Tag: leadership and AI

AI & GENAI, TECH & BUSINESS

Manager di umani e di agenti: un mestiere che sta cambiando

A febbraio 2026 Harvard Business Review ha pubblicato un articolo a firma Suraj Srinivasan (Harvard Business School) e Vivienne Wei (Salesforce) sul nuovo ruolo del manager di agenti AI nelle aziende, intitolato To Thrive in the AI Era, Companies Need Agent Managers. Dentro c’è la giornata di Zach Stauber, support agent manager a Salesforce: comincia e finisce davanti a dashboard, scorecard e sistemi di osservabilità degli agenti. Non gestisce persone, gestisce una flotta di agenti AI che lavorano su supporto, vendite e marketing dentro Agentforce. Marc Benioff a luglio 2025 aveva già detto che Salesforce è passata da 9.000 a 5.000 ruoli nel customer support, riallocando il resto in vendite e customer success, e che gli agenti chiudono autonomamente l’85% dei ticket clienti.

Sembra una notizia di Silicon Valley, ed effettivamente il caso Salesforce è estremo. La categoria di lavoro che descrive però, quella del manager di agenti che orchestra un gruppo misto di umani e di sistemi automatizzati, sta arrivando a velocità inattesa anche dentro aziende italiane molto meno radicali. Lo vedo nei progetti di advisory che seguo, lo sto vivendo addosso io stesso nel modo in cui lavoro, e ho la sensazione che molti CEO italiani non abbiano ancora messo a fuoco quanto profondamente questo cambierà l’organigramma reale delle loro aziende entro 24 mesi.

A casa di chi costruisce AI, questo è già il presente

Lo studio Anthropic How AI Is Transforming Work at Anthropic, pubblicato il 4 dicembre 2025, ha analizzato 132 ingegneri e ricercatori interni, 53 interviste qualitative e i dati di uso di Claude Code. Un numero solo, fra i tanti che il paper mette sul tavolo, mi è rimasto in mente: il 27% del lavoro fatto con assistenza AI è lavoro che senza AI non sarebbe stato fatto affatto. Esperimenti che restavano nel cassetto, dashboard nice-to-have, documentazione interna sempre rinviata, strumenti che sarebbero costati troppo da prototipare a mano. Tutto questo adesso si fa, perché il costo marginale di iniziare è crollato.

Sotto quel 27% c’è una conseguenza meno raccontata, ma evidente nelle interviste: gli ingegneri Anthropic descrivono se stessi sempre più come supervisori, persone che danno indicazioni e controllano output, che indirizzano il lavoro invece di farlo direttamente. La quota di lavoro che dicono di poter “fully delegate” all’AI resta intorno al 10-20%, ma il restante 80-90% è collaborazione attiva, con il loro tempo che scivola dall’esecuzione diretta al controllo, dalla scrittura del codice alla revisione del codice scritto da Claude. Anthropic è il caso estremo perché Claude è il loro prodotto, ma la curva che descrivono è la stessa che vedo nei team di sviluppo italiani che hanno adottato Claude Code o Cursor o equivalenti negli ultimi sei mesi.

“Il McKinsey” che ha messo sul tavolo i numeri

A gennaio 2026, sul podcast All In, Bob Sternfels (global managing partner McKinsey) ha dichiarato che la sua azienda ha 60.000 dipendenti totali, di cui 25.000 agenti AI a fianco di 40.000 umani, con l’obiettivo di parità entro fine anno. Sul valore reale di quei 25.000 agenti il dibattito è aperto, e i concorrenti EY e PwC hanno fatto notare che una manciata di agenti ben fatti spesso produce più valore di una flotta numerosa. La notizia più seria di quella conferenza, come ho scritto in maggio, era però un’altra: McKinsey sta spostando una quota maggiore della remunerazione dei partner da cash a equity, perché i ricavi diventano volatili e il vecchio modello non regge più.

Una conseguenza che né McKinsey né i suoi concorrenti hanno ancora interiorizzato è questa: se metà della tua workforce è composta da agenti, hai bisogno di una struttura manageriale che gestisca gli agenti come si gestiscono le persone, ma con strumenti diversi.

Servono ruoli di accountability per le performance degli agenti, persone che ne misurino la qualità, che li riallenino quando deragliano, che decidano quando un caso va escalato a un umano. È esattamente quello che fa Stauber a Salesforce, ed è il primo abbozzo di una professione che fino a 18 mesi fa non esisteva.

Come sto vivendo io questo cambiamento

Mi è capitato negli ultimi mesi di trovarmi a fare il lavoro che fino a 24 mesi fa avrei diviso fra tre o quattro junior. Brief di scoping per un cliente, ricerca preliminare di mercato, prima stesura di un’offerta tecnica, analisi di documenti corposi, audit di una codebase. Quattro cose che richiedevano persone diverse, tempi distribuiti su settimane, riunioni di coordinamento. Adesso le orchestro da solo, con Claude Code che lavora sulla parte tecnica, Claude o GPT che mi preparano i deck e le bozze, RSS Intelligence che mi setaccia le fonti, MCP server che leggono i miei progetti aziendali su Biztrack e li trasformano in materiale per il cliente. Non è perfetto, non sempre regge, ma il salto di efficienza è reale.

Ed è qui che inizia il dubbio, quello che lo studio Anthropic intercetta nelle sue interviste e che condivido. Se il junior che avrebbe fatto la ricerca di mercato per me non lo faccio più assumere, perché un agente la fa decentemente in venti minuti, dove lo formerà la prossima generazione di consulenti e advisor? E se la prima bozza di un’offerta tecnica la scrive un agente che ho istruito sui miei pattern, quando avrò ancora il tempo e l’occasione di fare quel lavoro io stesso, con la lentezza che serve per capirlo davvero?

Su questo voglio essere chiaro: non sto facendo argomenti contro l’adozione dell’AI, su cui sono fra i più convinti. Sto argomentando per adottarla con la consapevolezza che ogni nuova efficienza implica una scelta di cosa non sviluppiamo più come capacità umana. La supervisione di un agente richiede competenza profonda dello stesso dominio che l’agente ha automatizzato. Se quella competenza non si forma più sul campo, fra due cicli generazionali la supervisione diventa nominale.

Il ruolo del manager si sta sdoppiando

Quello che osservo nelle aziende italiane medie con cui lavoro, fra le tecnologiche di Roma e le manifatturiere del Nord, è che la figura del manager si sta sdoppiando in due direzioni che convivono nella stessa persona.

Una direzione resta quella tradizionale, fatta di relazione umana fra persone: motivare un collega che attraversa un momento complicato, costruire e mantenere fiducia, gestire i conflitti che nascono inevitabilmente in ogni team, prendere decisioni su altre persone. Questa parte non viene erosa dall’AI, anzi: con team più piccoli e più senior, ogni decisione su una persona pesa di più, ogni riunione conta di più, ogni colloquio di sviluppo diventa più strategico. Il manager di umani non scompare, diventa più importante per quei pochi umani che resteranno nel team.

L’altra direzione è completamente nuova. Si tratta di definire i task degli agenti, scegliere il modello adatto al singolo carico, versionare i prompt come si versionano i contratti, monitorare derive e performance, decidere quando portare un agente da pilot a produzione e quando spegnerlo. Sono attività che assomigliano al lavoro di un product manager più che a quello di un people manager, ma vivono dentro lo stesso perimetro di responsabilità.

Il risultato è che il manager italiano del 2027 dovrà essere bilingue. Parlare la lingua delle persone e la lingua dei sistemi agentici. E queste due lingue si imparano in scuole molto diverse.

Ambizione, giudizio, creatività: cosa cerca davvero Sternfels

A Las Vegas, sempre a gennaio, Sternfels ha indicato che McKinsey cerca oggi nei candidati junior tre qualità precise: ambizione, giudizio, creatività. Sembra una lista da ufficio HR, ma se la leggi con la lente del lavoro che descrive Stauber a Salesforce, ti accorgi che è la descrizione esatta del manager di agenti.

L’ambizione conta perché chi gestisce agenti non ha più la routine del controllo gerarchico stretto, ha invece il problema di decidere cosa far fare di nuovo a un sistema che fa molto da solo. Il giudizio conta perché la quasi totalità delle decisioni operative la prendono gli agenti, e l’umano interviene proprio nei casi limite dove non ci sono regole chiare. Sulla creatività poggia tutto il resto, dato che definire bene un agente significa immaginare casi d’uso e prompt che non sono nel playbook esistente.

Tutte e tre queste organizzazioni stanno cercando le stesse tre competenze, e stanno cercandole in nuovi ruoli mentre tagliano in quelli vecchi. È lo scenario che le aziende italiane medie devono interiorizzare, perché succederà anche da loro, con due-tre anni di ritardo e a una scala più piccola, ma con la stessa logica.

Come imposto i progetti dove serve un manager di agenti

Quando un CEO italiano mi chiede come si prepara la sua azienda al manager di agenti, gli rispondo che non si prepara con un master di sei mesi né con un progetto di consulenza chiavi in mano. Si prepara mettendo subito un piccolo gruppo di manager attuali in condizione di lavorare quotidianamente con agenti veri, su task veri, e di imparare sul campo cosa va e cosa non va.

Praticamente significa scegliere un caso d’uso non strategico ma reale, dove il rischio è basso e l’apprendimento alto: drafting di prime risposte commerciali, analisi periodica di documentazione regolatoria, gestione della knowledge base interna. Poi serve dare al manager interno tutto lo stack per orchestrare l’agente, dall’accesso ai modelli alla dimestichezza con MCP e tool calling, fino al controllo dei prompt e alle dashboard di monitoraggio. Infine, e qui è il passaggio che vedo più trascurato, quel manager va valutato non sull’output diretto ma sulla qualità con cui gestisce l’agente, esattamente come Stauber a Salesforce.

Questa logica funziona meglio quando si appoggia su un’architettura AI dentro al perimetro aziendale, perché un manager italiano che orchestra agenti su dati di clientela o su documentazione sensibile non può farlo bene se gli agenti girano su infrastruttura americana sotto Cloud Act. Senza sovranità del dato, il manager diventa supervisore di un sistema di cui non controlla i confini, e la sua funzione si svuota.

Il rischio che non discutiamo abbastanza

C’è una parte del lavoro manageriale che la sostituzione con agenti rischia di erodere, e credo valga la pena nominarla con calma. È il mentoring informale, quello che succede quando un giovane fa una domanda a un collega più anziano in corridoio, quando un junior osserva un senior gestire una telefonata difficile, quando un team-leader passa mezz’ora con un nuovo assunto per capire come ragiona.

Quel sapere tacito, che le aziende trasmettono per contagio quotidiano, ha bisogno di numero. Servono junior che facciano domande e senior che rispondano, e servono spazi fisici e mentali dove l’asimmetria di esperienza si trasforma in relazione di apprendimento. Se gli agenti rispondono prima e meglio, i junior smettono di chiedere ai colleghi e i senior smettono di formare, e l’azienda smette di trasferire memoria operativa. È una perdita che non si vede nei KPI trimestrali, si vede nel decennio.

In Pelle Digitale ho provato a descrivere il modo in cui l’interfaccia digitale media le nostre relazioni e modifica anche quello che credevamo di sapere su noi stessi. Vale lo stesso, in modo più specifico, dentro le organizzazioni. Un’azienda dove l’interlocutore di prima istanza è un agente, e non più il collega di stanza, è un’organizzazione diversa nella sostanza, non solo nelle prestazioni. Il buon manager di agenti del 2027 dovrà difendere attivamente gli spazi dove l’apprendimento informale avviene fra umani, perché non avverrà più da solo.

La domanda da porsi

Settembre 2026 sarà probabilmente il primo trimestre in cui molte aziende italiane medie metteranno in piedi i primi prototipi seri di agentic adoption, dopo la prova generale del 2025 e i pilot del 2026. Per chi guida quelle aziende, e per chi guida funzioni dentro quelle aziende, una domanda che vale la pena tenere davanti è semplice. Quale manager della mia organizzazione è già di fatto un orchestratore di agenti senza ancora averlo dichiarato, e quale invece sta rifiutando di diventarlo perché ne percepisce l’aliquota di disagio? Perché il primo va riconosciuto e formalizzato in fretta, prima che lo riconosca un concorrente. E il secondo va ascoltato, perché la sua diffidenza spesso vede cose che chi è già dentro non vede più.

AI & GENAI, TECH & BUSINESS

Ontologie e grafi di conoscenza: la struttura del sapere in azienda

Il marketing scrive «lead» e intende un indirizzo email lasciato in un form. Le vendite scrivono «lead» e intendono qualcuno pronto a firmare un contratto. Stessa parola, due significati lontani, e nel mezzo riunioni che girano a vuoto perché nessuno, in tutta l’azienda, si è mai seduto a stabilire cosa voglia dire davvero.

Capita ovunque, e quasi sempre resta invisibile. Finché non arriva un modello a cui chiediamo di leggere i nostri documenti e restituirci un po’ d’ordine: a quel punto il disaccordo che tolleravamo da anni smette di essere un fastidio di fondo e diventa la prima cosa che ci scoppia in mano.

Per capire perché, conviene tenere separate due idee che arrivano dal mondo del web semantico e che quasi tutti scambiano l’una per l’altra: l’ontologia e il grafo di conoscenza. Si somigliano e non coincidono, e la differenza dice parecchio su come è fatto il sapere dentro un’organizzazione.

Ogni azienda parla una lingua che non ha mai scritto

Un’ontologia, ridotta all’osso, è l’elenco delle cose che esistono in un certo mondo e delle regole con cui possono stare insieme. Quali tipi di oggetti ci sono (un cliente, un progetto, un margine, una commessa), come si legano tra loro (un cliente firma un contratto, un progetto consuma un budget), quali vincoli valgono sempre (una fattura appartiene a un solo cliente). Funziona meno come un diagramma pieno di frecce e più come una mappa condivisa del significato, tanto precisa che sopra ci può ragionare una persona appena arrivata quanto una macchina.

Solo che quasi nessuno la chiama così. Ogni azienda gira già su un’ontologia, implicita, non scritta, quasi sempre contesa. La parola «cliente» nel CRM, nell’amministrazione e nel customer care indica tre cose che si assomigliano senza combaciare. «Chiuso» per un commerciale e «chiuso» per chi gestisce la delivery raccontano due momenti diversi della stessa storia. Il vocabolario c’è, le regole pure, ma vivono nella testa delle persone, tramandate per consuetudine, mai messe nero su bianco.

La conoscenza che non sta in nessun documento

Se l’ontologia è la mappa del significato, il grafo di conoscenza è il territorio già abitato: i fatti concreti, le persone e le cose reali, collegati uno all’altro. Questo cliente legato a quella commessa, quella decisione presa sulla base di quel dato, quel fornitore che conosce bene quel reparto. Nodi e relazioni, niente di più.

E qui si tocca un nervo scoperto. Buona parte di questo grafo, nelle aziende, esiste già, però vive sparso: nelle teste delle persone, nei thread di chat, nelle mail, nei fogli di calcolo, nella memoria tacita di chi è lì da quindici anni e «sa come funziona». I documenti conservano testo. Le relazioni, che sono poi la materia che ci serve quando dobbiamo decidere o rispondere a una domanda, restano fuori, intrappolate tra le righe o, peggio, solo dentro una testa che prima o poi andrà in pensione. Un’azienda capace di tenere insieme quelle connessioni inizia a comportarsi come un’impresa che ragiona, più che come un archivio da consultare.

L’intelligenza artificiale disegna lo schema e poi lo riempie di errori

Fino a ieri tutto questo aveva un costo proibitivo. Scrivere l’ontologia voleva dire uno specialista chino su un editor formale per settimane. Popolare il grafo voleva dire eserciti di curatori a mano, oppure estrattori rigidi che si inceppavano al primo caso fuori standard. Lento di qua, lento di là, e quasi sempre un progetto che moriva prima di servire a qualcosa.

I modelli linguistici ribaltano l’economia della faccenda. Dai a un modello un paragrafo e ti restituisce entità e relazioni in pochi secondi. Il costo di rendere esplicito l’implicito, di tirare fuori dai testi sia la mappa sia i fatti, crolla quasi a zero. È la stessa frontiera sottile che in Pelle Digitale ho provato a raccontare, quella membrana dove il senso passa di continuo tra noi e le macchine senza che nessuno dei due lo possieda del tutto.

Poi c’è il rovescio, ed è la parte che in azienda fa più male. Lasciata a sé, l’AI inquina. Inventa categorie che non esistono, sbaglia i tipi, asserisce legami plausibili e falsi con la stessa disinvoltura con cui ne asserisce di veri. La disciplina che la salva è una sola: prima si concorda la mappa del significato, poi si lascia che sia quella mappa a fare da guinzaglio all’estrazione. Lo schema diventa il guardrail. Prima il senso condiviso, poi i fatti che lo riempiono, in quest’ordine e mai nell’altro.

E tutto regge a una condizione, che vale la pena dire per intero. La parte faticosa non è mai stata battere a tastiera i fatti, ma metterci d’accordo su cosa significano. L’AI toglie la digitazione e ci lascia esattamente lì, faccia a faccia con il disaccordo che avevamo nascosto sotto il tappeto. Vale anche quando colleghiamo questi modelli ai sistemi che già usiamo, per metterli a contatto con i dati che teniamo sparsi ovunque: la tecnologia per pescare nel nostro sapere c’è, però non decide al posto nostro cosa quel sapere voglia dire.

Chi possiede il significato di «cliente»?

Se l’AI smonta la fatica meccanica e ci consegna il disaccordo bello e impacchettato, allora la domanda vera si sposta dalla tecnologia all’organizzazione. Tutto si stringe attorno a una questione di potere: chi ha l’autorità di decidere cosa significa «cliente». Per anni la risposta è stata «nessuno», oppure stava sepolta in un team di enterprise architecture con cui mezza azienda non si parlava. Adesso quella domanda torna al centro e pretende una risposta esplicita.

Decidere il significato è un atto che pesa. Stabilire che «cliente» vuol dire una certa cosa equivale a scegliere quale definizione vince quando il marketing e la finanza la vedono in modo opposto, e quindi chi comanda su quel pezzo di realtà condivisa. È una scelta di disegno organizzativo travestita da dettaglio tecnico. L’ontologia smette di essere un artefatto da reparto IT e diventa un oggetto di governo, qualcosa che qualcuno deve possedere, mantenere, presidiare.

Le aziende che saltano questo passaggio non evitano la decisione. La delegano in silenzio al modello, che una definizione se la sceglie comunque, e se ne accorgeranno il giorno in cui i conti non torneranno e nessuno saprà spiegare il perché.

L’ontologia generica si copia con un prompt, la propria no

C’è un’ultima conseguenza, e riguarda la competizione. Se chiunque può chiedere a un modello di abbozzare un’ontologia generica e plausibile per un certo settore, allora il generico vale sempre meno. Scivola verso la commodity, alla portata di tutti allo stesso prezzo, vale a dire quasi gratis.

Quel che resta difficile da replicare è la mappa precisa e ben curata del proprio dominio. La struttura del sapere di quella specifica azienda, costruita sulle sue relazioni reali e sulle definizioni che le sono costate anni di discussioni e aggiustamenti, validata e tenuta in ordine, non si tira fuori con un prompt astuto. La barriera si sposta: dal possesso dei dati, che ormai hanno tutti, al possesso della struttura di significato sopra quei dati.

Ed è una barriera solida proprio perché è lenta. Costa tempo costruirla, costa presidio mantenerla, si nutre di conoscenza che su internet non c’è perché vive solo dentro quell’organizzazione. Reggere la spinta di questa trasformazione, come ha imparato chi ha visto le aziende assorbire gli shock di mercato degli ultimi anni, vorrà dire trattare la propria ontologia come un patrimonio, più che come lo scarto di un progetto finito in un cassetto.

La parte tecnica, ormai, è quasi un gioco da ragazzi. Gli strumenti per abbozzare un’ontologia dentro una scheda del browser esistono già e funzionano sorprendentemente bene. A mancare è altro: la voglia di sederci in una stanza, noi, e decidere una volta per tutte cosa vogliono dire le nostre parole.

Allora forse la domanda da cui partire non riguarda l’intelligenza artificiale. Mappare il nostro sapere lo saprà fare, e prima di quanto immaginiamo. Riguarda noi, e suona più o meno così: siamo davvero pronti a metterci d’accordo su cosa quel sapere significhi? Perché la mappa la disegnerà la macchina, ma il significato, quello, tocca ancora a noi.

Copertina del libro Incorruptible di Eric Ries
AI & GENAI

Incorruptible: la gravità finanziaria di Eric Ries e l’AI che obbedisce alla struttura

Mi sono portato in viaggio Incorruptible, l’ultimo libro di Eric Ries, lo stesso di The Lean Startup, e l’ho letto nei ritagli tra una tappa e l’altra. Sottotitolo: perché le buone aziende vanno a male e come le grandi restano grandi. La sua tesi di fondo è scomoda per chi ama le storie morali. La deriva delle imprese, dice Ries, ha una radice strutturale prima che morale: proprietà, incentivi, statuti, meccanismi di accountability. Anche i leader più integri finiscono spinti verso esiti che non avrebbero scelto, perché il sistema che li circonda li piega. A questa spinta Ries dà un nome, gravità finanziaria.

È la somma degli incentivi di breve termine, della dottrina del primato dell’azionista, delle strutture di governo che estraggono valore invece di custodirlo. Come la gravità, agisce che tu te ne accorga o no. E diventa più forte proprio quando l’azienda ha più successo, perché un’impresa che vale tanto è un bersaglio che vale tanto.

Fin qui Ries. Quello che mi ha tenuto sveglio, oltre al fuso del rientro, è un’altra cosa. Stiamo per consegnare migliaia di decisioni operative a agenti AI che eseguiranno la struttura che gli diamo, alla lettera, senza l’attrito morale di un essere umano che a un certo punto storce il naso e dice no. Se la struttura è mal disegnata, l’agente la realizzerà alla perfezione. La gravità finanziaria sta per trovare un acceleratore.

Lo sgabello con una gamba sola

Ries prende di mira il primato dell’azionista, la dottrina per cui l’unico scopo legittimo di un’impresa è massimizzare il ritorno per chi possiede le azioni. Un’azienda sana, scrive, poggia su tre gambe: una ragione di esistere, gli stakeholder che da quella ragione sono serviti, gli investitori che dalla performance sono ricompensati. Togli le prime due e resti con uno sgabello a una gamba sola, che sta in piedi solo finché i mercati hanno voglia di tenerlo in piedi.

Il dato che usa per smontare l’ortodossia è la sanità americana. Gli Stati Uniti spendono circa il doppio pro capite rispetto a paesi comparabili e ottengono un’aspettativa di vita più bassa. Un punto isolato, fuori dalla linea che ogni altro paese sviluppato segue. Per la teoria dei mercati efficienti non dovrebbe accadere. Accade. Ries lo legge come una smentita sul campo, non come un’anomalia da archiviare in un cassetto. Arriva al punto di voler ritirare la parola profitto, e ridefinirla come massimizzazione della fioritura umana.

L’agente non storce il naso

Qui entra il concetto del libro che mi sembra più urgente per chi lavora con l’AI: la surrogazione. La metrica di una cosa prende il posto della cosa stessa. Misuri il tempo medio di gestione di una chiamata perché è misurabile, e ottieni un customer service peggiore, perché gli operatori imparano a chiudere in fretta invece di risolvere il problema. La metrica mangia l’obiettivo.

Un essere umano, davanti a un cliente in difficoltà, ogni tanto rompe lo schema. Resta al telefono venti minuti in più perché capisce che è la cosa giusta, anche se il suo cruscotto ne soffre. Quella frizione vale oro. È l’ultimo argine tra la metrica e il senso.

Un agente AI quell’argine non ce l’ha. Gli dai una funzione obiettivo e lui la insegue con una costanza che nessun dipendente avrà mai. Se la funzione obiettivo è una metrica surrogato scelta male, l’agente ottimizzerà il surrogato fino in fondo, a una velocità e su una scala che la vecchia gravità finanziaria si sognava. La governance degli incentivi smette di essere materia da consiglio di amministrazione e diventa codice che gira in produzione.

Il leader invisibile, un secolo dopo

C’è poi Mary Parker Follett, teorica del management dei primi del Novecento, cancellata per decenni dai manuali mentre il suo contemporaneo Frederick Taylor diventava un santo laico. Follett parlava di “potere con” al posto di “potere su”. E parlava di leader invisibile: il vero capo della fabbrica di cioccolato Rowntree non era il signor Rowntree, era lo scopo condiviso che lui aveva seminato in ogni reparto. Le persone non seguivano lui, seguivano il senso che aveva reso comune.

La prova di un leader, in questa lettura, sta in cosa fa l’organizzazione quando nel reparto non c’è nessun manager. È un’idea che torna potente adesso, mentre costruiamo organizzazioni dove in molte stanze, di fatto, un manager non ci sarà più, ci sarà un agente.

A quel punto il leader invisibile prende una forma molto concreta: diventa la costituzione che diamo ai nostri sistemi, l’insieme di principi e vincoli che guida un agente quando deve decidere da solo. In Pelle Digitale ho provato a raccontare la tecnologia come estensione della mente, una membrana tra noi e il mondo. Con gli agenti quella membrana inizia a decidere al posto nostro, e l’unica cosa che la orienta è lo scopo che ci siamo presi la briga di scrivere dentro. Se lo scopo è vago, l’agente riempie il vuoto con la metrica più vicina.

Una seconda gravità

Ries parla di gravità finanziaria. Nelle aziende con cui lavoro ne vedo una seconda, parallela, che chiamerei gravità tecnologica. È la spinta a delegare cognizione, dati e infrastruttura a poche piattaforme esterne, perché all’inizio costa meno e fa risparmiare tempo. Il prezzo lo scopri dopo, quando il controllo se n’è già andato altrove e ricomprartelo costa una fortuna.

Le aziende che Ries porta come esempi di resistenza alla gravità finanziaria non sono enti di beneficenza. Grundfos, Bosch, Novo Nordisk, Carl Zeiss: fondazioni industriali nate in Danimarca e in Germania, alcune oltre un secolo fa, che battono i concorrenti convenzionali proprio perché possono investire su orizzonti che gli altri non riescono nemmeno a guardare. La proprietà protegge la missione, e la missione protetta produce risultati.

La stessa logica vale sul piano tecnologico. Tenere vicino ciò che è strategico, i modelli, i dati, le decisioni che pesano, è la versione digitale della fondazione industriale. È il motivo per cui con LocalAI lavoro su intelligenza artificiale che gira dentro il perimetro dell’azienda invece che dentro il perimetro di qualcun altro. È una scelta strutturale prima che ideologica: chi controlla l’asset critico controlla il proprio futuro.

La governance come atto creativo

Il lascito pratico di Incorruptible è che la governance è un lavoro di design, da fare prima che serva. Lo scrive a chiare lettere: aspettare di avere successo per mettere i paletti è troppo tardi, perché il successo è ciò che attira i predatori. Banchieri, avvocati e investitori ti diranno sempre di rimandare a quando sarai più forte. Quel consiglio è la trappola.

Per chi guida un’azienda oggi il compito si è raddoppiato. C’è la struttura finanziaria da disegnare, come dice Ries. E c’è la struttura tecnologica, la costituzione degli agenti, la scelta di cosa tenere dentro e cosa lasciare fuori, che decide quanto del tuo futuro resta nelle tue mani. È il lavoro che faccio ogni giorno con le aziende che proviamo ad aiutare in ZeroFive: non policy da incorniciare, ma i meccanismi che orientano le decisioni quando nessuno sta guardando, umano o agente che sia.

Ries ha ragione su un punto. Il successo da solo non protegge ciò che conta. E nell’era degli agenti, una struttura ben disegnata smette di difendere soltanto la missione dalla finanza, inizia a difendere la mente dell’organizzazione dal diventare proprietà di qualcun altro.

Eric Ries, Incorruptible: Why Good Companies Go Bad and How Great Companies Stay Great, Authors Equity, 26 maggio 2026. Materiali e capitolo bonus su incorruptible.co.

AI & GENAI

Claude Fable 5 e la scatola nera: sembra una fiaba, sarà il problema da affrontare

Poco fa (9 giugno 2026) Anthropic ha rilasciato Claude Fable 5, il primo modello della classe Mythos accessibile al pubblico. I numeri raccontano un salto: Anthropic lo dà come stato dell’arte su quasi tutti i benchmark testati, e più lungo e complesso è il compito, più largo è il vantaggio sugli altri modelli. Prezzo dichiarato, dieci dollari per milione di token in input e cinquanta in output, meno della metà di Mythos Preview, con un meccanismo di sicurezza che ripiega su Opus 4.8 quando una richiesta tocca cybersecurity o biologia, in media in meno del 5% delle sessioni. Tutto vero, tutto rilevante. Ma la cosa che mi ha fatto fermare non sta nei benchmark.

Tabella benchmark Claude Fable 5 e Mythos 5 confrontati con Opus 4.8, GPT 5.5 e Gemini 3.1 Pro
Fonte: Anthropic, Claude Fable 5 and Claude Mythos 5, 9 giugno 2026. I punteggi con asterisco riflettono il fallback di Fable su cybersecurity e biologia, dove il modello si comporta come Opus 4.8.

Sta nel racconto di Ethan Mollick, che ha avuto accesso anticipato e ha provato a costruirci una mappa isocronica, quelle mappe che mostrano fin dove arrivi in un tempo dato. Gli dà un’istruzione, una sola, abbastanza vaga. E il sistema parte. Lancia altri agenti, più economici, per fare ricerca. Mentre quelli girano, inizia a scrivere codice. Poi lancia altri agenti ancora per verificare il codice che ha appena scritto, prende appunti sui propri progressi, corregge. Recupera oltre 2.200 voli, gli orari ferroviari dal TGV allo Shinkansen, le velocità stradali per paese da paper accademici. Lavora per ore. Quando vuole i tempi di viaggio verso le località remote, scopre da solo ogni quanto salpano le navi per Pitcairn nel Pacifico. Il risultato è una visualizzazione funzionante, con metodo, fonti, scelte di design, compromessi.

Transcript di Claude Fable 5 che lancia agenti in parallelo per costruire la mappa isocronica
Il transcript della sessione: il modello lancia altri agenti per la ricerca mentre scrive codice. Fonte: Ethan Mollick, What it feels like to work with Mythos, One Useful Thing.

Mollick usa un’immagine che mi gira in testa da quando l’ho letta. L’anno scorso parlava di lavorare con un mago: pronunci l’incantesimo, qualcosa accade. Adesso non è più sicuro di essere lui il mago. È più vicino a un committente. Descrive quello che vuole, paga, giudica il risultato. Le centinaia di micro-decisioni che hanno prodotto quel risultato avvengono in un posto che non può guardare, e su cui non ha votato.

Centinaia di scelte che nessuno ha approvato

Quando Mollick scrive che il suo ruolo era ridotto, non intende solo che ha lavorato poco rispetto alla macchina. Intende che ha avuto poco controllo su come la macchina ha fatto le cose, perché ha scelto certi approcci, persino su quanto a fondo sarebbe arrivata. I dettagli del ragionamento non gli vengono mostrati, e il processo sarebbe troppo lungo perfino da seguire. La mappa ha richiesto centinaia di piccole decisioni, e la macchina le ha prese, senza che lui le capisse e senza che potesse dire la sua.

C’è una frase, in chiusura del suo pezzo, che vale più di tutti i benchmark. Mollick si chiede se questo essere messo da parte sia temporaneo, un difetto delle interfacce che recupereremo con strumenti migliori per guardare dentro e correggere a metà strada. Poi ammette che sospetta il contrario: che più il modello è capace, meno ci sia per un umano da fare in modo significativo, e che la scatola nera sia il prezzo della potenza. Non un bug. Il prezzo.

Se ha ragione, e io credo che almeno in parte l’abbia, allora il problema smette di essere tecnologico e diventa organizzativo. Lo diventa subito, dentro le aziende, su ogni processo che decidiamo di affidare.

Da strumento ad attore

C’è un confine che queste macchine hanno attraversato, e lo descrive bene un lavoro recente della Berkeley sulla governance dell’impresa agentica. Quando un foglio di calcolo produce un errore, la responsabilità è di chi lo ha usato. Quando un agente autonomo approva una transazione o ridirotta una spedizione, la responsabilità diventa ambigua: è stato il modello, i dati, la configurazione, o la decisione di delega in sé? Senza un modello operativo esplicito, l’azienda non riesce a rispondere in modo coerente. La macchina è passata da strumento ad attore, e per gli attori servono regole diverse da quelle che usiamo per gli strumenti.

In Pelle Digitale ho provato a descrivere la tecnologia come estensione della mente, qualcosa che si fonde con il modo in cui pensiamo e percepiamo. L’AI agentica porta quell’idea su un piano nuovo. Non estende soltanto la mia capacità di pensare, agisce al posto mio, prende decisioni che fino a ieri erano competenza di una persona con un nome e una responsabilità. L’estensione è diventata delega. E la delega, quando il delegato lavora dentro una scatola che non vedi, è un atto di fiducia che va costruito, non dato per scontato.

McKinsey, nel suo lavoro sull’organizzazione agentica, lo dice con parole che condivido: la supervisione umana non sparisce, cambia natura. Non più revisione riga per riga, ma definizione di policy, monitoraggio degli scostamenti, regolazione del livello di coinvolgimento umano caso per caso. La sfida è trovare il punto giusto, abbastanza presidio da gestire il rischio senza riportare gli agenti alla velocità umana, che è poi il motivo per cui li hai chiamati.

Automatizzare un compito, commissionare una decisione

Per anni ho ripetuto una cosa nei miei interventi: ogni volta che deleghiamo un pezzo di lavoro senza capire come viene svolto, accumuliamo un debito di conoscenza. Lo paghi più tardi, quando quel sapere ti serve e non ce l’hai più dentro l’organizzazione. Con gli agenti che eseguono interi processi, quel debito smette di essere una metafora. Non è più questione di quali compiti togliere dalle mani delle persone, ma di quali decisioni accettiamo che maturino fuori dalla nostra vista, e di quanto sapere siamo disposti a non possedere più.

Non sono la stessa cosa. Automatizzare un compito significa togliere fatica a una persona che resta padrona del risultato. Commissionare una decisione significa accettare che una catena di scelte avvenga senza il tuo voto, e prenderti comunque la responsabilità di ciò che ne esce. La differenza vale un’azienda intera, perché cambia la natura stessa di ciò che firmi. Quando Stripe racconta che Fable ha compresso in un giorno una migrazione di codice che a mano avrebbe richiesto a un team più di due mesi, il risultato è straordinario e quasi nessuna di quelle scelte è passata per un occhio umano. Su una migrazione di codice ce ne facciamo una ragione. Su una decisione che tocca le persone e i conti di un’azienda, la stessa opacità diventa un rischio che pesa su chi ha firmato.

Qui si misura la maturità di un’organizzazione, e non si misura con un proof of concept in più. Si misura con la capacità di ridisegnare quattro cose insieme: chi risponde di cosa, come si traccia ciò che è successo, con quali criteri si giudica la qualità di un lavoro che non hai visto nascere, in quali punti un essere umano entra e ferma la catena. È lavoro di metodo, non di tecnologia. La tecnologia ce l’abbiamo già, ed è quella che ha costruito la mappa di Mollick in un pomeriggio.

Il presidio non si improvvisa

Steve Blank, recensendo l’ultimo libro di Eric Ries sulle strutture di governance che durano, ricorda una cosa che vale anche qui. Le idee sul come costruire aziende solide diventano operative quando la crisi le rende inevitabili. Il rischio, con l’AI agentica, è aspettare l’incidente per scoprire quanto fragile fosse il modello di controllo. La delega senza presidio regge finché tutto va bene. Poi una decisione sbagliata, presa dentro la scatola e mai rivista, mostra il conto, e a quel punto non c’è una persona a cui chiedere perché, c’è solo un output da spiegare a posteriori.

Costruire il presidio è un lavoro che si fa prima, con metodo, e che tocca la struttura dell’organizzazione più della sua dotazione tecnologica. Significa decidere a monte quali decisioni hanno bisogno di un punto di controllo umano e quali no, scrivere chi è responsabile quando un agente sbaglia, rendere ogni azione tracciabile e spiegabile, stabilire le soglie oltre le quali la macchina si ferma e chiama. È un disegno, e come ogni disegno richiede mani che l’abbiano già fatto. In ZeroFive lavoriamo esattamente su questo, sul metodo che trasforma la scatola nera in un processo che un’azienda può attraversare con responsabilità chiare, non sull’ennesimo strumento da aggiungere allo stack.

Reid Hoffman dice che il professionista del futuro dirige squadre di agenti e opera con la capacità di un team intero. Ha ragione. Ma dirigere una squadra che non vedi lavorare è un mestiere diverso dal dirigere persone che ti rendono conto. Il committente di Mollick firma il lavoro finale senza essere mai entrato in sala. Per un singolo che costruisce una mappa per diletto va benissimo. Per un’azienda che affida decisioni vere a un sistema che non mostra il suo ragionamento, firmare senza essere entrati in sala è esattamente ciò che non ci si può permettere.

L’AI agentica arriva travestita da acquisto tecnologico, una licenza in più nello stack. È un equivoco che costa caro, perché quello che cambia davvero è il disegno dell’organizzazione: chi porta la responsabilità di un esito che nessuno ha sorvegliato passo per passo, come si tiene traccia di un percorso che la macchina non mostra, dove collocare le poche soglie in cui una persona deve poter fermare tutto. Il lato tecnologico è la parte facile, e ce la siamo già giocata.

Fonti:
Ethan Mollick, What it feels like to work with Mythos, One Useful Thing, 9 giugno 2026.
Anthropic, Claude Fable 5 and Claude Mythos 5, 9 giugno 2026.
Giorgio Sacconi, Linkedin , 9 giugno 2026.

AI & GENAI, TECH & BUSINESS

Onlyness e leadership: perché il change management non funziona più

Ho ascoltato in questi giorni il podcast con Nilofer Merchant in cui torna sul concetto che porta avanti da anni, quello che lei chiama onlyness, e lo applica a un’idea che mi sembra meriti più attenzione di quella che riceve in Italia: la fine del change management come l’abbiamo conosciuto. Merchant viene da una carriera lunga in Apple e Autodesk, ha lanciato oltre cento prodotti, è una delle voci più riconosciute sul Thinkers50, e da qualche tempo dice una cosa precisa. Il change management, inteso come piano che parte dall’alto e si distribuisce sotto, è uno strumento del Novecento. Funzionava in un mondo in cui chi stava in cima sapeva la direzione e chi stava sotto doveva essere portato a seguirla, con la giusta combinazione di leve di influenza, comunicazione e formazione. Era un sistema di controllo travestito da accompagnamento.

Quel mondo, dice Merchant, non esiste più. Esiste un altro mondo in cui la conoscenza necessaria per cambiare un’organizzazione non sta più tutta in cima ed esiste quasi sempre distribuita nei nodi, perché sono i nodi quelli che toccano i clienti, i prodotti, le anomalie, le opportunità invisibili dal piano direttivo. Allora il cambiamento non si gestisce più. Si co-crea. E il ruolo della leadership si trasforma da quello di chi indica la rotta a quello di chi sa porre le domande giuste e accetta di non sapere ancora la risposta.

Il sapere si è spostato, i framework no

Per anni ho visto progetti di trasformazione organizzativa fallire per la stessa ragione di fondo, quella che adesso Merchant nomina bene. C’era una sproporzione tra chi disegnava il cambiamento e chi lo doveva attuare. Quelli che lo disegnavano sapevano abbastanza di strategia ma poco del lavoro reale, quelli che lo dovevano attuare sapevano del lavoro reale ma erano tenuti fuori dal disegno. Il classico tentativo di sanare lo squilibrio era introdurre cicli di workshop, focus group, sondaggi di engagement. Roba che dava al sotto l’illusione di partecipare al sopra senza spostare davvero la decisione. Funzionava, a tratti, perché il sotto accettava la finzione in cambio di un po’ di considerazione.

Adesso quella finzione si rompe da sola, e non per ragioni etiche ma per ragioni di efficienza. L’AI sta amplificando un fenomeno che già era in corso da vent’anni: la conoscenza utile per prendere decisioni si è spostata verso i bordi dell’organizzazione. Strumenti come Claude, Copilot, e tutti i loro fratelli, mettono nelle mani di chi sta nei nodi capacità di analisi, sintesi, prototipazione che fino a ieri richiedevano staff dedicato. Una persona junior con un modello potente accanto può oggi produrre output decisionali che dieci anni fa erano appannaggio di consulenti senior pagati a giornata. Allora la domanda diventa imbarazzante: perché continuiamo a gestire il cambiamento come se la conoscenza fosse ancora gerarchica?

Onlyness applicata alla trasformazione

Il concetto di onlyness di Merchant è la chiave operativa che permette di uscire dall’impasse. Onlyness è il punto unico del mondo in cui solo tu stai, dato dalla combinazione esatta di esperienza, storia, prospettiva, relazioni che hai accumulato. Da quel punto unico puoi vedere cose che nessun altro vede e portare contributi che nessun altro può dare. Vista così, ogni persona in organizzazione è portatrice di onlyness, e l’onlyness non si delega.

Quando trasferisci questa idea al cambiamento organizzativo, succede una cosa interessante. Il piano dall’alto smette di essere un piano. Diventa una cornice: la domanda che si sta cercando di rispondere, il vincolo che bisogna rispettare, l’orizzonte temporale entro cui muoversi. Dentro quella cornice, sono gli onlyness distribuiti a costruire le soluzioni, una accanto all’altra, una sopra l’altra, fino a comporre qualcosa che nessuna mente singola avrebbe potuto disegnare. Il ruolo di chi guida diventa custodire la cornice, non riempirla. Tenere fermo il perché, lasciare aperto il come.

Sembra astratto e invece è molto operativo. Vuol dire che il leader passa la maggior parte del tempo a fare due cose: a formulare e riformulare la domanda finché diventa abbastanza precisa da orientare l’azione senza essere così stretta da chiudere lo spazio creativo, e a costruire le condizioni in cui le persone si sentono sicure abbastanza per portare il proprio punto unico al tavolo senza paura. La seconda cosa è la più difficile, perché va contro decenni di abitudini gerarchiche.

Onlyness e disagio: il segnale che qualcosa sta davvero cambiando

Merchant parla del disagio come componente strutturale del processo. Non lo vede come effetto collaterale da minimizzare, lo vede come segnale che si sta andando nella direzione giusta. Se durante un processo di cambiamento nessuno sta scomodo, allora con buona probabilità non sta cambiando niente di vero. Sta cambiando solo la superficie, magari i diagrammi, magari le nomenclature, magari i punteggi negli engagement survey. Ma sotto, le vecchie posizioni di potere stanno tenendo botta.

Il disagio vero arriva quando chi era abituato a decidere deve imparare ad ascoltare prima di parlare, quando chi era abituato a eseguire deve imparare a proporre, quando chi era abituato a sapere deve riconoscere apertamente che non sa. Sono tre disagi simmetrici, distribuiti nei tre livelli classici dell’organizzazione, e nessuno dei tre è gratis. Merchant non promette una scorciatoia. Dice che il leader serio è quello che lo accetta e ci convive, anziché cercare di anestetizzarlo con metodologie sempre più sofisticate.

Leader e onlyness: la nuova base dell’autorità

Nel mio libro La mente adattiva avevo cercato di descrivere come la capacità di adattamento individuale e organizzativo stesse diventando la competenza chiave del decennio. Adesso vedo che quella tesi ha bisogno di un’integrazione. L’AI non aumenta solo l’urgenza dell’adattamento, ne cambia anche la natura. Perché l’AI non è uno strumento che aspetta l’istruzione, è un agente che propone. Lavora con te, ti porge alternative, ti contesta assunzioni. Se sai usarla, è come avere accanto un collega che ha letto tutto ed è disposto a discutere all’infinito.

In quel quadro, l’organizzazione gerarchica vecchio stampo diventa un collo di bottiglia evidente. Se ogni nodo dell’organizzazione ha accesso a un partner di ragionamento di livello globale, il freno smette di essere informativo e diventa autorizzativo: non manca più la conoscenza, manca il permesso di usarla. La burocrazia interna che doveva proteggere dalla cattiva decisione adesso protegge dalla decisione e basta. E intanto i competitor più piccoli, più piatti, più disposti a co-creare, si muovono prima.

Cosa succede a chi guida quando questo si avvera? Succede che il modello mentale del leader come ultimo decisore informato non regge più. L’AI sa più cose di te, su quasi tutto. I tuoi collaboratori, ben armati di AI, sanno più cose di te sui loro ambiti specifici. La tua autorità non può poggiare sul “sapere di più”, perché è semplicemente falso. Deve poggiare su qualcos’altro: sulla qualità delle domande che fai, sulla precisione con cui custodisci la direzione, sulla capacità di tenere viva la coesione del gruppo quando tutti sanno troppe cose e nessuno sa quella decisiva.

Come si forma il prossimo livello di leadership

Se la co-creazione è davvero il nuovo paradigma e l’AI lo accelera, allora va riaperta la questione su come si forma il prossimo livello di leader. Le vecchie palestre, le carriere lineari, gli step da middle a top management, presupponevano un mondo in cui si saliva accumulando sapere e contatti. Adesso il sapere è distribuito e i contatti li media spesso un algoritmo. Quello che resta scarso, e che diventa quindi il vero asset, è la capacità di stare nel disagio della non-conoscenza, di formulare domande che muovono persone e organizzazioni, di tenere insieme talenti diversi intorno a un perché che regge.

Tre cose che non si imparano leggendo, si imparano facendo, in mezzo agli altri, fallendo davanti a loro qualche volta. Mi piacerebbe vedere più aziende che progettano percorsi di leadership su queste tre dimensioni invece che sulla classica triade conoscenze-competenze-soft skill. Sarebbe già un primo passo verso il post-change-management che Merchant prefigura. Per ora, da imprenditore che ha attraversato cambiamenti organizzativi di vari ordini di grandezza, dico che il problema più sottile sta nel cambiare l’idea che abbiamo del leader, prima ancora delle regole. E quella, le regole, non basta a smuoverla.

Se vuoi confrontarti su come riprogettare ruoli di leadership in un contesto in cui l’AI ridistribuisce la conoscenza nei nodi, c’è la pagina Advisory con i formati di collaborazione che propongo a CEO e leadership team.

AI & GENAI

La rivoluzione dell’AI non avverrà dall’oggi al domani

Da un paio di anni, ogni giorno, nel nostro stream social appaiono proclami entusiasti su come l’intelligenza artificiale rivoluzionerà tutto in un lampo. Secondo previsioni, fin troppo ottimistiche, l’AI sarebbe già alle soglie di “allacciarci le scarpe, cucinare al posto nostro, gestire le nostre aziende e risolvere la fame nel mondo”, con un impatto economico annuo stimato in decine di migliaia di miliardi di dollari.

Questa visione è seducente, senza dubbio, ma, per dirla con le parole di Paul Hlivko, è anche una “allucinazione”. La realtà che vivo da consulente e imprenditore nel digitale mi insegna che abbiamo già visto film simili con altre tecnologie emergenti, e raramente il finale è all’altezza del trailer promozionale, per quanto, io stesso, penso che questa volta ci sia molta differenza rispetto ai precedenti impatti e tutto potrebbe andare decisamente in modo diverso. L’AI revolution tanto decantata arriverà, sì, ma non in modo istantaneo né magico. E su questo ne sono certo, perché lo vedo, e perché la preparazione culturale, infrastrutturale e tecnologica nelle aziende non è cosi matura come necessiterebbe per poter veramente avere gli effetti desiderati.

Come disse il pioniere Alan Turing nel 1950, la domanda era se le macchine potessero pensare; oggi la vera domanda è se noi sappiamo pensare in modo intelligente a come usare le macchine. In altre parole, il fattore critico non è la potenza dell’AI in sé, ma la nostra capacità di adottarla con giudizio e integrarla concretamente nel tessuto dell’innovazione aziendale. Con questo approfondimento, riflessivo e provocatorio, provo a far capire perché la rivoluzione dell’AI sarà un percorso graduale (e accidentato), e quale mentalità dovrebbero adottare manager e aziende per trarne valore reale.

Perché l’adozione dell’AI sarà lenta, complessa e piena di attriti

La storia ci insegna che ogni ondata tecnologica, dal cloud alla blockchain, è stata accompagnata da un picco di hype seguito da un lungo declino (utile a far pulizia di progetti non sostenibili) e subito dopo da un arduo processo di consolidamento e adozione. E l’AI non farà eccezione, per quanto tutto stia viaggiando ad una velocità di crociera assurda: implementarla in azienda significa toccare processi, abitudini e modelli di business consolidati.

Il problema non è scrivere qualche riga di codice in più, ma affrontare il cambiamento culturale e organizzativo necessario per far funzionare davvero queste soluzioni nella pratica quotidiana. Spesso le grandi organizzazioni si muovono lentamente: procedure di compliance, revisioni di sicurezza e approvazioni multiple, processi incancreniti, paura del cambiamento che fanno sì che l’adozione di un semplice strumento AI richieda mesi invece che giorni, creando attriti interni che soffocano l’innovazione. Questa cautela è comprensibile (proteggere dati e rispettare normative è essenziale) ma a volte si trasforma in una iperprudenza paralizzante. Il risultato? Le aziende più lente rimangono indietro mentre concorrenti più agili sperimentano e imparano sul campo. Chi aspetta troppo rischia di perdere quote di mercato, talenti e opportunità di crescita, perché il vero rischio oggi non è l’AI in sé, ma restare fermi mentre gli altri avanzano. A me fa ridere quando sento imprenditori dire “Noi ci muoviamo dopo, e mentre gli altri sbagliano fatturiamo su altro. Poi ci muoviamo e facciamo meglio degli altri”. Fa ridere perché se da una parte il concetto è anche corretto “lasciamo che gli altri sbaglino, noi bruciamo meno” nella pratica, in un contesto nuovo, chi sbaglia con metodo, impara prima e agisce di conseguenza, con maggiore consapevolezza e maturità.

Un caso emblematico è quello di IBM Watson: dopo la vittoria trionfale a Jeopardy! nel 2011, Watson venne annunciato come il medico AI infallibile che avrebbe rivoluzionato la sanità. Eppure, fuori dai laboratori, anche una tecnologia potentissima si è scontrata con la dura realtà operativa: integrare l’AI nei flussi clinici e nei sistemi ospedalieri si è rivelato incredibilmente difficile, al punto che molti progetti sono naufragati nonostante gli ingenti investimenti. Come osservava amaramente un esperto coinvolto, IBM “è partita con il marketing prima e il prodotto poi”, generando aspettative altissime, ma “quando si è passati ai fatti, la strada si è rivelata incredibilmente dura”.

Questa lezione vale per tutti: non basta una demo spettacolare perché una soluzione AI funzioni nel mondo reale, bisogna fare i conti con legacy tecnologico, processi disallineati e resistenze umane.

Le statistiche degli ultimi anni sui fallimenti nei progetti di trasformazione digitale sottolineano ulteriormente questo punto. Studi di Harvard Business Review indicano che circail 70% delle trasformazioni digitali fallisce, e non per problemi tecnici, ma a causa di resistenze culturali e mancanza di allineamento nella leadership. In altre parole, sette volte su dieci la tecnologia era pronta, ma l’organizzazione no. Implementare l’AI richiede quindi una seria strategia di change management: governance chiara, sponsor forti ai vertici e coinvolgimento delle persone a tutti i livelli. Senza questi ingredienti, anche l’algoritmo più potente rimane inutilizzato o, peggio, genera caos invece di efficienza.

Il problema delle aspettative e dei bias cognitivi

Perché continuiamo a sopravvalutare la velocità con cui l’AI trasformerà tutto? La risposta risiede in alcuni bias, non quelli dell’AI, ma quelli umani, i bias cognitivi che affliggono anche manager navigati. In particolare (e confermo che ne ho ho avuto riscontri da vicino) tre bias giocano un ruolo chiave nell’alterare le nostre aspettative:

  • Fallacia della pianificazione. Tendiamo sistematicamente a sottostimare il tempo e la complessità necessari per implementare cambiamenti su larga scala. Con l’AI, molti leader assumono che “basterà lanciare un progetto pilota e in pochi mesi vedremo risultati rivoluzionari”, ignorando le lunghe fasi di integrazione, formazione del personale, aggiustamenti e iterazioni che invece sono la norma. È lo stesso ottimismo ingenuo che porta a sforare tempi e budget in tanti progetti IT.
  • Bias dell’ottimismo. Ci illudiamo che l’adozione sarà fluida e indolore, sottovalutando gli ostacoli. Quando una nuova tecnologia sembra promettere benefici enormi, scatta in noi una propensione a vedere il bicchiere mezzo pieno: crediamo che dipartimenti, partner e clienti abbracceranno con entusiasmo la novità. La realtà insegna che spesso ci sono più resistenze che entusiasmo iniziale, ed è normale, perché ogni novità rompe equilibri esistenti.
  • Bias di “recency”. Siamo sviati dai successi recenti in altri contesti. Ad esempio, il boom virale di ChatGPT tra i consumatori (oltre 100 milioni di utenti in pochissimo tempo) porta alcuni a credere che anche nelle imprese l’adozione sarà immediata e spontanea. Ma ciò che avviene nel mercato consumer, dove un tool può diffondersi organicamente grazie alla curiosità individuale, non si replica automaticamente in azienda, dove subentrano considerazioni di sicurezza, compliance, ROI e integrazione con sistemi preesistenti. E aggiungo di trust.

Questi bias generano aspettative irrealistiche. Chi decide, preda dell’entusiasmo, annunciano grandi trasformazioni a tappe forzate, sottovalutando la fase di transizione. Si crea così un pericoloso gap tra promesse e realtà: quando i risultati tardano (perché inevitabilmente tarderanno rispetto alle fantasie iniziali), si rischiano disillusione, tagli ai fondi e un effetto boomerang sul supporto interno all’AI.

Per evitare questo ciclo negativo, i leader dovranno fare un passo indietro e adottare un approccio più lucido, bilanciando visione e pragmatismo. Come recita la cosiddetta Legge di Amara, di cui ho scritto anche tempo fa, tendiamo a sopravvalutare l’impatto di una tecnologia nel breve termine e a sottovalutarne gli effetti nel lungo termine. Serve quindi pazienza nel breve e perseveranza strategica per coglierne il vero potenziale nel lungo periodo.

I limiti economici e infrastrutturali dei modelli di AI attuali

Al di là delle questioni organizzative, esistono constraint tecnici ed economici molto concreti che rallentano l’adozione massiva dell’AI oggi. I modelli di Generative AI di ultima generazione,  come i GPT di OpenAI, richiedono una potenza di calcolo e una quantità di dati semplicemente fuori scala rispetto ai sistemi tradizionali. Allenare da zero un modello come GPT-3, ad esempio, è stato stimato costare fra i 4 e i 12 milioni di dollari, e l’evoluto GPT-4 ha probabilmente richiesto investimenti nell’ordine di decine di milioni.

Non si tratta solo di comprare qualche server: servono migliaia di GPU specializzate, enormi dataset, team di ricerca altamente qualificati e un consumo energetico impressionante (centinaia di tonnellate di CO₂ per una singola addestramento di modello di grandi dimensioni). Questo significa che pochissime organizzazioni al mondo possono permettersi di sviluppare in house modelli AI generalisti di questo calibro.

La maggior parte delle aziende dovrà affidarsi a modelli e infrastrutture fornite dai grandi player (OpenAI/Microsoft, Google, Amazon, Anthropic, ecc.), con implicazioni in termini di costi operativi (accesso via cloud a pagamento), dipendenza strategica e gestione dei dati sensibili.

Anche utilizzare questi modelli pre-addestrati non è banale: integrarli nei propri prodotti o processi richiede lavoro di ingegnerizzazione, personalizzazione e manutenzione continua. Le attuali implementazioni di GPT, ad esempio, tendono a “allucinare” (ovvero generare output errati o inventati) e a riflettere bias presenti nei dati di training. Per usare queste AI in contesti aziendali mission-critical, serve costruire intorno ad esse tutta un’architettura di guardrail, con controlli, filtri e validazioni che ne imbrigli il comportamento. Questo aggiunge complessità ulteriore. Vi è poi il tema cruciale dei dati. Un algoritmo di AI è solo potente quanto i dati di cui si nutre. Molte imprese scoprono, avviando progetti AI, di non avere dati di qualità sufficiente, o di averli in silos non comunicanti, pieni di errori e incoerenze.

Secondo un rapporto Deloitte, in gran parte delle organizzazioni meno di un terzo dei progetti pilota di AI generativa arriva a essere messo in produzione, spesso proprio perché le aziende faticano a raccogliere e ripulire tutti i dati necessari su cui far correre i modelli. Non sorprende quindi che, per capitalizzare sulle tecnologie GPT, molte aziende stiano investendo non solo nell’AI in sé, ma in massicci sforzi di data engineering e gestione del dato. Senza basi dati solide, l’AI resta un motore potente ma senza carburante.

C’è poi una considerazione infrastrutturale: poche realtà dispongono già oggi di piattaforme IT in grado di integrare senza colli di bottiglia gli output di un modello generativo nei workflow esistenti. Ad esempio, se un modello GPT elabora in linguaggio naturale richieste dei clienti, come si collega poi ai sistemi di CRM, ai database interni, ai flussi di lavoro del servizio clienti? Spesso sono necessarie integrazioni custom, middleware e adattamenti dei sistemi legacy, tutte attività che richiedono tempo, competenze (scarse) e investimenti (con budget ancora più scarsi). E nel frattempo la tecnologia AI continua a evolvere rapidamente, il che significa che ciò che integriamo oggi potrebbe dover essere rivisto tra 6 mesi (se faccio una valutazione pessimistica eh). Anche questo contribuisce a frenare un’adozione immediata e ubiqua dell’AI in azienda: c’è un delta temporale inevitabile tra l’emergere della tecnologia e la sua maturazione in soluzioni industrializzate, scalabili e affidabili.

Il vero valore dell’AI: integrazione nei processi e nei flussi decisionali

Dove risiede allora il vero valore dell’AI in azienda? La risposta, controintuitiva per alcuni, che spiego costantemente quando faccio formazione, è che il valore non deriva dall’AI in isolamento, ma dalla sua integrazione intelligente nei processi esistenti e nei flussi decisionali quotidiani.

L’AI da sola non creerà valore; saremo noi umani, con il nostro ingegno organizzativo, a creare valore grazie all’AI, se saremo disposti a fare il duro lavoro di integrarla, governarla e scalarla con criterio. Ciò significa ripensare comeprendiamo decisioni, come sviluppiamo prodotti, come interagiamo con clienti e dipendenti, inserendo l’AI come “copilota” che amplifica le nostre capacità.

Per capire questo concetto, è utile pensare all’AI non come a una bacchetta magica, ma come a un nuovo membro del team, uno strumento che va orchestrato. Prendiamo l’esempio di OpenAI: hanno rilasciato un modello potente come ChatGPT al pubblico, ma il suo impatto in ambito enterprise si sta realizzando davvero solo quando viene inglobato in piattaforme di lavoro. Un caso pratico è Microsoft, che sta integrando le capacità di GPT-4 nel suo ecosistema Office (il progetto Microsoft 365 Copilot). Invece di lanciare un’ennesima applicazione stand-alone, Microsoft sta portando l’AI dentro Word, Excel, Outlook, Teams e gli altri strumenti che milioni di persone usano ogni giorno. Questo è emblematico: il salto di produttività non avviene insegnando ai dipendenti ad usare un nuovo software miracoloso, ma potenziando gli strumenti familiari con funzionalità AI.

Ad esempio, in Teams l’AI potrà trascrivere e riassumere riunioni, in Outlook smistare la posta e proporre risposte, in Excel analizzare trend nei dati. L’AI diventa così parte del flusso di lavoro esistente, riducendo le frizioni nell’adozione perché gli utenti non devono cambiare abitudini radicalmente, ma trovano semplicemente “un aiutante in più” nelle attività di sempre.

Stesso discorso nel caso di Google e l’integrazione della suite di workplace, oltre alle piattaforme dedicate di Gemini, o ancora anche Apple che sta puntando a portare l’AI nel device, ma non con una app, ma integrata nell’esperienza completa. Allo stesso modo, molte aziende stanno ottenendo benefici concreti dall’AI dove la integrano nel processo decisionale: sistemi di raccomandazione che suggeriscono al marketing la prossima offerta da fare a un cliente (ma lasciano al manager la decisione finale), dashboard arricchite da previsioni AI che supportano i dirigenti nel pianificare produzione o scorte, chatbot interni che aiutano i dipendenti a navigare tra le policy aziendali o a reperire informazioni rapidamente.

In tutti questi casi, l’AI non sostituisce la decisione umana, bensì la informa e la velocizza con insight aggiuntivi. Il valore non sta nell’aver “messo un modello di deep learning in produzione” per vanto tecnologico, ma nell’aver risolto un problema di business, che sia ridurre i tempi di risposta al cliente, aumentare la personalizzazione di un servizio o migliorare la qualità delle decisioni grazie a dati che prima erano inutilizzabili.

Un concetto chiave qui è l’economia dell’innovazione: le tecnologie producono ritorni quando riescono a combinarsi con altre innovazioni e con complementi organizzativi. L’energia elettrica, per esempio, ha trasformato l’industria solo dopo che le fabbriche hanno riprogettato completamente i processi produttivi attorno ad essa (decentralizzando le macchine e cambiando il layout delle linee). Analogamente, l’AI darà il meglio di sé quando le imprese ristruttureranno processi e flussi di lavoro per sfruttarne le capacità. Ciò può richiedere di ripensare ruoli, ridefinire KPI e instaurare meccanismi di governance per monitorare l’operato dell’AI (dati utilizzati, accuratezza, imparzialità) così da fidarsi dei suoi output. Sono cambiamenti manageriali e organizzativi profondi, non semplici upgrade tecnologici.

La capitalizzazione delle tecnologie GPT , ossia la capacità di generare valore tangibile dai vari ChatGPT, GPT-4, ecc., dipende da quanto bene le aziende sanno prodottizzarle nei propri servizi e prodotti. Ad esempio, c’è differenza tra limitarsi a usare ChatGPT per generare qualche testo e invece incorporare un modello linguistico nel proprio servizio clienti automatizzato, integrato con la base di conoscenza aziendale e tarato sul tono di voce del brand. Il secondo approccio richiede più sforzo iniziale, ma crea un asset che differenzia davvero l’azienda e genera efficienza continua.

In sostanza, non si tratta di provare l’ultimo giocattolo AI in modo estemporaneo, bensì di costruire soluzioni in cui l’AI sia un componente stabile e ben congegnato. Chi riesce in questo trasforma l’AI da costo sperimentale a leva di produttività e vantaggio competitivo.

Perché il futuro non è (solo) il generative AI, ma sistemi compound e multimodali

In questo periodo l’attenzione mediatica si è polarizzata sulla Generative AI (modelli che creano testi, immagini, ecc.). Ma se allarghiamo l’orizzonte, il futuro dell’AI aziendale non sarà unicamente il prossimo modello generativo più potente o “senziente”.

Più probabilmente, vedremo emergere sistemi compound e multimodali: ovvero ecosistemi di modelli più piccoli e specializzati che collaborano, e piattaforme AI capaci di gestire input e output molteplici (testo, visione, audio, dati strutturati) all’unisono. I risultati più avanzati già oggi nell’AI derivano sempre più da queste architetture composte anziché da un singolo modello monolitico. Molti applicativi, per esempio, usano la tecnica del RAG retrieval-augmented generation: un motore di ricerca interno recupera informazioni da fonti affidabili e un modello generativo le usa per comporre la risposta, aumentando accuratezza e freschezza dei contenuti. Oppure pensiamo agli assistenti vocali: combinano modelli di riconoscimento vocale, modelli di NLP per comprendere il testo, modelli di dialogo per rispondere e magari moduli di visione (se devono anche interpretare immagini).

L’AI del futuro somiglierà più a un’orchestra che a un solista: tanti micro-servizi intelligenti coordinati per un obiettivo. Questo approccio “a sistemi” massimizza i risultati attraverso un’ingegneria ingegnosa, non solo facendo training su un unico mega-modello. In altre parole, conterà molto come progettiamo l’ecosistema aziendale, non solo quanto è grosso, e questo Simone Cicero con Boundaryless lo sa bene e lo predica da tempo.

Un trend già in atto è la proliferazione di modelli specializzati: invece di usare un modello generico enorme per tutto, le aziende iniziano ad adottare più modelli piccoli, ognuno ottimizzato per un compito o un dominio (es: un modello linguistico per analisi di sentiment nei feedback clienti, un modello diverso per generare codice, un altro per riconoscere immagini di prodotti, ecc.). Questo approccio “modulare” può essere più efficiente: ogni modello più piccolo richiede meno risorse, può essere addestrato sui dati specifici dell’azienda (guadagnando in pertinenza) e soprattutto può essere combinato con gli altri quando serve affrontare compiti complessi.

Immaginiamo per esempio un sistema AI per ecommerce che: analizza la foto che carica un utente (modello visivo), ne descrive il contenuto a parole (modello generativo multimodale), fa una ricerca nel catalogo prodotti per trovare oggetti simili (motore di ricerca AI), e infine dialoga col cliente per affinare la ricerca (modello conversazionale). Nessun singolo modello fa tutto da solo: è la combinazione orchestrata che realizza l’esperienza utente desiderata. Questo è il potere dei sistemi compound.

La direzione è poi multimodale: già nel 2024 sono stati mostrati i primi modelli in grado di elaborare input misti (immagini + testo) e generare output in vari formati (es. la cosiddetta GPT-4 “Omni” di OpenAI). La strada dei modelli multimodali è agli inizi e procede più lentamente del previsto,  richiede quantità di dati e risorse ancora maggiori, e porta con sé sfide come il rischio di hallucination e bias su più dimensioni, ma promette applicazioni aziendali interessantissime. Si va da sistemi in grado di “vedere” e “leggere” (pensiamo alla qualità che può raggiungere un servizio di ispezione automatica che analizza sia immagini da telecamere sia report testuali, o un consulente AI che esamina insieme tabelle numeriche e grafici per dare consigli finanziari), fino a interfacce utente più naturali dove l’AI capisce un comando vocale complesso e risponde con un grafico generato al volo e una spiegazione parlata.

Un altro fronte emergente è quello degli AI agent autonomi (agentic AI): piccoli software intelligenti capaci non solo di rispondere a domande, ma di intraprendere azioni in autonomia coordinandosi tra loro. In futuro, nemmeno troppo lontano, potremmo avere un agente AI specializzato nel monitorare metriche finanziarie aziendali, che “dialoga” con un altro agente specializzato nel gestire operazioni bancarie, per poi insieme eseguire transazioni o generare report, il tutto con supervisione minima umana.

È un’estensione del concetto di sistemi compound: non solo modelli multipli, ma agenti multipli che interagiscono e si passano il testimone sui compiti, un po’ come fa un team di persone. Questo scenario è ancora sperimentale, ma aziende come Salesforce e ServiceNow già parlano di queste possibilità. Il vantaggio potenziale è enorme: delegare routine complesse a squadre di “assistenti digitali” che lavorano 24/7, liberando gli umani per attività a maggior valore aggiunto. Ma anche qui, non aspettiamoci un salto immediato: servirà tempo per fidarsi a lasciare che le macchine dialoghino tra loro e agiscano sulle nostre piattaforme, e ci vorranno nuovi paradigmi di sicurezza per evitare incidenti quando più agenti AI hanno accesso ai sistemi aziendali.

Il messaggio chiave che voglio passare e che di solito è una chat dei miei workshop, è che il futuro dell’AI aziendale non sarà un chatbot onnipotente che rimpiazza ogni applicazione, bensì un tessuto connettivo di intelligenze diffuse.

Le imprese che vinceranno saranno quelle capaci di comporre queste intelligenze in modo strategico, scegliendo “il cavallo giusto per ogni corsa” invece di cercare un singolo cavallo di razza da far correre ovunque. Sarà una rivoluzione più silenziosa e graduale di quanto il clamore mediatico suggerisca oggi, ma non meno dirompente sul lungo termine: semplicemente, avverrà tramite molte piccole evoluzioni sommate, anziché con un’unica epifania tecnologica.

La tecnologia da sola non basta. Serve leadership.

Se c’è una cosa che un imprenditore esperto in innovazione e trasformazione digitale impara presto, è questa: la tecnologia da sola non basta. Serve leadership. E mai come nell’adozione dell’intelligenza artificiale questo risulta vero. I management si trovano stretti tra due fuochi: da un lato la necessità di non perdere il treno di una tecnologia potenzialmente rivoluzionaria, dall’altro il dovere di filtrare il rumore dell’hype e prendere decisioni ponderate. La leadership paziente non significa immobilismo o scetticismo cronico verso l’AI, bensì la capacità di dosare entusiasmo e pragmatismo:

  • vuol dire saper articolare ai propri stakeholder una visione di lungo periodo in cui l’AI permea l’azienda, ma allo stesso tempo evitare di promettere miracoli nel prossimo trimestre (come si sente invece spesso)
  • vuol dire investire in competenze, infrastrutture e dati fin da ora, sapendo che i frutti veri matureranno magari fra qualche anno. E va bene così, perché chi inizierà per tempo a costruire fondamenta solide sarà in netto vantaggio quando l’AI raggiungerà la piena maturità.

Una leadership strategica nell’era dell’AI implica anche fare scelte coraggiose e spesso controintuitive. Resistere alla tentazione di lanciarsi su ogni moda effimera di AI generativa, e invece concentrarsi su pochi progetti chiave allineati alla strategia aziendale, anche se questo significa andare contro la pressione (FOMO) di mostrare subito qualcosa di “sexy” al mercato:

  • significa allocare risorse per ripulire e strutturare i dati di cui disponiamo, anche se questo lavoro oscuro non farà notizia, perché senza dati di qualità, l’AI è un castello di carte
  • significa sperimentare con pilota e prototipi veloci ben disegnati (usando criteri di successo chiari) e poi scalare gradualmente ciò che funziona, anziché puntare tutto su un grande progetto monolitico calato dall’alto. In altre parole, pensiero big picture ma approccio graduale.

Dal punto di vista del change management, l’azienda dovrà costruire team di evangelisti e formatori allo stesso tempo: comunicare una visione ispiratrice (far capire al team perché l’AI è importante e come migliorerà il lavoro di tutti), ma anche mettere a disposizione formazione, linee guida e supporto pratico perché le persone sviluppino fiducia verso questi nuovi strumenti. E la fiducia, come invece succede in molte realtà, non si impone: si guadagna col coinvolgimento e dimostrando concretamente che l’AI può rendere il lavoro più interessante, non sostituire cinicamente le persone.

Una metafora utile è quella dell’AI comeesoscheletro per la forza lavoro: il compito dei team di formazione ed evangelizzazione è far sì che ogni persona abbia l’“esoscheletro” giusto (gli strumenti AI adatti) e sappia come usarlo per moltiplicare le proprie capacità, anziché temere di essere rimpiazzata dalla macchina.

Guidare un’azienda nell’adozione dell’intelligenza artificiale richiede visione, pazienza e concretezza, ecco perché il concetto “Patience is Prompt”. Visione per immaginare nuovi modi di operare abilitati dall’AI e sfidare lo status quo. Pazienza per navigare la fase iniziale di entusiasmo e disillusione senza perdere la rotta, consapevoli che le vere trasformazioni richiedono anni, non mesi. Concretezza per focalizzarsi sul valore di business reale, integrando l’AI dove aggiunge valore e misurandone l’impatto con rigore.

Bisognerà avere umiltà in questo viaggio e sarà fondamentale ammettere ciò che non funziona, apprendere dagli errori e adattare la strategia man mano che si impara cosa davvero genera risultati (in un campo così nuovo, nessuno ha tutte le risposte in tasca).

La buona notizia è che chi saprà attuare questa guida strategica e paziente avrà costruito un vantaggio difficilmente colmabile dai concorrenti. Per citare un concetto espresso in un rapporto Deloitte, che ho trovato condivisibile, applicare l’AI solo per velocizzare vecchi modi di fare le cose significa sprecare il suo potenziale o, peggio, amplificarne i bias.

Le aziende con management più illuminato e coraggioso useranno invece l’AI come catalizzatore per inventare “next practices” e modelli organizzativi pensati per un mondo potenziato dall’AI. Saranno quelli che non si limiteranno a digitalizzare l’esistente, ma che reimmagineranno il proprio business con l’AI in mente, mantenendo però i piedi per terra sull’esecuzione. La rivoluzione dell’AI, in fondo, non avverrà in una notte di tempesta, ma sarà il risultato della somma di tanti sforzi mirati. E sarà guidata non dagli algoritmi in sé, ma da leader che avranno saputo traghettare le proprie organizzazioni, con lungimiranza e tenacia, attraverso le acque agitate del cambiamento tecnologico verso un nuovo approdo di valore.

Cosa portarsi a casa? Un messaggio semplice.

Non aspettatevi miracoli immediati dall’AI, ma non sottovalutate nemmeno per un istante la portata trasformativa che avrà sul lungo periodo. Agite con strategia, investite nelle fondamenta (dati, processi, persone) e preparatevi a navigare qualche scossone iniziale.

L’adozione dell’AI è un viaggio, non uno scatto: iniziate ora, con passo deciso ma misurato, perché chi saprà pazientemente accelerare al momento giusto farà la differenza nel prossimo decennio dell’economia digitale. La vera rivoluzione non sarà delle macchine pensanti, sarà di chi avrà imparato a pensare (e agire) meglio con le macchine.