Tag: Ai transformation

AI & GENAI, TECH & BUSINESS

Fine della consulenza? McKinsey cambia il rate dei partner

Tutti hanno notato la cifra, forse, ammesso che abbiate ascoltato il podcast. E quasi tutti hanno parlato di fine della consulenza guardando il dato sbagliato.

A gennaio 2026, sul podcast All In, Bob Sternfels (global managing partner di McKinsey) ha dichiarato che la sua azienda conta 60.000 dipendenti, di cui 25.000 agenti AI a fianco di 40.000 umani, con l’obiettivo di raggiungere la parità entro fine anno. La notizia è stata ripresa in tutto il mondo come prova che la consulenza strategica sta automatizzandosi più in fretta di qualsiasi altro settore knowledge-intensive.

C’è chi ha tirato fuori il termine “fine della consulenza” e chi, dall’altra parte, ha sminuito ricordando che i concorrenti EY e PwC parlano di poche unità di agenti capaci di fare il lavoro pesante senza bisogno di scalare a 25.000.

Trovo che entrambe le narrazioni siano interessanti, e in larga parte sbagliate. La notizia vera, secondo me, è arrivata pochi giorni fa, a metà maggio, quando il Financial Times ha riferito che McKinsey sta riducendo la quota cash della remunerazione dei partner per spostarne una parte maggiore in equity. È una notizia di compensation, apparentemente tecnica, ed è quella che racconta cosa sta cambiando davvero in quel settore.

Provo a spiegare perché.

Cambiano le compensation

Per capire l’importanza del cambio compensation serve un veloce ripasso di come è strutturata storicamente una grande consulenza strategica. McKinsey, BCG, Bain, e le big four nella loro componente advisory, sono partnership professionali. Il modello economico è semplice e ha retto per decenni: si vendono ore di consulente, organizzate in progetti, fatturate a rate molto alte, calcolate su un mix di seniority. Il partner del progetto guadagna due cose: uno stipendio base relativamente contenuto, e una quota dei profitti annuali che dipende dal volume e dalla marginalità dei progetti che ha portato a casa. La quota di profitto è cash, distribuita ogni anno, e rappresenta storicamente la parte più sostanziosa della remunerazione.

Questo modello si regge su un assunto: che i ricavi siano sufficientemente prevedibili anno per anno. Se conosci più o meno quanto fatturerai e con quanta marginalità, puoi distribuire la maggior parte dei profitti subito ai partner senza creare instabilità finanziaria. Per anni questo è stato vero. I clienti grandi rinnovavano contratti, le tariffe orarie crescevano insieme all’inflazione, i progetti grandi si ripetevano. Non c’era bisogno di tenere capitale in azienda, perché il flusso di cassa era stabile.

Adesso quel flusso sta diventando volatile, per due ragioni che la mossa McKinsey rende esplicite. Primo: l’AI sta comprimendo le ore necessarie per fare il lavoro. Se un team che prima fatturava 5.000 ore per un progetto adesso ne fattura 2.000 perché 3.000 le fanno gli agenti, la base imponibile del fatturato si riduce. Secondo: il pricing si sta spostando dal time & materials all’outcome-based. Anziché vendere ore, McKinsey sta provando sempre di più a vendere risultati specifici, legando una parte significativa del compenso al raggiungimento di obiettivi misurabili per il cliente. Risultato? I ricavi diventano più discontinui e più rischiosi.

In un modello a remunerazione cash di anno in anno, la combinazione di queste due tendenze è esplosiva. Un cattivo anno svuota la partnership. Quindi bisogna tenere più capitale in azienda, distribuirne meno subito, dare ai partner una partecipazione che si valorizza nel tempo invece di pagarli a profitti annuali. Da qui lo spostamento in equity.

Perché la notizia conta più del numero degli agenti

Se prendi il numero 25.000 agenti, è una cifra grande ma di marketing. Conta cosa fanno e quanto valore generano davvero, e su questo le testimonianze esterne sono variegate. Il global engineering chief di EY, Steve Newman, ha commentato in modo pungente che “alcuni dei migliori risultati che abbiamo arrivano da una manciata di agenti che fanno il lavoro pesante” e che il numero di agenti, di per sé, non si traduce automaticamente in valore. EY parla di “una manciata” di agenti che producono il valore reale, BCG dichiara che l’AI consulting sarà il 20% dei suoi ricavi 2024, Accenture ha riorganizzato cinque unità nella nuova “reinvention services”. Ogni big sta giocando una partita diversa.

Il cambio compensation, invece, è una decisione strutturale che dice una cosa precisa: McKinsey ha smesso di scommettere sulla prevedibilità del proprio business e ha cominciato a gestirsi come un’azienda con ricavi volatili. È la mossa di un’azienda che si sta riorganizzando per affrontare un decennio diverso, non per gestire una transizione di breve.

Tradotto in linguaggio operativo: la consulenza più elite del mondo ha appena ammesso pubblicamente che il proprio modello di ricavo non sta più funzionando come prima. Per un settore che vive di certezze trasmesse al cliente, è un’ammissione importante.

E chi fruisce della consulenza cosa deve valutare?

Per chi guida un’azienda italiana e ha rapporti consolidati con grandi società di consulenza, ci sono tre conseguenze pratiche da iniziare a osservare nei prossimi mesi.

La prima è sui pricing. Il modello time & materials non scomparirà del tutto, ma diventerà sempre più residuale. Nelle nuove proposte ti aspetterai sempre più spesso una struttura mista: una parte fissa contenuta, una parte legata al raggiungimento di KPI predefiniti. È una buona notizia per chi compra, perché allinea gli incentivi del consulente con il valore generato. È anche una sfida nuova, perché obbliga a definire ex ante quali sono gli outcome misurabili, e questo richiede una capacità di scoping che molte aziende clienti non hanno ancora sviluppato.

La seconda è sulla struttura dei team. Se le ore si riducono e gli agenti AI fanno parte del lavoro analitico, il team di progetto che ti arriva sarà più snello. Meno junior, più senior consultant che orchestrano agenti. Per il cliente, questo cambia la dinamica di interazione quotidiana, perché spariscono i punti di contatto routinari, gli incontri operativi di follow-up, le revisioni intermedie che fino a ieri tenevano il progetto incollato alla tua organizzazione. C’è un rischio di disconnessione che va gestito con governance esplicita.

La terza è sui contenuti. Quando una consulenza ti vende un outcome, ha incentivo a portarti la soluzione che funziona, non quella che fattura di più. È un’inversione che storicamente molti clienti hanno sperato e raramente ottenuto. La domanda diventa: come misuriamo davvero l’outcome? Se la definizione del successo la scrive il consulente, sarà tarata in modo da renderlo raggiungibile. Se la scrivi tu cliente, devi avere chiaro cosa stai chiedendo, e questa è di nuovo una capacità interna che va costruita.

Il pezzo che mi convince meno

Una cosa che leggo in molti commentatori, e che secondo me è prematura, è che la consulenza tradizionale stia per essere disintermediata dagli stessi modelli AI che le grandi società stanno usando. La logica è: se McKinsey usa Claude per fare le sue analisi, perché io cliente non posso usare Claude direttamente e saltare McKinsey?

La logica funziona, ma solo per una fetta del lavoro che la consulenza fa. La parte di sintesi documentale, ricerca di mercato strutturata, benchmark settoriale, è effettivamente sempre più replicabile in autonomia con un buon prompt e un team interno competente. Quella parte sta scomparendo dalla value proposition delle consulenze, e infatti i partner di McKinsey lo stanno già dicendo apertamente.

Ma c’è una parte che resta scarsa e che non si comprime: l’autorità simbolica del consulente esterno nelle decisioni difficili. Quando un board deve prendere una decisione che spaccherà il management, una società di consulenza serve a fornire copertura politica più che analitica. Quando una famiglia proprietaria deve fare la transizione generazionale, serve una voce terza che dia legittimità alla scelta. Quando un CFO deve giustificare una ristrutturazione, serve un report con un logo riconoscibile. Tutto questo l’AI non lo sostituisce, perché non è informazione, è autorità. E l’autorità si costruisce con persone, relazioni, presenza fisica nei posti che contano.

Il cambio compensation di McKinsey, in questa lettura, ha senso. La consulenza non sparisce ma si sdoppia. Una parte commodity, sempre più automatizzata e a basso margine. Una parte high-touch, fatta di partner senior che vendono autorità e relazioni in situazioni dove conta più chi parla di cosa dice. È sulla seconda parte che si concentreranno gli equity stake. La prima parte, in qualche anno, sarà gestita quasi interamente da agenti, e questo i partner di McKinsey lo sanno bene.

Fine della consulenza o solo del suo vecchio modello?

Se questo è lo scenario, allora chi prende consulenza in Italia farebbe bene a chiedersi due cose, oggi. La prima: sto pagando per la parte commodity o per la parte high-touch? Se il mio rapporto con la consulenza è prevalentemente fatto di deliverable analitici, ricerche, benchmark, decking, allora sto pagando una cosa che fra tre anni potrò fare da solo con un team minuscolo armato di buoni agenti, magari su un’infrastruttura di AI privata sotto il mio controllo. Conviene cominciare ad attrezzarsi adesso, prima che il mercato si riallinei. La seconda: sto comprando vera autorità decisionale, e se sì, da chi? Perché la promessa di autorità del brand consulenza tradizionale dipende dalla stabilità del modello che la sosteneva. Se il modello cambia, anche l’autorità si rinegozia.

Da imprenditore che vede passare diverse aziende attraverso questi rapporti, dico che il vero rischio non è essere disintermediati. Il rischio è continuare a pagare la consulenza come se non stesse cambiando, mentre dall’altra parte i partner di McKinsey hanno già accettato che il loro mondo è cambiato e si stanno organizzando di conseguenza. Quando il fornitore si ristruttura prima del cliente, il cliente paga il conto della ristrutturazione del fornitore. È sempre andata così. Lo è ancora di più adesso, con tutta questa AI in mezzo.

Se volete ragionare su come attrezzarvi, lavoro esattamente su questo nei percorsi di advisory.

AI & GENAI, TECH & BUSINESS

Quanta intelligenza artificiale stai davvero governando?

Usare intelligenza artificiale e governarla sono due cose diverse. Quasi nessuna organizzazione che conosco ha ancora fatto il salto dalla prima alla seconda, e il conto sta arrivando, in modo molto concreto, sotto forma di budget esplosi a fine mese.

Le due cose sembrano simili. Non lo sono per niente.

Ho visto circolare nelle ultime settimane un grafico che mi ha colpito per la sua semplicità, il tipo di visualizzazione che riesce a mettere insieme in modo immediato qualcosa che si intuiva ma non si riusciva ancora a formulare bene. Su scala logaritmica, due curve: i ricavi da abbonamento per posto, piatti e stabili nel tempo, e il costo reale per token di inferenza, che cresce in modo esponenziale con l’intensità d’uso. Finché le linee restano separate, il margine esiste, le aziende che costruiscono su questi modelli respirano. Dopo l’incrocio, il grafico lo chiama “Profit Collapse.” Non è un modello accademico, è quello che le aziende che hanno messo intelligenza artificiale in produzione su larga scala stanno già vedendo nelle loro dashboard finanziarie.

Un caso che ha fatto girare molto rumore nelle ultime settimane: il CTO di Uber ha dichiarato di aver consumato in quattro mesi l’intero budget previsto per l’anno intero. Non perché i modelli non funzionassero. Perché nessuno aveva progettato il workflow con la consapevolezza che ogni chiamata ha un peso, che la somma di migliaia di micro-interazioni che sembrano gratuite diventa, alla scala di un’azienda come Uber, una spesa concreta, reale, non pianificata.

Il prezzo del flat-rate è stato l’ignoranza

Per due anni, i modelli di pricing a tariffa fissa hanno fatto una cosa molto precisa: hanno reso invisibile il costo reale dell’inferenza. La subscription mensile, il “paga X al mese e usa quanto vuoi”, ha creato nelle organizzazioni un’abitudine pericolosa, quella di non porsi le domande giuste sul consumo. Quanti token stiamo generando davvero? Chi li genera? Quale parte del flusso di lavoro produce valore misurabile e quale è ridondanza computazionale, automazione per automazione?

Quelle domande non venivano poste perché il modello economico non le rendeva urgenti. Adesso lo diventano, perché il pricing a token le mette sul tavolo ogni mese, come voce di costo separata, attribuibile, visibile.

La reazione che osservo più spesso è quella sbagliata: tagliare le licenze, ridurre l’accesso, aspettare che i costi scendano ancora. È una risposta di gestione del budget, non una risposta di strategia. E rischia di far perdere il vantaggio competitivo che si stava costruendo nel momento peggiore.

Adottare e governare sono due fasi diverse

C’è una distinzione che mi sembra fondamentale e che non viene fatta abbastanza, anche tra le persone che lavorano sul tema con serietà.

Adottare vuol dire integrare strumenti nei processi, formare le persone, misurare i primi risultati, dimostrare che funziona. È la fase in cui quasi tutte le organizzazioni si trovano, o si sono trovate nell’ultimo anno e mezzo. È necessaria, è il punto di partenza, ed è giusta.

Governare è qualcosa di diverso, più granulare e più esigente. Significa sapere dove ogni interazione con un modello si inserisce nel flusso operativo, quali sono le condizioni di attivazione, quanto pesa in termini di contesto, quanto costa ogni singola risposta e perché vale quello che costa. Significa avere visibilità sul consumo in tempo reale, non scoprirlo a consuntivo a fine mese. Significa, soprattutto, aver progettato i processi attorno agli strumenti, non aver semplicemente incollato un modello linguistico sopra un flusso di lavoro che esisteva già prima e che continua a funzionare esattamente come prima, solo con un layer di testo generato in più.

La gran parte delle organizzazioni che conosco è ancora nella fase dell’adozione. Si vede dai sintomi: budget che arrivano come sorprese, utilizzi distribuiti in modo caotico tra team diversi, nessuna metrica di efficienza sul consumo, nessuna distinzione operativa tra le interazioni che creano valore e quelle che lo consumano senza restituirlo.

Perché tenere l’intelligenza dentro cambia tutto

In questo contesto, spostare i modelli dentro perimetri controllati, on-premise o in architetture ibride dove il dato sensibile non esce, smette di essere una posizione ideologica sulla sovranità del dato e diventa una scelta molto concreta, economica e operativa insieme.

I vantaggi sono due, e si sovrappongono. Il primo è la prevedibilità dei costi: un modello che gira su infrastruttura propria ha un costo fisso che si pianifica, con una variabile di consumo che rimane interna, controllabile, non affidata all’intensità d’uso di tremila dipendenti distribuiti su fusi orari diversi. Il secondo è la compliance, che con l’AI Act in vigore e la pressione normativa che continua a crescere è diventata un requisito operativo con scadenze e responsabilità, ben oltre il perimetro di chi si occupa di legale.

Non tutti i casi d’uso hanno bisogno di modelli privati. Molti flussi di lavoro funzionano perfettamente su API pubbliche, purché siano stati progettati con la consapevolezza del costo. Ma la scelta tra pubblico e privato non può essere presa senza aver prima risposto alle domande di governo: chi usa cosa, con quale frequenza, per fare cosa, e quanto rende.

I token come risorsa operativa

C’è un cambio culturale che secondo me non sta avvenendo alla velocità giusta, ed è quello di trattare il consumo di token come una risorsa operativa, con la stessa serietà con cui si trattano le ore di computing, la banda di rete, lo storage.

In ogni organizzazione tecnologicamente matura, queste metriche hanno un owner, un budget, un ciclo di ottimizzazione. Il consumo di token, finora, non ne ha avuto uno. Era nascosto nel flat-rate, o era abbastanza economico da sembrare irrilevante come singola voce.

Non è più così, e la risposta non è tagliare, come dicevo. La risposta è costruire la governance prima che il budget esploda: monitoraggio in tempo reale, attribuzione del consumo per team e per processo, soglie di allerta, revisione periodica dei flussi ad alto costo. È lavoro di ingegneria, di processo, di cultura organizzativa. È il lavoro che separa chi sta ancora adottando da chi sta davvero costruendo.

C’è un parallelo che mi viene in mente pensando a come siamo arrivati qui. Nel mondo dello sport professionistico, c’è stato un momento in cui le squadre hanno smesso di valutare i giocatori a occhio e hanno iniziato a misurare tutto, ogni azione, ogni metro percorso, ogni contatto. Quella trasformazione non ha reso lo sport meno umano, ha reso le decisioni più informate. Qualcosa di simile sta per succedere con l’intelligenza artificiale in azienda: chi impara a misurare prima, e a misurare le cose giuste, arriverà avvantaggiato alla fase successiva.

La competizione si sposta

Ci sarà un punto, e credo non lontano, in cui la competizione sull’intelligenza artificiale in azienda non si giocherà più sull’accesso ai modelli. I modelli sono già disponibili, i costi di inferenza scendono, la barriera tecnica all’ingresso si abbassa. La competizione si giocherà su chi riesce a usarli in modo economicamente sostenibile, con processi progettati per reggere la scala, non solo la demo, e con la capacità di misurare, ottimizzare, correggere in tempo reale.

Le organizzazioni che arriveranno avvantaggiate a quella fase sono quelle che adesso, mentre la conversazione pubblica è ancora tutta sull’adozione e sui casi d’uso, stanno costruendo la governance. Stanno ponendo ai loro team le domande scomode. Stanno mettendo metriche dove prima c’erano impressioni. Stanno disegnando flussi di lavoro che hanno senso economico oltre che funzionale.

Senza dubbio, la domanda che conta adesso non è “stai usando intelligenza artificiale?” ma “sai cosa sta facendo l’intelligenza artificiale che stai usando, e quanto ti costa davvero governarla?”

AI & GENAI

Tutti a caccia di CAIO (Chief AI Officer). Ma nessuno che pensa a Sempronio

L’intelligenza artificiale è l’attore principale della scena che stiamo vivendo, ormai in tutte le riunioni, richieste e riflessioni. Ed è un tema talmente caldo che, come succede sempre, ne è nata una nuova stella ai piani alti delle aziende: il Chief AI Officer (CAIO).

La “febbre” dell’AI è tale che quasi la metà (48%) delle aziende FTSE 100 ha già nominato un CAIO o una figura equivalente, e oltre il 40% di questi incarichi è stato creato solo dall’inizio del 2024. Questo trend riflette l’importanza strategica crescente attribuita all’AI.

Tutti pensano a CAIO: c’è grande enfasi su strumenti, modelli e piattaforme da implementare, nella speranza che l’AI porti innovazione e vantaggio competitivo. Ma dietro l’entusiasmo tecnologico, come dico da po’, c’è una domanda cruciale che non tutti si stanno ponendo: ci stiamo preparando adeguatamente sul lato organizzativo, culturale e umano? In altre parole, mentre nelle aziende tutti corrono a pensare a “Caio”, forse dovremmo iniziare a mettere la testa su “Sempronio” un nome di fantasia per indicare ciò che spesso manca all’appello: l’attenzione al fattore umano nel successo dell’AI.

Già, perché l’AI non si limita a hardware e algoritmi; trasforma il lavoro delle persone, i processi decisionali e la cultura aziendale. Ed è proprio su questo che si gioca la vera partita dell’innovazione e dell’adozione, in modo corretto.

Il paradosso: enfasi sulla tecnologia, ma la cultura resta indietro

C’è un paradosso evidente nell’adozione dell’AI oggi. Da un lato, le aziende investono in tecnologie all’avanguardia e creano ruoli dedicati come il CAIO, spesso affidati a esperti con un solido background tecnico (il 67% dei Chief AI Officer proviene da data science, ingegneria o IT). Dall’altro lato, molti progetti di AI stentano a produrre risultati concreti o falliscono del tutto, nonostante le risorse impiegate. Anzi, alcune ricerche stimano che oltre l’80% dei progetti di AI non riesca a raggiungere gli obiettivi prefissati.

Perché succede? Spesso perché ci si concentra più sulla tecnologia in sé che sui problemi reali da risolvere e sulle persone coinvolte. In pratica, molte organizzazioni finiscono col costruire “cattedrali” tecnologiche che però non risolvono alcun problema concreto, per citare le parole di un esperto del settore. Succede quando si adotta l’AI per moda o pressione competitiva, senza una chiara focalizzazione sugli obiettivi di business e senza considerare l’impatto sui collaboratori. Il risultato? Iniziative sperimentali che rimangono al palo, diffidenza interna e valore aggiunto vicino allo zero.

La verità è che il principale ostacolo non è (solo) tecnico, ma culturale. Molte imprese scoprono che implementare l’AI richiede un cambiamento profondo nel modo di lavorare e pensare. Ad esempio, esperienza personale vissuta, nelle aziende italiane una delle sfide maggiori è proprio la resistenza culturale e organizzativa: l’AI è spesso percepita come una minaccia per l’occupazione o come una complessità non necessaria, generando sfiducia e approcci conservativi. In queste condizioni l’innovazione viene rallentata, mentre l’adozione efficace dell’AI richiede un cambiamento culturale profondo, che parta dalla leadership e coinvolga tutti i livelli aziendali.

Un’altra dimensione del paradosso è la differenza di velocità: la tecnologia evolve a ritmo esponenziale, mentre le persone e la cultura aziendale cambiano a ritmo molto più lento. Questo crea un “gap” pericoloso. Come ha osservato Javier Zamora dell’IESE Business School, l’unico modo per colmare questo divario è che il top management dia priorità strategica all’adozione dell’AI, investendo risorse e promuovendo attivamente una cultura aperta al cambiamento.

In teoria, lo stesso CAIO dovrebbe essere il regista di questa trasformazione culturale: il suo ruolo ideale infatti “non è solo guidare l’adozione dell’AI, ma orchestrare il cambiamento culturale necessario perché la tecnologia sia integrata nell’organizzazione”. Nella pratica però, ciò avviene di rado se l’attenzione dell’azienda resta puntata unicamente su algoritmi e dashboard invece che su persone, processi e mindset, ma soprattutto su professionisti con un background estremamente (solo) tecnico.

Ma dopo tutto come hanno sintetizzato diversi studi “il percorso verso maggiore efficienza ed efficacia grazie all’AI non è tecnico, bensì umano”. Servono competenze di change management, adozione culturale diffusa e formazione, ambiti che non sono tradizionalmente il forte di data scientist e ingegneri. Ecco il cuore del paradosso: stiamo investendo tantissimo in CAIO e tecnologia, ma troppo poco in quel lavoro paziente di evoluzione culturale e organizzativa senza cui l’AI rimane un corpo estraneo.

Ma chi è “Sempronio”?

A questo punto entra in scena “Sempronio”. Nell’antico detto italiano “Tizio, Caio e Sempronio” i nomi valgono per chiunque; qui li usiamo per rappresentare due approcci. Se CAIO (Caio) incarna l’approccio focalizzato sulla componente tecnologica dell’AI,  strategie algoritmiche, modelli da implementare, infrastrutture IT – Sempronio rappresenta invece tutto ciò che riguarda le persone, la cultura e i processi nell’era dell’intelligenza artificiale.

Immaginiamo Sempronio come la funzione o l’insieme di competenze dedicato a far sì che l’AI attecchisca davvero nel tessuto aziendale. Non è necessariamente una singola persona o un nuovo titolo formale (anche se qualcuno ironicamente potrebbe proporre un “Chief Adoption Officer” o un “Chief Change Officer” per l’AI). Più che un ruolo unico, Sempronio è un approccio integrato: è chi cura il cambiamento culturale, la formazione continua, la definizione di governance etica e la gestione quotidiana del cambiamento organizzativo legato all’AI.

Possiamo dire che Sempronio è, metaforicamente, il “partner” invisibile del CAIO. Mentre il CAIO spinge l’AI dall’alto, Sempronio crea le condizioni perché l’AI venga accolta positivamente dal basso. Sempronio parla con i team, rassicura chi teme di essere sostituito dalle macchine, spiega ai non-tecnici cosa può (e non può) fare l’AI, e li coinvolge nella co-creazione di soluzioni. Sempronio aggiorna le politiche interne per incorporare l’AI in modo responsabile, assicurandosi che vengano rispettati valori ed etica aziendale. Sempronio, in sostanza, mette le persone al centro dell’innovazione tecnologica.

Oggi, tutti guardano a CAIO, perché è naturale focalizzarsi sulla novità tangibile (la tecnologia, l’esperto che la guida). Ma la vera differenza la farà Sempronio, ovvero la capacità dell’organizzazione di adattarsi e imparare. Sempronio è quel collega (o quell’insieme di colleghi e leader) che si premura di fare domande come: “I nostri dipendenti sono pronti per questa innovazione? Come possiamo aiutarli a esserlo? Abbiamo cambiato i nostri processi, le metriche, la mentalità per sfruttare davvero l’AI?” Senza qualcuno che si ponga queste domande, senza un Sempronio, il rischio è di inseguire l’AI come fine a se stessa, implementando soluzioni che sulla carta sono potenti, ma che nessuno utilizza appieno o di cui non ci si fida.

Sempronio incarna la consapevolezza che l’AI nelle aziende è prima di tutto una trasformazione umana. È un richiamo a non lasciare indietro le persone mentre la tecnologia avanza. E ora vediamo più concretamente cosa significa attivare questo “spirito di Sempronio” nelle nostre organizzazioni.

Cosa serve alle aziende (oltre al CAIO)

Come possono le aziende passare dalla semplice implementazione di tecnologie AI a una vera integrazione dell’AI nel modo in cui lavorano e creano valore? Di seguito i “pilastri” del lavoro di Sempronio per abilitare un’adozione efficace e sostenibile dell’intelligenza artificiale.

  1. Visione chiara e sponsorship dall’alto: ogni trasformazione riuscita parte da una leadership convinta e coinvolta. Il top management deve includere l’AI nella strategia aziendale e comunicarne l’importanza a tutta l’organizzazione. Senza una sponsorizzazione attiva da parte del management, le iniziative AI faticano a decollare. Inoltre, i vertici devono prepararsi a un percorso non banale: come detto, la cultura non cambia alla stessa velocità della tecnologia, quindi servono pazienza e investimenti costanti. La direzione deve creare un senso di urgenza positivo attorno all’AI (non paura), definendo obiettivi concreti e condivisi che l’AI aiuterà a raggiungere (es. migliorare l’esperienza cliente, rendere i processi interni più efficienti, ecc.), anziché puntare sull’AI come moda del momento. In poche parole, serve una visione in cui l’AI sia un mezzo per un fine chiaro, e questa visione va raccontata e incarnata dal management giorno per giorno.
  2. Cambiamento culturale e mindset aperto: adottare l’AI richiede nuove abitudini di lavoro e mentalità. Non basta installare un software di machine learning se poi le persone non si fidano dei suoi output o continuano a prendere decisioni come prima. È dunque fondamentale coltivare una cultura aziendale “AI-ready”, in cui l’innovazione venga accolta con curiosità anziché timore. Come ho detto in diversi articoli, molte iniziative falliscono perché “si perde di vista l’obiettivo utente e di business”, costruendo soluzioni spettacolari ma inutili. Per evitarlo, bisogna partire dal problema da risolvere, non dalla tecnologia: chiedersi quale risultato concreto vogliamo ottenere e solo poi come l’AI possa contribuire. Questa è una vera svolta di mindset. Inoltre, i leader devono incoraggiare un ambiente di sperimentazione e apprendimento continuo. Creare spazi in cui fare prove, anche sbagliare, e imparare insieme è cruciale per assimilare l’AI. Servono quindi iniziative per diffondere curiosità e sicurezza psicologica: ad esempio, promuovere domande aperte (“Come potremmo usare l’AI per…?”) e dare il buon esempio nel mettersi in gioco con le nuove tecnologie. Le aziende AI-ready sono quelle dove c’è apertura mentale a tutti i livelli e dove l’AI non è vista come una minaccia, ma come un’opportunità da esplorare collettivamente. In poche parole occorre riallineare la cultura: dall’avversione al rischio tipica di contesti tradizionali, verso un atteggiamento di exploration guidata, in cui l’AI è uno strumento per innovare insieme.
  3. Formazione diffusa e sviluppo di competenze: l’AI non potrà mai diventare parte del DNA aziendale se rimane appannaggio di pochi esperti. È vitale investire in upskilling e ** alfabetizzazione ai dati e all’AI (data literacy)** su larga scala. Tutti i livelli organizzativi dovrebbero avere l’opportunità di capire, almeno nelle basi, cosa sia un algoritmo di AI, quali tipi di problemi può risolvere e come collaborare con esso. Questo non significa trasformare ogni dipendente in un data scientist, ma fornire il contesto e la confidenza necessari per interagire con le soluzioni AI senza paura. Ad esempio, formare i manager non tecnici a porre le domande giuste sui progetti AI, o i knowledge worker ad usare strumenti AI (come i sistemi di machine learning o le piattaforme di analytics) nei propri processi quotidiani. Come osserva Zamora, il CAIO dovrebbe farsi promotore di questa democratizzazione, formando i dipendenti e diffondendo la “data literacy” in azienda. Ciò può avvenire tramite workshop, e-learning, progetti pilota in cui i team imparano facendo (test & learn o learning by doing). Un altro aspetto formativo è la condivisione di best practice interne: far raccontare alle persone i successi (e fallimenti) nell’uso dell’AI, per normalizzare l’AI come parte del lavoro. In ogni caso, l’obiettivo è creare una forza lavoro che si senta partecipe della trasformazione AI, competente abbastanza da utilizzarla e da dare feedback. Senza questo sforzo educativo, il rischio è di avere da un lato una ristretta élite tecnica che “fa cose con l’AI”, e dall’altro la maggioranza dei dipendenti che guarda da lontano con scetticismo. La formazione diffusa abbatte questa barriera, creando coinvolgimento e fiducia.
  4. Governance ed etica nell’uso dell’AI: un elemento spesso sottovalutato, ma fondamentale, è la definizione di una solida governance per l’AI. Significa stabilire regole, processi e ruoli chiari per assicurare che l’AI venga utilizzata in modo responsabile, trasparente e allineato ai valori aziendali. Le domande etiche e di compliance abbondano: come evitare che un algoritmo di recruiting sia influenzato da bias discriminatori? Chi è responsabile se un modello AI prende una decisione errata con impatti su clienti o operazioni? Come garantire la privacy dei dati usati per allenare i modelli? Per affrontare questi temi, le imprese devono dotarsi di principi e policy ad hoc – talvolta riuniti in codici etici per l’AI – e meccanismi di controllo. Si parla molto spesso di rischio FATE (Fairness, Accountability, Transparency, Ethics) per l’AI, a indicare le principali sfide da governare. A livello pratico, servirà ad esempio un comitato di governance dell’AI, che coinvolga oltre al CAIO anche figure di compliance, HR, legali ed esperti di processo, per valutare rischi e impatti delle soluzioni AI introdotte. Costruire fiducia è la parola chiave: i dipendenti e gli utenti finali adotteranno l’AI solo se la percepiranno come affidabile e fair. Quindi, trasparenza sugli algoritmi (per quanto possibile), spiegabilità dei risultati, test rigorosi prima del deployment e possibilità di intervento umano in caso di errore sono tutti aspetti da curare. Come indicato in una recente lista di linee guida, le aziende dovrebbero predisporre fin da subito meccanismi per aumentare la comprensione e la fiducia in come l’AI viene testata, validata e introdotta nei flussi di lavoro, oltre a pianificare la scalabilità con un’adeguata infrastruttura e readiness culturale. In pratica: governare l’AI significa sia gestire i rischi (etici, legali, reputazionali), sia preparare il terreno per un’adozione in grande scala, creando standard interni e linee guida che facciano sentire tutti più sicuri nell’utilizzo di queste tecnologie.
  5. Change management e coinvolgimento attivo: ultimo ma non meno importante pilastro è la gestione del cambiamento vero e proprio. L’introduzione dell’AI impatta su processi, ruoli e abitudini quotidiane – è quindi fondamentale accompagnare le persone in questo percorso, comunicando, ascoltando e coinvolgendo. Un errore classico è calare dall’alto nuovi strumenti AI aspettandosi che vengano adottati automaticamente. Al contrario, come avverte Zamora, se i progetti sono percepiti come imposti da un comitato centrale, le resistenze all’adozione aumentano significativamente. Serve dunque un approccio partecipativo: coinvolgere sin dall’inizio i team destinatari delle soluzioni AI nella loro progettazione, raccogliere feedback, individuare insieme i casi d’uso più rilevanti. Le figure di change agent (che possono essere manager illuminati o referenti interni formati allo scopo) dovrebbero fare da ponte tra il team AI e il resto dell’organizzazione, spiegando benefici e affrontando le preoccupazioni. Una comunicazione chiara è essenziale: raccontare perché si adotta una certa AI, quali vantaggi porterà e come cambierà (o non cambierà) il lavoro quotidiano delle persone. Bisogna anche riconoscere e gestire le paure legittime: ad esempio, rassicurare sul fatto che l’AI supporta le decisioni umane senza automatizzare via il giudizio critico, oppure che l’introduzione di automazione libererà tempo per attività a maggior valore aggiunto. Un buon piano di change management include quick win (piccoli successi iniziali da pubblicizzare internamente), formazione sul campo, e magari il coinvolgimento di champion interni (persone rispettate che fanno da ambasciatori positivi dell’AI verso i colleghi). L’obiettivo finale è far sì che l’AI non sia vista come il “progetto dell’IT” o un’imposizione misteriosa, ma come un’evoluzione naturale e condivisa del modo di lavorare. Quando le persone si sentono parte del cambiamento, lo abbracciano con molta più convinzione. Ecco perché il ruolo di Sempronio – cioè di chi orchestra questo processo umano – è cruciale tanto quanto quello di chi installa l’ultima tecnologia.

Una adozione necessaria

Il messaggio è chiaro: l’adozione efficace dell’AI è un gioco a due dimensioni. Da un lato la dimensione tecnica, guidata dal CAIO o figure simili, fondamentale per scegliere le giuste soluzioni AI, implementarle e portarle in produzione. Dall’altro la dimensione umana-organizzativa, incarnata da “Sempronio”, che è altrettanto fondamentale per far fiorire quelle soluzioni nell’ecosistema aziendale.

Oggi molte aziende hanno fretta di mettere in piedi la prima dimensione  “Assumiamo un esperto AI, compriamo questa piattaforma di machine learning, e il futuro è risolto” ma poche dedicano la stessa cura alla seconda. È comprensibile: i risultati di un algoritmo si possono misurare subito, mentre i cambiamenti culturali sono più sfumati e richiedono tempo. Eppure, ignorare Sempronio significa condannare l’iniziativa AI a restare lettera morta. Senza investire in cultura, competenze e change management, l’AI migliore del mondo rimarrà inutilizzata o osteggiata, un potenziale mai realizzato.

La provocazione finale che voglio condividere è questa: nel prossimo meeting strategico, accanto alla domanda “Qual è la nostra strategia AI?” iniziate a chiedervi “Qual è il nostro piano di cambiamento culturale per l’AI?”. Se avete nominato (o state per nominare) un CAIO, pensate a chi o cosa sarà il vostro “Sempronio”. Potrebbe essere una task force interfunzionale, un programma di trasformazione interna, o semplicemente un insieme di leader illuminati che si fanno carico di guidare le persone attraverso il cambiamento. L’etichetta conta poco; ciò che conta è riconoscere esplicitamente questa esigenza.

In un’epoca in cui l’AI promette di ridisegnare interi settori, le aziende di successo non saranno solo quelle con gli algoritmi più avanzati, ma quelle con le persone più preparate e una cultura abbastanza adattiva per sfruttarli al meglio. In altre parole, vincerà chi saprà far collaborare Caio e Sempronio, ossia tecnologia e umanità, in una orchestra ben sincronizzata.