L’intelligenza artificiale generativa ormai opera in ufficio, alla scrivania, come assistente alle attività individuali con risparmio di tempo e di applicazione cognitiva nella ricerca di informazioni, nella sintesi di una riunione, nell’elaborazione di un documento o nella risposta a una email.
Ma questa diffusione informale dal basso, senza controllo, definita “Shadow AI” perché opera nell’ombra, presenta diverse criticità. Una è la protezione dei dati aziendali, dati in pasto a sistemi pubblici in rete. Un’altra è l’utilizzo disomogeneo degli strumenti e una competenza difforme nel porre i prompt e nel gestire gli output e, ancora, la possibile non conformità alle normative vigenti.
Di fatto, l’AI non sta impattando veramente sul business, a parte efficientare singole attività individuali. I dati disponibili concordano su questa mancanza di risultati. Il 65% delle imprese dichiara di usare la GenAI, ma l’89% non vede aumento di produttività (Report National Bureau of Economic Research 2026).
È presente in quasi una PMI su 3 (31%), ma di queste solo il 29% la utilizza in attività core e non solo per compiti marginali (elaborazioni testi, mail, ricerca di informazioni). Nel 60% dei casi infatti l’AI migliora le performance dei singoli, nel 39% colma lo skill gap, ma solo nel 26% incrementa il business (dati OECD Generative AI and Sme workforce 2025).
Consigli per guidare un’adozione strutturata dell’AI
Per un’adozione strutturata, compliant e con risultati misurabili sul business, NTT Data suggerisce di seguire tre passaggi fondamentali: adoption, governance, roadmap.
Per portare l’intera organizzazione a comprendere rischi, benefici e modalità d’uso dell’AI, integrandola nella routine lavorativa, viene suggerito di partire da una valutazione della Readiness e maturità sull’AI, quindi prevedere percorsi formativi dedicati e modulati e monitorare e gestirne l’adozione, anche con azioni di comunicazione ed engagement.
Quindi, è necessario progettare il modello di governance AI (operativo e di compliance) che si adotterà per integrare la tecnologia nei processi e operazioni, stabilendo ruoli e responsabilità, controlli, gestione dei rischi e misurabilità dell’impatto.
Infine, bisogna tracciare una Roadmap di azioni di trasformazione, valutando fattibilità tecnica, rischi e impatto sul business e quindi pianificare via via le azioni.
Il Competence Center Industria 4.0 MADE4.0 ha appena lanciato due servizi per accompagnare le aziende in questo processo di cambiamento. Draive4GEN è un percorso guidato per mappare il livello di adozione e di sicurezza in azienda, valutare le opportunità di applicazione e quindi razionalizzare, standardizzare e governare l’evoluzione continua dell’AI in azienda.
SkillAI invece agisce sulle competenze: misura il livello di skill in azienda e propone azioni per colmare il gap. Il servizio utilizzerà anche un chatbot conversazionale adattativo che intervisterà l’intera popolazione aziendale.
Tre livelli per generare valore con l'AI: individuale, estesa e con automazione di processo intelligente
NTT Data ha descritto i tre livelli di adozione della GenAI con benefici sempre maggiori per l’impresa in termini di velocità, efficienza, compliance e centralizzazione del know-how aziendale, non più soggetto al sapere di pochi esperti di dominio.
Il primo livello è quello prettamente individuale, con utilizzo di ChatGpt o Microsoft Copilot, ma dentro il perimetro documentale aziendale per assicurarsi la protezione dei dati e la compliance normativa.
Il secondo livello, più esteso, è quello della costruzione di Chatbot basati su database documentali interni (come manuali macchine e cataloghi prodotto), che rispondono alla ricerca di informazioni da parte dei team, per esempio per la gestione di ticket IT interni o del Customer Service.
Il terzo livello è quello dell’Intelligent Process Automation (automazione di processo intelligente), che è entrata nelle imprese negli ultimi anni e svolge compiti in modo flessibile e adattativo, impara dai dati, legge formati diversi, prende micro-decisioni e gestisce le eccezioni, grazie a un sottostante modello di machine learning e si interfaccia, come i Chatbot, con il linguaggio naturale.
Si tratta di una importante evoluzione rispetto alla Robotic Process Automation (automazione di processo robotica) che, sul mercato da oltre vent’anni, era una forma di automazione deterministica, esecuzione rigida di istruzioni in base a regole date e con formati standard.
Il caso dell'azienda chimica Colorgraf: l'AI per far crescere il business
L’azienda chimica Colorgraf è una PMI con 110 dipendenti e 40 milioni di fatturato, produttrice di inchiostri a stampa per numerosi settori con 17.000 codici prodotto, 2.300 nuovi all’anno e 1.300 clienti.
Con il supporto di MADE4.0 e NTT Data, decide di implementare una soluzione AI per accompagnare la crescita internazionale. L’obiettivo strategico è di arrivare a 50 milioni di euro entro il 2030, aumentando la percentuale di esportazione (oggi al 20%) e continuando a valorizzare personalizzazione e orientamento al cliente, punti di forza dell’azienda lombarda alla terza generazione.
Un sistema di Intelligent Process Automation oggi gestisce in modo automatico l’inserimento degli ordini: li acquisisce da formati diversi, come PDF, Excel, email e comprende testi non chiari, grazie alla possibilità di attingere al listino prodotto e allo storico di ordini del singolo cliente.
Normalizza quindi i dati principali e ne verifica coerenza e correttezza, sulla base della documentazione e delle policy aziendali. Gestisce le eventuali anomalie, con validazione finale del commerciale secondo la logica “Human in the loop” e carica i dati in automatico sul gestionale aziendale.
In questo modo non solo si riducono le attività manuali e gli errori di inserimento, ma si centralizza un know-how spesso appannaggio dei singoli venditori. Per le medesime esigenze, Colorgraf ha costruito Chatbot intelligenti in area HR e in area tecnico-produttivo.
Agentic Process Automation, nuova frontiera dell’automazione
L’ulteriore evoluzione dell’Intelligent Process Automation, disponibile da un anno e che inizia a essere adottata nelle grandi aziende, è l’Agentic Process Automation (automazione di processo agentica), che consente di gestire interi processi, organizzando in autonomia sequenze di operazioni in base all’obiettivo richiesto.
In questo caso, un agente orchestratore comprende la richiesta, la smista ad agenti specializzati in singoli task verticali, li coordina e gestisce i risultati. Per esempio, in un processo di acquisto c’è quello che controlla l’ordine d’acquisto, chi il documento di trasporto, chi la fattura e un altro che ne verifica la corrispondenza, rileva le eventuali discrepanze e “decide” se riesce a risolverle in autonomia o se deve chiedere l’intervento umano.
In futuro avremo sempre più una forza lavoro ibrida con una integrazione spinta tra agenti, orchestratori agentici e umani. I vantaggi di questi sistemi è che possono raggiungere obiettivi specifici con una supervisione umana limitata, quindi dotati di autonomia, proattività, specializzazione, adattabilità e intuitività.
Scalare l’AI con tool integrati nell’intero flusso di processo
A sua volta Axiante ha dimostrato come lo scarso impatto sulla produttività sia dovuto principalmente al fatto di non intervenire sull’intero processo, ma solo su singole fasi o attività marginali.
In questo modo si sposta il collo di bottiglia su un’altra fase del processo. Il vero cambiamento, invece, che renderà scalabili i vantaggi dei sistemi intelligenti, sarà partire dall’analisi dei processi e agire su ogni fase con tool integrati e agentici, con un orchestratore di processi che si interfacci con l’utente.
In una campagna marketing, ad esempio, l’accelerazione nella produzione creativa, grazie al supporto della GenAI, può essere fortemente rallentata nelle fasi di validazione e approvazione dei vari uffici, vanificando l’iniziale ottimizzazione.
Anche nella costruzione di un’offerta commerciale si tende a dare in pasto al sistema la bozza per armonizzarla e finalizzarla, solo dopo aver raccolto manualmente tutte le informazioni utili. In questo modo si usa solo in minima parte il potenziale dell’AI che, addestrata all’interno del perimetro documentale aziendale, potrebbe occuparsi di predisporre un’offerta commerciale fin dal reperimento automatico delle informazioni necessarie e, solo allora, sottoporla alla validazione umana.
I tre pilastri per rendere scalabile la produttività dell’AI sono dunque integrazione e architettura dell’AI nei sistemi già in uso; qualità dei dati, con data base aggiornati, puliti, senza duplicazioni e dati obsoleti. Infine, servono RAG (Retrieval-Augmented Generation) e governance, ossia bisogna ancorare il motore AI a dati e policy aziendali certificati, in modo che le risposte del sistema siano coerenti e aderenti alla specifica realtà.