Per oltre un secolo abbiamo costruito organizzazioni pensate prevalentemente per coordinare lavoro umano. Le informazioni salivano lungo la gerarchia, le decisioni scendevano e, tra prima linea e vertice, livelli intermedi raccoglievano dati, preparavano sintesi, distribuivano attività e ne controllavano l’esecuzione.
L’intelligenza artificiale può ridurre drasticamente il costo di molte di queste funzioni. Agenti capaci di raccogliere aggiornamenti, produrre analisi, utilizzare strumenti e svolgere sequenze di attività rendono credibile un modello nel quale team piccoli e multidisciplinari possiedono direttamente un outcome e utilizzano sistemi artificiali per eseguire parti crescenti del processo.
Da qui nasce l’ipotesi di organizzazioni più piatte anche se una struttura del genere nell’organigramma non è automaticamente più semplice né più responsabile. Nel caso specifico cinque persone possono probabilmente coordinare decine di agenti ma la domanda è se possano davvero comprenderne il loro comportamento, verificarne gli output e assumersi responsabilità per le conseguenze derivanti dagli output.
Il rischio è costruire imprese piatte nella forma e sovraccariche cognitivamente nella realtà. Per il CIO e per il management, quindi, la sfida non è soltanto introdurre agenti nei processi esistenti ma ridisegnare il modello operativo intorno a nuove forme di esecuzione, competenza e controllo.
Indice degli argomenti
Organizzazione più efficace, fra execution e responsabilità
L’organizzazione gerarchica tradizionale ha avuto, tra le altre, una funzione informativa: ridurre la complessità attraverso livelli che raccolgono, filtrano e sintetizzano. Quando l’AI abbassa il costo di queste attività, parte della gerarchia può perdere la propria giustificazione operativa.
Questo non implica però che debba diminuire nella stessa misura la chiarezza dell’accountability, anzi, più l’esecuzione viene distribuita tra persone e agenti, più deve essere evidente chi possiede il risultato, chi governa l’infrastruttura, chi preserva l’expertise e chi può contestare una decisione.
Una via potrebbe quindi essere la maggiore decentralizzazione nell’esecuzione e più rigore nella responsabilità ossia non una piramide semplicemente schiacciata ma un sistema nel quale ownership differenti si intersecano senza confondersi.
Quattro ownership per l’impresa AI-native
Una possibile risposta è il modello dell’impresa federata a doppio circuito. “Federata” perché l’esecuzione viene distribuita tra piccoli team autonomi e multidisciplinari orientati agli outcome. “A doppio circuito” perché chi produce un risultato non coincide necessariamente con chi deve garantirne affidabilità, qualità, legittimità e capacità di apprendimento.
Il modello distingue quattro architetture complementari: Business / Outcome Pods, AI & Data Platform, Professional Guilds e Assurance, Risk & Ethics. Non è un assetto già validato empiricamente come superiore ma una proposta di organization design da sperimentare, ricavata dall’incrocio tra letteratura sulla supervisione, modelli di controllo interno e sperimentazioni emergenti sulle organizzazioni agentiche.
Business / Outcome Pods: possedere il risultato
Il primo elemento è costituito da piccoli team multidisciplinari orientati a un risultato end-to-end. Il pod non coincide necessariamente con una funzione tradizionale: può possedere, per esempio, l’onboarding di un cliente, la riduzione del churn, la gestione di una famiglia di prodotti o l’efficienza di un processo operativo.
All’interno del pod convivono competenze differenti e agenti specializzati. L’obiettivo è ridurre passaggi funzionali e avvicinare capacità decisionale ed esecuzione al risultato da ottenere. La domanda fondamentale del pod è semplice: che cosa dobbiamo ottenere?
In questa architettura l’AI non è una funzione separata che “fornisce automazione” al business. Diventa parte dell’unità operativa. Ma il pod continua ad avere un responsabile umano identificabile pertanto, per essere chiari, gli agenti possono eseguire azioni, non assorbire l’accountability dell’unità.
AI & Data Platform: possedere l’infrastruttura comune
Se ogni pod costruisse autonomamente modelli, agenti, integrazioni, identità e accessi ai dati, l’impresa sostituirebbe i vecchi silos funzionali con nuovi silos agentici. Per questo serve una piattaforma condivisa che presidi le capability tecnologiche comuni.
L’AI & Data Platform può governare modelli, accesso ai dati, strumenti, integrazioni, osservabilità, sicurezza, catalogo degli agenti e standard tecnici. La sua domanda non è “quale outcome dobbiamo raggiungere?”, ma “con quali modelli, agenti e dati possiamo farlo in modo scalabile e controllabile?”.
Per il CIO questo passaggio è rilevante. Il valore della funzione IT si sposta ulteriormente dalla gestione di singoli progetti verso la costruzione di una piattaforma abilitante che possa essere abbastanza standardizzata da evitare proliferazione incontrollata, ma anche aperta da permettere alle unità di business di innovare rapidamente.
Professional Guilds: possedere l’expertise
L’organizzazione per outcome introduce una domanda meno tecnologica ma decisiva: dove si costruisce la professione? Un software engineer può lavorare quotidianamente in un Customer Onboarding Pod insieme a operations, product manager e agenti AI. Ma chi definisce gli standard dell’ingegneria software? Chi cura peer review, mentoring e sviluppo dei junior?
Qui entrano in gioco le Professional Guilds. Il pod possiede il risultato; la guild possiede la competenza. Può presidiare standard professionali, mentoring, community of practice, formazione, peer review e mantenimento delle capability critiche.
La distinzione diventa più importante proprio quando l’automazione accelera. Se le unità operative sono premiate soprattutto per velocità e outcome, qualcuno deve avere la responsabilità di rigenerare nel tempo l’expertise su cui l’organizzazione continuerà a dipendere.
Assurance, Risk & Ethics: possedere il challenge
Il quarto elemento nasce da un principio già familiare a finanza, qualità e cybersecurity; chi produce non dovrebbe essere sempre l’unico soggetto che controlla. Se un pod è premiato sulla velocità di lancio o sulla crescita dei ricavi e deve contemporaneamente certificare che il proprio sistema AI sia sufficientemente sicuro, il conflitto di incentivi è evidente.
Assurance, Risk & Ethics non possiede il business né l’infrastruttura. Possiede la capacità di challenge che significa verificare se il modo scelto per raggiungere l’outcome sia sicuro, corretto e legittimo. In funzione del rischio, questa architettura deve poter accedere alle informazioni, effettuare escalation e incidere sulla decisione.
Nei casi più sensibili può essere necessario un vero “diritto di stop”. Non per trasformare l’impresa in una struttura burocratica, ma per evitare che controllo e produzione siano interamente concentrati nello stesso nodo organizzativo.
Il doppio circuito: esecuzione da una parte, challenge dall’altra
Il modello può quindi essere letto come due circuiti che lavorano contemporaneamente. Il primo è il circuito dell’esecuzione: Outcome Pods supportati dalla piattaforma AI e dati. Il secondo è il circuito della competenza e del challenge costituita da Professional Guilds e funzioni indipendenti di assurance.
La separazione non serve a rallentare sistematicamente il primo circuito ma serve a evitare che l’aumento della velocità renda invisibili errori, conflitti di interesse o deterioramento delle competenze. Più il costo dell’esecuzione scende, più acquista valore la capacità di selezionare dove applicare controllo umano qualificato.
È una logica diversa dal semplice “human-in-the-loop”. Non si chiede a una persona di approvare tutto. Si progetta chi debba decidere, chi debba controllare, chi possa contestare e dove l’autonomia degli agenti possa invece essere ampia.
Il middle management non scompare: cambia mestiere
L’AI riduce il valore di alcune attività storicamente svolte dal middle management: raccolta di aggiornamenti, preparazione di report, scheduling, distribuzione di informazioni, monitoraggio semplice e assegnazione routinaria delle attività. Ma da questo non segue automaticamente la scomparsa del manager intermedio.
Perde valore il manager come router dell’informazione ma non il valore come sensemaker nelle situazioni ambigue, coach per lo sviluppo delle persone, orchestratore del lavoro tra persone e agenti, mediatore quando obiettivi e interessi entrano in conflitto e decision owner identificabile.
Il punto non è quindi avere necessariamente meno management. È avere meno amministrazione manageriale e più capacità manageriale che abbia soprattutto una “visione di senso”. Per il CIO vale una trasformazione analoga: meno ruolo di “fornitore interno” di tecnologia e più responsabilità nella progettazione delle condizioni attraverso cui business, dati, piattaforme e governance possono funzionare insieme.
Gli agenti non dovrebbero diventare caselle autonome dell’organigramma
Alcune rappresentazioni dell’impresa del futuro collocano agenti AI accanto a CFO, marketing manager e product owner. È una metafora efficace per mostrare quanta esecuzione possa essere delegata, ma rischia di confondere autonomia operativa e accountability.
Un organigramma non rappresenta soltanto chi fa qualcosa ma rappresenta autorità e responsabilità. Per questo gli agenti dovrebbero essere rappresentati all’interno delle unità e sotto ownership umani identificabili. Possono pianificare, utilizzare strumenti ed eseguire transazioni entro limiti definiti; non dovrebbero rendere ambiguo chi risponde delle conseguenze.
Una variante leggera per le PMI
Una PMI non ha bisogno di replicare la struttura di controllo di una banca. La logica del doppio circuito, però, rimane applicabile anche con pochi ruoli. Occorre sapere chi autorizza un caso d’uso AI, chi mantiene l’inventario degli agenti e dei dati utilizzati, chi gestisce gli incidenti, chi decide quando serve un controllo esterno e chi può disattivare un sistema.
AI/Data Steward e decision owner possono essere ruoli interni; l’assurance sui casi più rischiosi può essere esternalizzata. Le persone possono indossare più cappelli, ma i cappelli devono essere espliciti. L’organizzazione può essere piccola ma la responsabilità non può essere vaga, deve essere definita e non opaca.
Da AI-first a organization-first
La trasformazione AI-native non consiste quindi nel sostituire persone con agenti dentro il vecchio organigramma. Se si parte soltanto da tutto ciò che la tecnologia può automatizzare, si rischia di progettare l’organizzazione come una conseguenza accidentale delle capability tecniche disponibili.
Le domande dovrebbero venire prima: quale outcome vogliamo ottenere? Quale competenza dobbiamo preservare? Chi possiede il dato e l’infrastruttura? Chi prende la decisione? Chi può contestarla? Quale rischio possiamo assumere? Dove l’autonomia dell’agente è utile e dove diventa eccessiva?
Solo dopo dovrebbe essere scelto il grado di automazione. È un approccio organization-first AI: progettare la tecnologia dentro l’organizzazione che vogliamo costruire, invece di costruire l’organizzazione intorno a tutto ciò che la tecnologia permette di fare.
L’impresa oltre il loop potrebbe essere proprio questa: più piatta nell’informazione, più modulare nell’esecuzione, più forte nelle comunità professionali e più indipendente nel controllo. Non semplicemente un’azienda che usa più AI ma un’azienda che riesce a distribuire meglio azione, competenza, autorità e responsabilità.
Riferimenti essenziali
Baygi, R. M., & Huysman, M. (2026). Generative AI and the social fabric of organizations. Strategic Organization, 24(2), 374–387.
McKinsey & Company. (2025). The agentic organization: Contours of the next paradigm for the AI era.
Mitchell, M., Ghosh, A., & Passi, S. (2026). AI Agents Push Humans Out of the Loop. arXiv:2608.23642.
Stanford Institute for Human-Centered Artificial Intelligence. (2026). The 2026 AI Index Report. Stanford University.
Partecipa alla community