Digital Transformation News

di Domenico Favuzzi
Cavaliere del Lavoro. Presidente e Amministratore Delegato di Exprivia S.p.A
3 febbraio 2024 Cavalieri del Lavoro

Francesco Zoccola Head of DF ERP/SAP Integration Exprivia

Key Takeaway

• L’AI Governance è un requisito imprescindibile per l’adozione dell’AI in azienda: norme più stringenti, rischio di perdita dati e crescita della GenAI impongono approcci controllati.

• La frammentazione dell’AI è uno dei rischi maggiori: i dati escono dal perimetro aziendale, se ne perde il controllo e ci si espone a sanzioni e danni reputazionali.

• Con AI Guardrail di Exprivia, l’AI diventa sostenibile, sicuro, senza lock-in e compliant.

Gartner stima che il valore globale dell’AI passerà da 1.500 miliardi di dollari del 2025 a oltre 2.000 miliardi nel 2026, una crescita che conferma quanto l’adozione continuerà a essere centrale nei processi di trasformazione aziendale.

Più l’AI diventa pervasiva, più aumenta il bisogno di governarla. Integrare modelli linguistici, agenti e sistemi generativi significa esporsi a rischi di sicurezza, conformità alle normative (GDPR, AI Act), rispetto delle policy interne e protezione di dati sempre più eterogenei.

In questo perimetro rientra il concetto, ormai centrale nelle strategie dei CIO, di AI Governance, un insieme di regole, processi e strumenti che permettono alle organizzazioni di utilizzare l’intelligenza artificiale in modo responsabile, rispettoso della propria cultura e del corpus normativo cui è naturalmente soggetta. Questo articolo ne analizza il significato, i rischi principali e, soprattutto, la soluzione sviluppata da Exprivia per rispondere a queste nuove esigenze: AI Guardrail.

AI Governance: perché oggi è imprescindibile

Per molte organizzazioni, l’intelligenza artificiale non è più un progetto sperimentale, ma una leva strategica che deve poter essere utilizzata da tutta la workforce, dai team commerciali ai reparti operativi, dal customer service alla direzione tecnica.

L’obiettivo che molte aziende si pongono è chiaro: trasformare l’AI in uno strumento quotidiano, capace di migliorare la produttività e aumentare la qualità delle decisioni. Per farlo, occorre integrare soluzioni personalizzate, modelli addestrati sui propri dati, strumenti che rispecchino i processi reali dell’azienda e non semplici applicazioni chiavi in mano.

C’è dunque bisogno di un cambio di prospettiva. L’AI non si valuta più solo in base a performance, funzionalità, efficienza o costi operativi, ma anche per la sua capacità di garantire sicurezza dei dati, la conformità alle normative, il controllo dei flussi informativi, la coerenza con le policy interne e, in modo crescente, il tema della sovranità digitale. Tutto ciò fa parte della AI governance.

Cosa intendiamo per AI Governance

Il significato di AI governance è molto concreto. Si tratta infatti dell’insieme di regole, processi e responsabilità che consentono di gestire in modo controllato l’intelligenza artificiale, dall’ideazione al rilascio, dall’utilizzo quotidiano al miglioramento continuo.

Una governance efficace stabilisce innanzitutto cosa può essere fatto e cosa no, quali dati possono essere utilizzati per alimentare i modelli, quali livelli di rischio sono accettabili e in quali circostanze è possibile affidarsi a modelli esterni. Significa avere politiche unitarie, processi di validazione trasparenti, meccanismi di audit, sistemi di monitoraggio costante delle performance e della sicurezza. E significa, soprattutto, evitare che l’AI venga adottata in modo spontaneo e individuale, senza linee guida e strumenti adeguati per proteggere informazioni sensibili o riservate.

I rischi di un’adozione frammentata dell’AI

Senza una struttura di governance, l’AI tende a crescere in maniera disordinata. Ogni reparto esplora strumenti diversi, sperimenta modelli non autorizzati, acquista applicazioni senza verificarne la conformità o l’impatto sulla sicurezza dei dati. È uno scenario molto comune nei primi cicli di adozione: entusiasmo, sperimentazione, numerose iniziative locali e poca supervisione centrale.

Questa frammentazione genera rischi importanti:

1. Il primo è la perdita di controllo sui dati: informazioni riservate possono essere caricate in sistemi su cui non si ha piano controllo, esponendo l’azienda a violazioni del GDPR e a potenziali data breach.

2. Un altro rischio riguarda la qualità dei risultati: modelli scelti in autonomia, senza un processo formale di validazione, possono produrre output poco affidabili o non coerenti con i processi aziendali.

3. Anche il costo può diventare un problema, perché la moltiplicazione di strumenti separati porta a inefficienze evidenti e a investimenti duplicati.

4. I rischi più insidiosi sono indiretti: sanzioni, perdita di reputazione e difficoltà di riportare l’AI entro processi controllati una volta che la shadow AI prende posto stabilmente nei confini aziendali.

I rischi specifici della GenAI e degli LLM

L’uso massiccio di modelli generativi e LLM – ormai comune nella quotidianità delle imprese – introduce criticità immediate. Essendo i grandi modelli sviluppati da fornitori internazionali, i dati condivisi con i sistemi generativi (informazioni testuali, file allegati, contratti, presentazioni riservate) possono attraversare infrastrutture al di fuori del perimetro europeo o essere archiviati secondo logiche non necessariamente compliant con la normativa cui l’azienda è soggetta.

La certezza è che, una volta condivisa, l’informazione esce dal controllo diretto ed esclusivo dell’organizzazione, e questo costituisce un rischio da non sottovalutare anche in chiave di sovranità digitale.

Accanto al tema della privacy, c’è poi una questione di affidabilità. L’LLM esterno potrebbe restituire informazioni inesatte (le cosiddette “allucinazioni”), non coerenti con le policy aziendali, o semplicemente non verificabili, tanti elementi che la normativa europea (AI Act compreso) considera meritevoli di attenzione.

Come impostare un percorso efficace di AI Governance

Un percorso di AI Governance solido parte da un principio essenziale: evitare la frammentazione.

1. Il primo passo consiste dunque nel mappare come l’AI venga usata nei diversi reparti e comprendere quali strumenti, modelli o applicazioni siano già in uso. Questa visione permette di identificare rischi immediati, duplicazioni e opportunità di consolidamento.

2. Si costruisce poi un approccio centralizzato: piattaforme uniche, policy condivise, un set di regole definito per determinare cosa può essere condiviso con modelli esterni e cosa deve restare all’interno dell’organizzazione. In parallelo si implementano processi di risk assessment, audit periodici, monitoraggio continuo delle interazioni e cicli di miglioramento basati sui feedback operativi.

Tutto ciò, ovviamente, assistito dallo sviluppo o dall’adozione di strumenti che facciano proprie le policy di governance definite dall’organizzazione. Uno su tutti: AI Guardrail di Exprivia.

AI Guardrail: la risposta di Exprivia alle esigenze di AI governance

Per far fronte all’esplosione massiccia dell’intelligenza artificiale, in Exprivia abbiamo dedicare risorse e impegno al tema della governance. Non solo, quindi, soluzioni per essere più produttivi, efficienti, innovativi e lavorare meglio, ma per farlo in modo sicuro, conforme alla policy aziendali e a tutto l’ecosistema normativo cui l’azienda è soggetta.

Cos’è AI Guardrail, una difesa aziendale nell’era degli LLM

AI Guardrail è uno strumento sviluppato da Exprivia che si interpone tra l’utente e il modello linguistico, filtrando, proteggendo e indirizzando ogni interazione. È un sistema di governance operativa che non richiede all’azienda di rinunciare ai benefici dei modelli generativi, ma che impedisce che prompt, documenti o informazioni sensibili finiscano in ecosistemi non controllati.

Il principio è semplice: tutto ciò che l’utente invia all’AI passa da AI Guardrail, che applica un insieme di controlli automatici – privacy, sicurezza, scelta del modello, tracciamento e routing – che non bloccano l’impiego dell’AI, semplicemente lo rendono conforme alle regole che l’azienda si è data per la propria competitività e per la riduzione del rischio.

Come funziona AI Guardrail e i suoi benefici: un esempio pratico

Il funzionamento di AI Guardrail si articola in una sequenza di passaggi progettati per gestire l’interazione con l’AI in modo completo, dalla gestione del prompt fino alla scelta del modello più adatto.

1. User Prompt

L’utente inserisce la propria domanda all’LLM con le medesime modalità con cui usa i modelli tradizionali, da ChatGPT a Claude. Può anche allegare contenuti testuali, file o documenti.

2. Anonimizzazione e Privacy

AI Guardrail analizza il prompt, individua automaticamente qualunque informazione sensibile – nomi, indirizzi, dati personali, riferimenti interni – e li anonimizza prima che vengano acquisiti e trattati da modelli generativi. Si tratta di una protezione preventiva che evita l’errore umano e tutela l’azienda da potenziali violazioni del GDPR o dell’AI Act.

3. Sentiment Analysis

Il sistema analizza il tono dell’interlocutore (curioso, dubbioso, irritato, formale…) per arricchire il prompt, così da ottenere risposte più pertinenti ed efficaci.

4. Intent Extraction

Visto che – per definizione – l’utente si esprime in linguaggio libero e naturale, non sempre il prompt fornito al modello è ottimizzato. Qui AI Guardrail identifica l’intento reale della richiesta: un’informazione, un’operazione, una modifica a un servizio, una prenotazione. Questo passaggio è fondamentale perché, tramite ottimizzazione del prompt, migliora in modo evidente l’efficacia della risposta del modello.

5. Routing intelligente

In base al prompt originale e a tutti i passaggi precedenti, ma anche alla complessità e al tipo di informazione richiesta, AI Guardrail decide quale modello utilizzare: quello sviluppato e addestrato internamente dall’azienda – laddove sufficiente – oppure un modello di mercato, selezionato senza vincoli di fornitore. Questo è un tipico esempio del principio No-Lock in.

Il risultato è un sistema che governa l’intero ciclo del prompt, ma non soltanto ai fini della governance in senso stretto (sicurezza, privacy, compliance), ma anche per massimizzare l’efficacia dell’output e l’efficienza del sistema. In altri termini, per ridurre i costi, massimizzare la resa ed essere certi di non violare nessuna norma o policy.

Oltre a tutti quelli già citati, tra i benefici c’è l’introduzione di una logica unitaria: ogni richiesta passa dallo stesso punto di controllo, ogni modello viene utilizzato in modo coerente, ogni dato segue un flusso tracciabile. In questo modo l’azienda mantiene una visione completa sull’utilizzo dell’AI, riduce la dipendenza da soluzioni esterne e favorisce la crescita del proprio modello interno.

Key Takeaway

• L’AI genera valore solo quando supera l’adozione a silos e diventa parte di un percorso integrato che coinvolge processi, persone e governance.

• Le aziende non possono affrontare la trasformazione AI da sole: serve un partner in grado di padroneggiare l’intero stack AI e di offrire expertise di dominio.

• L’approccio Exprivia alla AI transformation combina visione strategica, esperienza consolidata, un Competence Center dedicato e un processo di delivery strutturato.

Nonostante hype, investimenti crescenti e una diffusione ormai trasversale di strumenti basati su modelli generativi, le aziende che ottengono un valore significativo dall’AI e riescono a misurarlo sono ancora poche (il 5%, secondo BCG).

Questo dato è controintuitivo, perché mai come oggi si parla di automazione intelligente, produttività aumentata e agenti proattivi; eppure, nella pratica, l’impatto rimane spesso confinato a iniziative locali, difficili da estendere o da integrare.

In questo articolo esaminiamo le cause che impediscono all’AI di generare valore sistemico, le caratteristiche che deve avere un partner per costruire un percorso credibile e il modo in cui Exprivia accompagna le aziende nella trasformazione, dalla visione strategica alla delivery.

Perché l’AI aziendale fatica a generare valore

Le ragioni per cui molte aziende non riescono a ottenere un ritorno significativo dagli investimenti in AI, né a trasformare realmente i propri processi sono diverse e non chiare a tutte le organizzazioni.

Adozione frammentata

Nella maggior parte dei casi, l’AI viene adottata a silos. Un team sperimenta un assistente basato su LLM, un altro avvia un POC di forecasting, un terzo testa un chatbot per il servizio clienti, mentre singoli reparti acquistano tool generativi in autonomia per restare al passo coi tempi e non perdere competitività.

Queste iniziative, pur portando benefici locali, non dialogano tra loro e non puntano verso obiettivi di cui possa avvantaggiarsi l’intera organizzazione. Il risultato è una proliferazione di microprogetti che non convergono in un percorso comune, con conseguente aumento di costi e di complessità, oltre a notevoli difficoltà di scaling.

Competenze distribuite

L’AI attraversa l’intera organizzazione, ma le competenze necessarie per sviluppare una soluzione e adottarla sono distribuite: IT, data team, sicurezza, operation, marketing, HR. Ognuno vede una parte del problema e agisce con obiettivi e tempi diversi. Si torna, di fatto, al problema della frammentazione.

Manca un modello operativo condiviso

Di per sé, la tecnologia non è mai un ostacolo. La vera sfida è come inserire una soluzione AI-based all’interno di un processo con metriche chiare, una governance solida e un impatto misurabile.

Molte aziende partono dall’idea di aggiungere l’AI ai flussi esistenti per aumentare la velocità o migliorare le decisioni, quando invece dovrebbero sfruttare l’occasione per ripensare i processi, semplificarli e renderli più efficienti. È proprio in questo passaggio – quando l’AI implica un cambiamento vero – che emergono resistenze organizzative complesse, talvolta sottovalutate.

Il ruolo del partner e le 3 caratteristiche davvero essenziali

Le aziende che cercano di trasformarsi attraverso l’AI difficilmente possono farlo da sole, perché la complessità dei processi, la frammentazione delle competenze interne e la velocità con cui evolvono modelli e tecnologie rendono molto difficile costruire un percorso di successo.

C’è bisogno di una guida, ma moltiplicare i fornitori o coinvolgere specialisti differenti per ogni iniziativa non fa che generare ulteriori rischi di approcci disallineati, visioni contrastanti e soluzioni non integrate. Per evitare una trasformazione parziale, non servono tanti fornitori ma un unico partner in grado di governare l’intero percorso.

Approccio consulenziale

Un progetto di valore nasce da una visione strategica del ruolo che l’AI deve assumere nei processi aziendali. Per questo, il partner ideale non è semplicemente un fornitore tecnologico, ma un soggetto che affianca l’organizzazione, la aiuta a definire priorità, obiettivi e metriche, e contribuisce a ridisegnare i processi laddove l’AI può creare un impatto competitivo.

Serve dunque una capacità consulenziale matura, capace di leggere l’azienda nel suo complesso, di interpretare le esigenze di business e di costruire un percorso coerente che integri persone, dati e tecnologie.

Competenze verticali e capacità di co-design

La diffusione dei modelli generativi ha reso accessibile la tecnologia, ma non ha ridotto la distanza tra ciò che le aziende vogliono e ciò che realmente serve nei loro settori.

Per questo, il partner deve possedere competenze avanzate di dominio, ovvero conoscere alla perfezione i processi della manifattura, della PA, dell’healthcare, del banking, della logistica, nonché le norme cui il settore specifico è soggetto e il panorama competitivo in essere.

In più, poiché ogni azienda ha flussi unici, il partner deve adottare un approccio di co-design alle soluzioni AI-based: lavorare insieme al cliente, progettare soluzioni modellate sulle sue specificità, integrare l’AI nei processi con logiche condivise.

Padronanza dell’intero stack AI e aggiornamento continuo

La trasformazione AI richiede, ovviamente, competenze tecniche avanzate e può essere affrontata solo da chi padroneggia l’intero stack dell’intelligenza artificiale.

D’altronde, AI non è solo LLM o assistenti conversazionali, ma anche Machine Learning, Deep Learning, NLP, sistemi agentici e tecniche di ottimizzazione dei dati. Serve inoltre un aggiornamento costante, perché soprattutto nell’ambito dell’AI generativa emergono continuamente nuovi framework e modelli.

La nostra visione e come affrontiamo i progetti di AI transformation

In Exprivia riteniamo che l’AI rappresenti una trasformazione epocale destinata a permeare l’intera organizzazione: non sarà limitata a singoli use case, ma diventerà una componente naturale di ogni processo aziendale.

Non parliamo solo di automazione o supporto decisionale, ma di un cambio di paradigma: sistemi capaci di anticipare i bisogni, proporre azioni, attivare workflow, innestarsi nelle attività quotidiane con un livello crescente di autonomia ma sempre nel rispetto di un approccio human in the loop che garantisce il controllo da parte di professionisti esperti.

Il nostro percorso nell’AI, dal machine learning alla collaborazione con le Università

Il nostro approccio all’AI deriva da anni di progettualità basate su Machine Learning e Data Analytics. Già nel 2019 abbiamo avviato iniziative di manutenzione predittiva, lavorando su casi d’uso industriali che richiedevano affidabilità, continuità e una profonda competenza tecnologica.

Negli anni abbiamo ampliato il perimetro, evolvendo verso l’AI conversazionale e agenti in grado di superare la semplice interazione linguistica eseguendo azioni, attivando workflow e integrandosi nei processi operativi.

In Exprivia, possiamo contare su una forte expertise settoriale, maturata in molteplici industry come PA, energy & utilities, retail, healthcare e manifatturiero. Questa conoscenza di dominio ci consente di adottare un approccio realmente consulenziale e di verticalizzare al massimo le nostre soluzioni in base al contesto operativo.

A tutto ciò si affianca un lavoro costante di ricerca e di scouting. Monitoriamo tecnologie, framework e prodotti emergenti, selezioniamo ciò che è maturo e lo integriamo nelle nostre soluzioni. Per rimanere sulla frontiera collaboriamo con Università e Centri di Ricerca su sfide altamente specifiche, portando nei progetti competenze non facilmente reperibili sul mercato.

Il ruolo chiave del nostro Competence Center

Per rispondere alla crescente domanda di progetti AI, abbiamo creato un Competence Center come luogo in cui convergono competenze ed esperienze diverse.

La struttura nasce raccogliendo, all’interno delle varie aree operative, le persone più preparate e appassionate di AI, professionisti che già seguivano da vicino l’evoluzione del settore e che oggi lavorano insieme in un confronto costante.

Il nostro modello si sviluppa lungo tre direttrici.

• La prima è la crescita delle competenze interne. Il Competence Center definisce percorsi di formazione mirati, differenziati per ruolo e basati sulle piattaforme e-learning aziendali. In questo modo assicuriamo che ogni team abbia il livello di conoscenza necessario per affrontare progetti AI complessi.

• La seconda riguarda il supporto alla prevendita. L’AI non si vende “a scaffale”: richiede visione, comprensione del processo e un lavoro di co-design con il cliente. Per questo, il Competence Center affianca la forza commerciale mettendo insieme, di volta in volta, esperti del verticale specifico e specialisti tecnologici.

• La terza direttrice è il supporto operativo. Quando il progetto prende forma, il Competence Center agisce come gruppo di avvio: definisce l’architettura della soluzione, imposta il metodo, indirizza le decisioni tecniche e rimane il punto di riferimento per tutte le risorse coinvolte.

Grazie a questa struttura, riusciamo a garantire un approccio coerente indipendentemente dal settore, dalla complessità del progetto o dal tipo di tecnologia adottata.

Come portiamo l’AI nelle aziende

Accompagnare un’azienda nella trasformazione AI significa assumersi la responsabilità della sua adozione. Il nostro approccio segue un modello strutturato che vuole evitare gli errori più frequenti: partire da un POC senza visione o introdurre l’AI in processi che non sono pronti a riceverla.

1. Il primo elemento è il commitment, che deve arrivare dai livelli decisionali più alti. La ratio è semplice: un progetto AI funziona solo quando il vertice dell’organizzazione comprende il valore atteso e riconosce che la trasformazione non riguarda un reparto, ma l’intera catena decisionale.

2. A questo segue un lavoro di co-design, in cui mettiamo insieme competenze ed esperienza per progettare la soluzione insieme ai team che la useranno, definendo con precisione quali cambiamenti richiederà a livello operativo.

3. Effettuiamo poi una valutazione economica e infrastrutturale. La transizione dalla fase prototipale a quella industriale implica infatti costi, scelte architetturali e valutazioni tecniche non banali. Il nostro ruolo è aiutare le aziende a comprendere il TCO reale e a prendere le decisioni più giuste, caso per caso.

4. Quando il progetto entra in fase esecutiva, attiviamo il nostro modello di delivery, che garantisce un coordinamento costante tra tutte le figure coinvolte e, come detto, prevede il coinvolgimento del nostro Competence Center.

5. Parallelamente, lavoriamo sulla gestione del cambiamento, perché introdurre l’AI significa quasi sempre ripensare attività, ruoli e modalità operative.

Key Takeaway

• L’adozione dell’AI è in crescita, ma la maturità resta limitata, con molte aziende ancora in fase pilota.

• La vera trasformazione parte dai processi core. Nel 2026, l’AI evolverà ulteriormente da supporto tattico a leva di cambiamento sistemico.

• Il 2026 sarà un anno chiave anche a livello tecnologico. Sistemi multi-agente e modelli linguistici di dominio sono solo alcuni dei trend da monitorare.

• Strategia, governance e cultura rappresentano la vera sfida.

L’intelligenza artificiale è ovunque: se ne parla nei board aziendali, nei media, nei piani industriali. Ma al di là dell’hype, come procede davvero l’AI adoption nelle imprese? In che modo quella che viene presentata come una rivoluzione senza precedenti sta trasformando organizzazioni, processi e modelli operativi?

In questo articolo analizziamo lo stato dell’adozione, i trend tecnologici più promettenti per il 2026, i fattori che frenano la trasformazione e le modalità per affrontare il cambiamento in modo concreto.

AI Adoption: stato dell’arte e (grandi) ambizioni future

Negli ultimi dodici mesi l’intelligenza artificiale ha vissuto un’accelerazione senza precedenti. Secondo il report State of AI in 2025 di McKinsey, l’88% delle aziende dichiara di utilizzare almeno una soluzione AI in una o più funzioni di business, in netta crescita rispetto al 78% dell’anno precedente. In particolare, il 62% delle organizzazioni ha avviato iniziative basate su AI agentica, tra sperimentazioni (39%) e primi progetti in fase di scaling (23%), a conferma del crescente interesse verso modelli generativi e applicazioni autonome. I dati sono confermati da BCG, secondo cui il 66% delle aziende starebbe esplorando l’impiego degli AI Agent.

Investimenti importanti, maturità ancora limitata

Dietro l’apparente ubiquità della tecnologia, il quadro dell’AI adoption a livello globale è più sfaccettato. Tutto dipende da cosa si intende realmente per adozione dell’AI: se ci si riferisce a progetti isolati, iniziative pilota o applicazioni circoscritte a singole funzioni, l’adozione è effettivamente molto elevata. Se invece si considera l’adozione in senso sistemico – ovvero integrazione trasversale nei processi core, impatto organizzativo, cultura data-driven e trasformazione dei modelli operativi – lo scenario cambia.

Secondo McKinsey, infatti, “a livello aziendale, la maggior parte si trova ancora nelle fasi di sperimentazione o di progetto pilota, e solo circa un terzo dichiara di aver avviato la scalabilità dei propri programmi di AI”. In altre parole, l’intelligenza artificiale è già presente nel perimetro operativo di molte imprese, ma non ha ancora compiuto il salto verso una trasformazione su larga scala. Il 2026 dovrebbe essere il momento giusto.

In che modo l’AI sta trasformando le aziende

Le prospettive per il futuro prossimo sono positive: se dall’hype iniziale si è già passati alla concretezza dei primi risultati, ora l’obiettivo è completare il percorso, ovvero tradurre l’adozione dell’AI in un valore sistemico. Ecco le traiettorie più evidenti osservabili sul campo.

Da funzioni isolate a processi integrati

Come anticipato, l’AI sta spingendo le imprese a passare da use case localizzati a integrazioni in processi trasversali. Supply chain, operation, finanza, HR: sempre più funzioni vengono coinvolte in flussi di lavoro in cui l’AI non è più un supporto accessorio, ma un attore che contribuisce alla gestione e all’ottimizzazione operativa. La sfida, oggi, è costruire piattaforme e modelli capaci di mantenere coerenza, interoperabilità e controllo man mano che l’intelligenza artificiale entra nei gangli vitali dell’organizzazione.

Dalla tecnologia agli asset intangibili: cultura, dati, governance

Le aziende più avanzate stanno già investendo in asset immateriali decisivi come la qualità dei dati, la cultura del dato e solidi modelli di AI governance, perché è qui che si gioca la differenza tra una sperimentazione isolata e un’adozione matura. Cambia anche il modo di lavorare: servono figure capaci di interpretare gli output dei modelli, valutarne l’impatto, garantire trasparenza e responsabilità nelle decisioni automatizzate.

Verso modelli organizzativi più agili e smart

Con l’AI, anche la struttura dell’organizzazione tende a cambiare. I modelli tradizionali, rigidi e gerarchici, lasciano spazio a team più agili, multidisciplinari e autonomi, spesso supportati da agenti intelligenti. Cresce il peso delle competenze ibride, capaci di leggere bisogni di business e di trasformarli in requisiti per sistemi intelligenti.

AI trends 2026: nuovi paradigmi all’orizzonte

Mentre le imprese iniziano ad adattarsi, anche la tecnologia evolve a un ritmo senza precedenti, aprendo la strada a scenari sempre più complessi e integrati. Ecco alcuni trend da monitorare nel 2026.

Sistemi multiagente: verso processi orchestrati e intelligenti

Inseriti da Gartner tra le Top Strategic Technology Trends del 2026, i sistemi multiagente rappresentano una delle evoluzioni più promettenti dell’AI enterprise. Non si tratta di singoli modelli che rispondono a prompt, ma di collezioni di agenti specializzati che collaborano per raggiungere obiettivi complessi, in ambienti distribuiti o integrati. L’approccio agentico, se ben progettato, diventa un acceleratore di efficienza, scalabilità e adattabilità.

Modelli linguistici di dominio

I modelli generali (LLM) hanno aperto la strada, ma i Domain-Specific Language Models (DSLMs) ne rappresentano l’evoluzione concreta. Allenati su dati di settore, questi modelli offrono maggiore precisione, affidabilità e compliance in ambiti ad alta specializzazione, riducendo il rischio di risposte fuori contesto o non verificabili. Gartner prevede che entro il 2028 oltre la metà dei modelli GenAI adottati in ambito enterprise sarà di tipo domain-specific.

Governance, etica e sovranità del dato: la gestione conta quanto l’adozione

Con l’AI sempre più pervasiva e con normative come l’AI Act in fase di piena attuazione, le organizzazioni devono attrezzarsi per garantire trasparenza, accountability e rispetto dei principi etici, in particolare in contesti fortemente regolati. Parallelamente, la sovranità del dato tornerà al centro del dibattito.

Piattaforme di sviluppo AI-native

Un’evoluzione concreta e già visibile dell’AI enterprise riguarda le piattaforme agentiche di sviluppo software, ambienti progettati fin dall’origine per integrare GenAI e agenti intelligenti in tutte le fasi del ciclo di vita del software: dall’analisi dei requisiti alla progettazione architetturale, fino allo sviluppo, al testing e al rilascio. A differenza dei tool generativi per sviluppatori, queste piattaforme abilitano team estesi — business analyst, architetti, tester — a collaborare in modo sinergico, con il supporto di professionisti specializzati.

Cosa frena l’adozione dell’AI in azienda e come vincere le resistenze

Nonostante la crescente attenzione e i numerosi progetti avviati, l’adozione sistemica dell’AI in azienda incontra ancora alcuni ostacoli che raramente dipendono dalle tecnologie coinvolte, ma piuttosto da fattori organizzativi, culturali, strategici e normativi.

Ecco cosa stiamo rilevando sul mercato e quali leve si stanno dimostrando efficaci per accompagnare il cambiamento.

Mancanza di una strategia chiara e condivisa

Uno dei limiti più evidenti riguarda l’assenza, in diverse realtà, di una visione strategica sull’adozione dell’AI. Le iniziative nascono a silos all’interno di singoli dipartimenti e, inevitabilmente, faticano a evolvere in un piano strutturato con obiettivi condivisi, KPI chiari e una governance centrale. Questo ne riduce l’impatto potenziale e impedisce di scalare ciò che funziona.

Per superare questo limite, anche di concerto con i propri partner tecnologici, è fondamentale partire da un assessment dei processi e dei dati disponibili, definendo una roadmap chiara che tenga conto delle priorità di business, dei vincoli organizzativi e degli obiettivi misurabili. L’AI adoption, infatti, deve essere considerata un progetto strategico guidato dal top management.

Resistenza al cambiamento

Sul mercato troviamo molte aziende attive nella sperimentazione dell’AI, ma in difficoltà ad affrontare il cambiamento organizzativo che ciò comporta. La GenAI, in particolare, solleva timori legati alla sostituzione delle competenze umane e al rischio di irrilevanza di alcuni ruoli.

Affrontare la resistenza significa lavorare sul coinvolgimento attivo delle persone, costruendo percorsi strutturati di change management, comunicazione e formazione continua. I progetti di AI che funzionano sono quelli in cui la tecnologia è introdotta come leva abilitante, non come minaccia: l’approccio human in the loop è una delle chiavi per favorire fiducia e accettazione.

Carenza di competenze

La mancanza di competenze specialistiche è un altro ostacolo chiave, soprattutto in virtù della frenetica evoluzione tecnologica sottostante. La soluzione passa dalla collaborazione con partner in grado di garantire competenze aggiornate e approcci flessibili, ma anche dalla costruzione di percorsi di reskilling e upskilling interni.

Governance, compliance e rischi

In settori regolamentati come la sanità, il pubblico e i servizi finanziari, l’assenza di framework di governance per l’adozione dell’AI rappresenta un freno importante. A complicare ulteriormente il quadro si aggiunge la serrata evoluzione normativa (AI Act, Data Act…) che introduce vincoli stringenti, classificazioni per livello di rischio e obblighi di trasparenza e documentazione.

Per affrontare questo scenario serve un presidio strutturato su compliance e rischio, capace di integrare la governance dell’AI nei modelli di controllo già esistenti. L’obiettivo non può essere solo la conformità normativa, ma la costruzione della fiducia all’interno e all’esterno dell’organizzazione.

Affidabilità dei modelli generativi

Un tema che rileviamo sul mercato riguarda l’affidabilità percepita dell’AI generativa. Molte aziende vedono in questa tecnologia un potenziale di efficienza e automazione, ma si interrogano sulla reale affidabilità degli output. Il dubbio è lecito: se ogni risposta deve essere rivista e validata da un operatore umano, l’impatto sui processi rischia di essere molto limitato.

Per superare questa diffidenza, è importante scegliere casi d’uso adatti al livello di maturità della tecnologia, dove l’eventuale errore sia tollerabile o comunque gestibile. Parallelamente, vanno adottati strumenti di validazione, monitoraggio e controllo continuo degli output generati, per garantire coerenza, trasparenza e qualità.