La velocità con cui un’organizzazione riesce a trasformare un’informazione in decisione rappresenta oggi una delle principali misure della sua maturità digitale. Nei contesti globali, dove i flussi di dati crescono esponenzialmente e le finestre decisionali si riducono, il time-to-market diventa un fattore competitivo critico. È da questa esigenza che nasce l’esperienza illustrata da Gianmarco Cherubini, Digital Client Partner di Pfizer, durante un convegno promosso dall’Osservatorio del Politecnico di Milano. L’obiettivo dichiarato era chiaro: ridurre i tempi di analisi e migliorare la qualità degli insight attraverso l’uso consapevole dell’intelligenza artificiale, ponendo le basi per un modello di governance scalabile e accessibile .
Indice degli argomenti
Ridurre il gap tra insight e decisione
Secondo Cherubini, il progetto di Pfizer nasce dalla constatazione di un problema comune a molte grandi organizzazioni: «gli insight dal campo arrivavano lentamente». In passato, i tempi necessari per raccogliere, elaborare e trasformare le informazioni in strategie operative potevano estendersi per settimane, talvolta per mesi. «Nel frattempo», ha spiegato, «gli investimenti perdevano parte della loro efficacia, perché il contesto cambiava prima che le decisioni potessero generare valore».
L’introduzione di strumenti basati su intelligenza artificiale ha permesso di intervenire proprio su quel margine di inefficienza. La tecnologia è stata impiegata per automatizzare la valutazione e la strutturazione del dato, abilitando insight aggiornati e azionabili in tempi molto più rapidi. Ma il punto di svolta non è stato solo la velocità: la vera trasformazione si è realizzata nel modo in cui l’informazione viene oggi validata e condivisa all’interno dell’organizzazione.
Qualità del dato e affidabilità dell’AI
Il principio guida, ha ricordato Cherubini, è semplice ma essenziale: «se il dato non è di qualità, gli insight che genera la macchina non saranno di qualità». L’AI, quindi, non è una scorciatoia per accelerare i processi decisionali, ma uno strumento che richiede solide fondamenta di AI governance e data quality.
«Se il dato non è di qualità, gli insight che genera la macchina non saranno di qualità».
Gianmarco Cherubini, Digital Client Partner di Pfizer
Nel progetto, la prima fase ha riguardato proprio la valutazione automatica dei dati provenienti dal campo, per verificarne coerenza e affidabilità. Solo a partire da questa base è stato possibile costruire un sistema capace di offrire insight scientificamente validi, in linea con gli standard di precisione richiesti nel settore farmaceutico. La conseguenza diretta è stata una riduzione del tempo di analisi «di oltre il 90%» a livello globale, con un effetto moltiplicatore sulla produttività dei team e sulla tempestività delle decisioni operative .
La riflessione di Cherubini sottolinea una tendenza sempre più centrale nel dibattito sull’intelligenza artificiale: la qualità del dato è il prerequisito della fiducia nei modelli predittivi. In assenza di un controllo accurato delle fonti e dei processi di validazione, anche il più avanzato algoritmo rischia di restituire insight distorti, compromettendo la credibilità della tecnologia agli occhi dei decisori.
Gestire dati su scala globale
Uno degli aspetti più rilevanti del progetto riguarda la scalabilità. Partito in Italia, il modello si è esteso progressivamente ad altri Paesi, fino a diventare una piattaforma di riferimento a livello internazionale. Ciò ha comportato la necessità di organizzare e strutturare una mole crescente di dati provenienti da mercati diversi, con differenti livelli di maturità digitale.
Cherubini ha descritto come la sfida principale sia stata quella di creare una struttura unificata e coerente capace di restituire insight utili per ogni brand e linea di prodotto. L’obiettivo non era solo aggregare informazioni, ma renderle comparabili e interpretabili, permettendo a stakeholder e management di accedere a un flusso costante di analisi settimanali, aggiornate e integrate nei processi di decisione.
Il risultato è stato un sistema in grado di abilitare una visione olistica del business, dove ogni dato locale contribuisce a un quadro globale coerente. In questo senso, la governance non riguarda più soltanto la gestione tecnica dei dati, ma la capacità di armonizzare linguaggi, metriche e procedure tra diverse realtà operative.
Democratizzare l’AI attraverso il linguaggio naturale
Oltre alla componente tecnica, il progetto ha introdotto un elemento di democratizzazione che Cherubini definisce «la cosa più importante: l’accessibilità». Una delle barriere più frequenti all’adozione dell’intelligenza artificiale nelle grandi organizzazioni è la percezione che tali strumenti siano riservati a profili altamente specializzati.
L’introduzione di interfacce basate su linguaggio naturale ha invece reso possibile un’interazione diretta e intuitiva tra persone e sistemi. «Il fatto che tu interagisca con la macchina nel linguaggio naturale», ha spiegato Cherubini, «apre la porta a tutti». In questo modo, chiunque all’interno dell’organizzazione può interrogare i dati, generare insight e contribuire ai processi decisionali, senza necessità di competenze tecniche avanzate .
Questo approccio rispecchia uno dei principi fondamentali dell’AI governance moderna: la democratizzazione dell’accesso agli strumenti analitici, condizione indispensabile per trasformare la cultura aziendale da data-driven a insight-driven. Quando l’AI diventa un alleato quotidiano, e non un dominio tecnico, la conoscenza organizzativa cresce in modo distribuito e sostenibile.
