Cosa Dovrebbe Fare un Manager Oggi: 5 Decisioni Robuste

In sintesi

• L’incertezza sull’AI non si risolve con previsioni migliori, ma con decisioni che funzionano sotto scenari diversi
• Cinque scelte robuste proteggono l’azienda indipendentemente da come evolverà la tecnologia: competenze interne, diversificazione fornitori, qualità dei dati, documentazione delle automazioni, reversibilità
• Il criterio della robustezza sostituisce la scommessa su una singola previsione con un portafoglio di opzioni che mantiene valore in contesti multipli
• Documentare oggi le decisioni automatizzate non è burocrazia: è l’unica assicurazione contro responsabilità future che nessuno può ancora quantificare

Chi abbia seguito le vicende dell’industria tecnologica negli ultimi trent’anni avrà notato una costante: le previsioni degli esperti si sono rivelate, con impressionante regolarità, clamorosamente errate. Non tanto nei trend generali — la digitalizzazione è avvenuta, l’e-commerce si è affermato — quanto nei tempi, nei modi, nei vincitori. Basti pensare che nel 2007, l’anno del primo iPhone, Nokia deteneva il 49% del mercato mondiale degli smartphone. Cinque anni dopo era sostanzialmente fuori dal gioco.

Questa premessa storica non serve a scoraggiare chi deve prendere decisioni robuste nell’incertezza dell’AI, ma a liberarlo da un’illusione pericolosa: quella di poter fondare la strategia aziendale su una previsione accurata di come evolverà l’intelligenza artificiale. La domanda corretta non è “cosa accadrà”, bensì “quali scelte restano sensate qualunque cosa accada”.

Il paradosso della pianificazione sotto incertezza tecnologica

Esiste una contraddizione che ogni manager italiano conosce bene, anche se raramente la articola in questi termini. Da un lato, la pressione a “non restare indietro” sull’AI è fortissima: fornitori, consulenti, articoli di giornale, persino i concorrenti sembrano tutti proiettati verso un futuro automatizzato. Dall’altro, i casi di implementazioni fallite, costi esplosi e progetti abbandonati si accumulano silenziosamente nei bilanci.

Secondo un’indagine Gartner del 2024, il 30% dei progetti di AI generativa verrà abbandonato dopo la fase pilota entro la fine del 2025, principalmente per problemi di qualità dei dati, costi non previsti e difficoltà nel dimostrare un ritorno sull’investimento. Il dato italiano, pur con le dovute proporzioni di scala, non si discosta significativamente.

La pianificazione sotto incertezza richiede dunque un cambio di paradigma. Non si tratta di prevedere meglio, ma di decidere diversamente. Il concetto di “robustezza” — mutuato dalla teoria delle decisioni — indica precisamente questo: una scelta robusta è quella che produce risultati accettabili sotto un’ampia gamma di scenari futuri, non quella ottimale per uno scenario specifico.

Perché le aziende italiane sono particolarmente esposte

Il tessuto imprenditoriale italiano presenta caratteristiche che amplificano sia i rischi che le opportunità di questo momento. La prevalenza di PMI significa risorse limitate per sperimentazioni multiple; la forte specializzazione settoriale implica che soluzioni AI generiche raramente funzionano senza adattamenti costosi; la tradizione manifatturiera richiede integrazioni con sistemi legacy che i vendor tendono a sottovalutare.

Eppure, proprio queste caratteristiche potrebbero trasformarsi in vantaggi. Un’azienda che mantiene competenze interne solide, che non si vincola a un unico fornitore, che presidia la qualità dei propri dati, si troverà in posizione migliore di chi ha delegato tutto all’esterno quando — non se — arriverà la prossima discontinuità tecnologica.

Prima decisione robusta: mantenere competenze interne sulla strategia aziendale e intelligenza artificiale

La tentazione di esternalizzare completamente la “questione AI” è comprensibile. Mancano le competenze, il mercato del lavoro è difficile, i consulenti promettono soluzioni chiavi in mano. Eppure, chi ha vissuto l’era dell’outsourcing IT degli anni Novanta ricorderà come molte aziende si siano ritrovate, un decennio dopo, incapaci di comprendere i propri stessi sistemi informativi.

Mantenere competenze interne non significa assumere data scientist a ogni costo. Significa piuttosto:

• Avere almeno una figura che comprenda cosa l’AI può e non può fare nel contesto specifico dell’azienda
• Essere in grado di valutare criticamente le proposte dei fornitori
• Conservare la capacità di cambiare direzione senza dipendere da chi ha interesse a non farvi cambiare

Questa è una decisione robusta nell’incertezza dell’AI perché funziona sia che l’intelligenza artificiale diventi pervasiva, sia che attraversi una fase di ridimensionamento delle aspettative. In entrambi i casi, chi capisce sarà in vantaggio su chi deve fidarsi.

Seconda e terza decisione: diversificazione e qualità dei dati

Immaginate un’azienda manifatturiera del Nord-Est che nel 2022 ha scelto di costruire tutta la propria automazione documentale su un singolo provider di AI generativa, firmando un contratto triennale con sconti volume significativi. Oggi quel provider ha triplicato i prezzi delle API, modificato unilateralmente i termini di servizio sulla proprietà dei dati elaborati, e annunciato che il modello utilizzato sarà deprecato entro diciotto mesi.

La dipendenza da un singolo fornitore tecnologico è sempre stata rischiosa. Con l’AI, dove gli standard sono ancora fluidi e i rapporti di forza asimmetrici, diventa potenzialmente fatale. Evitare dipendenze irreversibili significa:

• Preferire architetture che permettano di sostituire componenti
• Negoziare clausole di uscita realistiche
• Mantenere i dati in formati aperti e sotto il proprio controllo

I dati come asset strategico permanente

Quale che sia l’evoluzione dell’AI, una certezza emerge da tutti gli scenari sull’AI disponibili: i dati di qualità saranno sempre più preziosi. Presidiare la qualità dei dati non è un progetto IT, è una decisione strategica che riguarda processi, responsabilità, cultura aziendale.

Un dato interessante: secondo l’Osservatorio Big Data & Business Analytics del Politecnico di Milano, nel 2024 solo il 29% delle grandi imprese italiane e il 13% delle PMI dispone di una strategia formalizzata per la governance dei dati. Questo significa che chi investe oggi in questo ambito acquisisce un vantaggio competitivo strutturale.

Quarta decisione: documentare le decisioni automatizzate nella strategia aziendale intelligenza artificiale

Qui entriamo in un territorio che molti manager preferirebbero ignorare, ma che la storia delle regolamentazioni tecnologiche suggerisce di prendere molto sul serio. L’AI Act europeo è solo l’inizio. Le cause legali relative a decisioni automatizzate discriminatorie si moltiplicano negli Stati Uniti. Le autorità garanti della privacy intensificano i controlli.

Documentare le decisioni automatizzate significa registrare:

• Quali processi utilizzano sistemi di AI e con quale grado di autonomia
• Su quali dati sono stati addestrati o configurati
• Chi è responsabile della supervisione
• Come vengono gestite le eccezioni e i reclami

Questa documentazione non è burocrazia difensiva. È l’unico modo per dimostrare, quando sarà necessario, che le decisioni sono state prese con cognizione di causa. E sarà necessario: non sappiamo quando né in quale forma, ma la pressione regolatoria e sociale verso la “spiegabilità” delle decisioni algoritmiche è una tendenza storica ormai consolidata.

Quinta decisione: conservare la reversibilità come principio di pianificazione sotto incertezza

L’ultima delle cinque decisioni robuste nell’incertezza dell’AI è forse la più controintuitiva in un’epoca che celebra la disruption e i cambiamenti irreversibili. Conservare la reversibilità significa strutturare le scelte in modo da poter tornare indietro — o cambiare direzione — senza costi proibitivi.

In termini pratici:

• Preferire progetti pilota circoscritti a trasformazioni totali
• Mantenere attivi i processi manuali durante le fasi di transizione
• Evitare migrazioni di dati che eliminano gli originali
• Conservare le competenze per operare anche senza gli strumenti AI

Chi obietta che questo approccio rallenta l’innovazione coglie solo metà del quadro. Sì, la reversibilità ha un costo. Ma quel costo è un’assicurazione contro scenari che non possiamo prevedere. E se c’è una lezione che la storia dell’innovazione tecnologica insegna con chiarezza, è che gli scenari imprevisti arrivano sempre.

Il valore dell’opzionalità

Gli economisti chiamano “opzionalità” il valore di poter scegliere in futuro. Una decisione che preserva opzioni ha più valore di una che le chiude, a parità di altre condizioni. Nell’attuale fase di incertezza sull’AI, l’opzionalità dovrebbe essere un criterio esplicito di valutazione degli investimenti tecnologici.

Per approfondire come diversi scenari potrebbero materializzarsi e quali implicazioni avrebbero per le strategie aziendali, può essere utile consultare le previsioni sull’intelligenza artificiale al 2030.

Sintesi operativa: un framework per decisioni robuste

Le cinque decisioni descritte non costituiscono una strategia AI completa. Sono piuttosto i paletti entro cui qualsiasi strategia dovrebbe muoversi per risultare robusta. Riassumiamole in forma di domande da porsi prima di ogni investimento significativo:

Decisione	Domanda di verifica
Competenze interne	Saremo in grado di valutare criticamente questo progetto tra due anni, anche senza il fornitore attuale?
Diversificazione fornitori	Cosa succede se questo provider raddoppia i prezzi o chiude?
Qualità dei dati	I nostri dati sono sotto il nostro controllo, in formati aperti, con qualità documentata?
Documentazione decisioni	Possiamo spiegare a un regolatore come e perché il sistema prende certe decisioni?
Reversibilità	Quanto costerebbe tornare indietro o cambiare direzione tra 18 mesi?

Il criterio della robustezza non elimina il rischio — nessun approccio può farlo in un contesto genuinamente incerto. Ma trasforma la natura del rischio: invece di scommettere su una previsione specifica, si costruisce un portafoglio di capacità che mantiene valore in scenari diversi.

Per chi deve prendere decisioni oggi, senza il lusso di aspettare che l’incertezza si diradi, questo è probabilmente l’approccio più razionale disponibile. Non il più entusiasmante, certo. Ma la storia suggerisce che, nelle fasi di grande trasformazione tecnologica, sopravvive chi sa resistere all’entusiasmo almeno quanto chi sa cogliere le opportunità.

FAQ

Cosa si intende per decisioni robuste nell’incertezza dell’AI?

Sono scelte strategiche che producono risultati accettabili indipendentemente da come evolverà l’intelligenza artificiale. A differenza delle decisioni ottimizzate per uno scenario specifico, le decisioni robuste funzionano sotto condizioni diverse: sia che l’AI mantenga le promesse attuali, sia che attraversi ridimensionamenti o cambi di direzione imprevisti.

Come si applica la pianificazione sotto incertezza alle decisioni sull’AI?

Invece di basare le scelte su previsioni puntuali, si identificano le azioni che restano sensate sotto scenari multipli. Questo significa privilegiare la flessibilità rispetto all’ottimizzazione, mantenere opzioni aperte, e valutare ogni investimento anche in termini di reversibilità e costi di uscita.

Perché mantenere competenze interne sull’AI se posso esternalizzare?

L’esternalizzazione totale crea dipendenza e riduce la capacità di valutare criticamente fornitori e soluzioni. Le competenze interne — anche minime — permettono di negoziare da posizioni informate, identificare problemi prima che diventino critici, e cambiare direzione quando necessario senza dover ripartire da zero.

Quali sono i rischi concreti della dipendenza da un singolo fornitore AI?

Aumenti di prezzo unilaterali, modifiche ai termini di servizio, deprecazione di modelli o API, problemi di continuità operativa in caso di difficoltà del fornitore, perdita di controllo sui dati elaborati. Nel mercato AI attuale, dove gli standard sono fluidi e i rapporti di forza asimmetrici, questi rischi sono particolarmente elevati.

Come si presidia la qualità dei dati in ottica strategia aziendale intelligenza artificiale?

Definendo responsabilità chiare sulla governance dei dati, stabilendo standard di qualità misurabili, implementando processi di verifica e correzione continui, mantenendo i dati in formati aperti e sotto controllo aziendale. Non è un progetto IT una tantum, ma un cambiamento organizzativo permanente.

Cosa significa documentare le decisioni automatizzate e perché è importante?

Significa registrare quali processi usano AI, con quali dati, chi supervisiona, come si gestiscono eccezioni e reclami. È importante perché la pressione regolatoria verso la spiegabilità algoritmica aumenterà, e chi non può dimostrare di aver deciso con cognizione di causa si troverà esposto a rischi legali e reputazionali.

La reversibilità non rallenta l’innovazione aziendale?

Ha un costo, ma quel costo è un’assicurazione contro scenari imprevisti. La storia dell’innovazione tecnologica mostra che le discontinuità arrivano sempre. Chi mantiene la capacità di cambiare direzione senza costi proibitivi si trova in vantaggio quando — non se — lo scenario cambia.

Come valuto se una decisione sull’AI è sufficientemente robusta?

Ponendosi cinque domande: saremo in grado di valutare criticamente il progetto senza il fornitore attuale? Cosa succede se il provider cambia condizioni? I dati sono sotto nostro controllo? Possiamo spiegare le decisioni automatizzate? Quanto costa tornare indietro? Se le risposte sono rassicuranti su tutti i fronti, la decisione è probabilmente robusta.