La maggior parte delle iniziative di IA fallisce non perché la tecnologia non funzioni, ma perché le organizzazioni non sanno quale problema stiano effettivamente cercando di risolvere.
Secondo lo studio del MIT State of AI in Business 20251 la maggior parte delle organizzazioni ha implementato almeno alcuni progetti pilota di IA, ma molte continuano a segnalare basso impatto e nessun ritorno misurabile sulle iniziative di IA.
Con tutte le promesse della rivoluzione dell’IA, abbiamo ancora bisogno di un buon vecchio approccio basato sul valore per assicurarci che ciò che facciamo generi risultati per le parti interessate.
Uno sguardo degli strateghi alle iniziative di IA
Come tipicamente accade quando compare una nuova tecnologia scintillante, gli esperti nascono semplicemente cambiando lo slogan sul proprio profilo LinkedIn. L’IA non fa eccezione. Con così tanti esperti e così tanti contenuti generici generati dall’IA, perché dovreste considerare la mia prospettiva?
Ho iniziato a sperimentare con l’IA nel 2000, durante gli anni pre-universitari, cercando di risolvere il problema del riconoscimento della scrittura a mano usando reti neurali. Vincere qualche competizione junior è stato davvero bello, ma lo sviluppo delle reti neurali in quel periodo era limitato dalla capacità di calcolo. In seguito, il mio ambito di interesse si è spostato verso le scienze informatiche, la matematica applicata, la fisica e poi verso discipline più orientate al business, come la misurazione delle prestazioni e la pianificazione strategica. L’IA non è mai stata la mia competenza principale (tuttavia, mi piace tracciare alcuni parallelismi tra funzioni a catena, gradienti, backpropagation dell’IA e la capacità delle organizzazioni di apprendere).
Oggi, guardo all’IA dal punto di vista di uno stratega, con un certo background in matematica applicata. Gli LLM sono straordinari come tecnologia, ma dal punto di vista della pianificazione strategica li considero più come un complesso progetto di trasformazione digitale che come un’iniziativa capace di fare miracoli.
Aiuto le organizzazioni con le loro iniziative di IA, ma lo faccio con un approccio strategy-first, non technology-first. Di norma parliamo molto delle parti interessate, delle loro esigenze, del loro intento strategico, di come la visione dell’organizzazione venga tradotta in obiettivi di lungo periodo, di come tali obiettivi vengano scomposti in traguardi specifici e di come li rendiamo ancora più specifici e non ambigui con KPI.
L’IA è solo una parte del puzzle che potrebbe o potrebbe non adattarsi a come questa strategia verrà eseguita.
In qualche modo, ciò che faccio risuona con la domanda complessiva di portare chiarezza nel dominio dell’IA, quindi condivido anche la mia prospettiva tramite interventi in conferenza. Nel 2026 sarà “AI implementation strategy” a Monaco e, più avanti a maggio, “Measuring trust in AI” a Vienna.
Prima di implementare l’IA – Fai prima i compiti di strategia
Il report del MIT menzionato sopra conferma una semplice verità:
Implementare l’IA è facile – creare valore con l’IA è difficile.
La prospettiva degli strateghi su questo è semplice: prima di considerare qualsiasi iniziativa di cambiamento, assicurati di avere la tua strategia correttamente a cascata e monitorata. Senza questi fondamentali, non ritengo sia praticabile procedere con alcuna iniziativa di trasformazione.
L’implementazione dell’IA è un buon motivo per tornare alle basi (le esigenze delle parti interessate) e riflettere sulle possibilità che l’IA potrebbe offrire.
Pensa in termini di condizioni limite: come apparirebbe la tua organizzazione se tutte le possibili barriere all’implementazione dell’IA (tecnologia, architettura, conformità, aspetti legali, persone, ecc.) fossero risolte?!
Una definizione di esecuzione della strategia è la validazione delle ipotesi nella pratica. Come parte dei compiti sull’IA, è una buona idea formulare tali ipotesi. Sperimenta un po’ con la tecnologia, realizza alcuni prototipi per farti un’idea di dove potrebbero esserci le insidie in termini di implementazione, lacune di capacità e aspettative degli utenti.
Discutiamo alcuni principi per rendere l’implementazione dell’IA più efficace in termini di creazione di valore tangibile per le parti interessate.
Principio 1. Affrontare la sfida reale – conoscere le esigenze delle parti interessate
Qual è la differenza tra un’implementazione technology-first e una strategy-first? Con un’implementazione strategy-first, si parte sempre dal contesto aziendale. Si conoscono le parti interessate, le loro esigenze, gli obiettivi di alto livello e i traguardi specifici, e si cerca di capire in che modo la nuova tecnologia aiuterà a perseguire tali obiettivi in modo più efficace, in particolare quale impatto avrà sulle metriche che si stanno monitorando.
Questo crea un’attenzione su ciò che conta, invece di limitarsi a “giocare” con la tecnologia.
Buoni candidati target per l’implementazione dell’IA sono:
- Metriche di costo
- Metriche di tempo
- Metriche di complessità come derivazione di costo, tempo e complessità ciclomatica
- Metriche di qualità (tasso di errore, percentuale di problemi ricorrenti)
- Metriche sul talento (aree con elevato tasso di turnover)
Per ribadire l’importanza della scomposizione iniziale della strategia: non dovrebbe essere “ci trasformeremo in un’organizzazione AI-first”. Dovrebbero esserci sfide specifiche che si desidera affrontare, con le rispettive parti interessate alle spalle e una chiara responsabilità in termini di esecuzione. Questo approccio è pienamente in linea con i principi agili che utilizziamo nello sviluppo software.
Se insistete nel reinventare la vostra organizzazione e nell’essere AI-first, assicuratevi di iniziare dalla strategia, dalle parti interessate e dalle loro esigenze!
Principio 2. Preparati per il lungo periodo – Pensa all’architettura fin da subito
Ho menzionato che considero l’IA come un’altra trasformazione digitale, un’iniziativa di cambiamento. Ma questa iniziativa di cambiamento è ovviamente più complessa di, ad esempio, implementare un CRM.
In questo senso, pianificare l’architettura per l’IA è fondamentale. Tieni in considerazione:
- Come verranno mantenuti il contesto e i prompt;
- Come collegherai l’IA all’ambiente aziendale esistente;
- Preparati a orchestrare più strumenti di IA;
- Preparati a riprogettare alcuni flussi di lavoro da zero.
Immagina, ad esempio, di usare l’IA per rispondere alle domande degli utenti tramite un chatbot. L’architettura che sceglierai sarà determinata da domande come:
- Quale sarà il ciclo di apprendimento?
- Ci sarà una supervisione umana? Come verrà implementata?
- Come verranno introdotte le azioni correttive?
- L’IA avrà accesso ai dialoghi precedenti con lo stesso utente?
- L’IA sarà in grado di recuperare dati direttamente dal CRM?
- Quali meccanismi di sicurezza verranno implementati?
La capacità dell’IA di apprendere, ricordare il contesto e migliorare sarà un fattore anticipatore del tasso di adozione nel tempo. Assicurati che l’architettura che scegli per l’implementazione dell’IA supporti queste esigenze di apprendimento.
Principio 3. Rendi significativi qualità e conformità per le parti interessate
L’IA tocca troppi aspetti sensibili di un’organizzazione: l’accesso ai dati dei clienti, l’utilizzo di strumenti di terze parti, il supporto al processo decisionale, la comunicazione con gli utenti e la conservazione dei dati per eventuali audit.
Su una certa scala di implementazione dell’IA, i controlli di qualità e conformità sono indispensabili.
Ci stiamo spostando nell’ambito GRC, ma, ancora una volta, non si tratta di IA. Si tratta della vostra strategia, dei rischi che l’IA le impone e di come possiamo prevenirli e mitigarli.
Sentiamo spesso dire che, per l’implementazione dell’IA, dovrebbero esserci:
- Human in the loop,
- Percorso di controllo,
- Spiegabilità,
- …
Ciò che manca nella pratica è la connessione tra queste idee e ciò a cui le parti interessate tengono davvero.
Ritengo che il metodo di analisi del rischio bowtie sia particolarmente adatto a questo ruolo. Fatelo per un evento di rischio centrale, definendo le minacce con i rispettivi controlli preventivi, nonché le conseguenze dell’evento di rischio con i rispettivi controlli di mitigazione.
Abbiamo discusso un esempio di tale analisi nel caso “Implementazione dell’IA nel controllo qualità medico”2 presentato a OOP. In quel caso, l’evento di rischio centrale è stato formulato come “I risultati convalidati dall’IA vengono approvati senza un’adeguata revisione umana.”
Utilizzando controlli di prevenzione del rischio e controlli di mitigazione del rischio, abbiamo allineato l’implementazione dell’IA alle preoccupazioni di qualità e conformità delle parti interessate. Se si scala questa idea, gli stessi controlli contribuiranno a costruire un quadro completo di governance dell’IA. Quando si estende questo approccio a tutta l’organizzazione, gli stessi controlli possono essere utilizzati per stabilire un quadro completo di governance dell’IA.
Riepilogo esecutivo: Spostare l’IA dalla tecnologia alla strategia
Seguire questi principi per l’implementazione dell’IA con approccio strategia-first:
- Concentrare l’implementazione su esigenze specifiche delle parti interessate; idealmente, dovrebbe essere definita la quantificazione dei risultati effettivi rispetto a quelli attesi.
- L’implementazione dell’IA è un sistema di apprendimento complesso, non una connessione una tantum all’API di un LLM: pianificare di conseguenza l’architettura.
- Stabilire controlli di qualità e conformità e comunicarli alle parti interessate; ciò definirà l’accettazione futura dell’implementazione dell’IA. Il metodo bowtie si è dimostrato un ottimo strumento a questo scopo.
Un approccio strategia-first richiede anche una supervisione continua dopo il lancio. Scopra i principi di supervisione dell’implementazione dell’IA per collegare l’intento strategico con la governance, i controlli di qualità e risultati misurabili.
- The GenAI Divide State of AI in Business 2025, MIT NANDA, luglio 2025 ↩
- “Strategia e supervisione dell’implementazione dell’IA nel controllo qualità medico,” BSC Designer, Alexis Savkín, 2025. ↩
Alexis Savkin è un architetto della strategia e fondatore di BSC Designer, una piattaforma software per l’esecuzione della strategia con la Scheda di valutazione bilanciata al centro. Aiuta le organizzazioni a tradurre la strategia in obiettivi misurabili, indicatori chiave di prestazione e iniziative. Alexis è il creatore dello Strategy Execution Canvas, l’autore di oltre 100 articoli su strategia e misurazione delle prestazioni e un relatore abituale.