Gestió del canvi organitzatiu durant implementacions d’IA.

Què és la gestió del canvi en una implementació d’IA

La gestió del canvi organitzatiu és el conjunt d’accions que prepara i acompanya les persones perquè el canvi sigui sostenible. En un projecte d’IA, això vol dir que no n’hi ha prou amb “tenir el model” o “tenir l’eina”: cal assegurar que la IA es converteix en una forma de treballar.

En termes pràctics, la gestió del canvi durant implementacions d’IA cobreix:

• Adopció: quan, com i per què la IA s’utilitza en cada flux de treball.
• Capacitat: formació orientada a tasques reals i suport quan apareixen dubtes.
• Confiança: criteris de qualitat, responsabilitat i transparència per evitar “la caixa negra”.
• Processos: redefinir rols, punts de control i excepcions (què passa quan la IA s’equivoca o no té context).
• Governança: seguretat, permisos, dades, traçabilitat i normativa (quan aplica).

Per què la IA genera resistència i com anticipar-la

La resistència no és (només) “por al canvi”. En projectes d’IA, sovint és una resposta racional a incerteses reals. Identificar-les d’entrada et permet dissenyar un pla de canvi amb menys fricció i més tracció.

Causes habituals de bloqueig

• Por a perdre control: si un sistema “recomana” o “decideix”, la persona vol saber qui respon quan alguna cosa falla.
• Falta de confiança en la qualitat: una sola mala experiència pot fer que l’equip abandoni l’eina.
• Fricció operativa: si utilitzar la IA afegeix passos, contrasenyes o feina extra, l’adopció cau.
• Objectius poc clars: “volem IA” no és un objectiu. Les persones necessiten entendre el “per què” i el “per a què”.
• Incentius desalineats: si els KPI del rol no premien el nou comportament, el nou comportament no s’ancora.
• Preocupacions de privacitat o seguretat: sobretot amb dades sensibles, clients o informació interna.

Els pilars d’un pla d’adopció (persones, processos i confiança)

Pots inspirar-te en marcs com ADKAR o Kotter, però el més important és aterrar-los en decisions concretes. A la pràctica, un pla de gestió del canvi per a IA funciona quan cobreix aquests pilars:

1. Sponsor visible i responsabilitat clara
   No només “aprovar pressupost”: el lideratge ha de marcar prioritats, desbloquejar conflictes i donar exemple d’ús.
2. Proposta de valor per rol
   Explica què millora per a cada equip: menys tasques repetitives, decisions més ràpides, millor qualitat, menys errors, millor servei.
3. Canvi de processos (no només d’eina)
   Defineix els punts on la IA entra al flux: qui revisa, què passa amb excepcions, quin és el “fallback” humà.
4. Formació útil + suport en el moment
   L’aprenentatge ha de ser “just in time”: exemples reals, biblioteca de casos, sessions curtes i un canal de dubtes.
5. Mesura i reforç
   Sense mètriques d’adopció, tot sembla opinió. Mesura ús, qualitat i impacte, i reforça el bon comportament (reconeixement, millores, guies).

Quan aquests pilars es treballen alhora, l’adopció deixa de dependre de “persones motivades” i passa a dependre d’un sistema ben dissenyat.

Full de ruta: de la preparació al desplegament i la consolidació

La majoria d’implementacions d’IA encallen en el salt entre el pilot i la producció. El motiu: canvia el context. En pilot, tens un grup reduït, molt suport i molta tolerància. En producció, el dia a dia és implacable. Aquest full de ruta et serveix per fer el salt amb menys sorpreses.

1) Preparació i “readiness”

• Mapa d’stakeholders: qui guanya, qui perd, qui decideix i qui pot frenar.
• Definició de casos d’ús: què automatitzem o assistim, i quin és el criteri d’èxit.
• Rols i responsabilitats: propietari del procés, propietari del cas d’ús, responsable de dades, suport i validació.
• Polítiques d’ús: què es pot introduir a les eines, què no, i com es gestiona la informació sensible.

2) Pilot controlat orientat a aprendre

• Grup inicial: tria equips amb motivació i amb un procés prou estable per mesurar millores.
• Playbook d’ús: exemples, “do’s & don’ts”, criteris de qualitat i passos de revisió.
• Feedback estructurat: no esperis “opinions”, recull incidències per tipus i resol-les amb iteracions curtes.

3) Desplegament (go-live) amb suport real

• Comunicació simple: què canvia des d’avui, on trobar ajuda, i què esperem de cada rol.
• Suport operatiu: “office hours”, canal de dubtes i un circuit de resolució d’incidències.
• Qualitat i confiança: validadors, mostreig de sortides i criteris de correcció (abans que l’error es propagui).

4) Escalat i consolidació

• Estàndards: guies, plantilles i criteris comuns per evitar “cada equip fa la seva”.
• Integració: quan la IA s’integra en eines quotidianes, la fricció baixa i l’adopció puja.
• Millora contínua: revisió de mètriques, actualització de guies i formació recurrent per a noves incorporacions.

Comunicació interna que accelera (i no desgasta)

En IA, la comunicació no ha de ser un “anunci”. Ha de ser una guia per a l’acció. El teu objectiu és que qualsevol persona pugui respondre ràpidament: què canvia, què he de fer i com sé si ho faig bé.

El missatge en 3 capes

• Per què ara: quin problema resol (temps, errors, qualitat, servei, risc).
• Què canvia: quina part del flux incorpora IA i què s’espera del rol.
• Com començar: primer cas d’ús, exemple i on demanar ajuda.

Evita aquests errors típics

• Prometre “màgia”: genera frustració i pèrdua de confiança.
• Comunicar massa aviat sense acció: desgasta i crea soroll.
• Missatge únic per tothom: cada rol necessita un “què guanyo jo” diferent.

Un bon senyal: la gent no només entén el missatge, sinó que pot fer el primer pas sense preguntar “i ara què?”.

Formació en IA per rols: del “què és” al “com ho faig avui”

La formació és el pont entre l’interès inicial i l’hàbit. Però en IA, una formació genèrica té poc impacte. El que funciona és la formació orientada a tasques, amb exemples reals i criteris clars de qualitat.

Què ha d’incloure una formació que sí que transforma

• Casos d’ús del teu dia a dia: 5–10 escenaris reals (correus, informes, atenció a clients, anàlisi, validació).
• Guies de qualitat: com verificar respostes, com detectar errors i com escalar dubtes.
• Biblioteca de prompts i plantilles: perquè l’equip no hagi d’inventar la roda.
• Pràctica assistida: sessions curtes amb exercicis i revisió.
• Normes d’ús segur: dades que no s’han d’introduir, criteris de confidencialitat i bones pràctiques.

Formació per perfils (exemple)

• Direcció: com governar, què demanar a la IA, com mesurar impacte i com evitar riscos reputacionals.
• Responsables d’equip: com inserir la IA al flux, com gestionar resistència i com fer seguiment d’adopció.
• Usuaris finals: guies pràctiques, criteris de qualitat i ús segur en tasques concretes.
• IT / dades: integració, permisos, traçabilitat, qualitat de dades i monitoratge.
• Legal / compliment: privacitat, criteris de documentació i controls quan aplica.

Governança, seguretat i responsabilitat (sense frenar el progrés)

La governança no és burocràcia: és el que fa possible escalar. Quan l’organització sap qui decideix, qui valida i què és acceptable, la IA deixa de ser “un experiment” i passa a ser una capacitat de negoci.

Les preguntes que cal respondre abans d’escalar

• Responsabilitat: qui respon del resultat quan la IA s’utilitza per prendre decisions o recomanar accions?
• Qualitat: quin és el llindar mínim acceptable i com es revisen sortides?
• Dades: quines fonts s’utilitzen, qui n’és el propietari i com es manté la coherència?
• Permisos i traçabilitat: qui pot accedir a què, i com ho auditem si cal?
• Ús segur: quina informació no s’ha d’introduir, i quines pràctiques són recomanades?

Un model simple que funciona

Defineix un petit “nucli” de govern: sponsor, propietari del procés, propietari del cas d’ús, referent de dades/IT i referent de compliment (quan cal). No es tracta de reunions eternes: es tracta de decisions ràpides i criteris comuns.

La confiança és una característica del sistema: es construeix amb criteris de qualitat, transparència, suport i responsabilitats clares.

Mètriques d’adopció i impacte: com demostrar valor (sense autoenganyar-se)

En implementacions d’IA, l’error més habitual és mesurar només “què s’ha desplegat” i no “què s’està utilitzant”. Les mètriques correctes t’ajuden a detectar bloquejos, justificar inversió i prioritzar millores.

Mètriques d’adopció (persones)

• Usuaris actius per rol (no només comptes creats).
• Freqüència d’ús en processos clau.
• Percentatge de fluxos amb IA vs. fluxos “manuals” (per equip i per setmana).
• Qualitat percebuda (enquestes curtes i feedback estructurat).

Mètriques d’operació (processos)

• Temps de cicle (abans/després).
• Errors i retraball (especialment en sortides que requereixen revisió).
• Excepcions (quan la IA no aplica i cal flux alternatiu).

Mètriques de negoci (resultats)

• Productivitat: temps recuperat per tasques repetitives.
• Qualitat: menys incidències, més consistència, millor servei.
• Ingressos o conversió: quan el cas d’ús afecta vendes, retenció o experiència.

Exemples d’adopció per departament (i què implica a nivell de canvi)

Cada departament adopta la IA de manera diferent perquè els riscos, la pressió del dia a dia i les definicions de “qualitat” són diferents. Aquí tens exemples típics i què cal activar perquè l’adopció sigui real.

Com et pot ajudar Bastelia (sense fum, amb un pla executable)

Si vols que la IA passi de la idea a l’ús real, cal combinar tecnologia, processos i adopció. A Bastelia t’hi podem acompanyar amb serveis pensats per accelerar resultats i reduir fricció interna.