Kanban e l'arte della Maratona

Perché collegare l’AI ai vostri dati di flusso non basta: le decisioni che qualcuno deve prendere

Sono appena rientrato dal Kanban Leadership Retreat, la tre giorni annuale organizzata per la propria comunità da Kanban University. Tra i temi che hanno occupato più spazio quest’anno c’era l’AI: dove sta già cambiando il modo di lavorare di manager e knowledge worker e come il metodo Kanban possa aiutare le organizzazioni a orientarsi in un contesto tecnologico che si muove molto in fretta.

La risposta che sembra corretta finché non fate due volte la stessa domanda

Prendo spunto da una sessione proposta da Sonya Siderova, fondatrice di Nave, dedicata a flow metrics, analytics e AI agent. La domanda di partenza era semplice da porre ma non di facile risposta: che cosa succede quando si toglie la persona, lo human in the loop, dal ciclo di gestione del flusso di lavoro e si lascia decidere all’AI? Gli argomenti condivisi dal gruppo di lavoro sono stati sei: costo più elevato, difficoltà ad adattarsi a condizioni che cambiano, perdita di competenza di management, perdita di capacità di fare le domande giuste, perdita di capacità di guidare il cambiamento, perdita di gestione delle pratiche operative. Nel confronto tra un agente AI da solo e un agente affiancato da una persona, l’agente da solo non basta su nessuno di questi sei punti, nemmeno se lavora interfacciandosi con un motore di flow analytics già maturo.

Peggio ancora se l’agente accede direttamente ai dati grezzi di flusso e li elabora in autonomia. Il riscontro, dai test effettuati, è che si ottiene una risposta plausibile ma non affidabile. Il valore che l’AI aggiunge sta altrove: accedere attraverso il protocollo MCP ai dati prodotti in modo affidabile dal motore di flow analytics e costruirci sopra una narrazione, arrivando a generare raccomandazioni.

Successivamente a quella sessione, Siderova ha ripreso e sviluppato il ragionamento in un articolo che trovate su LinkedIn: https://www.linkedin.com/pulse/your-ai-can-talk-delivery-data-you-trust-answer-sonya-siderova-rfdfe

L’esempio che descrive è preciso. Qualcuno collega un LLM ai dati grezzi di flusso e chiede quanto dura normalmente un lavoro, cosa sta rallentando un team, quando saranno finiti quaranta work item. In pochi minuti arriva una risposta, e sembra che il problema sia risolto. Tre mesi dopo qualcuno rifà la stessa domanda. Nel frattempo il team ha cambiato workflow, due stati sono stati rinominati, i difetti seguono un percorso diverso. L’AI restituisce un numero diverso, e a quel punto nessuno sa più dire quale risposta fosse corretta.

Il prototipo non è la parte difficile

Siderova anticipa l’obiezione più ovvia, quella di chi ha collegato i propri dati grezzi di flusso a un LLM, ha sviluppato una demo e pensa di aver già risolto tutto: collegare l’API di strumenti quali Jira o Azure DevOps a un modello di AI non è al giorno d’oggi particolarmente difficile. La parte difficile comincia dopo la demo.

Prendete il cycle time. Dove parte il timer, alla creazione del ticket, all’ingresso in backlog o all’inizio effettivo del lavoro? Cosa succede se il work item torna indietro? Se salta uno stato? Se viene riaperto? Il tempo di attesa conta o no? Sono decisioni di misurazione, non domande che si rivolgono all’AI. Qualcuno deve prenderle, e poi assicurarsi che continuino a valere quando il workflow cambia il mese successivo, e quello dopo ancora. L’integrazione è un progetto, con un inizio e una fine. Il modello di misurazione è un prodotto: ha bisogno di un owner, di test, di manutenzione continua.

Da qui le sei domande che Siderova invita a porsi su ogni sistema, prima di fidarsi di un suo qualsiasi numero, che si tratti di uno strumento interno, di un foglio di calcolo o di una piattaforma commerciale: dove parte il cycle time, dove finisce, cosa succede quando il lavoro torna indietro, cosa succede quando un work item salta direttamente a “Fatto”, cosa succede quando un lavoro completato viene riaperto, il tempo di attesa viene conteggiato? E ne aggiunge una settima, decisiva quando quei numeri servono a prendere un impegno su una data di consegna: si sta guardando una media, o un percentile che permette davvero di valutare il rischio? Se il sistema non permette di rispondere con chiarezza a queste domande, quei numeri non possono essere usati per un impegno su una data di consegna. Un numero plausibile e un numero affidabile sono due cose diverse.

Interfaccia, non motore di calcolo

Interrogare ogni volta i dati grezzi e lasciare che sia l’LLM a interpretarli da zero è il modo più veloce per avere una risposta, ed è però anche quello che produce il problema descritto sopra, una risposta diversa ogni volta che qualcosa a monte cambia, senza che nessuno se ne accorga finché i numeri smettono di tornare. Interrogare un motore di flow analytics che applica sempre le stesse definizioni perché configurato opportunamente, con l’AI solo come interfaccia, fornisce invece risposte affidabili: la stessa domanda, posta oggi o tra sei mesi, produce una risposta diversa solo se sono cambiati i dati di flusso sottostanti, non perché è cambiata l’interpretazione di quei dati.

Non è un problema di modello di AI più o meno capace, è che le definizioni di misura non sono pattern che un LLM possa indovinare guardando i dati, sono decisioni che qualcuno deve avere già preso a monte.

Non è un problema di AI

Qui il discorso torna alla sostanza della gestione del flusso di lavoro. Dove parte il timer, come si trattano gli stati, cosa succede se c’è una rilavorazione: non sono un problema di ownership tecnica dello strumento. Sono esattamente ciò che rende maturo un sistema Kanban: policy esplicite, confini del workflow dichiarati, non lasciati all’intuito di chi in quel momento guarda la board. Un’organizzazione che non ha mai reso esplicite queste regole non scopre un problema di AI quando i numeri smettono di tornare. Scopre un problema di sistema che aveva sempre avuto, e che l’AI si limita a rendere visibile più in fretta, perché moltiplica il numero di domande poste a un sistema che non era pronto a rispondere con coerenza.

Ed è per questo motivo che trattare lo human in the loop come un tema separato dalla qualità della misurazione è fuorviante. Sono lo stesso tema visto da due lati diversi. La persona che possiede le definizioni di misurazione deve anche restare la persona che le mantiene quando il workflow cambia. Non è un ruolo che l’AI rende superfluo. Diventa anzi più necessario proprio perché l’AI abbassa il costo di fare domande al sistema.

Il punto di leva resta lo stesso di sempre

Visualizzare il flusso. Limitare il lavoro in corso. Rendere esplicite le policy, comprese quelle di misurazione che di solito nessuno scrive perché sembrano ovvie finché il numero torna. Solo dentro un sistema costruito così ha senso collegare un’AI e farsi rispondere sui propri dati di flusso di lavoro. Solo così quello che si ottiene è una risposta, oltre che plausibile, di cui ci si possa fidare.

Ho pubblicato originariamente questo articolo per il portale Kanban Help, al quale collaboro insieme al collega Luca Gambetti.
Visita Kanban Help – www.kanban.help – per conoscere gli strumenti formativi e di coaching che ti possono aiutare a introdurre il metodo Kanban nella tua azienda.

Perché l’AI da sola non vi renderà agili: il concetto di “satisficing”

Quanto sta spendendo davvero la vostra azienda in intelligenza artificiale, e come fate a sapere se quella spesa sta producendo un miglioramento reale? È la domanda al centro del recente keynote speech di David Anderson tenuto a Norimberga, che è stato riproposto da Anderson stesso in un webinar e che qui riprendiamo e sintetizziamo. Non è un intervento sulla tecnologia AI in sé, ma su un problema molto più vecchio e sempre attuale: come si fa a sapere se un cambiamento produrrà un miglioramento? Da quella domanda è nato, quasi un decennio fa, il framework Fit for Purpose, sviluppato da Anderson insieme ad Alexei Zheglov.

Il problema: aziende che investono senza strategia

Anderson racconta di parlare regolarmente con aziende i cui team, un tempo dedicati all’agile coaching, oggi lavorano su iniziative di intelligenza artificiale. Lo schema che vede ripetersi è molto simile: prima si è provato l’agile in piccola scala senza risultati, poi si è scalato con qualche framework dedicato spendendo molto e rallentando ulteriormente, infine si sono licenziati scrum master e product owner, rinominando i superstiti con titoli come flow manager o transformation coach. Ora quelle stesse persone sono state messe a capo delle iniziative di AI, nella speranza che la tecnologia risolva ciò che l’agile non è riuscito a risolvere. Anderson sottolinea come questa non sia una strategia: è essenzialmente una speranza, unita a una spesa ingente.

Che cosa significa il concetto di satisficing

Il termine, coniato dall’economista e matematico Herbert Simon (premio Nobel per l’economia) a metà degli anni Cinquanta, nasce dalla fusione di “satisfactory” e “sufficient“. Simon studiava i grafi di rete e un problema ben noto nelle organizzazioni industriali: se si chiede a ogni singolo nodo di una rete, per esempio ogni reparto o linea produttiva, di ottimizzare la propria efficienza, i nodi finiscono per competere tra loro e il risultato complessivo diventa inefficiente. Un ottimo locale non produce un ottimo globale.

La soluzione individuata da Simon non era chiedere ai singoli nodi di ottimizzare, ma di raggiungere un livello, appunto, satisficing: sufficiente e soddisfacente. Se ogni nodo persegue quel livello, l’intera rete tende a un ottimo globale a partire da livelli locali di sufficienza. Applicato a un’azienda, questo significa che ogni servizio della rete organizzativa ha bisogno di metriche proprie che definiscano cosa rappresenti, per quel nodo, un livello soddisfacente e sufficiente di performance, per poi usarle in un ciclo di retroazione locale.

Il costo reale dell’AI

Anderson porta alcuni dati per dare la misura del problema. Uber avrebbe budgetato 1.800 dollari al mese per dipendente per l’AI, ma starebbe in realtà spendendo circa 5.400 dollari al mese. Un insider che lavora a un’iniziativa di AI agentica in una nota grande azienda tecnologica americana, riferisce una spesa di circa 4.000 dollari al mese per dipendente. Numeri che, calcolati in relazione a un ingegnere software con stipendio tra 150.000 e 300.000 dollari l’anno, possono sembrare sostenibili, ma che non reggono in altri mercati: a Lisbona, dove ha tenuto lo stesso keynote due mesi prima di Norimberga, una cifra del genere equivarrebbe a raddoppiare il costo del lavoro.

Una ricerca dell’Economist dello scorso giugno indica che l’1% delle aziende globali per capitalizzazione spende in media 7.500 dollari al mese per dipendente, ovvero circa 100.000 dollari l’anno. Il range che emerge da queste fonti è quindi tra 50.000 e 100.000 dollari l’anno per dipendente, a fronte di un miglioramento di produttività atteso di circa quattro volte, ma con pochissime evidenze concrete di benefici di business. Molti di questi budget vengono sottratti ad altre voci, come la formazione, di cui l’AI arriva a costare fino a dieci volte tanto per dipendente.

Agilità aziendale su due livelli

L’agilità enterprise si gioca su due dimensioni: la capacità di far girare più velocemente il business quotidiano (Run the Business), rispondendo a cambiamenti di mercato e di domanda, e la capacità di reinventarsi, di cambiare direzione quando serve (Change the Business). Storicamente gli sponsor aziendali delle iniziative agili si aspettavano velocità, e i coach che negli anni hanno sostenuto che “l’agile non è mai stato sulla velocità” hanno spesso pagato quella loro affermazione con il posto di lavoro.

Pensare per servizi, non per team

Un’organizzazione va modellata come una rete di servizi interdipendenti, non come una gerarchia. Una richiesta cliente attraversa più team per essere evasa: la Kanban board rappresenta il servizio, non la struttura organizzativa. L’unità molecolare dell’agilità aziendale non è mai stata il team, ma il servizio. Per ciascun servizio serve un proprio sistema Kanban e un proprio set di metriche di satisficing, tra cui lead time, prevedibilità, puntualità, qualità funzionale e non funzionale, conformità normativa, convenienza, adattabilità, configurabilità e sostenibilità economica.

Un punto che Anderson sottolinea con un esempio personale: l’AI non prende decisioni, genera opzioni. Con la sua stessa casella di posta come esempio, racconta di ricevere continuamente analisi con più opzioni da valutare, generate rapidamente dai suoi collaboratori grazie all’AI, che finiscono per far perdere tempo prezioso a chi deve poi decidere, lui compreso. È un caso concreto di ottimizzazione locale che crea un problema altrove nella rete, in questo caso al vertice dell’azienda.

Il problema dell’efficienza di flusso

Dati raccolti in vent’anni di lavoro con la community Kanban dicono che in molte organizzazioni solo l’1-2% del lead time complessivo di una richiesta cliente corrisponde a lavoro effettivo, il resto sono code. Se una richiesta impiega 100 giorni per essere evasa ma richiede un solo giorno di lavoro effettivo, applicare l’AI a quel giorno di lavoro, riducendolo per esempio di un fattore quattro, porta il lead time percepito dal cliente a restare sostanzialmente invariato. Il discorso cambia se il servizio ha già un’efficienza di flusso alta, per esempio del 50-60%: in quel caso l’AI può davvero dimezzare il lead time o raddoppiare la produttività. Il rischio più comune, però, è che l’AI ottimizzi localmente una fase già poco significativa nel flusso complessivo, spostando semplicemente il collo di bottiglia altrove nell’organizzazione, senza produrre alcun miglioramento globale percepibile, pur continuando a consumare budget.

Autonomia locale e doppio ciclo di retroazione

Perché il miglioramento locale funzioni, ogni nodo della rete deve poter agire con autonomia, perseguendo il proprio livello di satisficing e non un ottimo assoluto. Anderson descrive due cicli di retroazione (double-loop learning): uno interno, che chiede se il servizio sta rispettando i propri criteri di satisficing, e uno esterno, che chiede se quei criteri sono ancora quelli giusti da misurare. Quando i servizi sono collegati tra loro, ogni servizio dipendente deve conoscere cosa rappresenta un livello soddisfacente per il servizio che lo richiede, in modo che la sufficienza si propaghi lungo tutta la rete fino al cliente finale.

L’ottimizzazione globale parte dai nodi a contatto diretto con il cliente e si propaga verso l’interno dell’organizzazione attraverso pratiche di revisione periodica, documentate nel Kanban Maturity Model. Se il meccanismo funziona, i diversi nodi della rete possono scambiarsi capacità, competenze e priorità: un nodo può accettare di essere sub-ottimale per contribuire a un miglioramento globale, ma questo richiede che i sistemi di incentivo dei manager siano allineati al bene della rete e non alla sola performance locale.

Cosa fare, a prescindere dall’AI

Anderson suggerisce un percorso in tre passi, indipendente dalla tecnologia scelta:

visualizzare, dotare di strumenti di misurazione e gestire il flusso delle richieste cliente end to end, non a livello di singolo team, con il Kanban Maturity Model
definire i criteri di satisficing con il framework Fit for Purpose
implementare un ciclo di retroazione locale che porti quelle metriche al livello desiderato

Solo a queste condizioni ha senso chiedersi se un investimento in AI, applicato a un nodo specifico della rete, produrrà un miglioramento reale e misurabile, con un’analisi di ritorno sull’investimento che tenga conto sia della spesa locale sia dell’impatto globale sul business. E solo se si gestisce il flusso di lavoro per ogni servizio, si potrà sapere se l’AI ha generato dei miglioramenti oppure no.

Il confronto con Kanban su scala enterprise

Il keynote si chiude con un termine di paragone: le implementazioni Kanban su scala enterprise fatte correttamente producono tipicamente un miglioramento di produttività da 4 a 8 volte, una riduzione del 90% dei lead time e del time to market, con un costo inferiore all’1% del costo del lavoro esistente. Adam Woo, coach Kanban di Shenzhen, ha realizzato più di sei implementazioni su scala superiore alle 5.000 persone, la più grande delle quali in Huawei con 100.000 persone coinvolte. Un risultato, osserva Anderson, spesso migliore di quanto ci si aspetti dall’AI, e a una frazione del costo.

Anche nella sua organizzazione, Kanban University, Anderson riconosce all’AI un ruolo utile, per esempio nelle operazioni IT che mantengono il sito e la piattaforma Kanban+. Ma da CEO ammette di non gradire quando l’AI, usata dai suoi collaboratori, finisce per generare più lavoro di revisione per lui: spostare il collo di bottiglia al vertice dell’azienda non è mai una buona strategia.

Il keynote completo, con tutti i dati e gli esempi qui solo sintetizzati, è disponibile integralmente sul canale YouTube di Kanban University: https://youtu.be/ZWfUq8Z9soc.

Organizzare per migliorare i servizi legali: perché l’AI non basta senza flussi di lavoro strutturati

Si parla sempre più di intelligenza artificiale come soluzione definitiva per rivoluzionare i servizi legali. La promessa è seducente: efficienza immediata, risultati straordinari. Ma c’è un rischio concreto che viene sistematicamente ignorato: se l’AI viene applicata in organizzazioni non strutturate, l’efficienza che si ottiene potrebbe essere solo un’illusione.

L’ottimizzazione locale non è efficienza di sistema

L’uso prevalente degli strumenti AI oggi è focalizzato sull’individuo: si accelera la redazione di un contratto, si comprime un’analisi da due ore a venti minuti. Il risultato sembra maggiore produttività. Questo però, dal punto di vista del pensiero sistemico, può significare che si spreca lavoro più velocemente.

Se un professionista all’interno di un flusso di lavoro redige più velocemente un documento ma il collo di bottiglia è la revisione affidata a una sola persona a valle della redazione, il revisore sarà ancora più sopraffatto. Più lavoro in ingresso genera più lavoro in corso, più code, più rilavorazioni. Questo è il rischio classico dell’ottimizzazione locale: si migliora una parte del sistema ma il sistema complessivo potrebbe peggiorare.

Uscire da questa logica richiede un cambiamento di prospettiva radicale: dall’individuo al flusso.

Un percorso sistemico

Il punto di partenza è riconoscere l’identità del team e sviluppare la collaborazione, uscendo dalla mentalità individuale in cui ognuno ottimizza solo il proprio lavoro indipendentemente dagli altri. Il passo successivo è spostare l’attenzione sul flusso: il team impara a coordinare il lavoro tra i professionisti, a farlo fluire invece di accumularlo. Si arriva infine a uno stadio in cui l’organizzazione è allineata attorno a uno scopo condiviso, capace di erogare il servizio in modo coerente con le aspettative del cliente, quello che in Lean si chiama essere fit for purpose.

È qui che l’AI diventa uno strumento potente. Non prima.

L’esperienza di Studio ExLege

Lo studio ExLege – fondato dall’Avv. Germana Cardea e con la collaborazione dell’Avv. Claudia Premoli – ha scelto di percorrere questo cammino in modo consapevole, con il mio supporto.

Il punto di partenza è stato l’approccio STATIK (Systems Thinking Approach to Implementing Kanban): un’analisi delle criticità esistenti, la definizione dei flussi di lavoro reali, l’identificazione delle fonti di variabilità e di attrito. Non si è partiti da zero: la prima Kanban board è stata ricavata da un foglio di calcolo già in uso, coerentemente con il principio Kanban di “iniziare da quello che si fa oggi”.

Le pratiche Kanban introdotte – visualizzazione del lavoro, politiche esplicite, cadenze di allineamento, metriche di flusso – hanno trasformato progressivamente la gestione dello studio da un sistema basato sulla memoria individuale a un sistema strutturato, visibile, prevedibile.

I risultati sono stati concreti e percepiti con chiarezza da tutti i professionisti coinvolti. La pressione è diminuita, perché il sistema aiuta a distinguere ciò che dipende dall’organizzazione da ciò che viene dall’esterno. La visibilità è aumentata: lo studio ha collegato le capacità dei singoli in un sistema e ha iniziato a navigarlo avendo a disposizione una ‘bussola e una mappa’. Le relazioni con i clienti sono migliorate, perché conoscere lo stato esatto di ogni pratica permette di comunicare con maggiore precisione e autorevolezza. L’inserimento di nuovi professionisti è diventato più fluido, grazie a protocolli chiari che riducono l’ambiguità. Inoltre, dettaglio controintuitivo, la struttura ha prodotto flessibilità, non rigidità: avendo il controllo del sistema, lo studio ha sviluppato metriche a supporto del processo decisionale – dall’accettazione degli incarichi, alla determinazione delle tempistiche di evasione, fino alle scelte di allocazione delle risorse.

La sintesi, nelle parole dei professionisti coinvolti: “non torneremmo indietro”.

L’AI come passo successivo, non come scorciatoia

L’esperienza di ExLege non è un caso isolato: è la dimostrazione pratica di un percorso che vale per qualsiasi organizzazione di servizi professionali. Prima si costruisce il sistema, poi si introduce la tecnologia.

L’AI non crea ordine dove non c’è ma, nel bene e nel male, amplifica ciò che trova. Applicata a un’organizzazione strutturata, può sbloccare valore reale: coordinare flussi complessi, supportare decisioni strategiche, ridurre il lavoro a basso valore cognitivo. Applicata al caos, lo accelera.

Il vero investimento non è nello strumento. È nell’organizzazione che lo sa usare.

Ho pubblicato originariamente questo articolo su LinkedIn il 3 settembre 2026

Smettete di iniziare, iniziate a finire: un consiglio per salvare Milano dai cantieri infiniti

Per chi vive a Milano, è diventata un’esperienza fin troppo comune: passeggiare per la propria via e scoprire una nuova area transennata, l’ennesimo cantiere che sbuca da un giorno all’altro. La frustrazione, però, arriva dopo. Passano le settimane, poi i mesi, e dietro a quelle recinzioni non accade nulla. I lavori non procedono, il cantiere resta abbandonato, e le aree verdi sequestrate alla cittadinanza si trasformano in piccole ‘savane’ di erba incolta.

Questa paralisi diffusa genera una domanda spontanea in molti cittadini: perché accade tutto questo? Con così tanti progetti da realizzare, perché così tanti cantieri rimangono fermi?

C’è un modo migliore per gestire le opere pubbliche, un metodo che potrebbe restituire la città ai suoi abitanti in tempi più rapidi e con meno disagi.

Il problema: l’illusione della produttività

Dal punto di vista della gestione dei processi, il problema di Milano è un classico esempio di sovraccarico del sistema, dove un carico di lavoro eccessivo porta alla paralisi. Il cuore del problema risiede nella tendenza ad aprire troppi fronti contemporaneamente. L’amministrazione avvia numerosi cantieri in tutta la città, disperdendo energie, risorse e manodopera su decine di progetti diversi. Questo approccio, simile a un multitasking su larga scala, crea l’illusione di una grande operosità, ma nei fatti si rivela controproducente.

Le conseguenze negative di questa strategia sono sotto gli occhi di tutti e pesano sia sulle casse comunali che sulla vita quotidiana dei cittadini:

Progetti che non avanzano mai: le risorse frammentate impediscono di completare rapidamente anche i lavori più semplici.
Aumento dei costi per il Comune: ogni giorno in più di cantiere aperto rappresenta un costo aggiuntivo.
Significativi disagi per i cittadini: strade chiuse, rumore, aree inaccessibili e degrado urbano si protraggono per mesi.
Allungamento a dismisura dei tempi: i cronoprogrammi diventano un miraggio, con scadenze costantemente posticipate.
Crollo della produttività generale: saltare continuamente da un’attività all’altra diminuisce l’efficienza complessiva del sistema.

La causa nascosta: perché si inizia senza finire?

Ma perché si adotta una strategia così palesemente inefficace? L’ipotesi più probabile è legata a una logica burocratica e procedurale. Spesso, una volta che i fondi per un’opera pubblica vengono stanziati, esiste il rischio che vengano persi se il cantiere non viene “ufficialmente iniziato” entro una certa data.

Per non perdere il finanziamento, si procede quindi ad aprire formalmente il cantiere, magari semplicemente recintando l’area, anche senza avere le risorse o il piano operativo per portare avanti i lavori in modo continuativo. Questo meccanismo, nato per garantire l’impiego dei fondi, genera un sistema inefficiente che, dal punto di vista della buona gestione e del buon senso, non ha alcuna logica.

La soluzione controintuitiva: limitare i lavori in corso

La soluzione a questo paradosso esiste ed è sorprendentemente semplice, anche se controintuitiva. Deriva da metodologie di gestione del lavoro collaudate a livello globale, come Kanban, nate in ambito produttivo ma oggi applicate con successo in ogni settore. Il principio fondamentale è: limitare i lavori in corso (limit WIP – Work in Progress).

Invece di iniziare dieci cantieri e non portarne a termine nessuno, l’amministrazione potrebbe concentrare tutte le sue risorse sul completamento di uno o due cantieri alla volta. Solo una volta che un cantiere è finito, chiuso e l’area restituita alla città, si potrebbe procedere con l’avvio del successivo. Il principio da adottare è potente nella sua semplicità:

“Smettere di iniziare il lavoro e iniziare a finirlo.”

I benefici: più efficienza per i cittadini

Adottare un approccio focalizzato sulla conclusione dei lavori porterebbe benefici immediati e tangibili, come suggerito dall’esperienza di molte organizzazioni di cui parlo su questo blog. Concentrare le risorse non solo risolve il problema dei cantieri fantasma, ma ottimizza l’intero sistema. I vantaggi principali sarebbero:

Tempi di completamento ridotti: concentrando le risorse, ogni singolo cantiere viene terminato molto più in fretta.
Massimizzazione delle risorse pubbliche: meno cantieri aperti in parallelo significa meno costi di gestione, meno disagi prolungati e un uso più efficace dei soldi dei cittadini.
Aumento della produttività complessiva: le squadre di lavoro non sono costrette a disperdere energie, operando con maggiore efficacia su un obiettivo alla volta.

Conclusione: finire è meglio che iniziare

L’immagine di una Milano costellata di cantieri fermi non è un segno di vitalità, ma il sintomo di un sistema di gestione che ha perso di vista l’obiettivo finale: servire i cittadini. La soluzione non richiede investimenti colossali, ma un cambio di mentalità. Passare da una cultura dell’iniziare a una cultura del finire è la chiave per sbloccare la città e migliorare la qualità della vita di tutti.

La vera domanda, a questo punto, è una sola. È pronta l’amministrazione di Milano ad abbracciare un approccio dove meno significa meglio per restituire finalmente la città ai suoi cittadini?

Pillole di Kanban: Il paradosso del pendolare e l’illusione delle vecchie metriche

Per anni, il mio viaggio in treno verso l’ufficio di un cliente è stato il mio laboratorio personale di Kanban. Avevo costruito una metrica di Lead Time estremamente affidabile, un set di dati consolidati che mi permetteva di calcolare al minuto l’istante esatto in cui uscire di casa per essere puntuale, senza sprecare un solo secondo. Era il trionfo della prevedibilità.

Poi, come per tutti, il mondo è cambiato. Tra la pandemia e un’evoluzione delle mie attività professionali, ho iniziato a usare quasi esclusivamente l’auto. Recentemente, però, ho avuto l’opportunità di tornare alle vecchie abitudini e riprendere il treno. Convinto della solidità della mia esperienza passata, ho ripreso in mano i miei vecchi dati. Mi sono fidato di quella ‘verità’ storica per pianificare il mio arrivo.

Mentre camminavo verso la mia destinazione finale, riflettendo sul fallimento della mia pianificazione, ho iniziato a concepire questo articolo. Mi sono reso conto di aver commesso lo stesso errore che spesso rimprovero alle aziende con cui collaboro: ho agito basandomi su metriche scadute in un sistema che non è più lo stesso.

L’invecchiamento delle metriche: quando i dati diventano il tuo rischio

Il mio errore non è stato di calcolo, ma di contesto. Quelle metriche, che anni prima garantivano la mia puntualità, erano diventate inutili, anzi, pericolose. Le ferrovie sono cambiate: l’infrastruttura è meno affidabile, i guasti più frequenti. Quel giorno, un imprevisto tecnico mi ha causato un ritardo di 15-20 minuti, mandando in fumo la mia pianificazione.

Come Kanban Coach, parlo spesso di stabilità del processo. Una metrica non è una verità ontologica; è una fotografia di un sistema in un determinato stato di equilibrio. Se il contesto muta, che sia per una crisi globale o per un degrado strutturale, la metrica subisce un processo di obsolescenza (Metric Decay). Usare il Lead Time del 2019 nel 2026 è come navigare una costa rocciosa usando una mappa del secolo scorso. Il territorio è cambiato, e lo schianto è quasi certo.

Mediocristan vs. Extremistan: comprendere la natura del mondo

Per navigare l’incertezza, dobbiamo capire in quale dominio stiamo operando. Nassim Taleb distingue tra Mediocristan, dove le fluttuazioni sono scarse e seguono una distribuzione Gaussiana, prevedibile. Ed Extremistan, il regno degli eventi estremi, dove un singolo evento può invalidare ogni previsione.

Senza metriche fresche e aggiornate, perdiamo la capacità di distinguere tra questi due mondi.

Se non so più quanto sia affidabile il treno, non posso più permettermi il lusso dell’efficienza. Sono costretto a un enorme dispendio di capacità residua: per essere sicuro di arrivare puntuale, dovrei partire un’ora prima. Questo è il costo economico del non sapere: senza dati, siamo costretti a un sovraccarico di precauzioni costante. Trattiamo ogni banale spostamento come se fosse un potenziale cigno nero, un evento catastrofico.

Costruire l’antifragilità: sopravvivere al caos per disaccoppiamento

Quando il sistema ferroviario ha fallito e le mie metriche sono saltate, ho cercato una via d’uscita. Ma ho scoperto che le soluzioni standard erano fragili quanto il treno stesso:

Taxi e Bus (sistemi dipendenti): erano entrambi paralizzati dal traffico urbano. Se la strada è bloccata, il taxi e l’autobus condividono lo stesso destino. In termini sistemici, le loro probabilità di fallimento sono correlate.
Andare a piedi (sistema antifragile/robusto): alla fine, ho scelto di camminare, anche se era la soluzione più lenta.

Camminare è una soluzione vincente perché è disaccoppiata dall’infrastruttura complessa. Non dipende dai segnali ferroviari, dai motori elettrici o dal traffico stradale. Mentre il taxi restava bloccato, la mia progressione costante a piedi non degradava con il fallimento del sistema circostante. In un mondo in cui non puoi misurare con precisione il Lead Time degli altri, l’unica strategia razionale è avere opzioni che non dipendano dalle fragilità altrui.

Conclusione: il costo del non sapere

Le metriche non servono solo a “misurare quanto siamo bravi”. Servono a definire la natura del mondo in cui stiamo operando. Se i tuoi dati sono obsoleti, non hai più una bussola: ogni fluttuazione statistica si trasforma in un evento da Extremistan che può travolgere la tua operatività.

Il costo di non avere metriche aggiornate è il tempo perso in cautele eccessive, o nel rischio di trovarsi a gestire l’imprevisto senza alcuna preparazione.

Vi lascio con una provocazione: siete sicuri che i dati che state usando oggi per guidare il vostro team non siano solo il ricordo di un sistema che non esiste più? Perché senza una metrica, ogni imprevisto è un caso di Extremistan.

Pillole di Kanban applicato: Il potere rivoluzionario di due vaschette di plastica

Nella mia esperienza di consulente, mi sono imbattuto spesso in organizzazioni governate dal cosiddetto “urlometro”. La priorità non è definita dal valore strategico, ma dal volume delle grida o dall’eroismo plateale dell’ultimo minuto. In questi contesti, ruoli critici come la segreteria o il supporto operativo vivono in uno stato di assedio permanente.

Le interruzioni costanti non sono solo un fastidio. Sono una forma di spreco che distrugge la capacità cognitiva e impedisce di entrare in uno stato di flusso. Proteggere il tempo di concentrazione non è un lusso, ma una necessità operativa. Eppure, la risposta istintiva delle organizzazioni di questo tipo è spesso quella di rifugiarsi in soluzioni tecnologiche che finiscono per aggravare il problema anziché risolverlo.

Quando il digitale è troppo: il paradosso dell’eccesso tecnologico

In un caso che ho affrontato di recente, abbiamo dapprima tentato di domare il caos attraverso una bacheca elettronica. Il risultato? Un fallimento totale, dovuto a un eccesso di ottimismo: lo strumento era troppo sofisticato per un ambiente con bassa maturità digitale e alta resistenza al cambiamento. Quando il divario tra la complessità dello strumento e l’utilità percepita è troppo ampio, la tecnologia diventa un ostacolo.

In contesti di forte attrito culturale, il digitale rischia di nascondere il sovraccarico dietro schermate che nessuno apre. In questi casi, la bassa tecnologia non è un limite, ma diventa un’opportunità strategica. È necessario un sistema che renda il lavoro “fisicamente ingombrante” e impossibile da ignorare.

Il sistema delle vaschette portadocumenti: semplicità e sovraccarico visibile

Per superare l’impasse, ho fatto implementare un sistema Kanban radicalmente analogico: due vaschette di plastica e lo spazio fisico della scrivania. A differenza di un software, dove è possibile accumulare centinaia di compiti invisibili senza che nessuno se ne accorga, la fisicità del sistema rende il sovraccarico impossibile da nascondere. Se il lavoro arriva più veloce di quanto se ne riesca a smaltire, non sparisce in un backlog invisibile: si accumula nella vaschetta “Da fare”, che comincia a traboccare. Il blocco del sistema diventa evidente a chiunque passi davanti alla postazione.

Il sistema si basa su tre stati chiari, utilizzando la lingua locale per massimizzare l’adozione e ridurre il carico cognitivo:

Vaschetta “Da fare”: il punto di ingresso unico per le richieste. Rappresenta il backlog fisico.
La scrivania (“In corso”): il perimetro del WIP limit. Se un documento è sulla scrivania, è l’unico su cui si sta lavorando e su cui si può lavorare.
Vaschetta “Fatto”: il deposito del valore completato, pronto per la consegna.

Questo supporto analogico forza visivamente il limite del lavoro in corso. È un meccanismo che rende il sovraccarico tangibile e non occultabile.

La policy della vaschetta: passare dal push al pull

Il cuore del sistema non sono le vaschette, ma la policy comunicativa. È lei a trasformare il flusso da push (interruzioni imposte dall’esterno) a pull (lavoro prelevato in base alla capacità disponibile). La regola è ferrea: “Se hai qualcosa da farmi fare, lasciami un foglio nella vaschetta”.

Abbiamo posizionato una risma di fogli accanto alla vaschetta come dispositivo a prova di errore. L’atto di dover scrivere la richiesta aggiunge un attrito intenzionale che funge da filtro. Se una richiesta non vale il tempo di essere scritta, probabilmente non valeva nemmeno l’interruzione.

Come consulente, insisto sulla logica del one-piece flow, fare una sola cosa alla volta. Quando si libera la capacità si pesca dalla vaschetta ‘da fare’. Si fa una cosa per volta, nell’ordine in cui è arrivata.

Questo buffer permette all’operatore di gestire le interruzioni interne (decidere quando iniziare un nuovo compito), invece di subire le interruzioni esterne (le richieste continue dei colleghi). Protegge così la qualità e la velocità di esecuzione.

Visualizzazione contro ansia: la bacheca informativa passiva

Il micro-management è spesso alimentato dall’ansia del “a che punto siamo?” Le interruzioni per chiedere aggiornamenti sono sprechi che generano altri sprechi. Il sistema a vaschette funge da bacheca informativa passiva: fornisce uno stato dell’arte asincrono senza richiedere interazione umana.

Il responsabile o il collega non ha più bisogno di chiedere. Gli basta osservare:

Il foglio è nella vaschetta “Da fare”? La richiesta è in coda.
Il foglio è sulla scrivania? La lavorazione è in corso in questo istante.
Il foglio è nella vaschetta “Fatto”? Il compito è terminato.

Questa trasparenza agisce come un sedativo per l’ansia da controllo. Elimina il bisogno di domande continue e risparmia all’operatore l’onere emotivo di dover difendere il proprio progresso.

Il triage delle urgenze: verifica delle priorità e il costo dell’attesa

Se tutto è urgente, nulla lo è. Per gestire le eccezioni senza far collassare l’ordine di arrivo, abbiamo introdotto l’uso di post-it rossi. Tuttavia, l’applicazione di un post-it rosso non è un diritto, ma il risultato di una verifica puntuale della priorità.

La domanda strategica da porre a chiunque voglia “saltare la fila” è: “cosa costa aspettare?”. Se il richiedente non sa quantificare il costo dell’attesa, la priorità viene negata. Se il costo è reale, il post-it rosso permette al compito di diventare il prossimo elemento prelevato non appena la capacità si libera. Questo meccanismo di triage protegge l’integrità del flusso per tutto il resto del lavoro.

Conclusione: la fine degli alibi

Il sistema delle vaschette portadocumenti è uno specchio onesto dell’efficienza aziendale. Funziona perché riduce la complessità e rende visibile il valore. Tuttavia, è bene essere chiari: se chi ha l’autorità per farlo, decide deliberatamente di ignorare le policy e continuare a scavalcare i processi con l’autorità, il sistema non reggerà.

Ma c’è un risultato fondamentale che si otterrà comunque: con un sistema del genere, gli alibi finiscono. Se il responsabile scardina le regole, non può più lamentarsi della disorganizzazione o dell’inefficienza dei suoi collaboratori. La responsabilità del caos torna nelle mani di chi lo genera.

Siamo pronti a perseguire una trasparenza che non lascia più spazio a scuse?

L’arte dei Kata nel management: lezioni di agilità organizzativa attraverso la metafora di “The Karate Kid”

Nel panorama dei servizi, l’eccellenza operativa è una condizione dinamica che richiede una mentalità da apprendista. Troppo spesso, i manager moderni cadono vittima della ‘sindrome da determinismo’, presumendo di avere risposte prima ancora di aver compreso la realtà. L’apprendimento di abilità complesse, nella gestione aziendale come nelle arti marziali che sono un’ottima metafora, non avviene per mezzo di improvvisi salti evolutivi. Avviene attraverso l’interiorizzazione meticolosa di pratiche fondamentali. Nel celebre film The Karate Kid, il giovane Daniel LaRusso viene istruito attraverso compiti apparentemente banali, tra cui il celebre “dai la cera, togli la cera”. Sono compiti che in realtà costruiscono la memoria muscolare necessaria per il combattimento reale.

Allo stesso modo delle arti marziali, le organizzazioni eccellenti ottengono beneficio dall’adozione di veri e propri Kata, routine strutturate che scompongono abilità complesse in elementi base da praticare sotto la guida di un coach. Non si tratta di mera esecuzione, ma di un metodo per interiorizzare il pensiero scientifico del PDCA (Plan-Do-Check-Act). Questa disciplina trasforma l’incertezza operativa in un percorso di apprendimento sistematico, permettendo al team di superare gli ostacoli attraverso esperimenti rigorosi. Solo attraverso questa pratica costante è possibile costruire la struttura solida necessaria per sostenere l’eccellenza operativa.

Dal dojo al Kanban Maturity Model

Il Kanban Maturity Model (KMM) propone lo stesso percorso su scala organizzativa: un’evoluzione basata su oltre 150 “Kata”, ovvero pratiche codificate. L’obiettivo strategico del KMM è democratizzare l’adozione del metodo Kanban, permettendo a ogni organizzazione di raggiungere resilienza, coesione e una performance economica sostenibile.

Tali pratiche non sono semplici istruzioni operative, ma veicoli per un cambiamento interiorizzato e istituzionalizzato che rimane e persiste anche quando il personale o i manager cambiano. Proprio come Daniel non comprendeva inizialmente il valore di pulire le auto, le aziende spesso sottovalutano l’importanza delle pratiche di base, cercando di saltare direttamente alle tecniche avanzate. È qui che entra in gioco il Coach, il Sensei moderno che guida l’interiorizzazione delle pratiche finché non diventano parte dell’identità sociale del team.

Il Coach come Sensei: il ruolo del KMM nel prevenire la tensione strutturale

In un percorso di trasformazione, la figura del Kanban Coach agisce come un vero e proprio coach sportivo, un Mr. Miyagi organizzativo. È fondamentale distinguere questo ruolo dal terapeuta: mentre quest’ultimo si concentra sulla psicologia individuale e sull’auto-consapevolezza, il Coach KMM si concentra sulla sociologia e sulla struttura del gruppo. La fiducia non nasce da sessioni di psicoterapia, ma è un fenomeno sociologico che emerge lavorando insieme su obiettivi condivisi attraverso i Kata.

Il KMM funge da manuale codificato per prevenire la tensione strutturale, che emerge quando l’azienda percepisce un divario incolmabile tra la realtà attuale e una meta ambiziosa, come l’agilità sistemica, senza comprendere i passi necessari per raggiungerla. È lo stress di chi guarda un campione olimpico e vede i suoi risultati come “magia”. Il KMM rimuove questa ansia fornendo una roadmap pragmatica, e i leader che la adottano ottengono alcuni vantaggi competitivi chiari: comunicano azioni concrete basate su livelli di maturità osservabili, gestiscono la resistenza introducendo pratiche che producono la giusta tensione senza mandare in crisi l’organizzazione, transitano dall’eroismo individuale a processi istituzionalizzati e ripetibili, e spostano il focus dei leader dal controllo dei compiti alla gestione delle policy del sistema.

Dai la cera, togli la cera: evitare il sovra-allenamento e la presunta eccellenza

Molte trasformazioni falliscono a causa della presunzione o di un’ambizione eccessiva. Il KMM identifica due principali modalità di fallimento che possono compromettere la resilienza aziendale. La prima è l’Overreaching, la sovra-estensione: tentare di imporre pratiche di livello avanzato, come la gestione quantitativa del rischio, in organizzazioni ancora poco strutturate. Qui la causa è quasi sempre un coach o un leader che subisce la pressione di dover mostrare risultati prematuramente, e il risultato è che le pratiche non vengono comprese né interiorizzate: l’adozione viene presto abbandonata. Il rimedio del Sensei è tornare ai fondamentali, mappando le pratiche rispetto alla capacità reale dell’organizzazione.

La seconda modalità è il False Summit Plateau, l’altopiano della presunta eccellenza: la compiacenza di chi crede di “avere fatto Kanban” solo perché ha ridotto il sovraccarico iniziale, lasciando sul tavolo i benefici della resilienza a lungo termine. Qui la causa è la presunzione, i benefici iniziali vengono scambiati per il traguardo finale, e il costo è restare fermi al sollievo dallo stress senza sviluppare una vera agilità di fronte alle crisi. Il rimedio, in questo caso, è sfidare lo status quo mostrando quanto valore è rimasto inespresso.

La vera maturità arriva solo quando le pratiche sono così profondamente interiorizzate da diventare parte dell’identità del team, il “noi lavoriamo così” che nessun manuale può imporre dall’alto.

La disciplina del WIP limit: il fondamento del movimento

Nel karate, la forza deriva dalla precisione, non dalla frenesia. In Kanban, la limitazione del Work-in-Progress (WIP) è la pratica fondamentale per eliminare il Muri, il sovraccarico. Non è un vincolo, ma il muscolo della performance, e la sua evoluzione segue la crescita del team: a livello personale (ML0) riduce il multitasking e favorisce la focalizzazione individuale; a livello di team (ML1) fa passare dall’individualismo, “il mio compito”, alla logica di gruppo, “siamo tutti nella stessa barca”; a livello di sistema (ML2/ML3) si traduce in sistemi pull completi, che bilanciano domanda e capacità.

Il consiglio del Sensei per il dimensionamento è pragmatico: non perdersi in calcoli astratti iniziali. La pratica empirica suggerisce di iniziare con un limite di 5 e aggiustare verso l’alto se il sistema rallenta troppo, o verso il basso se si nota multitasking eccessivo.

Verso la cintura nera: resilienza organizzativa e sopravvivenza a lungo termine

Il percorso dei Kata porta l’organizzazione dall’eroismo individuale alla sopravvivenza strategica. A ML5 – Market Leader, l’azienda è guidata dalla ricerca incessante della perfezione: qui i dati sono armi competitive e la forza lavoro è orgogliosa della propria capacità di ottimizzare margini e qualità.

Il culmine è il ML6 – Built for Survival, dove l’organizzazione raggiunge la congruenza d’azione: le decisioni tattiche, operative e strategiche sono totalmente allineate tra loro e con l’identità aziendale. La resilienza strategica si manifesta nella capacità di reinventare “chi siamo”. L’esempio magistrale è il confronto tra Fujifilm e Kodak: Fujifilm ha compreso che la sua identità risiedeva nelle competenze chimiche, non solo nella pellicola, e si è reinventata con successo. Kodak, ancorata a un’identità rigida di “imaging”, non ha saputo evolversi.

Trasformare un’azienda richiede una disciplina costante. Attraverso il KMM, la trasformazione cessa di essere un caso fortuito e diventa una scelta strategica consapevole, sostenuta dalla forza dei Kata e dalla saggezza del Sensei.

Perché Boyd bocciò la parola “Lean” (e cosa c’entra con la maturità di un sistema Kanban)

Prendo spunto da un articolo che ho letto su LinkedIn, scritto da Brian Rivera, che racconta un lavoro poco conosciuto: la trascrizione delle note a margine lasciate da John Boyd, il colonnello dell’aviazione americana che ha ideato gli OODA loop e che è considerato uno dei pensatori più influenti della strategia militare e organizzativa del Novecento, sui libri da lui letti, oggi conservati negli archivi di Quantico. Boyd non si limitò a sfogliare i testi sulla Toyota Production System. Li studiò a fondo. Sul suo scaffale c’erano Imai, Stalk e Hout, il libro di Aguayo su Deming, e naturalmente The Machine That Changed the World di Womack, Jones e Roos, il volume che introdusse la parola “Lean” in ogni sala riunioni del pianeta.

A margine di quel libro, di suo pugno, Boyd lasciò un giudizio netto e sprezzante, una sola parola: “Terrible!”

Se anche chi ha coniato il termine più celebrato del management moderno aveva frainteso il sistema Toyota agli occhi di Boyd, vale la pena chiedersi cosa rischiamo noi quando trattiamo Kanban come un semplice set di strumenti.

Un sintomo scambiato per il motore

La critica di Boyd non era estetica. Il problema era che “Lean” descrive un effetto collaterale, il basso livello di inventario, e non il meccanismo che lo produce. Secondo le sue note, il kanban stesso è solo una parte del sistema just-in-time, e gli autori del libro non avevano nemmeno menzionato Shigeo Shingo, l’ingegnere che con Ohno costruì l’architettura tecnica del Toyota Production System.

Il suo giudizio finale su Womack, Jones e Roos fu che non avevano colto il pensiero rovesciato di Ohno: la sua capacità di guardare fuori dal proprio sistema e ricombinare quello che osservava con il proprio modo di ragionare. È il filo che attraversa tutte le note di Boyd, qualunque sia il libro su cui scrive.

Lo stesso errore si ripete ogni volta che Kanban viene ridotto a board, limiti WIP e cadenze di revisione. Sono strumenti, non il sistema. Il Kanban Maturity Model affronta gli sprechi in un ordine preciso, prima il muri (sovraccarico), poi il mura (irregolarità), solo alla fine il muda (attività non a valore), proprio per evitare di installare pratiche senza il pensiero che le tiene insieme. Come diceva Box, tutti i modelli sono sbagliati, ma alcuni sono utili: il problema nasce quando ci si innamora del modello e si perde di vista cosa dovrebbe rappresentare.

Comando dall’alto, controllo dal basso

Nelle sue note, Boyd torna più volte su un’idea che sembrava ovvia a Toyota ma che l’Occidente continuava a mancare. Il comando, l’intento strategico, arriva dall’alto. Il controllo reale, invece, viene esercitato dall’esterno: dal cliente, dall’ambiente in cui l’organizzazione opera.

Non è uno slogan. È il meccanismo che Ohno costruì attorno al sistema kanban stesso: il processo a valle chiama il lavoro, non il contrario. Quando Imai descrisse il miglioramento come qualcosa che il management stabilisce e i lavoratori eseguono, Boyd si chiese, con la sua consueta insofferenza, come potesse il management stabilire standard su un lavoro che non conosce a fondo.

Il metodo STATIK parte esattamente da qui. Il punto di partenza non è l’organigramma né la struttura dei team, ma cosa non soddisfa il cliente del servizio. L’idoneità allo scopo, il criterio con cui un cliente sceglie o abbandona un fornitore, non viene definita da chi gestisce il sistema. Viene definita da chi sta fuori. Più un’organizzazione matura, più questo principio smette di essere un’eccezione e diventa l’impostazione di default.

Non puoi giudicare un sistema da dentro

C’è un’osservazione che Boyd scrisse nel libro su Deming e che vale più di molte pagine di teoria: il carattere di un sistema non si può determinare restando al suo interno. Per capire cosa non funziona, bisogna uscirne, osservare, e orientarsi rispetto a qualcosa di più grande delle proprie assunzioni interne.

È lo stesso principio dell’OODA loop, il ciclo osserva-orienta-decidi-agisci che Boyd sviluppò per il pensiero tattico e che oggi viene citato, spesso in versione semplificata, ben oltre il contesto militare. La parte che si perde più facilmente è l’orientamento: non basta osservare, bisogna anche essere disposti a rivedere il proprio modello della realtà.

Nel Kanban Maturity Model questo si traduce in cadenze concrete. Operations Review e Strategy Review esistono per dare all’organizzazione un punto di osservazione esterno a se stessa, un modo per vedere interazioni che dal singolo team o dal singolo silo restano invisibili. Senza questi meccanismi di feedback, un’organizzazione può ottimizzare ogni sua parte e restare comunque cieca rispetto al proprio insieme.

Il giudizio nel margine

Quel giudizio tagliente scritto a margine non era pedanteria terminologica. Era il rifiuto di ridurre un sistema vivente, capace di osservare e ricombinare continuamente se stesso, a un elenco di pratiche da installare.

Toyota lo sapeva. Boyd lo sapeva. La maggior parte delle “trasformazioni Lean” continua a non saperlo.

Bibliografia

Brian Rivera, John Boyd Read Toyota’s Playbook. He Thought “Lean” Was the Wrong Word., LinkedIn, 27 luglio 2026 — https://www.linkedin.com/pulse/john-boyd-read-toyotas-playbook-he-thought-lean-wrong-brian-rivera-xcnle/
David J. Anderson, Teodora Bozheva, Kanban Maturity Model, Coaches’ Edition: A Map to Organizational Agility, Resilience, and Reinvention, Kanban University Press, 2ª edizione, 2021

Dagli eroi al sistema: come il Kanban Maturity Model ha recepito le idee di Toyota

Nell’articolo precedente ho raccontato il modello del giardiniere: il modo in cui Toyota affronta gli sprechi in un ordine preciso, prima le persone, poi il flusso, poi le attività. Ne nasce una leadership che coltiva invece di installare. In questo articolo spiego come il Kanban Maturity Model abbia ripreso questi stessi principi. Li traduce in pratiche precise e verificabili, che segnano il passaggio da un livello di maturità al successivo.

Il Muri irrisolto genera l’eroe

Ai primi livelli, ML1 e ML2, il lavoro non è visualizzato in modo sistematico. Non esistono policy esplicite su cosa entra nel sistema e quando. Chi decide cosa fare oggi lo decide con il buon senso, non con una regola scritta e condivisa. Senza un limite dichiarato al lavoro in corso, tutto arriva insieme. Chi tiene in piedi il sistema è chi sa improvvisare meglio sotto pressione: l’eroe. Il Muri, il sovraccarico, nasce dal fatto che nessuno ha mai dichiarato quanto lavoro il sistema può reggere.

Il primo sollievo arriva già a ML2, con l’emergere di una figura dedicata, il Flow Manager. Il suo compito esplicito è alleviare il sovraccarico locale e stabilizzare il flusso. È un sollievo parziale: il KMM etichetta questo livello come “emergente”. Qualcuno inizia a occuparsene, ma non è ancora il sistema a farlo strutturalmente.

ML3: i processi sostituiscono gli eroi

Il salto vero è a ML3, segnato dal motto che il KMM usa esplicitamente: “no more heroes anymore”. Non è un cambio di mentalità, è un cambio di pratiche. Una board rende visibile il lavoro reale. Limiti espliciti al WIP e cadenze fisse di replenishment stabiliscono insieme cosa entra e cosa aspetta. Policy scritte e condivise sostituiscono quelle trattenute nella testa di chi ha più esperienza.

Con queste pratiche il Muri si affronta nei fatti. Il ruolo stesso cambia forma, dal Flow Manager di ML2 al Service Delivery Manager e Service Request Manager (anche chiamato Demand Manager) di ML3, e il focus si sposta dal semplice sollievo al valore del servizio. Nasce l’unità di intenti: i processi consistenti sostituiscono gli eroi. Con il carico sotto controllo, anche il Mura, l’irregolarità del flusso, si riduce, perché il lavoro entra a un ritmo dichiarato invece che a ondate imprevedibili.

Il Muda viene per ultimo

Solo a questo punto, con persone e flusso stabilizzati, ha senso occuparsi del Muda. Tipico di ML4 e ML5, significa eliminare le attività senza valore, affinare con modelli probabilistici, estendere il miglioramento oltre il singolo team.

L’errore più comune è affrontare il Muda per primo. È il più visibile, il più facile da spiegare a un dirigente: si “elimina questa attività inutile”. Affrontare Muri e Mura è scomodo, perché costringe a decidere cosa il sistema non può più permettersi di chiedere alle persone. Eliminare però attività che sembrano spreco in un sistema ancora sovraccarico e irregolare spesso significa individuare il sintomo sbagliato.

Jidoka diventa il blocco del ticket

Il telaio di Sakichi Toyoda si fermava da solo alla rottura di un filo. Nel metodo Kanban questo diventa una regola operativa precisa. Quando un elemento si blocca per un difetto, il ticket di rework si aggancia esplicitamente al suo genitore bloccato sulla board. Non è un dettaglio grafico. Significa che chiunque guardi la board vede subito dove il flusso si è rotto, invece di scoprirlo settimane dopo da un cliente insoddisfatto.

Genchi Genbutsu: la board non basta

Andare a vedere i fatti di persona ha due risvolti, nel metodo Kanban. Il primo è aprire la board invece di affidarsi a un report che riassume, e quindi semplifica troppo, la realtà. Il secondo è sedersi fisicamente accanto a chi eroga il servizio e osservare cosa fa davvero. Un report può dire che una richiesta è stata evasa in tre giorni. Solo guardando chi la evade si scopre quanto di quel tempo è lavoro reale e quanto è attesa o rilavorazione. Emergono aspetti che restano invisibili a chi guarda solo i numeri aggregati. Il KMM colloca questo passaggio, dalle intuizioni ai dati, esplicitamente a partire da ML3.

Un percorso pratico, per il settore dei servizi

Il modello del giardiniere è il sistema che Toyota ha costruito in decenni, dentro una cultura industriale specifica. Il Kanban Maturity Model prende lo stesso sistema e lo rende percorribile per chi non parte da lì. Una sequenza di pratiche verificabili, che qualsiasi organizzazione di servizi può adottare un passo alla volta: board, limiti di WIP, cadenze, policy esplicite, blocco dei ticket, osservazione diretta del servizio. Non è un’interpretazione della filosofia Toyota, è lo stesso principio reso incrementale, misurabile, portabile fuori dalla fabbrica dove è nato.

Bibliografia

David J. Anderson, Teodora Bozheva, Kanban Maturity Model: A Map to Organizational Agility, Resilience, and Reinvention – 2nd Edition, Kanban University Press, 2021
Jeffrey K. Liker, Karyn Ross, The Toyota Way to Service Excellence: Lean Transformation in Service Organizations, McGraw Hill, 2017

Oltre la leadership meccanicistica: il modello del “giardiniere” in Toyota

Nel settore dei servizi molte organizzazioni faticano perché approcciano la leadership con una mentalità meccanicistica. In questo approccio, il leader agisce come un installatore di software: implementa strumenti, “installa” procedure standard e si aspetta che l’azienda funzioni come un ingranaggio perfetto. Per avvicinarsi davvero all’eccellenza nei servizi, però, serve un cambio di prospettiva: il passaggio dalla visione del leader-meccanico a quella del leader-giardiniere. In un’azienda di servizi, dove il valore è creato nell’interazione umana, non si può “installare” l’efficienza, bisogna coltivare le condizioni perché essa possa emergere.

Questo approccio distingue la mera implementazione di strumenti (spesso utile solo nel breve periodo) dalla creazione di una cultura profonda basata sui due pilastri del pensiero Toyota: miglioramento continuo e rispetto per le persone. Per far crescere un’organizzazione sana e resiliente, occorre smettere di agire sulla superficie delle procedure e iniziare a nutrire le radici filosofiche del sistema.

Le radici della crescita: filosofia e pensiero a lungo termine

La filosofia è il substrato nutritivo del modello del giardiniere. Il pensiero sistemico orientato al lungo periodo non è un lusso, ma una condizione per non farsi guidare solo dalla logica del profitto trimestrale. Il modello 4P codificato da Jeffrey Liker identifica infatti la Filosofia (Philosophy) come la base dell’intera struttura:

Philosophy (Filosofia): la base del sistema. Decisioni guidate da uno scopo superiore e dal contributo alla società, anche a scapito dei risultati finanziari immediati.
Process (Processo): il terreno in cui il valore fluisce senza interruzioni.
People (Persone): lo sviluppo del talento attraverso la sfida costante.
Problem Solving (Risoluzione dei Problemi): la disciplina dell’apprendimento organizzativo.

Questo orientamento nasce dalla visione di Sakichi Toyoda, il quale ha insegnato che un leader deve “sporcarsi le mani” e conoscere il business dalle fondamenta. Il suo contributo più noto è il concetto di Jidoka: l’automazione dal tocco umano. Come un giardiniere che progetta un sistema di irrigazione che si arresta se rileva un’anomalia, Sakichi inventò un telaio capace di fermarsi istantaneamente alla rottura di un filo, impedendo la produzione di scarti. Il leader-giardiniere è il custode di questa qualità integrata, attento a non sacrificarla per un risultato immediato.

Vale la pena notare che il modello 4P non è la lettura di un osservatore esterno. Liker racconta di un incontro con il nipote di Sakichi, Eiji Toyoda, l’uomo che ha portato l’azienda da essere un piccolo produttore locale a diventare un colosso globale: sulla sua scrivania teneva copie del suo libro in inglese e in giapponese, e gli disse di aver strutturato il pensiero dell’azienda meglio di quanto Toyota stessa sapesse spiegarlo ai propri dirigenti. Un riconoscimento che pesa, perché arriva da chi il metodo lo ha vissuto dall’interno, non da chi lo ha solo studiato.

Preparare il terreno: ottimizzare il processo per il valore

Prima di piantare qualsiasi cosa, il terreno va preparato, e questo significa affrontare tre tipi di spreco, in un ordine preciso. Il primo è il Muri, il sovraccarico: un terreno a cui si chiede di sostenere più piante di quante ne possa nutrire non produce di più, produce piante deboli su tutta la superficie. Nei servizi è lo stesso: caricare le persone oltre la loro capacità reale non aumenta l’output, lo degrada ovunque. Per questo il Muri va affrontato per primo: chiedere di più a chi è già sovraccarico non lascia energia per occuparsi d’altro.

Il secondo è il Mura, l’irregolarità del flusso: un terreno che riceve troppa acqua oggi e niente per settimane, non fa crescere le piante meglio di uno irrigato con costanza. Sovraccarica in un momento, lascia a secco nell’altro, e il risultato è comunque una qualità compromessa. L’ideale del One-Piece flow (fare una cosa per volta) e della produzione livellata serve proprio a questo: sostituire l’alluvione con un’irrigazione regolare.

Il terzo è il Muda, lo spreco puro: le erbacce che non nutrono nulla e sottraggono solo risorse al resto del giardino. Il Value-Stream Mapping serve a mappare il flusso del valore e riconoscerle per toglierle di mezzo; il lavoro standardizzato è il “palo” a cui si lega la pianta perché cresca nella direzione corretta invece che a caso.

Affrontare gli sprechi in quest’ordine, prima le persone, poi il flusso, poi le attività, permette al giardino di dare il meglio di sé, invece di restare travolto dal caos operativo.

Coltivare il talento: le persone al centro del giardino

Per Toyota, il rispetto per le persone non è mera cortesia; è la responsabilità di sfidare i collaboratori a dare il meglio di sé. Il leader-giardiniere agisce come un coach attraverso l’On-the-Job Development (OJD). Latondra Newton, che ha trasformato il concetto di On-the-Job Development in Toyota da una pratica tacita a un approccio deliberato di coaching e insegnamento, sottolinea un punto cruciale: il coach deve permettere ai membri del team di “oscillare verso i limiti esterni” del sentiero tracciato. Un leader meccanicistico corregge l’errore istantaneamente; un giardiniere permette alla pianta di inclinarsi leggermente per creare un momento di insegnamento, aiutandola a trovare autonomamente la “luce” del miglioramento.

Le 4 fasi del modello OJD sono:

Scegliere un problema con il team: identificare sfide che superino leggermente le capacità attuali.
Dividere il lavoro e rendere la direzione avvincente: assegnare obiettivi che diano senso al lavoro quotidiano.
Eseguire, monitorare e istruire: lasciare spazio alla sperimentazione, intervenendo come guida quando si raggiungono i limiti del processo.
Feedback, riconoscimento e riflessione: consolidare l’apprendimento attraverso il ciclo PDCA.

Il contrario di questo modello è la crescita per vegetazione spontanea: responsabilità che si allargano più in fretta delle competenze, senza che nessuno insegni a chi le riceve gli strumenti di base, leggere un numero, strutturare un obiettivo, gestire una criticità senza improvvisare. Non è un problema di talento, è un’assenza di metodo, spesso scambiata per autonomia quando in realtà è abbandono.

Lo sviluppo del leader avviene attraverso tre ondate progressive, mirate a creare non solo esecutori, ma coach:

Aware (Consapevole): comprendere la teoria.
Able to Do (Capace di fare): applicare i principi nel Gemba.
Able to Teach (Capace di insegnare): sviluppare altri leader. Non esistono scorciatoie: generare nuovi giardinieri è ciò che distingue una leadership che dura da una che si esaurisce con la singola persona.

L’obiettivo del percorso non si esaurisce nella terza ondata individuale. Un leader che diventa Able to Teach comincia a sua volta a coltivare altri all’interno dell’organizzazione: è il punto in cui il modello collettivo di Toyota, il miglioramento che arriva dal basso e si moltiplica, prende forma concreta. Non un solo giardiniere che coltiva un giardino, ma un giardiniere che forma altri giardinieri.

Potatura e cura: il Problem Solving come disciplina di apprendimento

Il Problem Solving è l’arte della “potatura”: eliminare ciò che ostacola la crescita per orientare l’organizzazione verso il True North (il Nord Ideale). Non è una reazione alle emergenze, ma una mentalità scientifica. Il leader-giardiniere pratica il Genchi Genbutsu: va a controllare personalmente lo stato delle “foglie” (i fatti) per individuare i parassiti (le cause radice), rifiutando di affidarsi a report astratti.

Il set di strumenti è il Toyota Business Practices (TBP) strutturato in 8 passi (PDCA):

Plan: 1. Chiarire il problema rispetto all’ideale; 2. Scomporre il problema; 3. Definire target sfidanti; 4. Analisi dei “5 Perché”; 5. Sviluppare contromisure (ipotesi).
Do: 6. Attuare le contromisure con rapidità.
Check: 7. Monitorare sia i risultati che il processo.
Act: 8. Standardizzare i successi e condividere la conoscenza.

Il raccolto: eccellenza nei servizi e impatto sul cliente

L’eccellenza nei servizi non è un obiettivo a sé, è la conseguenza naturale di una leadership che coltiva sistematicamente persone e processi. La differenza tra chi si ferma alla gentilezza superficiale e chi coltiva davvero il sistema si vede proprio dove il cliente la sente di più: nel tempo che deve aspettare, nella fatica che deve fare per ottenere quello che gli serve, nella sensazione di trovarsi dentro un sistema che scorre o dentro uno che arranca nonostante le buone intenzioni di chi lo gestisce.

Un’organizzazione può essere accogliente nei modi e comunque lenta nei fatti, se nessuno ha mai lavorato sul flusso che sta dietro la cortesia. Quando invece il flusso è stato coltivato con cura, la produttività cresce senza che le persone debbano lavorare più in fretta o sotto pressione: cresce perché il lavoro è organizzato meglio, non perché costa più fatica a chi lo fa. Ed è un vantaggio che si misura, non solo si racconta: le organizzazioni che coltivano sistematicamente persone e processi ottengono risultati economici superiori alla media. L’eccellenza, in altre parole, non è un costo aggiuntivo. È un investimento che si ripaga.

Dai concetti alla pratica: un caso concreto

C’è un caso che mi ha riguardato direttamente e che mostra questo intero approccio all’opera, non come principio astratto ma come cosa accaduta nei fatti. Il punto di partenza era tipico: una figura direttiva che stava assumendo responsabilità sempre più ampie con la necessità di apprendere nuovi strumenti di management.

L’ho affiancata con incontri regolari, ogni due settimane, di due o quattro ore. In quel percorso abbiamo costruito insieme, un problema alla volta, l’impianto di governance e la gestione dei flussi di lavoro della struttura che stava nascendo, sempre con la stessa logica: non teoria calata dall’alto, ma gestione dei problemi reali che quella persona portava al tavolo. Ogni incontro affrontava un tema gestionale concreto, come leggere i numeri, come monitorare l’avanzamento del lavoro, come strutturare obiettivi e responsabilità, come gestire le criticità senza improvvisare, partendo sempre da strumenti operativi, una board, delle metriche, un foglio di calcolo, e dalle situazioni reali. Lei si portava a casa qualcosa da applicare da subito, con l’impegno di riportare un riscontro all’incontro successivo.

Nel tempo, quella persona ha cominciato a fare lo stesso con il proprio team: oggi accompagna direttamente i propri riporti con lo stesso approccio che ha vissuto in prima persona. È la cascata che il modello descrive: il giardiniere ha formato un secondo giardiniere, e quel secondo giardiniere ha già cominciato a coltivare il proprio giardino.

Il passo che resta da fare, ed è oggi la proposta sul tavolo, è estendere lo stesso accompagnamento a un gruppo più ampio di figure nella stessa organizzazione, perché la capacità gestionale cresca in modo più ampio e strutturato, invece di restare affidata a singoli rapporti di coaching isolati.

Conclusione: iniziare la trasformazione oggi

La leadership del giardiniere richiede onestà verso se stessi. Se un’organizzazione si limita a risolvere emergenze senza far crescere le persone, sta solo rimandando un problema che si ripresenterà, più grande. La trasformazione inizia quando il leader smette di dare ordini e inizia a porre domande scientifiche al Gemba.

Vale la pena, a questo punto, fermarsi un momento e guardare al proprio stile di leadership con onestà. Quanto tempo si dedica davvero a comunicare uno scopo che vada oltre il risultato del trimestre, e quanto le decisioni prese ogni giorno lo contraddicono nei fatti? Si sta lasciando alle persone lo spazio per sbagliare quel tanto che serve a imparare, o si interviene troppo presto, soffocando con un controllo che finisce per bloccare la crescita? E quante ore, ogni settimana, si passano davvero a osservare il lavoro reale e a fare coaching sul campo, invece che dentro riunioni e report che raccontano il lavoro senza mostrarlo?

Bibliografia

Jeffrey K. Liker, Karyn Ross, The Toyota Way to Service Excellence: Lean Transformation in Service Organizations, McGraw Hill, 2017