Tra sperimentazioni che non riescono a diventare operative, difficoltà nel misurare il valore reale dei progetti e nuove sfide poste dall’AI agentica, l’adozione dell’intelligenza artificiale entra in una fase in cui contano soprattutto metodo, governance e qualità del dato. Per le aziende il nodo non è più soltanto capire cosa può fare l’AI, ma come integrarla in modo misurabile, scalabile e coerente con gli obiettivi di business. Ne parliamo con Stefano Alpi, Chief Transformation & Marketing Officer e Alfredo Formisano, Partner di Iconsulting.
L’AI generativa ha spinto sempre più aziende a interrogarsi su come sfruttare questa tecnologia per creare valore e accrescere il potenziale inespresso, ma molte aziende non riescono a scalare. Nella vostra esperienza quali sono le principali motivazioni alla base di questa difficoltà?
Stefano Alpi – Nonostante l’entusiasmo attorno all’AI generativa, molte aziende stanno incontrando difficoltà nel concretizzare le sperimentazioni avviate. Nella nostra esperienza, le cause principali sono soprattutto strutturali.
La prima causa è la mancanza di dati davvero “AI-ready”; non basta avere dati, devono essere di qualità, governati, accessibili e contestualizzati. L’AI amplifica i limiti del dato: se la base non è solida, anche gli output non lo saranno.
A questo si aggiunge la frammentazione tra proof of concept e produzione. Molti progetti restano confinati alla fase pilota perché portare in produzione richiede competenze specifiche, architetture scalabili e un disegno complessivo che spesso manca.
Un’altra causa limitante è l’assenza di un operating model chiaro; infatti, non è sempre ben definito chi guida l’AI in azienda e questa ambiguità rallenta decisioni su investimenti, priorità e gestione del rischio. C’è poi un tema di competenze, poiché non basta avere specialisti, serve una AI literacy diffusa, che coinvolga business, IT e funzioni di supporto.
Infine, spesso manca un framework di misurazione del valore, si misurano metriche tecniche, ma non l’impatto reale sul business. Senza questo collegamento, i progetti restano esperimenti e non scalano.
Uno dei temi emersi dalla survey è rappresentato dalla difficoltà di misurare in modo concreto i benefici dell’AI; quali sono i passi per farlo?
Alfredo Formisano – La misurazione del valore dell’AI richiede un cambio di approccio rispetto al passato. Il primo passo è partire dal problema di business, non dalla tecnologia: bisogna chiarire quale obiettivo si vuole raggiungere e collegare esplicitamente l’AI a quel risultato. Subito dopo è fondamentale definire una baseline, cioè lo stato attuale, per poter misurare qualsiasi miglioramento. La misurazione deve avvenire su più livelli: operativo (efficienza e produttività), economico (costi e ricavi) e strategico (scalabilità, retention, posizionamento).
E accanto alle metriche quantitative, è importante considerare anche quelle qualitative. Dal punto di vista metodologico, è utile adottare un approccio comparativo, confrontando gruppi o processi che utilizzano l’AI con altri che non la utilizzano, così da isolarne in modo più oggettivo l’impatto reale. Allo stesso tempo, è fondamentale considerare anche i costi nascosti, come quelli legati alla formazione e alla manutenzione, lavorare su cicli di misurazione brevi per intercettare anche i micro-benefici e includere nella valutazione gli impatti intangibili, come il posizionamento sul mercato e la percezione innovativa dell’azienda.
Nei prossimi anni l’AI agentica è destinata a crescere rapidamente, quali sono i principali punti di attenzione da considerare nell’introduzione di questa tecnologia?
Stefano Alpi – L’AI agentica rappresenta un salto di paradigma; non si limita a generare contenuti, ma esegue azioni e produce risultati. Il valore non è più nelle risposte, ma nei task completati correttamente.
Il primo punto di attenzione riguarda i confini di autonomia. È infatti necessario definire chiaramente fino a dove un agente può operare senza intervento umano, stabilendo in modo consapevole diversi livelli di autonomia. Il secondo è la gestione del rischio, perché gli agenti possono compiere azioni irreversibili ed è quindi fondamentale che operino secondo il principio del “minimo privilegio”, ovvero con accessi limitati alle sole attività necessarie. Su questo punto, un corretto “disegno” è fondamentale.
Un altro aspetto riguarda il ruolo delle persone, che non “scompaiono” ma evolvono verso attività di supervisione, definizione degli obiettivi e gestione delle eccezioni. Questo richiede un importante cambiamento organizzativo, culturale e di reskilling.
Fondamentale è anche garantire trasparenza e tracciabilità, affinché ogni azione sia comprensibile, auditabile e ricostruibile… e, ancora una volta, l’aver analizzato e disegnato correttamente il tutto, risulta essere un fattore fondazionale.
In questo contesto, sicurezza e compliance diventano centrali, gli agenti possono interagire con sistemi esterni e possono rappresentare una nuova superficie di rischio in un quadro normativo ancora in evoluzione.
In sintesi, quale è la vostra visione e quali sono gli elementi differenzianti di Iconsulting nell’affiancare le aziende nell’introduzione dell’AI?
Alfredo Formisano – La nostra visione parte da un principio semplice: non esiste AI efficace senza una base dati solida, governata e affidabile. L’AI, infatti, non è un layer da aggiungere, ma un’evoluzione naturale di un ecosistema dati ben progettato. Per questo continuiamo a mettere al centro la qualità, la consistenza e il significato del dato come prerequisito per qualsiasi iniziativa di AI.
Il nostro elemento distintivo è un approccio end-to-end e realmente olistico. Non ci limitiamo a singoli use case, ma partiamo dalla definizione della strategia (tecnologia, organizzazione e roadmap) e accompagniamo le aziende lungo tutto il percorso: dalla costruzione delle piattaforme dati e della governance, fino allo sviluppo di modelli, agenti e soluzioni applicative.
Il tutto con un approccio fortemente guidato dal risultato: lavoriamo per generare valore concreto, anche in modo incrementale, sempre con in stretto allineamento agli obiettivi di business.
Un ulteriore elemento chiave è il modo in cui sviluppiamo le competenze. Le nostre persone crescono con una visione trasversale, dalla strategia alla tecnologia, che da 25 anni ci permette di essere profondamente competenti e al tempo stesso altamente scalabili anche in un ambito complesso come quello dell’AI.
Leggi tutti gli approfondimenti della room AIMM – Artificial Intelligence Maturity Model
© RIPRODUZIONE RISERVATA
