La pressione sui Chief Information Officer non è mai stata così elevata: secondo il CIO Report di Gartner — condotto nella prima metà del 2026 — i board aziendali pretendono ritorni tangibili sull’intelligenza artificiale e i CFO chiedono conto degli investimenti già allocati, mentre il 72% dei CEO indica l’AI come il motore primario di crescita aziendale.
Tuttavia, trasformare le sperimentazioni pilota in valore di business su larga scala rimane un ostacolo critico, con il 59% delle iniziative che non riesce a raggiungere la fase di produzione. Il nodo centrale di questa impasse risiede spesso nell’illusione di considerare la tecnologia come un mero acceleratore di produttività individuale a discapito del capitale umano.
A chiarire le dinamiche in atto è Denise McCurdy, Senior Executive Partner di Gartner, intervenuta nel podcast ThinkCast. Dalle testimonianze sul campo emerge una priorità importante: una AI strategy per CIO efficace richiede una radicale revisione dei modelli operativi, dove l’automazione avanzata e la valorizzazione delle competenze interne devono procedere di pari passo.
Oltre l’illusione della produttività e il passaggio dal “blue money” al “green money”
La prima ondata di adozione di strumenti basati su LLM e automazione ha spinto molte organizzazioni a inseguire soprattutto i guadagni di efficienza più immediati. Ridurre i tempi delle attività ripetitive o accelerare la scrittura del codice ha alimentato una diffusa percezione di successo. Con il passare dei mesi, però, è emerso un limite spesso sottovalutato: qualche minuto risparmiato nelle attività quotidiane non si traduce automaticamente in minori costi o in una maggiore redditività. In altre parole, l’efficienza da sola non basta a creare valore misurabile per l’impresa.
Per chiarire il concetto, McCurdy distingue tra due diverse forme di ritorno economico generate dall’AI: il blue money e il green money.
Il blue money è il risparmio che si riesce a ottenere nelle attività quotidiane grazie all’automazione e agli strumenti di AI. Un beneficio certamente apprezzabile, ma spesso difficile da tradurre in risultati economici tangibili. In altre parole, qualche ora risparmiata nei processi operativi non basta, da sola, a giustificare nuovi investimenti.
Il green money, invece, rappresenta il valore che nasce da una trasformazione più profonda: la riduzione strutturale dei costi, l’aumento della capacità produttiva, oppure la creazione di nuove fonti di ricavo. È qui che, secondo Gartner, si concentra il vero potenziale dell’AI. «I guadagni di produttività sono ormai il punto di partenza, non il traguardo», osserva McCurdy. «Per generare valore sostenibile su scala enterprise è necessario ripensare il modo in cui il business opera e crea risultati»..
Il superamento del risparmio di tempo come metrica primaria di business
Concentrarsi esclusivamente sull’efficienza dei singoli task rischia di generare benefici limitati e di breve durata. I guadagni di produttività ottenuti grazie all’AI tendono infatti a esaurirsi rapidamente se non vengono tradotti in cambiamenti più profondi dei processi e del modello operativo. Non sorprende quindi che, secondo Gartner, il 71% dei CIO faccia fatica a stabilire le priorità tra i diversi casi d’uso disponibili, soprattutto per la difficoltà di collegare gli investimenti a risultati di business misurabili.
Per superare questa fase, le organizzazioni devono adottare un approccio più strutturato alla gestione dei costi dell’AI e delle risorse computazionali. L’ottimizzazione dei modelli, insieme a un controllo più rigoroso dei consumi cloud, può liberare risorse da destinare alle iniziative a maggiore impatto strategico. La sfida per le direzioni IT è misurare in che modo l’AI contribuisca concretamente alla crescita, alla redditività e alla competitività dell’impresa.
Il fattore umano e il valore insostituibile della conoscenza tribale
L’errore commesso da diverse imprese nella fase iniziale di adozione dell’automazione è stato credere di poter ridurre rapidamente l’organico per monetizzare i presunti incrementi di efficienza. Tale approccio ha generato un fenomeno imprevisto: numerose aziende si sono trovate costrette ad avviare campagne di riassunzione del personale precedentemente allontanato (si pensi al caso di Klarna). Questo ciclo di reintegro si è manifestato con una velocità inedita, nell’arco di pochi mesi anziché di anni.
La ragione di questo repentino dietrofront risiede nella natura stessa della riprogettazione dei processi. L’intelligenza artificiale poggia su algoritmi matematici privi di consapevolezza organizzativa. Quando si passa dall’automazione del singolo task alla revisione profonda dei flussi interfunzionali, emerge l’esigenza della conoscenza tribale, ovvero quel patrimonio informale di competenze, relazioni e dinamiche interne custodito esclusivamente dalle persone.
«Le aziende che ottengono i maggiori risultati sono quelle che utilizzano la tecnologia per cambiare radicalmente i processi, e per farlo è indispensabile fare leva sulla conoscenza tribale dei propri collaboratori», osserva McCurdy.
L’affiancamento dei “change leader” per guidare l’adozione
L’introduzione di strumenti avanzati incontra frequentemente la naturale resistenza umana alle novità organizzative. Trattare l’AI come una minaccia per l’occupazione acuisce i blocchi culturali e frena la diffusione delle soluzioni sul campo.
I percorsi di adozione più efficaci non richiedono programmi formativi complessi o investimenti sproporzionati. L’approccio suggerito da Gartner consiste nell’individuare i change leader interni- i profili con maggiore propensione all’innovazione tecnologica- e affiancarli ai colleghi che detengono la conoscenza storica dei processi operativi. La contaminazione diretta e l’apprendimento basato sull’esperienza consentono di abbattere le barriere psicologiche, integrando i sistemi avanzati nelle attività quotidiane senza creare fratture nel tessuto aziendale.
Dalla generative AI all’agentic AI per ridisegnare i flussi operativi
L’evoluzione tecnologica sta rapidamente spostando il baricentro dalle applicazioni di intelligenza artificiale generativa convenzionali verso i sistemi autonomi. Se i chatbot tradizionali mantengono un livello elementare di interazione reattiva, l’agentic AI introduce la capacità di prendere decisioni ed eseguire compiti complessi per conto dell’organizzazione entro confini prestabiliti.
Questa transizione consente di liberare le risorse umane dalle attività di controllo ripetitivo e dalle verifiche procedurali a basso valore aggiunto. Delegando agli agenti i compiti più onerosi dal punto di vista operativo, le persone possono dedicarsi all’elaborazione concettuale di livello superiore e alla risoluzione di problemi non standardizzabili.
L’autonomia decisionale degli agenti e la tutela dei percorsi di crescita interni
L’arrivo degli agenti autonomi apre anche una questione meno tecnologica e molto più organizzativa: quale sarà il ruolo delle persone? In particolare, cresce la tentazione di automatizzare o esternalizzare le attività affidate oggi ai profili junior, considerandole facilmente sostituibili dall’AI. Una scelta che, nel breve periodo, può sembrare efficiente, ma che rischia di avere effetti indesiderati nel tempo.
I profili junior rappresentano infatti il bacino da cui emergono i futuri manager, specialisti ed esperti di dominio. Se viene meno l’opportunità di imparare sul campo, comprendere i processi e maturare esperienza operativa, si indebolisce anche la capacità dell’organizzazione di sviluppare le competenze di cui avrà bisogno domani. Per questo, la scalabilità dell’AI deve andare di pari passo con percorsi che continuino a coinvolgere le persone nelle attività chiave e nei processi decisionali, preservando il patrimonio di conoscenze su cui si costruisce la crescita futura..
Il modello operativo IT 2030 e la transizione verso l’IT come piattaforma
Con la diffusione degli agenti AI in tutte le funzioni aziendali, diventa sempre meno sostenibile un modello in cui l’IT concentra su di sé ogni richiesta tecnologica. Secondo Gartner, il futuro passa da un’organizzazione diversa, in cui il dipartimento IT del 2030 smette di essere il punto di passaggio obbligato per ogni progetto e assume un ruolo sempre più orientato all’abilitazione e alla governance.
L’IT, secondo Gartner, non sviluppa direttamente ogni soluzione, ma mette a disposizione una piattaforma sicura, con regole, controlli e standard condivisi. Su queste basi, le diverse linee di business possono progettare e gestire autonomamente i propri agenti AI, senza compromettere la sicurezza, la conformità o il controllo dei costi. «Dobbiamo svincolare la tecnologia dall’essere un’esclusiva competenza dell’IT», osserva McCurdy. «L’infrastruttura deve diventare una piattaforma sicura su cui i diversi rami aziendali possano costruire le proprie soluzioni ed evolvere».
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
FAQ generate con l’AI, a cura della Redazione
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
Mattia Lanzarone
Source link
