Durante la conferenza Platmosphere 2026, un evento incentrato sull’innovazione organizzativa organizzato da Mia-Platform, Tommaso Buganza e Daniel Trabucchi, rispettivamente Full Professor of Leadership and Innovation e Associate Professor presso il Politecnico di Milano, hanno esposto una visione dettagliata sull’evoluzione delle strutture aziendali contemporanee. Basandosi sulle attività di ricerca condotte negli ultimi anni all’interno del Platform Thinking Hub, un osservatorio accademico che ha coinvolto numerose aziende partner nelle sue prime quattro edizioni, i due relatori hanno analizzato l’intersezione tra le tecnologie di intelligenza artificiale generativa e i modelli di gestione aziendale basati sulle piattaforme. L’intervento ha evidenziato come l’adozione dell’intelligenza artificiale possa fungere da catalizzatore per la collaborazione interna, a patto di scardinare i vecchi paradigmi della catena del valore lineare.
Indice degli argomenti
Il limite delle catene del valore lineari e il paradosso dei processi interni
Il cortocircuito della comunicazione aziendale
Per descrivere le inefficienze che affliggono i flussi informativi interni, Buganza ha proposto una narrazione emblematica incentrata su due figure aziendali fittizie ma rappresentative: Jenny, una sales manager focalizzata sull’organizzazione della propria agenda e sulla massimizzazione dei tassi di conversione dei clienti, e Cristiano, un professionista dell’ufficio tecnologico incaricato di redigere i casi d’uso dei prodotti.
Cristiano lavora in un team ristretto composto da circa otto colleghi, mentre la rete commerciale di cui Jenny fa parte conta oltre cinquemila persone. Il divario numerico rende impossibile qualsiasi interazione diretta o sessione di confronto personalizzata tra chi produce la conoscenza tecnica e chi deve utilizzarla sul campo.
Di conseguenza, la sales manager si trova costretta a consultare centinaia di pagine di documentazione statica nel tentativo di comprendere come proporre le nuove tecnologie ai clienti, affrontando un carico informativo che non supporta realmente le sue attività quotidiane. Secondo Buganza, questa situazione non è un caso isolato, poiché «nella stragrande maggioranza delle organizzazioni, si possono trovare processi abbastanza simili a questo che, sulla carta, sembrano estremamente razionali, ma in pratica non sono così funzionali».
L’eredità del modello di Porter
La radice di questa inefficienza risiede nei modelli organizzativi tradizionali sui quali sono strutturate la maggior parte delle imprese moderne. Le aziende sono cresciute seguendo l’impostazione della catena del valore lineare teorizzata da Michael Porter alla Harvard Business School nel 1985. Questa concezione prevede che il valore fluisca in modo sequenziale dai fornitori fino al mercato.
Quando si analizzano i processi interni che avvengono dietro le quinte, si nota come questa stessa logica separi i dipendenti in fornitori interni e clienti interni. Nel paradosso esaminato, sebbene il processo appaio logico dal punto di vista del fornitore di contenuti, il cliente interno non vede risolti i propri bisogni operativi. I dipendenti non pagano per i servizi interni, ma l’assenza di un canale di comunicazione bidirezionale trasforma una soluzione teoricamente razionale in un generatore di sprechi e rallentamenti.
Applicare il platform thinking dietro le quinte dell’organizzazione
Il modello economico delle piattaforme trasposto all’interno
La proposta teorica e pratica sviluppata dai ricercatori mira a trasferire i meccanismi di creazione del valore tipici dei modelli di business digitali verso l’interno delle organizzazioni, una metodologia definita platform thinking. Nelle grandi piattaforme di mercato come Airbnb, Uber o Amazon, i ruoli tradizionali di fornitore e acquirente si confondono, poiché la struttura tratta ogni utente come un cliente dell’ecosistema complessivo.
L’obiettivo della ricerca consiste nel verificare la fattibilità e l’utilità di una piattaforma interna per la gestione dei processi in cui ogni attore aziendale sperimenti la medesima centralità. Come spiegato da Buganza, l’idea cardine prevede di configurare un sistema organizzativo inedito «in cui, invece di avere processi lineari — fornitori interni per clienti interni — abbiamo piattaforme interne in cui ogni singolo attore è trattato, e si percepisce, come un cliente».
Il caso Fujitsu e la dinamica dei dati di ritorno
Un’applicazione reale di questo cambio di paradigma è stata individuata nello studio condotto su Fujitsu, oggetto di una pubblicazione scientifica risalente a circa un anno fa. L’azienda ha affrontato il disallineamento tra i propri esperti tecnologici e la forza vendita introducendo un agente basato sull’intelligenza artificiale generativa, alimentato direttamente con tutta la documentazione e i casi d’uso prodotti dal team tecnico.
In questo modo, il personale di vendita ha ottenuto la possibilità di interrogare l’agente in tempo reale, anche durante le visite ai clienti, risolvendo dubbi specifici senza la necessità di organizzare riunioni impossibili da calendarizzare. Questa innovazione rappresenta un primo livello di evoluzione del servizio, paragonabile al funzionamento di Spotify, dove un artista carica un brano e un utente lo ascolta quando ne ha bisogno.
La vera trasformazione in una piattaforma bilaterale avviene però attraverso i dati generati dalle interazioni. Durante l’utilizzo dell’interfaccia, i venditori lasciano una traccia informativa dettagliata: i settori merceologici per cui mancano casi d’uso, i dettagli meno chiari delle tecnologie e le domande più frequenti sui mercati. Una volta aggregati, questi dati tornano agli esperti tecnici, che comprendono con precisione quali contenuti sviluppare per supportare il business.
Il parallelismo citato dai relatori rimanda a Spotify for Artists, lo strumento che consente ai musicisti di conoscere i dati di ascolto per pianificare la sequenza dei brani o le tappe di un tour in modo differenziato tra città come Milano, Monaco o Bruxelles. L’adozione della tecnologia trasforma il flusso informativo da lineare a circolare, dimostrando che «GenAI diventa un catalizzatore per la collaborazione interfunzionale».
Le piattaforme ortogonali e la valorizzazione dei sottoprodotti informativi
Risolvere la frustrazione delle funzioni di staff
Trabucchi ha ampliato la trattazione introducendo i problemi riscontrati nelle funzioni di staff, come le risorse umane, il procurement e l’information technology. Questi dipartimenti manifestano spesso una profonda frustrazione dovuta alla percezione di sviluppare soluzioni e procedure senza essere realmente in contatto con le necessità quotidiane dei propri stakeholder interni. Per rispondere a questo isolamento organizzativo, la ricerca propone l’adozione di configurazioni strutturali denominate piattaforme ortogonali, il cui scopo primario è l’allestimento di un sistema in grado di raccogliere dati di utilizzo per mappare i bisogni latenti.
L’analogia storica di Jawbone e l’applicazione al Knowledge Management
Per chiarire la logica delle piattaforme ortogonali, Trabucchi ha richiamato un esempio storico del settore tecnologico risalente agli anni 2012 e 2013: il bracciale Up sviluppato da Jawbone, considerato un precursore degli attuali smartwatch. L’azienda, disponendo di una grande quantità di dati sul sonno degli utenti, collaborò con un’impresa di bevande interessata a studiare gli effetti della caffeina sul riposo. Venne così creata l’applicazione gratuita UP Coffee, che richiedeva agli utenti di registrare l’assunzione di caffeina per cinque giorni in cambio di un profilo personalizzato. Il servizio gratuito per l’utente finale aveva come reale obiettivo scientifico ed economico la raccolta di dati di ricerca accurati.
Lo stesso meccanismo può essere applicato internamente alle imprese progettando strumenti basati sulla GenAI che offrono un servizio immediato ai dipendenti e, come sottoprodotto, generano dati strategici per l’organizzazione. Un’azienda può implementare un sistema GPT dedicato al project management per supportare la scrittura dei documenti di avvio progetto, ricavando al contempo dati sui tipi di attività su cui i team stanno lavorando.
Allo modo, un assistente virtuale per le risorse umane può mappare le reali necessità della popolazione aziendale. Questo approccio tocca anche il tema del knowledge management all’interno dei team di progetto, storicamente difficile da implementare. L’adozione dell’intelligenza artificiale generativa può replicare il modello collaborativo di Wikipedia, connettendo direttamente i cercatori e i fornitori di conoscenza nel momento esatto in cui il bisogno si manifesta.
Le piattaforme e il modello “The Digital Phoenix Effect”
I presupposti accademici di queste applicazioni derivano da uno studio esteso condotto dai due docenti su tutte le aziende componenti l’indice Standard and Poor’s 500, i cui risultati sono confluiti nel volume intitolato The Digital Phoenix Effect, pubblicato nel mese di giugno dello scorso anno. La ricerca ha mappato ottocento iniziative innovative basate su modelli a piattaforma, evidenziandone centoquaranta dotate di precise caratteristiche di sostenibilità e valore economico.
Dall’analisi di questi casi è emerso che i modelli di piattaforma non si limitano a fungere da configurazioni di business per il mercato esterno o da componenti integrate nei prodotti commerciali, ma possono operare efficacemente dietro le quinte per supportare i processi e le modalità operative interne, trasformando strutturalmente i colleghi in clienti.
L’intelligenza artificiale nel team: 3 regole di collaborazione per evitare l’isolamento
Dal fallimento dell’interazione individuale alle regole dell’Harvard Business Review
Un’ulteriore linea di ricerca condotta dal Platform Thinking Hub si è focalizzata sulle modalità con cui i gruppi di lavoro interagiscono concretamente con l’intelligenza artificiale. I relatori hanno evidenziato un rischio legato all’uso prettamente individuale della GenAI, che genera spesso sentimenti di isolamento e alienazione tra i lavoratori, intimoriti dalle potenziali evoluzioni tecnologiche. Durante i workshop di sperimentazione strategica che hanno coinvolto più di venti aziende, i ricercatori hanno osservato le dinamiche di team composti da quattro o cinque persone dotati di strumenti di facilitazione e un agente AI esperto.
I primi riscontri sul campo sono stati fallimentari a causa della tendenza di un singolo membro del gruppo a monopolizzare la tastiera, riducendo l’esperienza a un dialogo esclusivo tra un individuo e la macchina, mentre il resto del team rimaneva escluso in secondo piano. Questa dinamica contrasta nettamente con la gestione di un esperto umano, che tenderebbe a stimolare un confronto inclusivo tra tutte le parti presenti nella stanza. Dall’analisi dei log e delle conversazioni, i ricercatori hanno identificato tre regole di comportamento sviluppate spontaneamente dai team più performanti, descritte in un recente articolo pubblicato sulla Harvard Business Review.
Gestire l’agente AI come membro attivo e shape-shifter
- La prima indicazione emersa dalle osservazioni impone di ingaggiare l’intelligenza artificiale come un intero collettivo. È necessario specificare chiaramente all’algoritmo la composizione del gruppo e le competenze dei presenti, indicando ad esempio la presenza contemporanea di un marketing manager, un responsabile di produzione e un sales manager. Solo fornendo questo contesto l’agente è in grado di indirizzare risposte mirate alle diverse professionalità nella stanza, attivando interazioni specifiche basate sulle singole specializzazioni.
- La seconda regola suggerisce di sfruttare la “fluidità” dei ruoli della macchina, definita dai relatori come una capacità di mutare forma (shape-shifter). All’interno dello stesso ciclo di lavoro, al software può essere chiesto esplicitamente di agire come uno sfidante per mettere alla prova le idee del team, come un cliente sintetico per valutare funzionalità e prestazioni, come un designer tecnico per analizzare le esternalità di rete, o come un prototipatore per scrivere codice in tempo reale.
- La terza norma, ritenuta la più rilevante dai docenti, riguarda la necessità che sia l’essere umano a guidare la discussione. Molte interfacce commerciali tendono a suggerire autonomamente i passaggi successivi all’utente, un’impostazione che i ricercatori giudicano dannosa per i processi di innovazione. Nei gruppi che hanno ottenuto i risultati migliori, i membri stabiliscono una rigida autodisciplina: prima di inserire un comando, l’intero team deve ascoltare le diverse voci della stanza e concordare il testo del prompt. Una volta ricevuta la risposta dall’intelligenza artificiale, l’interazione con lo schermo viene interrotta per avviare una discussione interna tra persone reali, decidendo solo in seguito la direzione da intraprendere.
Ridefinire il ritorno sull’investimento: la priorità della qualità rispetto alla velocità
L’analisi condotta attraverso le interviste ai manager al termine delle sperimentazioni ha smentito una delle aspettative più diffuse relative all’adozione della GenAI in ambito aziendale, ovvero il risparmio di tempo. Gli intervistati hanno riscontrato che i processi di lavoro collaborativi supportati dall’intelligenza artificiale non sono stati più veloci rispetto alle metodologie tradizionali. Il vero beneficio si è manifestato sul piano dell’approfondimento critico, registrando un incremento netto della qualità del pensiero e della solidità strategica delle soluzioni elaborate dai team.
L’evidenza empirica raccolta indica che l’attuale orientamento del mercato, focalizzato quasi esclusivamente sul guadagno di efficienza individuale, rappresenta solo una parte del valore potenziale della tecnologia. Integrare gli strumenti algoritmici all’interno di una logica di platform thinking consente di sbloccare dinamiche di collaborazione interfunzionale capaci di ridefinire le relazioni tra i diversi dipartimenti di un’organizzazione.
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
Partecipa alla community