Le roadmap aziendali sull'intelligenza artificiale sono piene di iniziative relative alla GenAI. Poche di esse superano la fase pilota, e i motivi raramente sono da ricercarsi nel modello, nel budget o nel sostegno da parte della dirigenza.
Questo fenomeno è emerso ripetutamente durante il nostro evento “Integrate Forward” con SnapLogic, tenutosi presso l’Auditorium Siemens di Erlangen, al quale hanno partecipato alcuni dei nostri principali clienti aziendali globali della regione. In tutte le organizzazioni e in tutti i settori persiste lo stesso divario: la distanza tra lo stato attuale dei dati e dei processi e ciò che richiede l’intelligenza artificiale su larga scala.
Erano proprio i professionisti presenti in sala a guidare queste trasformazioni. Di seguito sono riportate le lezioni più significative della giornata, ciascuna delle quali offre spunti concreti su cui agire prima del prossimo ciclo di pianificazione.
1. L'integrazione manuale punto a punto non è scalabile
Bachem è un’azienda svizzera leader nel settore biotecnologico e farmaceutico, specializzata nello sviluppo e nella produzione di peptidi e oligonucleotidi. Paul Endras, Senior Data & AI Platform Manager presso Bachem, sostiene che le organizzazioni debbano adottare una mentalità da “fabbrica dell’integrazione”, considerando l’integrazione come una disciplina produttiva ripetibile (standard, modelli riutilizzabili) piuttosto che come progetti una tantum, con una chiara attribuzione della responsabilità sui dati e sui sistemi fin dal primo giorno, in modo che la responsabilità non svanisca quando qualcosa va storto.
Acquistare una buona piattaforma è necessario, ma non sufficiente. Occorrono anche competenze, una formazione continua delle parti interessate e la volontà di riprogettare i processi aziendali in funzione dello strumento.
In contesti regolamentati come quello farmaceutico GMP, questa disciplina è fondamentale per superare gli audit: occorre una tracciabilità dei dati realmente end-to-end. E il punto chiave che collega il tutto: la maturità dell’integrazione è il prerequisito per la maturità dell’IA. Non è possibile integrare analisi predittive o chatbot in un panorama di dati che è ancora gestito con Excel.
2. La preparazione dei dati prima di tutto: senza di essa, le iniziative di base nel campo dell’IA finiscono per arenarsi
Jakub Szpetkowski (Responsabile della trasformazione dei dati e dell’IA), Amelie Soares (Consulente senior per i dati e l’IA) e Loic Kuntz (Ingegnere dei dati e del machine learning) di Data Reply sostengono che, quando le iniziative di IA si arenano, la causa raramente è da ricercarsi nel budget, nel consenso o nello strumento sbagliato. Il problema sono i dati, che non sono abbastanza maturi per il caso d’uso in questione.
Per poter espandersi ulteriormente, occorre innanzitutto gettare basi solide: una chiara attribuzione della titolarità dei dati, la responsabilità in materia di qualità, portafogli strutturati e una governance che venga effettivamente applicata, non solo documentata. Colmare queste lacune sin dall’inizio rende ogni caso d’uso successivo più economico e veloce da realizzare, ed è proprio questo che giustifica l’investimento.
Classificare un portafoglio di casi d'uso basandosi esclusivamente sul valore aziendale è una trappola. Se non si valutano anche la fattibilità tecnica e la qualità dei dati, si rischia di finanziare progetti che non possono essere scalati. E chiedersi se l'azienda sia pronta per l'IA è la domanda sbagliata. Valutare la maturità settore per settore offre un piano concreto anziché un giudizio vago.
Infine, la creazione indipendente di ogni pipeline rappresenta una trappola dal punto di vista della manutenzione. Le sottopipeline riutilizzabili e configurabili su una piattaforma visiva e no-code accelerano l'esecuzione, semplificano il debug e rendono molto più agevole l'inserimento di nuovi sviluppatori.
3. Invertire l'ordine: prima adottare, poi implementare
Il panel “L’intelligenza artificiale nel mondo del lavoro” ha riunito leader quali Carolin Franz (Vicepresidente senior e Responsabile delle Risorse Umane per le regioni EMEA, APJ e Cina, Siemens Healthineers), Robin Mager (Vicepresidente del Digital Transformation Office, Siemens Energy) e Gustav Rek (Vicepresidente per l’Intelligenza Artificiale, Perbility), tra gli altri.
Moderata da Jeremiah Stone (CTO di SnapLogic), la discussione ha approfondito il modo in cui l’intelligenza artificiale sta ridefinendo i ruoli professionali e le competenze, e ciò di cui le organizzazioni hanno bisogno per trasformare l’adozione di questa tecnologia in un cambiamento duraturo.
I team che ottengono risultati positivi tendono a integrare l’adozione nel piano fin dal primo giorno, anziché considerarla un aspetto secondario. Robin Mager ha citato un caso di implementazione di Copilot in cui l’accesso su larga scala è stato abbinato a workshop pratici incentrati su sfide aziendali reali, utilizzando le prime esperienze acquisite per definire una diffusione più ampia. Il risultato è stato un forte tasso di adozione e un utilizzo costante.
I relatori sono tornati più volte su questo tema. La leadership dà l’esempio con il proprio comportamento a ogni livello dell’organizzazione e considera la sperimentazione visibile, compresi gli occasionali insuccessi, come parte integrante del processo di apprendimento dei team. I relatori lo hanno espresso chiaramente:«È dai fallimenti che si impara».
Suggerimento: prima del prossimo lancio di uno strumento, redigi un piano di adozione con lo stesso rigore del piano di implementazione. Includi workshop specifici, problemi aziendali specifici e responsabili specifici. Tre casi d’uso reali tratti dai tuoi flussi di lavoro sono un buon segno che sei pronto per il lancio.
4. Considerare l’MCP e l’orchestrazione degli agenti come un problema di governance
MCP è un protocollo progettato per garantire che le inferenze o le risposte fornite da un modello linguistico siano accurate per il sistema con cui sta interagendo. La registrazione delle API esistenti come strumenti MCP richiede uno sforzo minimo. L’identità federata e l’autorizzazione richiedono invece un lavoro concreto, soprattutto quando il contesto di un agente inizia a propagarsi attraverso 10, 15 o 20 sistemi collegati. Oggi, nove sistemi di intelligenza artificiale su dieci non riescono a gestire correttamente questo aspetto.
I team che gestiscono architetture complesse con più consumatori, come quella descritta sopra, si pongono la stessa domanda sulla base della propria esperienza: il modello corretto è quello “zero trust” a ogni hop, con una governance definita esplicitamente a livello di agente. La specifica MCP stessa non si pronuncia sull’argomento.
Prima di registrare le tue prime API come strumenti MCP, definisci chi è responsabile dell’autorizzazione in ogni fase, tenendo conto dell’agente, del livello MCP e del sistema sottostante. Se non sei in grado di spiegare cosa succede quando l’accesso di un agente deve passare attraverso 15 sistemi in cascata, non sei ancora pronto per il traffico di produzione.
A qualunque punto del percorso ti trovi, ti verremo incontro proprio lì
Il percorso dall’integrazione punto a punto verso un’impresa pienamente autonoma è un processo graduale, e ogni fase di questo percorso rappresenta un punto di partenza valido. Ciò che conta per il futuro è capire se le fondamenta su cui poggiate siano effettivamente in grado di sostenere ciò che verrà dopo.
La tua organizzazione è pronta per l'intelligenza artificiale? Lascia che SnapLogic ti aiuti a raggiungere questo obiettivo. Segui il tour autoguidato della piattaforma oppure prenota una demo personalizzata per parlare con i nostri esperti.
