Fondamenti dell’intelligenza artificiale: non un chatbot, ma un nuovo modo di lavorare

1. Introduzione: perché la vecchia idea di intelligenza artificiale non basta più

Ancora troppo spesso si parla di intelligenza artificiale come se fosse soltanto una casella di testo intelligente. Scrivi una domanda e ricevi una risposta. Chiedi un'idea e ottieni una lista. Chiedi un'email e ricevi una bozza.

Questa è stata la prima grande esperienza utente dell'intelligenza artificiale. Ha reso l’intelligenza artificiale accessibile. Ma questo non basta più per descrivere cosa sta diventando l’intelligenza artificiale.

L’intelligenza artificiale non è solo un chatbot. Non è solo una nuova forma di motore di ricerca. Non è solo una macchina che genera testo. Sta diventando un nuovo livello operativo del lavoro: un sistema capace di comprendere l'obiettivo, recuperare informazioni, usare strumenti, scrivere codice, eseguire passaggi, avviare automazioni, chiedere approvazioni e apprendere dai processi dell'organizzazione.

Questo cambia completamente la domanda. Prima ci si chiedeva: "Che cosa posso chiedere all'intelligenza artificiale?" Ora bisogna chiedersi: "Quali passaggi di lavoro può svolgere, quali sistemi può usare e in quali punti la decisione deve restare a una persona?"

È un cambiamento enorme. Secondo l’AI Index 2025 di Stanford HAI, l’uso dell’intelligenza artificiale nelle organizzazioni ha accelerato chiaramente: nel 2024 il 78% delle organizzazioni dichiarava di usare l’IA, contro il 55% dell’anno precedente. Nello stesso periodo, gli investimenti privati globali nell’IA generativa hanno raggiunto 33,9 miliardi di dollari.^[1]

Non si tratta più di un singolo strumento. Si tratta di riorganizzare il lavoro.

2. Che cosa significa intelligenza artificiale nel 2026?

L’intelligenza artificiale si riferisce a sistemi informatici in grado di svolgere compiti che in precedenza richiedevano il pensiero, il linguaggio, il ragionamento, il riconoscimento, l’apprendimento, la pianificazione o la creatività umana. Ma oggi questa definizione risulta troppo ristretta se si resta al livello di “l’intelligenza artificiale produce risposte”.

L’intelligenza artificiale moderna può fare almeno cinque cose:

• Può produrre contenuti: testo, immagini, codice, audio, video, report e presentazioni.
• Può analizzare informazioni: documenti, feedback dei clienti, tabelle, immagini, log, contratti e dati.
• Può utilizzare strumenti: database, calendario, CRM, gestione progetti, browser, editor di codice, piattaforme di automazione e API.
• Può eseguire passaggi di lavoro: preparare bozze, compilare moduli, aprire ticket, scrivere codice, confrontare alternative e preparare decisioni.
• Può agire come un agente: pianificare un’attività in più fasi, verificare i progressi, utilizzare diversi strumenti e chiedere l’approvazione umana nei punti critici.

La differenza essenziale è questa: nella vecchia idea l’IA rispondeva; nella nuova idea l’IA svolge parti del lavoro.

3. I quattro ruoli dell’intelligenza artificiale: pensatore, produttore, utente di strumenti e operatore

Per comprendere l’intelligenza artificiale è utile distinguerne quattro ruoli.

1. L'intelligenza artificiale come assistente del pensiero

Questo è il livello più familiare. L’intelligenza artificiale aiuta a generare idee, spiegare, sintetizzare, confrontare, mettere in discussione le ipotesi e costruire argomentazioni. Esempio: «Analizza questa idea imprenditoriale dal punto di vista del cliente, della concorrenza, dei prezzi e dei rischi». In questo caso l’intelligenza artificiale affianca il ragionamento come interlocutore critico.

2. L'intelligenza artificiale come assistente alla produzione

L’intelligenza artificiale produce risultati di lavoro concreti. Può creare una prima versione di un report, del codice, di una campagna, di una presentazione, di un modello di contratto, di un’immagine, di una sceneggiatura video o di un messaggio al cliente. Esempio: «Prepara per la direzione una sintesi in tre slide di questa analisi del cliente». In questo caso l’intelligenza artificiale non si limita ad affiancare il ragionamento: produce materiale.

3. L'intelligenza artificiale come utente di strumenti

A questo livello il cambiamento diventa più profondo. L’intelligenza artificiale non opera più in isolamento, ma usa i sistemi: recupera informazioni dal CRM, legge documenti, interroga database, consulta il calendario, esamina il repository del codice o analizza le attività di project management. Esempio: «Recupera le richieste di assistenza più recenti del cliente, le offerte aperte e gli appunti delle riunioni. Proponi il prossimo messaggio da inviare». In questo caso l’intelligenza artificiale deve poter accedere ai dati reali dell’azienda.

4. L'intelligenza artificiale come agente

Questa è la prossima grande ondata. Un agente non si limita a rispondere, ma svolge un’attività fase per fase. Esempio: «Prepara l’incontro con il cliente della prossima settimana. Recupera le informazioni di contesto, controlla le questioni aperte, prepara l’ordine del giorno, abbozza un messaggio e chiedimi l’approvazione prima di inviarlo». In questo caso l’intelligenza artificiale è già un lavoratore digitale: non un decisore autonomo, ma un esecutore attivo delle diverse fasi di lavoro.

4. L’intelligenza artificiale generativa è solo il primo livello

L’intelligenza artificiale generativa comprende i sistemi che producono contenuti nuovi: testi, immagini, audio, video, codice o loro combinazioni. Ha segnato la svolta che ha portato l’intelligenza artificiale al grande pubblico. Ma fermandoci qui ne comprenderemmo soltanto la superficie visibile.

L’intelligenza artificiale generativa è come un motore elettrico. È una componente potente, ma il vero cambiamento arriva solo quando è collegata a macchine, processi, linee di produzione e modelli di business.

Lo stesso vale per l’intelligenza artificiale. Un semplice generatore di testo è utile, ma un’intelligenza artificiale collegata ai dati, ai processi, agli strumenti, alle autorizzazioni, al monitoraggio e ai processi decisionali dell’azienda è qualcosa di completamente diverso.

A quel punto l’intelligenza artificiale non è più un assistente relegato ai margini, ma diventa parte dell’infrastruttura del lavoro.

5. Agenti: quando l’intelligenza artificiale inizia a eseguire le fasi di un processo

Per agente si intende un sistema di intelligenza artificiale in grado di eseguire attività in più fasi in base a un obiettivo. Può, ad esempio, interpretare un compito, suddividerlo in parti, cercare informazioni, scegliere uno strumento adatto, eseguire un'azione, verificare il risultato, passare alla fase successiva, chiedere l'approvazione di una persona e registrare il lavoro svolto.

Questa è una grande differenza rispetto a un normale chatbot. Il chatbot risponde alla domanda. L'agente fa avanzare il processo.

Ad esempio, nella gestione finanziaria, un agente potrebbe:

1. recuperare le fatture aperte
2. individuare le anomalie
3. confrontarle con i contratti
4. fare un elenco di casi poco chiari
5. suggerire misure
6. chiedere l'approvazione a una persona
7. registrare le decisioni nel sistema

Non si tratta più soltanto di ideazione: questo è lavoro. L’indagine State of AI 2025 di McKinsey evidenzia proprio questa transizione: le organizzazioni non si limitano più a sperimentare l’intelligenza artificiale, ma iniziano a riprogettare i flussi di lavoro, nominare responsabili della governance dell’IA e creare modalità concrete per generare valore aziendale con l’intelligenza artificiale.^[2]

La proliferazione di agenti rende l’intelligenza artificiale più pratica, ma anche più rischiosa. Più l’intelligenza artificiale può fare, più è importante definire cosa non può fare.

6. Orchestrazione: come distribuire il lavoro con l’intelligenza artificiale tra modelli, agenti ed esseri umani

L’orchestrazione è uno dei concetti più importanti nel lavoro con l’intelligenza artificiale del futuro. Significa coordinare l’intero sistema: quale modello svolge ogni compito, quale agente usa ciascuno strumento, in quale fase interviene una persona e come viene verificato il risultato finale.

Una buona analogia è quella dell’orchestra. Un singolo modello linguistico è come un musicista esperto. Ma quando un’azienda dispone di decine di strumenti, più modelli, diverse fonti di dati, utenti differenti e vari livelli di rischio, serve un direttore d’orchestra.

L'orchestrazione risponde, ad esempio, a queste domande:

• Quale compito conviene affidare a un modello veloce e meno costoso?
• Quale compito richiede un modello con capacità di ragionamento più avanzate?
• Quando conviene usare la ricerca RAG nei documenti aziendali?
• Quando è consentito a un agente di utilizzare la connessione MCP al sistema?
• Quando è necessaria l’approvazione umana?
• Come vengono rilevati gli errori?
• Come si tengono sotto controllo i costi?
• Come viene documentato il risultato finale?

Questo è importante perché in futuro una soluzione di intelligenza artificiale non sarà costituita da un solo bot: spesso sarà un’intera catena operativa. Per esempio, l’orchestrazione dell’IA nel servizio clienti potrebbe funzionare così:

1. un piccolo modello classifica il messaggio
2. RAG recupera istruzioni e informazioni sul cliente
3. il modello linguistico prepara una bozza della risposta
4. l'agente controlla l'ordine nel sistema
5. un motore di regole valuta il rischio
6. una persona approva i casi anomali
7. il sistema registra l'evento nel CRM

Questa è la nuova modalità fondamentale di utilizzo dell’intelligenza artificiale: non un singolo prompt, non una singola risposta, ma un flusso di lavoro orchestrato.

7. Farm di agenti: la forza lavoro digitale del futuro

Per farm di agenti si intende un insieme di agenti IA specializzati, ciascuno con un proprio compito. Un agente monitora il feedback dei clienti. Un altro prepara materiali di vendita. Un terzo verifica il codice. Un quarto monitora la concorrenza. Un quinto analizza i dati finanziari. Un sesto controlla le scadenze contrattuali. Un settimo supporta le fasi preliminari della selezione del personale.

Può sembrare futuristico, ma la direzione è già visibile. Nelle aziende si parla già di “agent sprawl”, ossia della proliferazione incontrollata degli agenti. Secondo quanto riportato dal Wall Street Journal, le imprese stanno già affrontando situazioni in cui team diversi creano i propri agenti IA, con un conseguente aumento dei rischi in termini di sicurezza, governance e costi.^[3]

Una farm di agenti può produrre un enorme salto di produttività, ma solo se viene governata. Altrimenti in azienda nasce una nuova forma di shadow IT: la shadow AI. I dipendenti creano i propri agenti, i team usano strumenti diversi, i dati circolano senza chiarezza e nessuno sa quale agente abbia fatto che cosa, con quali autorizzazioni e a quale costo.

Per questo una farm di agenti ha bisogno di tre elementi:

1. Un registro — quali agenti sono presenti nell’organizzazione?
2. Un responsabile — chi risponde del funzionamento, della qualità e dei rischi dell’agente?
3. Monitoraggio: cosa fa l'agente, quanto costa e che tipo di errori produce?

Se ben governata, una farm di agenti diventa una nuova infrastruttura produttiva. Se governata male, è un caos costoso e rischioso.

8. RAG: come collegare l’intelligenza artificiale alle conoscenze aziendali

RAG è l’acronimo di Retrieval-Augmented Generation, in italiano “generazione aumentata dal recupero”. L’idea è semplice. Invece di rispondere basandosi soltanto sulle conoscenze generali apprese durante l’addestramento, l’intelligenza artificiale recupera prima informazioni pertinenti dai documenti, dai database o da altre fonti aziendali, quindi genera la risposta sulla base delle informazioni recuperate.

RAG risolve uno dei principali problemi dell’intelligenza artificiale: la mancanza di contesto. Senza il contesto aziendale, l’intelligenza artificiale può fornire soltanto indicazioni generiche. Con RAG può invece rispondere in base alla situazione reale dell’azienda.

Ad esempio: «Quali sono i principali requisiti che la nostra politica di sicurezza delle informazioni impone ai subappaltatori?» Senza RAG l’intelligenza artificiale può fornire una risposta generica. Con RAG recupera i passaggi pertinenti dalla politica di sicurezza delle informazioni dell’azienda e li riassume.

Ciò è particolarmente importante nel servizio clienti, negli uffici legali, nelle risorse umane, nelle vendite, nel supporto tecnico, nella documentazione dei prodotti, nel recupero delle informazioni interne, nella formazione e nella preparazione al processo decisionale.

Ma RAG non è una soluzione magica. La sua qualità dipende dalla qualità delle informazioni aziendali. Se i documenti sono obsoleti, contraddittori o con nomi poco chiari, l’intelligenza artificiale recupererà rapidamente informazioni di scarsa qualità e le presenterà in modo convincente.

Per questo un progetto RAG è spesso anche un progetto di gestione delle informazioni. L’intelligenza artificiale mette in luce quanto siano davvero ben gestite, o mal gestite, le conoscenze interne dell’azienda.

9. MCP: un connettore controllato tra l’intelligenza artificiale e i sistemi aziendali

MCP, ossia Model Context Protocol, è uno standard aperto che consente alle applicazioni di intelligenza artificiale di collegarsi in modo controllato a strumenti esterni, fonti di dati e sistemi. Anthropic ha presentato MCP nel novembre 2024 come standard aperto volto a creare connessioni bidirezionali sicure tra strumenti di intelligenza artificiale e fonti di dati.^[4]

MCP può essere immaginato come il connettore USB-C dell’intelligenza artificiale. In ambito aziendale, tuttavia, un’analogia ancora migliore è quella di una cassetta degli attrezzi dell’IA il cui accesso può essere controllato. MCP indica all’intelligenza artificiale quali strumenti sono disponibili, quali dati può leggere, quali operazioni può eseguire, con quali autorizzazioni, per conto di quale utente e quando è necessaria un’approvazione.

Ciò cambia il ruolo dell’intelligenza artificiale:

• L'intelligenza artificiale senza integrazioni è un assistente generale.
• L’intelligenza artificiale con i dati aziendali è un esperto che comprende il contesto.
• L'IA dotata di strumenti può eseguire fasi di lavoro.
• Con autorizzazioni definite, logging e approvazioni, l’intelligenza artificiale diventa un operatore digitale governato.

Per un’azienda, la domanda più importante sull’MCP non è tecnica, ma riguarda la governance: a che cosa può accedere l’intelligenza artificiale? Può leggere i dati dei clienti? Aggiornare il CRM? Inviare messaggi? Eseguire query sui database? Aprire ticket? Modificare il codice in produzione? Avviare un pagamento?

Ogni risposta affermativa aumenta i benefici, ma anche la responsabilità.

10. Pensare in termini di competenze: quali capacità porta l’intelligenza artificiale nell’organizzazione?

Troppo spesso si parla dell’intelligenza artificiale come di uno strumento. È più utile parlare di capacità operative, ossia di competenze. Un’azienda non dovrebbe limitarsi a chiedere «Usiamo già l’intelligenza artificiale?», ma «Quali nuove competenze porta l’intelligenza artificiale nella nostra organizzazione?»

Per esempio, l’intelligenza artificiale può portare la capacità di leggere documenti lunghi, sintetizzare gli elementi essenziali, individuare contraddizioni, preparare una prima versione, adattare i contenuti a pubblici diversi, analizzare il feedback dei clienti, rilevare anomalie nei dati, eseguire query SQL, scrivere e testare codice, creare immagini e video, redigere messaggi commerciali, preparare offerte, monitorare la concorrenza e le scadenze contrattuali, aprire ticket, aggiornare sistemi, verificare la qualità e proporre le azioni successive.

Pensare in termini di competenze rende concreta l’intelligenza artificiale. Sposta la discussione dalla vaga «trasformazione tramite l’IA» alle attività reali che compongono il lavoro. Per esempio, l’elenco delle competenze IA di un team marketing potrebbe includere:

1. creazione di idee per la campagna
2. analisi del pubblico target
3. produzione di varianti testuali
4. ideazione di concept visivi
5. Progettazione di test A/B
6. analisi dei dati della campagna
7. stesura di una bozza di report per la direzione

Questo è molto più pratico della frase “Utilizziamo l’intelligenza artificiale nel marketing”.

11. Programmazione: perché lo sviluppo software è cambiato per primo

Lo sviluppo software è uno dei principali ambiti di applicazione dell’intelligenza artificiale, per tre ragioni. Innanzitutto, il codice è un linguaggio e i modelli linguistici sono particolarmente adatti a elaborarlo. In secondo luogo, nello sviluppo software il risultato può essere verificato: il codice funziona oppure no. Infine, gli sviluppatori sono abituati a usare strumenti, documentazione, controllo di versione e automazione, quindi l’intelligenza artificiale si integra naturalmente nel loro flusso di lavoro.

Nello sviluppo software, l’intelligenza artificiale può scrivere funzioni, spiegare codice esistente, individuare bug, proporre architetture, scrivere test, rifattorizzare il codice, creare documentazione, analizzare i log degli errori, costruire prototipi, aiutare a integrare una nuova libreria, generare bozze di interfacce utente e svolgere attività di migrazione.

Ciò non significa che l’intelligenza artificiale sostituirà i bravi sviluppatori. Vuol dire che un buon sviluppatore può fare di più. E cosa ancora più interessante: un fondatore non tecnico può costruire i primi prototipi in un modo che prima era molto più difficile.

Questo incide direttamente sul mondo delle startup. In passato l’implementazione tecnica era spesso un collo di bottiglia. Ora una prima versione può essere realizzata più rapidamente, a costi inferiori e con un team più piccolo.

Esiste però anche il rischio del debito tecnico. L’intelligenza artificiale può generare rapidamente codice che nessuno comprende davvero. Può costruire un prototipo dall’aspetto convincente ma non scalabile. Può introdurre vulnerabilità di sicurezza, dipendenze problematiche e un’architettura confusa.

Per questo, nella programmazione, l’intelligenza artificiale non elimina la necessità di competenze: le rende ancora più preziose.

12. Mentalità AI-first: i processi devono essere riprogettati

AI-first non significa inserire a forza l’intelligenza artificiale ovunque. Significa progettare i processi fin dall’inizio chiedendosi: «Come verrebbe svolto questo lavoro se l’intelligenza artificiale fosse una parte naturale del processo?».

È qualcosa di completamente diverso da un chatbot aggiunto a un processo esistente. Nel vecchio approccio una persona svolge il lavoro, l’intelligenza artificiale aiuta a scrivere il testo e il processo rimane invariato. Nell’approccio AI-first si procede così:

1. definire l’obiettivo
2. individuare le fasi di lavoro ripetitive
3. distribuire il lavoro tra persone, intelligenza artificiale e automazione
4. collegare l’intelligenza artificiale alle fonti di dati appropriate
5. prevedere punti di approvazione
6. misurare qualità, tempi, costi e rischi
7. migliorare continuamente il processo

Ad esempio, nel reclutamento, l’AI-first non significa che l’intelligenza artificiale scelga le persone. Può significare che l’IA scrive una bozza dell’annuncio di lavoro, verifica che il linguaggio non sia discriminatorio, organizza le candidature, evidenzia l’esperienza in relazione ai criteri, prepara le domande del colloquio, riassume gli appunti del colloquio e richiama l’attenzione sui rischi del processo decisionale. Ma le decisioni spettano alle persone.

L’approccio AI-first non elimina le persone dal processo: permette di dedicare il loro tempo alle fasi in cui apportano più valore.

13. Prospettiva aziendale: integrare l’intelligenza artificiale nel budget, nella governance e nel monitoraggio

Nelle aziende l’intelligenza artificiale non dovrebbe più essere trattata come una voce di spesa sperimentale, ma come parte dei normali investimenti in produttività. Così come un’azienda mette a budget licenze software, apparecchiature, formazione e strumenti di lavoro, dovrebbe prevedere anche i costi dell’intelligenza artificiale: licenze degli strumenti IA, costi dei token, costi delle API, piattaforme di automazione, sicurezza informatica, formazione, integrazioni, supervisione, controllo della qualità e sviluppo interno.

I token sono l’unità di base dei costi di utilizzo dei modelli di intelligenza artificiale. In pratica sono porzioni di testo, dati o altri input, e il loro numero determina il costo di utilizzo del modello. Più l’IA legge, scrive ed elabora, più token consuma.

Sembra tecnico, ma da un punto di vista gestionale la domanda è semplice: quanto è disposta a investire l’azienda per aumentare la produttività dei dipendenti? È del tutto naturale chiedersi se, ad esempio, l’1–5% dei costi salariali debba essere destinato all’intelligenza artificiale, se questa accelera il lavoro degli esperti, migliora la qualità e riduce il lavoro di routine. La percentuale esatta dipende dal settore, dalla natura del lavoro, dalla maturità dei dati e dal livello di rischio, ma il principio è importante.

Nel budget destinato all’intelligenza artificiale conviene distinguere quattro categorie:

1. Budget operativo: licenze, token, costi API e strumenti.
2. Budget per le competenze — formazione, linee guida interne, raccolte di prompt, mappatura delle competenze e buone pratiche.
3. Budget per le integrazioni — MCP, RAG, fonti di dati, automazioni, sicurezza informatica e collegamenti con i sistemi.
4. Budget per il cambiamento — riprogettazione dei processi, gestione del cambiamento, monitoraggio e modelli di governance.

È anche importante monitorare l’uso dell’intelligenza artificiale, non perché le persone vengano osservate, ma perché l’azienda ha bisogno di capire dove l’intelligenza artificiale produce realmente benefici, dove produce errori, quanto costa il suo utilizzo, chi ha bisogno di più formazione, quali team sono pionieri, quali processi dovrebbero essere automatizzati successivamente e dove si presentano i rischi.

Il monitoraggio dell’intelligenza artificiale è un nuovo ambito della gestione aziendale. Senza dati, il suo utilizzo si riduce facilmente a una sensazione: «Da noi si usa parecchio l’intelligenza artificiale». Non basta: bisogna sapere che cosa sta realmente cambiando.

14. Prospettiva delle startup: team più piccolo, prestazioni più elevate

Per le startup l’intelligenza artificiale rappresenta un’opportunità straordinaria. Un piccolo team può fare cose che prima richiedevano molte più persone: costruire prototipi, scrivere codice, preparare tracce per la ricerca sugli utenti, analizzare interviste, creare materiali di marketing, testare i prezzi, creare elenchi di vendita, redigere materiali per gli investitori, fornire il primo livello di servizio clienti e automatizzare le fasi di lavoro interne.

Questo non rende automaticamente valida una startup, ma cambia la logica della velocità. In passato il vantaggio competitivo derivava spesso dalla disponibilità di maggiori risorse. Oggi può nascere dalla capacità di costruire la combinazione più efficace tra persone e intelligenza artificiale.

Una startup AI-native non si chiede «Dove possiamo aggiungere una funzionalità di intelligenza artificiale?», ma «Se costruissimo oggi questa azienda da zero insieme all’intelligenza artificiale, come sarebbero i suoi processi?».

Per una startup esiste però anche il rischio della nebbia dell’IA. Tutto sembra possibile e tutto appare veloce. Nascono molte demo, ma pochi modelli di business sostenibili nel tempo. Per questo una startup deve porsi con rigore alcune domande: qual è il vero problema del cliente? Che cosa fa meglio l’intelligenza artificiale rispetto al metodo precedente? Qual è il nostro vantaggio basato sui dati? Qual è il nostro vantaggio nella distribuzione? Che cosa è difficile da copiare? Come garantiamo la qualità? Come crescono i costi all’aumentare della scala?

L’intelligenza artificiale rende più facile costruire prodotti e aziende, ma non rende più facile il mercato.

15. Gestione del cambiamento: perché l’intelligenza artificiale fallisce se le persone vengono escluse

L’adozione dell’intelligenza artificiale non è soltanto un progetto tecnologico, ma un progetto di gestione del cambiamento. Se la direzione acquista uno strumento senza modificare i metodi di lavoro, l’intelligenza artificiale rimane isolata. Se i dipendenti temono che venga usata soltanto per ridurre i costi, non condivideranno i casi d’uso migliori. Se il middle management non ne comprende le potenzialità, non saprà riprogettare i processi. Se la sicurezza informatica viene coinvolta soltanto alla fine, il progetto rallenta o si blocca.

Una buona gestione del cambiamento parte da un messaggio onesto: l’intelligenza artificiale cambia il lavoro. Non tutto verrà automatizzato, né tutto dovrebbe esserlo. Ma tutti devono imparare a usarla in modo consapevole.

L’organizzazione dovrebbe articolare la trasformazione legata all’intelligenza artificiale su quattro livelli:

1. Comprensione — che cos’è l’intelligenza artificiale e che cosa non è?
2. Competenze nell’uso — come utilizza l’intelligenza artificiale ogni dipendente nel proprio lavoro?
3. Cambiamento del processo: come cambieranno i flussi di lavoro del team?
4. Cambiamento della governance — come si riflette l’intelligenza artificiale negli obiettivi, nel budget, negli indicatori, nella gestione dei rischi e nei processi decisionali?

È importante individuare i pionieri interni. Spesso i migliori casi d’uso dell’intelligenza artificiale non nascono nelle slide strategiche, ma nel lavoro quotidiano: un venditore trova un modo migliore per prepararsi a un incontro con un cliente, un giurista costruisce un processo di revisione dei contratti, uno sviluppatore automatizza i test, un team HR accelera l’onboarding. Il compito della direzione è rendere visibili queste pratiche, estenderle e renderle sicure.

16. Rischi: dati, autorizzazioni, allucinazioni, costi e responsabilità

Più l’intelligenza artificiale interviene, più gravi diventano i rischi. Quando l’IA si limita a scrivere la bozza, l’errore è solitamente facile da correggere. Quando l’intelligenza artificiale utilizza sistemi, recupera dati, apporta modifiche o invia messaggi, un errore può avere conseguenze dirette.

I rischi principali sono questi.

1. Allucinazioni

L’intelligenza artificiale può inventare informazioni o trarre conclusioni errate. È particolarmente pericoloso quando la risposta appare ben formulata e convincente.

2. Contesto sbagliato

L’intelligenza artificiale può usare un documento obsoleto, dati riferiti al cliente sbagliato o informazioni incomplete. RAG non serve se le informazioni recuperate sono di scarsa qualità.

3. Autorizzazioni eccessive

Se un agente può accedere a tutto, può anche fare troppo. Deve valere lo stesso principio applicato nella sicurezza informatica: il principio del privilegio minimo. L’intelligenza artificiale deve disporre soltanto delle autorizzazioni necessarie.

4. Prompt injection

Un documento esterno, una pagina web o un contenuto recuperato dal sistema può contenere istruzioni che tentano di manipolare l'intelligenza artificiale. Ciò diventa più grave quando l’intelligenza artificiale ha accesso agli strumenti.

5. Costi fuori controllo

I token hanno un costo. Gli agenti consumano token, le ricerche RAG e l'orchestrazione di più modelli generano costi e gli agenti di programmazione possono avviare lunghe sequenze di esecuzione. Senza monitoraggio, la spesa per l'IA può crescere senza che nessuno se ne accorga.

6. Ambiguità delle responsabilità

«L’ha fatto l’intelligenza artificiale» non solleva nessuno dalle proprie responsabilità. L’azienda continua a rispondere al cliente, la direzione resta responsabile delle decisioni e il dipendente della qualità del proprio lavoro. Il profilo NIST per la gestione dei rischi dell’intelligenza artificiale generativa sottolinea che le organizzazioni devono identificare e gestire i rischi specifici dell’IA generativa come parte di una più ampia gestione dei rischi legati all’intelligenza artificiale.^[5]

Usare responsabilmente l’intelligenza artificiale non significa frenare, ma predisporre misure di sicurezza prima di accelerare.

17. Il futuro: verso un sistema operativo di intelligenza artificiale

Il futuro dell’intelligenza artificiale non è una singola applicazione. È lo strato che collega applicazioni, dati, processi e persone. Nel lavoro del futuro, l’intelligenza artificiale può agire come un sistema operativo: comprende l’obiettivo dell’utente, ricerca il contesto giusto, seleziona gli strumenti, suddivide il compito tra gli agenti, utilizza i dati aziendali, monitora i progressi, richiede l’approvazione, impara dalle metriche dei processi e migliora il flusso di lavoro nel tempo.

Questo non accadrà dall’oggi al domani, né avverrà in modo uniforme in tutti i settori. Ma la direzione è chiara. L’intelligenza artificiale si muove verso:

• dal testo all'azione
• dalla chat al flusso di lavoro
• dal prompt al processo
• da un modello singolo ad un sistema ad agenti
• dalla sperimentazione alla governance

Le aziende che lo comprendono per tempo non si limitano a «usare l’intelligenza artificiale»: riorganizzano il lavoro attorno a essa.

18. Conclusioni

Conoscere i fondamenti dell’intelligenza artificiale non significa più soltanto saper scrivere un buon prompt, ma comprendere la nuova logica del lavoro.

L’intelligenza artificiale può affiancare il ragionamento, produrre materiali, usare strumenti, recuperare informazioni aziendali, scrivere codice, svolgere fasi di lavoro, operare come agente, automatizzare processi, aumentare la produttività, modificare la struttura dei costi dell’azienda e imporre un salto di qualità nella gestione.

Ma l’intelligenza artificiale non elimina la responsabilità umana. Al contrario: più attività svolge, meglio deve essere governata dalle persone. L’azienda deve sapere che cosa fa, perché lo fa, con quali autorizzazioni, quanto costa e quando una persona deve fermarla.

La consapevolezza più importante è questa: l’intelligenza artificiale non è solo uno strumento per accelerare il lavoro. È un nuovo modo di organizzare il lavoro.

Le aziende che lo comprendono non si chiedono più «Come usiamo l’intelligenza artificiale?», ma «Come costruiremmo questa azienda se l’intelligenza artificiale fosse disponibile in ogni fase in cui avrebbe senso impiegarla?». È da qui che comincia il vero cambiamento.

19. Modelli pratici e schede operative

1. Mappa di un processo AI-first

Scegli un processo e analizzalo in questo modo:

1. Qual è l'obiettivo del processo?
2. Quali passaggi sono ripetitivi?
3. Dove è necessario il giudizio umano?
4. Dove sono necessari i dati aziendali?
5. In quali fasi l’intelligenza artificiale potrebbe preparare una bozza?
6. Dove potrebbe cercare informazioni l’intelligenza artificiale?
7. Dove l’intelligenza artificiale potrebbe utilizzare uno strumento?
8. Quali attività potrebbe svolgere automaticamente l’intelligenza artificiale?
9. Dove è richiesta l'approvazione?
10. Come viene misurato il risultato?

Un buon primo obiettivo è un processo ripetitivo, dispendioso in termini di tempo e sufficientemente a basso rischio.

2. Il modello a quattro livelli dell'intelligenza artificiale

Valuta ogni caso d’uso dell’intelligenza artificiale secondo questo schema:

Più alto è il livello, maggiori sono le autorizzazioni, la supervisione e le approvazioni necessarie.

3. Mappatura delle competenze del team

Compilate insieme al team:

• Che cosa facciamo ogni settimana? Elencate 20 fasi di lavoro ricorrenti.
• In che cosa potrebbe aiutarci l’intelligenza artificiale? Classificate ogni fase come ideazione, stesura di bozze, analisi, ricerca, automazione o supporto decisionale.
• Di quali competenze abbiamo bisogno? Per esempio: sintesi di documenti, analisi dei dati dei clienti, generazione di codice, reporting e produzione di immagini.
• Cosa è necessario integrare? Documenti, CRM, gestione progetti, database, calendario, posta elettronica.
• Che cosa non deve essere automatizzato? Le decisioni che incidono su persone, denaro, salute, sicurezza, questioni legali o reputazione non devono essere automatizzate senza approvazione.

4. Checklist di preparazione al RAG

Prima di costruire una soluzione RAG, chiedetevi:

• Dove si trovano le informazioni?
• Le informazioni sono aggiornate?
• Chi possiede le informazioni?
• Le informazioni sono contraddittorie?
• Come funzionano i permessi?
• Come vengono visualizzate le fonti all'utente?
• Come vengono rilevate le risposte errate?
• Come vengono eliminate le informazioni obsolete?
• Come si misura la qualità?

RAG non corregge una cattiva gestione delle informazioni: la rende visibile.

5. Modello di adozione dell’MCP

Ecco come iniziare:

1. Seleziona un sistema.
2. Inizialmente, concedi solo il permesso di lettura.
3. Limita il gruppo di utenti.
4. Registra nei log ogni utilizzo.
5. Definisci i punti di approvazione.
6. Testa gli scenari di abuso.
7. Estendi l’accesso soltanto dopo aver compreso benefici e rischi.

Non iniziare dai sistemi più critici. Parti da un ambito in cui il beneficio è chiaro e il rischio gestibile.

6. Modello di gestione delle farm di agenti

Per ogni agente occorre definire nome, scopo, responsabile, strumenti utilizzabili, fonti di dati, autorizzazioni, limite di costo, logging, indicatore di qualità, punti di approvazione e meccanismo di arresto.

Un agente privo di un responsabile non dovrebbe essere messo in produzione.

7. Modello base di budget per l’intelligenza artificiale

La direzione dovrebbe valutare gli investimenti nell’intelligenza artificiale in rapporto al costo del personale. Se si vuole aumentare la produttività del lavoro specialistico, è naturale chiedersi quale quota del costo del lavoro destinare all’intelligenza artificiale.

8. Metriche di monitoraggio dell'intelligenza artificiale

Monitorate almeno questi indicatori: utenti attivi, strumenti utilizzati, consumo di token, costo per team, tempo risparmiato, numero di bozze prodotte, output dell’IA approvati, errori, soddisfazione degli utenti, tempo di completamento del processo, impatto sui clienti, casi di rischio e grado di automazione.

Non è importante misurare tutto. Ciò che conta è capire dove l’intelligenza artificiale migliora davvero il lavoro.

9. La batteria di domande del manager

Per ogni processo, chiedi:

1. Quale attività richiede più tempo?
2. Cos'è ripetitivo?
3. Cosa richiede dati?
4. Cosa richiede il giudizio umano?
5. L’intelligenza artificiale può preparare una prima versione?
6. L’intelligenza artificiale può recuperare le informazioni necessarie?
7. L’intelligenza artificiale può utilizzare uno strumento?
8. Quali rischi si corrono se l’IA agisce in modo errato?
9. Dove è richiesta l'approvazione?
10. Come misuriamo il miglioramento?

10. Suggerimento pratico in una frase

Non iniziare chiedendoti che cosa potresti domandare all’intelligenza artificiale. Comincia invece da questa domanda:

«Quale fase di questo processo dovrebbe essere affidata all’intelligenza artificiale, quale dovrebbe restare alla decisione umana e quale dovrebbe essere gestita automaticamente dal sistema?»

Qui sta l’essenza dei fondamenti della moderna intelligenza artificiale.

Fonti

1. The 2025 AI Index Report — Stanford HAI
2. The State of AI: How organizations are rewiring to capture value — McKinsey
3. Companies Have a New AI Problem: Too Many Agents — Wall Street Journal
4. Introducing the Model Context Protocol — Anthropic
5. AI Risk Management Framework — NIST