di Gianluigi Bonanomi

Immagina di assumere una persona molto veloce, capace di scrivere, sintetizzare documenti, proporre idee e preparare analisi. Il primo giorno le consegni un computer, le indichi una cartella condivisa e dici: «Vai, miglioraci la produttività».

Dentro la cartella trova tre listini, due procedure che si contraddicono e un documento chiamato “finale_definitivo_v7”. Nessuno sa se sia davvero quello definitivo. Probabilmente nemmeno chi lo ha salvato.

Con l’intelligenza artificiale rischiamo di fare esattamente questo.

Ci aspettiamo che capisca il nostro lavoro prima ancora di esserci messi d’accordo su come funziona. E quando la risposta del chatbot è deludente, la diagnosi arriva puntuale: «Questa AI non è ancora pronta».

Io partirei da una domanda più scomoda: quanto siamo pronti noi a farla lavorare?

AI nelle PMI: l’adozione accelera, il metodo va costruito

I numeri aiutano a uscire dalla bolla delle demo. Secondo Istat, nel 2025 il 16,4% delle imprese italiane con almeno dieci addetti utilizzava una tecnologia di intelligenza artificiale, contro l’8,2% del 2024. Un raddoppio in un anno. Fra le grandi imprese la quota raggiungeva il 53,1%; fra le PMI il 15,7%.

Attenzione al perimetro: parliamo di imprese con almeno dieci addetti e di tecnologie AI in generale. Sarebbe scorretto tradurre quei dati in «un’azienda italiana su sei usa ChatGPT».

La direzione, però, è chiara. L’adozione cresce e il divario fra imprese di dimensioni diverse resta ampio.

La mia lettura è che per una PMI si apra una possibilità concreta: sperimentare su attività circoscritte, verificarne il valore e costruire competenze prima di allargare il progetto. Servono tempo dedicato, una persona responsabile e un problema abbastanza preciso da poter dire, alla fine, se abbiamo risolto qualcosa.

«Vogliamo usare l’AI» è un’intenzione. «Vogliamo ridurre il tempo necessario per confrontare i preventivi, mantenendo un controllo sulle condizioni contrattuali» comincia a essere un progetto.

La produttività dipende dal compito

La ricerca mostra opportunità importanti, insieme a limiti che meritano attenzione. Nell’esperimento sui consulenti descritto dalla Harvard Business School, diffuso nel 2023, l’uso di GPT-4 migliorava velocità e qualità per attività comprese nelle capacità del modello. Gli autori parlavano di una “frontiera frastagliata”: la tecnologia riusciva bene in alcuni compiti e inciampava in altri.

È un’immagine utile anche per un manager. Due attività che a noi sembrano simili possono avere difficoltà molto diverse per un sistema AI.

Preparare una prima sintesi di offerte commerciali, per esempio, può essere un buon terreno di prova. Stabilire quale offerta scegliere richiede anche criteri, priorità e informazioni che magari nei documenti non ci sono. Quanto conta l’affidabilità del fornitore? Quale rischio siamo disposti ad accettare? Chi dovrà gestire le conseguenze?

Per questo misurerei sempre il lavoro completo, compresa la revisione. Una bozza prodotta in trenta secondi può richiedere mezz’ora di correzioni. Anche quella mezz’ora va nel conto.

Sul mio sito ho raccolto alcuni esempi di attività sulle quali recuperare tempo con l’AI. Il consiglio è di usarli come punto di partenza per una prova sul proprio lavoro: i risultati vanno misurati nel proprio contesto.

La conoscenza aziendale diventa una questione strategica

Per me uno dei cambiamenti più interessanti riguarda la possibilità di interrogare la conoscenza che abbiamo già.

Immaginiamo un responsabile acquisti che chiede quali contratti prevedono un rinnovo automatico. Oppure un commerciale che cerca le differenze fra l’offerta attuale e quella inviata allo stesso cliente l’anno scorso.

Qui entra in gioco la RAG, sigla di Retrieval-Augmented Generation: una tecnica che abbina il recupero di informazioni da una raccolta di documenti alla generazione della risposta. Il paper di Patrick Lewis e colleghi, presentato a NeurIPS nel 2020, è un riferimento fondamentale per questo approccio.

In un’applicazione aziendale, l’obiettivo è fornire al modello informazioni pertinenti da consultare mentre prepara la risposta.

La mia raccomandazione è semplice: prima di collegare un archivio all’AI, chiediamoci chi lo aggiorna, quali documenti fanno fede e chi può accedere a cosa. Poi verifichiamo che il sistema recuperi i passaggi giusti e li usi correttamente.

Il “secondo cervello” comincia da queste scelte. Se carichiamo cinque versioni discordanti di una procedura, abbiamo appena dato al sistema un problema da interpretare.

“Finale_definitivo_v7” continua a chiedere un responsabile.

Con gli agenti, la delega va progettata

Un altro passaggio riguarda gli agenti AI: sistemi che possono utilizzare strumenti e scegliere i passaggi con cui perseguire un obiettivo. La guida di Anthropic alla costruzione degli agenti distingue questi sistemi dai workflow con percorsi prestabiliti e raccomanda di partire dalla soluzione più semplice adeguata al problema.

Per un’impresa, questo significa ragionare sulla delega.

Leggere una richiesta, consultare una scheda cliente e preparare una risposta è una cosa. Inviare quella risposta, modificare un prezzo o autorizzare un rimborso richiede decisioni ulteriori.

Quali azioni concediamo al sistema? Entro quali limiti? Quando deve chiedere aiuto? Come ricostruiamo ciò che è successo?

Sono domande da manager, oltre che da tecnici. La promessa di autonomia rende ancora più importante definire obiettivi e responsabilità.

Human First, AI Second: facciamone un criterio di lavoro

“Human First, AI Second” è la filosofia di The AI Lounge Club. Io la tradurrei in una regola operativa: partire dalle persone che conoscono il problema, costruire una prova e valutare il risultato.

Tenere una persona nel processo, però, richiede attenzione. Una meta-analisi pubblicata nel 2024 su Nature Human Behaviour, basata su 106 studi sperimentali, ha rilevato che le combinazioni fra persone e AI miglioravano mediamente le prestazioni rispetto alle persone sole, ma risultavano inferiori al migliore dei due, persona o AI, preso separatamente.

Lo studio riguarda diversi tipi di sistemi e attività: sarebbe improprio usarlo come verdetto su ogni chatbot. Ci ricorda però che la collaborazione va progettata e verificata. La presenza umana, da sola, non garantisce un risultato migliore.

Chi controlla deve avere competenza, tempo e autorità per correggere. Se riceve cinquanta risposte da approvare prima di pranzo, il rischio è che il controllo diventi una sequenza di clic.

Perché imparare insieme può fare la differenza

È qui che vedo il valore di un club fra manager e professionisti.

Un responsabile amministrativo può riconoscere un errore che a un commerciale sfugge. Chi lavora nelle risorse umane può sollevare una domanda sulle persone coinvolte. Un imprenditore può chiedere quanto costa mantenere la soluzione dopo l’entusiasmo iniziale.

Nel metodo di The AI Lounge Club il confronto tra pari si accompagna al lavoro su processi reali. Per me quel confronto diventa utile quando permette di condividere anche tentativi falliti, correzioni e dubbi.

Mostrare un risultato brillante è facile. Spiegare perché una prova non ha funzionato può insegnare molto di più.

Da questo vorrei partire anche con il blog: aiutare chi guida un’impresa a leggere i cambiamenti, scegliere dove sperimentare e riconoscere quando fermarsi.

Portiamo al tavolo un’attività concreta: un confronto fra offerte, una ricerca nei contratti, la preparazione di una riunione. Definiamo il risultato atteso, proviamo, controlliamo e discutiamo ciò che è successo.

L’AI può aiutarci a lavorare meglio. Spiegare che cosa significhi “meglio”, nella nostra azienda, resta il primo lavoro da fare.