Come può la tua azienda creare valore con l’AI?

E qui nasce la prima grande sfida: per molte organizzazioni, mettere ordine nei dati (governance, processi, responsabilità, qualità) è tutt’altro che banale.

Per creare valore reale, serve un percorso strutturato. Prima si esplora in modo sistematico, si sviluppa, si testa e si impara. Poi, quando si capisce cosa funziona davvero, si passa alla fase decisiva: professionalizzare e scalare le iniziative AI con un piano di lungo periodo, agile e misurabile. In altre parole: una roadmap AI che tenga insieme strategia, dati, competenze ed execution.

Molte aziende, oggi, faticano a estrarre valore dall’AI. Vedono casi di successo e benchmark di mercato, ma restano bloccate in una situazione molto comune: quella che si definisce “lab illusion”.

La "lab illusion": quando solo il prototipo funziona

La “lab illusion” si verifica quando un’azienda ottiene ottimi risultati con un prototipo, in un ambiente controllato, ma non riesce a replicare gli stessi risultati una volta che la soluzione entra nella quotidianità operativa.

A volte il fallimento è immediato. Più spesso, però, il problema arriva dopo: dopo alcuni mesi (o anni) la qualità dei risultati peggiora, oppure i costi di gestione e manutenzione diventano più alti del previsto. Le cause tipiche sono:

• Integrazione debole con i sistemi esistenti;
• dati non abbastanza affidabili;
• competenze insufficienti per gestire la scalabilità e la “vita” del modello nel tempo.

Il punto chiave è semplice: l’AI non crea valore automaticamente. Non è sufficiente implementarla in processi e prodotti già esistenti. Se ci si affida a esperimenti isolati, è facile perdere tempo e budget. Serve invece un approccio metodico: scegliere le aree giuste, iterare in fretta, imparare presto e costruire basi solide prima di scalare.

Athics, partner di Manpower, nella guida di Crafter.ai, riprende esplicitamente il concetto di “Lab Illusion” e lo colloca in una prospettiva più operativa: prerequisiti sui dati, governance, conformità e attenzione alla dimensione organizzativa. Un riferimento decisamente utile per rafforzare l’idea di un’Intelligenza Artificiale che crea valore quando viene progettata e gestita come un sistema “vivo”, non come un esperimento isolato. 

I dati sono il prerequisito dell’AI

Ogni soluzione AI si basa sui dati. Per generare insight utili o automatizzare attività complesse, gli algoritmi devono essere addestrati su dati che riflettano davvero la realtà del business: dati disponibili, di qualità e comprensibili (quindi documentati). Le aziende che hanno un maggiore controllo sui dati, pertanto, sono quelle meglio posizionate per creare valore con l’Intelligenza Artificiale.

Negli ultimi anni abbiamo visto due “ondate” tecnologiche importanti:

Dal 2012 si è aperta una nuova fase grazie a tre fattori:

• Progressi dei modelli di deep learning (capacità di riconoscere pattern complessi);
• enorme aumento della potenza di calcolo disponibile via cloud;
• librerie software di machine learning più accessibili.

Molte aziende però hanno scoperto presto un limite: non bastano algoritmi e potenza di calcolo. Servono dati rilevanti per la propria realtà.

Dalla fine del 2022 l’entusiasmo è aumentato perché i modelli “pre-addestrati” hanno ridotto la quantità di dati necessaria per iniziare. Modelli di base, già addestrati su dataset enormi, portano infatti competenze “di partenza” (linguaggio, immagini, ecc.) e permettono alle aziende di ottenere risultati anche con piccole quantità di dati proprietari 

Qui entra in gioco un passaggio importante: oggi è possibile creare valore anche combinando soluzioni “pronte” (off-the-shelf). Pensiamo ai cosiddetti modelli zero-shot, che non richiedono training specifico prima dell’uso, ad esempio strumenti conversazionali basati su prompt e linguaggio naturale.

In questa categoria rientrano esempi molto noti come ChatGPT o Microsoft Copilot, spesso potenziati da meccanismi di ricerca e recupero informazioni (ad esempio approcci tipo Retrieval-Augmented Generation).

Ma allora i dati non sono più importanti nella gestione di un modello AI?  
Tutt’altro: il vantaggio competitivo più forte e duraturo arriva quando l’azienda sa valorizzare i propri dati, adattando i modelli con maggiore precisione e costruendo soluzioni uniche e perfette sulla sua realtà.

Per farlo servono processi e infrastrutture di data management solidi, oltre a un’attenzione seria a privacy e ai regolamenti che la regolano. Il concetto è dunque chiaro: avere dati non basta. Devono essere utilizzabili, tracciabili e gestiti, prendendo ad esempio come riferimento utile il GDPR, il testo normativo europeo approvato nel 2016.

Definisci il livello corretto di ambizione

Il primo passo pratico per creare valore dall’AI è scegliere un livello di ambizione chiaro e realistico, coerente con capacità e risorse dell’organizzazione.

Alcune aziende iniziano con interventi mirati: ottimizzare processi interni, ridurre errori, risparmiare tempo. Altre scelgono un approccio più “AI-first”, mettendo l’intelligenza artificiale al centro del progetto, con investimenti e trasformazioni più profonde. 
È dunque utile farsi guidare da alcune domande chiave. 

1) Disponibilità a investire e propensione al rischio

• Quanto siamo disposti a investire?
• Siamo pronti a testare applicazioni AI anche sapendo che alcune potrebbero non portare risultati? 

2) Limiti operazionali

• Ci sono limiti o vincoli nel modo in cui lavora l’azienda che influenzano le aree di business? Questo tema può riguardare, per esempio, regole specifiche dei vari settori.

3) Maturità

• L’infrastruttura tecnologica è adeguata per implementare AI?
• Esistono processi che possiamo estendere per integrare l’AI nelle operazioni?
• Abbiamo competenze interne sufficienti?
• Se non le abbiamo, possiamo svilupparle o acquisirle? 

4) Vincoli operativi

• Esistono vincoli di settore o regolatori che limitano le aree su cui possiamo intervenire? 

5) I dati

• Abbiamo dati sufficienti e di buona qualità nelle aree su cui vogliamo creare valore?
• I dati sono tecnicamente accessibili?
• Ci sono vincoli legali?
• I dati sono ben documentati e di facile accesso?

Scegli le aree di valore giuste

Definito il livello di ambizione, il passo successivo è identificare con precisione le aree di valore: cioè chiedersi dove l’AI può generare benefici concreti e coerenti con obiettivi, risorse e maturità dell’organizzazione.

Un modo utile per orientarsi è distinguere innanzitutto tra applicazioni che migliorano l’esistente e applicazioni che cambiano il modo in cui l’azienda crea valore.

Le applicazioni trasformative potenziano processi, strutture o prodotti già presenti: aumentano l’efficienza, riducono errori, accelerano attività ripetitive, supportano decisioni migliori con insight più solidi. Sono spesso la scelta più naturale quando l’azienda vuole risultati misurabili e progressivi.

Le applicazioni dirompenti (disruptive), invece, aprono scenari più radicali: nuovi prodotti o servizi, nuovi mercati, cambiamenti profondi nell’operatività. Possono trasformare un’intera catena del valore o mettere in discussione modelli di business esistenti. Sono quelle che, potenzialmente, creano vantaggi competitivi più difficili da replicare, ma richiedono anche più tempo, governance e capacità di gestione del rischio.

C’è poi una seconda distinzione altrettanto importante: dove si manifesta il valore.

L’Intelligenza Artificiale può manifestare valore interno, ottimizzando il funzionamento dell’organizzazione: processi più efficienti, costi più bassi, qualità più stabile, maggiore produttività. Oppure generare valore esterno e in questo caso rafforza prodotti, crea servizi intelligenti, migliora l’esperienza cliente e può abilitare nuove fonti di ricavo.

Per scegliere con metodo, serve una visione d’insieme: non basta chiedersi “Si può fare?”, ma anche “Ha senso farlo adesso?” e “Quanto prevediamo di sostenerlo nel tempo?”.

Un approccio efficace è costruire una visione “radar” delle opportunità, che aiuti a posizionare i casi d’uso lungo dimensioni chiave.

Da una parte ci sono casi più “centrali”: tipicamente più semplici da avviare e più rapidi da dimostrare, perché si basano su dati già disponibili e su processi relativamente standardizzabili. Automatizzare attività amministrative o ripetitive (come gestione documentale, classificazione, reportistica, supporto al customer service) rientra spesso in questa categoria.

Sono iniziative utili, soprattutto per prendere confidenza con metodi, strumenti e governance. Tuttavia, spesso hanno un limite: generano benefici reali ma raramente cambiano il posizionamento competitivo. In altre parole, migliorano l’efficienza, ma non sempre creano differenziazione.

Dall’altra parte ci sono opportunità più “periferiche” sul radar: più complesse, più costose, con maggiore incertezza iniziale, ma potenzialmente in grado di creare vantaggi più forti. Un esempio è la personalizzazione evoluta dell’esperienza cliente su più touchpoint: richiede una base dati ampia e affidabile, integrazioni solide, modelli robusti e un’organizzazione capace di gestire un cambiamento trasversale.

Questa logica aiuta a evitare due errori opposti:

• Puntare solo su progetti “facili” che non spostano davvero l’ago della bilancia.
• Inseguire solo progetti ambiziosi senza avere i prerequisiti, finendo bloccati o fuori controllo.

La scelta migliore, nella maggior parte dei casi, è una combinazione: iniziative più rapide per costruire competenze e credibilità interna, e una pipeline di progetti più strategici da preparare con cura.

Sperimentazione e apprendimento

Una volta selezionate le aree di valore, serve un ciclo di lavoro che riduca i rischi e aumenti la velocità di apprendimento: esplorare, sviluppare, testare, imparare.

Qui entra in gioco un problema tipico: quando i cicli sono troppo lunghi, l’azienda scopre tardi che un modello “non regge” fuori dal laboratorio. È la logica della “lab illusion”: il prototipo funziona, ma nella realtà operativa emergono dati incompleti, integrazioni fragili, costi di gestione inattesi, oppure una qualità che si deteriora nel tempo.

Per ridurre questo rischio, la strada più solida è lavorare in modo iterativo:

• Avviare pilot su casi reali, non su scenari artificiali;
• costruire i cosiddetti “Prodotti Minimi Funzionanti” (Minimum Viable Products) che risolvano un bisogno concreto;
• misurare da subito la performance con indicatori pratici;
• migliorare rapidamente ciò che non funziona.

Un passaggio decisivo è ridurre la distanza tra sviluppo e produzione. Un progetto AI non può restare “un esperimento” separato dalla macchina operativa: deve poter essere rilasciato, monitorato e aggiornato con un flusso sostenibile.

E soprattutto bisogna “chiudere il cerchio”: ciò che succede in produzione deve tornare indietro ad alimentare le scelte successive. Feedback lato utente, variazioni nei dati, cambiamenti nei processi: sono informazioni operative che determinano se una soluzione AI continuerà a creare valore o inizierà a deteriorarsi.

Per partire in modo ordinato, molte organizzazioni beneficiano di una struttura leggera ma chiara: un competence center AI che definisca standard e supporti i team, e una figura di coordinamento (un AI coordinator) che aiuti a mantenere coerenza tra progetti, priorità e governance.

Professionalizza e scala: la parte più impegnativa

Dopo i primi progetti, arriva la fase che separa gli esperimenti dai risultati strutturali: scalare.

A questo punto l’azienda ha compreso che cosa funziona davvero, quanto i propri dati siano utilizzabili e che l’AI non è una soluzione “da installare” una volta sola. È un sistema che vive nel tempo: richiede manutenzione, revisione, monitoraggio, aggiornamenti e capacità di adattamento.

Proprio come un iceberg, nascosto dietro a sviluppo di modelli, applicazioni e connessioni ai dati c’è un universo di attività complesse, che comportano ovviamente anche costi, sia nello sviluppo iniziale che nel ciclo di vita post-deployment. Mantenere la qualità, gestire l’evoluzione dei dati, prevenire degradazioni e garantire sicurezza e compliance: questi sono gli obiettivi principali. 
 
Scalare significa affrontare, quindi, in modo coordinato:

• Sviluppo e manutenzione di modelli e applicazioni, accesso ai dati, qualità e tracciabilità (la punta dell’iceberg);
• integrazione con sistemi esistenti;
• aggiornamento dei linguaggi di programmazione;
• gestione del cambiamento (processi, ruoli, adozione);
• gestione di vincoli legali e privacy;
• superamento di resistenze interne;
• capacità di valutare performance e rischio nel tempo.

È una fase che richiede più disciplina, più governance e soprattutto collaborazione tra IT, funzioni business, data team, legal e sicurezza.

Cosa fare, in pratica: i punti chiave

Per trasformare l’AI in un motore stabile di valore, serve una base organizzativa e tecnica fatta di pilastri chiari:

1. Una roadmap AI 
Un piano strategico, flessibile e aggiornabile, che colleghi le iniziative AI agli obiettivi dell’organizzazione e definisca priorità, tempi e metriche.

2. Una governance AI 
Una governance forte, collegata al top management, perché l’intelligenza artificiale incide su processi, dati, rischi e reputazione. Senza un presidio adeguato, i progetti si frammentano e diventano difficili da controllare.

3. Innovazione guidata 
Un metodo per esplorare, selezionare e prioritizzare opportunità. Non basta avere idee: serve un processo per decidere dove investire e dove fermarsi.

4. Infrastruttura scalabile 
Servono basi tecniche adeguate: gestione dati, capacità di calcolo, strumenti per training, valutazione e rilascio.

5. Qualità dati e data governance 
I dati devono essere affidabili, accessibili, documentati e interoperabili. E vanno gestiti anche aspetti etici, legali e di sicurezza, coinvolgendo competenze diverse.

6. Implementare AIOps  
Per AIOps si intende un'area che sfrutta analytics, intelligenza artificiale e altre tecnologieper rendere le operazioni IT più efficienti ed efficaci. Parliamo dunque di processi continui per integrazione dati, training e retraining, rilascio, misurazione delle performance e monitoraggio (anche dal punto di vista della sicurezza).

7. Creare competenze AI diffuse 
Non basta assumere pochi specialisti. Serve costruire capacità interne, formare le persone (la formazione è una delle cinque azioni prioritarie individuate, già nel 2024, durante l'Annual Conference di Manpower “The Exchange”) e creare un linguaggio comune tra funzioni tecniche e funzioni di business.

Un passo ulteriore: consulta la guida di Athics per impostare un’implementazione AI solida, dal dato alla messa in produzione.