I primi ad adottare questa tecnologia hanno capito cosa non funziona nell’IA. Grazie al loro impegno, stanno emergendo strategie ripetibili pronte per essere implementate rapidamente.
Sono passati quasi quattro anni da quando l’annuncio di ChatGPT ha dato il via alla corsa verso il successo nell’ambito dell’intelligenza artificiale. Tuttavia, come è emerso dal Gartner Application Innovation & Business Solutions Summit tenutosi a Londra la scorsa settimana, solo il 5% delle tecnologie di intelligenza artificiale è giunto alla fase di produzione.
Quando il team di SnapLogic ha partecipato al Gartner App Summit negli Stati Uniti, tenutosi a Las Vegas nel mese di giugno, ha appreso che le aziende stavano passando dalla fase di sperimentazione dell'IA a quella di implementazione, con il contesto, l'esecuzione e la governance che emergevano come requisiti fondamentali.
Ora siamo a settembre e, da quanto abbiamo appreso a Londra, tali requisiti non sono cambiati, ma il mercato sta diventando molto più preciso su come renderli operativi. Le aziende hanno condotto i propri progetti pilota; ora sono alla ricerca di procedure standardizzate e replicabili per generare valore a tutti i livelli della struttura tecnologica.
La potenza del modello è solo uno dei fattori che determinano il successo dell'IA
Gli analisti di Gartner hanno osservato che gran parte del dibattito sull’IA si trova ancora in una fase esplorativa, concentrandosi in modo troppo ristretto sulle capacità dei modelli di IA. È logico che i professionisti prestino attenzione ai modelli, poiché rappresentano una novità nel quadro generale, ma sono ben lungi dall’essere l’unico fattore determinante per il successo (o il fallimento) dell’adozione dell’IA.
Ci si chiede non solo se il flusso di lavoro sia effettivamente adatto all’intelligenza artificiale, ma anche se le persone si fideranno di esso o se i team responsabili della governance lo approveranno. Queste sono proprio le domande a cui David Holton, CIO della Cambridge & Counties Bank, ha dovuto rispondere prima di poter iniziare a coordinare gli agenti per accelerare il processo di onboarding dei clienti nel settore del finanziamento di beni.
Potrebbe sembrare controintuitivo che il primo cliente di riferimento in Europa per SnapLogic AgentCreator provenga da un settore così rigidamente regolamentato come quello bancario, ma in realtà anche questo è in linea con quanto ci hanno spiegato Jason Wong e Brent Stewart nel loro discorso di apertura. Lungi dall’essere un ostacolo, hanno affermato, la governance è in realtà un fattore che favorisce l’adozione.
È proprio una buona governance a consentire l’adozione su larga scala dell’intelligenza artificiale, implementando la tecnologia in tutta l’organizzazione, ben oltre i limitati contesti di prova in cui si svolgevano le prime dimostrazioni.
La governance genera fiducia
Il legame fondamentale tra governance e adozione è la fiducia. La governance definisce i prerequisiti; una buona governance rende visibile il loro raggiungimento, in modo che le persone possano avere fiducia nel risultato. Ciò implica, in parte, non concentrarsi sulla sostituzione dei lavoratori umani con agenti di intelligenza artificiale, ma su come ottimizzare il processo di collaborazione tra i due.
La domanda che sorge spontanea è quindi: «Quanto di più può realizzare insieme il team composto da esseri umani e IA rispetto a quanto ciascuno dei due potrebbe realizzare da solo?»
Si tratta del “modello del centauro” dell’intelligenza artificiale — un essere umano che cavalca e guida una macchina potente — esteso a livello di team o di intere organizzazioni.
Qualcosa del genere ha sempre rappresentato la versione positiva dell’argomentazione commerciale a favore dell’automazione: non una “riduzione del personale” eufemistica, ma la capacità di offrire più valore eliminando, tramite l’automazione, tutto ciò che distrae le persone da ciò che sanno fare meglio.
Abbiamo visto la stessa sequenza descritta da Gartner ripetersi più e più volte nelle nostre conversazioni con i nostri clienti. In effetti, le raccomandazioni di Gartner coincidono in larga misura con le linee guida che abbiamo distillato da quell’esperienza concreta nell’implementazione dell’IA in produzione con i nostri clienti. La mia collega Sinem le ha documentate in modo più approfondito, ma eccone una sintesi:
- L'integrazione manuale punto a punto non è scalabile
- La preparazione dei dati prima di tutto: senza di essa, le iniziative nel campo dell’IA finiscono per arenarsi
- Invertire l'ordine: prima l'adozione, poi l'implementazione
- Considerare l'MCP e l'orchestrazione degli agenti come un problema di governance
Queste raccomandazioni sono in linea con quanto condiviso dagli analisti di Gartner nel corso dei due giorni, in particolare per quanto riguarda il rapido ciclo di valutazione delle organizzazioni di successo. Abbiamo appreso che i casi di adozione di maggior successo, con molteplici casi d’uso diversi in produzione, sono caratterizzati da un’estrema flessibilità nel consentire a figure esterne al reparto IT centrale di proporre casi d’uso, in linea con il paradigma del “citizen integrator”.
Naturalmente, questa flessibilità è possibile solo grazie a una governance solida e a linee guida ben definite. Tuttavia, una volta soddisfatti tali requisiti iniziali, i casi d’uso vengono costantemente esaminati e valutati.
è la best practice raccomandata da Gartner per chiudere le iniziative che non hanno una traiettoria verso la produzione.
Ripeterò quest’ultima affermazione, perché in quel momento si è sentito un sussulto in sala: se un’iniziativa nel campo dell’intelligenza artificiale non mostra un percorso chiaro per arrivare alla fase di produzione entro 90 giorni, è il momento di chiuderla e passare ad altro.
Questo è l'unico modo per uscire dalla situazione attuale, in cui il 90% delle tecnologie di intelligenza artificiale è ancora fermo alla fase pilota.
Novanta giorni potrebbero sembrare un periodo incredibilmente breve rispetto agli standard storici dei progetti IT aziendali, e chiudere definitivamente l’iniziativa potrebbe apparire una decisione affrettata. Tuttavia, questa rapidità di esecuzione è proprio l’aspetto fondamentale che chi ha adottato questa strategia in ritardo non ha ancora pienamente compreso.
Il valore dell’IA non risiede solo, in parte, nella rapidità di implementazione; gran parte di esso sta proprio nella rapida esplorazione di ciò che potrebbe diventare possibile o di ciò che ora può essere migliorato. Il momento migliore per iniziare a lanciare progetti di IA era un anno fa; il secondo momento migliore è proprio adesso. Definite con precisione l’ambito, lanciate il progetto, osservate cosa succede, traete insegnamento dall’esperienza e provate qualcos’altro.
Ancora meglio: esegui molti di questi cicli in parallelo. Gli esperimenti non falliscono; nel peggiore dei casi, ci insegnano cosa non funziona. Assicurati solo di trarne insegnamento il prima possibile e di non rimanere bloccato a seguire una strada che non porta da nessuna parte.
Un problema ben definito è un problema già per metà risolto
Naturalmente, portare un prodotto in fase di produzione è solo una parte del processo. Qualunque sia il risultato finale, esso deve anche soddisfare i requisiti aziendali relativi al processo che si intende automatizzare. È qui che entra in gioco la condizione sopra menzionata, ovvero definire con precisione l’ambito dei progetti.
L'intelligenza artificiale può apportare valore a tutti i livelli, dai grandi progetti RAG aziendali ai miglioramenti tattici realizzati da esperti in un settore specifico. I processi IT aziendali, tuttavia, sono per lo più progettati solo per il primo approccio, ovvero quello top-down basato su grandi progetti. Il tipo di adozione bottom-up guidata dal business, incarnata dal secondo approccio, esula dall'esperienza della maggior parte di questi gruppi.
Il problema è che, quando sono gli esseri umani a fungere da livello di integrazione tra sistemi e sotto-attività diversi, sono molto bravi a nascondere le crepe e a aggirare gli ostacoli. Tuttavia, queste modifiche apportate sul campo al processo raramente vengono riportate a monte nella documentazione. Quando si tratta di automatizzare parti del processo, quel divario tra il “processo come descritto” e il “processo come implementato” può ostacolare i tentativi di automatizzazione di quel processo.
Questo è l’altro motivo per cui il reparto IT aziendale non può essere l’unico responsabile dei progetti di intelligenza artificiale. Oltre al suo ritmo vertiginoso di evoluzione, che la rende del tutto inadatta al tipo di valutazioni tecnologiche ponderate che il reparto IT è abituato a effettuare, l’intelligenza artificiale deve inoltre essere implementata in contesti ben meno asettici e ben definiti rispetto alle architetture perfette del passato.
I dati non strutturati, le conoscenze non documentate e i processi decisionali che non sono mai stati formalizzati implicano che le specifiche stesse debbano essere un documento dinamico e in continua evoluzione, per stare al passo con i cambiamenti del mondo reale.
Le migliori pratiche diventano le peggiori pratiche
E questo è stato il terzo tema ricorrente in una conversazione dopo l’altra durante il Summit: nulla di tutto ciò è statico. Ovviamente l’IA (modelli, interfacce e sistemi di gestione) si sta evolvendo sotto i nostri occhi, a un ritmo talmente veloce che può risultare difficile stare al passo con i cambiamenti. Ma anche tutto il resto è in movimento, dall’infrastruttura tecnologica ai processi aziendali stessi.
In questo contesto è praticamente impossibile prevedere il futuro a medio-lungo termine con una certa precisione, ma possiamo impegnarci a mettere in atto componenti standard durevoli, collegati tra loro in modo flessibile, in grado di consentire proprio quell’iterazione rapidissima. Ciò vale sia per la tecnologia tradizionale che per le modalità di utilizzo della stessa e per le persone che ne fanno uso.
Non si è trattato semplicemente di analisti di Gartner che esponevano le proprie opinioni dal palco. I partecipanti hanno anche ascoltato i racconti di professionisti che avevano implementato una parte o l’altra di queste raccomandazioni, per poi sparpagliarsi nell’area espositiva per discutere tra loro delle proprie esperienze. Per noi fornitori è sempre un privilegio partecipare a queste conversazioni, ma i partecipanti hanno davvero apprezzato ascoltare le esperienze concrete. Non solo i dati grezzi sul successo, ma anche ciò che è stato necessario per raggiungerlo e alcuni dei colpi di scena che abbiamo affrontato lungo il percorso.
È proprio questo che intendiamo quando diciamo di avere runbook ripetibili: non sono “scatole nere” da accettare così come sono, ma una combinazione di componenti riutilizzabili, unita all’esperienza acquisita con fatica su ciò che funziona, ciò che (ancora) non funziona e quali fattori (sia umani che tecnologici) devono essere inclusi nel calcolo.
Ma la buona notizia è che queste strategie ripetibili stanno cominciando a emergere e a dare prova della loro efficacia nella pratica. Un caso isolato potrebbe essere un caso fortuito, ma un caso d’uso dell’IA specifico per il settore, che è già stato implementato in produzione due volte e che, mentre scrivo, viene implementato in altri due ambienti dei clienti, rappresenta il segnale più forte che si possa trovare al momento.
Approfondiremo alcune di queste storie nel corso del nostro IntegrateAI 2026 World Tour, con tappe a:
- Dallas, Texas, il 6 ottobre
- San Francisco, California, il 28 ottobre
- Londra, Regno Unito, il 17 novembre
Speriamo che ce ne sia uno abbastanza vicino da permetterti di partecipare. Ci vediamo lì!
