L'IA applicata non funziona

Il mondo ha speso una fortuna in AI. Per la maggior parte delle aziende, nulla è cambiato. Ho parlato con oltre 300 CEO, CIO e CFO delle più grandi aziende del pianeta. Ho imparato che la maggior parte delle aziende applica l'AI ai propri processi inefficienti, e il risultato finale è semplicemente produrre inefficienza più velocemente. Che si tratti di acquistare migliaia di licenze di Claude Code, impegnare 50 milioni di dollari in spese annuali di token, o organizzare sessioni di formazione sull'AI su Zoom, ho visto in prima persona quanto inefficiente sia stata l'adozione dell'AI. Non deve essere per forza così.

Abbiamo già percorso questa strada, in realtà molte volte, e dovremmo imparare dalla storia quando si tratta di adozione dell'AI. La mia speranza è che, entro la fine di questo articolo, i leader dell'AI in tutto il mondo abbandonino i loro metodi arcaici e ingenui di applicazione dell'AI e seguano invece il processo collaudato e testato illustrato di seguito.

Parte 1: La Storia e i suoi Parallelismi

Nel 1990, un ex professore di informatica del MIT di nome Michael Hammer scrisse un articolo per l'Harvard Business Review. Aveva già passato anni all'interno di aziende che spendevano enormi quantità di denaro in computer ottenendo un ROI molto scarso, e fu tra i primi a scoprirne il motivo.

"I massicci investimenti in tecnologia informatica hanno prodotto risultati deludenti, in gran parte perché le aziende tendono a usare la tecnologia per meccanizzare vecchi modi di fare business. Lasciano intatti i processi esistenti e usano i computer semplicemente per accelerarli."

Questa è una citazione reale. Ma state scherzando? Se sostituiste 'tecnologia informatica' con 'AI', potreste pubblicarla domani e finire in prima pagina su Business Insider. Nello stesso articolo scrisse che era ora di smettere di asfaltare i sentieri delle mucche. Sono passati 36 anni, e indovinate cosa stiamo ancora facendo?

Nota: Asfaltare i sentieri delle mucche significa automatizzare, formalizzare o cristallizzare un processo inefficiente esistente invece di riprogettarlo per come dovrebbero funzionare le cose. Vi ho risparmiato la visita a Claude, prego.

Nel frattempo, sono stati spesi oltre 1 trilione di dollari in capex per costruire l'AI (solo Microsoft, Alphabet, Amazon e Meta hanno speso 410 miliardi di dollari nel 2025; una cifra sbalorditiva, lo so), eppure solo 37 miliardi di dollari sono stati spesi dalle aziende per usarla effettivamente. Cosa significa in pratica: il Dipartimento per il Commercio e gli Affari del Regno Unito ha condotto una sperimentazione di Microsoft 365 Copilot e ha pubblicato i risultati. Sono state distribuite 1.000 licenze in 3 mesi, e c'è stata una media di sole 1,14 azioni di Copilot per utente al giorno. Le slide di PowerPoint sono state create 7 minuti più velocemente (da 18 minuti a 11), ma con un punteggio di qualità dimezzato. L'analisi in Excel è stata effettivamente completata più lentamente (e anche con qualità peggiore). Il risparmio di tempo nelle email è stato, e cito testualmente, "estremamente ridotto". La loro stessa conclusione, testuale: "Non abbiamo trovato prove solide che suggeriscano che il risparmio di tempo stia portando a un miglioramento della produttività." Eppure il 72% degli utenti ha dichiarato di essere soddisfatto o molto soddisfatto.

Per farla breve: alla gente è piaciuto, eppure producevano esattamente quello che producevano prima. Ethan Mollick (Professore Associato alla Wharton e Ricercatore di AI) l'ha detto meglio: "L'uso dell'AI che migliora le prestazioni individuali non si traduce naturalmente in un miglioramento delle prestazioni organizzative." Questo articolo approfondirà il perché, e offrirà soluzioni che abbiamo visto funzionare nella pratica.

Per contesto, sono Vas, CEO di @varickagents. Lavoriamo con aziende estremamente grandi (con ricavi tra 500 milioni e 100 miliardi di dollari, da 1.000 a 100.000 dipendenti), aiutandole ad adottare l'AI, dalla strategia generale, alla reingegnerizzazione dei processi, fino alla creazione, implementazione e gestione dei loro agenti. Questo articolo si basa sugli insegnamenti che abbiamo tratto: cosa distingue i progetti pilota di AI che falliscono (nessun ROI misurabile) da quelli che hanno successo (oltre l'80% del lavoro è gestito interamente da un agente, risparmiando tempo e denaro).

Il motivo per cui questo continua ad accadere non è la pura stupidità. In parte lo è, certo, ma per lo più è inerzia e progettazione. Chi firma un contratto AI oggi potrebbe possedere gli strumenti e la selezione del fornitore, ma di certo non possiede il processo. Nessuno in quella catena ha il potere di entrare, per esempio, in finanza e dire che il loro processo in 14 fasi dovrebbe in realtà essere di sole 5 fasi. Quindi nessuno lo fa. Invece, si 'applica l'AI' su ciò che si ha già, e si finisce per avere mer*a più veloce.

L'AI non dovrebbe essere 'applicata'. Non funziona. Si 'applica' una mano di vernice. Troppe persone pensano all'AI come a una mano di vernice fresca, e la vernice non aggiusta ciò che c'è sotto. Nessuno ha mai detto 'cloud applicato' o 'digitale applicato'. No, invece hanno detto Trasformazione Digitale, Modernizzazione del Cloud, perché tutti capivano che quelle erano trasformazioni, e che la tecnologia era solo una parte di esse. L'AI prende la stessa forma.

Torniamo a Hammer: il suo numero migliore proviene da una compagnia assicurativa che ha studiato. Una richiesta impiegava 22 giorni per muoversi attraverso l'azienda. Di quei 22 giorni, il tempo totale che qualcuno passava effettivamente a lavorarci era di 17 minuti. Supponiamo che oggi il vostro esperto di AI inserisca il miglior modello del mondo in quel processo e renda ogni singolo passo due volte più veloce. Ha risparmiato 8 minuti e mezzo. Lui lo considera un risparmio di tempo del 50%, ottiene la sua promozione e il suo bonus, e se ne va verso il tramonto. Sono 8 minuti.

I risparmi non erano nel lavoro sulla richiesta. Erano nelle code e nei passaggi di consegne, nei periodi di attesa per altri team, e nel secondo ciclo di revisioni. Spendere le proprie energie per velocizzare i 17 minuti è peggio che non fare nulla; hai appena speso il tuo budget e hai dimostrato al tuo consiglio di amministrazione che 'l'AI non funziona'. Potreste pensare che sia un retaggio degli anni '90, ma non è così. Abbiamo lavorato con un'azienda che ha affrontato esattamente questo problema, dai suoi stessi log di sistema. Aprire un nuovo caso cliente richiedeva 25 minuti di lavoro reale. Il tempo trascorso, dall'inserimento del caso alla sua attivazione, andava da 2 giorni a 2 settimane. Il lavoro può essere di minuti mentre il processo può ancora durare settimane.

Quando dico che la maggior parte dei programmi AI sta rendendo la mera più veloce, intendo letteralmente. Il processo è mera. L'AI lo sta rendendo più veloce. Al che ho sentito: "beh, siamo un'azienda enorme, quindi chiaramente stiamo facendo qualcosa di giusto, e non abbiamo bisogno di cambiare." Adattarsi o morire è vivo e vegeto oggi, più che mai, e questo è l'unico aspetto in cui l'AI differisce dal digitale e dal cloud. Usata correttamente, l'AI dà a un concorrente un vantaggio su di voi che quelli non hanno mai dato. Che sia per sottrarvi quote di mercato sul costo, scalare all'infinito senza aumentare il personale di back-office, o contattare il mondo intero prima che riusciate a mettere insieme una lista di lead, vi schiacceranno. Nel migliore dei casi continuate a crescere, e ora il vostro organico scala in modo esponenziale. 3 analisti diventano 6, ma i 6 ora hanno bisogno di un manager, e dato che sono 2 team, hanno bisogno di un passaggio di consegne che non esisteva prima, e ora quel passaggio necessita di una riunione di aggiornamento e un project manager, ecc. ecc. Ecco perché i grafici dell'organico curvano verso l'alto, mentre i ricavi per dipendente no. Adattarsi o morire, ma non fate finta che l'AI non stia accadendo. I vostri concorrenti si fermeranno davanti a nulla pur di capire come fare.

Parte 2: Cosa Fare Oggi

I vostri dati sono un caos e i vostri sistemi non comunicano tra loro, quindi forse il vostro primo istinto è sistemare questo prima di toccare qualsiasi altra cosa. Avete bisogno di un solo ERP, un solo CRM, una sola piattaforma dati, e poi l'AI sopra. In teoria suona bene, ma gli specialisti IT sanno che non è mai così semplice. Date un'occhiata a quanto costa realmente, sia in termini di denaro che di tempo.

TSB ha speso 318 milioni di sterline per una migrazione bancaria core, ha subito circa 200 milioni di sterline in più in costi per incidenti, è stata multata per 48,65 milioni di sterline dalla FCA e dalla PRA nel dicembre 2022, e ha bloccato i servizi bancari per 5,2 milioni di clienti. Zimmer Biomet, un produttore da 8 miliardi di dollari, ha presentato una richiesta di risarcimento di 172 milioni di dollari contro Deloitte nel settembre 2025, dopo che una 'migrazione e consolidamento' mal eseguita li ha lasciati incapaci di svolgere funzioni di base, come spedire i loro prodotti, fatturare i loro clienti o produrre report di vendita funzionanti. E questi sono solo i due esempi finiti sui giornali; incidenti come questi sono molto più comuni di quanto pensiate.

Ciò su cui dovreste concentrarvi per risolvere è invece il processo. Diciamo che avete acquistato 9 aziende negli ultimi 20 anni, il che significa che ora avete lo stesso processo che funziona in 9 modi diversi nelle vostre 9 filiali. Se volete 'applicare' l'AI in tutta la vostra azienda, dovrete costruire lo stesso agente in 9 modi diversi, e poi essere costretti a mantenere tutti e 9 i set di agenti, in perpetuo. Per evitare questo purgatorio, dovete prima definire il singolo processo che funziona a livello globale, che implementate in tutta l'entità, prima ancora di pensare di applicare l'AI sopra.

Al contrario, NON avete bisogno di un solo ERP. Le integrazioni deterministiche si rompevano nel momento in cui 2 sistemi non erano d'accordo su cosa fosse un record fornitore. Tuttavia, gli agenti tollerano questa incoerenza, quindi un livello di orchestrazione che si colloca tra i sistemi che già avete È la soluzione ai sistemi disparati. I vostri sistemi non hanno solo bisogno di comunicare tra loro, devono essere felicemente sposati, tollerando i difetti reciproci.

Iniziare a mappare

Per riprogettare la vostra azienda, dovete prima capirla. Non si arriva a questo livello di comprensione scegliendo un singolo flusso di lavoro, dove si passano 8 settimane a perfezionare qualcosa che poi si scopre essere bloccato da un processo sorella a monte, e si finisce con un ROI netto pari a zero.

Allo stesso tempo, tuttavia, non potete semplicemente inglobare l'intera azienda in una volta sola, dovete pur iniziare da qualche parte. Iniziate a livello di reparto. Non sarà perfetto - la finanza tocca le vendite ogni volta che il riconoscimento dei ricavi dipende da come qualcosa è stato venduto. Le risorse umane toccano IT e Operations per ogni nuova assunzione. Ma almeno in questo modo, identificate 'gruppi' di flussi di lavoro che alimentano lo stesso reparto (ad esempio, la Finanza contiene AP, AR, FP&A, Fatturazione, Bancario, Riconciliazioni, ecc.), e potete iniziare a mappare i seguenti 7 dettagli:

1. Il 'percorso felice': di cosa è responsabile questo flusso di lavoro e cosa succede nello scenario più ideale. Per la maggior parte delle aziende, questa è più o meno l'unica cosa veramente documentata nei minimi dettagli.
2. Le eccezioni. È qui che passa la maggior parte del vostro tempo. Non descrivete solo cosa succede, ma andate a calcolare quale percentuale di volume lascia il percorso felice, dove va, chi viene coinvolto, qual è il tempo di ciclo per gestire queste eccezioni e qual è il costo di un errore qui.
3. Cosa c'è a monte e a valle di questo flusso di lavoro? Come interagisce questo processo con quelli, quando le cose sono in ritardo o vanno male in ciascuno?
4. Quali sono tutti i sistemi di registrazione coinvolti e quale vince quando due di loro non sono d'accordo?
5. In cosa differisce questo per regione, per entità, per filiale, per quale acquisizione è stata ereditata?
6. Qual è il tempo di contatto rispetto al tempo trascorso e come varia il divario in ogni singolo passaggio?
7. Qual è la capacità AI di ogni singola persona nella funzione e quale grado di controllo dovrebbero avere su un sistema AI futuro? (Calcolarlo è soggettivo e varia notevolmente).

Sono necessarie due procedure per estrarre le informazioni di cui sopra:

• Process mining sui sistemi di registrazione per raccogliere azioni, timestamp, throughput, modifiche e la realtà che non corrisponde alla documentazione.
• Interviste, perché quanto sopra vi darà dati, ma le conversazioni con gli operatori vi diranno esattamente dove si trova il dolore. La realtà della vostra organizzazione vive nelle teste di 10-20 persone che hanno svolto questo esatto lavoro per la vostra esatta azienda per anni, e alla fine della giornata la vostra AI deve essere adottata da queste persone per funzionare efficacemente.

Fare solo uno di questi passaggi vi lascia con un quadro incompleto, ed è la ragione principale per cui la scoperta dell'AI fallisce. Ho visto aziende di AI Applicata cercare di prendere scorciatoie con 'Interviste AI', o inviando ingegneri a fare le interviste. Questo non funziona. Metà del lavoro è sviluppare una solida relazione con gli operatori e sapere quali domande porre loro, in modo da andarsene con una buona comprensione di cosa costruire e come implementarlo.

Gli Agenti che Funzionano non sono solo Chiamate LLM

La riprogettazione dei processi è un esercizio di smistamento che richiede esperienza software e AI. Ogni passo rientra in uno di 3 contenitori:

Deterministico. Se X allora Y, senza alcun giudizio coinvolto. Ad esempio, se la fattura è al di sotto di una certa soglia di importo in dollari e corrisponde all'ordine di acquisto e al ricevimento merci, allora la pagate. Se la comunicazione nomina un concorrente, allora instradatela al team conflitti. Queste azioni sono meglio gestite con del buon vecchio software. Non avete bisogno di una fantomatica chiamata LLM se potete farlo invece con codice normale, che è economico, verificabile, deterministico (non allucina mai) e veloce.

Agentico. Se avete migliaia di esempi passati di esseri umani che prendono una decisione con il risultato registrato, e questo passo è a rischio sufficientemente basso (ad esempio, approvazioni di deal desk o codifica GL), dovreste assolutamente usare un LLM per il giudizio. Soprattutto se l'output è un sì/no, un instrada-a-questo-team, un segnala/non segnalare, o un corrisponde/non corrisponde, implementatelo con un agente e misurate ogni output. D'altra parte, se l'output richiesto è 5 pagine di un documento che un essere umano deve comunque leggere per intero per verificare, allora è meglio ibridare l'approccio. Qui, dovete giudicare la difficoltà dell'azione, non la difficoltà del pensiero.

Human-in-the-Loop. Per i passi che sono troppo rischiosi o non hanno abbastanza contesto storico, è meglio mantenere l'umano nel ciclo, perché il costo di un agente che sbaglia un'azione è troppo alto. Invece, mettete ogni prova rilevante di fronte a quell'umano nel momento in cui decide. Ad esempio, un agente rileverà una discrepanza tra una fattura e un ordine di acquisto, e poi presenterà all'umano 3 opzioni: approvare comunque, rifiutare semplicemente, o fornire feedback e instradare a qualcun altro. L'agente ha appena risparmiato al vostro umano 40 minuti di ricerca tra email, registrazioni di fatture e altro, in modo che invece possa prendere una decisione in 30 secondi. Ma l'azione finale è ancora bloccata da quell'umano.

Una volta che avete smistato ogni passo in uno dei 3 contenitori di cui sopra, potete trasformare qualcosa come un processo in 25 fasi in un cluster di 3 agenti, con passi deterministici prima e dopo, e infine 2 punti di azione human-in-the-loop per sbloccare. Questo lavoro di reingegnerizzazione dei processi, insieme agli agenti stessi, è dove risiede tutto il ROI.

Dopo questo, stabilite i KPI di base prima di costruire qualsiasi cosa. Il vostro obiettivo è calcolare i numeri alla base del processo che state risolvendo, incluso dove e come quei numeri vengono misurati oggi. Se non potete farlo, questo progetto è destinato a fallire. Dovete essere in grado di guardare indietro tra 12 mesi e dire: eravamo a X, e ora siamo a 3X, o 10X, o 100X, grazie agli agenti che abbiamo costruito. Solo allora potrete dire che questo progetto è stato veramente un successo.

Infine, stabilite le priorità e sequenziate la vostra costruzione. Per prima cosa, affrontate il flusso di lavoro con il maggior numero di passaggi di consegne, poiché questo è probabilmente il frutto più basso dove potete vedere i risultati più chiari. La distinzione chiave è che questo non è necessariamente lo stesso flusso di lavoro con il volume maggiore.

Come si presenta questo nella pratica?

Abbiamo riprogettato un'azienda globale che riconciliava oltre 300 conti bancari ogni mese. 2/3 di essi erano gestiti da un team offshore, e il resto suddiviso tra altre 2 regioni in 3 formati diversi, ma interamente in Excel. C'erano oltre 12.000 voci di riconciliazione aperte, e 4 giorni all'inizio di ogni mese venivano spesi per ottenere gli estratti conto. Il loro processo di riconciliazione richiedeva quasi tutto il mese, ogni mese.

Il loro flusso di lavoro prima che lo riprogettassimo era il seguente (e prima che li prendiate in giro, riconoscete che sicuramente avete processi come questo, se non peggiori, nella vostra azienda):

1. Inseguire e raccogliere gli estratti conto da ogni banca, nel formato che forniscono
2. Normalizzarli nel workbook regionale
3. Estrarre il report della contabilità generale
4. Abbinare riga per riga
5. Segnalare cosa non corrisponde
6. Inviare un'email a un controllore locale per il contesto sugli elementi segnalati
7. Attendere la loro risposta
8. Inseguire la risposta se non rispondono
9. Finalmente ottenere la risposta, quindi registrare la rettifica
10. Consolidare la regione nel file consolidato
11. Ripetere l'intero processo da 1 a 10 per ciascuna delle altre 2 regioni, ognuna nel proprio formato.
12. Chiudere.

Se rendete ciascuno di questi passaggi più veloce, l'abbinamento diventa più veloce. Il problema è che l'abbinamento non è mai stato il problema. I 4 giorni di attesa per gli estratti conto, e l'email al controllore in un altro fuso orario, e la risposta che impiega ancora 3 giorni, lo sono. Rendendo l'abbinamento più veloce, guadagnereste ore su un processo che si misura in settimane.

Abbiamo invece riprogettato il loro processo in 3 fasi.

1. Gli estratti conto arrivano su un feed, a mo' di nastro trasportatore, invece di essere inseguiti. Questo non ha assolutamente nulla a che fare con l'AI.
2. Tutto ciò che può essere abbinato in base a regole verrà abbinato automaticamente, e in caso contrario, un agente assemblerà il caso dall'inizio alla fine: con l'elemento stesso, le categorizzazioni storiche, le prove raccolte da vari sistemi di registrazione e un passo successivo proposto.
3. Infine, un umano lavora sulla propria coda di eccezioni, con le prove preparate per la sua revisione, invece di dover setacciare manualmente i dati sparsi tra ERP e fogli di calcolo.

Inseguire, inviare email, aspettare, reinserire dati e consolidamenti regionali sono stati eliminati completamente. Questa è la differenza tra un sistema di agenti che fa risparmiare minuti e ore, e un sistema di agenti che fa risparmiare settimane.

Parte 3: Perché non è più comune?

Vi hanno mentito

La proposta AI che avete ricevuto è stata fuorviante fin dall'inizio. L'AI adottata come soluzione puntuale non è qualcosa da cui si trae valore. Non potete farlo solo dall'IT, e non potete farlo da una 'funzione innovazione' con un budget di 1 milione di dollari e 0 autorità. Riprogettare un processo che attraversa 4 reparti richiede qualcuno che possa dire a tutti e 4 i reparti che il processo sta cambiando. Ci sono solo una manciata di persone in un'azienda che possono davvero farlo; deve venire dall'alto.

Ma un altro grado di complessità: le persone che svolgono effettivamente il lavoro oggi, ad esempio il capo della contabilità fornitori, e gli operatori e gli analisti della finanza, devono anche essere inclusi. Devono volere il nuovo sistema AI, perché devono adottarlo e spingerlo domani. Devono voler divulgare informazioni che pensano potrebbero potenzialmente sostituirli, anche se non è così nella maggior parte dei casi.

E, cosa più importante, adottare l'AI è visto come rischioso. Lo status quo è 'sicuro' per la maggior parte delle persone, che non ottengono promozioni se l'AI funziona, ma vengono licenziate se non funziona, anche se attenersi allo status quo significa lasciare che l'azienda muoia lentamente nel tempo.

La reingegnerizzazione è piuttosto difficile

La stessa stima di Hammer e Champy nel 1993 era che fino al 50% o 70% delle organizzazioni che tentavano la reingegnerizzazione dei processi non raggiungevano i risultati desiderati. (Chiaramente non è cambiato molto dagli anni '90). Lo stesso Hammer disse in seguito di essere stato "insufficientemente consapevole della dimensione umana". Ciò che intendeva era che 'rimuovere un passaggio di consegne', a quel tempo, significava licenziare la persona responsabile di quel passaggio (quello era il suo intero lavoro), e poi chiedere a tutti gli altri di cambiare il loro lavoro, mentre il 'software' dell'epoca non supportava un tale cambiamento. Il che significa che dopo che i consulenti arrivavano e se ne andavano, la struttura organizzativa e il processo tornavano rapidamente al loro stato originale: uno pieno di inefficienze ed errori.

Oggi, tuttavia, due cose sono fondamentalmente diverse. In primo luogo, gli strumenti nativi dell'AI offrono uno stato software fluido senza precedenti: uno che può adattarsi ai cambiamenti circostanti. Un agente che risiede nel vostro sistema di registrazione può gestire passaggi di consegne che un tempo dipendevano dalle persone, gestendo simultaneamente le discrepanze circostanti dal software deterministico, ed è anche immune alla varianza comune negli umani. In secondo luogo, il lavoro che state eliminando per primo è quasi interamente il coordinamento, vale a dire: inseguire, aspettare, escalation, triage, ecc. Dopo questi miglioramenti di processo e una vera trasformazione AI, tutto ciò che rimane è lavoro ad alto giudizio e ad alta leva, che le vostre migliori persone dovrebbero comunque passare tutto il loro tempo a fare.

Un mondo nuovo e coraggioso

Le società di consulenza tradizionali sono decenti nel lavoro sui processi, glielo concedo. In effetti, se volete un'illustrazione elaborata di un processo in 15 fasi che abbraccia 10 paesi e 3 entità, la vostra solita società di consulenza produrrà la slide più bella che abbiate mai visto, per 300.000 dollari. Ciò che questa società di consulenza non può fare è la seconda metà, più importante, che è sapere di cosa ci si può e non ci si può fidare con un modello, quanto costa un agente che viene eseguito 40.000 volte in un mese, quale modello (Fable 5.1 vs Gemini 3.8 Flash) usare per quale tipo di attività (Codifica GL vs Instradamento Deal Desk), come progettare una suite di valutazione in modo ottimale per un processo particolare, e in quale dei 3 contenitori di cui sopra (Deterministico, Agentico, HITL) un dato passo in un processo appartiene veramente. E così, se seguite questa strada, la vostra riprogettazione viene creata da consulenti che stanno indovinando, invece che da strateghi esperti nativi dell'AI e FDE, e 6 mesi dopo vi chiederete perché il vostro progetto pilota è precipitato.

I laboratori e le aziende AI, d'altro canto, hanno il problema opposto. Possono costruire un agente (il più delle volte, almeno), ma non si sono mai seduti sia con la finanza che con le operations per analizzare un flusso di lavoro in cui entrambi i reparti sono in disaccordo sulla proprietà e su chi sia a monte di chi, quindi invece applicheranno l'AI su un processo rotto e lo chiameranno automatizzato, invece di smantellare e riprogettare quel processo come avrebbe dovuto essere fatto mesi fa. Inoltre, i più grandi laboratori di 'AI applicata' come OpenAI (DeployCo) e Anthropic (Ode) vi costringeranno a sposare i loro modelli per la vita. Scommettere l'intero stack di intelligenza della vostra azienda su un unico fornitore è un suicidio. Domani, quando limitano la velocità, quantizzano, aumentano i prezzi e ritirano il modello su cui state eseguendo, rimarrete con il caos e il conto. Potreste pensare che sia semplice come scambiare un endpoint da Claude a GLM o Gemini o DeepSeek, ma non lo è. Rieseguire le valutazioni e ridefinire quale livello di pensiero usare per ogni chiamata al modello è un processo laborioso, e i laboratori non vi aiuteranno a farlo.

Ciò di cui avete bisogno invece è il meglio di entrambi i mondi combinato: persone che hanno effettivamente gestito una funzione finanziaria, operativa, di vendita o HR, combinate con il talento ingegneristico per implementare software di livello produttivo in ERP come Microsoft Dynamics o CRM come Salesforce, combinate con ingegneri AI che possono costruire imbracature aziendali agnostiche rispetto al modello con governance a livello aziendale e suite di valutazione integrate. Alcuni si riferiscono a queste persone come 'Forward Deployed Engineers', ma la verità è che la maggior parte degli FDE oggi sono ingegneri mediocri e consulenti mediocri, con assolutamente nessuna capacità AI, e si finisce con praticamente nulla fatto bene.

Come si presenta quando lo si fa bene?

Ci sono 4 leve che contano quando si trasforma un'azienda con l'AI: costo (idealmente ridotto), ricavi (idealmente aumentati), tempo (idealmente più veloce) e rischio (idealmente inferiore). Nelle nostre implementazioni, circa la metà in società pubbliche, ecco esempi di ciò che si è effettivamente mosso, leva per leva:

• Tempo. Abbiamo ridotto il processo di chiusura di fine mese da 18-22 giorni a 7-9 giorni. Le interruzioni della catena di fornitura vengono ora gestite in meno di 6 ore, rispetto ai diversi giorni precedenti.
• Ricavi. Le trattative restavano in sospeso in media per 23 giorni; ora la media è di 6 giorni, e il tempo amministrativo dei rappresentanti è passato dal 38% della settimana al 14%. Questo tempo è stato reinvestito direttamente nelle vendite.
• Costi. La gestione delle eccezioni nei conti fornitori è passata da 600-800 fatture al mese a meno di 50. In un'organizzazione di marketing, l'8-12% del budget pubblicitario è stato recuperato da errori di ritmo che emergevano solo a fine mese, con un risparmio di milioni a trimestre.
• Rischio. Le correzioni delle buste paga sono diminuite del 90%, perché la riconciliazione tra i sistemi ora avviene prima della busta paga, non dopo. L'80% delle richieste di supporto dei dipendenti ha trovato risposta nei documenti politici dell'azienda, mentre i casi complessi sono stati ancora gestiti da un operatore umano nelle Risorse Umane.

In totale, il valore generato da questo insieme di implementazioni ha superato i 100 milioni di dollari. La parte migliore è che questo numero è stato co-creato con i nostri clienti; non siamo solo noi a dirlo, è stato misurato.

Com'è fatta una vera azienda di Trasformazione AI?

Tutto ciò che è stato descritto sopra è il nostro modo di operare in Varick, ed è l'unico approccio che ha funzionato per le aziende in cui abbiamo implementato l'AI. Si tratta di aziende enormi, con migliaia di persone, decine di sistemi di registrazione e complessità infinite, eppure il manuale è lo stesso e funziona sempre.

Il nostro team di Strategisti e Ingegneri interviene a livello di reparto per mappare prima come il lavoro viene effettivamente svolto, non solo come è documentato, attraverso una combinazione di analisi dei processi e interviste, calcolo del tempo trascorso rispetto al tempo di contatto, mappatura delle eccezioni, degli effetti a monte e a valle, e comprensione di chi possiede cosa. Invece di mesi, completiamo questo processo in poche settimane, dopodiché riceverai il tuo processo riprogettato, il valore da catturare, KPI di base personalizzati e l'ordine di priorità in cui verranno costruiti gli agenti. Successivamente, inizieremo a costruire gli agenti, che sono dotati di governance a livello aziendale, verificabilità, suite di valutazione e monitoraggio pronti all'uso.

Lavoriamo con aziende che fatturano oltre 500 milioni di dollari, affrontando i loro flussi di lavoro più complessi, in ambito prodotto, finanza, vendite, approvvigionamento, operazioni, risorse umane e altro ancora. Se vuoi vedere come funziona su uno dei tuoi processi, prenota una chiamata sul nostro sito web e vieni preparato a parlare dei tuoi flussi di lavoro meno preferiti e di cosa li rende così complessi. E se hai trovato utile questo contenuto, iscriviti alla nostra newsletter, dove pubblichiamo articoli settimanali sulle ultime novità dell'AI 'Applicata' e tutto ciò che abbiamo imparato sul campo.

TLDR

• La maggior parte della spesa AI nelle aziende oggi viene applicata sugli stessi identici processi già esistenti, il che significa che tutto ciò che si fa è far funzionare più velocemente un processo già inefficiente. Michael Hammer lo disse per l'IT nel 1990, e il governo britannico lo ha praticamente riprovato nel 2025 con 1.000 licenze Copilot: 1,14 azioni per utente al giorno, nessun guadagno di produttività riscontrato, e il 72% degli utenti era comunque soddisfatto.
• Il tempo non era mai nel lavoro stesso, ma nelle code e nei passaggi di consegne. La richiesta assicurativa di Hammer rimaneva ferma per 22 giorni nel processo, con 17 minuti di lavoro effettivo. Anche se si raddoppia la velocità del lavoro, si risparmiano 8 minuti.
• Consolidare prima i propri sistemi (un ERP, un CRM, una piattaforma dati) è un modo ben documentato per perdere 2 anni e 9 cifre prima di vedere un singolo dollaro di valore. Quello che serve veramente è una definizione del processo e un unico responsabile, perché gli agenti possono tollerare sistemi in disaccordo tra loro, cosa che le integrazioni deterministiche non hanno mai potuto fare.
• Inizia a livello di reparto, analizza i sistemi di registrazione e intervista gli operatori, poi classifica ogni singolo passaggio in uno dei 3 contenitori: software deterministico, un agente, o un essere umano nel ciclo con le prove già preparate. Fatto correttamente, un processo di 25 passaggi diventa 3 agenti con 2 punti di controllo umani.
• Quando abbiamo fatto in questo modo, la chiusura di fine mese è passata da 18-22 giorni a 7-9, le eccezioni nei conti fornitori da 600-800 al mese a meno di 50, le correzioni delle buste paga sono diminuite del 90%, e il totale delle nostre implementazioni ha superato i 100 milioni di dollari, misurato insieme ai clienti.
• Niente di tutto questo funziona se non viene dall'alto, se gli operatori non lo vogliono davvero, e se chiunque assumi non ha persone di processo, ingegneri software e ingegneri AI tutti nella stessa stanza, e quasi nessuno ha tutte e tre le competenze.