L’illusione dell’efficienza
Le imprese adottano strumenti di intelligenza artificiale più rapidamente di quanto riescano a ripensare i propri processi organizzativi. È in questo divario, prima ancora che nella scelta del modello, che si gioca una parte decisiva del ritorno sull’investimento. La governance entra in gioco già qui: per misurare il valore dell’AI occorre conoscere sistemi, dati, responsabilità e controlli.
Questa stessa ricognizione aiuta ad affrontare, quando applicabili, gli obblighi dell’AI Act.
Assistenti generativi, copiloti integrati nei software, piattaforme di automazione e agenti AI possono migliorare la produttività di singole attività. Ma accelerare un passaggio non significa necessariamente rendere più efficiente l’intera organizzazione.
Un ufficio commerciale può impiegare meno tempo per preparare un’offerta; un reparto amministrativo può automatizzare l’analisi documentale. Se però gli output richiedono verifiche ripetute, correzioni, trasferimenti manuali o generano incoerenze nei sistemi successivi, il vantaggio iniziale si riduce, talvolta fino ad annullarsi.
Possiamo così disporre di strumenti più veloci e, contemporaneamente, di processi complessivamente meno efficienti. È il paradosso di un’innovazione che ottimizza le singole attività senza progettare le relazioni tra di esse.
Il nodo non è soltanto scegliere un buon modello, ma progettare in modo coerente la sua integrazione nell’organizzazione.
L’impresa è un sistema interdipendente, non una somma di software
Ogni impresa è attraversata da processi interdipendenti. I dati prodotti da una funzione alimentano le attività di un’altra; una decisione commerciale influenza la pianificazione operativa; un’informazione incompleta può avere conseguenze amministrative, contrattuali ed economiche.
Consideriamo uno scenario illustrativo, non un caso aziendale documentato: una PMI utilizza l’AI per analizzare le richieste dei clienti, elaborare preventivi e predisporre la documentazione contrattuale. La fase commerciale accelera. Ma se i dati non sono allineati con quelli del gestionale, se il preventivo non dialoga con la produzione o se le condizioni contrattuali non vengono verificate, l’automazione può propagare errori lungo l’intera catena operativa.
Un miglioramento locale può quindi trasformarsi in un costo per il sistema nel suo complesso.
L’efficienza di un’organizzazione non coincide con la somma delle efficienze dei singoli componenti.
La questione diventa più rilevante con i sistemi agentici, capaci di utilizzare strumenti, interrogare basi dati, interagire con applicazioni e, se autorizzati, attivare azioni tramite API. Non producono soltanto risposte: possono intervenire nei flussi di lavoro e influenzare le operazioni successive.
Di conseguenza, la qualità del singolo modello è necessaria ma non sufficiente. Contano l’architettura di integrazione, l’orchestrazione delle attività e soprattutto gli effetti che ciascuna azione produce sui sistemi collegati.
L’efficienza di un sistema non coincide con la somma delle efficienze dei suoi componenti.
Cosa dice la ricerca: la produttività aumenta, il ROI resta da dimostrare
Un riferimento utile è Generative AI at Work, lo studio di Erik Brynjolfsson, Danielle Li e Lindsey Raymond pubblicato nel 2025 sul Quarterly Journal of Economics. La ricerca osserva l’introduzione progressiva di un assistente generativo in un servizio di assistenza clienti, sulla base dei dati di 5.172 operatori.
+15% di produttività media su 5.172 operatori di assistenza clienti: un risultato operativo, non una misura del ROI aziendale.
Secondo lo studio, l’accesso all’assistente ha aumentato in media del 15% la produttività, misurata in problemi risolti per ora. I miglioramenti sono stati particolarmente marcati per i lavoratori meno esperti e meno qualificati, mentre per quelli più esperti i benefici sono risultati più contenuti.
Il risultato conferma che l’AI può produrre miglioramenti osservabili, ma anche che questi non si distribuiscono in modo omogeneo: variano in relazione alle competenze e alle caratteristiche dell’attività.
Un aumento del 15% nella produttività degli operatori non implica, tuttavia, un aumento del 15% nella redditività dell’impresa. La ricerca misura una performance operativa, non il ritorno economico complessivo dell’investimento.
Per stimare quest’ultimo occorre includere il costo della tecnologia, l’integrazione, la formazione, la supervisione, la manutenzione e gli effetti sull’intero servizio. La formazione serve anche a riconoscere i limiti dei sistemi: errori, allucinazioni — risposte plausibili ma prive di fondamento — e possibili distorsioni nei risultati.
La produttività di una funzione è un indicatore importante. Il ROI dell’organizzazione è un risultato distinto, che deve essere dimostrato.
Dal prompt engineering al process design
Negli ultimi anni molta attenzione si è concentrata sulla formulazione di istruzioni efficaci per i modelli generativi. Il prompt engineering resta utile, ma non può costituire da solo la strategia di adozione dell’AI di un’impresa.
La scelta centrale riguarda dove, come e sotto quali responsabilità l’AI debba intervenire. Servono una ricognizione degli strumenti già presenti, la mappatura dei flussi informativi, l’analisi delle dipendenze tra applicazioni e l’individuazione dei passaggi nei quali una persona deve poter verificare, correggere o interrompere l’operazione.
Il metodo cambia: anziché partire dalla tecnologia e cercarle un impiego, si parte dal processo, se ne identificano criticità e costi e si valuta dove l’intelligenza artificiale possa generare un miglioramento misurabile.
Ogni flusso dovrebbe essere rappresentato dall’input all’output: dati utilizzati, elaborazioni, decisioni, controlli e sistemi che ricevono i risultati. Per ciascun passaggio vanno chiariti responsabilità, condizioni di intervento umano e conseguenze possibili di un errore. È così che emergono duplicazioni, trasferimenti manuali, colli di bottiglia e dipendenze tecnologiche trascurate.
Il process design non è un’attività accessoria all’innovazione tecnologica. È il suo presupposto.
Il ROI dell’AI va misurato sull’intero processo
Uno degli errori più diffusi è calcolare il ritorno sull’investimento con indicatori isolati: le ore risparmiate in una singola attività, il numero di documenti prodotti o le richieste elaborate da un assistente AI.
Una valutazione economica rigorosa considera invece l’intero ciclo operativo: costi della tecnologia, integrazione, manutenzione, formazione, supervisione e rilavorazioni, insieme agli effetti su qualità, tempo complessivo, capacità produttiva e servizio al cliente.
Se un’attività passa da due ore a venti minuti, ma richiede nuovi controlli e provoca anomalie nelle fasi successive, il risparmio teorico non rappresenta ancora un beneficio economico effettivo. Nel caso di un preventivo, occorre sottrarre al tempo risparmiato il costo delle verifiche, dei riallineamenti al gestionale e delle correzioni richieste da produzione e amministrazione. Se questi oneri crescono, il vantaggio può annullarsi; se diminuiscono anche errori e rilavorazioni fino alla consegna, il beneficio è end-to-end.
ROI (%) = [(benefici economici attribuibili all’AI − costi complessivi dell’investimento) / costi complessivi dell’investimento] × 100
La formula è semplice; complessa è la misura affidabile delle sue componenti. Occorre identificare benefici e costi, anche indiretti, e distinguere i risultati attribuibili all’AI da quelli generati da altre modifiche organizzative.
Per una PMI gli indicatori più utili riguardano l’intero processo: quanto tempo trascorre dalla richiesta del cliente alla consegna? Si sono ridotti gli errori e le rilavorazioni? La qualità è migliorata? La capacità produttiva è cresciuta senza un aumento proporzionale dei costi?
Il dato decisivo non è quanta AI utilizza un’impresa, ma quanto migliora il sistema nel quale l’AI opera.
Misurazione economica e governance richiedono quindi la stessa mappa di flussi, dipendenze, responsabilità e controlli. È il punto d’incontro con l’AI Act, senza confondere progettazione organizzativa e obblighi normativi.
AI Act: dalla conformità alla governance dei processi
L’AI Act può essere letto anche come occasione per rendere più esplicita la governance delle tecnologie adottate, senza confondere questa opportunità con un obbligo generalizzato di riorganizzazione aziendale.
Il Regolamento europeo prevede infatti requisiti differenziati secondo la tipologia di sistema, il rischio e il ruolo dell’organizzazione. Nel valutare ciò che si applica al proprio caso, un’impresa dovrebbe anche chiedersi quali strumenti AI utilizza, quali dati trattano, chi ne presidia l’uso, quali fornitori intervengono e dove sono collocati i controlli.
Per i sistemi AI ad alto rischio, il Regolamento distingue gli obblighi dei fornitori (provider) da quelli delle organizzazioni che utilizzano i sistemi sotto la propria autorità (deployer). Identificare il ruolo effettivamente ricoperto orienta le responsabilità su documentazione, utilizzo, controlli e supervisione, oltre a rendere più trasparenti le dipendenze dai fornitori.
Non ogni domanda organizzativa corrisponde a un obbligo normativo identico per tutte le PMI. Ma una mappatura accurata può rendere visibili duplicazioni, dipendenze non presidiate, vulnerabilità operative e opportunità di razionalizzazione.
Conformità e progettazione dei processi non devono per forza procedere separatamente. Quando i controlli sono integrati nel lavoro effettivo, la compliance può contribuire all’efficienza anziché ridursi alla produzione di documentazione.
Il rischio invisibile della Shadow AI
Una parte dell’ecosistema AI può rimanere invisibile all’organizzazione. Dipendenti e professionisti utilizzano autonomamente chatbot, plugin, applicazioni generative e funzioni intelligenti già presenti nei software: è il fenomeno della Shadow AI.
I rischi per privacy e sicurezza sono evidenti, ma esiste anche un costo organizzativo. L’adozione non coordinata può duplicare spese, produrre risultati incoerenti, moltiplicare le dipendenze dai fornitori e impedire una misurazione attendibile delle prestazioni.
Senza una conoscenza ragionevolmente completa degli strumenti in uso, diventa difficile stimare il costo dell’AI e il suo beneficio. La ricognizione delle applicazioni è quindi un punto di partenza per la governance e per l’allocazione delle risorse.
Human oversight: progettare il controllo, non aggiungerlo alla fine
La supervisione umana non può essere ridotta a una firma posta in fondo a una sequenza automatizzata. Un controllo efficace richiede di stabilire chi interviene, con quali competenze, in quali condizioni e con quale effettivo potere decisionale.
Il personale deve poter comprendere limiti e risultati degli strumenti utilizzati, nonché riconoscere l’automation bias: la tendenza ad accordare fiducia a un output perché è stato prodotto da un sistema percepito come autorevole. La formazione tecnica, da sola, non sostituisce la competenza relativa al processo professionale interessato.
Nei sistemi agentici i controlli assumono un valore ancora maggiore, poiché una sequenza di azioni può generare effetti operativi prima dell’intervento umano. Soglie di autonomia, procedure di escalation, possibilità di arresto e tracciabilità devono essere progettate insieme all’infrastruttura tecnologica.
Per i sistemi AI ad alto rischio, l’articolo 14 dell’AI Act prevede che il sistema sia progettato per consentire una supervisione umana efficace; l’articolo 26 richiede ai deployer di affidarla a persone con competenze, formazione e autorità adeguate. Il controllo deve quindi essere concretamente esercitabile nel processo, secondo gli obblighi applicabili.
Prima dell’AI readiness, la process readiness
La domanda che un’impresa dovrebbe porsi non è soltanto se sia pronta a introdurre l’intelligenza artificiale, ma se i suoi processi siano abbastanza chiari, misurabili e governabili da poter essere trasformati.
Flussi informativi frammentati, ruoli ambigui e sistemi poco interoperabili non si correggono automaticamente aggiungendo un modello generativo. L’AI può anzi amplificare problemi già esistenti, distribuendoli più rapidamente lungo la catena organizzativa.
La maturità nell’adozione dell’AI si riconosce nella capacità di rappresentare le dipendenze, attribuire responsabilità, misurare gli effetti e progettare interventi coerenti. Il vantaggio competitivo non dipenderà semplicemente dal numero di strumenti introdotti, ma dalla qualità dell’architettura organizzativa che li integra.
Cinque domande prima di investire in AI
- Quale processo end-to-end vogliamo migliorare e con quali indicatori ne misureremo i risultati?
- Quali strumenti AI sono già in uso, compresi quelli non censiti (Shadow AI)?
- Quali dati alimentano i sistemi e quali funzioni utilizzano gli output?
- Chi è responsabile dei risultati e quando una persona può verificare, correggere o interrompere l’operazione?
- Quali obblighi dell’AI Act sono applicabili al nostro ruolo e come li integriamo nei controlli di processo?
Perché il problema non è introdurre l’intelligenza artificiale in azienda. È progettare un’azienda capace di trasformarla in valore.
Riferimenti
Brynjolfsson, E., Li, D., Raymond, L. (2025). “Generative AI at Work”. The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044.
Regolamento (UE) 2024/1689 (AI Act), testo e successive modifiche applicabili. Fonte: EUR-Lex / AI Act Service Desk della Commissione europea.
