Intelligenza artificiale generativa: guida per aziende

2026-08-09 · Tommaso Maria Ricci

L'88% delle organizzazioni dichiara di usare intelligenza artificiale, ma solo il 70% la usa in almeno una funzione aziendale in forma generativa, e il ricorso ad agenti autonomi resta a una cifra in quasi tutte le funzioni. Sono i dati del capitolo Economy dell'AI Index 2026 di Stanford HAI, e raccontano una cosa precisa: l'intelligenza artificiale generativa è entrata ovunque, ma è entrata in superficie.

Questa distanza tra adozione dichiarata e uso profondo è il vero tema del 2026. Quasi tutte le aziende italiane hanno qualcuno che usa un chatbot per scrivere email. Pochissime hanno cambiato un processo. La prima cosa non produce risultati di bilancio, la seconda sì, e la differenza tra le due non è tecnologica.

Questa guida serve a chiudere quella distanza. Spiega cosa distingue davvero l'intelligenza artificiale generativa dai sistemi che c'erano prima, dove produce un effetto misurabile e dove brucia budget, quanto costa partire nel 2026, quali obblighi normativi sono già in vigore da questo mese, e in che ordine muoversi per non trovarsi tra dodici mesi con dieci licenze attive e nessun processo cambiato.

Una premessa metodologica. Non troverai qui una lista di strumenti. Gli strumenti cambiano ogni trimestre e la scelta dello strumento è la decisione meno importante di tutto il percorso. Troverai invece il criterio con cui si decide dove applicarla, come si misura se ha funzionato, e come si evita l'errore che rende inutile il 30% dei progetti.

Cosa distingue l'intelligenza artificiale generativa da quella di prima

Vale la pena chiarirlo, perché la confusione su questo punto genera aspettative sbagliate e poi delusione.

L'intelligenza artificiale che le aziende usavano prima del 2023 era quasi tutta predittiva o classificatoria. Riceveva dati strutturati e produceva un numero o un'etichetta: questo cliente ha il 12% di probabilità di abbandonare, questa transazione è sospetta, questo pezzo è difettoso. Funzionava bene, ma richiedeva dati puliti, un problema definito con precisione e mesi di lavoro per addestrare un modello su misura.

L'intelligenza artificiale generativa fa una cosa diversa: riceve linguaggio e produce linguaggio, immagini, codice o dati strutturati. Non prevede, compone. E soprattutto arriva già addestrata, quindi il tempo tra l'idea e il primo risultato utile si misura in giorni invece che in trimestri.

Le tre conseguenze pratiche che contano

La prima è che il costo di ingresso è crollato. Non serve più un data scientist per fare qualcosa di utile. Questo apre l'AI a organizzazioni che tre anni fa non potevano nemmeno considerarla.

La seconda è che si applica a lavoro non strutturato. Prima l'automazione richiedeva processi già formalizzati. Oggi un modello legge una email confusa, un contratto scritto male, una registrazione di una riunione, e ne estrae qualcosa di utilizzabile. La quota di lavoro d'ufficio che era fuori portata è entrata in portata.

La terza, meno gradita, è che sbaglia in modo diverso. Un sistema predittivo che sbaglia produce una probabilità sbagliata, che si riconosce confrontandola con la realtà. Un sistema generativo che sbaglia produce un testo perfettamente credibile e completamente falso. La verifica non è un'opzione, è parte del processo, e chi la salta scopre il problema quando è già arrivato al cliente.

Il tema del confine tra assistenza e autonomia lo sviluppo nella guida sugli agenti AI per le aziende, perché è la direzione in cui questa tecnologia si sta muovendo ed è anche quella dove i rischi crescono più in fretta.

I sette usi dell'intelligenza artificiale generativa che producono risultati

Le aree qui sotto sono ordinate per rapporto tra facilità di implementazione e impatto misurabile, non per quanto suonano bene in un consiglio di amministrazione.

1. Produzione di documentazione e reportistica interna

È il caso d'uso con il ritorno più rapido e il rischio più basso, e per questo dovrebbe essere quasi sempre il primo.

Ogni azienda produce una quantità di testo ripetitivo che nessuno vuole scrivere: verbali di riunione, relazioni periodiche, aggiornamenti di progetto, riepiloghi commerciali, documentazione tecnica, risposte a questionari fornitore. Un modello generativo che riceve appunti, registrazioni o dati grezzi e produce il documento nel formato aziendale corretto elimina la parte più lenta e meno qualificata del lavoro.

Il guadagno si misura facilmente perché il prima e il dopo sono confrontabili: quanto tempo serviva per produrre quel documento, quanto ne serve adesso. Non serve un modello di attribuzione complicato.

L'unica regola non negoziabile è che il documento venga riletto e approvato da chi lo firma. Non per formalismo, ma perché la responsabilità del contenuto resta di una persona, e un errore in un documento firmato è un problema legale, non un problema di produttività.

2. Supporto clienti di primo livello

È l'area con le prove sperimentali più solide, e conviene citarle invece di aneddoti.

Lo studio Generative AI at Work di Brynjolfsson, Li e Raymond, condotto su 5.179 agenti di supporto clienti, ha misurato un aumento di produttività del 14% in media, con un miglioramento del 34% per i lavoratori meno esperti e un effetto minimo su quelli più esperti. Il meccanismo individuato dagli autori è interessante quanto il risultato: il sistema diffonde le pratiche migliori dei lavoratori più capaci e accorcia la curva di apprendimento dei nuovi.

Tradotto in termini aziendali, il valore non è sostituire il servizio clienti. È portare un nuovo assunto al livello di un collega esperto in settimane invece che in mesi, e ridurre la varianza tra la risposta migliore e quella peggiore che il cliente riceve.

Applicazione concreta: suggerimento di risposta all'operatore, non risposta automatica al cliente. La differenza è enorme in termini di rischio e minima in termini di guadagno. Chi parte dalla risposta automatica al cliente su temi non banali si espone a un incidente reputazionale per risparmiare qualche punto percentuale.

3. Marketing e produzione di contenuti

Qui il guadagno è reale ma il rischio di sprecarlo è il più alto di tutta la lista.

L'uso che funziona è la variazione su base verificata: prendere un contenuto validato e produrne venti versioni per canali, segmenti e formati diversi. Il modello è eccellente a variare, pessimo a inventare la tesi. Questa distinzione decide se il progetto produce valore o rumore.

L'uso che non funziona è la produzione di massa di contenuti generici. Aumenta il volume, non gli effetti, e nel medio periodo danneggia il posizionamento perché i motori di ricerca e i lettori riconoscono la differenza. Il volume di contenuto non è mai stato il collo di bottiglia del marketing.

Il criterio operativo che uso: se il contenuto contiene un'affermazione che nessuna persona dell'azienda ha verificato, non esce. Il metodo completo l'ho descritto nella guida su intelligenza artificiale e marketing.

4. Analisi di documenti e ricerca interna

È l'area sottovalutata con il ritorno più alto nelle organizzazioni oltre una certa dimensione.

Ogni azienda ha un patrimonio di documenti che nessuno riesce a consultare: contratti, capitolati, manuali, verbali, corrispondenza, procedure. Un sistema che risponde a domande su quei documenti citando la fonte trasforma un archivio morto in una risorsa consultabile.

Gli usi concreti sono banali e preziosi: trovare tutte le clausole di rinnovo automatico in scadenza nei prossimi sei mesi, verificare se un capitolato di gara contiene requisiti che non possiamo soddisfare, ricostruire cosa è stato deciso su un tema in due anni di verbali.

La condizione tecnica è che il sistema citi sempre il documento e il punto da cui ha tratto la risposta. Un sistema che risponde senza citare non è verificabile, e in ambito contrattuale un'informazione non verificabile è peggio di nessuna informazione.

5. Elaborazione di dati non strutturati in ingresso

È il caso d'uso più noioso e uno dei più redditizi.

Ogni azienda riceve informazione in formati che non può elaborare automaticamente: ordini via email, fatture fornitore in dieci layout diversi, moduli compilati a mano, curriculum, richieste di offerta scritte in prosa. Storicamente questo lavoro si faceva a mano o con sistemi rigidi che si rompevano al primo formato nuovo.

Un modello generativo estrae i campi strutturati da testo libero con una tolleranza alla variazione che i sistemi precedenti non avevano. Il risultato è che una persona passa dal digitare al verificare, e la stessa persona gestisce un volume molto maggiore.

Due accorgimenti che decidono l'esito. Il primo è la soglia di confidenza: sotto una certa soglia il documento va in coda umana invece di essere processato. Il secondo è il campione di controllo, cioè una quota fissa di documenti riverificata a mano ogni settimana anche quando tutto sembra funzionare, perché la qualità di questi sistemi degrada in silenzio quando cambiano i formati in ingresso.

6. Supporto allo sviluppo software e all'automazione interna

Nelle aziende che hanno sviluppo interno l'effetto è ormai fuori discussione sul codice ripetitivo, sui test e sulla documentazione. Meno scontato, e più interessante per chi sviluppo interno non ne ha, è l'uso per costruire automazioni leggere: script che spostano dati tra sistemi, controlli automatici su fogli di calcolo, integrazioni semplici tra strumenti che non parlano tra loro.

Molte inefficienze aziendali sopravvivono perché sistemarle richiedeva mezza giornata di un programmatore che nessuno voleva pagare. Quando quella mezza giornata diventa venti minuti di una persona non tecnica, la soglia di convenienza si sposta e una classe intera di problemi diventa risolvibile.

Il rischio speculare è l'accumulo di automazioni non documentate scritte da persone diverse, che nessuno sa più mantenere. Va gestito con una regola semplice: ogni automazione ha un proprietario nominato e sta in un posto solo. La struttura completa è nella guida sull'automazione dei processi aziendali.

7. Preparazione di decisioni su dati aziendali

È l'area più promettente e la meno matura, e va trattata con la prudenza che merita.

L'idea è collegare il modello ai dati gestionali per rispondere a domande di business in linguaggio naturale: come è andata la marginalità per linea di prodotto, quali clienti hanno ridotto gli ordini, dove si concentra il ritardo di consegna.

Il valore potenziale è alto perché elimina il collo di bottiglia tra chi ha la domanda e chi sa scrivere la query. Il rischio è altrettanto alto: un numero sbagliato presentato con sicurezza in una riunione decisionale è peggio di nessun numero.

Il motivo per cui la metto in coda è che richiede una base dati ordinata e definizioni condivise. Se in azienda tre funzioni calcolano il fatturato in tre modi diversi, il sistema erediterà quella confusione e la amplificherà. Prima si mettono in ordine le definizioni, poi si collega il modello.

Cosa non funziona, e nessuno te lo dice in presentazione

La credibilità di una guida si misura su questa sezione.

L'assistente generico non produce risultati misurabili. Dare a tutti l'accesso a un chatbot e sperare che emerga qualcosa è la modalità di adozione più diffusa e quella con il ritorno più basso. Produce un miglioramento diffuso e invisibile che non compare in nessun bilancio. Non è inutile, ma non è un progetto, ed è il motivo per cui molte direzioni sono convinte di aver adottato l'AI senza aver cambiato nulla.

Non compensa un processo rotto, lo accelera. Se il processo di approvazione richiede quattro passaggi inutili, generare i documenti più in fretta significa aspettare più a lungo negli stessi quattro passaggi. La riprogettazione del processo viene prima, e chi la salta ottiene un collo di bottiglia più veloce a monte.

Non sostituisce la competenza di dominio, la amplifica. Un modello che scrive un'offerta commerciale la scrive bene solo se chi la rilegge sa riconoscere cosa manca. Nelle mani di chi non sa, produce documenti dall'aspetto professionale e dal contenuto sbagliato, che è la combinazione peggiore possibile.

Le allucinazioni non si risolvono con un prompt migliore. Si riducono con l'ancoraggio ai documenti e con la citazione obbligatoria della fonte, e si gestiscono con la verifica umana. Chi ti dice che il suo sistema non allucina sta vendendo.

La formazione a catalogo non produce adozione. Il corso generico sull'AI generativa ha un tasso di trasferimento sul lavoro molto basso. Funziona invece l'addestramento sul processo specifico della persona, fatto sui suoi documenti reali, in un'ora, con un risultato che porta a casa.

Il quadro d'insieme lo conferma. Secondo la previsione Gartner ripresa dalla ricerca IMD pubblicata su MIT Sloan Management Review, circa il 30% delle iniziative di AI generativa sarebbe stato abbandonato dopo la fase di proof of concept entro la fine del 2025, principalmente per qualità dei dati insufficiente, costi crescenti e valore di business poco chiaro. Nessuna di queste tre cause è tecnologica.

Quanto costa partire nel 2026 e come si calcola il ritorno

Il costo di ingresso è crollato, ed è il fatto che cambia il calcolo per le aziende piccole. Secondo l'AI Index 2025 di Stanford HAI, il costo di inferenza per un modello di livello GPT 3.5 è sceso di oltre 280 volte tra novembre 2022 e ottobre 2024, passando da circa 20 dollari per milione di token a circa 0,07 dollari.

La conseguenza pratica è che la voce di costo dominante non è più il modello. Sono l'integrazione con i sistemi esistenti, la messa in ordine dei dati e il tempo delle persone che devono cambiare abitudini.

Ecco un ordine di grandezza realistico per un'azienda tra i 20 e i 250 dipendenti, sui primi dodici mesi.

|---|---|---|---|

Le forchette sono larghe di proposito. La variabile che le determina non è il fornitore, è quanto sono accessibili i tuoi dati. Un'azienda con un gestionale che espone API paga la metà di una che deve estrarre informazione da PDF e cartelle condivise. La composizione di questa spesa l'ho scomposta voce per voce nella guida sui costi dell'intelligenza artificiale per le aziende.

Come si calcola il ritorno senza raccontarsi storie

Il ritorno di un progetto di AI generativa si compone di quattro voci con gradi di certezza molto diversi, e conviene tenerle separate.

La prima è il tempo recuperato su un'attività specifica, ed è la più solida: si misura con una rilevazione prima e dopo su un campione, con un cronometro. La seconda è il volume gestito a parità di persone, che si legge nei numeri operativi. La terza è la riduzione degli errori, reale ma lenta da dimostrare perché richiede periodi lunghi. La quarta è la qualità percepita dal cliente, che esiste ma non è isolabile.

Un progetto che si giustifica solo con la terza e la quarta voce non si giustifica. Un progetto che si ripaga con le prime due, e le altre arrivano in aggiunta, è solido. Il metodo di calcolo completo è nella guida sul ROI dell'intelligenza artificiale.

Dati, riservatezza e AI Act: cosa verificare prima di firmare

Questa sezione vale più di tutte le altre messe insieme, perché è quella dove le aziende si fanno male, e nel 2026 è cambiata.

Tre verifiche vanno fatte prima di collegare qualunque sistema generativo a dati aziendali.

Dove vengono elaborati i dati. Va scritto nel contratto in quale giurisdizione avviene il trattamento. Un fornitore che risponde in modo vago a questa domanda sta descrivendo un rischio, non un servizio.

Se i dati vengono conservati e per quanto. Molti servizi conservano gli input per periodi definiti per finalità di sicurezza. È un elemento contrattuale, non un dettaglio tecnico, e va confrontato con la natura dei dati che intendi passare al sistema.

Se i dati vengono usati per addestrare modelli di terzi. La risposta accettabile è una sola, ed è no, e va scritta nel contratto invece che dichiarata a voce.

Cosa è già applicabile del regolamento europeo

Il regolamento europeo sull'intelligenza artificiale è in vigore dal 1 agosto 2024 e si applica per fasi. Gli obblighi per i modelli di uso generale sono applicabili dal 2 agosto 2025, e da questo mese, agosto 2026, è applicabile il grosso del regolamento, comprese le obbligazioni di trasparenza che riguardano direttamente chi usa sistemi generativi. Il riferimento ufficiale è la pagina della Commissione europea sul quadro normativo per l'AI.

C'è però una modifica importante che molti non hanno registrato. Con il pacchetto noto come Digital Omnibus, approvato in via definitiva dal Consiglio dell'Unione europea il 29 giugno 2026, gli obblighi per i sistemi ad alto rischio sono stati rinviati: al 2 dicembre 2027 per i sistemi autonomi elencati nell'Allegato III e al 2 agosto 2028 per l'AI incorporata in prodotti già regolati. La ricostruzione puntuale delle nuove scadenze è nell'analisi dello studio Gibson Dunn sull'accordo Omnibus.

La lettura pratica per un'azienda che usa AI generativa è duplice. Da un lato hai più tempo del previsto sugli usi ad alto rischio, tipicamente selezione del personale, valutazione del credito, accesso a servizi essenziali. Dall'altro gli obblighi di trasparenza sui contenuti generati e sull'interazione con sistemi automatici non sono stati rinviati, quindi valgono adesso: chi interagisce con un sistema automatico deve saperlo, e i contenuti sintetici vanno identificabili come tali.

Due adempimenti pratici che vedo saltare quasi sempre. Il primo è la valutazione d'impatto sulla protezione dei dati, dovuta quando il trattamento è sistematico e su larga scala, e da fare prima dell'avvio invece che a progetto partito. Il secondo è l'aggiornamento dell'informativa quando cambia il modo in cui i dati vengono trattati. Il quadro completo degli adempimenti l'ho ricostruito nella guida sull'AI Act per le aziende.

Una regola di buon senso che riassume tutto: se non sei in grado di spiegare a un cliente, in due frasi comprensibili, cosa fa il sistema con i suoi dati, non sei pronto ad attivarlo.

Casi reali: cosa succede quando funziona

Nei progetti che ho seguito negli ultimi anni, in settori molto diversi tra loro, il pattern si ripete con una regolarità che ormai non mi sorprende più.

WSB Sport, più 30% di vendite. Riorganizzazione delle attività di marketing con supporto AI su segmentazione e produzione di contenuti. Il punto trasferibile è che il guadagno non è arrivato dal volume di contenuti prodotti, ma dalla capacità di differenziare il messaggio per segmento senza moltiplicare le persone.

Struttura ricettiva, revenue da 9 a 10 milioni. Lavoro su previsione della domanda e allocazione. Il dettaglio interessante è che i dati necessari erano già tutti nel gestionale da anni, semplicemente non erano mai stati letti insieme. È la condizione più comune che incontro.

Centro medico, più 20% di capacità erogata. Nessun macchinario nuovo, nessuna assunzione. Migliore allocazione degli slot basata sull'analisi dei tempi reali per tipologia di prestazione e sui pattern di mancata presentazione.

Agriturismo, raddoppio degli ospiti. Lavoro su posizionamento e canali, con l'analisi dati usata per capire da dove arrivavano davvero le richieste redditizie.

Il filo comune dei quattro casi: nessuno di questi risultati è arrivato da un progetto tecnologico. Sono arrivati da progetti di organizzazione che usavano l'AI come strumento. Chi inverte l'ordine, e comincia dalla piattaforma, spende e non incassa.

Se riconosci la tua azienda in almeno due di questi schemi, il passo giusto non è comprare un software. È mettere qualcuno a misurare per due settimane dove finisce davvero il tempo delle persone, e quali due processi valgono l'80% del recupero possibile. È il tipo di lavoro con cui inizio quando un'azienda mi chiede di intervenire, e si chiude con una lista di tre interventi ordinati per ritorno atteso, non con una piattaforma da acquistare.

Self assessment: la tua azienda è pronta

Rispondi sì o no. Un punto per ogni sì.

Dati e sistemi

I sistemi principali espongono API o consentono export automatici programmabili.
I documenti aziendali sono in formato digitale ricercabile, non solo scansioni.
Esiste una sola versione ufficiale dei dati principali, non tre fogli di calcolo diversi.
So dire con precisione quanto tempo assorbe l'attività che vorrei automatizzare.
Le definizioni degli indicatori chiave sono condivise tra le funzioni.

Processi e organizzazione

Esiste una riunione ricorrente in cui si guardano indicatori e si prendono decisioni conseguenti.
Quando un indicatore è anomalo, esiste qualcuno il cui compito è capirne il motivo.
Il processo che voglio automatizzare è documentato, almeno in forma minima.
Esiste una persona interna che può dedicare tempo reale al progetto, non a tempo perso.

Conformità e competenze

So quali dati non possono uscire dal perimetro aziendale, e chi lo decide.
C'è un referente per la protezione dei dati coinvolto nelle decisioni tecnologiche.
Almeno una persona interna sa dialogare con un fornitore tecnico senza subirlo.

Come leggere il punteggio

Da 0 a 4: non sei pronto per progetti su dati aziendali. Parti da documentazione e produzione di testi, che non richiedono integrazione, e usa quei mesi per mettere in ordine l'accesso ai dati.

Da 5 a 8: è la condizione tipica dell'azienda italiana ben gestita. Puoi partire subito da documentazione, supporto clienti ed estrazione dati da documenti, e usare quei progetti per costruire la base che serve al resto.

Da 9 a 12: hai i presupposti per la ricerca su documenti interni e l'interrogazione dei dati gestionali. Il tuo rischio non è la qualità dei dati, è disperdere l'investimento su troppi fronti contemporaneamente.

Roadmap 30, 60, 90 giorni

Questa è la sequenza che consiglio a un'azienda che parte da zero. È volutamente conservativa: l'obiettivo dei primi novanta giorni non è trasformare l'azienda, è produrre un risultato misurabile che convinca le persone che vale la pena continuare.

Giorni 1 - 30: misurare dove finisce il tempo

Nessun acquisto in questa fase. Tre attività.

La prima è la rilevazione del tempo: per due settimane, su un campione di persone e con il loro consenso, si misura quanto tempo va in produzione di documenti, ricerca di informazioni, riscrittura e attività amministrative. Serve un dato misurato, non una stima della direzione.

La seconda è l'inventario dei dati: dove stanno, in che formato, chi vi accede, cosa è esportabile e cosa è bloccato in sistemi chiusi.

La terza è la scelta del caso pilota. Uno solo. I criteri: deve essere misurabile, deve basarsi su materiale che già esiste, non deve toccare decisioni con impatto legale diretto, e non deve coinvolgere più di una funzione.

Giorni 31 - 60: pilota su una sola funzione

Si implementa il caso scelto, quasi sempre la produzione di documentazione o il supporto alla risposta clienti.

Le regole del pilota sono tre, e distinguono i progetti che finiscono da quelli che si trascinano. Si definisce il numero da spostare prima di iniziare. Si lascia in piedi il processo vecchio in parallelo per tutta la durata. Si fissa una data di verdetto. Un pilota senza data di verdetto diventa uno stato permanente, ed è il modo più comune in cui questi progetti muoiono senza che nessuno dichiari il decesso.

Serve inoltre una persona interna responsabile, non un fornitore. Se in azienda nessuno possiede il progetto, il progetto non esiste. Nella maggior parte dei casi la persona giusta è chi conosce il processo, non chi conosce la tecnologia.

Giorni 61 - 90: misurare ed estendere o chiudere

Si confronta il risultato con il numero definito al giorno 31. Se il risultato c'è, si estende alle altre funzioni, si riscrive la procedura e si forma chi non era coinvolto. Se il risultato non c'è, si chiude e si scrive perché: un pilota fallito documentato vale più di tre piloti aperti.

Solo a questo punto si sceglie il secondo intervento, e quasi sempre è quello che riusa la base dati resa accessibile dal primo.

È anche il momento in cui conviene farsi aiutare dall'esterno. Non per la tecnologia, che nel 2026 è la parte facile, ma per la scelta della sequenza: l'ordine con cui affronti i processi determina se il secondo progetto costa la metà del primo o il doppio. Vale la pena farla, quella conversazione, con chi ha già visto sbagliare quella sequenza altrove, prima di sbagliarla in casa propria.

I cinque errori che vedo più spesso

Comprare la piattaforma prima di avere il problema. L'ordine corretto è problema, dato, modello, strumento. Invertito produce licenze attive e nessun utilizzo. È l'errore più costoso perché è anche il più difficile da ammettere dopo la firma.

Partire dal caso più visibile invece che dal più facile. Il progetto che si presenta bene in consiglio è quasi sempre quello con il rapporto tra rischio e ritorno peggiore. Il primo progetto serve a costruire fiducia interna, non a impressionare.

Distribuire licenze e chiamarlo adozione. Il numero di account attivi non è un indicatore di nulla. L'indicatore è quanto tempo è stato recuperato su un'attività identificata, misurato prima e dopo.

Non prevedere il controllo di qualità. Un sistema generativo senza campione di verifica periodico degrada in silenzio. La verifica va messa a calendario dall'inizio, non aggiunta dopo il primo incidente.

Trattare la conformità come un adempimento finale. Scoprire al collaudo che i dati transitano fuori dal perimetro consentito significa buttare il lavoro fatto. La conformità è un vincolo di progettazione.

Le persone: la variabile che decide più della metà dell'esito

C'è un aspetto che nessuna presentazione commerciale affronta e che pesa più della tecnologia.

Introdurre uno strumento che scrive, riassume e produce documenti al posto di una persona tocca l'identità professionale di quella persona. Se il messaggio che arriva è "adesso serviamo di meno", il progetto viene sabotato in modi difficili da individuare: si usa lo strumento male, si trovano ragioni per cui non funziona nel proprio caso specifico, si smette dopo tre settimane.

Il messaggio corretto è diverso, e deve essere vero per funzionare: lo strumento esiste per togliere la parte del lavoro che nessuno rivendica come propria competenza. La prova che sia vero la dà il primo risultato misurato, non la promessa iniziale.

Tre accorgimenti che funzionano. Il primo è coinvolgere due o tre persone nella scelta e nella configurazione, con potere reale di dire che una cosa non va. Il secondo è pubblicare il dato del tempo recuperato, non quello di utilizzo del software. Il terzo è dare a chi contesta il diritto di farlo motivando, e trattare le contestazioni come materiale di taratura: nell'arco di due mesi diventano la fonte migliore per correggere il sistema.

C'è poi un punto di merito che vale la pena dire esplicitamente. Il timore che l'AI generativa appiattisca la qualità del lavoro è fondato quando la si usa per sostituire il pensiero, e infondato quando la si usa per togliere la trascrizione. La distinzione va dichiarata, perché nessuno la dà per scontata e il silenzio viene interpretato nel modo peggiore.

Come scegliere un fornitore senza farsi male

Cinque domande da fare a chiunque proponga un progetto di intelligenza artificiale generativa.

Quale voce di costo o quale indicatore si muove, e di quanto? Se la risposta è "efficienza" senza un numero, la conversazione è finita lì.
Su quali dati miei si basa, e li ho già in formato utilizzabile? Se il progetto richiede dati che non hai in quella forma, esiste una fase zero che nessuno ha preventivato e che spesso costa quanto il progetto.
Dove vengono elaborati i dati, chi vi accede e per quanto restano? Domanda contrattuale, con risposta scritta, prima della firma.
Quanto dura il pilota e con quale criterio si decide se continuare? Devono esserci una data e una soglia, scritte.
Cosa succede quando il sistema produce un errore, e chi risponde? Deve esistere una procedura e una responsabilità definita, non una rassicurazione commerciale.

Se il fornitore risponde bene a tutte e cinque, probabilmente sa fare il suo mestiere. Se si irrigidisce sulla terza, sai già che tipo di vincolo sta costruendo.

Un segnale d'allarme specifico di questa fase di mercato: il fornitore che presenta la demo su dati suoi e non chiede mai di vedere i tuoi. La demo funziona sempre. Il progetto funziona solo se ha resistito ai tuoi documenti reali, con i loro formati sbagliati e le loro eccezioni.

Come cambia per dimensione dell'azienda

Una guida che tratta tutte le aziende allo stesso modo è inutile. Il ritorno degli stessi interventi cambia in modo netto con la dimensione.

Sotto i 20 dipendenti. Il valore è quasi tutto nella produzione di testi, nella gestione della corrispondenza e nella preparazione di offerte. Interventi leggeri, nessuna infrastruttura, risultati in settimane. Il rischio principale è comprare piattaforme dimensionate per gruppi industriali. Il criterio di scelta è la semplicità di attivazione, non la completezza funzionale. Il ragionamento specifico per questa scala è nella guida sull'intelligenza artificiale per le PMI.

Tra 20 e 250 dipendenti. È la fascia con il ritorno più alto in proporzione all'investimento, perché la complessità è già sufficiente a rendere impossibile la gestione a memoria, ma l'organizzazione è ancora abbastanza snella da cambiare processo in poche settimane. Qui documentazione, supporto clienti ed estrazione dati sono le tre leve principali.

Oltre i 250 dipendenti. Il problema si sposta dalla mancanza di dati alla loro frammentazione tra sistemi e funzioni con prassi diverse. Il valore si concentra nell'unificazione e nella governance, e i progetti richiedono più tempo perché coinvolgono più direzioni. Il rischio caratteristico è avviare un programma pluriennale che produce il primo risultato utile dopo diciotto mesi, quando la fiducia interna è già evaporata. La contromisura è la stessa: un pilota su una sola funzione, con una data di verdetto.

Il criterio generale, valido a ogni dimensione: più l'attività è ripetitiva e testuale, più conviene portarci dentro la generazione automatica. Più l'attività è di giudizio e relazione, più la tecnologia serve a preparare il materiale, non a decidere. Il quadro d'insieme è nella guida sull'intelligenza artificiale per le aziende.

Cosa cambia nei prossimi ventiquattro mesi

Tre movimenti sono già visibili, e conviene tenerli d'occhio senza aspettarli per muoversi.

La barriera tecnica continua a scendere, quella organizzativa no. I modelli migliorano e costano meno, ma la difficoltà di far cambiare abitudini a una funzione resta identica. Il vantaggio competitivo si sposta verso chi sa gestire il cambiamento, non verso chi adotta per primo la tecnologia.

La trasparenza diventa un requisito commerciale, non solo normativo. Con gli obblighi europei sull'identificazione dei contenuti generati ormai applicabili, la capacità di documentare cosa è stato prodotto da un sistema e con quale supervisione passa da adempimento a elemento di fiducia nella relazione con clienti e committenti pubblici.

I sistemi che eseguono, non solo suggeriscono, entrano nei processi. Secondo l'analisi di Deloitte sugli agenti AI, l'adozione sta correndo più velocemente della governance, e solo una minoranza delle organizzazioni ha un modello di controllo maturo su questi sistemi. Il dato di Stanford lo conferma dal lato opposto: il deployment di agenti resta a una cifra in quasi tutte le funzioni. La lettura corretta non è che sia troppo presto, è che chi entra adesso deve entrare sui processi interni e reversibili, non su quelli che toccano il cliente o il denaro.

Dal testo generato alla decisione: l'ultimo metro

C'è un passaggio che quasi tutte le guide saltano, ed è quello dove i progetti creano o distruggono valore: il momento in cui l'output di un modello diventa un'azione.

Quasi tutte le aziende che ho visto fallire su questo tema avevano output più che sufficienti. Quello che mancava era il meccanismo che trasforma un documento prodotto in una decisione presa. Un riepilogo che nessuno legge non produce nulla. Una segnalazione che non modifica un'attività è un esercizio di stile.

Il modo di costruire quel meccanismo è meno tecnologico di quanto sembri e si riduce a tre elementi. Ogni output rilevante deve avere un destinatario nominato, non una lista di distribuzione. Deve esistere una soglia oltre la quale l'azione è obbligatoria e non discrezionale. E deve esserci un momento fisso, settimanale, in cui si verifica cosa è stato fatto di quanto è stato prodotto la settimana prima.

Sembra banale, e infatti la parte difficile non è capirlo. È mantenerlo per sei mesi, quando l'entusiasmo iniziale è finito e le riunioni si accorciano. Le aziende che tengono questo ritmo ottengono un ritorno superiore a quelle che hanno investito il triplo in tecnologia, e ho visto abbastanza casi da considerarla una regola più che un'osservazione.

Chi sta valutando da dove cominciare, e ha già capito che il problema non è scegliere lo strumento ma scegliere la sequenza, farebbe bene a partire da una misurazione esterna di dove finisce il tempo delle persone, prima di qualunque investimento. Due settimane di analisi costano una frazione di un progetto sbagliato, e nella maggior parte dei casi cambiano completamente l'ordine delle priorità che la direzione aveva in testa. Se vuoi impostare questo percorso sulla tua azienda, è esattamente il tipo di lavoro con cui inizio ogni collaborazione.

FAQ

Che cos'è l'intelligenza artificiale generativa in termini aziendali?

L'intelligenza artificiale generativa è la famiglia di sistemi che riceve linguaggio e produce contenuto nuovo: testo, immagini, codice o dati strutturati. La differenza rispetto all'AI usata dalle aziende prima del 2023 è che quella prevedeva o classificava a partire da dati strutturati, mentre questa compone a partire da istruzioni in linguaggio naturale e arriva già addestrata. In pratica significa che il tempo tra l'idea e il primo risultato utile si misura in giorni invece che in trimestri, e che diventa applicabile a tutto il lavoro d'ufficio non strutturato che prima restava fuori dalla portata dell'automazione.

Quanto costa introdurre l'AI generativa in un'azienda di medie dimensioni?

Per un'azienda tra i 20 e i 250 dipendenti un primo progetto serio costa tra 5.000 e 30.000 euro nel primo anno, a seconda del caso d'uso. La produzione di documentazione e la variazione di contenuti marketing stanno nella parte bassa della forchetta, l'estrazione dati da documenti e il supporto clienti nella parte alta, l'interrogazione dei dati gestionali oltre. Il costo dei modelli è ormai marginale, dato che il costo di inferenza è sceso di oltre 280 volte in due anni. Le voci che pesano sono l'integrazione con i sistemi esistenti e il tempo delle persone coinvolte nel cambio di processo.

Quali sono i rischi principali dell'intelligenza artificiale generativa in azienda?

Tre, in ordine di frequenza. Il primo è l'errore presentato con sicurezza, cioè un output credibile e falso che entra in un documento senza verifica umana. Il secondo è la fuoriuscita di dati riservati verso servizi il cui contratto non vieta la conservazione o l'uso per addestramento. Il terzo, meno drammatico ma più costoso, è la dispersione: decine di usi individuali che non si consolidano in nessun processo e non compaiono in nessun risultato misurabile. Il primo si gestisce con verifica obbligatoria e citazione delle fonti, il secondo con il contratto, il terzo scegliendo un solo caso pilota alla volta.

L'AI generativa sostituisce il lavoro delle persone in azienda?

Nella maggior parte dei casi sposta il lavoro invece di eliminarlo, e lo sposta dalla produzione alla verifica. Lo studio più solido disponibile, condotto su oltre cinquemila agenti di supporto clienti, ha rilevato un aumento di produttività del 14% in media, concentrato però sui lavoratori meno esperti, che sono migliorati del 34%, con effetto quasi nullo sui più esperti. La lettura corretta è che questi sistemi diffondono le pratiche dei migliori e accorciano la curva di apprendimento dei nuovi, non che rendano superflua la competenza di dominio.

Cosa prevede l'AI Act per le aziende che usano intelligenza artificiale generativa?

Il regolamento europeo è in vigore dal 1 agosto 2024 e si applica per fasi. Gli obblighi sui modelli di uso generale valgono dal 2 agosto 2025 e la maggior parte del regolamento è applicabile da agosto 2026, comprese le obbligazioni di trasparenza: chi interagisce con un sistema automatico deve saperlo e i contenuti generati devono essere identificabili. Gli obblighi per i sistemi ad alto rischio sono invece stati rinviati dal pacchetto Digital Omnibus approvato dal Consiglio il 29 giugno 2026, al 2 dicembre 2027 per i sistemi autonomi dell'Allegato III e al 2 agosto 2028 per l'AI incorporata in prodotti già regolati.

Da dove conviene partire se in azienda non ha mai usato nessuno l'AI?

Dalla produzione di documentazione interna e dalla reportistica. Sono i due usi che non richiedono integrazione con i sistemi, si misurano con un cronometro, non toccano decisioni con impatto legale diretto e producono un risultato visibile in poche settimane. Partire dall'interrogazione dei dati gestionali o da un agente che parla con i clienti significa affrontare integrazione, qualità dei dati e rischio reputazionale tutti insieme, al primo tentativo, con la fiducia interna ancora da costruire.

Come si misura se un progetto di AI generativa sta funzionando?

Con una rilevazione del tempo prima e dopo su un'attività specifica, su un campione di persone, con un numero definito prima di iniziare e una data di verdetto. Il numero di licenze attive, le ore di formazione erogate e la percentuale di dipendenti che hanno provato lo strumento non sono indicatori di risultato. Un indicatore valido suona così: il tempo medio per produrre un'offerta commerciale è sceso da centoventi a cinquanta minuti, misurato su trenta offerte prima e trenta dopo.