AI-powered ERP: perché non è plug-and-play

L’AI-powered ERP non automatizza il giudizio umano, lo supporta. Ma richiede scelte architetturali, governance del dato e maturità organizzativa che molte aziende non hanno ancora raggiunto. Il rischio è di amplificare la complessità

L’ERP potenziato dall’AI è un sistema gestionale in cui le componenti di intelligenza artificiale sono integrate in modo strutturale nei processi end-to-end, con l’obiettivo di aumentare la capacità decisionale, ridurre la complessità operativa e migliorare la qualità dell’esecuzione, ma senza sostituire la responsabilità umana. In altre parole, non è un ERP che “decide da solo”, un insieme di chatbot sopra i dati aziendali né un sistema plug-and-play che funziona senza configurazione, senza ripensare dati e processi e neppure una sostituzione dell’automazione tradizionale (RPA, workflow). Queste semplificazioni generano aspettative sbagliate e progetti destinati a fallire. Il mercato globale del software ERP continua a crescere, ma lo fa in modo sempre più asimmetrico. Secondo le stime degli analisti di IDC, tra il 2024 e il 2029 i ricavi complessivi cresceranno con un CAGR dell’8,3%, trainati quasi interamente dal cloud pubblico, che registra un tasso di crescita annuo del 14,3%. Al contrario, le soluzioni on-premise restano sostanzialmente stabili, con un CAGR dello 0,6% (March 2025 AI Wave 1 Survey). Tradotto significa che il cloud rappresenta la piattaforma su cui si stanno innestando le nuove capacità applicative, in particolare quelle legate all’intelligenza artificiale.

In questo contesto, IDC prevede che entro il 2027 l’automazione agentica potenzierà oltre il 40% delle applicazioni aziendali, trasformando circa un terzo dei processi e dei flussi di lavoro. I primi segnali sono già visibili. Il 30% delle organizzazioni a livello globale utilizza già applicazioni con AI integrata per migliorare l’efficienza operativa (March 2025 AI Wave 1 Survey). È una quota ancora minoritaria, ma in rapida espansione, soprattutto nei contesti cloud-based.

Cosa rende “powered” un sistema gestionale? Negli ERP “potenziati”, l’intelligenza artificiale non è confinata in un singolo modulo, ma opera come servizio trasversale che supporta più processi (finance, supply chain, HR, customer operations). Rappresenta un livello di augmented intelligence, non di automazione totale. L’ERP tradizionale registra, controlla, consolida. L’AI-powered ERP suggerisce, anticipa, segnala anomalie, propone alternative. La decisione resta umana, ma è meglio informata e più tempestiva. Un ERP “potenziato” presuppone dati di qualità, semantica coerente, integrazione tra dati strutturati (ERP) e non strutturati (documenti, log, testi). Per questo le data platform diventano l’infrastruttura abilitante: l’AI non lavora sull’ERP “nudo”, ma su un ecosistema informativo governato.

Dove l’AI-powered ERP crea valore? In modo realistico, soprattutto nell’analisi di eccezioni, previsione di trend e rischi, supporto alla pianificazione, semplificazione di attività data-intensive, knowledge management legato ai processi. Meno nell’agentificazione completa dei processi core, nelle decisioni operative autonome, nei contesti produttivi ad alta variabilità. Perché se ne parla ora? Per tre ragioni: maturità delle piattaforme ERP cloud, disponibilità di modelli AI generativi (LLM), pressione competitiva sulla produttività e sui costi.

Quello che emerge dalle interviste che abbiamo raccolto, non è tanto una nuova fase tecnologica degli ERP, quanto l’irruzione di un problema «epistemico» che questi sistemi non erano stati progettati per sostenere – come ci spiega Walter Quattrociocchi, professore ordinario di Informatica all’Università La Sapienza di Roma e direttore del Center for Data Science and Complexity for Society. L’ERP nasce storicamente come infrastruttura della certezza: «Un sistema che registra, consolida e rende coerente il passato dell’organizzazione. L’AI, al contrario, introduce stime, previsioni, approssimazioni. Il punto critico non è quindi l’adozione dell’AI in sé, ma il fatto che il suo output non è un dato, bensì una proposizione plausibile sul mondo. È qui che si manifesta l’epistemia: l’illusione che ciò che è ben calcolato, ben presentato e ben integrato sia anche fondato». Nei pochi contesti altamente standardizzati, dove i dati sono puliti, strutturati e confinati entro processi industriali “ideali”, l’AI può effettivamente apparire come un servizio plug-and-play integrato nell’ERP. «Ma questi casi sono eccezioni» – spiega Quattrociocchi. «Nella maggioranza delle organizzazioni reali, segnate da personalizzazioni, legacy e dati eterogenei, l’AI non si implementa: si sperimenta. E sperimentare significa prima ricostruire il processo, poi costruire il dataset, poi addestrare, poi validare comportamenti nel tempo». Qui emerge un secondo punto epistemico fondamentale: «Testare l’AI non è come testare software deterministico. Non si verifica una funzione, si valuta una dinamica. Molti progetti non falliscono per limiti tecnologici, ma perché continuano a trattare l’output algoritmico come se fosse una risposta corretta anziché una stima da interpretare».

La diversa percezione di valore tra GenAI e AI predittiva va letta nello stesso quadro. «La GenAI opera sul linguaggio e produce testi coerenti, documentazione, interfacce conversazionali» – continua Quattrociocchi. «È utile, ma resta periferica rispetto al conto economico perché lavora su rappresentazioni, non su vincoli fisici. Il rischio epistemico, però, è alto: più l’output è fluido e ben scritto, più tende a essere scambiato per conoscenza. L’AI predittiva e di ottimizzazione, invece, genera valore dove il problema è ben definito, le metriche sono chiare e il feedback è misurabile. Non a caso spesso vive “attorno” all’ERP e non al suo interno: l’ERP continua a registrare, l’AI suggerisce. Quando questa distinzione si confonde, l’epistemia aumenta». Lo stesso vale per l’agentificazione. «Gli agenti funzionano in ambiti amministrativi perché operano in mondi già normati, dove l’ambiguità è stata ridotta a monte. In produzione, invece, l’imprevisto non è un’anomalia ma una proprietà strutturale del sistema. Pensare di agentificare processi produttivi complessi equivale a presupporre fabbriche “perfette”, che non esistono. Anche qui il problema non è tecnico, ma cognitivo: si proietta sul sistema una capacità di giudizio che in realtà non possiede».

Infine, la tensione sul cloud ERP non è transitoria – spiega Quattrociocchi. «È l’espressione di un conflitto profondo tra standardizzazione e controllo, tra agilità promessa e continuità operativa reale. L’idea che questa tensione si risolva con una release successiva è parte della stessa epistemia che attraversa oggi il discorso sull’AI: la convinzione che la complessità epistemica possa essere assorbita dall’infrastruttura». In sintesi, l’evoluzione degli ERP potenziati dall’AI non può essere letta solo come una questione di architetture o funzionalità. È un passaggio in cui sistemi nati per produrre certezza vengono progressivamente affiancati da sistemi che producono plausibilità. «Se questa differenza non viene resa esplicita, governata e mantenuta visibile – avverte Quattrociocchi – il rischio non è soltanto il fallimento dei progetti, ma qualcosa di più sottile: scambiare l’automazione del calcolo per l’automazione del giudizio. Ed è esattamente lì che l’epistemia diventa sistemica».

CHE COSA CAMBIA?

Uno degli impatti più rilevanti dell’AI agentica riguarda l’interfaccia utente. Gli agenti AI introducono un’interazione in linguaggio naturale che riduce la necessità di configurazioni complesse tipiche delle applicazioni tradizionali. In teoria, le aziende possono progettare e distribuire agenti personalizzati in modo più rapido. In pratica, però, questi agenti devono essere addestrati con grande precisione: su obiettivi contestuali, KPI, vincoli operativi e regole di governance. Un punto spesso trascurato è che l’AI agentica non dovrebbe limitarsi a imitare i flussi di lavoro umani. Replicare processi esistenti, pensati per persone e non per macchine, rischia di ridurre l’efficacia dell’AI e di compromettere il ritorno dell’investimento. L’approccio più promettente è quello che sposta il focus da workflow deterministici a workflow “AI-first” basati su obiettivi di business (intent-driven), in cui l’AI decide dinamicamente come raggiungerli, usando l’ERP come piattaforma esecutiva e di controllo.

Qual è il rovescio della medaglia? Questa evoluzione migliora senza dubbio le prestazioni dei sistemi, ma apre anche una questione più profonda. Ogni volta che i processi vengono adattati ai limiti e alle logiche delle macchine, il rapporto tra tecnologia e lavoro rischia di invertirsi. Inoltre, l’introduzione di interazioni agente-agente può sostituire flussi e processi standard all’interno delle applicazioni esistenti, con effetti diretti su controllo, responsabilità e auditabilità.

Per Andrea Bonetti, IT Enterprise Architect di Gruppo Hera, l’adozione dell’AI nei sistemi gestionali non può prescindere da un passaggio preliminare ma spesso sottovalutato: il replatforming dell’ERP. «Prima di parlare di intelligenza artificiale – afferma Bonetti – le aziende devono mettere mano alle fondamenta». Il Gruppo Hera è attualmente impegnato in un ampio progetto di migrazione dell’ERP SAP verso il cloud. «Non si tratta di un semplice lift-and-shift, ma di una riprogettazione architetturale che assorbe una quota significativa di risorse tecniche e organizzative. La modernizzazione dell’ERP e delle integrazioni applicative è una condizione abilitante per qualsiasi evoluzione futura: serve a far dialogare tecnologie eterogenee, a semplificare i flussi informativi e a preparare l’ecosistema a nuovi carichi applicativi. Senza questa base, l’introduzione dell’AI – predittiva, generativa, agentica – rischia di poggiare su fondamenta fragili». Nel mondo enterprise, l’idea che l’AI possa essere un servizio realmente plug-and-play è fuorviante: «Non solo crea aspettative irrealistiche nelle aziende utenti, ma rischia di danneggiare anche i vendor, che promettono benefici difficili da mantenere su contesti complessi e regolati. A differenza delle applicazioni consumer, dove l’AI opera su contesti relativamente standardizzati, nell’ERP l’intelligenza artificiale deve confrontarsi con dati incompleti o eterogenei, processi stratificati nel tempo, vincoli normativi e organizzativi. In questo contesto, l’AI non può essere semplicemente “attivata”: va progettata, integrata e governata».

UNA VERITÀ SCOMODA

Si sente spesso dire che l’AI obbligherà le aziende a ripensare i processi, come avvenne negli anni Novanta con il passaggio dai sistemi dipartimentali ai sistemi transazionali integrati. «L’affermazione è concettualmente corretta, ma nella pratica rappresenta la parte più difficile della trasformazione» – spiega Bonetti di Gruppo Hera. «Ridisegnare i processi significa intervenire su assetti organizzativi, responsabilità funzionali, modelli decisionali consolidati. Dal punto di vista tecnico è complesso e da quello organizzativo è ancora più difficile. Per questo, nella maggior parte dei casi, l’AI viene sovrapposta ai processi esistenti invece di ridisegnarli realmente, con risultati ad oggi spesso deludenti rispetto alle aspettative e ai costi». L’AI generativa di tipo consumer viene spesso utilizzata come leva di marketing per il mondo enterprise. Tuttavia, il livello di maturità delle applicazioni realmente agentiche nei processi core è ancora molto basso. «Quando si parla di agentificazione dei processi, nella maggioranza dei casi si è di fronte a automazioni di tipo RPA, arricchite da componenti di classificazione o generazione testuale, con un’autonomia decisionale molto limitata» – afferma Bonetti. «Sicuramente si arriverà a forme più avanzate di agenti, ma la variabile critica è il quando. Nel frattempo, l’AI predittiva continua a operare prevalentemente in back-office, a valle dei processi, supportando analisi e pianificazione più che l’azione diretta».

DATI, PROCESSI, PERSONE

Il concetto di “AI-powered ERP” si gioca su tre dimensioni fondamentali: dati, processi e persone. L’introduzione di una data platform interna, insieme a tecnologie di fruizione dei dati aggiornati in real-time, ha permesso di superare l’approccio tradizionale basato su copia e replica dei dati. «Questo passaggio è essenziale per l’AI, che richiede dati coerenti, governati e tempestivi» – spiega Bonetti. «Per anni l’integrazione dei dati è stata gestita replicando informazioni dall’ERP verso data warehouse dipartimentali o sistemi di reporting. L’AI rende questo modello insostenibile. Inoltre l’AI richiede contesto, non solo dati. I processi aziendali sono trasversali e attraversano più funzioni con responsabilità diverse. «L’organizzazione delle aziende, però, resta strutturata per silos» – ammette Bonetti. «Storicamente, questo problema veniva gestito tramite punti di passaggio formali. Oggi, con l’esigenza di azioni trasversali fatte dagli agenti in tempo reale su dati con diversa ownership, tali meccanismi diventano insufficienti. “Ridisegnare i processi a partire dall’AI” è una formula efficace dal punto di vista comunicativo, ma estremamente difficile da realizzare in pratica, soprattutto in contesti industriali complessi come una multiutility». Sul fronte della produttività individuale, trainata dall’esperienza consumer, gli utilizzatori devono diventare «AI-fluent» – afferma Bonetti. Tuttavia, nel ridisegno dei processi emergono resistenze culturali che possono essere superate solo con forte sponsorship top-down, non sono fenomeni che si possono sviluppare bottom-up. A questo si aggiunge la necessità di riconoscere e istituzionalizzare nuovi profili professionali all’interno dell’IT: figure ibride, a cavallo tra architettura, dati e processi di business.

Il nodo principale però è economico. Dal punto di vista finanziario, ERP e AI sono basati su modelli OpEx. «Questo rende l’investimento “indigesto” per molte organizzazioni: i costi vanno a conto economico nell’anno, mentre i benefici, spesso indiretti, maturano nel tempo» – spiega Bonetti. Ne consegue che il valore dell’AI deve essere dimostrato a consuntivo, non solo promesso ex ante, rendendo le decisioni di investimento più prudenti. «In attesa della maturazione di consapevolezza e contesto per la reale competitività dell’AI agentica, molte aziende, indipendentemente dalla dimensione, hanno ancora ampi margini di miglioramento lavorando sull’automazione tradizionale» – afferma Bonetti. Le previsioni indicano il 2026 come “l’anno dell’AI agentica”, tuttavia le aziende utenti sembrano aver imboccato la fase della riflessione. «Volendo giocare alle previsioni, questa fase durerà per l’ERP almeno un paio d’anni» – pronostica Bonetti. «Oggi gli agenti vengono utilizzati soprattutto al di fuori del core ERP, per esempio nel knowledge management. Sul core transazionale dell’ERP, il percorso sarà più lungo, la trasformazione organizzativa non viaggia con i tempi degli annunci dei nuovi modelli LLM». Per Bonetti, il vantaggio più concreto e immediato dell’AI è spesso indiretto: «Costringe l’organizzazione a riflettere seriamente su data management, qualità del dato e architetture informative. È anche per questo che le data platform stanno assumendo un ruolo centrale. I problemi tecnici, in larga misura, sono risolvibili. Quelli di consapevolezza organizzativa lo sono molto meno e richiedono uno sforzo molto più diffuso».

L’ERP NON È VECCHIO

Iniettare funzionalità agentiche in quel “sistema nervoso” dell’azienda che è l’ERP, è un’operazione complessa perché rischia di amplificare le fragilità esistenti invece di risolverle. L’ERP resta il sistema nervoso, ma non può essere ancora il “system of intelligence”. La data platform aggiornata in tempo reale nasce per colmare questa distanza: proteggere l’ERP dal carico analitico e allo stesso tempo renderne il patrimonio informativo utilizzabile dall’AI.

Barbara Marmello, ERP expert con quasi trent’anni di esperienza alle spalle, porta uno sguardo costruito sul campo, prima ancora che nelle architetture IT. Il suo percorso professionale inizia lontano dai ruoli di vertice tecnologico: Marmello ha lavorato sui sistemi ERP come controller e key user, vivendo in prima persona l’impatto quotidiano dei gestionali sui processi operativi. Un’esperienza che ha preceduto e influenzato in modo decisivo i successivi incarichi come project manager, delivery lead e, infine, direttore IT. «Gli ERP li ho vissuti da dentro» – racconta. «Quando non funzionano, quando rallentano il lavoro, quando diventano un alibi o un capro espiatorio. E li ho poi guidati da fuori, come responsabile di progetti complessi, in contesti molto diversi per dimensione, settore e livello di maturità digitale». È questa doppia prospettiva – operativa e manageriale – che consente a Barbara Marmello di leggere con maggiore lucidità il passaggio in corso dall’ERP tradizionale ai sistemi gestionali potenziati dall’AI. Un’evoluzione che, nella sua visione, non può essere valutata solo in termini tecnologici, ma va misurata sulla capacità reale di migliorare il lavoro delle persone e la qualità dei processi aziendali.

La prima convinzione che si porta dietro da anni è semplice. E sappiamo quanto possano essere difficili le cose semplici: «La responsabilità del progetto deve restare dentro l’azienda. Delegare tutto può sembrare comodo, soprattutto quando le risorse sono poche e il progetto è complesso. Nella mia esperienza non ha mai funzionato davvero. Ho iniziato più di un incarico trovandomi davanti a un ERP che “non funziona”, senza che nessuno fosse in grado di spiegare cosa esattamente non funzionasse. Il primo lavoro non è stato cambiare sistema, ma ricostruire fiducia, chiarire aspettative, distinguere i limiti dello strumento dai problemi di processo. Un partner è fondamentale, ma non può sostituire la responsabilità interna. Perché da fuori un ERP è un progetto come un altro. Da dentro è il sistema che deve reggere l’azienda per dieci anni, assorbire i cambiamenti, accompagnare le persone e spesso compensare anche quello che l’organizzazione non riesce ancora a fare bene».

La seconda lezione che arriva da Barbara Marmello è che un progetto ERP si fa solo quando c’è una convinzione reale. «Non serve l’unanimità, ma serve una sponsorship forte e trasversale. Se sono solo io, come IT, a volerlo, è meglio fermarsi. Se è il CFO a spingere, bene, ma voglio capire cosa ne pensano operations, supply chain, commerciale. Un ERP non è una battaglia che si vince da soli. È un progetto che richiede una maggioranza consapevole, altrimenti diventa una lunga guerra di logoramento».

Il terzo punto, e forse il più sottovalutato, è la trasparenza sulle aspettative, sui tempi e sui risultati. «Le demo dei vendor sono utili, ma non sufficienti. Bisogna parlare con chi quel sistema lo usa davvero, nelle stesse condizioni, con la stessa complessità. Bisogna accettare che esistano bias, che a volte ci innamoriamo di una soluzione perché è di moda o perché rassicura. Un ERP non deve piacere, deve funzionare. E deve funzionare nel contesto reale, non in quello ideale.

C’è poi il tema dell’impegno. Un progetto ERP non si risolve con qualche workshop. Richiede tempo, energie, scelte scomode. Costringe a guardarsi allo specchio e a chiedersi se i processi sono davvero quelli giusti o solo quelli a cui siamo abituati. «Non sempre le risposte sono comode» – continua Marmello. «Ma proprio per questo il progetto diventa un’enorme occasione di crescita. In più di un’azienda ho visto l’ERP diventare il punto di partenza per una maturazione organizzativa che altrimenti non sarebbe mai avvenuta. Quando arrivi in una nuova realtà e il primo grande progetto è questo, parti in salita, ma costruisci una conoscenza profonda che ti accompagnerà per anni».

Sul tema dell’intelligenza artificiale serve molta lucidità: «L’ERP resta, per sua natura, l’infrastruttura della certezza. Non nasce per fare analisi predittiva, né per essere creativo. Le soluzioni più evolute oggi integrano funzionalità di AI, ma solo in contesti molto standardizzati questo avviene in modo davvero plug-and-play. Nella maggior parte dei casi, soprattutto dove c’è legacy, si entra in una fase di sperimentazione che richiede competenze, dati puliti, tempo e molta pazienza».

La GenAI è interessante, ma oggi il suo valore è soprattutto di supporto. «Documentazione, formazione, interfacce più semplici. Utile, sì, ma raramente decisiva sul conto economico» – spiega Barbara Marmello. «Dove invece vedo benefici concreti è sull’AI predittiva e di ottimizzazione, spesso costruita attorno all’ERP più che dentro l’ERP. Pianificazione, scorte, manutenzione, qualità. In questi casi, il ritorno è reale, se i dati sono buoni. Infine il cloud, le promesse sono note, ma la realtà è fatta di compromessi. Compliance, integrazione con il mondo produttivo, continuità operativa. Non esistono scelte giuste in assoluto, esistono scelte coerenti con il contesto». In pratica, l’ERP non è vecchio, è centrale. «Non è il problema, ma la spina dorsale. E come tutte le ossature, funziona solo se è solida, ben conosciuta e sostenuta da muscoli veri. L’intelligenza artificiale può potenziarla, ma non sostituirla. E soprattutto non può sostituire la responsabilità di chi guida l’azienda».

LA SPINA DORSALE DEI PROCESSI

In pensione da due anni, Claudio Migliorati ci fornisce uno sguardo maturato in quasi quattro decenni di esperienza nel settore ICT, con una forte specializzazione nel manifatturiero. Il suo percorso professionale prende avvio nell’ambito applicativo, per poi evolvere, a partire dal 1995, verso ruoli di ICT management. Dal 2010 ha ricoperto l’incarico di Global CIO in un gruppo multinazionale di dimensioni contenute ma tecnologicamente molto dinamico. In questo contesto, dal 2007 ha anche svolto il ruolo di project manager per le implementazioni SAP in diverse società del gruppo, seguendo direttamente l’integrazione dei sistemi gestionali nei processi industriali.

Osservando l’evoluzione attuale, per Migliorati la sfida è comprendere come tradurre queste potenzialità in valore concreto, integrandole in modo efficace con i sistemi ERP e, nel contesto industriale, con i sistemi di Operational Technology (OT). Un’integrazione resa sempre più rilevante dalla necessità di recuperare produttività attraverso l’automazione e dagli impulsi normativi e strategici legati alle politiche di Industry 4.0. «Il “povero ERP” – povero perché ormai vittima di scarso interesse da parte delle nuove generazioni di studenti di discipline informatiche – costituisce in ogni azienda di ogni settore il sistema nervoso dei processi gestionali attorno al quale ruota la galassia dei sistemi dipartimentali: MES, PLM, WMS, SCADA e così via.

La grande tensione è di integrare strutturalmente funzionalità AI Gen nei processi tecnico-gestionali presidiati dai sistemi OT e ERP». Per Migliorati su questo punto, è necessario distinguere tra ERP nazionali e internazionali. «Questi, oltre ad aver anticipato la proposta di moduli di AI integrati nelle loro “suite” applicative, generano una mole di dati transazionali molto più corposa e dettagliata rispetto ai “cugini” nazionali. Questo consente di implementare in modo più efficace quella che in questo momento sia la risposta più interessante e concreta nell’integrazione della AI generativa in azienda: l’architettura RAG (Retrieval-Augmented Generation), ossia l’impiego di modelli AI Gen alimentati dai dati aziendali (documenti del file system, database, repository di “knowledge base”, le grandi basi dati dei sistemi OT…) che è consigliabile verificare prima di essere dati in pasto al modello AI. Anche in passato, sono state fatte implementazioni per analisi predittive, utilizzando dati storici e statistici in vari ambiti (produzione, vendite, informazioni generate a bordo macchina…). Queste architetture presentano maggiori garanzie anche in termini di sicurezza». Nel confronto con l’evoluzione dei sistemi gestionali, Claudio Migliorati evidenzia un elemento ormai difficilmente contestabile: «Le principali innovazioni legate all’integrazione dell’intelligenza artificiale si stanno concentrando quasi esclusivamente sulle soluzioni ERP in cloud, mentre le versioni on-premise mostrano un ritmo di evoluzione molto più lento». Migliorati porta esempi concreti. Durante la fase di test di un add-on ERP in ambito amministrativo-contabile, ha osservato l’applicazione dell’AI a uno dei processi più onerosi per le funzioni finance: il controllo e la riconciliazione tra i dati di ricevimento merce e le fatture di acquisto elettroniche. Un’attività che, per vincoli normativi e di controllo, richiede verifiche puntuali prima della contabilizzazione. Nel caso analizzato, il componente integrato nell’ERP è stato in grado di riconciliare e contabilizzare automaticamente circa il 30% dei documenti già al primo ciclo di utilizzo, una percentuale destinata ad aumentare grazie a meccanismi di autoapprendimento.

Accanto alle opportunità, Migliorati invita però a un approccio pragmatico. Il primo consiglio è di non escludere a priori l’uso dell’AI: «Nel medio periodo, una chiusura totale rischia di diventare controproducente, se non impraticabile». Per le aziende che stanno valutando un cambio di ERP, suggerisce di considerare soluzioni cloud best-in-class, possibilmente con verticalizzazioni di settore e funzionalità AI integrate. «Pur sacrificando parte della flessibilità e delle personalizzazioni tipiche dell’on-premise, queste piattaforme offrono maggiori garanzie di evoluzione funzionale e di allineamento tecnologico». Un altro punto chiave riguarda il ruolo dei partner. L’adozione dell’AI generativa – sottolinea Migliorati – richiede competenze specialistiche: «Affidarsi a partner esperti e con conoscenza del settore è essenziale, indipendentemente dalla presenza di moduli AI già integrati nei sistemi ERP. L’approccio “fai da te”, in questo ambito, è fortemente sconsigliato». Infine, Migliorati richiama l’attenzione su due temi: «La necessità di legare ogni iniziativa AI a esigenze aziendali reali, evitando sperimentazioni fine a sé stesse e mantenendo la centralità della sicurezza».

PRUDENZA NON RESISTENZA

Con una vasta esperienza maturata nel settore farmaceutico, Giuseppe Rosario Bungaro, head of Digital Transformation di Adeodata, osserva l’evoluzione degli ERP da una prospettiva che intreccia regolazione, processi industriali e innovazione tecnologica. Alla domanda se l’intelligenza artificiale apra davvero un nuovo ciclo nella storia dei sistemi gestionali, Bungaro invita a partire da un dato strutturale. «I principali fornitori di ERP, dal gestionale di riferimento per le grandi multinazionali alle piattaforme più diffuse nel mondo delle PMI, hanno costruito nel tempo ambienti applicativi fondati su scenari preconfigurati, pensati per rispecchiare contesti industriali standardizzati. L’obiettivo è sempre stato quello di ridurre la complessità delle implementazioni, offrendo processi “di riferimento” già codificati e pronti all’uso». È su questa architettura, consolidata negli anni, che oggi si innesta l’AI.

Secondo Bungaro, la vera discontinuità non sta tanto nell’abbandono di questi modelli, quanto nella possibilità di renderli più adattivi e informativi, senza perdere la disciplina operativa che ha reso gli ERP uno strumento centrale nella gestione delle imprese, soprattutto in settori ad alta regolamentazione come il farmaceutico. «Oggi si apre uno scenario in parte nuovo. Nelle versioni più recenti degli ERP, l’intelligenza artificiale viene proposta come servizio “plug-and-play”: funzionalità già disponibili, attivabili a catalogo, che il cliente può selezionare in base alle proprie esigenze. Rispetto alla tradizionale implementazione di moduli dipartimentali, questo approccio promette una riduzione significativa di tempi e costi. Va però chiarito un punto essenziale: queste funzionalità di AI operano quasi esclusivamente sui dati strutturati già presenti nel gestionale». Il quadro cambia quando l’AI deve integrare fonti dati esterne all’ERP. «In questo caso, l’approccio è ancora in larga misura sperimentale. Per questo è necessario definire prima l’obiettivo aziendale realmente ottimizzabile con il supporto dell’AI, e poi comprendere a fondo il processo, addestrare l’AI su dati coerenti con quel processo, costruire un dataset solido, sviluppare un proof of concept e solo successivamente valutare la scalabilità». Ma con una complicazione ulteriore testare l’AI non è come testare un software tradizionale – spiega Bungaro.

«Nel software classico, a ogni input corrisponde sempre lo stesso output. Nell’AI generativa, invece, la risposta può variare a parità di domanda. Questo avviene per più ragioni: l’approccio al dato è multidimensionale e sensibile al contesto (incluso il profilo di chi pone la domanda), ma incidono anche fattori infrastrutturali, come la capacità computazionale disponibile e lo stato dei dati nel momento dell’interrogazione. In termini operativi, l’AI generativa mostra oggi le migliori performance in ambiti caratterizzati da attività ripetitive e data-intensive. È qui che riesce a generare efficienza, supporto decisionale e riduzione degli errori. La raccomandazione, tuttavia, è di adottare una metafora utile al management: l’AI va trattata come un account di livello junior. È veloce, disponibile e capace di elaborare grandi quantità di informazioni, ma richiede supervisione, istruzioni chiare e responsabilità ben definite. Non sostituisce il giudizio umano, ma lo affianca, a patto che il contesto organizzativo sia pronto a governarne l’uso».

L’agentificazione dei processi gestionali mostra risultati concreti in ambiti ben delimitati: amministrazione e contabilità, gestione degli ordini, customer service, vendite e logistica distributiva. «Si tratta di processi caratterizzati da regole chiare, dati strutturati e un numero limitato di eccezioni. In questi contesti, l’AI può orchestrare attività, suggerire azioni e automatizzare decisioni a basso rischio».

L’estensione dell’agentificazione ai processi produttivi è teoricamente possibile, ma molto più complessa – secondo Bungaro. «Qui entrano in gioco variabili fisiche, vincoli operativi, eccezioni non codificate e responsabilità dirette sulla sicurezza e sulla qualità. Il margine di errore si riduce drasticamente, ma la supervisione umana resta imprescindibile». Una raccomandazione chiave per il management: «Evitare luoghi comuni e soluzioni valide per tutti. Dire semplicemente “usiamo l’AI” non significa nulla. L’adozione deve partire da bisogni reali, ben circoscritti e da problemi concreti da risolvere. L’AI deve ridurre la complessità, non crearne di nuova». Il percorso corretto è disciplinato e iterativo: progettare, testare, testare ancora, e solo dopo mettere in produzione un servizio. «In un contesto in cui la tecnologia evolve rapidamente e i modelli di business dei fornitori sono instabili, la prudenza non è resistenza al cambiamento, ma una forma di responsabilità manageriale».

DAL COSA AL COME

Luca Greco, CIO con oltre vent’anni di esperienza maturati in contesti eterogenei (food, fashion e construction), ha accompagnato aziende complesse nella loro fase di crescita e trasformazione, rafforzando i modelli di IT governance in contesti internazionali, con particolare attenzione all’operatività e alla gestione del rischio. Negli anni Novanta, con il passaggio dai sistemi dipartimentali eterogenei a un unico sistema integrato, l’obiettivo era duplice: ridurre i tempi operativi e ottenere una rappresentazione unitaria del business, più affidabile e tempestiva. A distanza di oltre trent’anni, che cosa è cambiato rispetto all’obiettivo originario dell’ERP? «In sostanza, nulla. La finalità rimane la stessa» – risponde Luca Greco.

«Ciò che è cambiato, ed è tuttora in evoluzione, è il come. Il percorso ha portato prima ai sistemi gestionali integrati, poi a un livello crescente di interconnessione con applicazioni e piattaforme esterne. L’ERP non è più un sistema chiuso, ma un nodo centrale di un ecosistema informativo più ampio. La formula di fondo resta invariata: interconnessione e dati per generare informazioni migliori in tempi più rapidi, a supporto delle decisioni e del controllo economico. In questo quadro, l’intelligenza artificiale non ridefinisce lo scopo dell’ERP, ma promette di potenziarne i meccanismi: analisi più rapide, previsioni più accurate, adozione semplificata dai chatbot, automazione decisionale su scala maggiore. Il ciclo non è nuovo; è un’accelerazione dello stesso principio fondante. Che a sua volta si traduce in abilitatore di nuove capacità e nuovi servizi». Secondo Luca Greco, l’intelligenza artificiale generativa aumenta in modo significativo la capacità “cognitiva” rispetto alla conoscenza dei processi da cui derivano le informazioni. Questo è il primo, reale vantaggio: non sostituisce il sistema informativo, ma ne rende più accessibile e comprensibile il contenuto, abbassando la soglia di competenza necessaria per interrogare processi complessi ed aumentandone di riflesso la resilienza. «L’implementazione, tuttavia, richiede cautela. Prendiamo esempi concreti ormai diffusi: strumenti come Copilot in Microsoft 365 consentono di ricercare informazioni distribuite e generare output sintetici. Ma, per comprendere il reale stato delle opportunità commerciali, l’utente deve poi accedere alla piattaforma CRM (per esempio Salesforce). Per verificare contratti, scadenze e clausole, deve interrogare il DMS. Mentre per il controllo delle performance, il CPM. Per l’operatività, l’ERP. Ognuno di questi sistemi sta progressivamente incorporando una propria “AI generativa”.

Il tema centrale non è quindi la disponibilità dell’AI, ma la centralità del dato e, soprattutto, la sua ontologia: il modo in cui i dati sono definiti, strutturati e messi in relazione. Questo problema non riguarda solo aziende diverse, ma si manifesta anche all’interno della stessa organizzazione, tra divisioni, funzioni e domini applicativi». Se ERP, CRM, DMS e CPM integrano ciascuno una propria AI, la domanda diventa inevitabile: come costruire una reale capacità cognitiva unificata partendo da basi informative frammentate? «I vendor dichiarano l’obiettivo di centralizzare e unificare, ma il punto di partenza resta eterogeneo» – risponde Greco. «L’azienda, da un punto di vista di architettura informatica, è necessariamente costituita da una molteplicità di sistemi tra di loro interconnessi. Ogni strumento riflette una propria struttura dati, logiche operative e pattern semantici. Senza un coordinamento esplicito, il rischio è moltiplicare le interfacce intelligenti senza ottenere una vera “intelligenza” di sistema».

Secondo Greco, per sviluppare un’AI realmente “cognitiva” è necessario armonizzare e orchestrare queste funzionalità aggiuntive, allineando modelli dati, definizioni e contesti di utilizzo. «In questo senso, l’AI non è solo una tecnologia abilitante, ma anche un potente fattore di stress test per il patrimonio informativo aziendale». Paradossalmente, è proprio l’AI a rendere evidente ciò che spesso veniva tollerato: «Dati incompleti, incoerenti o di qualità insufficiente. E in questo sta forse il suo contributo più concreto nel breve periodo. L’adozione dell’AI costringe le organizzazioni a prendere atto delle proprie debolezze informative e ad attivare, gradualmente, percorsi di modernizzazione dei dati, delle architetture e dei processi di governance».

LA GESTIONE DELL’OUTPUT

L’output informativo non è mai uno solo. «La rappresentazione del dato è, per sua natura, multidimensionale e dipende dal punto di riferimento: operativo, commerciale, finanziario, direzionale» – spiega Luca Greco. «L’oggetto informativo – “il territorio” – resta lo stesso, ma l’interpretazione – “la mappa con cui orientarsi” – cambia. In questo contesto, l’AI generativa, se correttamente supportata, aiuta a navigare la complessità, traducendo lo stesso patrimonio informativo in viste differenti, coerenti con il contesto decisionale». Proprio per questa ragione, l’adozione dell’AI non può che essere incrementale. «Non si tratta di introdurre un’intelligenza sostitutiva, ma di estendere progressivamente le capacità del sistema informativo, verificando di volta in volta la qualità degli output, la loro affidabilità e l’impatto sui processi decisionali». La gestione dell’output diventa quindi un tema centrale. «Non è un aspetto puramente tecnologico» – afferma Greco. «Ma è una scelta che definisce l’identità informativa – “il carattere” – dell’azienda. Qui il ruolo del management è determinante. Decidere quale output è rilevante, per chi e con quale livello di sintesi significa esercitare una responsabilità strategica, non delegabile all’algoritmo».

È altrettanto evidente che la governance viene prima dell’AI. «L’intelligenza artificiale è una nuova capacità del sistema aziendale e, come tale, deve essere sottoposta a rigorosi principi di role-based accountability» – continua Greco. «I nuovi servizi AI-powered devono ereditare le stesse configurazioni di sicurezza, controllo degli accessi e tracciabilità già in essere nel tenant applicativo. Di conseguenza, i criteri di scelta non possono limitarsi alla logica del best of breed. La qualità della tecnologia conta, ma conta altrettanto, se non di più, la sua capacità di integrarsi coerentemente nel modello di governance, sicurezza e responsabilità esistente. In assenza di questo allineamento, l’AI rischia di amplificare la complessità invece di governarla».

Sul fronte dell’AI agentica, per Luca Greco, è consigliabile mantenere un atteggiamento più cauto. «Se l’AI generativa si limita a produrre informazione più o meno nuova, l’AI agentica introduce un passaggio ulteriore e più delicato: l’azione diretta sui processi. È qui che la disintermediazione tra agente umano e agente artificiale diventa potenzialmente critica. L’autonomia operativa amplifica il valore, ma anche il rischio». Partiamo dal prerequisito fondamentale: il dato. Non un dato semplicemente disponibile, ma un dato affidabile, contestualizzato e azionabile. «Costruire le condizioni perché l’AI possa operare in modo autonomo significa creare ambienti operativi quasi “perfetti”: processi formalizzati, eccezioni gestite, regole chiare, responsabilità definite» – spiega Greco. «Nessuna impresa reale è un ambiente perfetto, ed è anche per questo che molte iniziative di AI, soprattutto agentiche, incontrano ostacoli o falliscono».

Le data platform hanno svolto finora un ruolo essenziale nel consolidare dati provenienti da funzioni diverse. «Ma questo non sarà sufficiente» – continua Greco. «In prospettiva, tali piattaforme dovranno anche allineare le risposte dell’AI in base ai contesti funzionali: ciò che è corretto per la finanza non lo è necessariamente per le operations o per il commerciale. Il valore non risiede solo nell’unificazione dei dati, ma nella loro interpretazione coerente con il dominio decisionale». In questo senso, le recenti mosse strategiche dei grandi player, come l’integrazione sempre più stretta tra data streaming, governance e AI, segnalano una direzione chiara del mercato. Quando i dati sono adeguati, l’AI generativa sul piano cognitivo funziona e diventa un abilitatore credibile anche per l’AI agentica. Secondo Greco, questo passaggio comporta uno spostamento ontologico: «Cambia il modo in cui il sistema “comprende” l’organizzazione e i suoi processi: in realtà non comprende davvero, perché non è in grado di discriminare lo scopo. Lo scopo lo dà il manager». A questo si accompagna inevitabilmente uno shifting delle competenze: «Emergono le cosiddette capacità ibride che combinano comprensione dei processi, giudizio manageriale e interazione efficace con sistemi intelligenti. In definitiva, l’AI agentica è una trasformazione del rapporto tra uomo e macchina, in cui il controllo, la responsabilità e la competenza devono evolvere insieme all’automazione. Senza questo equilibrio, l’autonomia rischia di precedere la maturità organizzativa».

IL ROI INVISIBILE DELL’AI

L’intelligenza, per essere realmente efficace nei sistemi aziendali, deve essere prima di tutto analitica, costruita processo per processo e abilitata dal basso. «Non esistono scorciatoie tecnologiche» – afferma Luca Greco. «Servono investimenti diffusi, soprattutto in formazione. Eppure, sono ancora poche le aziende disposte a mettere sul tavolo risorse significative per far crescere le competenze insieme alle piattaforme». Allo stesso tempo è difficile immaginare qualcosa di più sostenibile dalla modernizzazione degli ambienti produttivi accompagnata dalla crescita delle persone. «Oggi, invece, molte organizzazioni operano in una logica di breve periodo: si “gratta il barile”, si cerca di tirare a campare, rinviando trasformazioni strutturali che non producono ritorni immediati» – commenta Luca Greco. «Uno schema già visto. Come nella green transition, dopo la fase di accelerazione iniziale, molte aziende tendono a rallentare quando si rendono conto che la profittabilità di breve termine non compensa pienamente gli investimenti. Il problema è che gli strumenti tradizionali di analisi del ROI faticano a catturare il valore reale di queste trasformazioni». Nel caso dell’AI e della modernizzazione dei sistemi, si misurano soprattutto benefici indiretti: «Meno errori, maggiore efficienza, migliore qualità decisionale. Più raramente si registrano benefici diretti e immediatamente monetizzabili, come un aumento automatico delle vendite. Ma questo non significa che il valore non esista, ma che è di natura diversa, più strutturale e meno tattico». Ed è proprio qui che si gioca la sfida più profonda: «Integrare l’intelligenza analitica, l’AI e la modernizzazione dei sistemi in una visione manageriale sistemica capace di tenere insieme produttività, competenze e senso del lavoro».

PROCESSO DECISIONALE

Marco Pesavento, chief operating officer e board member di Benincà Group, offre una lettura operativa ancorata alla realtà industriale. «Se si guarda all’AI generativa, l’esperienza concreta di molte aziende manifatturiere è ancora limitata a casi d’uso ormai diffusi: generazione di testi, immagini, traduzioni. Applicazioni facilmente integrabili nei contesti aziendali e in diversi casi utili sul piano della produttività individuale, ma che nel breve periodo difficilmente incidono in modo significativo sul conto economico di una realtà metalmeccanica».

Ben diverso è il giudizio sull’uso degli algoritmi in chiave predittiva. «Negli ultimi cinque anni – continua Pesavento – Benincà Group ha sperimentato modelli di analisi basati su serie storiche di consumo per migliorare la pianificazione delle scorte di magazzino. In questo ambito, l’AI si è tradotta in uno strumento capace di supportare decisioni operative concrete, con impatti misurabili su efficienza, capitale circolante e servizio al cliente. Più che una rivoluzione improvvisa, Pesavento definisce questa evoluzione come un passaggio graduale dall’AI “dimostrativa” all’AI “industriale”: meno orientata all’effetto novità e più focalizzata sulla capacità di prevedere, pianificare e ridurre l’incertezza nei processi core. Un percorso che, soprattutto nel manifatturiero, continua a muoversi lungo la linea della continuità operativa più che della discontinuità radicale. «La prima parola che mi viene in mente è adattamento» – risponde Marco Pesavento. «Come tutte le evoluzioni, anche questa nasce da un’esigenza concreta».

L’origine va ricercata nella crisi delle supply chain esplosa nel 2020, durante la pandemia. «I lockdown hanno spezzato le catene di fornitura delle aziende manifatturiere e, all’improvviso, è venuta meno qualsiasi visibilità sul futuro». Che cosa è cambiato rispetto al passato? «È cambiato l’approccio. Ci siamo trovati in una fase in cui non aveva più senso aderire rigidamente a una singola teoria produttiva – lean production, make-to-order, make-to-stock o il calcolo delle scorte basato su consumi storici e deviazione standard. È emersa invece la necessità di adottare un metodo predittivo capace di ragionare sul singolo componente a magazzino e di fornire previsioni di consumo mensili su un orizzonte di dodici mesi».

Da qui l’implementazione di un sistema in grado di analizzare le serie storiche, intercettare trend e stagionalità delle vendite e adattarsi nel tempo grazie all’utilizzo di dodici algoritmi auto-adattivi. «Incrociando questi risultati con il budget commerciale – prosegue Pesavento – siamo stati in grado di decidere, articolo per articolo, quale modello di gestione fosse il più performante». Oggi convivono approcci diversi: componenti gestiti a kanban con ordini automatici ai fornitori, linee di montaggio lean, articoli a stock e scorte di sicurezza calcolate sulla base dei dati predittivi. «Il tutto viene rivisto con cadenza mensile». Il prerequisito fondamentale è la presenza di un ERP solido, capace di elaborare ed estrarre in modo affidabile i dati necessari ai modelli di calcolo. «Nel Gruppo Benincà partivamo già da una buona base» – spiega Pesavento. «Ma integrare l’intero modello predittivo all’interno dell’ERP avrebbe richiesto un livello di personalizzazione eccessivo». La scelta è stata quindi quella di esternalizzare il calcolo: «I dati vengono estratti dall’ERP e importati in software specialistici di analisi statistica, opportunamente programmati e addestrati. Tutto avviene in modo automatico, tramite attività schedulate. Ogni mese elaboriamo le previsioni per tutte le società del gruppo, ricalcoliamo i parametri gestionali e aggiorniamo i contratti aperti con i fornitori». Il principale elemento di attenzione riguarda la natura stessa degli algoritmi. «Il risultato di un modello predittivo non è mai un dato certo» – sottolinea Pesavento. «Va interpretato, contestualizzato e ponderato. L’esperienza e la capacità critica devono restare al centro del processo decisionale».

Eventi esogeni – geopolitici, economici o sociali – possono infatti ribaltare rapidamente qualsiasi previsione. «Lo ripeto spesso ai miei collaboratori: l’algoritmo è un supporto, non un dogma». Dal punto di vista tecnico, invece, le criticità sono limitate. «Come spesso accade, i veri ostacoli sono culturali: la disponibilità al cambiamento e la capacità di accogliere l’innovazione». In questo senso, Pesavento evidenzia il contesto favorevole in cui opera: «Faccio parte di un’azienda in cui innovazione e R&S sono nel DNA. Investire in tecnologia è una scelta strutturale, supportata anche da team giovani, curiosi e pronti a sperimentare».

Quali condizioni dovrebbero cambiare perché la GenAI possa incidere davvero su produttività e margini in una realtà metalmeccanica? «La marginalità deve essere il faro di ogni impresa» – risponde Pesavento. «Se guardiamo alle attività produttive, oggi faccio fatica a individuare benefici economici diretti e misurabili dall’uso delle piattaforme di AI generativa disponibili sul mercato». I vantaggi esistono, ma restano indiretti: «Maggiore produttività nella scrittura del codice, supporto al marketing nella creazione di contenuti multilingua, sintesi documentale e analisi dei dati più rapide. Tutti elementi che migliorano l’efficienza complessiva, ma che difficilmente si traducono, almeno oggi, in un impatto diretto sui reparti produttivi». Il divario tra il racconto dell’AI e la sua applicazione concreta resta quindi ampio. «La vera sfida – conclude Pesavento – sarà l’integrazione dell’intelligenza artificiale con la robotica e l’automazione industriale. È su questo fronte che, probabilmente, diventerà più semplice misurare il contributo dell’AI anche a livello di conto economico».

PRAGMATISMO OPERATIVO

Per Omar Moser, head of Transformation di Finarvedi Spa, l’ERP continua a svolgere un ruolo centrale nell’architettura informativa dell’impresa, anche nel contesto di una crescente attenzione verso l’intelligenza artificiale. Il sistema gestionale rimane infatti il motore transazionale che garantisce l’esecuzione end-to-end dei processi aziendali, coordinando flussi operativi, amministrativi e logistici. «L’ERP dialoga in modo strutturato con i sistemi satelliti – dai MES ai pianificatori e schedulatori – contribuendo ad alimentare la data platform con i dati necessari sia al calcolo operativo, a monte dei processi, sia alle attività di analisi e controllo a valle» – spiega Moser. «In questa prospettiva, l’ERP non va letto come un sistema isolato, ma come il nodo principale di un ecosistema applicativo più ampio, in cui la qualità, la coerenza e la governabilità del dato rappresentano condizioni imprescindibili. Senza queste fondamenta, qualsiasi evoluzione verso soluzioni di AI rischia di rimanere teorica o di produrre benefici marginali».

Omar Moser osserva un percorso di adozione dell’AI sempre più divergente tra le aziende: «Da un lato, organizzazioni in grado di affrontare l’AI in modo organizzato, programmatico e governato, includendo anche le funzionalità di AI embedded negli strumenti gestionali. Dall’altro, aziende che si muovono in modo disorganizzato o opportunistico, attivando singole soluzioni senza una visione architetturale o di processo». Questa divergenza non coincide automaticamente con la dimensione aziendale. È vero che il budget aiuta, ma il fattore discriminante è la maturità organizzativa, non la scala. L’unico vero vincolo è la realtà operativa. «Le aziende non sono ambienti perfetti. Molte non hanno ancora implementato in modo efficace funzionalità di base come i sistemi di MRP per la pianificazione dei fabbisogni. In alcuni casi, le attività critiche sono ancora gestite tramite fogli di calcolo.

In questo contesto, l’introduzione dell’AI rischia di sovrapporsi a fondamenta fragili. Senza processi minimi strutturati, l’AI non amplifica il valore: amplifica l’entropia». Quando si parla di ERP con AI embedded – secondo Moser – è utile mantenere aspettative realistiche. «Nella maggior parte dei casi, si tratta di automazioni evolute, basate su logiche di RPA “agentiche”, arricchite da componenti di classificazione, previsione o generazione testuale, applicate a processi fortemente tipizzati, soprattutto in ambito amministrativo, finanziario e commerciale, con nuovi rilasci periodici su nuove funzionalità. Ma su processi più complessi e meno strutturati – eccezioni della supply chain, pianificazione integrata della produzione, procure-to-pay – non è realistico attendersi “fuochi d’artificio” nel breve periodo.

Nel contesto ERP, l’AI va interpretata principalmente come un copilota: «Uno strumento che affianca le persone e accelera i processi, senza sostituire il giudizio umano. Nei processi ERP complessi e poco strutturati, l’AI non elimina passaggi, non riduce automaticamente i lead time fisici e non governa le eccezioni. Questa impostazione è coerente sia con lo stato attuale della tecnologia, sia con i vincoli organizzativi e normativi delle imprese industriali». Nelle realtà industriali avanzate come Arvedi, l’adozione dell’AI, nelle sue componenti predittive, di ottimizzazione, generative e agentiche, viene affrontata con un approccio greenfield, accompagnato da policy chiare e conformi ai principali riferimenti regolatori. «Un elemento distintivo è l’attenzione alla comunicazione interna e alla cultura organizzativa» – spiega Moser. «Per questo abbiamo scelto di definire principi guida chiari ed espliciti, lavorando su un decalogo destinato a tutti i dipendenti, con l’obiettivo di chiarire fin dall’inizio alcuni punti fondamentali».

Il primo riguarda l’algoretica – «come leva per potenziare le capacità umane e non per sostituirle». Il secondo è legato alla natura profit-oriented dell’impresa: «L’intelligenza artificiale ha senso solo se è in grado di creare valore reale, non esclusivamente economico ma anche operativo, organizzativo e ambientale. Il terzo principio è quello della sostenibilità, assunto come criterio di valutazione trasversale: «Un progetto di AI, per essere adottato, deve dimostrare di poter funzionare e produrre benefici nel tempo, evitando approcci effimeri o puramente sperimentali». Per Omar Moser il pragmatismo sopravanza l’entusiasmo. ERP e AI possono evolvere insieme, ma solo attraverso un percorso realistico, graduale e governato. «L’AI non risolve automaticamente le inefficienze esistenti, ma le rende più visibili. In assenza di processi solidi, dati affidabili e una cultura organizzativa matura, l’AI embedded rischia di restare una promessa tecnologica più che una leva di trasformazione reale».