Il segreto dell’intelligenza artificiale sta nel coniugare la responsabilità umana con quella della macchina

È da questa considerazione che prende forma una riflessione sempre più centrale nel dibattito sull’innovazione. L’intelligenza artificiale ha appena iniziato a mostrare il proprio potenziale, ma non può esistere una strategia realmente efficace incentrata su questa tecnologia senza una solida base di dati. Secondo Matteo Verdari, responsabile per l’Italia della Global AI Practice di SDG Group, è fondamentale colmare il divario tra ciò che è semplice hype e ciò che rappresenta una reale trasformazione operativa.

Negli ultimi anni si è manifestato un paradosso evidente: mentre l’intelligenza artificiale ha compiuto progressi straordinari sul piano tecnologico, la sua adozione concreta nelle aziende non ha seguito lo stesso ritmo. Questo fenomeno, noto come “adoption gap”, descrive la distanza tra le soluzioni disponibili e ciò che viene effettivamente implementato. Diverse ricerche stimano che circa il 60% dei progetti di AI fallisca nel passaggio alla fase operativa. Alla base di questi insuccessi c’è quasi sempre la mancanza di valore tangibile per l’azienda, spesso generata da un disallineamento tra stakeholder su come trasformare modelli organizzativi, processi e sistemi per integrare le nuove soluzioni. A pesare sono anche fattori tecnici, come la presenza di sistemi legacy poco adatti ad accogliere tecnologie avanzate, e fattori culturali, legati alla difficoltà delle persone nell’adottare nuovi strumenti o modificare le proprie modalità di lavoro.

Il settore della moda rappresenta un caso emblematico. Pur essendo per definizione orientato al cambiamento e ai trend, non è immune da queste dinamiche. La fase di transizione complessa che sta attraversando, segnata da incertezze geopolitiche ed economiche, spinge molte aziende a ricercare un ritorno sull’investimento immediato. Questo approccio, però, diventa un limite: se un caso d’uso non produce risultati nel brevissimo termine, viene accantonato. Ne derivano cicli continui di valutazione e Proof of Concept che raramente si traducono in valore concreto. Eppure gli esempi positivi non mancano. L’intelligenza artificiale può supportare lo sviluppo di prodotto, accelerando la creazione di bozzetti; può perfezionare le strategie di assortment optimization, adattando le scorte alle preferenze dei clienti e alle specificità dei punti vendita; può infine potenziare il servizio post-vendita, riducendo i tempi di gestione dei reclami e dei resi lungo l’intera filiera.

Pensare che l’AI possa produrre risultati immediati, come una sorta di magia, è un errore diffuso. Costruire valore richiede fondamenta solide, e in questo caso le fondamenta sono i dati. Non può esistere una AI Strategy senza una Data Strategy: occorre disporre di un’infrastruttura capace di raccogliere, organizzare e governare i dati che alimenteranno i modelli. Solo dopo aver costruito questa base è possibile individuare e sviluppare casi d’uso realmente strategici. L’approccio (come nel nostro caso con Orbitae) deve essere end-to-end, dalla progettazione all’ingegnerizzazione, con un’attenzione costante al ciclo di vita dei modelli, alla formazione delle persone e all’evoluzione organizzativa necessaria per un’adozione responsabile.

Oggi si sta entrando in una nuova fase evolutiva. Se in passato l’automazione si è sviluppata attraverso strumenti come la Robotic Process Automation, basati su regole predefinite per attività ripetitive, ora emergono AI Agent capaci di “ragionare” e agire in modo più autonomo. Con un’adeguata configurazione e supervisione, questi agenti possono gestire processi dall’inizio alla fine: ad esempio, negli acquisti possono analizzare offerte, partecipare a gare o emettere ordini valutando contesto, scorte e prezzi. Non si tratta più di eseguire istruzioni statiche, ma di comprendere situazioni e prendere decisioni operative. Perché questo cambiamento sia sostenibile, sono indispensabili due elementi: una governance chiara, con protocolli che garantiscano trasparenza e controllo, e un adattamento umano che permetta alle persone di lavorare in sinergia con questi nuovi attori digitali.

In uno scenario popolato da agenti intelligenti, il ruolo dell’essere umano non si riduce, ma si trasforma. Il talento, l’esperienza e la comprensione del contesto imprenditoriale restano centrali. L’intelligenza umana è capace di leggere tra le righe, di cogliere sfumature e interpretare fenomeni oltre gli schemi esistenti, mentre i Large Language Model in un certo senso stanno “dentro alle righe”, operando all’interno delle informazioni disponibili. L’AI deve quindi diventare una voce aggiuntiva nel processo decisionale, come se al tavolo delle scelte strategiche sedesse anche una prospettiva ulteriore, capace di offrire scenari alternativi e analisi complementari. La chiave sta nel combinare la responsabilità del decision-making umano con le conoscenze fornite dalla macchina: un modello “human-in-the-loop” in cui l’intelligenza artificiale non sostituisce, ma rafforza e completa l’intelligenza umana.