Intelligenza artificiale in azienda: perché partire dai processi e non dai tool

Quando un’azienda decide di avvicinarsi all’intelligenza artificiale, il primo impulso è quasi sempre cercare uno strumento. Si confrontano ChatGPT, Claude, Gemini, Copilot, piattaforme di automazione, agenti già pronti e software che promettono di trasformare in poche settimane il lavoro di un intero reparto. È un passaggio comprensibile: il tool è qualcosa di concreto, si può provare, acquistare e mostrare alle persone.

Il problema è che l’accesso a un buon modello non coincide con l’introduzione dell’AI in azienda. Un abbonamento può rendere più veloce la scrittura di un’email, la sintesi di un documento o la preparazione di una presentazione, ma non modifica automaticamente il modo in cui un’organizzazione raccoglie le informazioni, prende decisioni, assegna responsabilità e verifica i risultati.

L’adozione continua intanto a crescere. Secondo i dati pubblicati dall’OCSE il 28 gennaio 2026, nel 2025 il 20,2% delle imprese nei Paesi osservati dichiarava di utilizzare sistemi di intelligenza artificiale, più del doppio rispetto al 2023. Il dato mostra quanto rapidamente l’AI stia entrando nelle aziende, ma non dice quanto profondamente sia stata integrata nel lavoro quotidiano.

Una ricerca dello Stanford Digital Economy Lab pubblicata nell’aprile 2026 ha analizzato 51 implementazioni aziendali. Organizzazioni che utilizzavano tecnologie e casi d’uso simili hanno ottenuto risultati molto diversi. La differenza, secondo gli autori, non dipendeva dal modello scelto, ma dalla preparazione dell’organizzazione, dai suoi processi, dalla leadership e dalla disponibilità a modificare il modo di lavorare.

È qui che dovrebbe iniziare ogni progetto serio: non dalla domanda

“ “quale AI dobbiamo comprare?”, ”

ma dall’osservazione di ciò che accade realmente dentro l’azienda.

Il tool è visibile, ma il valore nasce dal processo

Un tool è soltanto uno degli elementi che compongono una soluzione. Prima vengono il problema da risolvere, le informazioni necessarie, le persone coinvolte, le decisioni da prendere e il risultato che si vuole ottenere. Solo dopo ha senso stabilire se quel lavoro richiede un modello linguistico, un’automazione tradizionale, un sistema di ricerca documentale, un agente AI o una combinazione di tecnologie differenti.

Prendiamo un’attività apparentemente semplice come la preparazione di un preventivo. Il lavoro non consiste soltanto nello scrivere un documento. Qualcuno deve raccogliere la richiesta del cliente, verificare che le informazioni siano complete, consultare listini e condizioni commerciali, controllare la disponibilità, applicare eventuali sconti, sottoporre le eccezioni a un responsabile, produrre il preventivo e registrarlo nel CRM.

Inserire un modello generativo soltanto nell’ultima fase può velocizzare la scrittura, ma lascia invariata la maggior parte del processo. Il vero progetto AI potrebbe invece occuparsi di leggere automaticamente la richiesta, identificare le informazioni mancanti, recuperare dati dai sistemi aziendali, proporre una prima configurazione, evidenziare le eccezioni e preparare una bozza che una persona possa controllare e approvare.

In questo scenario il modello non è il progetto. È una componente sostituibile del progetto. Oggi potrebbe essere conveniente utilizzare un modello di frontiera per interpretare una richiesta complessa, un modello più economico per classificare i documenti e un’automazione deterministica per aggiornare il gestionale. Domani una parte della tecnologia potrebbe cambiare senza obbligare l’azienda a ricostruire tutto, perché l’architettura è stata progettata attorno al processo e non attorno al nome di un prodotto.

Questa distinzione diventa ancora più importante nei flussi che coinvolgono finanza, supply chain, dati sensibili o decisioni con conseguenze operative. Il 23 luglio 2026 il CFO di SAP ha sottolineato che, nei processi aziendali complessi, qualità dei dati, affidabilità e controllo dei costi possono contare più dell’accesso al modello più potente. Ha inoltre osservato che gli errori possono propagarsi lungo i diversi passaggi di un workflow, rendendo indispensabili controlli e livelli di verifica più rigorosi.

Partire dal processo permette quindi di scegliere la tecnologia adatta a ogni singolo compito. In alcuni casi servirà un modello molto avanzato. In altri basterà un modello open source, una regola software, una ricerca nel database o un semplice modulo compilato correttamente. Utilizzare sempre la soluzione più complessa non rende un sistema più intelligente: spesso lo rende soltanto più costoso e difficile da governare.

Mappare il lavoro reale, comprese eccezioni e passaggi invisibili

Molti processi aziendali esistono soltanto nella testa delle persone. Una procedura ufficiale può descrivere il flusso generale, mentre il lavoro quotidiano è fatto di correzioni manuali, file Excel paralleli, messaggi WhatsApp, telefonate, approvazioni informali e informazioni recuperate grazie all’esperienza di chi lavora in azienda da molti anni.

“Prima di introdurre l’intelligenza artificiale bisogna ricostruire questo percorso reale. ”

Non è sufficiente conoscere l’inizio e la fine del processo. Occorre capire che cosa lo attiva, quali dati utilizza, chi interviene, dove si blocca, quali decisioni richiedono giudizio umano, quali eccezioni si presentano più spesso e quali errori producono conseguenze rilevanti.

Nel caso della gestione di una richiesta di assistenza, per esempio, il processo potrebbe partire da un’email, una telefonata o un messaggio ricevuto da un commerciale. La richiesta deve essere collegata al cliente corretto, classificata, confrontata con i contratti attivi, assegnata alla persona competente e, in alcuni casi, trasformata in un intervento tecnico. Se queste informazioni sono distribuite tra caselle email, CRM, documenti e memoria personale, un chatbot collegato soltanto al sito non risolve il problema. Aggiunge una nuova interfaccia a un processo ancora frammentato.

La mappatura serve anche a distinguere le attività che possono essere automatizzate da quelle che devono rimanere sotto responsabilità umana. L’AI può estrarre dati, confrontare documenti, preparare una proposta, identificare anomalie e suggerire il passaggio successivo. La decisione finale può però richiedere la valutazione di un responsabile, soprattutto quando entrano in gioco condizioni commerciali particolari, rapporti con clienti strategici, obblighi normativi o conseguenze economiche significative.

Il Work Trend Index 2026 di Microsoft rileva che gli utilizzatori più avanzati dell’AI sono molto più propensi a riesaminare collettivamente i processi per individuare le opportunità di integrazione: il 63% dichiara di farlo, contro il 32% degli altri utilizzatori. Sono inoltre più inclini a documentare workflow, passaggi tra persone e agenti e standard qualitativi, trasformando le sperimentazioni individuali in pratiche ripetibili.

automatizzare un processo inefficiente senza prima metterlo in discussione. Se un’attività contiene approvazioni inutili, duplicazioni, dati incompleti o responsabilità poco chiare, l’AI rischia di riprodurre gli stessi difetti con maggiore velocità. In alcuni casi la soluzione corretta non consiste nell’automatizzare tutti i passaggi, ma nell’eliminarne alcuni, accorparli o ridisegnare completamente il flusso.

Mappare il processo significa quindi rendere visibile il lavoro. Una volta emerso ciò che accade davvero, diventa possibile progettare un sistema in cui persone, software e agenti AI collaborano con responsabilità comprensibili.

Scegliere il primo processo con valore misurabile

Un’azienda non deve trasformare tutto contemporaneamente. Il primo progetto dovrebbe essere abbastanza importante da produrre un beneficio reale, ma sufficientemente circoscritto da poter essere osservato, corretto e governato.

Sono buoni candidati i processi frequenti, ripetitivi e basati su informazioni già disponibili:

• classificazione di richieste
• inserimento dati,
• aggiornamento di cataloghi e-commerce
• preparazione di schede prodotto
• gestione delle note commerciali
• ricerca nei documenti aziendali
• controllo preliminare delle fatture
• generazione di report o preparazione di risposte per il servizio clienti.

La frequenza, però, non basta. Bisogna conoscere il costo attuale dell’attività, il tempo impiegato, il numero di errori, le persone coinvolte e le conseguenze di un risultato sbagliato. Senza una situazione iniziale misurata, qualsiasi miglioramento rimane una sensazione. Si potrà dire che il nuovo sistema sembra più veloce, ma non sarà possibile capire se ha realmente ridotto i tempi, migliorato la qualità o spostato il lavoro verso altre persone.

Un primo caso d’uso efficace dovrebbe avere un obiettivo concreto.

Ridurre da due giorni a quattro ore il tempo necessario per preparare una proposta commerciale è un obiettivo verificabile. “Usare l’AI nelle vendite” non lo è. Diminuire gli errori nella compilazione delle schede prodotto è misurabile. “Creare un agente per l’e-commerce” descrive una tecnologia, non il risultato che l’azienda vuole ottenere.

Serve inoltre stabilire in anticipo che cosa accade quando il sistema non è sicuro. Un agente può procedere autonomamente nei casi ordinari e inoltrare a una persona quelli ambigui. Può preparare una risposta senza inviarla, aggiornare un record solo dopo l’approvazione o operare entro soglie economiche definite. L’autonomia non deve essere uguale in ogni punto del processo.

La ricerca pubblicata nel marzo 2026 dal World Economic Forum descrive il passaggio da casi d’uso isolati a sistemi collegati e da iniziative occasionali a processi continui. Tra i principi indicati per un’adozione sostenibile compaiono responsabilità umana, riprogettazione end-to-end del modello operativo, trasparenza e sperimentazione disciplinata.

Per una PMI questo non richiede necessariamente un grande programma di trasformazione. Può iniziare con un singolo reparto e un processo che oggi assorbe tempo, genera errori o rallenta il rapporto con il cliente. Il sistema viene osservato per alcune settimane, confrontato con i dati precedenti e migliorato sulla base dei problemi reali. Solo quando il risultato è stabile si decide se estenderlo.

Questo approccio consente anche di contenere gli investimenti. L’azienda non acquista una piattaforma nella speranza di trovare successivamente un utilizzo, ma costruisce una soluzione proporzionata al valore del problema. I costi dei modelli, delle API, delle integrazioni e della manutenzione diventano così parte di una valutazione economica comprensibile.

Dal progetto pilota a un sistema che continua a imparare

Un progetto AI non termina quando il primo workflow funziona. I processi aziendali cambiano, i documenti vengono aggiornati, le persone modificano il modo di lavorare e i modelli stessi evolvono rapidamente. Per questo la soluzione deve essere osservabile e modificabile.

Occorre sapere quali dati sono stati utilizzati, quali azioni sono state eseguite, dove il sistema ha avuto difficoltà e quante volte è stato necessario l’intervento umano. Le correzioni effettuate dalle persone non dovrebbero scomparire: possono diventare indicazioni per migliorare le istruzioni, aggiornare la base di conoscenza, modificare una regola o riconoscere una nuova eccezione.

Anche le responsabilità devono essere esplicite. Qualcuno deve essere proprietario del processo, non soltanto della tecnologia. L’IT può occuparsi delle integrazioni, della sicurezza e degli accessi, ma il reparto operativo deve definire che cosa rappresenta un risultato corretto. La direzione deve stabilire quali decisioni possano essere delegate e quali debbano rimanere umane. Chi utilizza il sistema ogni giorno deve poter segnalare errori e proporre miglioramenti.

Il Work Trend Index 2026 evidenzia che cultura, supporto manageriale e pratiche organizzative incidono sul valore percepito dell’AI più dei soli comportamenti individuali. Lo stesso studio insiste sulla necessità di definire chi controlla le prestazioni degli agenti, chi può modificare i workflow e come un risultato locale viene trasformato in conoscenza condivisa dall’organizzazione.

Anche la revisione delle evidenze empiriche pubblicata dall’Organizzazione Internazionale del Lavoro nel giugno 2026 considera l’effetto della GenAI non soltanto sulla produttività individuale, ma sulla composizione delle attività e sull’organizzazione del lavoro. L’impatto dipende quindi da come la tecnologia viene inserita nei ruoli, nei processi e nei sistemi di supervisione.

Quando questo metodo viene applicato correttamente, l’azienda non accumula soltanto automazioni. Costruisce una conoscenza operativa più leggibile: procedure aggiornate, criteri decisionali, controlli, dati e responsabilità che possono essere utilizzati sia dalle persone sia dai sistemi AI.

Partire dai processi non significa rallentare l’innovazione. Significa evitare di investire tempo e denaro in strumenti scollegati dal lavoro reale. Il tool può cambiare dopo pochi mesi; il problema aziendale, il risultato da raggiungere e le responsabilità da governare rimangono.

La domanda iniziale non dovrebbe quindi essere quale modello utilizzare, ma quale parte del lavoro merita di essere osservata e ripensata. Una volta compreso il processo, diventa molto più semplice decidere se serva un assistente, un agente autonomo, una ricerca documentale, un’integrazione API, un’automazione tradizionale o nessuna nuova tecnologia.

In Agent1 partiamo da qui: dal lavoro che esiste già, dai suoi attriti e dalle informazioni che lo attraversano. L’intelligenza artificiale entra solo dopo, nel punto in cui può produrre un miglioramento concreto, controllabile e misurabile.