Sono le conversazioni che immagino in molte aziende italiane e globali, di tutti i settori.

Se guardiamo ai dati dei report internazionali la situazione si rispecchia perfettamente con questo smarrimento: l’82% dei membri della C-suite secondo Accenture prevede cambiamenti radicali entro il 2026, ma solo il 55% si sente pronto, mentre Deloitte documenta che il 74% delle aziende prevede di rilasciare agentic AI entro due anni, ma solo il 21% ha un modello di governance maturo per agenti autonomi.

Ancora, secondo McKinsey il 62% delle aziende sperimenta agenti AI, ma solo il 23% li sta scalando.

E sulla stessa linea si muovono anche gli Ai Pulse di PwC, EY, KPMG e molti altri.

Eppure questa marcia sembra inarrestabile nelle stime degli analisti: Gartner ipotizza, ad esempio, che entro il 2029 ben l’80% delle interazioni di customer care avverranno attraverso agenti automatici.

Tanti numeri, tante considerazioni. Dove sta la verità? E dove il punto di equilibrio?

SI FA PRESTO A DIRE AGENTE

Gli agenti non si limitano a suggerire e segnano un passo importante rispetto all’automazione tradizionale (RPA, workflow rule-based) che esegue sequenze predefinite di passaggi: i nuovi agenti navigano interfacce, compilano form e interagiscono con i gateway di pagamento in modo autonomo e con strategie che si adattano al momento.

La parte agentica è diversa poi anche dalla generative Ai che abbiamo conosciuto subito prima; per fare un semplice esempio concreto:

• Generativa: “Scrivimi una email di follow-up per questo cliente”: la AI ti dà il testo, tu la mandi.
• Agentica: “Gestisci il follow-up con i clienti che non hanno risposto questa settimana”: qui l’agente legge il CRM, identifica i clienti, scrive le email personalizzate, le manda, aggiorna il CRM, ti avvisa solo se trova un caso anomalo.

La differenza non è nel modello sottostante (spesso è lo stesso LLM), ma nel loop: l’AI generativa prende un input, produce un output (testo, immagine, codice) e si ferma.

Gli agenti invece, come dice il nome, agiscono.

Agire però è un concetto molto vasto: si può agire su compiti molto specifici e puntuali e poi chiedere l’autorizzazione e il controllo a qualcuno o all’estremo opposto gestire intere catene di lavoro senza mai aver bisogno di un approvatore; in mezzo ci sono un numero amplissimo di sfumature.

Anche l’impatto può essere molto diverso, può essere una versione modernizzata dell’automazione classica di un lavoro a basso valore aggiunto o si può pensare (soprattutto nel medio periodo) di rivedere interi flussi di lavoro complessi (sottolineo rivedere, non solo automatizzare).

Quindi, prima di tutto c’è uno snodo di ambizione e cultura: dobbiamo e vogliamo rendere tutto automatico o solo fare dell’efficienza puntuale? Vogliamo dare dei superpoteri ai singoli o avere pochi esperti a sviluppare centralmente questo soluzioni? Vogliamo ottimizzare l’esistente mantenendo i processi che abbiamo oggi o vogliamo ridisegnare completamente un’organizzazione con gli agenti come il motore del cambiamento?

E una volta capita questa ambizione, per noi è anche chiaro come ci si arriva?

Come sempre, per me il problema iniziale è la conoscenza: non si può pensare di usare bene qualcosa che non si conosce.

CHE APPROCCI POSSIBILI TECNOLOGICI CI SONO OGGI

Descrivere puntualmente le soluzioni agentiche di oggi è lavoro la cui validità può durare da poche settimane a pochi giorni, vista la velocità del cambiamento e degli annunci che si succedono. Penso che sia utile invece darsi una bussola,

Semplificando tantissimo quindi possiamo guardare a tre macro approcci:

• Gli agenti che sono forniti dalle piattaforme SaaS dentro le loro soluzioni: molti oggi sono soprattutto chatbot che rispondono a domande sui dati presenti (il che è già un valore) ma sempre di più questi oggetti si stanno evolvendo in veri agenti che portano a termine compiti.
• Delle piattaforme low code/no code dove anche degli utenti mediamente esperti possono creare i propri agenti con delle interfacce guidate
• Delle “cassette degli attrezzi” fornite dagli hyperscaler dove poter assemblare diverse capacità sviluppando codice

Questa è una semplificazione molto grezza, perché in tutti e tre i casi ci sono molte più sfumature, anche negli stessi singoli provider tecnologici che offrono diversi prodotti e livelli (non senza creare confusione in termini di licenze e offerte commerciali).

Il motivo per cui faccio questa divisione è più che altro legata alle implicazioni pratiche per le aziende (non parlerò qui di produttività individuale): la versione incorporata nel SaaS è alla fine in continuità con il modo di pensare alla tecnologia oggi, ossia il software vendor mi da già un prodotto finito che mi guida e io trovo un modo di creare un equilibrio tra il mio processo e quello che mi offre a scaffale.

Negli altri due casi invece, mi spingo di più sulla logica del creare gli agenti secondo i miei desiderata, con un diverso grado di competenza richiesta (anche qui, semplifico alla grande) in termini di capacità tecnologiche.

In questo, il processo logico è molto coerente con il tema dei citizen developer e con le opportunità e i problemi del vibe coding: serve una governance equilibrata che metta a disposizione gli strumenti alle persone e che guidi il processo senza eccedere nel controllo.

Il punto però è che con gli agenti alcuni temi diventano ancora più delicati, e quindi per chi non ha fatto un percorso come quello sopra il salto è ancora più grande.

MAGARI FOSSE “SOLO UN TEMA DI TECNOLOGIA”

C’è una cosa che mi colpisce sempre, specie quando faccio formazione o advisory sull’approccio strategico alle nuove tecnologie e al cambiamento che esse portano: alcuni concetti si stratificano ma tutto ha una logica di insieme.

Se ripercorriamo quindi una serie di considerazioni fatte negli anni, molte cose si ripetono e troviamo un filo logico che funziona anche in questo cambiamento dirompente.

Non posso andare in dettaglio qui sennò più che un post dovrei scrivere un libro, ma tramite i vari link potete poi approfondire i singoli punti.

Partendo da più lontano nel tempo, l’approccio POST (persone, obiettivi, strategia e tecnologia) vale sempre anche qui: la tecnologia è il grande abilitatore ma arriva solo alla fine, prima devo capire il grado di conoscenza delle persone, stabilire gli obiettivi, disegnare una strategia. Nel caso degli agenti questo, per esempio, può guidare le scelte su approcci più o meno custom e più o meno ampi.

C’è poi il tema dell’evoluzione organizzativa: dalla governance tecnologica fino alla gestione delle diverse connessioni organizzative passando per la poca attendibilità dei job title oggi le organizzazioni fanno ancora fatica a metabolizzare davvero il cambiamento che i nuovi strumenti portano al modo di lavorare. Ma ai clienti gli organigrammi e i problemi organizzativi non interessano (e nemmeno agli agenti)!

Collegato con questo, c’è il vecchio (guardate le date dei post) tema dell’allineamento interno che possa rendere i propri colleghi degli agenti di trasformazione, superando le classiche frammentazioni grazie ad una migliore visione di insieme.

In questo, è importante anche il tema di avere una literacy diffusa sulle potenzialità degli strumenti.

Tutti questi punti ci portano quindi al tema dell’importanza delle fondamenta su cui costruire il futuro delle organizzazioni, con l’ingegneria del valore (e non del software) come metodo di scelta principale delle scelte di innovazione.

Scavando nel ragionamento sul valore, dovremmo arrivare poi alla comprensione che un grande asset distintivo è la conoscenza, che va gestita e codificata in modo strutturato per creare un reale vantaggio oggi che gli LLM e gli strumenti Ai diventano sempre più una commodity.

Infine, tutto questo lavoro sulla consapevolezza e le fondamenta dovrebbero aiutarci a gestire meglio l’approccio alla gestione economica dei nuovi strumenti, perché la AI non è gratis.

Tanta roba? Sì, ma sono tutti compiti a casa che non abbiamo fatto prima! Ora gli agenti aggiungono qualche ultimo mattoncino.

CHE COSA AGGIUNGONO IN PIU’ GLI AGENTI E QUALCHE CONCLUSIONE

Visto tutto quello che ho scritto prima, finisco con qualche nota più specifica sugli agenti in sé.

Un primo aspetto fondamentale è quello di essere consapevoli del fatto che le azioni hanno delle conseguenze, e quindi serve cautela: se un chatbot sbaglia a riportare un dato è un problema ma se su questo si scatenano azioni più o meno ampie i danni possono essere molto più grandi.

Secondo Forrester, l’implementazione di un’agentic AI nel 2026 causerà una breach pubblica: tipicamente gli agenti hanno gli stessi accessi ai dati dei dipendenti che li creano ma, diversamente dagli umani, sono molto più metodici e “motivati” a usarli al massimo.

Gli errori si moltiplicano quindi molto velocemente e con impatto molto intenso, anche perché sempre più singoli agenti triggerano altri agenti. E magari l’errore è in un altro processo a monte di quello che abbiamo intercettato.

Quando si verificano questi fallimenti, alcuni trattano gli agenti IA come entità a sé stanti, mentre altri puntano il dito contro i singoli dipendenti, ma violazioni come queste sono dovute a una cascata di errori, non a un singolo individuo.

Inoltre, secondo una ricerca dell’Enterprise Strategy Group (ESG), il 38% delle organizzazioni cita la mancanza di chiarezza sugli obiettivi aziendali come principale ostacolo alla realizzazione del valore dell’IA.

Collegato con questo c’è il grande tema dell’orchestrazione, che è sia una caratteristica tecnica delle piattaforme che un approccio aziendale.

Come scrive IBM, i vantaggi dell’orchestrazione AI includono:

• Maggiore scalabilità
• Maggiore efficienza
• Collaborazione migliore
• Prestazioni migliorate
• Governance e conformità più affidabili

Orchestrare chiaramente è più complesso ma è il modo in cui si scala davvero il valore.

Infine c’è il tema di iniziare a progettare le esperienze anche per i clienti non umani, specie per gli agenti che sempre più nel futuro le persone delegheranno a svolgere determinati compiti per proprio conto: le proprietà digitali dovranno parlare anche a dei clienti agentici che non guardano le immagini e non sono sensibili alle emozioni, ma che cercano informazioni di valore che giustifichino il prezzo e che non necessariamente sono visibili a frontend, insieme e per conto dei loro titolari umani.

Per molto tempo il valore dei siti e delle app è stato oggetto di un (legittimo entro certi limiti) compromesso tra aspetti estetici e aspetti tecnici, di solito a sfavore dei secondi anche oltre un livello equilibrato ma se ora la dicotomia tra pubblico umano e pubblico “sintetico” si amplia questa potrebbe essere un’occasione per fare convivere le due cose.

Sicuramente il tema è vasto e si potrebbero dire molte altre cose, alla fine però torno sui due punti che trovo fondamentali:

• servono consapevolezza e conoscenza sia degli strumenti che della propria organizzazione
• si deve continuare a costruire (e sperimentare) con una visione di insieme

Due concetti all’apparenza semplici ma finora molto trascurati nell’approccio alla trasformazione tecnologica. L’agentic Ai può aiutare tantissimo ad aggiustare molti problemi del passato ma bisogna conoscerli e volerli risolvere.

La verità non è necessariamente che siamo in ritardo: non c’è un punto di equilibrio uguale per tutti, e la strada si trova sperimentando con metodo, sapendo cosa si vuole ottenere e conoscendo i propri limiti organizzativi prima ancora che tecnologici. Non è una gara di velocità, è una gara di chiarezza.

Per questo la domanda giusta non è “siamo pronti per gli agenti?” ma “sappiamo ancora cosa vogliamo come organizzazione?” Gli agenti amplificano quello che c’è, nel bene e nel male, come già la GenAI. E forse ci aiutano ancora di più di quest’ultima a domandarci che cosa vogliamo fare davvero nel futuro.

English version is available on https://medium.com/gianluigizarantonello/but-then-what-should-our-organization-do-with-ai-agents-b36cafe4d3f6

E’ la metafora potente ed efficace che apre il report State of Martech 2026, della rodata coppia Scott Brinker e Frans Riemersma, che è stato presentato la settimana scorsa.

Nell’industria tecnologica siamo abituati a parlare di “evoluzione”: prodotti che migliorano, piattaforme che maturano, processi che si raffinano. È una narrazione rassicurante che implica continuità. Tuttavia, ciò che il martech sta attraversando oggi non è un’evoluzione, ma una metamorfosi radicale, simile a quella che avviene, appunto, all’interno di una crisalide.

Quando un bruco entra nel suo bozzolo, non si limita a farsi crescere le ali. La sua struttura fisica si dissolve letteralmente in una “zuppa” cellulare indifferenziata prima di riassemblarsi in un organismo completamente nuovo. Il marketing del 2026 si trova esattamente in questo “caos liquido”: le vecchie forme — basate su canali deterministici e funnel controllati dai marketer — si stanno sciogliendo. Al loro posto, sta emergendo un ecosistema dominato da agenti AI, conversazioni invisibili e una centralità del cliente che non è più un’aspirazione strategica, ma una realtà tecnica obbligata. In questo passaggio, il marketer smette di essere un creatore di campagne per diventare un manager di agenti AI e flussi agentici. È un momento disorientante, ma straordinariamente ricco di possibilità per chi accetta di smettere di essere un “bruco più veloce” e abbraccia la propria nuova natura.

Partiamo dall’inizio: abbiamo raggiunto il plateau?

Nel report c’è sicuramente una prima novità: il marketing landscape ha praticamente smesso di crescere quest’anno, almeno guardando i numeri, con un aumento di appena lo 0,79% a 15.505 prodotti, con solo 121 soluzioni in più. Dopo 15 anni di espansione inarrestabile, potremmo aver finalmente raggiunto il picco del martech, o quantomeno una fase di stallo.

Dopo anni in cui la domanda era solo “quanto sarebbe cresciuto il numero” di soluzioni questo significa che non c’è più innovazione?

In realtà sotto la superficie c’è molto più movimento di così: l’anno scorso sono stati aggiunti 2.489 prodotti, mentre questo anno il numero è sceso a 1.488, con un calo del 40% delle nuove entrate. Allo stesso tempo, le rimozioni sono aumentate da 1.211 l’anno scorso a 1.367 quest’anno, con un incremento del 13%. Le “vittime” presentano caratteristiche specifiche in termini di dimensioni, tipologia e periodo di fondazione.

Dal punto di vista dell’anzianità il gruppo più colpito è quello dei SaaS nati tra il 2010 e il 2019. Questa coorte rappresenta il 51,7% delle rimozioni del 2026. Si tratta di aziende nate in un’epoca in cui il Martech sembrava un settore dove era facile fare business, ma che oggi faticano a riorganizzarsi attorno all’intelligenza orchestrata.

Le uscite dal mercato sono fortemente concentrate tra le piccole imprese che, pur avendo superato la fase iniziale di “zero ricavi”, non sono riuscite a diventare sostenibili in un mercato sempre più competitivo, in due dimensioni:

• Per fatturato: la fascia più colpita è quella con ricavi tra 1 e 10 milioni di dollari, che rappresenta ben il 45,5% delle rimozioni totali nel 2026.
• Per numero di dipendenti: la stragrande maggioranza delle aziende rimosse era di piccole dimensioni: il 41,2% aveva tra 1 e 10 dipendenti, mentre il 38,7% ne aveva tra 11 e 50.

Il report poi individua tre forze al lavoro per determinare l’evoluzione delle varie categorie:

• Assorbimento delle funzionalità da parte dei grandi laboratori di AI: Le capacità che rendevano innovativi gli strumenti di prima generazione (come la creazione di post per blog o copy pubblicitari) sono diventate funzionalità di base (table stakes) integrate direttamente nei modelli di base come ChatGPT, Claude e Gemini. Quando i grandi laboratori di AI rendono una funzione una commodity, diventa estremamente difficile per una soluzione dedicata giustificare la propria esistenza come prodotto separato.
• Reazione rapida dei vendor SaaS consolidati: Giganti del settore come Adobe, HubSpot e Salesforce non sono rimasti a guardare e hanno integrato rapidamente l’AI generativa all’interno dei loro flussi di lavoro già esistenti. Molti clienti hanno quindi trovato le funzioni di cui avevano bisogno già incluse nelle piattaforme che stavano già pagando, eliminando la necessità di acquistare strumenti standalone aggiuntivi.
• Difficoltà nel raggiungere un reale product-market fit: È emersa una netta distinzione tra la capacità di generare contenuti velocemente e la capacità di generare contenuti che funzionino davvero. Molti strumenti della prima ondata si sono concentrati sul volume, ma con il calare dell’effetto novità, le aziende hanno iniziato a porsi domande più difficili sulla qualità, la coerenza del brand e l’impatto reale sulle conversioni, portando al fallimento dei prodotti generalisti non differenziati.

Questa convergenza ha portato a un evento di “selezione naturale” nel 2026: ad esempio, mentre la categoria del Content Marketing aveva quasi raddoppiato i propri prodotti tra il 2023 e il 2025, nel 2026 ha registrato la maggiore rimozione netta di prodotti di tutto il panorama Martech

Perché la differenza tra “Make or Buy” perde di significato

In tutto questo, la distinzione tra costruire soluzioni internamente (make) o acquistarle all’esterno (buy) è diventata un falso binario per diverse ragioni:

• Adozione parallela: Le aziende non scelgono più una sola strada, ma le percorrono entrambe simultaneamente per lo stesso caso d’uso. Ad esempio, un team può usare una piattaforma SaaS per il targeting di base, uno strumento AI-native per segmenti specializzati e un modello personalizzato (custom) per i dati proprietari di prima parte.
• Crollo dei costi marginali: Con l’avvento dei prezzi basati sull’utilizzo e dei piani gratuiti, il costo per mantenere soluzioni parallele è crollato. Come indicato nel report, “proteggersi (hedging) è economico. La convinzione è costosa“.
• Dalla suite al portafoglio: La strategia dello stack si è spostata dalla standardizzazione su una singola “suite” all’orchestrazione di un portafoglio di capacità, dove la domanda non è più “se” costruire o comprare, ma come combinare le due opzioni.

Il report, inoltre, sostiene che lo stack tecnologico non si sta riducendo a pochi grandi attori (consolidamento), ma si sta dividendo in strati con logiche competitive diverse:

• Lo strato della Creazione: in questo livello (ideazione di testi, strategie di contenuto, produzione visiva) stanno vincendo gli strumenti AI-native. Qui il prodotto principale è la qualità del modello e l’input primario è il prompt.
• Lo strato dell’Orchestrazione: questo livello (lead scoring, gestione delle pipeline, deliverability delle email) rimane saldamente in mano ai software SaaS tradizionali (incumbents).
• La “Gravità dei Dati”: questa è la variabile chiave che spiega la stratificazione. Dove i dati risiedono in system of record (come CRM o database storici), i vendor consolidati mantengono il controllo. Dove invece un’attività può essere eseguita con un’integrazione leggera, l’AI-native è più competitivo.
• L’Era dell’Intelligenza Orchestrata: invece di avere meno strumenti, le aziende si trovano a gestire un’infrastruttura dove l’AI agisce come tessuto connettivo tra i vari strati, spostando la complessità dai rigidi alberi decisionali “if/then” a un contesto dinamico interpretabile dagli agenti AI.

In sintesi, il report non vede un mercato che si restringe, ma un mercato che si metabolizza, dove il valore non risiede più nella singola funzione del software, ma nella capacità di far fluire il contesto aziendale attraverso questi diversi strati tecnologici.

In questa fase di “messaggio nel mezzo”, infatti, il contesto è la struttura che si sta formando dentro la crisalide. È l’organismo che sta prendendo vita dalle vecchie forme che si dissolvono (tecnologia deterministica, campagne rigide, ruoli amministrativi) per diventare qualcosa di nuovo.

Perché il contesto è diventato così importante?

Mentre in passato il limite (bottleneck) era la capacità di produrre contenuti o connettere sistemi, l’IA ha dissolto questi vincoli di produzione, creando un mondo di abbondanza. In questo nuovo scenario:

• La pertinenza è il nuovo vincolo: quando produrre contenuti è quasi gratis, la sfida diventa capire quale contenuto sia adatto a quale cliente, in quale momento e situazione.
• Differenziazione competitiva: i modelli di IA (LLM) stanno diventando delle commodity; il vero vantaggio competitivo non risiede nel modello usato, ma nella qualità del contesto proprietario (dati aziendali, conoscenza interna, voce del brand) che viene fornito all’IA.
• Riduzione degli attriti: più un’interazione è ricca di contesto, meno lavoro devono fare sia l’azienda che il cliente (meno ripetizioni, meno congetture).

Il report identifica tre insiemi fondamentali che devono convergere per creare valore:

• Company Context: la conoscenza dell’universo aziendale (obiettivi, strategie, brand, processi).
• Customer Context: l’universo del cliente (situazione, intenti, preferenze, storia).
• Systems Context: la realtà tecnica, ovvero ciò che i sistemi possono effettivamente accedere e fornire in tempo reale.

Il punto di intersezione perfetta tra questi tre cerchi è chiamato Golden Context, il momento in cui gli obiettivi aziendali, i bisogni del cliente e le capacità dei sistemi si allineano per generare entrate.

Il passaggio chiave per le aziende nel 2026 è l’evoluzione dal “prompt engineering” al Context Engineering. Questa disciplina consiste nell’assemblare i dati, i contenuti, gli strumenti e le istruzioni corretti affinché un sistema di IA possa agire in modo efficace in una situazione specifica. In un mondo di agenti IA autonomi, il Context Engineering è ciò che rende l’abbondanza utile invece che opprimente.

Tutto questo non elimina la necessità di una governance, anzi.

“Ops, la tua architettura si vede” (e non dimentichiamo fiducia e governance)

Storicamente, il “buffer umano” ha mascherato i silos di dati e le inefficienze interne (Inner Game) affinché non rovinassero l’esperienza cliente (Outer Game). L’AI sta eliminando questo cuscinetto. Un agente AI può operare solo sui dati a cui ha accesso reale: se i sistemi non comunicano, l’AI fallisce pubblicamente.

Il vantaggio competitivo non risiede più nel modello AI utilizzato, ma nel “Context Plumbing” (l’idraulica del contesto). Tecniche come la RAG (Retrieval-Augmented Generation) sono diventate il tessuto connettivo essenziale. In questo contesto, si inserisce poi il fenomeno del Vibe Coding: la capacità di non-ingegneri di costruire agenti e automazioni, spostando il collo di bottiglia dalla skill tecnica alla coerenza strategica.

Come afferma Tara DeZao: “Data silos are the enemy of AI. Your AI is only as good as your data. It doesn’t matter how much money you spend on a wonderful AI tool if your data is not connected.”

L’adozione dell’AI segue una sequenza precisa: Analitica (cosa è successo?), Generativa (crea per me) e Autonoma (agisci per me). Il vero ostacolo verso l’autonomia è quindi piuttosto il “Governance Gap”.

I dati sono allarmanti: mentre il 91% delle organizzazioni usa l’AI per produrre contenuti, solo il 37% ha implementato strumenti di autenticazione o rilevamento AI. Citando il report, molte aziende stanno “producendo salsicce” senza una macchina per le etichette. Questa mancanza di controllo sulla catena di dipendenze dei dati impedisce il passaggio ad agenti davvero autonomi, capaci di gestire budget o negoziare senza supervisione.

Insomma torniamo sempre alle fondamenta.

Qualche considerazione finale, anche oltre la Martech…

Il report è molto più ricco di questa mia sintesi, e come sempre vi invito quindi a leggere l’originale.

Per concludere, invece, mi piace fare qualche sottolineatura che parte dalla marketing technology ma che in realtà va anche oltre (con i vari link poi potete approfondire maggiormente).

La prima riguarda il fatto che la tecnologia va vissuta come un ecosistema e non come una collezione di pezzi tecnologici singoli: ne ho parlato a proposito del fashion con il tema della digital supply chain ma vale per qualunque settore.

Sempre di più grandi vendor e soluzioni più custom si intersecano e si complementano.

Come ho scritto a proposito del fatto che la AI non è gratis, costruire progressivamente collegando i vari pezzi è fondamentale sia per gestire i costi che per raggiungere migliori risultati.

La seconda considerazione riguarda il valore: ho parlato del passaggio dall’ingegneria del software a quella del valore qualche mese fa, costruendo su altri contenuti passati, e mi ha fatto piacere ritrovare anche qui l’enfasi sul tema.

Dobbiamo partire dal valore per il cliente, che sia B2C o B2B, e mai dalle feature.

La terza riguarda il ruolo della conoscenza, che è alla base del contesto: il capitale semantico e di strutturazione della conoscenza sono da vedere come vero motore di competitività delle aziende e, probabilmente, come unico modo per far davvero scalare la potenza dell’intelligenza artificiale generativa all’interno delle organizzazioni.

La causa dei fallimenti dei progetti AI è molto spesso organizzativa: la conoscenza è tacita, frammentata, rinchiusa in silos.

Prima di tutto, smettete di trattare la conoscenza come un sottoprodotto del lavoro quotidiano e iniziare a gestirla come un asset strategico, con ownership chiara, processi di aggiornamento e metriche di qualità. Non è (solo) un progetto IT, è una scelta di business.

Come ultimo punto, in un simile scenario, i CIO e i Digital leader sono sono sotto pressione ma hanno anche delle grandi opportunità davanti a loro, a patto di lavorare con la giusta mentalità.

Secondo il report di Gartner “AI After the Hype Amplifying Human + Machine Value 2026 CIO Leadership Forum Keynote Insights”, i CIO più maturi adotta già roadmap di lungo periodo (84%), strategie multivendor per evitare lock-in (77%) e valutazioni periodiche del valore generato (57%). E, aggiungo io, applicano una governance collaborativa e illuminata.

Anche Forrester parla dell’importanza di un dipartimento tecnologico performante come elemento chiave per avere successo nell’era della AI, e sottolinea molto bene il tema della “business confidence“: ho scritto quasi un anno fa dell’importanza (tra le altre cose) di essere propositivi, i leader tecnologici che oggi attendono di ricevere solo un “demand” creano per loro stessi un posizionamento da follower e, peggio ancora, da “centro di costo”.

English version is available on https://medium.com/gianluigizarantonello/state-of-martech-2026-what-can-we-learn-from-the-marketing-technology-chrysalis-f7492c9f83fe

Troppo spesso rivedo l’atteggiamento di vent’anni fa applicato al web: l’idea che, essendo tutto virtuale, non ci siano costi reali e tutto sia semplice ed immediato.

Purtroppo invece c’è poco da fare: l’AI non è gratis, e tanto meno lo è quando si parla di contesti aziendali. Non lo è in termini puramente economici, non lo è per lo sforzo organizzativo e strutturale che richiede, non lo è culturalmente.

Ma andiamo con ordine.

IL COSTO DEL SOFTWARE E LA TOKEN ECONOMY

Ogni interrogazione, ogni elaborazione, ha un costo di consumo.

Non vale solo per la AI. Negli anni siamo passati da software scritto ad hoc a strumenti di mercato, che poi dall’installazione on premise si sono spostati sul cloud e sono diventati “as a service”.

Se già con le soluzioni a consumo del software as a service fare previsioni di spesa è difficilissimo (e i vendor hanno complicato in modo drammatico il numero di parametri e criteri che vanno a formare il prezzo) con l’intelligenza artificiale la “valuta” che è oggetto di questo costo, il token, è forse ancora più difficile da calcolare.

Soprattutto se non si sa nemmeno che questo esista.

Ho apprezzato molto un contributo di Fabio Lalli che ha parlato in maniera molto chiaro del concetto di token economy, che diventa il modo per rendere visibile fuori dalla cerchia di sviluppatori ed esperti verticali il tipo di consumo che viene fatto per le AI e le voci di spesa visibili come metrica di business.

Il primo punto, appunto, è misurare, cosa non così scontata specie se ci si muove verso il paradigma di un nuovo modello di “service-as-a-software”, un gioco di parole intelligente sull’acronimo SaaS introdotto da Scott Brinker e Frans Riemersma nel report Martech for 2025 di cui avevo parlato qui. Invece di pagare per postazioni o utilizzo di elaborazione/archiviazione, dove spetta all’acquirente utilizzare con successo quegli strumenti per ottenere i risultati desiderati, viene offerta una nuova generazione di agenti AI su base costo-per-risultato.

È quindi sicuramente utile una logica di FinOps applicata all’AI: non serve solo a “tagliare le spese“, ma a rendere il consumo una metrica di business visibile.

Il punto, infatti, non è quanto spendiamo, ma se quel costo sta producendo un vantaggio e un valore.

In azienda, un picco di spesa AI non è necessariamente un errore: potrebbe essere il segnale che qualcuno ha trovato un modo più intelligente di risolvere un problema, per cui quel consumo aggiuntivo sta producendo benefici. Molte aziende Saas e in generale le organizzazioni più mature oggi stanno cercando di monitorare in modo efficace questi temi.

Nel già citato articolo sulla token economy si presentano anche alcune metriche.

• Costo per attività, non il costo per prompt. Non si guarda alla singola attività e ai relativi token ma al processo complessivo che viene abilitato: sintesi documentale, analisi commerciale, supporto clienti, generazione di codice, assistenza interna, redazione di contenuti, ricerca.
• Costo per output valido. Come si dice nell’articolo “se dieci prompt producono una risposta utilizzabile e altri venti no, il tema non è soltanto quante chiamate sono state fatte, ma quanto costo di apprendimento o costo di iterazione viene pagato prima che il risultato sia abbastanza buono
• Costo per decisione o per tempo risparmiato. Se le decisioni sono più veloci, riduzione con errori, più informate etc. questo porta ancora più valore del tempo risparmiato (anche se è meno immediato da misurare).
• Varianza tra persone e team. Si capiscono chi sono i best performer, con l’obiettivo di trovare delle pratiche replicabili anche da altri.

Quale che siano i KPI, se l’organizzazione non li sa leggere si rischia di comprimere l’utilizzo dell’AI proprio mentre sta iniziando a generare valore, solo perché non ne capiamo il beneficio sottostante e lo vediamo solo come costo.

Il passaggio cruciale, come ho già scritto in passato, è dall’ingegneria del software all’ingegneria del valore. La tecnologia deve essere uno stimolo al cambiamento, ma il cambiamento va fatto dalle persone e l’AI non può creare coraggio o idee chiare dal nulla.

In questo però c’è però un altro costo da valutare, quello necessario a mettere in ordine le proprie fondamenta.

IL COSTO DI METTERE A POSTO LE PROPRIE FONDAMENTA (PER NON AVERLO FATTO PRIMA)

Come scrivevo già a fine anno scorso, l’AI non è il vostro problema: lo sono le vostre fondamenta.

Il tema non è tecnologico, ma organizzativo e culturale, la tecnologia generativa è uno specchio spietato che riflette tutti i limiti interni che le aziende hanno ignorato per vent’anni,a mano a mano che si stratificavano le altre innovazioni digitali.

Il vero collo di bottiglia dell’intelligenza artificiale è la reinvenzione organizzativa, non la potenza di calcolo, come scrive Forrester Research in questo post, che si parla davvero bene con quanto ho pubblicato anche qui sul blog, il ROI dell’IA dipende quasi interamente da qualcosa in cui non si investe: la capacità di ripensare il modo in cui si lavora.

Per troppo tempo, l’organizzazione aziendale è stata “la madre di tutti i problemi di governance della tecnologia” come ho scritto per anni, limitando la reale potenza degli strumenti, che senza l’adozione da parte delle persone sono degli oggetti inutili.

Nella pratica dell’utilizzo della Gen AI c’è un chiaro segnale organizzativo. Nel tempo abbiamo costruito aziende basate su specializzazioni verticali e silos impermeabili. L’AI richiede invece team interdisciplinari dove il valore si sposta dalla pura esecuzione specialistica alla capacità di integrare discipline diverse. Non significa che le competenze si equivalgono, ma che l’AI potenzia chi sa già fare una cosa, a patto che l’organizzazione gli permetta di muoversi in modo fluido.

Sempre più i nuovi tool vanno in questa direzione, pensiamo ad esempio all’ultimo nato di casa Anthropic, Claude Design. E proprio questa nuova soluzione mi offre un elemento di riflessione che ci porta ad un altro dei temi collegati.

La pagina introduttiva di Claude Design fa una premessa quasi subito: “questa guida presuppone che il sistema di design della tua organizzazione sia già stato configurato, quindi tutto ciò che crei utilizzerà automaticamente i colori, la tipografia e i modelli di componenti del tuo marchio”.

Ossia tradotto, questo oggetto funziona bene se avete delle basi solide, di cui abbiamo appena parlato, ma anche una conoscenza ben codificata, che è il prossimo punto che vorrei trattare.

LA GESTIONE DELLA CONOSCENZA

Per rendere l’AI davvero efficace serve un layer semantico. Non basta più il prompt engineering (saper chiedere bene) ma serve il context engineering, ossia la capacità di rendere esplicita la conoscenza che un’organizzazione ha accumulato nel tempo e che di solito vive solo nella testa delle persone.

Qualsiasi azienda nel tempo ha costruito delle classificazioni concettuali dei propri prodotti, dei propri clienti, dei propri processi. Molte di queste distinzioni non stanno in nessun documento ufficiale, la sanno fare bene solo i dipendenti senior. Quando si introduce un agente AI per supportare le vendite, quella conoscenza tacita diventa il vero collo di bottiglia: il modello può essere potentissimo, ma se non sa cosa significa “cliente strategico” per quell’azienda specifica, produce output generici e inutili.

Questo è il lavoro che non si vede e che spesso non si vuole fare: mappare la “conoscenza tribale” dell’organizzazione e trasformarla in qualcosa di strutturato, ontologie, grafi di relazione, vocabolari condivisi. Non è un compito solo per l’IT: sapere “cosa è un cliente” o come si classifica un’opportunità commerciale è responsabilità del Business a 360 gradi.

L’architettura informativa, inoltre, non è statica: deve essere continuamente aggiornata, il che richiede collaborazione costante tra tutte le funzioni. La causa più frequente dei fallimenti dei progetti AI non è tecnologica: la conoscenza è tacita, frammentata, rinchiusa in silos. Gli esseri umani fanno riunioni per allinearsi; gli agenti AI, senza una guida semantica, bruciano solo token.

La sfida è trasformare la conoscenza da una serie di documenti sparsi a un vero e proprio prodotto aziendale. Si tratta di un passaggio in più rispetto alla “sola” gestione del dato: l’ontologia tagga, correla, contestualizza. Per approfondire, vale la pena leggere questo post sul funzionamento del software Palantir, che su queste logiche ha costruito il suo modello di business.

Inutile dirlo: anche questo non è uno sforzo banale, e non è certo gratuito.

MA ALLORA, LA AI FA CRESCERE I COSTI, INVECE CHE RIDURLI?

Quindi: l’AI fa crescere i costi, invece che ridurli?

No. Ma li rende visibili per la prima volta.

Molto di quello che oggi sembra un costo nuovo è in realtà il conto che arriva da decisioni non prese, o rimandate, negli ultimi vent’anni. Dati mai puliti, processi mai documentati, conoscenza mai codificata, organizzazioni mai ripensate. L’AI non ha creato questi problemi: li ha portati in superficie, e ha messo un prezzo su ciò che prima sembrava semplicemente “come funzionano le cose qui”.

Questo è scomodo. Ma è anche un’opportunità.

La vera differenziazione non verrà dal modello di linguaggio che userete, quello sarà probabilmente lo stesso dei vostri competitor. Verrà dalla profondità del contesto che saprete costruire intorno a quel modello: la vostra storia, le vostre sfumature, il modo in cui saprete “cablare” la vostra unicità all’interno dei sistemi artificiali. Chi fa questo lavoro adesso, mentre la maggior parte delle aziende è ancora ferma alla fase sperimentale, costruisce un vantaggio che sarà molto difficile da colmare dopo.

La buona notizia è che non si parte da zero: l’AI stessa può essere un alleato in questo consolidamento. Può aiutare a documentare processi che esistono solo nella testa di chi li esegue, a estrarre pattern da dati dispersi, a rendere esplicito ciò che è sempre rimasto implicito. Ma solo se si decide di usarla con questa intenzione, non come scorciatoia, ma come strumento per costruire basi più solide.

Il costo, alla fine, non è nell’usare l’AI. È nel continuare a non capire cosa si sta usando, e perché.

English version is available on https://medium.com/gianluigizarantonello/ai-isnt-free-and-the-highest-cost-isn-t-what-you-think-0e20c53360f9

Questa volta parliamo di capitale semantico e di strutturazione della conoscenza come vero motore di competitività delle aziende e, probabilmente, come unico modo per far davvero scalare la potenza dell’intelligenza artificiale generativa all’interno delle organizzazioni.

LA CONOSCENZA AZIENDALE È IL VERO PATRIMONIO, EPPURE…

Il punto di partenza è un’intuizione semplice ma potente, emersa nel keynote dell’evento Quantyca a cui ho partecipato nella prima metà di marzo: se pensiamo all’AI come a un cervello, i dati rappresentano il sistema nervoso e l’azienda il corpo. Ma un sistema nervoso senza contesto non trasmette segnali utili, i dati, privati del loro significato, non hanno valore. Per renderli azionabili serve un layer semantico.

Non è la prima volta che incontro questo tema. Mi era già capitato di parlare di capitale semantico a partire dai lavori del professor Luciano Floridi, che avevo avuto il piacere di ascoltare di persona in Sicilia l’anno scorso. E a gennaio avevo citato il report Martech for 2026 di Chiefmartec e Martech Tribe, in cui si parla dell’evoluzione necessaria dal prompt engineering al context engineering: non basta sapere come interrogare un sistema AI, bisogna progettare quali dati e quali universi di informazioni mettergli a disposizione. Nel prossimo futuro, l’AI sarà sempre più una commodity; il contesto aziendale fornito al sistema sarà il vero fattore di differenziazione.

Mettendo insieme questi elementi si capisce perché il contrario, usare l’output dell’AI generalista come punto di arrivo anziché come punto di partenza, genera contenuti “anonimizzati”, paragonabili a un hamburger di fast food: standardizzati, privi di sapore unico, indistinguibili e ormai riconoscibili come artificiali.

E si capisce anche perché la causa dei fallimenti dei progetti AI è molto spesso organizzativa: la conoscenza è tacita, frammentata, rinchiusa in silos. Quando usiamo agenti AI senza un contesto condiviso, rischiamo l’incomunicabilità. Gli esseri umani fanno riunioni per allinearsi; gli agenti, senza una guida semantica, bruciano solo token. La sfida è dunque trasformare la conoscenza da “una pagina su Confluence” a un vero e proprio prodotto e la differenza tra i due è la stessa che passa tra un appunto su un tovagliolo e la ricetta di uno chef stellato.

UNA SFIDA IMPOSSIBILE?

Oggi ogni azienda ha il budget per acquistare i modelli migliori. Il vero punto di forza non è più la tecnologia, ma la capacità di mappare la “conoscenza tribale” collettiva e trasformarla in ontologie e grafi di relazione. Questo lavoro non è un compito solo per l’IT: sapere “cosa è un cliente” o definire un “tronco” per le autostrade è responsabilità del Business a 360 gradi.

L’architettura informativa, inoltre, non è statica: deve essere continuamente aggiornata per rispondere alle nuove esigenze e alle opportunità emergenti, il che richiede collaborazione costante tra tutte le parti interessate.

Una missione impossibile, in organizzazioni che nell’evento sono state definite “bipolari”, dove da una parte c’è una spinta alla velocità e dall’altra alla strutturazione, con pesi che si alternano nel tempo? Probabilmente no, ma serve un approccio incrementale, guidato dai casi d’uso, dove il business si riappropria del contesto e l’IT garantisce scala e governance. In questo, le tecnologie AI possono essere di grande aiuto: sia per facilitare l’acquisizione dei dati, sia per creare tracce che possano poi essere discusse e confutate, ma che almeno offrono un punto di partenza al ragionamento, altrimenti molto complesso da avviare.

PERCHÉ NON POSSIAMO FARE FINTA DI NIENTE

C’è un punto più profondo per cui questo lavoro va fatto: l’AI è una tecnologia che impone di ripensare i processi per scalare, non di “mettere gli steroidi” a qualcosa che già non funzionava. È il tema tipico delle trasformazioni digitali, nell’evento si è citato il diverso approccio all’introduzione del barcode tra Walmart e Kmart negli anni ’80, ma qui la velocità è esponenziale.

Torniamo quindi al discorso con cui ho chiuso il 2025: il problema non sono le AI, ma le fondamenta aziendali. Per 20-30 anni abbiamo introdotto tecnologie rivoluzionarie senza davvero capirle appieno e senza sistemare le basi sottostanti. L’intelligenza artificiale generativa ci sta “solo” presentando il conto.

Un esempio concreto, ascoltato all’evento Predictions 2026 Milan di Forrester, rende bene l’urgenza: una delle previsioni più discusse è che l’implementazione di un’agentic AI nel 2026 causerà una breach pubblica e porterà al licenziamento di dipendenti, CISO in testa. Le aziende hanno molte sperimentazioni in corso con gli agenti, ma tipicamente conservano dati personali in luoghi non ottimali, accessibili da dipendenti con permessi troppo ampi. Il punto critico è che gli agenti hanno gli stessi accessi ai dati dei dipendenti che li creano ma, diversamente dagli umani, sono molto più metodici e “motivati” a usarli al massimo. Gli errori si moltiplicano velocemente, con impatto intenso, anche perché singoli agenti triggerano altri agenti a cascata.

I problemi, qui, sono due e si intrecciano: fondamenta leggere nella governance, e dati sparsi e decontestualizzati. Una conoscenza a macchie di leopardo che l’AI agentica, senza un livello di organizzazione delle informazioni, interpreterà in modo pericolosamente letterale. Ed è per questo che, a mio avviso, senza una costruzione strutturata della conoscenza e del contesto, nemmeno i framework di gestione e sicurezza, come lo AEGIS della stessa Forrester, possono eliminare il rischio. Sono strumenti necessari, ma non sufficienti.

DUE ESEMPI DI VALORE DELLA CONOSCENZA: LA MODA E LA LINGUA ITALIANA NEGLI LLM

Questa fragilità delle fondamenta emerge con particolare chiarezza in due ambiti apparentemente molto diversi, ma che illustrano bene cosa si rischia quando la conoscenza non viene gestita in modo strutturato.

Il primo è la moda. Sappiamo tutti che il capitale intangibile del brand e il savoir faire di chi crea il prodotto sono i veri creatori di valore, e la tecnologia può aiutare ad amplificarli e portarli a scala. Eppure questa straordinaria cassaforte di valore aggiunto non è mai stata gestita in modo strutturato: gli archivi storici, le strutture di formazione interna, l’heritage sul prodotto raramente sono messi a fattore comune.

La situazione diventa ancora più critica in un momento in cui management e direzioni creative sono quanto mai volatili, con la dannosa abitudine di fare tabula rasa ad ogni cambio di guardia invece di ibridare vecchio e nuovo. Un lavoro serio di ripensamento della gestione della conoscenza sarebbe invece un asset su cui costruire il futuro, tanto più che l’alto di gamma non avrà mai le moli di dati di altri settori, e sarà quindi la qualità semantica a garantirne il valore differenziale.

Il secondo esempio viene dal podcast Grande Giove di Wired, che tra le altre cose parla di Minerva, l’LLM sviluppato in Italia con base di partenza nella nostra lingua.

La riflessione è suggestiva: la lingua stessa porta con sé sfumature culturali e modi di costruire la realtà che sono propri di ogni storia e popolo. Affidarsi interamente a modelli addestrati su un contesto semantico straniero e standardizzato significa, in un certo senso, sacrificare una parte del nostro capitale culturale, storico e artistico a favore di un modello statistico globale. È un accenno, ma utile a valorizzare il discorso che stiamo facendo: la conoscenza non è solo dati, è identità.

IN CONCLUSIONE

Il più grosso problema nella comunicazione è illudersi che sia avvenuta – George Bernard Shaw.

Vale per le persone, vale ancor di più per le organizzazioni che delegano la comunicazione interna a sistemi AI senza averla prima resa esplicita e strutturata.

L’AI non è un cerotto, è un sistema operativo. Dobbiamo superare l’idea dell’AI come semplice ottimizzazione dell’esistente per vederla invece come un’opportunità, e una necessità, di ripensare l’organizzazione. Ma non si può ripensare ciò che non si conosce.

E non ci si può nemmeno fare prendere dalla fascinazione della tecnologia senza sapere dove si vuole andare: secondo una ricerca dell’Enterprise Strategy Group, il 38% delle organizzazioni cita la mancanza di chiarezza sugli obiettivi aziendali come principale ostacolo alla realizzazione del valore dell’IA.

Il focus deve spostarsi dalla paura della sostituzione o del rimanere indietro alla consapevolezza delle scelte da fare.

Cosa significa tutto questo in termini di scelte concrete?

Prima di tutto, smettere di trattare la conoscenza come un sottoprodotto del lavoro quotidiano e iniziare a gestirla come un asset strategico, con ownership chiara, processi di aggiornamento e metriche di qualità. Non è un progetto IT, è una scelta di business.

In secondo luogo, scegliere dove investire con criterio: non tutti i domini di conoscenza hanno lo stesso valore strategico. Identificare quelli critici, quelli che differenziano davvero l’azienda sul mercato, e iniziare da lì, in modo incrementale, è più efficace che cercare di mappare tutto in una volta.

Terzo, non aspettare la perfezione per cominciare. L’AI può aiutare a costruire le fondamenta mentre si lavora su di esse: generare bozze di ontologie, identificare lacune, rendere esplicita la conoscenza tacita. L’importante è che ci sia un processo umano di validazione e governo.

Infine, collegare esplicitamente la governance dei dati alla strategia AI. I due filoni, spesso gestiti separatamente, devono convergere: senza dati ben governati e contestualizzati, nessuna strategia agentiva può essere sicura né efficace.

Le organizzazioni devono adattarsi a un mondo sempre più complesso, dove le relazioni causa-effetto emergono solo a posteriori, bilanciando l’esplorazione di nuove competenze con la valorizzazione di quelle acquisite nel tempo. In questo, dati e AI sono l’infrastruttura cognitiva che garantisce identità, coerenza e coordinamento, e l’architettura informativa diventa la spina dorsale senza la quale si rischia di non sfruttare il potenziale delle tecnologie emergenti, perdendo anche quanto di buono è già stato costruito.

Non è un lavoro facile, ed è poco notiziabile. Ma è stato procrastinato troppo a lungo. Ora la pressione sale e il conto, come sempre, arriva tutto insieme.

English version is available on Medium.com

Il settore storicamente non è mai stato uno dei primi a salire a bordo delle varie ondate di innovazione, con rare e non proprio fortunate eccezioni come il metaverso.

Come vedremo anche sotto, questo fatto di arrivare un po’ dopo non è un problema in assoluto, se funzionale a un ragionamento strategico.

E di strategia e cultura dobbiamo parlare ora, in questo momento storico.

LE BASI SONO CRUCIALI, E NEL FASHION PARTICOLARMENTE

Mi sono trovato molto d’accordo nei giorni scorsi con questo passaggio di un lungo post LinkedIn di Susanna Nicoletti che dice “abbiamo visto fallire così tante ambizioni tecnologiche nel settore che ci siamo resi conto che la tecnologia nella moda può essere un fattore di miglioramento solo se le basi sono solide. E-commerce, metaverso, social-commerce, NFT, blockchain, criptovalute, Clo3D, design virtuale, negozi virtuali e così via. Nessuno strumento tecnologico è stato scelto in sé, solo gli strumenti che supportano in background il business e ne semplificano i processi sono stati integrati con successo”.

Questo come sapete da quanto ho scritto a dicembre e poi a gennaio non è una peculiarità della moda: qualsiasi settore ha questi problemi, più che mai oggi con le promesse dell’intelligenza artificiale.

Nella moda però c’è un fattore in più, specialmente nel lusso: la creatività.

Come dice sempre Susanna, un algoritmo può suggerire cosa “funziona”, ma solo il direttore creativo può definire cosa è “desiderabile”.

C’è inoltre del valore nell’imperfezione: il lusso si nutre di savoir-faire. Se la tecnologia standardizza troppo il prodotto, esso perde la sua natura di “pezzo d’arte”.

La produzione “di massa” per sostenere i volumi, i vincoli imposti dalle logiche di merchandising ai direttori creativi e la difficoltà di questi ultimi di portare sul mercato capi che siano contemporaneamente originali e rispettosi dell’identità del marchio sono oggettivamente un problema su cui i clienti hanno dei chiari malumori.

Se prendiamo ad esempio la ricerca di Accenture “Luxe Eternal: The customer edit”, basata su un’indagine globale condotta su 3.435 consumatori in 13 paesi, analizzando oltre 10.000 voci testuali raccolte nella ricerca emerge un dato statistico abbastanza inequivocabile: la parola “Qualità” domina il lessico, citata con una frequenza doppia rispetto a “Esclusività” o “Eleganza”.

Allo stesso tempo, il 50% dei clienti percepisce oggi i brand del lusso come entità orientate esclusivamente al profitto, piuttosto che come “dream-makers” con dei sintomi preoccupanti in:

• Declino del valore percepito: Il 37% dei consumatori lamenta un peggioramento nel rapporto qualità-prezzo.
• Crisi d’ispirazione: Il 35% giudica le narrazioni dei brand meno distintive e meno capaci di ispirare rispetto al passato.
• Credibilità etica: Il 33% solleva dubbi su trasparenza e condizioni di lavoro.

Simili problemi emergono in diverse altre ricerche, ad esempio secondo BCG e Altagamma “i clienti più importanti del lusso chiedono meno invasività e caos comunicativo e più personalizzazione. Il 60% si sente sopraffatto da un marketing eccessivo e impersonale. […] L’80% desidera spazi esclusivi e intimi, non esperienze retail standardizzate e affollate. […] Rafforzare il settore del lusso significa tornare a ciò che lo ha reso straordinario fin dall’inizio, soprattutto per i clienti top-tier: connessioni profonde, intimità, qualità e fiducia“.

La tecnologia insomma non può essere il punto di partenza (non lo è mai).

Di fronte a questi malumori dei clienti, la tentazione potrebbe essere quella di cercare soluzioni tecnologiche rapide. Ma sarebbe l’approccio sbagliato.

Tutto questo vuol dire però che non ci sia spazio per la tecnologia e l’innovazione? No, e vediamo perché.

DALLA REAZIONE ALLA STRATEGIA: LA TECNOLOGIA COME INVESTIMENTO

Gli investimenti concreti su tutta la catena del valore devono essere il nuovo paradigma: oggi non si tratta più solo di vendere online (e-commerce), ma di integrare la tecnologia nei processi core, dietro le quinte, come già raccontato anche da LVMH nell’ultimo NRF dove si è detto che “If we want to develop successful technology, the technology needs to be everywhere, but visible nowhere”.

Di sicuro, la tecnologia ormai è chiaramente percepita come un ingrediente importante del retail, sia fisico sia digitale, perché come dice Forrester, “Retail Is Brutally Competitive; Retailers Need Technology To Thrive”. E la moda e il fashion devono far convivere il branding con il retail, fisico e digitale.

Il tal senso, il recentissimo report Global Powers of Luxury Goods 2026 di Deloitte elenca benefici rilevanti in tutti gli ambiti principali delle organizzazioni del settore: innovazione e design di prodotto (21,3%), marketing e pubblicità (21,3%), coinvolgimento e personalizzazione del cliente (21,1%) e intelligence su supply chain, domanda e inventario (20,6%).

Questo equilibrio indica anche che i leader considerano l’intelligenza artificiale come qualcosa che permea l’azienda, collegando il coinvolgimento emotivo front-end alla precisione operativa back-end, quella supply chain digitale di cui ho parlato già altre volte.

In più, il 20,5% dei leader vede il digitale come priorità di investimento, il valore più alto tra tutte le altre possibili scelte.

Tuttavia, nonostante le intenzioni dichiarate, la realtà operativa racconta una storia diversa: almeno nel caso della GenAI, questo genere di tecnologia è integrato nelle aree più rilevanti dell’organizzazione solo nell’11,9% delle organizzazioni, valore che scende a circa il 10% se guardiamo solo al fashion più strettamente inteso.

Che cosa impedisce davvero di avanzare? L’inefficienza dei silos, di cui ho già parlato a ottobre: molte aziende del lusso soffrono di “frammentazione tecnologica“, con investimenti duplicati tra dipartimenti che non comunicano, portando a una Customer Experience (CX) incoerente e un’Employee Experience (EX) faticosa e insoddisfacente (che in un’industria ad alta intensità di capitale umano è un grosso problema).

OLTRE LA TECNICA: RIPENSARE L’ORGANIZZAZIONE

In The State of Fashion 2026 che ho riletto con calma nelle scorse settimane ho ritrovato questi dati, che parlano di cosa serve per catturare i benefici della AI (e della tecnologia in genere), che mi sembrano molto importanti per il nostro discorso.

Le percentuali insistono su quattro punti di cui ho già avuto modo di scrivere:

• Organizational Design, e anche io ho parlato di reinvenzione dell’organizzazione citando Forrester Research.
• Ways of Working, dove la già citata collaborazione tra le funzioni lungo una vera Digital Supply Chain è cruciale.
• Roles and Talent, con l’evoluzione dei compiti grazie alla tecnologia, a patto che ci sia una literacy diffusa.
• Culture, con l’apertura a nuovi talenti ma anche la costruzione delle condizioni necessarie allo sfruttamento della AI.

A mio avviso, oltre al tema creativo su cui la tecnologia può essere solo di supporto ma non può sostituire quelle capacità che oggi sembrano scarseggiare, la vera chiave di valore sta nel sistemare quindi tutta quella frammentazione che con l’esplosione dimensionale delle aziende del comparto si è trasformata da potenziale agilità in confusione e conflittualità.

Come scrivevo nella mia recensione di “Gli Imperfezionisti”, dobbiamo necessariamente fare pace con un maggiore incertezza e con una crescente capacità di sapere reagire velocemente al cambiamento, senza più fare affidamento in margini talmente elevati da poter coprire le tante inefficienze che caratterizzano oggi questo mondo.

Secondo me, serve non essere superficiali semplificando troppo e fare invece un grande lavoro sulla conoscenza, da due diverse angolazioni:

• la conoscenza del proprio dominio aziendale: la grande potenzialità in particolare della AI è quella di permettere ai vari reparti aziendali di poter migliorare il proprio lavoro con una minor dipendenza dalle feature preconfezionate dei software as a service e anche dai dipartimenti tecnologici, che devono garantire una governance illuminata.
• la conoscenza della tecnologia: come ho ripetuto fino alla noia, senza avere una reale cognizione degli strumenti si vive tutto come “magia” e ne consegue un entusiasmo cieco o una paura atavica, con risultati disastrosi.

E’ un concetto che viene espresso in modo molto netto anche sull’Harvard Business Review, dove si dice che “nell’era dell’intelligenza artificiale, i manager devono adottare approcci lungimiranti, comprendere la logica tecnologica e integrarla perfettamente nei processi aziendali”.

Chiaramente, per le organizzazioni questo comporta che occorre concentrarsi sulla cultura e sul mindset aziendale e non focalizzarsi sul singolo tool (“cosa possiamo fare con chat GPT?”).

IN CONCLUSIONE

Ho parlato molto di tutti i temi raccontati finora in questa bella conversazione con il team di Digital Fashion Academy e sto lavorando in collaborazione con Limitless Innovation al progetto dell’AI LAB x Fashion che vanno nelle direzioni che ho raccontato sopra.

Non essere parte degli early adopters nella curva dell’adozione di Rogers non è un problema per moda e lusso.

Quello che è un problema è aver costruito delle organizzazioni troppo grandi e inefficienti, rese in qualche modo sostenibili da una crescita tumultuosa e da margini elevati che oggi non sono più facilmente perseguibili. E nel frattempo di aver perso di vista coerenza di brand e creatività.

La creatività, per fortuna vorrei direi, resta quindi ancora nelle mani umane ma questa visione poi deve essere scaricata a terra, e in modo estremamente concreto, in delle catene che vanno dalla industrializzazione di prodotti fino al client engagement, un flusso complesso e multidisciplinare che deve usare la tecnologia ogni volta che può ma sempre partendo da un beneficio, e non per il tecnicismo in sé. O peggio ancora, solo per comunicare qualcosa senza un vero contenuto.

E qui arriviamo a un punto cruciale: il cambiamento culturale passa necessariamente dalla trasformazione della leadership. La leadership avrà un ruolo fondamentale: come ho già scritto in passato, l’AI agisce come un revisore spietato che espone la mancanza di valore aggiunto in coloro che sono principalmente “supervisori”: chi passa le giornate in meeting di status update, chi controlla che le cose vengano fatte ma non capisce come, chi produce PowerPoint ma ha scarsa esperienza diretta dei processi che gestisce. Se il tuo valore sta principalmente nel “fare da tramite” tra livelli organizzativi, la tua posizione è oggettivamente a rischio – e direi abbastanza indipendentemente dall’AI.

Il manager che invece prospera è quello che usa l’AI per potenziare ciò che già sa fare bene: interpretare contesti complessi, prendere decisioni in situazioni ambigue, sviluppare le persone, costruire relazioni di fiducia. Non è la tecnologia a fare la differenza, ma la visione limitata del proprio ruolo.

La domanda quindi non è “l’AI sostituirà i manager?” ma “quali competenze manageriali diventano ancora più preziose nell’era dell’AI?”

Inoltre, è di fondamentale importanza lavorare a livello diffuso sulla digital literacy, perché come ho scritto anche di recente la tecnologia corre a velocità supersonica, ma l’alfabetizzazione di base (reale) su come usarla procede a passo d’uomo e questo divario non è un problema teorico; è probabilmente il rischio operativo e personale più grande del nostro tempo, dato che il reskilling non è così banale come si tende a dire, perché cambia la modalità di pensare, non i tool.

Il futuro del lusso e della moda non è tech-first, è human-centric, tech-empowered.

L’obiettivo è una “resilienza redditizia” che unisce l’emozione della creazione alla precisione della macchina nell’esecuzione, ma con quella flessibilità che deve essere propria del settore e che proprio questo genere di tecnologie possono ridare a delle organizzazioni troppo complesse e frammentate.

English version is available on https://medium.com/gianluigizarantonello/fashion-and-technological-innovation-an-impossible-marriage-ab607195284c

Il volume affronta il problema che molti manager odiano: il conflitto.

La tesi centrale che Kim Scott sostiene è che non dobbiamo scegliere tra essere “professionali” (leggi: freddi) ed essere umani. E dice un’altra cosa importante: non sempre essere gentili o allineati ad un assenso automatico fa bene a se stessi e ai propri collaboratori.

IL CONCETTO CHIAVE: IL FRAMEWORK DEI QUATTRO QUADRANTI

L’intero libro ruota attorno all’idea che la gestione efficace delle relazioni avvenga all’intersezione di due assi: Fare challenge direttamente/indirettamente e Avere a cuore personalmente/non personalmente.

Attorno a questi assi si trovano tipologie di leadership e relazioni:

* Sincerità Radicale (Radical Candor): Il “Gold Standard”. Sfidi il tuo interlocutore perché tieni a lui e vuoi che cresca.

* Aggressività Dannosa (Obnoxious Aggression): Sfidi direttamente ma non ti importa della persona. È il comportamento del “capo stronz*”.

* Insincerità Manipolatoria (Manipulative Insincerity): Non sfidi e non ti importa. È il regno del gossip e delle pugnalate alle spalle per convenienza.

* Empatia Rovinosa (Ruinous Empathy): Ti importa così tanto del rapporto che non dici la verità per non ferire i sentimenti. È l’errore più comune e dannoso: lasci che qualcuno fallisca pur di non dargli un feedback negativo.

È molto interessante osservare che anche il quadrante in alto a sinistra, dove l’empatia è fortissima, è potenzialmente molto dannoso: un insegnamento importante che raramente si sente dire e che è obiettivamente un rischio.

COME SI RAGGIUNGE IL SUCCESSO: UNA PRIMA VISTA SUL LIBRO

Il libro si divide in due parti principali.

Parte I: La Filosofia

* Capitolo 1: Costruire relazioni di fiducia. Il management non si basa sul potere, ma sulle relazioni. Devi conoscere i tuoi collaboratori come esseri umani.

* Capitolo 2: Guida (Feedback). Come dare e ricevere critiche ed elogi. Il feedback deve essere immediato, specifico e focalizzato sul lavoro, non sulla personalità.

* Capitolo 3: Capire cosa motiva ogni membro del team. Scott divide i collaboratori in “Rockstars” (solidi, amano quello che fanno, non cercano promozioni immediate) e “Superstars” (hanno una crescita accelerata e hanno bisogno di nuove sfide). Un buon leader ha bisogno di entrambi.

* Capitolo 4: Cacciare via la stanchezza (Guidare il cambiamento). Come ottenere risultati senza dare ordini, ma ascoltando, imparando e collaborando.

Parte II: Strumenti e Tecniche

* Capitolo 5: Relazioni. Consigli pratici su come mantenere il confine tra “amico” e “capo” senza perdere l’umanità.

* Capitolo 6: Guida. Tecniche per incoraggiare il feedback verso di te prima di darlo agli altri.

* Capitolo 7: Team. Come gestire le assunzioni, i licenziamenti e le promozioni usando la lente della sincerità radicale.

* Capitolo 8: Risultati. Il ciclo del “Get Stuff Done”: Ascoltare – Chiarire – Discutere – Decidere – Persuadere – Eseguire – Imparare.

Come sempre non si può spiegare la ricchezza di un libro in poche pagine, ma la struttura che vedete sopra vi dà l’idea di come si tratti di un volume con una trattazione analitica e concreta, l’autrice non ha paura di raccontare i suoi errori e i suoi fallimenti, rendendo tutto molto vero e pragmatico.

PERCHÉ È UN TEMA IMPORTANTE

La Scott demolisce il mito del “sii professionale” inteso come “nascondi le tue emozioni”.

Il libro è estremamente onesto: l’autrice come detto condivide i propri fallimenti (come quando ha quasi rovinato la carriera di un collaboratore per troppa gentilezza) rendendo la teoria molto umana.

In un’epoca in cui il lavoro si trasforma con l’arrivo di nuovi strumenti e soprattutto di nuove generazioni la capacità di gestire le relazioni è sempre più cruciale.

Le gerarchie non perdono di senso ma devono essere affiancate ad una capacità di navigare la complessità relazionale delle organizzazioni che è tutto tranne che banale.

Di certo il contesto di Kim Scott non è quello italiano: nella Silicon Valley ci sono tanti aspetti culturali rivedibili ma in media la cultura del feedback è più diffusa e le dinamiche politiche sono più dirette.

Questo non toglie che molti insegnamenti servono a tutti i tipi di manager di tutte le tipologie di aziende:

* L’elogio in pubblico, la critica in privato: Una regola d’oro spesso dimenticata.

* Il feedback non è un processo annuale: Se aspetti la revisione annuale per dire qualcosa che non va, stai facendo Empatia Rovinosa.

* L’importanza di farsi criticare: Un leader “radicale” deve chiedere attivamente: “Cosa potrei fare o smettere di fare per renderti il lavoro più facile?”.

C’è infine un punto spesso dimenticato che il libro evidenzia: lo sforzo emotivo di essere manager.

Essere radicalmente sinceri richiede un’energia mentale enorme; non è una scorciatoia, è un lavoro a tempo pieno sulle relazioni.

E credo che si faccia troppa poca formazione su questo, da sempre e quindi oggi, in un momento in cui la tecnologia sta cambiando così tante cose, questi strumenti devono fare parte con urgenza della cassetta degli attrezzi di chi guida dei team.

Il 2025 è stato un anno intenso, con grande incertezza macroeconomica e dominato dalla narrativa di un’intelligenza artificiale che sembra dover risolvere ogni problema con un click.

Da una parte sappiamo che la tecnologia non è un rimedio miracoloso, anche se tendiamo a dimenticarlo, ma è indubbio che dobbiamo essere in grado di avere nuovi approcci ai problemi, che poi possiamo potenziare grazie ai nuovi strumenti.

Il libro parte da un presupposto: la pianificazione rigida a lungo termine è morta perché il mondo cambia troppo velocemente e le aziende falliscono sia per eccessiva prudenza (immobilismo) sia per scommesse troppo rischiose.

UN NUOVO APPROCCIO

Se il presupposto è chiaro, la soluzione non è scontata e per gli autori passa per alcuni elementi:

• ambiguità come opportunità: non bisogna temere l’incertezza, ma usarla come terreno fertile per l’innovazione.
• sperimentazione continua: la strategia non va vista come un piano fisso, ma come un processo di “tentativi e correzioni” (test and learn).
• superamento dei bias: la mente umana ci inganna con le sue scorciatoie nel prendere decisioni e dunque le nuove mentalità che vanno sviluppate ci devono aiutare a vedere la realtà in modo più oggettivo.

Per sviluppare questo ragionamento il libro alterna principi e ragionamenti di framework con diverse case history come quelle di Amazon, Patagonia e 3M, mostrati come esempi di aziende che hanno saputo crescere nell’instabilità grazie a questa mentalità, in un mondo in il concetto di BANI (Brittle/Fragile, Anxious, Non-linear, Incomprehensible) ha sostituito il vecchio modello VUCA.

Ma come si evita allora la trappola della “paralisi da analisi” dell’approccio tradizionale che cerca la soluzione perfetta prima di agire (portando spesso a perdere finestre di mercato cruciali) e a sostituire la “pianificazione strategica” con la “risposta strategica“?

Prima di tutto, si passa attraverso sei mentalità.

LE SEI MENTALITÀ STRATEGICHE

La parte centrale del libro tratta una per una queste mentalità, una per capitolo, ad alto livello si possono riassumere come segue, anche se chiaramente la trattazione degli autori è molto più articolata.

• Sempre curiosi (Ever Curious): non è solo curiosità intellettuale, ma l’uso metodico delle “Domande di secondo livello”. Invece di fermarsi alla prima risposta, gli autori suggeriscono di scavare nelle anomalie dei dati per trovare i segnali deboli del cambiamento.
• Occhio di libellula (Dragonfly Eye): le libellule hanno migliaia di lenti nei loro occhi. In strategia, questo significa integrare prospettive diverse (clienti, competitor, dipendenti, ma anche esperti di settori totalmente diversi) per evitare il “Groupthink” (pensiero di gruppo).
• Comportamento reale (Occurrent Behaviour): si basa sull’osservazione di ciò che gli utenti fanno realmente, non di quello che dicono di voler fare nei sondaggi. È il passaggio dai dati dichiarati ai dati comportamentali.
• Intelligenza collettiva (Collective Intelligence): gli autori citano spesso l’importanza di piattaforme di crowdsourcing o di coinvolgere i “margini” dell’azienda. La strategia non deve essere un processo top-down (dall’alto verso il basso), ma un’intelligenza distribuita.
• Imperfezionismo (Imperfectionism): qui entra in gioco il concetto di “Opzioni Reali”. Non si fa una scommessa enorme, ma si comprano “piccole opzioni” (esperimenti a basso costo) per vedere cosa funziona. È il principio del “Fallire velocemente e a poco prezzo”.
• Mostra e racconta (Show and Tell): la strategia fallisce se non è condivisa. Gli autori puntano molto sul visual storytelling: usare immagini, mappe mentali e prototipi fisici per rendere la strategia tangibile e “vendibile” all’interno dell’organizzazione.

Non si può rendere pienamente l’idea di tutti questi concetti in poche righe di recensione, per cui vi rimando caldamente alla lettura diretta, in ogni caso la trattazione non è solo una lista di mentalità, ma suggerisce un processo rigoroso, con tecniche che gli autori hanno preso dalla loro esperienza in McKinsey, con però i dovuti adattamenti per essere più agili.

All’interno del processo quindi troverete i passaggi della corretta definizione del problema (spesso sbagliamo perché risolviamo il problema sbagliato), della sua scomposizione in “logic trees” (dividere untema complesso in parti gestibili), della prioritizzazione e della sintesi (ossia non limitarsi ad analizzare, ma ricomporre i pezzi per agire).

Insomma, serve un modo nuovo di pensare ma questo non cancella la necessità di farlo in modo comunque strutturato.

IN CONCLUSIONE

“La strategia non è più un evento annuale, ma una pratica quotidiana.”

“In un mondo che cambia, l’unica strategia fallimentare è l’attesa della certezza.”

Dobbiamo necessariamente fare pace con un maggiore incertezza e con una crescente capacità di sapere reagire velocemente al cambiamento.

In questo processo anche l’errore e il fallimento fanno parte del gioco, per cui vanno trasformati in “unità di apprendimento“, senza per questo cadere nella trascuratezza, è importante infatti notare che l’imperfezionismo di cui parlano gli autori non è sciatteria, ma una scelta strategica consapevole di muoversi prima di avere tutte le risposte.

La tecnologia in tutto questo può essere un incredibile alleato, visto che l’IA e il suo uso intelligente nell’analisi dei dati supportano l’imperfezionista, permettendo di fare migliaia di test in tempi ridottissimi. Test e azioni che però partono dalla nostra testa e non scaturiscono magicamente dai tool.

In tempi di grande complessità e cambiamento, questa lettura mi sembra un’ottima riflessione per guardare le nostre sfide con occhi nuovi e, perché no, arricchire il nostro approccio ai grandi cambiamenti della tecnologia e del mercato.

English version in available on https://medium.com/gianluigizarantonello/the-imperfectionists-strategic-thinking-for-uncertain-times-4cf9945931f3

Un anno che dal punto di vista tecnologico ha visto, ancora una volta, una grande predominanza nel dibattito e l’intelligenza artificiale (non senza ragione), e più in generale si è respirata un’incertezza non banale di fronte a dei cambiamenti veloci e imprevedibili.

Fare previsioni e scenari in un contesto come questo è più difficile che mai, sono tutte riflessioni interessanti che ci aiutano a pensare, ne trovate moltissime di qualità in rete e quindi non sarò io qui a fare le mie.

Su di una cosa però mi sento di spendere un po’ di righe con l’inizio del 2026 ripartendo da dove avevamo chiuso appunto l’anno scorso. La tecnologia è un elemento incredibilmente potente oggi nelle nostre vite ma non deve essere il punto di partenza e di arrivo dei nostri pensieri.

Quel punto di partenza e di arrivo, deve essere invece la parola valore.

LA TECNOLOGIA DEVE ESSERE UNO STIMOLO AL CAMBIAMENTO…CHE PERÒ VA FATTO!

Ho chiuso 2025 dicendo che alla fine dell’anno non è la AI il nostro problema ma sono le nostre fondamenta: credo che è da qui che dobbiamo ripartire.

L’intelligenza artificiale chiaramente è la punta più clamorosa dell’iceberg di un tema che viene da più lontano. Abbiamo visto dei cambiamenti tecnologici incredibili negli ultimi 20 anni e a livello aziendale e personale abbiamo cercato di adattarci al meglio ma abbiamo continuato ad aggiungere in realtà nuove capacità e potenzialità senza avere metabolizzato e compreso a pieno le precedenti.

Nel frattempo che questa costruzione un po’ traballante continuava ad alzarsi, abbiamo pensato che la tecnologia ci avrebbe risolto i problemi ma questo è vero in parte: sono tanti anni che scrivo che la tecnologia più potente diventa tanto più deludente quando viene usata per gli scopi sbagliati e con impostazioni scorrette.

È uno di questi errori, il più comune è il più clamoroso, è quello di guardare alla tecnologia come qualcosa che sia plug and play, un accessorio che si aggancia automaticamente alla propria organizzazione, alla propria cultura, anche alla propria vita quando usciamo dall’ambito strettamente professionale e si adatta facilmente a tutto, così come viene promesso da chi la produce.

In realtà, questo non è mai successo nella storia recente della tecnologia e credo che si potrebbe andare indietro facilmente anche nel tempo: nel caso dei software aziendali “out the box”, e ancora di più con i SaaS, è sempre stato l’utilizzatore a doversi alla fine adattare e plasmare su quello che il software dava come guida, a volte anche in positivo per strutturare delle cose non ben organizzate, ma in generale sempre con una certa quota di adattamento necessario.

Nel caso poi di tecnologia che nascono con consumer per uso individuale, come possono essere stati social media, mobile e ora AI generativa, anche qui si è pensato che ciò che funzionava l’individuo potesse funzionare anche per l’organizzazione, ma non è così semplice.

Il fatto è che questi cicli si sono ristretti sempre di più mentre la pressione comunicativa è aumentata, non proporzionalmente alla conoscenza.

Quando ho cominciato a lavorare in azienda, oltre 20 anni fa, Internet e web non erano di sicuro novità, ma l’urgenza percepita c’era ma non così importante, lo stesso è stato poi con l’avvento del mobile, anche se con un ciclo un po’ più veloce e l’accelerazione è continuata in tante altre rivoluzioni tecnologiche vere o presunte, tra cui la meteora del metaverso.

Non mi sento però di poter dire che il potere trasformativo dell’avvento di Internet o di quello a quella diffusione del mobile non siano stati dirompenti nella vita e nel lavoro. Ma non era così forte la sensazione di FOMO.

Torniamo però un attimo al discorso del plug and play e facciamo un esempio utile a capirlo.

L’AGENTIC AI E IL CONCETTO DI CONTESTO

Sul piano comunicativo, abbiamo quasi archiviato i chatbot a favore degli agenti AI e, come dice il report Martech for 2026 di Chiefmartec e Martech Tribe, anche nella marketing technology si percepisce l’ansia di mettere un po’ dappertutto l’intelligenza artificiale una cosa quasi febbrile con però il rischio di perdersi e di seguire sempre la “nuova luce” più accecante, mentre si fa fatica a capire ha valore e cosa invece no, e oltre il 70% dei marketer è ancora in una fase pilota.

Se si guarda ai casi di uso, sono un po’ più avanti tutti gli utilizzi sui contenuti che infatti sono stati anche i primi sul mondo consumer (quanti utenti medi invece oggi usano regolarmente agenti?) e che, con molti distinguo da fare, possono essere abbastanza facilmente almeno testati anche in assenza di integrazioni tecnologiche profonde.

Che cosa c’entra però questa vista equilibrata, che non viene certo da degli autori “conservatori”, con la questione del plug and play?

Beh, più avanti nel report, si parla della necessaria evoluzione da prompt engineering a context engineering, ossia diventa fondamentale progettare quali dati ma anche quali universi di informazioni devono essere messe a disposizione dei sistemi IA, agenti inclusi, perché nel prossimo futuro la AI sarà sempre più una commodity mentre il contesto aziendale ad esso fornito sarà il vero fattore di differenziazione.

Utilizzare l’output dell’AI generalista come punto di arrivo anziché come punto di partenza genera contenuti “anonimizzati”, paragonabili a un hamburger di un fast food: standardizzati, privi di sapore unico e indistinguibili e in qualche modo ormai riconoscibili come artificiali.

La nuova generazione di agenti AI e assistenti crea e serve il contesto in modo dinamico. L’AI è in grado di capire cosa desidera l’utente tramite il linguaggio naturale e capire come agire utilizzando dati contestuali recuperati automaticamente “dietro le quinte”, che quindi devono essere ben organizzati (lo abbiamo detto tante volte) ma direi a questo punto coerenti con l’intero “sistema azienda”.

Se lo stack tecnologico (martech e non) tradizionale era un insieme di ingranaggi fissi, l’introduzione degli agenti AI lo trasforma in un “ecosistema dinamico” dove la tecnologia non si limita a eseguire regole, ma “interpreta” la situazione per rispondere in modo fluido.

Gli autori per visualizzare meglio questa differenza fanno il paragone di pensare al passaggio da uno spartito di musica classica (il sistema tradizionale), dove ogni nota e tempo è prestabilito e deve essere seguito fedelmente, a una sessione di improvvisazione jazz (il sistema basato sull’AI), dove i musicisti (gli agenti) reagiscono l’uno all’altro e all’ambiente in tempo reale, creando una melodia unica basata sul “contesto” del momento.

Affascinante vero? Assolutamente sì, ma questo vuol dire che tutta l’organizzazione è ben collegata in termini di processi, persone e informazioni e che la tecnologia può attingere a tutto questo, in una vera “Digital Supply Chain”

Il che non è banale, senza poi contare la necessità di disegnare efficacemente un’interazione equilibrata tra le persone e le macchine, senza paure irrazionali o fughe in avanti con grandi (e ingiustificati) impatti occupazionali.

Quindi, è tutta fuffa? No, è solo meno semplice di quello che ci viene raccontato. Il che per che sarà bravo a capirlo potrà essere un grande vantaggio.

Ma come si può orientarsi e creare questo vantaggio? Torniamo al concetto di valore.

COME ORIENTARSI? PARTIAMO DAL PERCHE’ E DAL VALORE

Mi fa un po’ sorridere tornare sempre sulle stesse cose anche con nuove tecnologie ma alla fine il trend è sempre lo stesso, solo con cicli più veloci: non si deve mai partire dalla soluzione tecnica ma da persone, obiettivi e strategia per poi scegliere i tool migliori.

Come ha ben detto Raffaele Gaito in questo video sotto sui trend AI, l’intelligenza artificiale non sarà più vissuta come un prodotto specifico e generalista ma diventerà una funzionalità integrata in browser, sistemi operativi e hardware.

Il risultato sarà che l’utente finale userà l’AI senza nemmeno accorgersene e questo, come dico da tempi non sospetti, sbloccherà il vero valore.

Chiaramente, nel mondo aziendale questo comporta che occorre concentrarsi sulla cultura e sul mindset aziendale e non focalizzarsi sul singolo tool (“cosa possiamo fare con chat GPT?”).

Per poter fare bene questo lavoro però serve un grande lavoro sulla conoscenza:

• la conoscenza del proprio dominio aziendale: la grande potenzialità della AI è quella di permettere ai vari reparti aziendali di poter migliorare il proprio lavoro con una minor dipendenza dalle feature preconfezionate dei software as a service e anche dai dipartimenti tecnologici, che devono garantire una governance illuminata
• la conoscenza della tecnologia: come ho ripetuto fino alla noia, senza avere una reale cognizione degli strumenti si vive tutto come “magia” e ne consegue un entusiasmo cieco o una paura atavica, con risultati disastrosi.

Oltre alla conoscenza poi servono le idee: stiamo abdicando troppa responsabilità alla tecnologia, nella speranza che essa ci porterà le soluzioni di cui abbiamo bisogno, facendoci risparmiare soldi con l’efficienza.

L’efficienza è un outcome importante e di grande valore, ma dobbiamo avere la lucidità e il coraggio (che la AI non ci da, al netto di aiutarci nei brainstorming) di cambiare le cose che non vanno e di reinventare l’organizzazione e i processi, anziché limitarsi ad aggiungere copilot o chatbot a flussi di lavoro obsoleti, come pura digitalizzazione centrata sulla tecnologia invece che come trasformazione.

Insomma, dobbiamo passare dal concetto di ingegneria del software a quello di ingegneria del valore, di cui la tecnologia è un motore ma non è il fine.

CHE COSA POSSIAMO AUGURARCI PER IL 2026?

Senza lanciarsi in previsioni incredibili quindi, credo che il migliore augurio per tutti noi sia quello di fare pace con l’incertezza e la volatilità, che penso sia inevitabile come dicono anche Robert McLean e Charles Conn in “Gli imperfezionisti. Pensiero strategico per tempi incerti”, e affrontare le nuove sfide con mentalità aperta, senza perdere di vista chi siamo e contemporaneamente senza avere paura di abbandonare alcune strade a favore di nuove.

Serve uno sforzo di approfondimento tecnologico, strategico, organizzativo importante che negli ultimi anni ho visto spesso perdere di vista, non è un processo facile però è una grande opportunità, tanto più che la AI può essere un potente alleato anche nel consolidamento: può aiutarti a riscrivere quel vecchio sistema legacy che nessuno osava toccare, a documentare processi invisibili, a mappare e categorizzare i dati dispersi.

Va fatta della fatica. investire nelle fondamenta non è sexy. Non genera comunicati stampa entusiasmanti. Ma è l’unica cosa che separa chi costruirà qualcosa di duraturo da chi vedrà crollare tutto sotto il peso dell’ultimo layer di innovazione.

Il 2026 sarà l’anno in cui emergerà la differenza tra chi ha fatto i compiti a casa e chi ha solo inseguito l’hype.

E’ sempre stato così, ad ogni svolta tecnologica e socio-politica, la differenza qui è che il tempo per gestire il cambiamento è sempre più stretto, mentre ad ogni giro di giostra si sedimentano sempre più elementi da dover aggiustare dopo.

La buona notizia in tutto questo è che la palla è ancora in mano a noi: siamo noi a dover e poter cambiare, con la tecnologia che diventa un grande alleato, se la usiamo e non la subiamo.

Buon 2026 e buon valore!

L’intelligenza artificiale non è un problema tecnologico, è uno specchio spietato che riflette tutti i limiti organizzativi che le aziende hanno ignorato per vent’anni. La trasformazione digitale è sì a portata di tutti, ma la realtà sul campo è molto diversa. E molto più interessante.

APP PER TUTTI, ANCHE SU MISURA. TUTTO FACILE?

L’intelligenza artificiale è stata protagonista di continui e clamorosi annunci e anche di sempre più accese discussioni sulla velocità e qualità del cambiamento in corso.

Come ho detto sopra, Vibe Coding è stata la parola dell’anno per il dizionario Collins (potete ascoltare su questa notizia anche il podcast qui sotto) e per questo le big del software ci raccontano quotidianamente di come ormai qualsiasi creazione di un artefatto software, grafico, video etc. è a portata di un prompt, per tutti.

Dal punto di vista tecnologico e delle possibilità è un fatto innegabile ma, come scrivevo ad agosto, non è necessariamente tutto così lineare e, soprattutto, privo di frizioni.

Di sicuro cambia un aspetto fondamentale della prospettiva con cui guardiamo al software: per la prima volta, non è necessariamente la persona che si deve adattare alla logica del programma ma è il programma che si modella sulle esigenze del singolo individuo, come racconta bene Alberto Mattiello nel suo podcast Scenari.

Questa esplosione di “app” cambierà il modo in cui pensiamo al software e all’economia che lo circonda: poiché così tanti programmi software saranno così facili da creare su richiesta, il software diventerà più usa e getta.

Potrebbe quindi perfino sembrare vicino alla soluzione il problema del “debito tecnologico” che ha afflitto le aziende per decenni, con lo sforzo di mantenere vecchie app e automazioni personalizzate superato tramite la creazione di nuovi software da zero.

La grande esplosione di app on demand accelererà però un effetto negativo, ci saranno molte più app e automazioni “zombie” che fluttuano in giro per i cloud del mondo. Programmi software che “vengono creati e poi dimenticati, che vagano nell’ombra, mangiano risorse e infestano le organizzazioni con effetti misteriosi di volta in volta” (cito qui Scott Brinker).

E’ innegabile quindi che, come avevo già raccontato in un post del 2024, quello che una volta era lo shadow IT si sta trasformando attraverso tutto il mondo dei citizen developer e del low code prima e dell’AI e degli agenti dopo, nel martech ma non solo.

Tuttavia, rispetto allo shadow IT dei tempi in cui ho iniziato a lavorare in grandi aziende all’inizio degli anni 2000 c’è una grande differenza: non parliamo più di app stand alone, di integrazioni tecniche minime, di temi di sicurezza tutto sommato limitati.

Parliamo di ecosistemi tecnologici, di sistemi che agiscono su altri sistemi, in linea teorica anche in maniera autonoma, e per questo servirà sempre più una governance forte ma illuminata, ne avevo parlato qui qualche mese fa e lo hanno di recente anche Matteo Flora (vedi video sotto).

Ma se davvero creare software è diventato così facile, se basta un prompt per trasformare un’idea in app, allora le competenze tecniche non contano più? È la domanda che aleggia in molte discussioni. E la risposta è tanto semplice quanto scomoda: l’AI non sostituisce le competenze, le amplifica. Anzi, le rende ancora più decisive.

L’INTELLIGENZA ARTIFICIALE NON E’ UN PILOTA AUTOMATICO: E’ UN AMPLIFICATORE DI COMPETENZE

Partiamo dal tema del poter fare qualsiasi cosa da parte di chiunque: un esperto di un certo argomento e un profano vedono azzerate tutte le differenze tra loro con la AI?

A questa domanda hanno risposto molto meglio di me Luciano Floridi e Raffaele Gaito nel video qui sotto.

Esiste una narrazione diffusa secondo cui l’AI “fa tutto lei”. È un’illusione pericolosa. L’intelligenza artificiale agisce come un moltiplicatore: dà il massimo solo quando è guidata da una solida competenza verticale. Come un cavallo non basta a fare un fantino, un LLM (Large Language Model) non trasforma un amatore in un professionista e nel video si fa l’esempio della fotografia: Midjourney in mano a un fotografo esperto produce risultati superiori perché l’utente conosce concetti come focale, luce e composizione, sapendo esattamente cosa chiedere alla macchina (cose testate in prima persona nelle mie esperienze aziendali).

Più che democratizzare le competenze, i tool AI permettono di validare idee, creare MVP (Minimum Viable Products) e testare il mercato con barriere all’ingresso quasi nulle, di “sbagliare velocemente ed economicamente”, consentendo anche a chi non ha competenze tecniche (es. di programmazione) di trasformare un’idea astratta in un progetto concreto da testare.

Poi serve lavorare però sulla qualità, perché utilizzare l’output dell’AI come punto di arrivo anziché come punto di partenza genera contenuti “anonimizzati”, paragonabili a un hamburger di un fast food: standardizzati, privi di sapore unico e indistinguibili e in qualche modo ormai riconoscibili come artificiali. Il valore aggiunto risiede nell’intervento umano successivo (l’editing, la personalizzazione, la voce unica del brand) che trasforma il semilavorato in prodotto finito.

Quindi non basta sottoscrivere un abbonamento ai tool più avanzati. E soprattutto, non può essere il lavoro di pochi esperti. Serve un cambio di paradigma che coinvolga l’intera organizzazione.

LA SFIDA DELLA DIGITAL LITERACY DIFFUSA

Come sempre quindi il tema non è tecnologico, ma organizzativo e culturale.

Il vero collo di bottiglia dell’intelligenza artificiale è la reinvenzione organizzativa, non la potenza di calcolo, come scrive Forrester Research in questo post, che si parla davvero bene con quanto ho pubblicato anche qui sul blog, il ROI dell’IA dipende quasi interamente da qualcosa in cui non si investe: la capacità di ripensare il modo in cui si lavora.

Come dice Frederic Giron nel suo contributo, la narrativa del settore dell’IA recita: “Aspetta. Arriverà più intelligenza. Modelli più grandi. Agenti più intelligenti. Aspetta e vedrai”. La verità è che non è necessario aspettare che una futura versione dell’IA si trasformi. Servono coraggio, concentrazione e persone disposte a reinventare il modo in cui si lavora.

Per troppo tempo, l’organizzazione aziendale è stata “la madre di tutti i problemi di governance della tecnologia” come ho scritto per anni, limitando la reale potenza degli strumenti, che senza l’adozione da parte delle persone sono degli oggetti inutili.

L’AI Agentica poi imporrà di ripensare i processi in un’ottica nuova (i tempi non sono pienamente maturi, però bisogna iniziare a predisporsi per tempo), anziché limitarsi ad aggiungere copilot o chatbot a flussi di lavoro obsoleti, come pura digitalizzazione centrata sulla tecnologia invece che come trasformazione basata sul valore.

Questo richiede un ripensamento end-to-end dei flussi e del diritto del lavoro (ascoltate anche il podcast qui sotto), un’opera di Digital Literacy diffuso dove l’umano è inserito deliberatamente e consapevolmente per aggiungere valore unico attraverso il giudizio, l’empatia e la creatività.

In questo, l’organizzazione deve evitare la trappola della iper semplificazione che di solito si tende ad applicare ai temi dell’adozione della Ai nelle aziende.

E deve strutturare anche i suoi dati e quella che io chiamo “Digital Supply Chain”.

DATI, CAPITALE INFORMATIVO E DIGITAL SUPPLY CHAIN

Ripensare il modo di lavorare, diffondere la digital literacy, inserire l’umano nei processi: tutto bellissimo sulla carta. Ma nella pratica, dove si inceppa la macchina all’inizio del viaggio? Nei dati. Perché puoi avere i migliori prompt engineer del mondo, ma se i tuoi dati sono un caos, se non sai dove sono, se non sono accessibili o parlano linguaggi diversi tra reparti, l’AI non può fare miracoli.

I dati poi non sono “solo” quelli degli analytics e della business intelligence: tutto quello che è digitalizzato, dai testi alle foto passando per formati più particolari come file 3d e altri, sono da considerare degli asset aziendali, tanto è vero che vengono di solito definiti digital asset. La loro gestione deve essere gestita e governata, e nei confronti della AI essi possono essere tanto degli input che degli output, da gestire, perché no, anche grazie all’intelligenza artificiale stessa, che li può categorizzare ed arricchire di informazioni a corredo.

Lo ha colto molto bene Microsoft con le nuove soluzioni che ha presentato a Ignite 2025 che ambiscono a catturare la logica del lavoro quotidiano, traducendola in conoscenza attivabile dagli agenti.

Per riuscirci però il processo di lavoro deve essere condiviso e sfruttare a pieno i tool che ci sono già, come ad esempio i sistemi di collaborazione, e anche questo non è così scontato.

Per dirla in modo semplificato, la AI ha quindi bisogno di una vera supply chain digitale, alla quale può contribuire, ma che deve essere strutturata bene fin dall’inizio, una cosa non così comune nelle organizzazioni, grandi e piccole (già nel 2020 avevo scritto a chiare lettere che il debito tecnico è un freno drammatico alla trasformazione digitale), e a riprova che il momento è arrivato da molto tempo, in quello stesso post ne avevo citato un altro del 2016 dal titolo piuttosto eloquente “Rassegnatevi, senza ICT non c’è trasformazione digitale di successo”.

Ora con la AI generativa e l’uso su larga scala di intelligenza artificiale anche di altro tipo la corda rischia di spezzarsi.

Ma che cosa compone quindi questa catena digitale?

E’ venuto fuori in modo evidente anche nell’ultimo Martech Day 2026, da cui ho tratto l’immagine qui sotto: dati e tecnologia di integrazione sì ma anche organizzazione.

C’è quindi un tema di persone. Il debito tecnico si è alimentato ed alimenta a sua volta tutto quel mondo di operations digitali (termine fin troppo sconosciuto in Italia, nel marketing ma non solo) che dovrebbero garantire la creazione e l’esecuzione di processi orchestrati, di dati condivisi e di azioni portate “at scale” e che invece sono frammentate e spesso incentrate su workaround e soluzioni tampone…permanenti!

Se vi ritrovate come immagino, nei contenuti che ho linkato non è preveggenza, è conoscenza della macchina digitale fin dai suoi albori, il problema è che sopra questa macchina dal motore che un po’ arranca abbiamo continuato a costruire per più di venti anni (ossia almeno da quando lavoro in grandi corporate e ne ho visibilità dall’interno) sempre nuovi strati di innovazione, senza mettere abbastanza in sicurezza le fondamenta.

Non è solo un tema di persone “IT”: sicuramente i leader del mondo tecnologico a volte non sono riusciti, per vincoli o competenze, ad essere lungimiranti su questi argomenti e magari non sono stati abbastanza efficaci nel comunicare le necessità per far approvare i relativi investimenti.

Ma il resto dell’azienda non può tirarsi fuori e dare la colpa solo ai CIO o ai Digital leader: il lavoro dei manager e della leadership è fondamentale per creare la cultura e le condizioni operative per permettere alla macchina tecnologica di esprimere nel modo corretto il suo potenziale.

Ecco perché è arrivato il momento di fermarsi e fare i conti con la realtà.

E QUINDI CHE COSA POSSIAMO E DOBBIAMO FARE?

Torniamo alla domanda iniziale: cosa ci ha insegnato davvero il 2025? Che l’intelligenza artificiale è un test di carico sulle fondamenta della tua organizzazione.

Immaginate di voler costruire un nuovo piano sulla vostra casa. Prima di iniziare, un architetto serio vi farebbe una domanda: le fondamenta reggono (ps. qui siamo nel 2011)?

Per vent’anni abbiamo continuato a costruire nuovi piani, social media, mobile, cloud, martech, e ora AI, senza mai avere abbastanza tempo per rimediare alle cose costruite troppo in fretta. Abbiamo accumulato debito tecnico, processi rattoppati, competenze frammentate. L’AI generativa non è l’ennesimo piano da aggiungere: è quello che fa tremare tutta la struttura e ti costringe a guardare in faccia ciò che hai ignorato.

Ma è anche il momento della verità. E quindi delle domande scomode:

Le tue persone capiscono davvero cosa stanno facendo con l’AI? Non basta un corso di prompt engineering. Serve digital literacy diffusa, quella che ti fa distinguere quando l’output dell’AI è un punto di partenza da lavorare e quando è solo rumore standardizzato.

I tuoi dati sono un asset o un problema nascosto? Se non sai dove sono, se i reparti parlano lingue diverse sui KPI, se manca governance, l’AI amplificherà solo il caos. La digital supply chain che nessuno vuole vedere diventerà il collo di bottiglia di ogni iniziativa.

La tua organizzazione è pronta a ripensarsi? Perché puoi avere la tecnologia più avanzata del mondo, ma se i processi sono obsoleti e le persone lavorano in silos impermeabili, non andrai da nessuna parte.

La buona notizia? L’AI può essere un potente alleato anche nel consolidamento: può aiutarti a riscrivere quel vecchio sistema legacy che nessuno osava toccare, a documentare processi invisibili, a mappare e categorizzare i dati dispersi. Ma solo se hai idee chiare su dove vuoi andare e il coraggio di smontare ciò che non funziona.

Investire nelle fondamenta non è sexy. Non genera comunicati stampa entusiasmanti. Ma è l’unica cosa che separa chi costruirà qualcosa di duraturo da chi vedrà crollare tutto sotto il peso dell’ultimo layer di innovazione.

Il 2026 sarà l’anno in cui emergerà la differenza tra chi ha fatto i compiti a casa e chi ha solo inseguito l’hype.

Servono però idee chiare e coraggio, e queste due cose l’intelligenza artificiale non può crearle dal nulla ma solo aumentare il risultato delle scelte delle persone…

English version is available on Medium.com

Si tratta di una biografia narrativa che ricostruisce l’ascesa personale e imprenditoriale di Sam Altman e la storia (anche politica e valoriale) di OpenAI, con una forte attenzione alle implicazioni dell’IA generativa sul futuro della società.

Come ha detto lo stesso Pisa in un evento recente cui ho partecipato anch’io, sorprendentemente nessuno aveva ancora scritto una biografia di Altman, e da qui nasce l’idea del volume che poi non si limita solo alla figura chiave dell’azienda più rappresentativa della GenAI ma apre uno spaccato interessante e avvincente su tutto lo specifico mondo di business e ricerca che vi ruota attorno.

UN ROMANZO PIÙ CHE UN SAGGIO TECNICO

I capitoli sono brevi, con titoli evocativi e con altre vicende ed episodi che si intrecciano con la storia del protagonista principale:

· Capitolo 1 – Sulle spalle dei giganti

· Capitolo 2 – Fuga dal Midwest

· Capitolo 3 – Lezioni di poker

· Capitolo 4 – Maestro Yoda

· Capitolo 5 – La fine del mondo

· Capitolo 6 – Il demone

· Capitolo 7 – Progetto Manhattan

· Capitolo 8 – Un sogno chiamato AGI

· Capitolo 9 – OpenAI

· Capitolo 10 – La cosa giusta

· Capitolo 11 – “By endurance we conquer”

· Capitolo 12 – Molto più di un gioco

· Capitolo 13 – Lotte di potere

· Capitolo 14 – Il segreto era nel paper

· Capitolo 15 – Bere il Kool‑Aid

· Capitolo 16 – Il cavaliere bianco

· Capitolo 17 – Pappagalli

· Capitolo 18 – Come Oppenheimer

· Capitolo 19 – Caos

· Capitolo 20 – Essere Sam Altman

Il libro segue tre linee intrecciate, come in un romanzo:

• la biografia di Altman, con la prima parte della sua vita nel Midwest degli Stati Uniti, l’arrivo a Stanford, l’esperienza da Y Combinator, la prima startup Loopt.
• la storia di OpenAI, dalla fondazione con Musk al passaggio da non‑profit a ibrido passando per la partnership con Microsoft)
• il dibattito pubblico su sicurezza, regolazione e potere dell’IA generativa.

Rispetto a Altman come persona, il libro permette di scoprire diversi aspetti della sua vita che arricchiscono la percezione (non certo errata, secondo me) di personaggio brillante ma anche spregiudicato, non privo di contraddizioni visto che è ossessionato dagli scenari apocalittici ma al tempo stesso convinto che valga la pena provare a costruire un’IA generalista “per il bene dell’umanità” (vedi anche l’intervista qui sotto).

Di sicuro, e questa è una sottolineatura importante per capire il contesto, Open AI nasce davvero da una preoccupazione reale, di Elon Musk, Altman e di altri, per il rischio di una concentrazione delle capacità tecnologiche che possono condurre alla AGI (con tutti gli hype che ben abbiamo conosciuto) nella mani della sola Google con Deepmind, la cui forza e i cui progressi all’epoca dei fatti sono ben raccontati dal libro.

Gli avvenimenti narrati successivamente poi dimostrano che però “giocare a fare Dio” con l’IA è un atto di responsabilità e allo stesso di hybris continua, dove i soldi hanno non poca parte, e questo nel libro è sottolineato dai continui rimandi al Progetto Manhattan e alla figura di Oppenheimer, specie nei capitoli centrali.

Sappiamo che la tecnologia non è buona o cattiva in sé, ma quando è così potente e trasformativa e tutto si muove così in fretta l’ideologia quasi salvifica di questi personaggi è sempre piuttosto inquietante.

Grazie al racconto di Pier Luigi Pisa, diventa anche più chiaro il contesto, molto umano, in cui è maturata la clamorosa e fulminea crisi che ha portato all’estromissione e poi il ritorno di Altman così come il ruolo di Microsoft come partner strategico (per ora?) di Open Ai.

I vari capitoli, inoltre, ci offrono insight utili sul rapporto tra ecosistema (Silicon Valley, Stanford, Y Combinator) e traiettorie imprenditoriali individuali in un contesto che è chiaramente molto diverso da quello italiano ed europeo.

Sono tutti elementi che permettono di contestualizzare la corsa della AI generativa, che per quanto sia stata velocissima negli ultimi anni non è nata dal nulla, come d’altra parte accade sempre quando si parla di innovazione.

PERCHE’ VALE LA PENA DI LEGGERE QUESTO LIBRO

Una prima motivazione, che non è da poco, è che il volume di Pier Luigi Pisa è avvincente e si legge molto velocemente perché non è un saggio tecnico o un libro di settore.

C’è di più però: questo romanzo/reportage permette a tutti i tipi di lettori calarsi nella mentalità e nelle vicende di una serie di personaggi, Altman in testa naturalmente, che oggi sentiamo menzionare quotidianamente dalle cronache ma in realtà conosciamo in modo superficiale.

Questi personaggi però, con iloro capitali e la loro ideologia stanno influenzando pesantemente le nostre vite, il mondo del lavoro, la nostra concezione della realtà e quindi capire meglio da dove vengono e il loro contesto credo sia importante e prezioso oggi per interpretare meglio le notizie che sentiamo ogni giorno.

Conoscere la storia recente dell’intelligenza artificiale infine ci permette di capire anche le dinamiche che stanno caratterizzando questa corsa.

Prendiamone una per tutte, le vicende di Google rispetto a questa tecnologia: come detto, grazie anche all’acquisizione di Deepmind la società di Mountain View alla metà degli anni duemiladieci era leader assoluto di questo campo di ricerca e i suoi brevetti e risultati sono alla base di tutto quello che è successo dopo.

Nel libro si raccontano molto bene, ad esempio, la serie di successi dei software AlphaGo nel complesso gioco del Go attraverso il processo dell’autoapprendimento, culminato nella storica vittoria sul campione coreano Lee Sedol nel 2016.

Google però, che aveva già iniziato ad aggiungere alcune capacità AI alla sua suite di produttività già nel 2018, ha mantenuto un atteggiamento graduale e prudente, cosa che non ha avuto Open Ai che aveva poco da rischiare in caso di malfunzionamenti, mentre ricordiamo tutti gli esordi di Bard quando Google è stata presa dal FOMO, con il conseguente danno da 100 miliardi in valore in borsa.

E ora invece è Google a spingere, a partire da Gemini 3, tanto far scattare l’allarme rosso in casa Open Ai di cui si è molto parlato in questi giorni.

La lettura del libro di Pier Luigi è un ottimo modo per poter capire meglio questi avvenimenti ed è un piacevole ripasso per chi ha già confidenza con le vicende della Ai generativa.

Come sempre, la paura e l’entusiasmo cieco sono entrambi due atteggiamenti pericolosi quando si parla di innovazione e l’unico modo di superarli è la conoscenza.