesa anche le brutte sorprese, non solo i giorni buoni.
Qui sta la prima verità scomoda. Il forecast non prevede il futuro. Calcola la media di un passato e scommette che si ripeta. È una scommessa ragionevole solo quando le condizioni della scommessa reggono.
Quando la stima AI aiuta davvero
Lo scenario ideale è il lavoro ripetitivo con storico ricco e pulito. Un’agenzia che produce ogni mese decine di siti vetrina simili tra loro ha esattamente il terreno giusto: tante istanze dello stesso tipo di progetto, variabili contenute, dati registrati con disciplina. In quel contesto il forecast non solo aiuta, spesso batte il senior più esperto, perché elimina l’ottimismo e cattura la coda dei progetti andati storti.
Funziona bene anche per le stime di alto livello a inizio progetto, quando serve un ordine di grandezza per decidere se l’iniziativa sta in budget. “Questo tipo di progetto da noi costa tra le 250 e le 400 ore” è un’informazione utilissima per una conversazione con lo sponsor, e nessuno la ricava a mente meglio di un modello che ha letto la storia dell’azienda.
E aiuta a smascherare l’ottimismo del team. Quando il forecast dice 40 giorni e gli sviluppatori giurano che bastano 20, quella distanza è preziosa. Non significa che la macchina ha ragione, significa che c’è una conversazione da fare prima di prendere impegni con il cliente.
Quando il forecast ti inganna
Il guaio arriva quando il passato smette di essere una buona guida. E succede più spesso di quanto i venditori di questi strumenti ammettano.
Il primo nemico è il progetto nuovo. Se stai facendo qualcosa che la tua organizzazione non ha mai fatto, il modello non ha dati pertinenti e li va a pescare da progetti che assomigliano solo in superficie. Una piattaforma e-commerce con integrazione a un gestionale legacy non ha nulla a che vedere con i venti siti vetrina che alimentano lo storico, anche se il tool li tratta come parenti stretti.
Il secondo nemico sono i dati sporchi o scarsi. Forecast costruiti su cinque progetti, o su timesheet compilati a casaccio il venerdì sera, producono numeri che hanno l’aspetto della scienza e la sostanza dell’oroscopo. Garbage in, garbage out: il principio più vecchio dell’informatica vale qui in pieno. Se i dati di partenza sono spazzatura, nessun algoritmo li trasforma in oro.
Il terzo nemico è il cambio di contesto. Il team si è rinnovato per metà, avete adottato un nuovo framework, è entrato un cliente con un processo di approvazione lentissimo. Il modello continua a guardare un mondo che non esiste più e ti consegna stime tarate su una squadra e su un modo di lavorare che hai lasciato indietro.
Il quarto nemico è il più insidioso: il bias ereditato. Se in passato il tuo team stimava male, sistematicamente sotto del 30 per cento, l’AI non corregge quell’errore. Lo impara. Se hai sempre dimenticato di mettere a budget i giri di revisione del cliente, il forecast continuerà a dimenticarli per te, con la differenza che ora la dimenticanza ha l’autorevolezza di un numero generato dalla macchina. Lo storico non è verità oggettiva. È la fotografia di come hai lavorato, errori compresi.
Quando fidarti e quando diffidare
| Fidati della stima AI quando | Diffida quando |
|---|---|
| Hai decine di progetti simili a storico | È il primo progetto di questo tipo |
| I dati storici sono completi e affidabili | I timesheet sono incompleti o approssimativi |
| Team, processo e strumenti sono stabili | Squadra, tecnologia o cliente sono cambiati |
| Serve un ordine di grandezza iniziale | Serve un impegno preciso a un cliente |
| Le passate stime erano mediamente corrette | Il team ha una storia di stime sbagliate |
| Il forecast è coerente con il giudizio del team | C’è un divario forte e nessuno lo spiega |
La riga più importante è l’ultima. Il forecast non va né accettato né scartato a priori. Va messo a confronto con quello che il team esperto sa, e quando i due divergono in modo netto, quel divario è il vero output utile dello strumento: ti dice dove guardare.
Una checklist per validare un forecast prima di firmarlo
Prima di portare una stima AI a uno sponsor o a un cliente, passala da questi sei controlli. Bastano dieci minuti e ti salvano da impegni che non potrai mantenere.
- Su quanti progetti si basa? Meno di una decina di casi simili e la stima è un’opinione travestita da dato. Chiedi al tool su che campione lavora.
- I progetti di riferimento somigliano davvero al tuo? Apri la lista dei progetti che il modello ha usato come paragone. Se sono parenti lontani, il numero non vale.
- I dati storici sono puliti? Se i timesheet della tua azienda sono compilati male, sai già che il forecast erediterà quel rumore.
- Cosa è cambiato dall’ultimo progetto simile? Elenca a voce le differenze su team, tecnologia, cliente e scope. Ogni differenza è un motivo per correggere a mano.
- Il numero include le cose che dimentichiamo sempre? Revisioni del cliente, onboarding, debito tecnico, ferie. Se lo storico le ometteva, le omette anche il forecast.
- Cosa dice il team esperto? Confronta la stima AI con il giudizio di chi farà il lavoro. Tieni il divario, non nasconderlo: è lì che si annida il rischio.
Un esempio concreto
Un’agenzia digitale deve quotare il restyling di un portale per un nuovo cliente. Il forecast interno legge i progetti passati e propone 280 ore, dipendenze incluse, con un margine di confidenza che il tool dipinge come alto. Numero pulito, pronto da mettere in offerta.
Il project manager però apre il cofano. Scopre che le 280 ore nascono in larga parte da restyling fatti per clienti storici, abituati ad approvare in fretta e con un solo referente. Il nuovo cliente ha invece un comitato di approvazione e tre stakeholder che vogliono dire la loro su ogni schermata. Lo storico non ha mai visto questa situazione: i giri di revisione, nei progetti passati, erano brevi perché i clienti erano diversi.
Il PM tiene le 280 ore come base, ma aggiunge un cuscinetto del 25 per cento sulle fasi di revisione e lo motiva nero su bianco nell’offerta. Risultato: il progetto si chiude a 340 ore, dentro la stima corretta a mano e ben oltre il forecast secco. La macchina aveva dato un punto di partenza onesto. Il giudizio umano lo ha reso utilizzabile.
La stima AI è un punto di partenza, non un verdetto
Il rischio più grande di questi strumenti non è tecnico, è psicologico. Un numero generato da un algoritmo, magari accompagnato da una percentuale di confidenza, dà un falso senso di sicurezza che una stima fatta a voce non darebbe mai. Smettiamo di interrogarla proprio perché sembra oggettiva. Ma una previsione precisa al decimale non è più affidabile di una previsione approssimativa: è solo più convincente, e questo la rende più pericolosa quando è sbagliata.
Il PM che usa bene questi tool fa l’opposto di quello che il marketing promette. Non smette di pensare alle stime, ci pensa meglio. Usa il forecast per togliersi di dosso l’ottimismo, per avere un ordine di grandezza onesto, per scovare i punti dove la sua percezione e i dati divergono. Poi corregge, aggiusta per il contesto, aggiunge i margini che lo storico ignora e firma una stima di cui può rispondere. La macchina propone. Il giudizio esperto decide.
Imparare a stimare in un mondo ibrido waterfall e agile
Saper leggere un forecast, riconoscere quando i dati storici aiutano e quando ingannano, integrare la stima automatica con il giudizio professionale: sono competenze che si costruiscono, non si improvvisano. E diventano centrali man mano che i progetti digitali mescolano pianificazione waterfall e cicli agili, dove le stime cambiano natura a seconda dell’approccio.
Il Corso DPM Executive di Management Academy è pensato proprio per chi vuole padroneggiare la gestione di progetti digitali a tutto tondo. Con 118 ore di contenuti è il percorso più completo della sua categoria, e copre la gestione progetti sia in modalità waterfall sia agile, la creazione e gestione di un prodotto digitale e l’uso degli OKR. Prepara a quattro certificazioni riconosciute: CAPM (PMI), Scrum (Scrum Alliance), Product Management (ACS) e include moduli dedicati agli OKR.
Il corso prepara agli esami ma non li rilascia: le prove si sostengono presso gli enti esterni, sono in italiano e non sono incluse nel costo del percorso. Si segue on demand e richiede il diploma come titolo di accesso.
