Riconfig.
· Localizzato
Perché investimenti simili in intelligenza artificiale producono risultati così diversi. E perché, troppo spesso, l'AI non trasforma: resta business as usual.
Le organizzazioni investono molto in AI, sperimentano use case in ogni funzione — eppure, nella maggior parte dei casi, le iniziative restano confinate a pilot isolati. Migliorano l'efficienza di un compito, ma non toccano i processi centrali, le decisioni, la direzione strategica.
Il report lo chiama paradosso dell'adozione: l'AI è diffusa, ma il suo impatto trasformativo è limitato. Un'azienda può usare l'AI per processare le fatture più in fretta, e continuare a prendere le decisioni strategiche nello stesso modo di prima, con gli stessi silos di dati e le stesse catene di approvazione. La tecnologia c'è; il valore sistemico no.
La causa non è l'immaturità tecnologica — molti strumenti sono già pronti per essere usati su larga scala. È un disallineamento tra come l'AI viene introdotta e come il valore dell'AI viene effettivamente generato, governato e scalato dentro l'organizzazione.
La trappola degli use case. Di fronte all'incertezza, la risposta tipica è accumulare progetti: tanti pilot per dimostrare valore in fretta. Ma il numero di iniziative non è trasformazione. Più cresce il portafoglio di soluzioni eterogenee, più aumentano complessità, costi di manutenzione e debito tecnico — spesso senza un corrispondente guadagno strategico. Decine di pilot di successo possono convivere con la totale assenza di una logica che li tenga insieme.
Invece di catalogare tecnologie o misurare la "maturità" come un percorso verso un traguardo, il framework legge ogni iniziativa di AI lungo due dimensioni indipendenti: come crea valore e dove quel valore si manifesta. Sono volutamente astratte, così da accogliere tecnologie, settori e contesti diversi.
L'AI sostituisce o riduce drasticamente lo sforzo umano in compiti ripetitivi e ben definiti. Valore da costi, velocità, costanza. Ritorni immediati e misurabili, ma tende a rinforzare i processi esistenti più che a trasformarli.
Esempio · assicurazioneUn sistema estrae i dati dalle ricevute, applica regole predefinite e liquida i rimborsi per ritardi voli senza intervento umano. Il compito non cambia: viene tolto alle persone e dato alla macchina.
L'AI affianca il giudizio umano invece di sostituirlo: insight, previsioni, raccomandazioni. Valore da decisioni migliori e minore incertezza. Richiede integrazione più profonda nei flussi di lavoro e mette in discussione ruoli e diritti decisionali.
Esempio · radiologiaL'AI segnala le aree sospette e ordina i casi per urgenza; il radiologo decide la diagnosi. L'esperienza umana è amplificata, non rimossa.
L'AI abilita modi radicalmente nuovi di lavorare, organizzare e creare valore — a volte nuovi modelli di business. Non ottimizza il processo: ne cambia la logica. Richiede investimenti architetturali e cambiamento organizzativo; il valore è meno misurabile nel breve.
Esempio · logisticaL'AI ricalcola le rotte in tempo reale: i pianificatori passano dal fare turni al supervisionare il sistema, i corrieri interagiscono con l'AI come partner. Ruoli, autorità e flussi vengono riorganizzati.
Opera dentro un contesto limitato: un ruolo, un team, una funzione. Benefici contenuti, coordinamento minimo. È il punto d'ingresso più comune, ma resta strutturalmente vincolato nella capacità di scalare l'impatto.
Attraversa più funzioni o unità della stessa impresa: insight condivisi, decisioni coordinate, processi allineati. Aumenta valore e complessità — richiede standard sui dati, governance e impegno organizzativo. È il vero snodo per scalare.
Si estende oltre i confini dell'organizzazione: partner, fornitori, clienti, regolatori. Valore da effetti di rete ed ecosistema. Il più complesso: richiede interoperabilità, governance condivisa, gestione del rischio di terze parti. Non è un obiettivo per tutti.
Incrociando le due dimensioni si ottiene la matrice delle logiche di trasformazione. Ogni cella è una logica distinta. Più un'iniziativa si avvicina all'angolo in alto a destra — riconfigurazione su scala sistemica — maggiore è il suo potenziale di valore trasformativo, ma anche i requisiti di governance e l'esposizione al rischio.
Attenzione: la matrice non posiziona le organizzazioni, ma le singole iniziative. L'insieme delle iniziative di un'azienda forma il suo AI footprint. Le iniziative localizzate non sono "sbagliate": creano valore reale, solo bounded. Il punto non è dove ti trovi, ma la coerenza tra ambizione strategica e logica adottata.
Le celle ombreggiate formano l'area comune: oggi quasi tutte le iniziative di AI si concentrano qui — automazione e potenziamento, a livello localizzato o integrato. È la zona più facile e meno rischiosa, ma raramente rimodella la creazione di valore.
I cinque punti sono gli AI footprint dei casi studiati. Toccali per leggerne la storia.
Cinque grandi organizzazioni, settori diversi, nomi di fantasia (per riservatezza). Ciò che distingue i risultati non è la sofisticazione tecnologica, ma quanto la configurazione adottata sia coerente con l'intento strategico.
La differenza non è la tecnologia adottata, ma la coerenza della configurazione.
Nessuna posizione della matrice è universalmente superiore: dipende da contesto competitivo, regolazione, eredità tecnologica, priorità. I risultati deboli nascono dall'incoerenza — narrazioni ambiziose poggiate su automazione frammentata e localizzata. La domanda chiave non è quanto velocemente muoversi, ma come garantire coerenza tra dati, governance, persone e use case.
La trasformazione non è guidata dal numero di progetti, ma dalla coerenza architetturale. Accumulare pilot scollegati produce debito tecnico e confusione; architetture orientate alla piattaforma — strati di dati comuni, componenti riutilizzabili, interfacce standard, governance centralizzata — scalano valore nel tempo, anche se rallentano l'avvio.
Progredire da automazione localizzata verso forme integrate o sistemiche dipende meno dagli algoritmi che da fondamenta dati condivise, interfacce standardizzate e meccanismi di governance robusti. Dove la governance dei dati è debole, le iniziative proliferano in modo non coordinato e diventano impossibili da integrare o scalare.
Oltre l'automazione, l'AI cambia la natura del lavoro e delle decisioni. Servono scelte deliberate su ruoli, diritti decisionali, meccanismi di coordinamento — e nuovi profili ibridi (AI product owner, ingegneri di simulazione, knowledge manager). Questi cambiamenti non emergono automaticamente dalla tecnologia.
L'impatto sistemico raramente è raggiungibile entro i confini dell'organizzazione. Ridisegnare processi, catene del valore o modelli di business richiede collaborazione con partner, fornitori, clienti e a volte regolatori — e quindi architetture modulari e interoperabili. I silos proprietari condannano al miglioramento incrementale.
Il report ribalta la domanda di fondo della strategia AI: non «quanto in fretta» o «quanto avanzata», ma come assicurare coerenza tra strategia, dati, governance, persone e use case.
Chiarire l'ambizione strategica e quali logiche di trasformazione sono davvero appropriate.
Valutare l'AI footprint complessivo, non le singole storie di successo.
Considerare le interdipendenze tra use case, non solo l'impatto e la fattibilità di ciascuno.
Investire nelle fondamenta — dati, architettura, competenze ibride — prima di scalare.
Gestire le transizioni in modo deliberato: ogni movimento nella matrice richiede abilitatori diversi.
Evitare la trappola dell'use case locale, dove l'attività si sostituisce alla strategia.
Per molte organizzazioni — soprattutto in contesti regolati o capital-intensive — rafforzare integrazione e potenziamento dentro i propri confini è una strategia più sostenibile che inseguire la riconfigurazione sistemica. La matrice va letta come uno spazio di scelte con trade-off, non come una roadmap da percorrere fino in fondo. Dove la coerenza manca, l'AI diventa una fonte di frammentazione invece che di trasformazione.
Sintesi editoriale e divulgativa a cura di Matteo Rondina, basata sul report «AI Transformation Logics» (SDA Bocconi · DEVO Lab, 2026). I contenuti, gli esempi e i framework appartengono agli autori. La ricerca è stata sponsorizzata da Google Denmark ApS ma condotta con piena indipendenza accademica: le opinioni e le conclusioni sono esclusivamente degli autori. Il posizionamento dei cinque footprint sulla matrice è una ricostruzione qualitativa basata sul testo del report, a scopo illustrativo.