«L’obiettivo è abbattere e ridurre quelli che sono i tempi di onboarding documentale all’interno della fabbrica di approvazione». Con queste parole Andrea Ricotti, SVP Director Sales Northern Europe di Expert.ai, ha introdotto le linee guida di un progetto di innovazione che ridefinisce l’approccio all’automazione dei processi aziendali all’interno di settori regolamentati.
Durante la Use Case Session 2026 degli Osservatori Digital Innovation, la software house, insieme a Domenico Luciano, Director Marketing and Customer Experience di Grenke Italia, ha tracciato la rotta per superare le barriere computazionali ed operative legate alla gestione massiva della documentazione contrattuale. La risposta a questa esigenza risiede in un paradigma tecnologico ibrido che unisce la flessibilità dei grandi modelli linguistici alla precisione dei sistemi basati su regole.
Superare i limiti del deep learning con l’AI neuro-simbolica
Se c’è forte spinta verso l’adozione dell’intelligenza artificiale generativa, d’altro canto le aziende si scontrano con i vincoli intrinseci dei modelli puramente probabilistici. La AI neuro-simbolica emerge come la soluzione a questa frizione strutturale, combinando la capacità di comprensione del linguaggio tipica del deep learning con il rigore logico dei sistemi informatici tradizionali. Nelle realtà industriali e finanziarie, dove l’errore non è un’opzione ammissibile, l’approccio computazionale puro mostra il fianco al rischio di allucinazioni e alla mancanza di tracciabilità dei processi decisionali.
La necessità di disporre di algoritmi governabili ha spinto la ricerca e lo sviluppo verso la convergenza di mondi precedentemente considerati separati. Da un lato, i meccanismi neurali eccellono nel riconoscere pattern complessi e nel decodificare testi non strutturati; dall’altro, la logica simbolica garantisce l’applicazione rigorosa di vincoli operativi, normative di compliance e policy aziendali predefinite. Questo connubio assicura che ogni output generato sia non solo accurato, ma pienamente verificabile in sede di audit.
Come l’approccio ibrido unisce reti neurali e motori deterministici
L’orchestrazione tecnologica alla base della AI neuro-simbolica si fonda su un principio di complementarietà. I modelli linguistici non operano in isolamento, ma vengono costantemente monitorati e guidati da un layer deterministico che stabilisce i perimetri dell’azione algoritmica. Questo significa che la componente probabilistica si occupa dell’estrazione e dell’interpretazione iniziale dei dati grezzi, mentre il motore simbolico valida le informazioni estratte confrontandole con un database di regole fisse.
La rimozione del rischio di allucinazione avviene proprio grazie a questo doppio controllo. Se la rete neurale interpreta un dato in modo ambiguo o propone una variazione non coerente con i vincoli logici iniettati nel sistema, il motore deterministico blocca l’operazione o richiede la supervisione dell’operatore. Si realizza così un flusso di lavoro in cui l’algoritmo non deve “indovinare” la risposta corretta, ma deve semplicemente applicare un set di istruzioni matematiche certe a un contesto informativo precedentemente decodificato.
Il caso Grenke Italia: automazione dei processi in un settore regolamentato
La traduzione pratica di questo modello architetturale trova una applicazione concreta in Grenke Italia, azienda specializzata nel noleggio operativo di beni strumentali, tecnologie e servizi per le piccole e medie imprese. Operando in una struttura multinazionale di matrice tedesca, la filiale italiana funge da polo di sperimentazione per lo sviluppo di soluzioni tecnologiche all’avanguardia da esportare successivamente a livello globale.
La sfida della fabbrica dei contratti tra effort operativo e rischi di errore
La gestione quotidiana del business per l’azienda implica una mole documentale imponente, quantificabile nella gestione di circa il 55% dei contratti del proprio mercato di riferimento, con centinaia di pratiche contrattuali al giorno. Ogni singola pratica richiede l’analisi e l’elaborazione di circa 10 documenti differenti, un flusso che si traduceva in circa 12.000 ore lavorate all’anno dedicate esclusivamente a verifiche manuali e inserimento dati.
«Quotidianamente parliamo mediamente di 300-400 pratiche contrattuali al giorno, che implicano tutta una serie di attività operative di varia natura» ha spiegato Luciano, evidenziando come l’accuratezza nell’analisi dei documenti e nella valutazione delle informazioni richiedesse uno sforzo operativo difficilmente scalabile, associato inevitabilmente a picchi nel rischio di errore umano dovuti al calo fisiologico di attenzione nei diversi momenti della settimana lavorativa.
Dalla checklist di controllo alla architettura neurosimbolica in tre mesi
Per rispondere a questa complessità, il team congiunto delle due aziende ha implementato in soli tre mesi una nuova infrastruttura basata su un’architettura neurosimbolica. Il cuore del sistema è rappresentato da un layer proprietario denominato Eflow, deputato a orchestrare una quarantina di controlli specifici derivati direttamente dalle checklist operative e dalle regole di business di Grenke.
Il processo si articola attraverso agenti governati dall’intelligenza artificiale che leggono e analizzano contratti, messaggi di posta elettronica e stringhe di testo contenute nei gestionali aziendali. Questi agenti automatizzano i check ripetitivi e generano in automatico le attività all’interno dei sistemi informatici interni, per poi presentare all’operatore umano una checklist finale standardizzata per la validazione definitiva.
I risultati dell applicazione efficienza del novanta per cento e upskilling
L’introduzione della AI neuro-simbolica ha ridefinito i flussi di lavoro della “fabbrica dei contratti”, impattando in modo radicale sulla velocità di elaborazione e sulla precisione dei controlli su un volume annuo che supera i 300.000 documenti complessivi.
La riqualificazione delle risorse umane oltre il mito della sostituzione
L’adozione della piattaforma ha permesso di ridurre del 90% il tempo necessario alla gestione dell’intero monte pratiche, consentendo al contempo di mantenere inalterato l’indice di soddisfazione dei clienti finali, storicamente attestato intorno al 96%. Un elemento cardine della strategia risiede nella filosofia che ha guidato il progetto, orientata non alla contrazione dell’organico ma alla valorizzazione del capitale umano attraverso percorsi di upskilling.
I dipendenti, precedentemente impegnati nell’interazione ripetitiva con cinque diversi sistemi informatici sia interni sia esterni, sono stati sollevati dalle mansioni puramente esecutive. Liberare tempo ha consentito di focalizzare il personale su attività a maggior valore aggiunto, come la gestione delle relazioni complesse e l’ottimizzazione del servizio.
Scalabilita e governance per esportare il modello a livello globale
Il successo riscontrato nella gestione dell’onboarding contrattuale apre la strada a nuove evoluzioni sistemiche. La natura ibrida della soluzione garantisce che ogni passaggio automatizzato rimanga pienamente tracciabile e audito, rispondendo ai rigorosi requisiti di governance imposti a chi gestisce transazioni finanziarie e commerciali.
«Avevamo l’ambizione di lavorare a un progetto che avesse già connaturata un’opportunità di scalabilità e di estensione» ha concluso Luciano. Le prospettive future guardano all’estensione del modello neuro-simbolico sia verso altre fasi sensibili dei processi operativi interni di Grenke Italia, sia verso l’esportazione dell’intera architettura software alle altre consociate del gruppo multinazionale.
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
