Perché il passaggio dall’adozione alla messa a terra richiede molto più dei modelli. L’analisi di Antonio Testa, Generazione AI
Esiste uno scarto crescente tra il potenziale attribuito all’intelligenza artificiale e la sua reale capacità di incidere sui processi produttivi. Mentre il dibattito pubblico resta spesso ancorato alla dimensione tecnologica, nelle imprese emerge un nodo più profondo: l’AI non fallisce per limiti dei modelli, ma per l’assenza di governance, dati strutturati e responsabilità operative.
È in questo spazio, ancora poco presidiato, che si inserisce l’approccio di Generazione AI. Ne parliamo con Antonio Testa, Ceo & Chief of Innovation, per comprendere cosa significhi davvero passare dalla sperimentazione all’impatto industriale e quale ruolo possa avere l’intelligenza artificiale nella costruzione di un vantaggio competitivo sostenibile.
Come descrivereste Generazione AI e quale approccio portate oggi nel dibattito sull’AI applicata all’impresa?
Vogliamo essere il partner che trasforma l’AI da intenzione a vantaggio competitivo reale, per le imprese italiane che non possono permettersi di cadere nei tranelli della narrazione e della retorica, ma vogliono capire quali possono essere i vantaggi concreti di questa tecnologia e ottenerli.
Generazione AI è l’incontro tra due tipi di know-how: quello tecnologico e quello industriale. Per noi prima viene l’analisi, poi la revisione del processo e, infine, la tecnologia: non adattiamo il cliente al software, ma il software al cliente.
È un paradigma che ci caratterizza e ci differenzia, unitamente a un approccio all’AI più funzionale a una visione globale dei processi di digitalizzazione. Non ci siamo mai concentrati su un singolo prodotto verticale, casomai da proporre in SaaS, perchè riteniamo che questo modello sia riveli fragile nel medio/lungo periodo. Molte di queste funzioni, infatti, nel giro di pochi mesi presentano una probabilità altissima (circa l’80%, secondo le nostre stime) di essere proposte, anche in modalità gratuita o integrata, da grandi player come Claude, OpenAI o Google.
Oggi le aziende tendono a sottovalutare che il problema reale dell’AI non riguarda la tecnologia, bensì la governance dei processi: senza sapere chi decide cosa, nessun modello AI funziona davvero.
L’AI e, più in generale, l’informatica amplificano i processi esistenti: se questi sono corrotti, il modello va in crisi più velocemente, mentre, se si parte da processi sani e consapevoli, si può guadagnare in efficienza e qualità del risultato.
AI vs decisione umana: chi rischia di perdere davvero questa partita?
Sicuramente chi sceglie di ignorare l’impatto di questa tecnologia, ma anche chi si avvicina alla AI in maniera fideistica. L’AI non elimina la decisione umana, ne migliora l’efficacia e offre una lente di ingrandimento su fattori decisionali spesso trascurati. Chi non sale di livello rischia di essere scavalcato non dalla macchina, ma dai concorrenti che la sanno interpretare ed utilizzare.
Cosa significa davvero essere “AI Ready”?
Sicuramente non basta avere un abbonamento a un modello generalista (ChatGPT, Claude, Gemini etc.), ma poter contare su dati affidabili, processi documentati e persone che sanno come e quando affidarsi all’AI. L’AI readiness è prima di tutto una questione di maturità organizzativa e dei dati, non tecnologica.
Pensiamo a un’azienda manifatturiera, possiamo guardarla come un corpo: i dati di produzione e quelli delle macchine sono il sistema nervoso, i metodi industriali e le procedure sono la struttura. Soltanto quando questi due strati comunicano davvero ha senso innestarci sopra il cervello, cioè l’AI a supporto delle decisioni. Senza questa base, l’AI non ha nulla di affidabile da leggere e regole certe secondo cui agire.
Quando invece la base c’è, l’AI può aiutare a fare cose molto concrete: come allertare controlli mirati al posto di automatismi generalizzati, quantificare scostamenti non percepiti rispetto ai costi teorici di produzione, migliorare il controllo qualità con la computer vision, riconoscere schemi noti per prevedere dinamiche industriali sfruttando il know-how accumulato negli anni.
Risultati come questi non possono prescindere da una conoscenza profonda del processo e delle pratiche aziendali, da una loro preparazione all’arrivo della digitalizzazione spinta e della AI. Diversamente, sarebbe come mettere un motore di Formula 1 su un’utilitaria: qualora funzionasse, farebbe danni.
Per questo il primo passo è sempre lo stesso: make it happen, ma nell’ordine giusto.
Perché molte aziende restano ferme ai PoC (Proof of Concept) e non riescono a industrializzare l’AI? Come si passa da demo a impatto reale?
Tre motivi: dati non pronti, assenza di un’adeguata fase implementativa (MLOps) e l’assenza di qualcuno che si assuma la responsabilità della fase produzione.
Il prototipo sperimentale (la prova concettuale o PoC), pur nascendo sempre da un’esigenza reale, funziona in un ambiente controllato, mentre il mondo reale è fatto di eccezioni, integrazioni con sistemi preesistenti, utenti che usano lo strumento in modi imprevisti e dati che evolvono nel tempo.
Per quanto riguarda il tema della responsabilità, va aggiunto che la PoC è quasi sempre impostato come un progetto IT, mentre per funzionare nella realtà richiede un owner di business che si prenda in carico KPI, manutenzione e adozione.
Noi lavoriamo per colmare il gap tra la sperimentazione e la scalabilità, partendo dall’assesment e spostando il centro decisionale delle PoC dall’IT alle operations. L’esperienza e i dati dicono che una PoC senza un percorso di industrializzazione già scritto è più un costo che un investimento.
“One Day” vs “Day One”: quando un’azienda smette di parlare di AI e inizia davvero a usarla?
Finchè ci si chiederà “quanto costa provare” e non si valuta “quanto mi costa non farlo” il giorno in cui cominciare non arriverà mai.
Il vero ostacolo, oggi, non è capire l’AI o scegliere la tecnologia giusta in funzione delle proprie necessità, ma continuare a rimandare la decisione di provarla. Vediamo, infatti, molte aziende ferme nella fase di osservazione: incapaci anche di avviare processi di analisi e valutazione preliminari. Nel frattempo, chi ha iniziato, anche con un perimetro piccolo, o anche con un singolo processo, sta costruendo un vantaggio competitivo reale, fatto di dati raccolti, modelli affinati e team che imparano a lavorare con l’AI. È così che comincia a crescere un divario che, dopo dodici o diciotto mesi, poi diventa molto difficile da colmare.
Il Day One arriva quando c’è un responsabile interno che libera i progetti dai tecnicismi dei reparti IT, valida un budget, un processo e un KPI e comincia a far funzionare l’Ai.
Ogni trasformazione ha un primo giorno. Quel giorno, ad esempio, per noi è oggi perché usciamo dalla nostra area di comfort e cominciamo a comunicare con più intensità. Quel giorno per noi sarà anche il debutto all’AI WEEK: una preziosa occasione di confronto internazionale per dire la nostra su un cambiamento che, ormai, non riguarda più soltanto il futuro.
Qual è il progetto che meglio vi rappresenta?
È il progetto di cui parleremo anche nel nostro intervento al panel di AI Week, a Milano, Private Industrial Intelligence: si tratta di un modello di Private AI costruito sui processi e sulla conoscenza dell’azienda, che consente di capitalizzare esperienze e dati mettendoli a disposizione di chi lavora oggi e di chi arriverà domani. Un modello funzionale, facilmente integrabile nei processi e nei sistemi aziendali, che opera salvaguardando i dati e i segreti dell’impresa: niente migrazioni, niente rivoluzioni, ROI misurabile dal primo mese. Questo è il nostro metodo: partire da ciò che c’è e moltiplicarne il valore.
A differenza dei modelli generalisti, che “conoscono tutto, ma non conoscono te”, una Private AI lavora solo sui tuoi dati, nei tuoi sistemi, nel tuo perimetro in massima sicurezza. È la stessa differenza che c’è tra un consulente di passaggio e uno che conosce e protegge i segreti della tua azienda; il nostro modello consente di evitare il rischio, esistente invece nel caso di un AI pubblico, di insegnare la tua “ricetta segreta” alla concorrenza.
All’AI Week porterete una demo sulla gestione delle crisi: cosa vedrà il pubblico, in concreto?
Chi verrà a trovarci potrà confrontarsi con una simulazione di scenari di crisi aziendale (operativa, reputazionale, di processo) e confrontare le proprie decisioni con quelle di un’AI addestrata. Una sorta di “Imitation Game” aziendale con il quale sfidare l’Intelligenza Artificiale e misurare le divergenze con le proprie decisioni.
Quali sono i principali progetti di R&D su cui state investendo?
Nel nostro AI Lab stiamo lavorando su più fronti, ma tre in particolare stanno riscontrando maggior riscontro dal mercato e oggi definiscono il nostro cammino.
Il primo sono gli Small Language Models addestrabili on-premise: modelli compatti, specializzati su domini ristretti, che girano anche con posche risorse, senza dover passare da cloud pubblici, garantendo una condizione di massima sovranità del dato.
Il secondo sono le Causal AI, o world model, ovvero modelli che alla conoscenza statistica affiancano le regole di causa-effetto. È il salto dalla dimensione probabilistica a quella più realistica che per le sue previsioni prende in considerazione le regole del mondo di riferimento.
Il terzo è l’analisi del territorio, attraverso l’integrazione di dati provenienti da archivi, sensoristica terrestre, rilevazione aerea e satellitare. È un fronte che apre applicazioni concrete in controllo delle trasformazioni della terra, agricoltura, logistica, monitoraggio infrastrutturale e gestione del rischio ambientale.
Tre direzioni diverse, ma con un denominatore comune: portare l’AI dove oggi non arriva, o arriva solo a costi e condizioni che la rendono poco accessibile.
