Quasi la totalità delle grandi aziende ha avviato cantieri dedicati all’intelligenza artificiale, eppure la stragrande maggioranza delle iniziative non lascia alcuna traccia positiva nei bilanci. A fare luce su questa evidente contraddizione è l’analisi presentata da Ilaria Nicolosi, analista dell’Osservatorio Omnichannel Customer Experience del Politecnico di Milano, intervenuta durante il convegno verticale dedicato alle strategie aziendali tra omnicanalità e nuove tecnologie. La premessa da cui muove la ricerca sgombra il campo dalle illusioni puramente tecniche: «l’AI non fallisce per la tecnologia, ma per l’organizzazione». Si tratta di una constatazione netta, che sposta il baricentro dell’attenzione dai modelli computazionali alla struttura interna delle imprese, ridefinendo i presupposti per qualsiasi investimento digitale orientato alla relazione con il cliente.
Indice degli argomenti
Il paradosso della ai customer experience tra adozione diffusa e redditività assente
I dati raccolti sul campo testimoniano una corsa generalizzata verso gli algoritmi. Dalla survey condotta dall’Osservatorio emerge infatti che nessuna impresa italiana dichiara di voler ignorare l’innovazione: l’81% delle aziende adotta già soluzioni di intelligenza artificiale, mentre il restante 19% ha avviato progetti operativi per introdurle a breve. L’intero campione di riferimento risulta quindi attivo sul tema, a riprova di una maturità percepita che permea trasversalmente ogni settore industriale.
Tuttavia, allargando lo sguardo allo scenario internazionale, il quadro si capovolge drammaticamente. Una ricerca condotta dal MIT e richiamata da Nicolosi evidenzia un dato critico: il «95% dei progetti aziendali di GenAI non produce alcun ritorno misurabile sul conto economico (P&L)». La discrepanza tra l’entusiasmo della fase sperimentale e l’impatto economico effettivo genera un vuoto gestionale evidente.
Molte realtà investono capitali ingenti nella convinzione che l’integrazione di strumenti avanzati sia sufficiente a moltiplicare le performance, ignorando – emerge dall’analisi dellOsservatorio – che l’efficacia sul mercato dipende dalla capacità di tradurre le funzionalità digitali in maggiore redditività o in una consistente ottimizzazione operativa.
La trappola del lift and shift e il confronto tra automazione cieca e ridisegno dei processi
La ragione principale di questo scarto economico risiede in un errore metodologico che il mondo accademico definisce lift and shift. Questa dinamica consiste nell’innestare applicativi di ultima generazione sopra flussi di lavoro preesistenti, senza modificarne le dinamiche o le sequenze operative. Le evidenze emerse dalle interviste dell’Osservatorio mostrano chiaramente gli esiti di tale impostazione.
Un esempio emblematico proviene dal settore bancario e assicurativo: un istituto ha integrato un chatbot all’interno di un flusso preesistente, presumendo che l’assistente conversazionale avrebbe risolto automaticamente i punti di attrito con la clientela.
L’iniziativa non ha prodotto alcun beneficio tangibile e, dopo diversi mesi di sviluppo e risorse spese, il progetto è stato bloccato prima ancora di arrivare a qualsiasi rilascio in produzione. Nicolosi sintetizza questa dinamica con un principio categorico: «Non basta automatizzare il processo esistente».
Una traiettoria opposta caratterizza invece l’esperienza di un grande operatore delle . In quel caso, l’azienda ha compreso che l’algoritmo non poteva fungere da correttivo per falle strutturali e ha scelto di ridisegnare interamente l’architettura del proprio processo commerciale.
Soltanto attraverso questa profonda revisione è stato possibile liberare valore di business misurabile. La tecnologia non crea efficienza se applicata a meccanismi disfunzionali: è la riprogettazione dei flussi a determinare il successo dell’investimento.
Oltre il software con la regola dieci venti settanta per trasformare persone e organizzazione
Per interpretare le cause del disallineamento tra investimenti e risultati, la ricerca ricorre alla metrica empirica del 10–20–70. Questa formula assegna un peso specifico a ciascuna componente della transizione: il 10% della complessità risiede negli algoritmi, il 20% riguarda le tecnologie e l’infrastruttura dati, mentre il restante 70% coincide con persone e processi.
La maggior parte dei fallimenti deriva dall’aver concentrato sforzi e risorse finanziarie sul perimetro tecnologico (quel 30% rappresentato da codice e piattaforme), trascurando il change management, lo sviluppo delle competenze e l’evoluzione organizzativa.
L’integrazione tra le diverse funzioni aziendali richiede una solida governance e un costante presidio umano, elementi indispensabili per mantenere la centralità del cliente lungo l’intera esperienza di contatto.
La centralità del consumatore rappresentava una priorità già prima dell’avvento dei modelli generativi, ma gli strumenti attuali ne aumentano la velocità e ne amplificano la portata, rendendo inderogabile un ripensamento organico della struttura interna.
La traiettoria della ai customer experience dalla frammentazione all’orchestrazione continua
L’evoluzione dei modelli di gestione del cliente segue una traiettoria evolutiva ben definita dalla ricerca, articolata su tre stadi progressivi che vanno dalla dispersione all’armonizzazione completa.
I colli di bottiglia dei silos e le criticità del passaggio tra agente e operatore
Alla base di questa classificazione si colloca il Modello a Silos, uno schema ancora ampiamente diffuso malgrado la sua manifesta obsolescenza. In questo contesto, le funzioni aziendali operano come entità chiuse: il marketing pianifica campagne basandosi su macro-segmenti statici e produce contenuti in modo manuale; le vendite gestiscono la qualificazione dei contatti commerciali senza supporto computazionale; il customer care si occupa delle richieste affidandosi unicamente all’azione dei singoli addetti.
Il risultato per il consumatore finale è un percorso frammentato, segnato da attriti informativi e dalla reiterazione delle stesse richieste su touchpoint differenti.
Un gradino più in alto si posiziona il Modello Coordinato, in cui i dipartimenti stabiliscono flussi di lavoro più integrati. La presenza umana rimane determinante per governare le decisioni strategiche, elaborare contenuti a elevata inventiva e presidiare i passaggi caratterizzati da un forte impatto emotivo.
Tuttavia, questo stadio di maturità fa emergere un nodo operativo complesso: la definizione del confine esatto tra l’autonomia demandata alla macchina e il lavoro dell’operatore. Stabilire a quali livelli un agente automatico possa gestire la richiesta e quando debba scattare l’escalation verso l’operatore rappresenta una delle sfide gestionali più insidiose.
Se non supportato da un ripensamento complessivo, anche il modello coordinato ricade nel tranello del lift and shift, condannando i progetti pilota a rimanere sterilizzati all’interno di quel novantacinque per cento di iniziative incapaci di produrre margini.
Il modello orchestrato end to end abilitato dalla customer intelligence continua
Il vertice della maturità organizzativa coincide con il Modello Orchestrato (End-to-End). In questa configurazione, l’intelligenza artificiale assume il ruolo di «cervello centrale», operando a tutti gli effetti come un copilota capace di coprogettare e coordinare in modo armonico ogni interazione.
La separazione percepita tra marketing, vendita e post-vendita viene azzerata: l’utente vive un’esperienza uniforme e continua, senza avvertire alcuna cesura nel passaggio tra un canale e l’altro. Il motore di questa architettura è rappresentato da quella che l’Osservatorio definisce «customer intelligence continua».
Ogni singolo evento di contatto alimenta una memoria condivisa e costantemente aggiornata, la quale costituisce la base di conoscenza unificata a cui attingono sia gli agenti software sia il personale operativo. L’apporto delle persone non viene ridimensionato, bensì valorizzato: il presidio umano si concentra sulla pianificazione strategica, sulla calibrazione degli obiettivi di business e sulla supervisione della conformità.
Governance strategica e supervisione umana per abilitare piattaforme realmente flessibili
Il raggiungimento di una customer experience orchestrata non si esaurisce nell’acquisizione di nuove licenze software. Per estrarre valore economico dall’innovazione, le architetture aziendali devono svilupparsi parallelamente ai modelli algoritmici, imponendo alle organizzazioni una flessibilità operativa senza precedenti.
I riscontri della ricerca dimostrano che l’intelligenza artificiale non produce efficienza per inerzia. I vertici aziendali sono chiamati ad abbandonare la logica dell’automazione opportunistica per assumere la guida di un processo di trasformazione profondo, in cui il ripensamento dei ruoli, la ridefinizione dei processi decisionali e la governance dei dati rappresentano le uniche reali garanzie di ritorno sugli investimenti.
FAQ: Intelligenza Artificiale
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