Riuscire a diversificare il business di un colosso multinazionale del printing che conta, su scala globale, qualcosa come 80mila dipendenti e una storia lunga 90 anni, può sembrare una sfida impossibile. Eppure, nel racconto tratteggiato per Data Manager dal top management italiano dell’azienda, il percorso di trasformazione che caratterizza gli ultimi anni del brand giapponese in tutta l’area EMEA, sembra un gesto naturale, compiuto senza apparente sforzo. Come nella migliore tradizione delle arti marziali accomunate dal suffisso “dō”: la via del miglioramento continuo, in equilibrio tra fisico e spirituale.

Ricoh impiega poco più di dieci anni, un tempo sorprendentemente breve, per affermarsi in un universo di servizi digitali che spazia dalla system integration alla gestione dei mainframe, fino alla cybersecurity. Un percorso che porta la società anche a presidiare attività apparentemente lontane dal business originario, come la manutenzione di migliaia di parcel locker, infrastrutture ormai centrali nell’economia dell’e-commerce. In mezzo, una molteplicità di altre soluzioni, software e servizi che, in affiancamento alla leadership nel settore della stampa, contribuiscono al riposizionamento di Ricoh come punto di riferimento per l’intelligent workplace. Un vendor che, integrando tecnologie e servizi propri con quelli di un vasto ecosistema di partner tecnologici, riesce ad abilitare e rendere più efficace il modo di lavorare e la collaborazione delle aziende e delle persone. Un obiettivo che richiama direttamente i principi indicati da Kiyoshi Ichimura, fondatore del gruppo, che fanno bella mostra sui manifesti negli uffici: amare il proprio lavoro, il prossimo e il Paese in cui si opera. Una visione che Ricoh traduce in soluzioni che riducono la complessità, semplificano le attività e migliorano il benessere delle persone.

THE ITALIAN CONNECTION

In questa parte più recente della storia della “signora giapponese”, assume un ruolo centrale un manager italiano, Alberto Mariani, dallo scorso aprile CEO di Ricoh Italia e di Mauden, azienda del gruppo. Dal quartier generale EMEA di Londra, Mariani è tra gli artefici della trasformazione di Ricoh. Prima alla guida degli IT Services, poi della Digital Innovation e infine come chief digital investment officer, contribuisce a costruire la strategia che porta il gruppo a realizzare una ventina di acquisizioni nei servizi IT. Le radici professionali di Mariani affondano in Ricoh Italia: «Il mio percorso inizia proprio qui, 23 anni fa, subito dopo la laurea». Nei primi anni ricopre ruoli nel marketing, nelle vendite, nel finance e, successivamente, nei progetti strategici. Nel 2013, in un contesto di profonda trasformazione del mercato della stampa, Ricoh Europe lo chiama a Londra con una missione precisa: individuare nuove traiettorie di crescita e ampliare il perimetro dell’azienda oltre il printing.

Riconoscendo nell’information technology l’ambito di presenza più contiguo e connaturato all’esperienza del gigante giapponese, per esempio nel campo delle stampanti di rete e del relativo software, l’azienda prepara un piano pluriennale per espandere la presenza nei servizi IT. «Per acquisire rapidamente competenze, relazioni e quel “Right to Play” necessario per affermarsi in mercati diversi da quello tradizionale della stampa, abbiamo dato il via a un piano di acquisizioni, attivando una serie di processi interni di integrazione» – rivela Mariani, nella cui missione ricade anche la crescita organica, con un intenso programma di formazione e reskilling mirato proprio all’IT. «In parallelo, abbiamo continuato a integrare know-how dall’esterno per rafforzare l’organico e a fare dell’informatica un nuovo zoccolo duro».

IL NUOVO EQUILIBRIO

Uno degli elementi che caratterizzano il modello Ricoh è l’equilibrio tra indirizzo centrale e autonomia nei differenti Paesi. Se le tecnologie di stampa continuano a essere sviluppate in Giappone, le attività legate ai servizi e all’innovazione vengono gestite con un approccio molto più distribuito. «Le regioni geografiche fuori dal Giappone fanno capo a Ricoh Company, ma dispongono di un elevato grado di autonomia» – spiega Mariani. Questa impostazione si riflette anche nella gestione delle acquisizioni. In Italia Ricoh ha consolidato il proprio posizionamento con due realtà strategiche come Mauden e Npo Sistemi. La prima conserva il proprio brand e una significativa indipendenza operativa; la seconda, dopo oltre dieci anni all’interno del gruppo, è stata recentemente integrata nella struttura di Ricoh Italia.

Fondate negli anni Ottanta, Mauden e Npo Sistemi sviluppano nel tempo competenze specialistiche nei grandi progetti di integrazione di infrastrutture e dati, estese oggi anche agli ambiti dell’intelligenza artificiale. Entrambe costruiscono inoltre un patrimonio di relazioni e credibilità che rappresenta uno degli asset più preziosi dell’operazione di integrazione. È anche per questo che Ricoh Italia continua a valorizzare la riconoscibilità del marchio Mauden, particolarmente apprezzato in contesti enterprise e mainframe. «L’obiettivo resta quello di mettere le competenze sviluppate dalle due società a disposizione dell’intera base clienti di Ricoh Italia» – continua Mariani.
Il percorso completato con Npo Sistemi va proprio in questa direzione: «Associamo al brand Ricoh capacità che inizialmente non erano organiche al gruppo, semplificando l’organizzazione interna e offrendo ai clienti un’esperienza più coerente e integrata».

Le modalità di integrazione variano in base al Paese. In virtù dell’autonomia riconosciuta alle filiali europee, per esempio, in Spagna le aziende acquisite sono state progressivamente incorporate nella struttura locale del gruppo, fino a presentarsi sul mercato come un’unica realtà Ricoh. In altri casi, invece, il gruppo sceglie di preservare il valore costruito dai marchi locali. Attualmente, una decina di società continua a mantenere la propria identità sul mercato, pur operando all’interno di una governance e di una strategia comuni. L’affermazione dei modelli di lavoro ibrido amplia ulteriormente il perimetro di Ricoh, che affianca ai servizi IT un’offerta dedicata alla collaborazione digitale, alle sale riunioni intelligenti e alla workplace experience. A queste soluzioni si aggiungono il digital signage, le piattaforme per l’automazione dei processi e le tecnologie per il document management. In molti di questi ambiti, Ricoh può contare anche su asset proprietari come DocuWare per la process automation e Ricoh Spaces per il workplace management.

PRINT O NON-PRINT

Nell’ambito della sua esperienza europea, a Mariani viene attribuito un ruolo importante nel riequilibrio del portafoglio Ricoh. Nel giro di poco più di un decennio, il gruppo porta infatti il business europeo da una quasi totale dipendenza dal printing a un mix sostanzialmente «fifty-fifty» tra stampa e servizi IT. Un risultato che fotografa la trasformazione portata avanti dall’azienda. Oggi, Mariani torna in Italia come CEO di Ricoh Italia e Mauden, mantenendo al tempo stesso un ruolo nel board europeo, che supervisiona gli investimenti strategici del gruppo. Un rientro all’insegna della continuità per accompagnare una nuova fase di sviluppo in uno dei mercati più rilevanti per Ricoh in Europa.

«Sono felice di essere tornato a lavorare a stretto contatto con clienti, partner e colleghi che mi sono mancati molto in questi anni» – racconta Mariani. «Continuo a partecipare alle decisioni sugli investimenti a livello europeo, ma oggi la mia sfida è calata in una realtà che continua a crescere e che rappresenta una delle principali business unit del gruppo. Ritrovo una squadra molto coesa e manager che si sentono parte di un’unica comunità. La crescita non è mai mancata, ma vogliamo accelerarla ulteriormente, a partire dal printing, dove in Italia Ricoh rappresenta un punto di riferimento consolidato».

La trasformazione compiuta negli ultimi anni può diventare una leva decisiva per conquistare nuovi clienti e nuovi segmenti applicativi. Al piano terra della sede di Vimodrone, alle porte di Milano, l’azienda ha inaugurato di recente uno showroom dedicato alle più recenti tecnologie per i professionisti della stampa, che si aggiunge al Technology Center focalizzato sul mondo office, due spazi che dimostrano che anche un business storico come il printing può continuare a evolvere e a reinventarsi.

La voglia di crescita riguarda ovviamente anche la componente digitale dell’offerta, ma in questo senso la fisicità della carta e degli altri supporti non rischia di essere un contraltare scomodo al mantra della dematerializzazione? «Al contrario» – risponde Mariani. «Siamo i primi a promuoverla. Soluzioni come DocuWare partono dal supporto fisico, generando un flusso di attività e di decisioni completamente digitale». Al tempo stesso, in ambito office, la stampa diventa un punto di accesso per nuove sinergie con l’ecosistema di servizi digitali Ricoh – automazione dei processi, workplace experience, collaboration, infrastrutture e sicurezza – rafforzando il posizionamento del gruppo giapponese Ricoh come interlocutore unico.

DALLA CARTA AI PROCESSI

L’evoluzione del portafoglio Ricoh verso servizi digitali, cybersecurity e intelligenza artificiale amplia in modo significativo il valore che l’azienda è in grado di trasferire ai clienti. A guidarne la traduzione commerciale è Nora Cecini, sales director di Ricoh Italia, responsabile della divisione che integra competenze, organizzazione e strategia di go-to-market in una proposta sempre più orientata ad aiutare le aziende nel raggiungimento dei propri obiettivi. «Il mondo lavora in modo diverso. Manager e CIO cambiano le loro priorità andando verso ecosistemi ibridi, iperconnessi. L’esplosione dei dati riflette la necessità di decisioni data-driven» – spiega Cecini. «Ci sono due esigenze che non cambiano mai: la sicurezza e l’attenzione ai costi, con un focus costante sul ritorno degli investimenti».

È su questi due pilastri che Ricoh costruisce la propria evoluzione verso i servizi IT, investendo in competenze, tecnologie e capitale umano. L’obiettivo non è proporsi come semplice fornitore, ma come partner di lungo periodo, capace di accompagnare il cliente lungo tutto il percorso di trasformazione del workplace digitale, costruendo soluzioni scalabili, sostenibili e adattabili nel tempo. «L’approccio as a Service attraversa l’intera value proposition» – sottolinea Cecini. «Non è solo una modalità contrattuale, ma il modo con cui presidiamo l’intero ecosistema di lavoro del cliente».

SERVIZI GESTITI E SCALABILITÀ

Tutto parte dal documento, ma il perimetro si estende oltre. Dalla gestione delle informazioni alla digitalizzazione dei processi, dall’automazione dei workflow fino alla modernizzazione delle infrastrutture, Ricoh accompagna il cliente lungo l’intera catena del workplace digitale e fisico. «Questo ci porta a entrare nel cuore dei sistemi informativi aziendali» – spiega Cecini. «Affianchiamo il cliente nella gestione dell’ambiente di lavoro, delle infrastrutture on-premise e cloud e delle componenti di cybersecurity, ormai indispensabili per qualsiasi organizzazione». In questo scenario, il modello as a Service diventa anche uno strumento di governance economica, perché trasforma gli investimenti iniziali in costi operativi prevedibili, consentendo alle aziende di pianificare con maggiore precisione l’evoluzione tecnologica.

Nella veste di system integrator, Ricoh coltiva contatti molto stretti con i fornitori di tecnologie, che mettono a disposizione un ventaglio di soluzioni best of breed da inserire nei progetti sviluppati insieme ai clienti. Inoltre, come primario produttore di soluzioni di stampa, è in grado di far leva su un ecosistema di partner di canale che rappresentano la naturale estensione dell’organizzazione. «Contiamo su un insieme di 140 partner selezionati che opera insieme a noi allo sviluppo di soluzioni per dare presenza e capillarità sul territorio e competenze distribuite, in ambito printing e IT, che è in notevole crescita». Ricoh si occupa anche della formazione certificata di questi partner, mettendo a loro disposizione gli stessi strumenti utilizzati al proprio interno e condividendo i casi di implementazione di maggior successo in un’ottica di co-creazione di valore.

Cecini evidenzia che, in un modello commerciale indiretto, le soluzioni as a Service richiedono una stretta collaborazione con il canale per offrire valore ai loro clienti. «Ricoh opera da sempre in un mercato abituato a modelli ricorrenti basati su canoni che comprendono dispositivi, consumabili e assistenza» – osserva Cecini. «È naturale estendere questa logica ai servizi digitali». Lo stesso principio si applica alla cybersecurity, un ambito che richiede monitoraggio continuo, aggiornamento costante e una combinazione di tecnologie, competenze e servizi gestiti. Un modello promosso anche sul piano finanziario attraverso Ricoh Capital, che opera proprio in un’ottica di posizionamento di proposte e soluzioni as a Service, favorendo una strategia che punta sia alle imprese di livello enterprise che alle PMI.

Se la dimensione internazionale rappresenta una garanzia per le aziende che operano su scala globale, la forza di Ricoh Italia risiede nella capacità di presidiare il territorio. Con nove filiali distribuite da Torino a Palermo e oltre 1300 persone, il gruppo in Italia combina la solidità di una multinazionale con la prossimità tipica di un operatore locale. «Ogni nostra filiale sul territorio italiano dispone di forza vendita, back office e assistenza tecnica» – spiega Cecini. «Una presenza che ci permette di interpretare con precisione le esigenze dei diversi territori e di settori particolarmente distribuiti come banche e assicurazioni».

CAPILLARITÀ E PROSSIMITÀ

L’unicità di Ricoh si basa sulla capillarità e sulla dualità dell’offerta, con investimenti costanti sia sul printing professionale sia sulla diversificazione dell’offerta tecnologica per il workplace. La missione di far risaltare questa dualità spetta a Valentina Magi, marketing director. «Dal punto di vista dei clienti, Ricoh è da sempre un brand riconoscibile e affidabile. Oggi, l’azienda si presenta con un’offerta molto più ampia. Il nostro obiettivo è affiancare i clienti verso modelli di lavoro sempre più integrati, digitali e orientati alle persone, ampliando il valore della relazione e rendendola un percorso di crescita condivisa». Accompagnare i clienti lungo questa evoluzione significa valorizzare una relazione costruita negli anni, trasformandola in nuove opportunità di crescita e innovazione.

«Sul tema dell’Intelligent Work, Ricoh ha pianificato una strategia di lungo termine» – spiega la responsabile del marketing. L’evoluzione del gruppo poggia su basi molto solide e giustifica l’ambizione di Ricoh di posizionarsi come leader all’intersezione di tre mondi: AI e tecnologie avanzate, soluzioni e servizi, ed esperienza umana. Un dominio dove il vantaggio competitivo di Ricoh si gioca sull’ampiezza del portafoglio e la credibilità del know-how. «Oggi siamo in grado di migliorare la produttività dei knowledge worker attraverso un’esperienza operativa integrata» – continua Magi. «Accanto alle tecnologie di stampa gestiamo sale riunioni, dispositivi endpoint, locker intelligenti e strumenti che supportano modelli di lavoro sempre più ibridi».

In questo ecosistema il documento continua a svolgere un ruolo centrale. Non a caso Ricoh rafforza le proprie competenze nell’acquisizione delle informazioni attraverso l’integrazione della divisione scanner professionali Fujitsu, oggi confluita in Ricoh PFU e focalizzata sui segmenti di fascia alta del mercato. «Abbiamo di recente lanciato una soluzione multifunzione che incorpora questi scanner e offre innovative prestazioni nell’acquisizione e nella stampa di formati non standard su supporti a elevato spessore, come biglietti da visita e carte di credito. A valle di questi sistemi, si trovano le soluzioni per la gestione di interi processi di approvazione e archiviazione».

DAL DOCUMENTO AL DATO

Per Magi, stampa e dematerializzazione non sono concetti in contraddizione. «Molti settori continuano a fare affidamento sulla carta. La differenza è che oggi si stampa in modo più consapevole, utilizzando tecnologie più efficienti e progettate secondo i principi dell’economia circolare». La digitalizzazione non consiste nell’eliminare il supporto fisico, ma nel rendere più fluido lo scambio di informazione e la collaborazione. Alla stampa sempre più ecologica e ottimizzata, Ricoh integra così le tecnologie che favoriscono la semplificazione e l’efficienza dei processi. Strumenti che Ricoh stessa applica al proprio interno per migliorare la qualità dei servizi offerti e rafforzare il supporto ai clienti lungo tutto il loro percorso di trasformazione. Anche in una sfera decisiva come l’assistenza al cliente.

Se metà del business Ricoh passa ormai dai servizi, la qualità dell’assistenza diventa un elemento strategico. È da questa prospettiva che Stefano Scotti, customer service director, legge il ruolo di una struttura che in Italia coinvolge oltre 700 persone. Scotti arriva in Ricoh nel 2023 dopo una lunga esperienza nel settore delle telecomunicazioni, dove la continuità di servizio è un requisito fondamentale come per molti clienti di Ricoh. «Molto spesso il business dei nostri clienti si basa sulla continuità e sull’affidabilità delle tecnologie che forniamo, per cui è fondamentale garantire elevati livelli di servizio e supporto costante» – spiega Scotti.

La sua divisione in azienda è in grado di assicurare circa il 70% dei servizi di logistica, delivery, installazione e assistenza per le soluzioni offerte da Ricoh, spesso con contratti della durata da due a cinque anni. Geograficamente, il personale delle nove filiali copre il 40% del territorio nazionale, quello riferibile ai centri di maggiore densità abitativa. Il resto è affidato a una rete di 66 CAT, i centri di assistenza tecnica, che a seconda dei casi possono occuparsi solo dei prodotti di stampa o di altre soluzioni. La capacità di delivery di Ricoh si estende oltre i confini dell’organizzazione interna. «Possiamo contare su una rete di dealer e partner specializzati, che presidiano il territorio e supportano sia le attività commerciali sia quelle di assistenza» – spiega Scotti.  Un’organizzazione dinamica, quindi, che riflette l’evoluzione del modello di servizio e la crescente ampiezza del portafoglio, consentendo di gestire in modo efficace soluzioni e contesti operativi sempre più eterogenei.

SERVIZIO COME PIATTAFORMA

Se il business di Ricoh si estende ormai ben oltre il printing, anche la macchina dei servizi evolve di conseguenza. Oggi il gruppo supporta un portafoglio che spazia dalla stampa office ai servizi IT, dalla gestione documentale alle infrastrutture digitali, fino ad ambiti specialistici come la manutenzione di migliaia di parcel locker distribuiti sul territorio. «Ricoh è in continua trasformazione e il suo obiettivo è crescere in modo profittevole, creando valore per clienti e partner» – spiega Stefano Scotti.

A sostenere questa complessità è una piattaforma software che coordina in tempo reale richieste di assistenza, attività dei contact center, logistica e interventi sul campo. Il sistema raccoglie informazioni provenienti da molteplici canali, alimenta dashboard operative e assegna automaticamente le attività alle risorse più adatte, contribuendo a ottimizzare tempi di risposta e a migliorare costantemente l’efficienza. E l’efficienza del modello si misura anche nei dettagli. Ogni sera, nei magazzini centrali, vengono preparati i cosiddetti car kit: contenitori personalizzati che accompagnano i tecnici nella giornata successiva. Al loro interno trovano posto le parti di ricambio che il sistema prevede possano essere necessarie sulla base degli interventi programmati.

Ogni giorno gli oltre 180 tecnici di pronto intervento effettuano in media cinque o sei visite ai clienti distribuiti su tutto il territorio nazionale. Durante la giornata, il kit si svuota progressivamente, mentre un secondo contenitore raccoglie componenti sostituiti, consumabili esausti e materiali destinati al recupero. Alla sera il ciclo ricomincia. «Questa organizzazione ci consente di risolvere il 92% delle richieste già alla prima uscita» – sottolinea Scotti.

Dietro processi, piattaforme e indicatori di performance c’è però un elemento che il manager considera decisivo: le persone. La qualità del servizio dipende infatti dalla capacità di costruire competenze, senso di appartenenza e motivazione all’interno di una struttura distribuita sull’intero territorio nazionale. È un tema che conduce naturalmente a Elisabetta Bertoldi, HR director di Ricoh Italia, chiamata a tradurre nella gestione delle risorse umane i principi che accompagnano il gruppo fin dall’inizio. E così, quando le chiedono che cultura abbia Ricoh Italia, risponde sempre con una sintesi efficace: «Un equilibrio tra tradizione giapponese e imprenditorialità italiana». Dietro questa definizione si riflette l’identità aziendale: da una parte l’approccio metodico, il senso di responsabilità e l’attenzione alla comunità che caratterizzano la tradizione giapponese; dall’altra, un forte pragmatismo e orientamento ai risultati. Una combinazione che – secondo Bertoldi – contribuisce a creare un ambiente di lavoro solido, inclusivo e orientato alla crescita delle persone.

EVOLUZIONE E COESIONE

La trasformazione che porta Ricoh ben oltre il perimetro storico della stampa non riguarda infatti soltanto tecnologie, acquisizioni e nuovi servizi. Richiede anche un’evoluzione profonda dell’expertise. È in questo contesto che si inserisce l’evoluzione della divisione HR, guidata da Elisabetta Bertoldi. «Se Ricoh è riuscita a reinventarsi, è perché ha saputo trasformare anche la cultura aziendale e il coinvolgimento delle persone», afferma Bertoldi, evidenziando come lo sviluppo delle competenze, la creazione di opportunità di carriera e l’attenzione alle nuove generazioni siano leve centrali del cambiamento. In questa direzione, l’azienda investe in percorsi strutturati, pensati per accompagnare le persone lungo tutta la loro evoluzione professionale, valorizzandone il potenziale. A rafforzare questo approccio – che contribuisce anche a mantenere un elevato livello di retention all’interno dell’azienda – è una cultura digitale solida e diffusa, che rappresenta anche un importante fattore di attrattività per i talenti più giovani. Questi trovano in Ricoh un contesto dinamico e orientato all’innovazione, supportato ad esempio da centri di competenza altamente specializzati su tematiche come l’intelligenza artificiale.

In questo scenario, un ruolo centrale è ricoperto dai temi dell’inclusione e della valorizzazione delle diversità, che hanno portato il gruppo Ricoh in Italia a ottenere la certificazione UNI/PdR 125 per la parità di genere. Tra le iniziative più significative in questo ambito rientra il programma dedicato alla prevenzione della violenza di genere, sviluppato in collaborazione con la onlus Fondazione Pangea ETS, da anni in prima linea nella lotta su questo fronte. «Il progetto prevede attività, tra cui formazione e sensibilizzazione, rivolte a tutta la popolazione aziendale ed è un’esperienza molto coinvolgente dal punto di vista emotivo» – racconta Bertoldi. Il percorso ha portato alla creazione di una rete interna di volontari e volontarie, in grado di offrire ascolto e orientare le colleghe vittime di violenza verso percorsi di supporto adeguati, coinvolgendo oggi circa trenta persone all’interno dell’organizzazione. Lo stesso approccio partecipativo caratterizza anche altre iniziative nate dai dipendenti, che attraverso momenti di confronto strutturati propongono progetti su temi che riguardano ad esempio la sostenibilità. Per Bertoldi, il filo conduttore è sempre lo stesso: costruire un’organizzazione capace di evolvere senza perdere coesione. Un obiettivo che, in un’azienda impegnata a ridefinire il proprio ruolo nel mercato, rappresenta una leva strategica almeno quanto la tecnologia.

UN PONTE CHE UNISCE

La storia di Ricoh dimostra che la trasformazione digitale non coincide necessariamente con l’abbandono del passato. Al contrario, può nascere dalla capacità di reinterpretare competenze, relazioni e asset costruiti in decenni di attività. È così che un gruppo associato per lungo tempo al printing arriva oggi a presidiare il punto in cui documenti, dati, processi e intelligenza artificiale convergono. Non più soltanto un produttore di tecnologie, ma un abilitatore di nuovi modi di lavorare. Per Ricoh il futuro non inizia con l’intelligenza artificiale. Inizia molto prima: nel momento in cui un documento diventa dato, un dato diventa processo e un processo genera valore. È lungo questa traiettoria che il gruppo giapponese sta costruendo la propria evoluzione. In fondo, è questa la trasformazione di cui Ricoh si fa interprete. Non la sostituzione di un mondo con un altro, ma la costruzione di un ponte tra fisico e digitale. Un ponte che attraversa anche l’intelligenza artificiale. Ci piace pensare che la diversità e la ricchezza di visione che Ricoh promuove a livello europeo siano, in qualche misura, anche il riflesso di una guida italiana capace di leggere questa transizione.

Foto di Gabriele Sandrini

L'articolo Ricoh: il workplace per fare, la via per cambiare proviene da Data Manager Online.

di Gianni Rusconi

Il cloud non è più una questione confinata ai dipartimenti IT. È diventato un tema strategico, industriale e geopolitico, destinato a ridefinire il modo in cui le imprese costruiscono il proprio futuro digitale. Hybrid cloud, multicloud, sovranità del dato, AI generativa, modernizzazione applicativa, resilienza e sicurezza: sono questi i “fascicoli” che riempiono tavoli e agende dei CIO e del top management. L’intelligenza artificiale, in particolare, sta accelerando una trasformazione già in corso, imponendo nuove esigenze di capacità computazionale, velocità, governance e controllo dei dati. In questo scenario, l’infrastruttura non è più solo un supporto operativo ma diventa un abilitatore diretto dell’innovazione.

Il Cloud & Infrastructure Forum di Data Manager affronta queste tematiche mettendo a confronto provider tecnologici e grandi aziende italiane, con l’obiettivo di capire come evolvono strategie e modelli infrastrutturali. Dal ruolo crescente dei data center alle implicazioni della compliance normativa, fino al rapporto fra cloud (pubblico e privato) e ambienti on premise, il messaggio emerso dal dibattito è chiaro: la complessità aumenta, ma cresce anche la consapevolezza che la capacità di orchestrare infrastrutture, dati e servizi sarà sempre più decisiva per la competitività delle imprese.

FRA HYBRID CLOUD E AI

Il percorso di migrazione verso il cloud si evolve in un ecosistema molto più articolato, nel quale le aziende devono bilanciare esigenze tecnologiche, vincoli normativi, sostenibilità energetica e considerazioni geopolitiche. Il mercato dei data center è diventato, non a caso, uno dei nuovi snodi strategici dell’economia digitale. I numeri dell’Osservatorio del Politecnico di Milano raccontano di circa 25 miliardi di euro di investimenti potenziali, annunciati in Italia per il triennio 2026-2028, ma fotografano anche una situazione ancora fortemente disallineata fra piani dichiarati e capacità reale di realizzazione.

Parallelamente cambia anche il modo di interpretare il cloud. La logica dello spostamento delle applicazioni verso infrastrutture non proprietarie, mostra sempre più i propri limiti. Le imprese devono infatti affrontare questioni molto più complesse che riguardano la governance dei dati, la latenza, l’orchestrazione fra ambienti diversi e il rischio di lock-in tecnologico. La crescente attenzione verso il tema della sovranità digitale nasce proprio da questo contesto: la possibilità di mantenere controllo giuridico e operativo su dati, workload e proprietà intellettuale è diventata una priorità per molte organizzazioni, anche in relazione alle differenze normative fra Europa e Stati Uniti. E tale tendenza trova riscontro (l’indicazione arriva dall’Osservatorio Cloud Transformation del Politecnico) nell’oltre un terzo di grandi aziende italiane che sta valutando strategie di “geopatriation”, ovvero il ritorno o il trasferimento di carichi di lavoro verso cloud provider europei o comunque percepiti come maggiormente controllabili dal punto di vista normativo.

In questo scenario in evoluzione, l’intelligenza artificiale rappresenta il principale fattore di discontinuità. L’AI non richiede soltanto maggiore potenza computazionale, ma anche un ripensamento complessivo delle architetture infrastrutturali, e questo perché i workload legati all’addestramento e all’inferenza dei modelli impongono capacità energetiche molto superiori rispetto al passato e aprono nuove sfide in termini di raffreddamento, networking e gestione dei dati. Allo stesso tempo, il mercato entra in una fase che molti definiscono modernizzazione 2.0. Non basta più “containerizzare” le applicazioni o destrutturare i vecchi silos IT, ma si deve guardare all’integrazione fra applicazioni e servizi mediata da agenti software intelligenti, capaci di prendere decisioni autonome e di orchestrare processi complessi. Ed è qui che emergono nuove criticità legate alla sicurezza, alla governance delle identità digitali e al controllo dell’AI.

Il ruolo del CIO cambia profondamente: da responsabile infrastrutturale a vero e proprio direttore d’orchestra chiamato a coordinare tecnologie, compliance, sostenibilità economica, cybersecurity e strategia aziendale. La capacità di costruire infrastrutture flessibili, resilienti e interoperabili diventa quindi una leva fondamentale per sostenere la trasformazione digitale ma anche per garantire competitività e continuità operativa nel lungo periodo.

COMPUTE AS A SERVICE

L’intelligenza artificiale sta cambiando profondamente anche il modo in cui vengono progettate reti, data center e infrastrutture computazionali. L’aumento esponenziale dei workload che processano informazioni richiede capacità di elaborazione sempre più elevate, velocità di trasferimento dei dati e modelli infrastrutturali molto più flessibili rispetto al passato. L’impatto generato da algoritmi, modelli generativi e strumenti agentici sulla componente infrastrutturale è già evidente: la domanda di CPU/GPU, storage e connettività privata aumenta rapidamente e obbliga le aziende a ripensare architetture e strategie operative. «L’AI accelera enormemente il traffico dati e la necessità di capacità computazionale» – spiega Lorenzo Ruggiero, regional director – head of Southern Europe di Megaport, provider di servizi di rete su scala globale. Di conseguenza non basta più avere accesso al cloud: «Serve un’infrastruttura in grado di spostare grandi volumi di dati in modo rapido, sicuro e prevedibile».

Per rispondere a questa evoluzione, Megaport amplia il proprio modello “network as a service” verso il “compute as a service” (investendo strategicamente in Latitude.sh, società specializzata nella fornitura automatizzata di CPU e GPU on demand) con l’obiettivo di offrire alle aziende clienti un’infrastruttura globale in grado di combinare connettività e potenza computazionale in modalità completamente flessibile. Se la corsa al ripensamento della componente infrastrutturale è guidata soprattutto dalla diffusione di applicazioni AI, training model, inferenza e analytics avanzati – allora – la velocità di provisioning e la possibilità di scalare rapidamente diventano fattori critici. «Le imprese vogliono evitare investimenti rigidi e sovradimensionati» – osserva Ruggiero. «Per questo cresce l’interesse verso modelli on demand, dove CPU e GPU possono essere utilizzate per pochi minuti oppure per periodi molto lunghi, in funzione del livello di carico dei workload».

Lo stesso vale per l’infrastruttura di rete, che non può più essere vincolata ai tempi e alle rigidità tradizionali. «Megaport dispone oggi della rete automatizzata più estesa al mondo per permettere alle aziende di collegarsi a qualsiasi cloud provider o a qualsiasi data center in modo automatico e indipendente, in un tempo rapidissimo, circa sessanta secondi. Il paradigma as a Service è ormai imprescindibile e questo modello di piattaforma permette di garantire prevedibilità economica».

Nella visione di Megaport, l’AI non rappresenta una minaccia per chi opera nel mondo infrastrutturale fisico, ma al contrario un acceleratore di automazione di molti processi software: «Reti, fibre ottiche, server GPU e data center restano elementi imprescindibili per sostenere la nuova economia dell’intelligenza artificiale» – continua Ruggiero. «La sfida più importante rimane la semplificazione operativa, con prestazioni ottimizzate e meno costi di trasferimento dati».

Il compito di un tech provider come Megaport (l’azienda australiana ha al proprio attivo un’infrastruttura globale con 320mila chilometri di rete in fibra e migliaia di apparati di networking e server sparsi per il mondo) diventa dunque quello di supportare i progetti AI, mantenendo bassa latenza e provisioning rapido delle risorse, integrando rete e potenza computazionale.

Quanto alle scelte delle imprese in ambito cloud, la centralità del multicloud emerge con forza e si riflette in una tendenza che vede meno frequente l’opzione di affidarsi a un unico hyperscaler. «Andiamo sempre di più verso scenari nei quali le aziende prendono il meglio da ciascun provider» – spiega Ruggiero. Neutralità e libertà di scelta devono essere garantite “by design”. «Se oggi un’azienda colloca la propria infrastruttura in un data center e domani decide di spostarla altrove, deve poterlo fare senza riprogettare l’intero ecosistema cloud. Lo stesso principio vale per la rete di accesso: le infrastrutture moderne comprendono sedi distribuite, filiali, ambienti edge e lavoratori remoti che devono poter essere connessi in modo flessibile, rapido e indipendente dalla posizione geografica».

La crescente importanza della sovranità digitale rende questo approccio ancora più rilevante. Secondo il manager di Megaport, il mercato procede verso un modello pragmatico e non ideologico, in cui non esiste un cloud giusto in assoluto, bensì la possibilità di scegliere ciò che serve e quando serve per rispondere nel modo migliore all’esigenza del momento. Il cambio di paradigma, insomma, sta nel poter migrare – e senza grosse difficoltà – workload critici da hyperscaler americani verso cloud provider locali, appoggiandosi a reti private, sicure e programmabili, oltre che maggiormente sostenibili dal punto di vista economico. A supporto di questo approccio, Ruggiero cita il percorso di modernizzazione infrastrutturale di Sara Assicurazioni, basato su ambienti multicloud (AWS, Google e Azure). «Il traffico laterale tra diversi cloud provider è un tema estremamente sensibile, non solo dal punto di vista delle prestazioni. Grazie all’adozione di una rete privata siamo riusciti a ridurre i costi e a migliorare il controllo operativo, abbassando la latenza media di circa venti millisecondi nelle comunicazioni tra le agenzie e il cloud».

IL MODELLO A2A

Le grandi aziende sono impegnate nel processo di riorganizzazione dell’infrastruttura IT. Si tratta di un percorso che coinvolge governance, sostenibilità economica, gestione dei dati, competenze e capacità di decidere quali workload mantenere on premise e quali portare in cloud. In un grande Gruppo come A2A, società quotata con circa 15mila dipendenti e attiva su tutto il territorio nazionale nel mondo dell’energia e dell’economia circolare, la modernizzazione infrastrutturale assume inevitabilmente una dimensione strategica.

«Dal punto di vista tecnico, oggi si può fare quasi tutto» – sintetizza Andrea Fumagalli, Cloud Transformation lead di A2A. «Il tema è capire come». La società porta avanti da tempo un importante percorso di trasformazione in linea con il piano industriale, che prevede investimenti per 23 miliardi di euro entro il 2035 (di cui 16 dedicati alla transizione energetica e 7 all’economia circolare). «L’obiettivo di una migrazione efficiente è possibile solo se le applicazioni sono realmente cloud native. Il semplice lift-and-shift spesso non produce i benefici attesi e rischia addirittura di aumentare i costi». In quest’ottica, la strategia del Gruppo è di costruire un modello fortemente ibrido, con circa il 70% delle applicazioni in cloud e il 30% on premise.

L’approccio multicloud si concretizza nell’utilizzo combinato di più provider (AWS, Google Cloud e Azure), «per mettere ogni applicazione nel posto migliore possibile», ma anche nell’opportunità di mantenere strategicamente alcune applicazioni sull’infrastruttura fisica dell’azienda, «soprattutto quando entrano in gioco esigenze di latenza molto basse o grandi quantità di dati che devono essere conservati a lungo». Il tema del cloud sovrano viene affrontato dal manager di A2A con un approccio pragmatico, che riflette una visione equilibrata: «È importante avere una gestione locale, ma bisogna anche essere consapevoli dei rischi, perché anche quando le infrastrutture sono localizzate in Europa, le regole applicate restano spesso quelle degli hyperscaler globali».

Secondo Fumagalli, in altre parole, il tema centrale non è tanto la provenienza geografica del cloud, quanto la capacità di governare il rischio e mantenere controllo sui dati. «Non sono assolutamente contrario al cloud sovrano, semplicemente preferisco un approccio più consapevole, anche in relazione alla gestione dei dati». Una questione, quella relativa alla qualità, quantità e natura dei dati, che assume ancora più rilevanza con l’intelligenza artificiale, in relazione alla qualità delle risposte che si possono ottenere in fase di addestramento dei modelli AI. Secondo Fumagalli, in linea generale, le tecnologie agentiche giocheranno un ruolo crescente anche nella modernizzazione applicativa. «Ci sono già tool che analizzano il codice e suggeriscono come trasformare un’applicazione in ottica cloud native. Credo che queste tecnologie diventeranno sempre più integrate e vorrei arrivare a un punto in cui potremo decidere quasi automaticamente dove posizionare una nuova applicazione e quanto costerà farlo».

OPPORTUNITÀ O VINCOLI?

È evidente che sicurezza e compliance normativa siano diventate componenti strutturali della strategia aziendale ma è altrettanto vero che – secondo molti CIO – il dibattito sul cloud sovrano e sulle normative europee rischia di essere affrontato in modo troppo teorico rispetto alle reali esigenze operative delle imprese. Ferdinando Peretto, Group chief information officer di Azimut | Benetti Group, affronta il tema da una prospettiva molto concreta, legata a doppio filo all’ecosistema tecnologico di un gruppo (il primo gruppo privato al mondo nella nautica di lusso), nel quale convivono esigenze di progettazione avanzata, protezione della proprietà intellettuale e continuità operativa. «Operiamo in un contesto fortemente ibrido nel quale convivono ambienti on premise e cloud» – spiega il manager. «La scelta di mantenere parte dei sistemi e delle applicazioni internamente, a cominciare dall’ERP, nasce soprattutto da esigenze di latenza e gestione del rischio, anche alla luce dei requisiti imposti dalla NIS2».

La società accelera in modo sostanziale sul fronte della trasformazione digitale, adottando in molti casi modelli SaaS forniti direttamente dai vendor. Il tema del cloud sovrano viene affrontato con una certa cautela. «Per molti nuovi applicativi utilizziamo direttamente il cloud del provider» – spiega Peretto, ricordando che molti hyperscaler hanno data center e presenza operativa in Italia o in Europa. «Questa modalità di utilizzo della tecnologia si rivela molto efficace per accelerare il processo di trasformazione. Non sono così convinto che il semplice spostamento dei dati da un provider all’altro risolva davvero il problema».

Il vero nodo, insomma, non riguarda tanto la collocazione geografica del dato, quanto le modalità attraverso le quali il dato viene protetto e governato (e si può garantire di conseguenza un’efficace continuità operativa). Su questo tema – Peretto richiama anche il ruolo della crittografia e delle terze parti europee nella gestione delle chiavi di accesso ai dati, come strumenti concreti per aumentare il controllo e la compliance. «La normativa NIS2 ci impone di analizzare i rischi delle applicazioni e di costruire strategie solide di backup, reazione agli incidenti e protezione dei dati» – continua il Group CIO di Azimut | Benetti Group, alludendo al fatto che, in questo specifico quadro, diventano centrali temi come l’immutabilità dei backup, la resilienza operativa e la rapidità di risposta agli incidenti cyber. Quanto al rapporto fra sicurezza e intelligenza artificiale, Peretto prevede nei prossimi anni un progressivo aumento della complessità, con scenari sempre più articolati. «Il rischio è che l’AI corra più veloce della nostra capacità di governarla. Oggi un neolaureato può generare rapidamente codice e costruire applicazioni e servizi digitali che prima richiedevano team di sviluppo strutturati. La sfida per tutti è di capire come garantire sicurezza e controllo in uno scenario nel quale sempre più applicazioni verranno costruite con strumenti generativi e agentici».

L’ABC DELLA MODERNIZZAZIONE

La modernizzazione infrastrutturale non può essere trattata come un semplice aggiornamento tecnologico, in nessun settore e ancor meno in un comparto fortemente regolamentato come quello bancario, dove la definizione e l’applicazione di una governance rigorosa, insieme alla capacità di coniugare innovazione, resilienza e compliance normativa, rappresentano un elemento prioritario. «Da una parte il business spinge per accelerare la trasformazione digitale, dall’altra le tecnologie cambiano a una velocità impressionante» – commenta Francesco Pedrielli, IT director – Group Technology & IT Services di Credem Banca. L’unico modo per sopravvivere e continuare a crescere in questo contesto è avere una strategia condivisa dal Board e comunicata bene alle persone. Il vero elemento distintivo non è la disponibilità tout court di nuovi strumenti tecnologici, intelligenza artificiale ovviamente in primis, quanto la capacità di costruire una direzione condivisa. «La nostra funzione – continua Pedrielli, che guida un’area che si occupa di architetture, infrastrutture, servizi condivisi e gestione dei sistemi di sintesi a livello di gruppo – deve costruire una roadmap tecnologica coerente con le esigenze del business, altrimenti il rischio che si corre è di generare soltanto confusione».

L’altro fattore chiave nel percorso di ammodernamento infrastrutturale del mondo banking è il rispetto dei requisiti imposti a livello regolamentare, giunti a un livello di pressione forse senza precedenti. «Secondo recenti studi – rileva l’IT director di Credem – poco meno della metà dei budget informatici dedicati al change delle banche è destinato alla compliance normativa. Noi come altri attori di questo mercato dobbiamo essere in grado di dimostrare al regolatore di avere solide exit strategy e capacità di reazione in qualsiasi scenario». Il tema centrale è rappresentato soprattutto dalla normativa DORA, che impone elevati livelli di resilienza digitale e capacità di gestione del rischio. Nel caso di Credem. uno dei pilastri per affrontare questa sfida è la creazione di un Cloud Center of Excellence, dedicato non solo alla governance tecnologica ma anche al controllo economico del cloud, per evitare che un workload sbagliato possa generare costi nascosti anche molto elevati. Tra le voci di investimento in chiave tecnologica di Credem, una posizione importante è ricoperta dalla sperimentazione controllata dell’intelligenza artificiale, con la realizzazione di sandbox dedicate per testare servizi AI in contesti a basso rischio e con costi controllati.

Non meno importante è il tema della democratizzazione dell’IT. «Oggi molte persone fuori dall’area IT hanno accesso a strumenti che permettono di sviluppare applicazioni» –spiega Pedrielli. «Questa tendenza apre grandi opportunità e richiede al contempo anche una governance rigorosa. L’IT deve ispirarsi sempre di più alle tech company ma allo stesso tempo deve mantenere un livello di resilienza e consolidamento molto più elevato». Credem lavora su modelli Hub&Spoke per generare innovazione diffusa mantenendo però controllo, sicurezza e compliance, nel solco di quella che il gruppo considera la vera priorità dei prossimi anni, e cioè l’equilibrio fra trasformazione e indipendenza tecnologica.

«Dobbiamo costruire architetture che ci permettano di scalare rapidamente sul mondo agentico senza creare lock-in eccessivi, ma dobbiamo anche evitare di essere fagocitati da tecnologie che potrebbero diventare obsolete molto rapidamente, perché non possiamo permetterci di perdere terreno rispetto alla concorrenza». In questa fase di ripensamento e modernizzazione delle infrastrutture, dalla scelta del modello cloud più adatto alle specifiche esigenze aziendali fino all’adozione controllata e strutturata dell’intelligenza artificiale, le organizzazioni non possono lasciarsi guidare dalle tecnologie senza una strategia chiara. Il futuro dell’IT enterprise si gioca sul bilanciamento tra velocità, governance e resilienza. Anche tecnologie considerate “legacy” come il mainframe possono continuare a svolgere un ruolo rilevante nel settore bancario: come ha osservato il manager di Credem, si tratta di piattaforme tutt’altro che superate, oggetto di nuovi investimenti e di una progressiva integrazione di funzionalità di intelligenza artificiale.

Alleanza di intelligenze. Perché l’AI cambia il ruolo dell’IT

di Andrea Lawendel

L’equilibrio possibile tra risorse on-prem, cloud ibrido e governance del dato. Nell’era del vibe-coding si assiste a un paradosso: il ritorno al mestiere dell’ingegnere di un software sempre più open source. Con la partecipazione di Autostrade per l’Italia, Generali, Intesa Sanpaolo e Veolia

La transizione digitale delle grandi organizzazioni si trova a un punto di svolta: l’evoluzione delle infrastrutture IT aziendali, sotto la spinta convergente di cloud, open source e Intelligenza Artificiale, non è più un tema puramente tecnico. Alla conclusione di un’intensa mattinata trascorsa sul filo del racconto molto concreto delle esperienze in materia di digitalizzazione, la tavola rotonda animata da quattro figure di spicco del settore – Claudio Balbo (Intesa Sanpaolo), Francesco Fiaschi (Autostrade per l’Italia), Andrea Purgato (Generali Italia) e Fabrizio Locchetta (Veolia Italia) – traccia una chiara controtendenza: la necessità di riappropriarsi delle competenze ingegneristiche interne per governare tecnologie esponenziali ed evitare il rischio di un “vendor lock-in” più cognitivo che tecnologico.

OPEN SOURCE E CLOUD BANKING

Nel suo primo intervento Claudio Balbo, senior director e head of IT di Intesa Sanpaolo, ripercorre la profonda trasformazione del gruppo bancario. Meno di dieci anni fa, l’infrastruttura è ancora interamente on premise, costruita su tecnologie proprietarie e su un sistema informativo fortemente accoppiato in modalità sincrona, esposto – come osserva Balbo – al possibile “effetto farfalla”: un’anomalia in un punto dell’architettura può estendere criticità lungo l’intera catena applicativa.

Sul fronte organizzativo, in quel momento l’IT conta circa seimila dipendenti e lo sviluppo software è fortemente esternalizzato a terze parti e system integrator. La prima svolta strategica, tra il 2018 e il 2019, arriva con l’adozione dell’open source come nuovo standard tecnologico di riferimento (es. Kubernetes, Spring, Kafka), scelta che diventa base strategica e abilitatore della prima wave di migrazione verso il cloud pubblico. «Abbiamo firmato un contratto con uno dei tre grandi cloud provider perché ci siamo sentiti in grado di utilizzare appieno il nuovo modello e oggi il 55% dei workload è in cloud».

Se nel primo biennio dell’accordo, Intesa Sanpaolo deve operare con una certa prudenza per rispettare i vincoli di sovranità dei dati, nei tre anni successivi accelera la migrazione fino a ottanta applicazioni al mese. Il passo successivo è la creazione di Isybank, la banca completamente digitale e con un sistema core interamente cloud native. «È stata, l’apripista per il gruppo, che ci ha consentito di portare su public cloud non solo le applicazioni meno critiche, bensì il core banking transazionale».

Per mitigare i rischi di concentrazione e rispondere ai requisiti di resilienza, oggi il più grande gruppo bancario in Italia per capitalizzazione di mercato, numero di sportelli e totale dell’attivo sta introducendo un secondo cloud provider, con l’obiettivo di portare in cloud il 90% del sistema informativo entro quattro anni.

Parallelamente, la banca sovverte le tradizionali quote di dipendenza dall’outsourcing e dall’esternalizzazione, con un’azione altrettanto coraggiosa. «Nel 2022 l’IT di Intesa Sanpaolo decide di assumere, andando in controtendenza rispetto al mercato, passando da un headcount IT di seimila persone a ottomila esperti». Secondo Balbo, tutto questo avviene per diversi ordini di motivi. Il primo è perfettamente in linea con gli obiettivi del CFO: i costi del personale esterno superano quelli del personale interno. «Un secondo tema è di carattere demografico. L’età media dell’IT di Intesa Sanpaolo supera di poco i 50 anni: nell’arco di un decennio una parte considerevole sarebbe stata vicina al pensionamento».

Ma c’è anche un terzo problema legato alle competenze: l’ambizioso piano di trasformazione richiede skill che, nel 2022, non sono ancora sufficientemente diffuse all’interno dell’organizzazione. Oggi metà delle 2.000 persone reclutate in questi ultimi anni è concentrata sullo sviluppo di software ritenuti particolarmente critici. «Per avere maggiore libertà e controllo, è necessario sviluppare le competenze interne in grado di gestire l’evoluzione tecnologica. Demandando all’esterno, quando serve, ma nel modo giusto». Come si coniuga però la libertà acquisita con l’intelligenza artificiale, capace di generare codice al posto dello sviluppatore umano? «Sicuramente non siamo ancora a quel punto» – osserva Balbo. «E credo che nessuno nel settore ci sia ancora arrivato. L’impatto dell’AI sul modo di produrre software – che solo ora iniziamo a intravedere – resta la sfida comune dell’industry per i prossimi 12-18 mesi».

EQUILIBRIO TRA CLOUD E ON-PREM

Per Francesco Fiaschi, CTO di Autostrade per l’Italia, la modernizzazione è un importante motore di cambiamento. «Nel 2021 abbiamo lanciato un progetto di trasformazione dei nostri processi in ottica digital con obiettivi molto importanti nell’arco del primo triennio». Anche in Autostrade l’infrastruttura legacy e la dipendenza dal Cobol è forte e richiede una profonda revisione. Storicamente, il ruolo centrale nello sviluppo applicativo di Autostrade è affidato alla factory interna Movyon, incaricata anche di produrre le soluzioni tecnologiche che vengono rivendute sul mercato autostradale. Cinque anni fa, ASPI ha affrontato la stesura del piano di trasformazione, inizialmente molto ambizioso, per quanto riguarda la “cloudizzazione”, mediante l’adoption delle piattaforme IAAS e PAAS e della dismissione dell’infrastruttura mainframe.

Secondo Fiaschi, l’impatto degli strumenti di AI applicati al coding trasformerà lo sviluppo software in una commodity a basso costo, ridefinendo radicalmente i rapporti nel mercato e le relazioni con i system integrator. In questo scenario, si afferma l’esigenza di riportare all’interno se non lo sviluppo di codice in quanto tale, sicuramente la capacità di guidarlo in chiave avanzata. «Il vero nodo diventa la capacità di ingegnerizzazione: con l’AI che automatizza sempre più la scrittura del codice, acquista centralità il ruolo dell’architetto software» – sottolinea Fiaschi.

Data lineage e governo dei domini informativi diventano centrali nello sviluppo di applicazioni sempre più modulari e AI-driven. I dati devono essere ben strutturati e ben organizzati. «Sicuramente svilupperemo pezzi delle nostre architetture software riutilizzabili e a costo minore dell’attuale. Gli architetti del software dovranno avere competenze sul dato, di integrazione in strutture avanzate e capacità di solution management».

Il valore si sposta dunque dalla scrittura a una cultura di macro-ingegnerizzazione propria dei futuri orchestratori di componenti custom all’interno delle architetture multi-cloud, che già oggi caratterizzano l’infrastruttura di Autostrade post-modernizzazione. «La prima conseguenza già visibile – spiega Fiaschi – è che l’AIOps è ormai una realtà. Basta pensare alla connettività: gli apparati di routing dei grandi provider vengono già ottimizzati dall’AI, che aiuta anche a individuare pattern nei log di sicurezza. Tutta la componente operativa è destinata a cambiare».

Al tempo stesso, Autostrade ripensa parte della propria infrastruttura alla luce della direttiva NIS2, che inserisce il settore tra gli ambiti di criticità nazionale e impone vincoli particolarmente stringenti. È il caso, per esempio, delle reti che collegano le sale operative delle direzioni di Tronco chiamate a gestire gli incidenti, soprattutto nelle gallerie. Il piano iniziale, che prevedeva inizialmente una migrazione quasi completa al cloud, oggi invece punta a mantenere almeno il 40% delle infrastrutture on premise, che – sottolinea il CTO – devono essere presidiate con infrastrutture e pipeline dati progettate per la containerizzazione e la modernizzazione dei servizi, fino ad arrivare all’impiego di modelli linguistici privati e specializzati a supporto delle attività di AIOps.

IL DATO AL CENTRO

Andrea Purgato, Data Platform Governance lead di Generali Italia, punta il focus del discorso sul dato, parlando della necessità di un approccio standardizzato e soprattutto unificato a un patrimonio ancora troppo frammentato. Il problema è che con la standardizzazione, bisogna anche premiare la varietà dei casi d’uso e l’iniziativa di chi, partendo dal dato, deve in ultima analisi estrarre valore per il business. «Proprio per questo, da diverso tempo a questa parte, su forte spinta del top management è partito un progetto trasversale tra l’IT e il Country Data Office, di cui faccio parte, con l’obbiettivo di creare un layer dati orizzontale a tutta l’azienda, con la graduale convergenza di tutti i sistemi legacy».

Questo strato – continua Purgato – ha uno stack tecnologico comune e abilita diverse tipologie di utenti in base alle competenze e alle modalità di fruizione. «In questo modo, non solo il data scientist, ma anche l’analista di business può estrarre valore dal dato senza dover possedere competenze tecniche avanzate». Ciascun utente della nuova piattaforma dati Generali riceve in pratica il set di strumenti necessario per operare in maniera ottimizzata, introducendo anche componenti di AI per facilitare il lavoro sulla «single source of truth» – come la definisce Purgato. E sulla quale viene montato un impianto di strumenti destinati al consumo del dato.

La piattaforma viene gestita solo con tecnologie open source, facendo leva su una esperienza in sviluppo di framework aperti, accumulata da Generali nel corso degli anni. La tecnologia allo stato dell’arte per la modellazione e l’analisi dei dati è Spark, che viene adottata sull’intera varietà di fornitori cloud, riuscendo a implementare l’intera filiera del dato, da quello più grezzo a quello lavorato, in solo sei mesi. Sulla parte di fruizione del dato la scelta è diametralmente opposta: «Abbiamo preferito lo strumento messo a disposizione da un singolo cloud service provider. Ci è sembrato il modo migliore per mettere i dati a disposizione dei nostri utenti business». Come interfaccia all’informazione, Generali sceglie un classico modello di e-commerce, in cui ogni visitatore è dotato di un “carrello” popolato da strumenti analitici tarati in base alle sue competenze e necessità. L’ambiente è a sua volta collegato ai sistemi da utilizzare per fare business intelligence, dashboarding, reportistica e così via. «Il fattore game-changer di tutto è che l’accesso al dato viene gestito automaticamente dal sistema: l’utente non è più tenuto a rivolgersi all’IT».

Il grande marketplace dei dati di Generali si fonda in altre parole sul fai-da-te: il “compratore-analista” non deve più passare per l’ufficio IT, descrivere i suoi obiettivi, attendere che sia l’IT di gruppo a predisporre i data set necessari e a implementare le procedure di interrogazione e esposizione. L’autonomia del singolo utente non comporta ownership né catena di autorizzazione. In questo modo il workload si snellisce e si disintermedia. Governance, lineage e ciclo di vita sono implementati by design e contribuiscono insieme alla democratizzazione del dato. Purgato precisa che l’utente di business può a sua volta mettere a catalogo i propri “data product” e se questi si dimostrano particolarmente validi sul piano analitico, l’IT può integrarli e gestirli stabilmente.

TUTELA DEL CAPITALE COGNITIVO

Fabrizio Locchetta, CIO di Veolia Italia, porta la prospettiva industriale di una multiutility globale costruita intorno alla capogruppo, che in Francia opera da 165 anni nel campo della gestione dell’acqua. Veolia si occupa anche di rifiuti e, in particolare in Italia, di efficienza energetica per grandi impianti (per esempio, in ambito ospedaliero), che convertono l’energia in calore e altri servizi. «Gestiamo centinaia di grandi edifici, ad esempio scuole, municipi e altri complessi, che necessitano di attivare gli impianti di riscaldamento secondo determinate fasce orarie» – spiega Locchetta, rifacendosi direttamente al ruolo che in un ambito del genere può rappresentare l’intelligenza artificiale, a partire da quella tradizionalmente definita come machine learning, nel modulare questi programmi a seconda di numerosi fattori (es, temperatura esterna, prezzi dell’energia, ecc…).

Già prima dell’esplosione di ChatGPT, il CIO di Veolia sottolinea come la convergenza tra lavoro umano – impiegati, progettisti, impiantisti, manutentori, operatori di impianto – e strumenti digitali rappresenti una direttrice strategica di trasformazione definita dal Gruppo da oltre dieci anni. In questa prospettiva, il digitale non è un supporto accessorio, ma un abilitatore essenziale per il raggiungimento degli obiettivi di business, di efficientamento operativo e di sostenibilità ambientale di un’organizzazione che conta circa 220mila persone a livello globale. L’adozione del machine learning consente a Veolia in casi specifici di incrementare l’efficienza dei sistemi di riscaldamento anche del 10-15% rispetto ai benchmark ottenibili attraverso approcci termo-ingegneristici tradizionali.

Dal 2017 prende avvio inoltre la progressiva dismissione dei data center on-premise: la migrazione verso il cloud pubblico non viene interpretata come una tendenza tecnologica, ma come una scelta strutturale di razionalizzazione delle risorse digitali, con l’obiettivo di concentrare competenze, investimenti e capacità organizzative su una piattaforma unica e scalabile. In questa fase, Veolia consolida un nuovo modello di gestione del dato, sempre più vicino alla logica di piattaforma self-service, affine agli approcci già adottati in altri gruppi industriali di grandi dimensioni.

Quando emerge l’AI generativa, Veolia si trova quindi già in uno stato avanzato di maturità digitale: la trasformazione è in larga parte completata sia sul piano infrastrutturale che di data governance. In questo contesto, la strategia viene ulteriormente implementata all’interno del piano “AI for GreenUP”, che posiziona l’intelligenza artificiale non come un layer applicativo aggiuntivo, ma come una leva industriale centrale, la cui efficacia dipende in modo diretto dalla valorizzazione delle competenze e dell’expertise delle persone sul campo. La multinazionale francese crede nella contaminazione tra tecnologie dirompenti e prerogative umane, per elevare la cultura digitale di tutti i collaboratori, anche attraverso campagne di formazione che coinvolgono in egual misura colletti bianchi e blu.

Inoltre, Veolia sta mettendo a punto sperimentazioni più pratiche dell’intelligenza artificiale. È il caso del progetto “Talk to my plant”, che punta a implementare la possibilità di conversare con l’impianto per ottenere informazioni rapide e agire di conseguenza. In un contesto in cui il controllo è iper-strutturato e ogni scelta in materia di tecnologia e trattamento dei dati digitali comporta un lungo percorso di autorizzazioni e vincoli, non è banale portare avanti un approccio così innovativo. «L’introduzione consapevole dell’AI ha luogo sotto la gestione congiunta dell’IT di gruppo e di quella locale, dove la prima definisce regole e governance, mentre la seconda seleziona le aree di sperimentazione». La priorità assoluta per il CIO resta la protezione del patrimonio cognitivo aziendale: «Tutte le nostre iniziative sono sviluppate in un ambiente protetto e non è consentito il caricamento di dati proprietari su LLM pubblici, per non disperdere il vantaggio competitivo sul mercato».

AGENTI E CONI DI VISIBILITÀ

Nella seconda parte dell’incontro, i partecipanti sono coinvolti in un lavoro di esplorazione delle traiettorie evolutive abilitate dall’AI agentica e dai nuovi standard di comunicazione architetturale, con particolare attenzione al Model Context Protocol (MCP) proposto da Anthropic come framework emergente di riferimento per orchestrare in modo strutturato l’interazione tra modelli intelligenti, sistemi dati e applicazioni enterprise.

Claudio Balbo di Intesa Sanpaolo distingue nettamente la gestione del dato strutturato da quella del dato non strutturato. Nel primo caso, il settore bancario dispone da anni di regole, controlli e modelli di ownership consolidati, quindi l’arrivo dell’AI non ha alterato gli equilibri. Le difficoltà emergono invece sui dati non strutturati – documenti, testi e immagini – dove la complessità richiede ancora un approccio caso per caso e dobbiamo costruire una adeguata maturità nella governance e nel controllo di qualità. Intesa Sanpaolo ha attualmente un’architettura moderna con circa seimila microservizi REST e la banca sta valutando un layer basato su MCP per permettere a un agente di usare direttamente questi microservizi come strumenti operativi. Questa apertura introduce un nodo critico: «Senza un front end che filtri i dati, è l’agente stesso che deve ricostruire e rispettare il cono di visibilità concesso all’utente». Balbo sottolinea che ciò richiede di integrare l’AI come parte nativa dell’architettura, non come accessorio esterno, con implicazioni su sicurezza e compliance.

Francesco Fiaschi di Autostrade per l’Italia collega il tema all’esperienza di Autostrade per l’Italia, che utilizza reti neurali per analizzare in tempo reale le immagini delle telecamere nei tunnel. «La scelta dell’azienda è di sviluppare un proprio ecosistema edge, anziché acquistare telecamere “intelligenti”, per garantire latenza minima e controllo totale». Il passo successivo riguarda l’orchestrazione di agenti diversi: droni per il monitoraggio delle code, algoritmi centralizzati per stimare i flussi di traffico, sistemi predittivi richiesti dall’Autorità di Regolazione per automatizzare i rimborsi. Nonostante l’automazione, Fiaschi ribadisce che nei processi critici – «l’ultima decisione resta sempre in capo all’operatore umano», soprattutto per chiusure di tratte o emergenze in galleria.

Andrea Purgato di Generali Italia descrive invece una possibile evoluzione del data marketplace: «L’utente non dovrà più scrivere query SQL, ma dialogare in linguaggio naturale con un agente specializzato. L’agente, conoscendo catalogo e metadati, potrà interpretare la richiesta e costruire l’analisi, superando i limiti cognitivi dei singoli analisti». Sul piano operativo, Generali sta già sperimentando agenti AI per la gestione dei sinistri: sistemi che analizzano documenti, perizie, foto e video, segnalando anomalie e correlazioni. L’AI funziona da potente assistente cognitivo che aumenta efficienza e accuratezza delle analisi.

Il denso dibattito si chiude infine con una riflessione di carattere etico che vale per tutti. «Le proiezioni demografiche – avverte Locchetta di Veolia – indicano che tra dieci anni si registrerà una grave carenza di personale in molte aree industriali e operative». In quest’ottica, la sfida manageriale consiste nell’indirizzare l’AI non verso la sostituzione indiscriminata della forza lavoro esistente, al solo scopo di comprimere i costi, ma verso l’occupazione degli spazi operativi che rimarranno naturalmente vuoti, automatizzando le mansioni ripetitive e logoranti. Un approccio più equo per concepire l’intelligenza artificiale come estensione delle capacità umane, la cui governabilità e il cui successo dipendono strettamente dalla solidità delle infrastrutture e dalla valorizzazione delle competenze interne all’azienda.

Foto di Gabriele Sandrini

Point of view

Intervista a Lorenzo Ruggiero regional director, head of Southern Europe di Megaport: L’infrastruttura è as a Service

L'articolo AI, cloud e sovranità digitale. La partita dell’IT proviene da Data Manager Online.

In ogni organizzazione esiste un patrimonio prezioso, spesso invisibile: è fatto di esperienze, intuizioni, documenti, conversazioni, idee e decisioni prese nel tempo. È la conoscenza che permette alle persone di lavorare, risolvere problemi e far crescere l’azienda. Eppure, proprio questo patrimonio, nella quotidianità, tende a disperdersi. Con il passare degli anni, le imprese accumulano, in modo esponenziale, quantità sempre maggiori di dati. Dispersi in documenti, e-mail, report, sistemi gestionali, piattaforme collaborative, CRM, strumenti di project management e applicazioni verticali. Ogni attività lascia un segno: un file condiviso, un messaggio nella chat aziendale, un aggiornamento di stato, una nota operativa. Questa crescita è costante e, per molti versi, inevitabile. Tuttavia, più aumentano i dati, più diventa complesso orientarsi al loro interno e distinguere ciò che è davvero utile da ciò che è solo “rumore informativo”.

Per comprendere la portata del problema è fondamentale distinguere tra dati, informazioni e conoscenza. I dati sono elementi grezzi: numeri, eventi, registrazioni, frammenti che da soli non hanno significato. Diventano informazioni quando vengono organizzati e letti nel contesto corretto, cioè quando rispondono a una domanda specifica o supportano un’esigenza operativa. La conoscenza rappresenta un livello ulteriore: è la capacità di collegare le informazioni tra loro, interpretarle e utilizzarle per prendere decisioni e intraprendere azioni. È in questo passaggio che il dato smette di essere un semplice contenuto e diventa un fattore abilitante per la crescita. Il punto critico è che questo patrimonio raramente è concentrato in un unico luogo. Nella maggior parte delle aziende è distribuito tra sistemi diversi, strumenti non sempre integrati, archivi dipartimentali e repository personali. Spesso vive nelle persone, nelle loro competenze e nelle soluzioni sviluppate con l’esperienza. Quando non viene condiviso o reso accessibile, si creano inevitabilmente dei compartimenti stagni: le informazioni restano scollegate, si moltiplicano gli sforzi, aumentano i tempi di ricerca e si riduce la capacità di prendere decisioni rapide e coerenti.

A questo si aggiunge un rischio ancora più rilevante: la perdita di know-how, che può avvenire in modo silente quando una risorsa cambia ruolo o lascia l’organizzazione, portando con sé competenze operative e informazioni critiche non codificate. Le conseguenze? Inefficienze quotidiane, duplicazione di documenti, difficoltà nel reperire versioni aggiornate, dispendio di tempo e risorse nella ricerca di contenuti, disallineamenti tra team e minore affidabilità delle fonti. In molti casi, l’azienda possiede già le informazioni di cui ha bisogno, ma non riesce a intercettarle nel momento in cui servono, o non è in grado di trasformarle in decisioni efficaci. Per questo la gestione di dati e conoscenza non è più soltanto un tema tecnologico o organizzativo, ma una leva strategica. In un contesto in cui le imprese devono essere rapide, adattabili e orientate all’innovazione, non basta accumulare informazioni: occorre governarle, renderle accessibili e farle circolare secondo criteri di affidabilità, tracciabilità e sicurezza. La capacità di trasformare un patrimonio informativo frammentato in un ecosistema coerente e accessibile incide direttamente sulla produttività, sulla continuità operativa e sulla competitività aziendale.

L’AI ENTRA IN GIOCO

Il ruolo dell’intelligenza artificiale diventa sempre più centrale e segna un cambiamento profondo nel modo in cui le informazioni vengono raccolte, interpretate e utilizzate. Non si tratta più soltanto di uno strumento per automatizzare attività ripetitive o ridurre il carico operativo, ma di una tecnologia che entra direttamente nei processi decisionali, con l’obiettivo di rendere la conoscenza aziendale più accessibile, dinamica e soprattutto fruibile quando serve. Tra le capacità più rilevanti in questo contesto c’è il recupero intelligente delle informazioni, che consente di accedere a contenuti provenienti da fonti eterogenee, strutturate e non. Questo significa poter interrogare contemporaneamente database, documenti, posta elettronica, presentazioni, piattaforme gestionali e repository aziendali, senza dover conoscere necessariamente dove risieda l’informazione. L’AI è in grado di aggregare e restituire risultati pertinenti, riducendo drasticamente il tempo necessario per reperire dati utili e aumentando la precisione delle informazioni ottenute.

Un’altra capacità chiave è la comprensione semantica e contestuale. Diversamente dai sistemi tradizionali, ancorati a logiche di ricerca per parole chiave, l’intelligenza artificiale “coglie” il senso delle richieste, ne “interpreta” le intenzioni e le colloca nel contesto in cui emergono. Ciò le consente di mettere in relazione informazioni anche in assenza di collegamenti espliciti, elevando la qualità delle risposte e rendendo l’interazione con i sistemi informativi più naturale e immediata.

A questa capacità, si affianca la dimensione conversazionale degli assistenti AI, che rappresenta un cambiamento sostanziale nell’esperienza d’uso. La conoscenza aziendale diventa accessibile attraverso il linguaggio naturale, senza ricorrere a interfacce complesse o query strutturate. È possibile porre domande, chiedere chiarimenti, approfondire temi o ottenere sintesi in modo fluido, all’interno di un dialogo continuo. Ne deriva un abbattimento delle barriere di accesso e una fruizione della conoscenza più ampia, anche per chi non possiede competenze tecniche specifiche. Questi cambiamenti mettono in discussione i sistemi tradizionali di gestione della conoscenza, come le knowledge base statiche: strumenti utili in passato ma oggi rigidi, difficili da aggiornare, spesso isolati e incapaci di seguire la rapidità con cui le informazioni evolvono. L’intelligenza artificiale introduce, invece, un paradigma diverso, in cui la conoscenza è in continua evoluzione, interconnessa e continuamente interrogabile. Non è solo un cambiamento tecnologico, ma un’evoluzione del modo in cui le organizzazioni costruiscono e utilizzano il sapere, verso modelli più reattivi ed efficienti. L’evoluzione verso una conoscenza dinamica non è solo una visione teorica, ma trova conferma nei dati di mercato che evidenziano investimenti massicci proprio in soluzioni tecnologiche avanzate.

Sul piano economico – secondo diverse ricerche di Grand View Research – il mercato globale dell’AI-Driven Knowledge Management mostra una crescita impetuosa: valutato complessivamente circa 7,63 miliardi di dollari nel 2025, si stima possa raggiungere i 51,36 miliardi entro il 2030, con un tasso di crescita annuo composto del 46,2%. Le grandi imprese detengono la leadership con oltre il 65,6% della spesa complessiva. Il contesto italiano riflette tale dinamismo con numeri senza precedenti: l’Osservatorio Artificial Intelligence del Politecnico di Milano riporta che il mercato nazionale dell’AI ha toccato quota 1,8 miliardi di euro nel 2025, segnando un incremento del 50% rispetto all’anno precedente. In particolare, emerge un dato decisamente rilevante per la gestione della conoscenza: tra le imprese italiane che utilizzano l’AI, il 70,8% ne fa ricorso soprattutto per l’estrazione di informazioni da testi. Inoltre, la diffusione di queste tecnologie è raddoppiata nel giro di un anno, passando dall’8,2% del 2024 al 16,4% del 2025, con una punta del 71% tra le grandi organizzazioni, consolidando l’intelligenza artificiale come infrastruttura chiave per la competitività del sistema Paese.

L’ECOSISTEMA TECNOLOGICO

Alla luce di questa evoluzione, la gestione moderna del patrimonio intellettuale di un’organizzazione si configura, evidentemente, come un sistema sempre più integrato e strutturato, in cui la tecnologia assume un ruolo abilitante nella costruzione e nell’accesso alla conoscenza. Tale assetto si fonda su un’architettura stratificata e dinamica, capace di trasformare il flusso indistinto dei dati in una base di conoscenza condivisa, accessibile e strategica. Alla base, operano le tecnologie di riconoscimento ottico dei caratteri (OCR – Optical Character Recognition), oggi potenziate da reti neurali in grado di digitalizzare e interpretare non soltanto il contenuto testuale, ma anche la struttura logica di documenti complessi. Attraverso l’elaborazione del linguaggio naturale (NLP – Natural Language Processing), tali soluzioni consentono di estrarre informazioni da fonti non strutturate, trasformando documenti statici in entità informative attive, interrogabili e organizzabili.

Sopra questo primo livello di acquisizione dei dati, operano le tecnologie di indicizzazione semantica e i cosiddetti Vector Embeddings: rappresentazioni numeriche che consentono ai sistemi AI di interpretare il significato dei contenuti e non soltanto le parole utilizzate. È qui che si realizza il salto rispetto ai tradizionali motori di ricerca basati su keyword. Grazie ai modelli di Natural Language Processing (NLP) e alla comprensione contestuale del linguaggio, documenti, conversazioni e informazioni vengono trasformati in vettori all’interno di uno spazio multidimensionale, dove l’AI può identificare relazioni semantiche, affinità e connessioni tra contenuti anche in assenza di corrispondenze lessicali esplicite. Non si tratta più di rintracciare corrispondenze lessicali, ma di cogliere affinità concettuali tra documenti differenti. Ne deriva una forma di memoria aziendale più evoluta, in grado di comportarsi come un sistema coerente che riconosce e preserva il senso profondo delle informazioni che custodisce.

Il punto di contatto tra l’utente e l’archivio intelligente è rappresentato dalle architetture di Retrieval-Augmented Generation (RAG), che agiscono come interfacce conversazionali avanzate e affidabili. In questo contesto, il sistema si pone come mediatore tra domanda e conoscenza: interroga in tempo reale le fonti interne, seleziona le informazioni pertinenti e le integra attraverso modelli linguistici di grandi dimensioni (LLM – Large Language Models), per generare risposte precise e documentate. Questa impostazione garantisce la coerenza della conoscenza aziendale, poiché ogni output resta ancorato ai dati effettivamente presenti nei sistemi interni, offrendo, così, un riferimento solido per l’accesso a policy, documentazione e storico dei progetti.

A completare la struttura intervengono, infine, i grafi della conoscenza (KG – Knowledge Graph), che modellano e rendono esplicite le relazioni tra dati, persone e processi. Questa rete connettiva consente di superare la logica dei silos informativi, restituendo il contesto in cui l’informazione si è generata e si è evoluta. In tale prospettiva, la tecnologia non si limita a conservare il sapere, ma ne abilita la circolazione continua, trasformando l’esperienza individuale in un patrimonio condiviso e duraturo per l’intera organizzazione.

IL MODELLO IN TRE FASI

Per trasformare questo patrimonio conoscitivo in un vero asset strategico non basta introdurre nuovi strumenti o digitalizzare archivi esistenti. Serve un cambio di prospettiva: la conoscenza deve essere trattata come un flusso continuo di informazioni che attraversa l’organizzazione, si arricchisce nel tempo e diventa realmente utile solo se viene governato in modo strutturato. In questo senso, un modello efficace può essere descritto attraverso tre fasi strettamente connesse tra loro: acquisire, organizzare e condividere. La prima fase, quella dell’acquisizione, riguarda la capacità dell’azienda di intercettare e raccogliere informazioni da tutte le fonti disponibili, senza perdere pezzi lungo il percorso. Non si tratta solo di dati provenienti da sistemi strutturati come ERP, CRM o database aziendali, ma anche di contenuti non strutturati: documenti, e-mail, presentazioni, ticket di assistenza, chat tra colleghi e in generale tutto ciò che rappresenta traccia del lavoro quotidiano. A questo livello, il ruolo dell’intelligenza artificiale diventa particolarmente rilevante, perché consente di raccogliere grandi volumi di informazioni, ma anche di estrarre ciò che è davvero significativo, filtrando il “rumore” e normalizzando contenuti che arrivano da fonti molto diverse tra loro. In pratica, l’AI contribuisce a trasformare una massa eterogenea di input in un patrimonio informativo coerente e utilizzabile.

La seconda fase è quella dell’organizzazione, ed è il punto in cui la conoscenza inizia davvero a prendere forma. Qui il tema non è più soltanto raccogliere informazioni, ma dare loro struttura, contesto e relazioni. Le informazioni vengono classificate, arricchite e collegate tra loro, attraverso logiche semantiche che vanno ben oltre la semplice categorizzazione per cartelle o parole chiave. Tecnologie come il tagging intelligente e i knowledge graph permettono di costruire una rete di significati in cui ogni contenuto non è un elemento isolato, ma parte di un sistema più ampio e interconnesso. Il tagging intelligente consiste, infatti, nell’assegnare automaticamente o in modo assistito etichette ai contenuti in base al loro significato e al contesto, così da facilitarne l’organizzazione e il recupero. Mentre i knowledge graph consentono di collegare tra loro informazioni e concetti, rappresentandone le relazioni e rendendo possibile l’esplorazione dei contenuti non come archivi separati, ma come una rete navigabile di connessioni. In questo modo, la conoscenza non solo viene archiviata in modo strutturato, ma diventa realmente, ma diventa realmente esplorabile e soprattutto comprensibile nella sua interezza.

La terza fase, quella della condivisione, è la più delicata perché determina il valore reale dell’intero processo. Avere informazioni ben raccolte e organizzate non è sufficiente, se queste rimangono difficilmente accessibili o lontane dai punti in cui si prendono le decisioni. L’obiettivo diventa, quindi, quello di rendere la conoscenza disponibile in modo immediato, semplice e soprattutto contestualizzato rispetto alle attività quotidiane delle persone. È qui che entrano in gioco gli assistenti basati su intelligenza artificiale e le interfacce conversazionali, che permettono di interrogare il sistema informativo, utilizzando il linguaggio naturale e di ottenere risposte integrate direttamente nei flussi di lavoro. Così, si riduce la distanza tra informazione e azione, e la conoscenza diventa qualcosa di realmente operativo e non solo consultabile. Questo modello non va interpretato come un processo lineare e concluso, ma come un ciclo continuo. Le informazioni vengono costantemente arricchite, aggiornate e rielaborate a partire dall’uso quotidiano che se ne fa. Ogni interazione contribuisce a migliorare il sistema, generando un meccanismo virtuoso in cui la conoscenza non si esaurisce, ma cresce nel tempo insieme all’organizzazione. È proprio questa dinamicità a trasformare il patrimonio informativo aziendale da semplice archivio a vero e proprio asset strategico.

KNOW-HOW OPERATIVO

Quando la conoscenza viene resa realmente accessibile e integrata nei processi aziendali, l’impatto non si limita a un miglioramento incrementale, ma introduce un cambiamento strutturale nel modo in cui un’azienda elabora e utilizza l’informazione. Il primo effetto riguarda la qualità del processo decisionale, che si sposta da un modello reattivo e spesso basato su informazioni parziali a un modello data-informed, in cui il contesto informativo è più completo, connesso e temporalmente coerente. Ciò consente di ridurre la varianza decisionale tra individui e team, migliorando la consistenza delle scelte e diminuendo l’incidenza di bias legati a disponibilità limitata o frammentata dell’informazione. In altre parole, la decisione non dipende più solo da ciò che è immediatamente accessibile, ma dalla capacità del sistema di ricostruire un quadro informativo esteso e pertinente.

Un secondo impatto significativo riguarda l’efficienza cognitiva e operativa. In assenza di un ambiente informativo integrato, una quota rilevante del lavoro non è legata alla produzione di valore, ma alla ricerca, validazione e ricostruzione delle informazioni. L’integrazione della conoscenza riduce questo “costo di attrito informativo”, liberando capacità cognitive che possono essere riallocate su attività di analisi, problem solving e innovazione. Il supporto dell’intelligenza artificiale amplifica questo effetto, perché consente di ridurre la distanza tra domanda e risposta utile, automatizzando parte del processo di selezione e correlazione dei contenuti.

Sul piano organizzativo, poi, si osserva un’evoluzione nella natura stessa della collaborazione. La condivisione della conoscenza, infatti, non si limita più a svolgere una funzione di allineamento, ma si configura come una vera e propria base cognitiva comune, capace di ridurre il bisogno di continui riallineamenti tra team.
Ne deriva una diminuzione dei tempi di coordinamento tra funzioni diverse e un rafforzamento della capacità dell’organizzazione di agire in modo armonico, anche in contesti complessi e distribuiti. La collaborazione diventa, così, meno dipendente dallo scambio esplicito di informazioni e sempre più fondata su un accesso condiviso a un patrimonio di conoscenze strutturato e coerente.

Un ulteriore beneficio riguarda la resilienza del capitale intellettuale. Quando la conoscenza è strutturata e indipendente dai singoli individui, l’organizzazione riduce la propria vulnerabilità alla perdita di competenze tacite e non formalizzate. Il know-how viene progressivamente trasformato da asset personale a asset sistemico, riducendo la dipendenza da nodi critici e aumentando la stabilità complessiva della struttura aziendale, soprattutto in condizioni di turnover o riorganizzazione.

Infine, si delinea un effetto più profondo, legato alla capacità dell’organizzazione di apprendere nel tempo. Un ambiente informativo integrato non si limita a sostenere le attività operative, ma attiva un processo continuo di scambio tra esperienza e sapere: ogni interazione produce nuove informazioni, che vengono rielaborate e rese nuovamente disponibili. Questo dinamismo trasforma la conoscenza in una risorsa adattiva, capace non solo di rappresentare l’organizzazione, ma anche di accompagnarne e accelerarne l’evoluzione.

SINERGIA UOMO-AI

Con l’ingresso dell’intelligenza artificiale nei processi aziendali, il ruolo delle persone non si riduce né si marginalizza: viene progressivamente ridefinito nelle priorità e nelle modalità di contributo. Il valore umano non risiede tanto nella semplice capacità di reperire informazioni, quanto nel saperle orientare: formulare domande efficaci, interpretare i risultati e inserirli in un contesto decisionale concreto. Il contributo delle persone diventa quindi meno legato all’accesso al dato e sempre più connesso alla capacità di guidare il processo cognitivo. Questo cambiamento ridefinisce anche il profilo delle competenze richieste: accanto a quelle tecniche, assumono crescente rilevanza capacità trasversali come il pensiero critico, la valutazione del contesto, la comprensione dei limiti dei modelli e la validazione delle informazioni e delle correlazioni generate dall’AI.

In un ambiente knowledge-driven, il vantaggio competitivo non dipende soltanto dalla disponibilità di strumenti avanzati, ma dalla qualità del “judgement” umano che ne orienta l’utilizzo. Le persone, di fatto, non si limitano a usare la conoscenza, ma ne influenzano forma ed evoluzione attraverso l’interazione con strumenti intelligenti. Ogni input contribuisce a ridefinire ciò che il sistema considera rilevante, attivando un apprendimento continuo e condiviso. In questo modo, la conoscenza diventa un processo collaborativo tra persone, dati e intelligenza artificiale. Poiché l’AI genera informazioni su base probabilistica e non deterministica, le risposte variano a seconda del contesto e non sono mai definitive. Per questo, saper gestire incertezza e margini di errore diventa una competenza chiave: è fondamentale saper valutare attendibilità e limiti dei dati ricevuti, distinguendo quando l’output è sufficiente per agire e quando richiede ulteriori verifiche. Il vero rischio, infatti, non è rappresentato soltanto da eventuali inesattezze dell’AI, ma anche dall’eccessiva dipendenza da essa, che può indebolire pensiero critico, autonomia decisionale e comprensione dei processi profondi.

Per questo, la fiducia nell’AI non può basarsi esclusivamente sull’efficacia delle risposte generate, ma deve fondarsi su criteri di giudizio, trasparenza, tracciabilità e gestione della conoscenza. Le organizzazioni devono essere in grado di comprendere l’origine delle informazioni, verificarne correttezza e affidabilità e definire responsabilità chiare nell’utilizzo dei sistemi intelligenti. La governance diventa in questo modo un elemento centrale, non solo per garantire sicurezza e conformità, ma per assicurare che la conoscenza prodotta e distribuita dall’AI resti coerente con obiettivi, processi e valori aziendali. Il paradigma knowledge-driven assume, quindi, un significato ancora più concreto: non indica semplicemente un’organizzazione che utilizza la conoscenza, ma un sistema in cui processi, decisioni e apprendimento evolvono continuamente sulla base delle informazioni generate e condivise. In definitiva, il vantaggio competitivo non deriva tanto dalla quantità di dati disponibili, quanto dalla capacità diffusa di interpretarli, contestualizzarli e trasformarli in decisioni coerenti. L’AI abilita questa possibilità su larga scala, ma è l’intervento umano a determinarne direzione, qualità e impatto reale sui processi e sull’evoluzione dell’organizzazione.

NON SOLO SEARCH

Un esempio concreto di applicazione dell’intelligenza artificiale alla gestione evoluta della conoscenza è rappresentato dal progetto EnergIA di Eni, basato su AI generativa e sviluppato per aiutare gli utenti a trovare rapidamente le informazioni all’interno del sito eni.com. EnergIA utilizza in particolare i LLM per analizzare i contenuti disponibili sul sito e generare risposte fondate su fonti ufficiali. In questo modo, grandi volumi di dati vengono trasformati in risposte contestuali, sintetiche e immediatamente comprensibili. L’obiettivo è rendere la conoscenza aziendale più interrogabile, connessa e rielaborabile, superando la semplice logica di analisi dei dati.

Con questa soluzione, Eni punta a migliorare l’accessibilità e la trasparenza verso i propri stakeholder, favorendo una comprensione della realtà aziendale più moderna, intuitiva, vicina agli utenti e aggiornata in tempo reale. Dal punto di vista architetturale, un ruolo centrale è svolto dall’approccio Retrieval-Augmented Generation, che permette di individuare, in risposta alle domande degli utenti, i contenuti più pertinenti tra quelli indicizzati nella base di conoscenza. Tali contenuti vengono poi utilizzati per generare risposte in linguaggio naturale, offrendo un’esperienza conversazionale che permette di esplorare il sito in modo intuitivo. In questa prospettiva, il progetto EnergIA dimostra la capacità dell’AI generativa di rendere le informazioni più accessibili e sempre aggiornate, organizzandole in modo coerente e facilmente fruibile.

L'articolo Conoscere, decidere, rischiare. L’impresa knowledge-centric proviene da Data Manager Online.

All’inizio sembra semplicemente una chat più intelligente delle altre, una finestra di dialogo, una richiesta, una risposta automatica. Poi però accade qualcosa di diverso. Non risponde subito. “Pensa”. Anzi, agisce. Gli chiedi di organizzare un viaggio, analizzare un contratto, verificare una vulnerabilità informatica o prenotare una riunione. E l’agente AI non si limita a produrre parole. Apre strumenti, consulta database, naviga siti web, confronta informazioni, scrive codice, corregge errori, riprova da solo. Lo vedi muoversi come una specie di impiegato invisibile dentro il computer. Solo infinitamente più veloce.

La sensazione più straniante è che sembra avere un’intenzione. Non nel senso umano del termine, naturalmente. Ma osservandolo dall’esterno, si ha l’impressione di assistere a qualcosa che persegue un obiettivo. Divide il problema in sotto-problemi. Decide una sequenza di azioni. Valuta i risultati intermedi. Cambia strategia se qualcosa fallisce. Talvolta si autocorregge.

Un chatbot tradizionale è una macchina che risponde. Un agente AI è una macchina che opera. E mentre lo osservi lavorare, emerge una seconda sensazione, ancora più destabilizzante: non stai più interagendo con un singolo software, ma con un sistema capace di usare altri software. L’agente AI diventa una sorta di “direttore d’orchestra” digitale: apre applicazioni, interroga API, richiama modelli specializzati, coordina strumenti differenti come farebbe un analista umano davanti a più schermi. Non serve nemmeno impartire istruzioni dettagliate. Basta indicare l’obiettivo finale. Il resto viene delegato alla macchina.

Dal punto di vista tecnico, l’AI agentica identifica un’evoluzione architetturale dell’intelligenza artificiale in cui il modello non si limita a produrre output reattivi in risposta a un prompt, ma viene inserito in un ciclo decisionale chiuso capace di perseguire autonomamente un obiettivo attraverso pianificazione, esecuzione, osservazione dei risultati e adattamento iterativo. Non si tratta semplicemente di un modello linguistico più sofisticato, ma di una nuova architettura computazionale, capace non soltanto di generare linguaggio, ma di trasformarlo in azione organizzata. I tradizionali sistemi conversazionali basati su Large Language Models (LLM) ricevono un input, generano una risposta probabilisticamente plausibile e terminano il processo.

I sistemi agentici, invece, hanno la capacità di scomporre un obiettivo astratto in sotto-task, selezionare strumenti esterni, eseguire azioni su ambienti reali e correggere il proprio comportamento sulla base del feedback ottenuto. La novità non risiede soltanto nella qualità del modello linguistico ma nell’integrazione tra capacità cognitive differenti: reasoning, memoria persistente, pianificazione multi-step, accesso a tool esterni, retrieval dinamico di informazioni e cicli continui di feedback.

Quando l’agente apre un browser, scrive codice, consulta documenti, esegue verifiche, modifica il proprio piano dopo un errore o coordina altri agenti specializzati: non sta “imitando” un essere umano, sta implementando un processo di ottimizzazione orientato al raggiungimento di un obiettivo operativo all’interno di un ambiente digitale. Fino a ieri, il linguaggio era considerato principalmente uno strumento per rappresentare il mondo. Oggi, in rapporto all’AI, diventa l’interfaccia operativa universale. Una frase in linguaggio naturale può orchestrare catene di azioni software estremamente complesse. In questo modo, l’AI smette di essere un semplice strumento passivo di supporto cognitivo e inizia a comportarsi come un sistema semi-autonomo capace di intervenire direttamente in qualunque processo.

TRADE-OFF CYBER

Per estensione con il concetto di AI agentica applicata alla cybersecurity, non ci si riferisce a un semplice software di supporto analitico, ma a sistemi capaci di esercitare una forma di autonomia operativa all’interno dell’infrastruttura digitale. Il National Institute of Standards and Technology (NIST) statunitense descrive sostanzialmente gli agenti AI come sistemi in grado di pianificare e intraprendere azioni autonome che impattano sistemi o ambienti reali. In ambito cyber, questo significa superare il paradigma tradizionale del rilevamento passivo – basato su SIEM, motori di correlazione e analisi umana degli alert – per approdare a modelli di difesa adattiva nei quali l’intelligenza artificiale osserva, interpreta, decide e interviene.

Dal punto di vista tecnico, un agente combina capacità di reasoning basate su LLM, memoria contestuale, orchestrazione di workflow, accesso a strumenti esterni e meccanismi iterativi di feedback. In pratica raccoglie telemetria da endpoint, log e feed di threat intelligence; correla eventi apparentemente scollegati; formula ipotesi di compromissione; seleziona una risposta e può eseguirla direttamente, per esempio, isolando una macchina, revocando credenziali o generando nuove regole di detection.

La capacità di “agency” – intesa non come coscienza o intenzionalità ma come iniziativa operativa entro vincoli assegnati – si traduce nella possibilità di automatizzare intere pipeline decisionali. Un agente inserito in un Security Operations Center (SOC) può monitorare milioni di eventi, distinguere falsi positivi da anomalie rilevanti, correlare indicatori di compromissione distribuiti, isolare endpoint sospetti, aprire ticket e suggerire remediation in tempi incomparabilmente più brevi rispetto alla latenza cognitiva umana.

Operativamente, un agente AI “comprende” un obiettivo non come semplice comando sintattico, ma come stato da raggiungere. L’istruzione “riduci il rischio di phishing in azienda” non implica un’azione univoca: il sistema deve inferire una strategia, scomporla in sotto-problemi, identificare metriche di successo e costruire una sequenza di interventi. Una volta pianificata la strategia, l’agente interagisce con strumenti esterni – API, database, SIEM, piattaforme cloud, orchestratori SOAR – attraverso meccanismi di function calling o tool invocation. La promessa è quella tipica delle grandi svolte tecnologiche: moltiplicare le capacità senza moltiplicare le persone. L’AI agentica sposta gli analisti junior da un mondo di help desk e ticket ripetitivi a un ambiente dove la macchina assorbe la parte più meccanica del lavoro.

Dal punto di vista operativo, l’agente AI agisce come un moltiplicatore delle capacità dell’analista SOC. Non è poco. Ma nemmeno neutro. Perché ogni volta che una tecnologia “colma un gap”, ridefinisce anche cosa significa essere competenti. Intanto per le aziende tutto questo rappresenta una risposta concreta alla carenza strutturale di competenze nel campo della cybersecurity. L’agente AI non sostituisce integralmente le competenze umane, ma interviene sul deficit operativo. Da tutto questo si capisce bene il potenziale enorme (la promessa industriale) dell’AI agentica che ha tutte le carte in regola per imporsi come una delle evoluzioni più radicali della sicurezza informatica contemporanea.

Ovviamente, anche i cattivi impiegano l’AI agentica. Non solo come strumento di generazione automatica di contenuti malevoli, ma come infrastruttura semi-autonoma capace di pianificare, orchestrare ed eseguire attacchi multi-step. A differenza della Generative AI impiegata per creare phishing, codice o social engineering, gli AI agenti possono interagire con API, browser, shell e ambienti cloud, per cercare vulnerabilità, automatizzare tentativi di intrusione, e in futuro muoversi lateralmente nelle reti aziendali.

Le ricerche più recenti evidenziano la crescita di attacchi basati su prompt injection, tool hijacking, memory poisoning e agentic command-and-control, tecniche in grado di alterare il comportamento operativo degli agenti AI, esfiltrare dati sensibili o attivare azioni non autorizzate. Alcuni lavori accademici parlano esplicitamente di “promptware”, cioè malware multi-stage costruiti attorno a workflow agentici e capacità di reasoning autonome. Esistono dimostrazioni sperimentali e proof-of-concept di prototipi di malware AI-powered capaci di generare codice dinamico per eludere rilevazioni euristiche, oltre a casi parzialmente documentati di utilizzo di agenti LLM per attività offensive automatizzate in ambienti reali. Il rischio strategico risiede nel livellamento verso il basso delle barriere d’ingresso.

In questo modo l’equilibrio, se mai è esistito, rischia di rompersi. Anzi, per qualcuno si è già rotto e la difesa è costretta a inseguire. Una tesi mainstream ampiamente diffusa, pur con una sfumatura importante: si tratta di un vantaggio solo attuale, legato alla velocità di adozione, all’asimmetria economica e ai vincoli difensivi. Nessuno dubita più che l’AI venga usata per attaccare. La domanda, semmai, è quanto velocemente possa essere usata per difendere. Perché la cybersecurity ha una caratteristica che la distingue: non può permettersi di arrivare seconda, senza aspettare standard maturi. Questo spiega la corsa all’adozione di questi sistemi: fattori strutturali, volumi informativi ingestibili per l’analisi umana, velocità crescente degli attacchi, scarsità cronica di competenze specialistiche. È questo il cuore del trade-off. Senza AI agentica, non si regge la scala operativa della minaccia contemporanea. Al tempo stesso, con l’AI agentica si accetta una riduzione inevitabile della trasparenza e della prevedibilità. La cybersecurity entra così in una nuova fase nella quale si sacrifica il controllo completo dei sistemi, per avventurarsi nel ginepraio della governance di agenti parzialmente autonomi, dove resilienza, auditabilità e limitazione dei privilegi diventano più importanti della pretesa – oggi irrealistica – di comprensione totale del loro funzionamento.

«Dobbiamo stare molto attenti a non fare automazione troppo spinta se non abbiamo la certezza di poterne controllare le conseguenze operative, soprattutto se queste possono comportare effetti irreversibili sul mondo reale» – mette in guardia Corrado Giustozzi, che fa parte del Consiglio direttivo di CLUSIT. «L’AI agentica è una grande opportunità, ma può rivelarsi anche un rischio laddove non si introducano adeguate salvaguardie in grado di prevenire derive pericolose, subordinandola a rigorosi processi di controllo per indirizzarne l’uso sicuro. Credo che sia opportuno impiegarla con un minimo di prudenza, almeno fino a che non avremo maturato più esperienza sul campo».

SICUREZZA AGENTICA

L’introduzione dell’AI agentica modifica in profondità il perimetro della sicurezza informatica, perché amplia l’area da proteggere ben oltre i tradizionali asset aziendali – infrastrutture, endpoint, reti e dati – fino a ricomprendere i modelli stessi, le pipeline di addestramento, i sistemi di orchestrazione degli agenti e, soprattutto, i processi decisionali automatizzati che questi sistemi governano.

Gli agenti autonomi scardinano un presupposto vecchio quanto la cybersecurity, ovvero la netta separazione tra componente decisionale ed esecutiva. Se nei sistemi tradizionali, l’analista umano validava il passaggio dall’alert all’azione, negli ambienti agentici questo filtro può essere automatizzato, aprendo la strada a nuovi vettori di attacco. Cresce inoltre il consenso sulla necessità di un auditing continuo, in grado di stabilire quali dati possano essere considerati affidabili, quali strumenti gli agenti AI siano autorizzati a utilizzare, entro quali limiti possano operare autonomamente e come prevenire manipolazioni attraverso input malevoli. Centrale anche il tema del controllo granulare delle autorizzazioni.

Sul piano tecnico significa confrontarsi con una nuova classe di vulnerabilità. «Gli attacchi non sono solo quelli cibernetici rivolti verso i server che ospitano i sistemi di AI, ma sono specialmente attacchi semantici che utilizzano come vettori di attacco gli stessi dati forniti come input ai sistemi, opportunamente modificati» – conferma Giustozzi di CLUSIT. «Per esempio è possibile alterare ad arte un segnale stradale per far sì che un’automobile a guida autonoma non lo riconosca o lo interpreti in modo errato; oppure, mediante ripetuti input anomali, è possibile “inquinare” più o meno permanentemente il database della conoscenza di un sistema di AI per far sì che fornisca risposte sistematicamente errate».

L’emergere dell’AI agentica in ambito cybersecurity segna il trasferimento di parte del processo decisionale da sistemi deterministici a sistemi probabilistici, adattivi e parzialmente autonomi. Nei software tradizionali, il comportamento è definito ex ante attraverso regole esplicite, workflow verificabili e logiche tracciabili. L’errore, quando si verifica, può essere ricondotto a una specifica istruzione o condizione. Gli agenti AI, al contrario, operano attraverso modelli statistici che inferiscono azioni a partire dal contesto, selezionando dinamicamente tra molteplici opzioni operative sulla base di pattern appresi, segnali ambientali e obiettivi assegnati. Questa differenza espone il sistema a classi di vulnerabilità che non sfruttano necessariamente difetti implementativi, bensì debolezze interpretative.

L’architettura stessa degli agenti AI spiega tanto la loro potenza quanto il loro rischio. Maggiore è il livello di autonomia concesso, maggiore è la possibilità che errori inferenziali, ambiguità contestuali o interazioni inattese producano effetti sistemici. Detto altrimenti, se l’errore in un chatbot resta confinato al dominio informativo, quello in un agente con privilegi operativi può cancellare dati, alterare configurazioni o amplificare decisioni errate su larga scala. La ricerca insiste sul concetto di “governable autonomy”, nella capacità di costruire sistemi, in cui autonomia, auditabilità e revocabilità restino rigorosamente bilanciate.

In questo senso, l’AI agentica rappresenta davvero un passaggio epocale. La trasformazione dell’AI da strumento consultivo a soggetto operativo è una transizione che modifica radicalmente il rapporto tra esseri umani, software e potere decisionale, imponendo una ridefinizione dei modelli di controllo che governano l’automazione. Secondo il NIST, opacità e difficoltà di spiegabilità rappresentano rischi strutturali dei sistemi AI avanzati, soprattutto se inseriti in contesti ad alta criticità operativa come sicurezza e difesa. Analoga preoccupazione emerge dall’analisi dell’European Union Agency for Cybersecurity, che segnala come l’autonomia decisionale degli agenti aumenti la superficie di rischio introducendo scenari in cui il controllo umano diventa prevalentemente ex post, ossia limitato alla revisione delle decisioni dopo la loro esecuzione.

«Nei modelli LLM è possibile formulare prompt che sfruttano vulnerabilità o ambiguità nei meccanismi di allineamento e sicurezza, tali da aggirare le salvaguardie implementate, inducendo il modello a generare comportamenti o risposte difformi rispetto alle intenzioni progettuali o ai vincoli di utilizzo previsti» – spiega Giustozzi di CLUSIT. «La situazione è inoltre aggravata dal fatto che l’opacità intrinseca dei modelli e la limitata interpretabilità dei loro processi inferenziali rendono difficile rilevare tempestivamente eventuali comportamenti anomali del sistema AI, nonché distinguere se tali deviazioni siano imputabili a errori non intenzionali, a limiti del modello o a possibili manipolazioni avverse».

OPACITÀ DELL’AUTONOMIA

Il problema, in realtà, si sviluppa su più piani e non riguarda solo la potenza degli agenti AI, quanto il rapporto sempre più fragile tra automazione, controllo umano e prevedibilità del sistema. Il primo nodo è quello dell’opacità decisionale. I modelli attuali sono in grado di correlare enormi quantità di segnali e produrre decisioni spesso corrette sul piano statistico, ma non necessariamente spiegabili in termini causali comprensibili agli operatori umani. Un aspetto particolarmente delicato quando si parla di cybersecurity. Perché se un sistema rileva una minaccia ma non è in grado di spiegare con chiarezza perché l’abbia classificata come tale, risulta difficile identificare le condizioni in cui il processo decisionale può degradare, generando falsi positivi o comportamenti inattesi.

A questo si aggiunge il tema dell’autonomia operativa. Gli agenti AI integrati nelle piattaforme XDR, NDR e SOAR non si limitano più a supportare attività di analisi. Possono intervenire direttamente sui sistemi, isolando endpoint, modificando policy di accesso, revocando credenziali o bloccando flussi di rete in tempo reale. In tal senso, è già disponibile documentazione tecnica che descrive una nuova generazione di agenti specializzati in threat hunting e investigation capaci di processare milioni di alert e comprimere sensibilmente i tempi di analisi. Il punto critico è che, man mano che aumenta la velocità di risposta, il controllo umano tende a spostarsi da preventivo a correttivo: l’operatore non decide più ogni singola azione prima dell’esecuzione, ma interviene successivamente per validare, correggere o limitare ciò che il sistema ha già fatto autonomamente.

Infine, emergono gli effetti sistemici più difficili da prevedere. Quando più agenti interagiscono all’interno di ecosistemi distribuiti – per esempio in architetture multi-agent dedicate a detection, correlazione, risposta e remediation – possono manifestarsi comportamenti con conseguenze impreviste su larga scala. Sono in corso ricerche per documentare proprio questo rischio, mostrando come interazioni tra memoria persistente, tool invocation, pianificazione autonoma e feedback loop possano generare dinamiche difficili da controllare o persino da ricostruire ex post.

Dire che questi sistemi sfuggono alla piena comprensione operativa significa riconoscere che non è più possibile modellare con precisione tutte le traiettorie decisionali né testare ogni combinazione di stato. A queste condizioni, però la sicurezza smette di essere garanzia di controllo totale e diventa gestione probabilistica del comportamento autonomo. Sul tema della accountability dell’AI, il rischio più insidioso, come evidenzia il recente framework dell’OCSE, è il consolidamento di una fiducia implicita. Poiché l’agente produce risultati rapidi e accurati, l’organizzazione tende progressivamente a delegare e a ridurre la supervisione, creando una sorta di accondiscendenza automatizzata.

Proteggere l’AI agentica significa garantire la capacità di limitare o interrompere l’azione dell’agente, l’auditabilità ovvero la ricostruzione verificabile delle decisioni prese dal sistema agentico e la possibilità di sospendere privilegi e autonomia in tempo reale. Regole che in estrema sintesi servono a stabilire che l’AI agentica può essere autonoma solo entro confini rigidamente governati. In questo senso, la sfida della cybersecurity consiste nel progettare architetture in cui l’autonomia sia tecnicamente subordinata a meccanismi di supervisione, segmentazione dei privilegi e fail-safe decisionali.

Nel momento in cui l’AI smette di suggerire e comincia a eseguire, la sicurezza non riguarda più soltanto ciò che il sistema osserva, ma ciò che può legittimamente decidere di fare. Da qui, l’adozione crescente di contromisure specifiche nei progetti di agentic security engineering: minimizzazione rigorosa dei privilegi; test preventivi in sandbox, ambienti isolati nei quali l’AI agentica può operare senza avere accesso libero a tutto il sistema; distinzione chiara tra informazioni da leggere e comandi da eseguire; registrazione in dettaglio di tutto ciò che fa l’agente; verifica continua di ogni azione importante svolta dall’agente AI.

Le evidenze documentate mostrano che compromissioni, hijacking e disruption operativa riconducibili ad agenti AI non sono più scenari ipotetici, ma rischi concreti. Non si tratta ancora di malware agentico diffuso, né di capacità offensive mature. Il fenomeno rimane in una fase embrionale e non rappresenta ancora una minaccia sistemica industrializzata. Tuttavia i pattern osservati indicano chiaramente la direzione evolutiva. Questi episodi sono interpretati come segnali di “early warning”. «In questa fase occorre porsi qualche domanda e darsi qualche regola, prima che si finisca per fare danni concreti» – auspica Giustozzi di CLUSIT. «L’adozione di un sistema di gestione dell’AI conforme alla ISO/IEC 42001, per garantirne un uso trasparente, etico e responsabile, non costituisce la soluzione esaustiva, ma rappresenta il prerequisito minimo per un approccio credibile al problema».

NUOVO EQUILIBRIO

Per decenni la cybersecurity ha ragionato come un buon amministratore di condominio che controlla gli accessi, cambia le serrature, verifica chi entra e chi esce. L’AI agentica cambia completamente il paesaggio. Non si tratta più di distribuire chiavi a nuovi utenti. In futuro lavoreremo sempre di più fianco a fianco con collaboratori digitali – gli agenti AI – affidando loro compiti delicati e, in molti casi, consegnando badge che aprono porte molto sensibili. Per la prima volta, non siamo chiamati soltanto a difendere infrastrutture, ma a governare comportamenti autonomi. Non più soltanto macchine da proteggere, ma entità software che osservano, decidono, agiscono.

Così dopo anni passati a preoccuparci che le macchine diventassero troppo “intelligenti”, rischiamo di scoprire che il problema è la nostra eccessiva disinvoltura nel metterle al nostro servizio. Sistemi capaci di difenderci da minacce sempre più veloci e sofisticate, ma al tempo stesso sufficientemente autonomi da trasformarsi – se compromessi – in moltiplicatori di rischio. «Forse stiamo minimizzando il rischio di comportamenti erratici o non consoni, dando troppa fiducia e troppa autonomia operativa a questi sistemi, nella troppo ottimistica convinzione che non possano sbagliare o che comunque non siano in grado di provocare danni troppo gravi». La raccomandazione di Giustozzi di CLUSIT è un invito alla prudenza, specie in ambienti cyber-fisici.

È in questa cesura che la tecnologia deborda su un altro terreno. Non più soltanto la sicurezza, ma la governance di macchine e sistemi. Dobbiamo imparare a proteggere questi agenti con lo stesso rigore con cui proteggiamo utenti privilegiati, infrastrutture critiche e processi strategici. Forse la cybersecurity del futuro assomiglierà meno agli attuali conflitti sotterranei di rete e molto di più a una specie di “pedagogia” digitale, capace di insegnare alle macchine, soprattutto, cosa non devono fare. A condizione che la loro idea di efficienza non coincida con la nostra idea di disastro.

Inciampiamo, inevitabilmente, in una delle consuete torsioni dell’evoluzione tecnologica: ricorrere ad altre soluzioni più avanzate per gestire la complessità che essa stessa genera. È il paradosso perfetto del nostro tempo. Costruire macchine per difenderci da macchine, affidare agli algoritmi il compito di sorvegliare altri algoritmi, scommettendo nel frattempo sulle nostre capacità di scrivere abbastanza bene le regole del gioco.

Clearskies – Agentic AI, la nuova superficie d’attacco è la fiducia

AI agentica: proteggere il futuro digitale secondo Cisco

Gruppo E – AI e cyber resilience

Kaspersky – Agentic AI: ripensare la sicurezza

L'articolo Agent security, licenza di agire proviene da Data Manager Online.

Il sistema agro­alimentare italiano vale circa 700 miliardi di euro, quasi il 15% dell’economia nazionale nel suo complesso, confermandosi un settore cardine della nostra economia. L’Annuario dell’Agricoltura Italiana del CREA (Consiglio per la ricerca in agricoltura e l’analisi dell’economia agraria) registra il rafforzamento delle imprese più strutturate anche grazie all’affermazione di forme organizzate più evolute e complesse: reti di impresa (in crescita del 5,9%) e forme cooperative (+11,2%). Continua, invece, il trend di fuoriuscita dal settore agricolo delle unità produttive (-1,5%), e permangono alcune debolezze, legate alla forte frammentazione, alla scarsa natalità imprenditoriale e al ritardo generazionale.

I dati Ismea fotografano un nuovo massimo storico per l’export agroalimentare italiano nel 2025, che tocca i 73 miliardi di euro, in aumento del 5% rispetto all’anno precedente. In buona salute le produzioni a Indicazione Geografica (IG), leva strategica per il Made in Italy agroalimentare, che registrano una crescita sia del valore della produzione, intorno ai 21 miliardi di euro, sia dell’export, con un andamento favorevole sia nei mercati europei (+9,4%) sia in quelli extra-europei (+17,8%). Grazie al PNRR sono in atto interventi strutturali senza precedenti per sostenere la transizione ecologica e digitale del settore, rafforzare la competitività delle imprese e aumentare la resilienza di filiere e territori. Aumentati da 3,6 a 8,9 miliardi gli investimenti sulle misure a titolarità del Ministero dell’Agricoltura, della Sovranità Alimentare e delle Foreste, destinati a oltre 35mila progetti attivi su cinque asset: logistica, energie rinnovabili, innovazione e meccanizzazione, contratti di filiera, gestione delle risorse idriche. Anche grazie a questi contributi, nonostante il contesto globale segnato sempre più da instabilità geopolitica, crisi climatica e tensioni economiche, il settore agroalimentare italiano continua a spingere sull’innovazione digitale, lungo tutta la filiera produttiva.

Secondo la ricerca dell’Osservatorio Smart AgriFood del Politecnico di Milano e dell’Università di Brescia, nel 2025 il mercato italiano dell’Agricoltura 4.0 raggiunge i 2,5 miliardi di euro, in aumento del 9% rispetto all’anno precedente. Il livello di maturità digitale nel settore resta ancora molto eterogeneo: il 9% delle aziende agricole è “digitalmente maturo”, il 33% è “in cammino” verso una maggiore digitalizzazione, il restante 58% è ancora in ritardo. La crescita è trainata principalmente dalle soluzioni software: i Farm Management Information System (FMIS) registrano un incremento del 17%, mentre i Decision Support System (DSS) crescono del 26%. Algoritmi predittivi e modelli di analisi dati permettono di ridurre gli sprechi, supportare l’agricoltura di precisione, migliorare la qualità del prodotto e ottimizzare consumi energetici e gestione delle risorse. Soluzioni analytics supportano decisioni operative più precise, identificando inefficienze e prevedendo fluttuazioni della domanda. Tornano positivi anche gli investimenti in macchinari connessi (+2%) e in soluzioni di telemetria e controllo (+3%).

MENO SPRECHI, PIÙ EFFICIENZA

Secondo dati FAO, oltre un terzo del cibo prodotto al mondo va perso o sprecato, lungo l’intera catena di approvvigionamento alimentare: nell’azienda agricola, durante la trasformazione e la lavorazione, nei negozi, nei ristoranti e in ambito domestico. Non è solo un problema etico e sociale, si tratta anche di un notevole impatto sull’ambiente: lo spreco alimentare è responsabile di quasi il 10% delle emissioni globali di gas serra, cinque volte quanto generato dall’aviazione. Per produrre cibo che non verrà mai mangiato vengono dedicati il 28% dei terreni agricoli, 1,4 miliardi di ettari, un’area maggiore dell’intera Europa, e un quarto dell’acqua dolce utilizzata in agricoltura. Nell’ultimo report dell’Osservatorio Waste Watcher International, si legge che nel mondo vengono sprecate ogni anno 1,05 miliardi di tonnellate di cibo.

In Italia lo spreco alimentare rimane sopra la media europea: le ultime rilevazioni Waste Watcher attestano uno spreco settimanale medio pro capite di 555,8 grammi per l’Italia, in riduzione rispetto ai 683 grammi dell’anno precedente, ma ancora lontano dai 369,7 grammi, obiettivo fissato per il 2030. L’ONU chiede di dimezzare perdite e sprechi alimentari entro il 2030, in tutti i segmenti della filiera. L’Europa, recentemente, ha rivisto i suoi obiettivi: -10% nello spreco in trasformazione e manifattura e -30% pro capite nei consumi finali. Per centrare questi traguardi, un contributo decisivo arriva dall’intelligenza artificiale (AI), che sta rivoluzionando la lotta allo spreco alimentare, offrendo soluzioni innovative per ottimizzare la catena di approvvigionamento, ridurre gli invenduti nei supermercati e gestire meglio le scorte domestiche.

Gli algoritmi di AI sono anche in grado di adattare in tempo reale i prezzi dei prodotti vicini alla scadenza, incentivandone l’acquisto prima che diventino rifiuti. Esistono, poi, app intelligenti basate su AI che aiutano a pianificare la spesa, monitorare le scadenze dei prodotti nel frigorifero e suggerire ricette basate sugli ingredienti disponibili, riducendo lo spreco domestico. Sistemi di visione artificiale sono anche in grado di controllare la qualità dei prodotti lungo la filiera, monitorandone la freschezza, riuscendo ad identificare precocemente quelli che stanno per deteriorarsi, per reindirizzarli verso mercati secondari, o verso piattaforme digitali e App, come Too Good To Go, che a loro volta utilizzano AI per connettere rapidamente produttori e consumatori finali per smaltire l’invenduto a fine giornata.

Un’azienda che fa tesoro di queste soluzioni è Cortilia, food-tech company italiana di prodotti alimentari freschi a filiera corta, nata quindici anni fa con l’obiettivo di consegnare direttamente a casa dei propri clienti, in meno di 24 ore, gli alimenti qualitativamente migliori offerti dalle piccole aziende agricole del territorio. Cortilia, che lo scorso anno ha fatturato 46 milioni di euro, usa soluzioni AI per assistere i propri clienti nella selezione dei loro prodotti preferiti e migliorare i servizi di logistica. Fin dalla fondazione, ha sviluppato il proprio business sugli advanced analytics, per passare all’utilizzo di algoritmi di machine learning, deep learning e reinforcement learning. Questa tecnologia, attraverso l’analisi dei dati storici, viene impiegata nell’ambito di più processi aziendali: aiuta a fornire ai clienti suggerimenti personalizzati in fase di acquisto e a prevedere con molta precisione quali prodotti e in quali quantità.

La stessa tecnologia aiuta l’azienda anche lato offerta, permettendo agli agricoltori di conoscere in anticipo i consumi più frequenti e, allo stesso tempo, di comunicare a Cortilia i prodotti stagionali di cui hanno più disponibilità, in modo da incrociare domanda e offerta: i produttori possono confezionare solo quello che sarà effettivamente ordinato e trasportato, riducendo sensibilmente gli sprechi.

SUPPLY CHAIN INTELLIGENTE

I sistemi AI contribuiscono ad aumentare l’efficienza della supply chain, trasformando la gestione logistica da un modello reattivo a uno predittivo, migliorando drasticamente l’efficienza operativa e riducendo gli sprechi. In primo luogo, l’automazione dei magazzini accelera le attività logistiche: l’uso di robotica, potenziata da algoritmi di AI, sfrutta al meglio il layout del magazzino e accelera le operazioni di picking, riducendo gli errori umani e i costi operativi dei prelievi. La logistica intelligente calcola percorsi dinamici che tengono conto del traffico e delle condizioni atmosferiche, e questo permette da un lato di ottimizzare i percorsi del trasporto tradizionale della catena del freddo riducendo tempi di consegna, consumo di carburante, emissioni di CO2, dall’altro lato consente di prevenire il deterioramento delle merci durante il transito.

Inoltre, sistemi basati su AI e Blockchain garantiscono la tracciabilità totale, permettendo di individuare immediatamente l’origine di eventuali contaminazioni e limitando i ritiri di prodotti a lotti specifici anziché a intere linee. Per quanto riguarda produzione e distribuzione, algoritmi di machine learning analizzano dati storici, tendenze di mercato e previsioni meteo, correlandoli con eventi locali per prevedere i trend di consumo con estrema accuratezza: questo permette ai produttori e alla GDO di ricevere chiare indicazioni su cosa e quanto produrre, per gestire al meglio la quantità di cibo necessaria, pianificando le scorte, evitando sovrapproduzioni e riducendo l’invenduto, le rotture di stock e le scadenze dei prodotti deperibili. Sensori IoT, nel frattempo, monitorano la temperatura e l’integrità dei prodotti lungo tutto il percorso, garantendo il rispetto degli standard di sicurezza e facilitando richiami rapidi in caso di necessità.

Barilla sfrutta l’analisi avanzata dei dati per gestire la complessità dei mercati globali, e utilizza l’AI per monitorare l’inventario globale e prevedere la domanda dei consumatori, ottimizzando ordini e consegne per ridurre i tempi di attesa e i costi logistici. Inoltre, implementa sistemi di monitoraggio in tempo reale dei trasporti, che permettono di analizzare le prestazioni della distribuzione e migliorare il tasso di consegna puntuale ai clienti. Barilla integra soluzioni basate su AI in ogni fase della sua filiera, dal campo di grano fino alla tavola del consumatore, non solo per migliorare l’efficienza operativa, ma anche per garantire la sostenibilità ambientale e la qualità dei prodotti.  Direttamente in campo, Barilla supporta gli agricoltori con strumenti digitali avanzati: un’applicazione gratuita con funzionalità AI permette di identificare in tempo reale, tramite la fotocamera dello smartphone, le malattie e le avversità del frumento. Inoltre una piattaforma AI addestrata su dati meteorologici consiglia il momento ideale per la semina, la concimazione e i trattamenti.

Nel comparto della pasta, sistemi di visione artificiale analizzano migliaia di chicchi di grano duro al secondo, individuando in tempo reale eventuali difetti o anomalie. Le soluzioni basate su intelligenza artificiale, integrate nei processi di selezione, consentono lo scarto immediato dei chicchi con imperfezioni cromatiche o macchie, garantendo che alla fase di molitura arrivi esclusivamente materia prima conforme agli standard. Un approccio che migliora la qualità complessiva del prodotto e riduce la variabilità lungo il processo produttivo. La digitalizzazione degli stabilimenti consente oggi di combinare controllo qualità ed efficienza energetica attraverso piattaforme AI integrate con sensori industriali e sistemi di automazione. Il monitoraggio continuo dei parametri produttivi permette interventi tempestivi sulle anomalie e una gestione dinamica delle linee. In presenza di variazioni minime nella doratura, per esempio, gli algoritmi regolano automaticamente temperatura e velocità di lavorazione, migliorando uniformità del prodotto e riducendo gli scarti industriali.

DRONI, ROBOT E ANALYTICS

Secondo i dati dell’Osservatorio, il tasso di abbandono delle soluzioni digitali da parte delle aziende utilizzatrici è praticamente nullo: chi le adotta ha benefici in linea o superiori alle aspettative e tende a proseguire negli investimenti. Nel 2025 la superficie agricola coltivata con tecnologie digitali copre il 10% del totale, in lieve aumento rispetto al 9,5% dell’anno precedente.

«La vera sfida è coinvolgere oltre la metà del tessuto agricolo, che non ha ancora intrapreso questo percorso» – dichiara Andrea Bacchetti, direttore dell’Osservatorio Smart Agrifood. «Per farlo, è necessario intervenire sui fattori strutturali, come la frammentazione e le ridotte dimensioni aziendali, ma anche rafforzare competenze, cultura dell’innovazione e strumenti di accompagnamento agli investimenti. Solo così la trasformazione digitale diventa realmente sistemica e inclusiva».

L’AI entra stabilmente anche nelle aziende agricole italiane. Oggi l’8% degli agricoltori utilizza strumenti di intelligenza artificiale e machine learning, spesso gestibili direttamente da smartphone, per migliorare decisioni operative, controllo dei processi e gestione delle colture. Le ricadute riguardano produttività, qualità del lavoro e ottimizzazione delle rese, con una progressiva riduzione delle attività più ripetitive. La trasformazione è più avanzata nell’industria della trasformazione alimentare, dove il 18% delle aziende ha introdotto applicazioni AI e oltre la metà sta valutando nuove sperimentazioni. A trainare il mercato contribuiscono anche i provider tecnologici: l’80% punta infatti a sviluppare a breve nuove piattaforme AI dedicate all’agrifood.

Il confronto internazionale evidenzia però un ritardo rispetto ai mercati più maturi. Secondo BCC Research, il mercato globale dell’AI nel Food & Beverage è destinato a crescere dai 10,8 miliardi di dollari del 2024 ai 50,6 miliardi del 2030, con un tasso medio annuo del 29,6%. L’integrazione dell’intelligenza artificiale nell’agricoltura di precisione accelera la transizione del settore verso modelli gestionali data-driven. Le applicazioni AI vengono utilizzate soprattutto nelle attività in campo aperto – che rappresentano il 62% dei progetti – per il monitoraggio delle colture, la gestione irrigua e il controllo delle infestanti. Crescono anche le applicazioni dedicate all’efficienza operativa (31%) e ai sistemi di qualità e tracciabilità di filiera (29%). Droni, sensori ottici e piattaforme di analytics consentono di raccogliere e analizzare grandi quantità di dati agronomici per ottimizzare la produttività dei terreni e individuare le colture più adatte alle specifiche condizioni ambientali. Parallelamente, sistemi avanzati di image analysis monitorano lo stato vegetativo delle colture e identificano precocemente malattie, stress idrico ed erbe infestanti, permettendo interventi mirati e tempestivi.

L’approccio predittivo consente di irrigare e utilizzare fertilizzanti o pesticidi solo dove necessario, riducendo consumi idrici, impatto ambientale e dispersione di sostanze chimiche nel suolo e nelle falde. Gli algoritmi AI supportano inoltre la previsione del momento ottimale di raccolta, migliorando resa produttiva e qualità nutrizionale. La trasformazione coinvolge anche automazione e robotica agricola. Trattori autonomi, mietitrebbie autoguidate e robot specializzati eseguono attività di precisione come semina, potatura e raccolta con supervisione umana minima. Cresce inoltre l’impiego di robot dotati di telecamere 3D, utilizzati per aumentare l’efficienza nelle operazioni di raccolta.

Anche l’industria della trasformazione alimentare utilizza da tempo sistemi di visione artificiale e sensoristica intelligente per ottimizzare manipolazione, sicurezza e qualità degli alimenti. Tecnologie continuamente evolute che aiutano le aziende a migliorare standard igienici, conformità normativa ed efficienza operativa lungo tutta la filiera. Secondo Chiara Corbo, direttrice dell’Osservatorio Smart AgriFood, l’intelligenza artificiale nel settore agrifood rappresenta un fattore di accelerazione dello sviluppo del settore, ma la sua piena affermazione dipende dalla capacità di affrontare con visione e responsabilità temi cruciali come la governance dei dati, la concentrazione tecnologica e il digital divide.

«È necessario fare molta attenzione al disallineamento tra la velocità di innovazione dei provider tecnologici e la capacità di investimento delle imprese, promuovendo programmi di inclusione digitale, in particolare a favore di agricoltori e PMI, adottando inoltre strategie che riconoscano nel dato una leva competitiva centrale lungo tutta la filiera, a partire dagli attori a monte».

Come nel caso di Agrintesa, una delle più importanti aziende nel settore ortofrutta in Italia, nata nel 2007 a Faenza (Ra) e che riunisce una comunità di quattromila aziende agricole prevalentemente di piccole e medie dimensioni. La crescente domanda dei mercati internazionali impone standard qualitativi sempre più elevati. Per l’export, inoltre, il grado di maturazione rappresenta un fattore critico, poiché anche piccole difformità possono compromettere la tenuta dell’intero carico lungo la filiera. In questo contesto Agrintesa integra soluzioni di intelligenza artificiale nei propri processi di selezione, su una produzione che supera le 440mila tonnellate all’anno.

Per esempio, il sistema di scansione dedicato ai kiwi e alle susine consente un’analisi ad alta precisione grazie alla tecnologia di riconoscimento visivo HDiA (High Definition Innovative Agrovision), che permette di rilevare parametri chiave come peso, diametro, colore e qualità del frutto, classificandolo automaticamente secondo i diversi standard produttivi. L’adozione di queste soluzioni contribuisce al raggiungimento degli obiettivi aziendali: incremento della qualità, riduzione delle contestazioni da parte dei clienti e maggiore efficienza operativa lungo il processo di selezione. Al centro del sistema vi è un modello di machine learning che, attraverso il riconoscimento visivo intelligente, si aggiorna continuamente, migliorando progressivamente la propria capacità di analisi e consolidando un vantaggio competitivo basato sui dati e sull’automazione dei processi.

FILIERA TRACCIABILE CON L’AI

Sul fronte ambientale, l’agricoltura italiana continua a registrare progressi nella riduzione delle emissioni climalteranti, che risultano in calo del 15% rispetto al 1990. Nonostante il miglioramento, il comparto mantiene un’incidenza stabile pari all’8,4% sul totale nazionale, con il metano (44%) e il protossido di azoto (29%) che restano le principali fonti emissive. Parallelamente, il settore accelera la transizione verso modelli produttivi più sostenibili e circolari. In Italia, il 74% delle aziende agricole adotta già almeno una pratica di economia circolare basata sull’uso efficiente e rigenerativo delle risorse naturali. Nel 53% dei casi si tratta di approcci di agricoltura integrata o conservativa, orientati alla tutela della biodiversità e al mantenimento degli ecosistemi. Positivo anche l’impiego di soluzioni orientate al riuso delle risorse: il 48% delle imprese utilizza materie prime derivate da scarti di processo, acqua riutilizzata ed energia da fonti rinnovabili. A questo si affianca la valorizzazione delle eccedenze produttive, che interessa il 38% delle aziende, mentre il 33% è attivo nel riutilizzo di scarti e biomasse come materie prime secondarie, fertilizzanti agricoli o altre applicazioni a valore aggiunto.

Sul fronte della sostenibilità e della trasparenza, l’integrazione tra AI e blockchain rafforza la tracciabilità della filiera agroalimentare, tutelando i marchi di qualità e garantendo il rispetto di standard etici e ambientali lungo tutto il processo produttivo. L’automazione dei controlli riduce gli errori legati alla manipolazione umana, limitando gli sprechi alimentari e contenendo i costi lungo la catena del valore. In ambito industriale, l’impiego di sensori, sistemi a ultrasuoni e imaging a fluorescenza consente una rilevazione più accurata di residui alimentari e potenziali contaminazioni microbiologiche.

Infine, l’AI supporta la misurazione delle performance di sostenibilità, sempre più centrale sia per la resilienza delle supply chain sia per la conformità normativa. Il rating ESG assume infatti un ruolo strategico, influenzando l’accesso al credito, la competitività nei bandi pubblici e il posizionamento nelle filiere internazionali. Con l’introduzione della direttiva europea CSRD, la rendicontazione di sostenibilità diventa progressivamente un obbligo anche per le imprese di minori dimensioni.

Un caso interessante di approccio integrato tra sostenibilità e innovazione digitale arriva dal Consorzio Tutela Grana Padano, realtà nata nel 1954 e oggi composta da oltre 140 aziende della filiera lattiero-casearia. Il Consorzio svolge un ruolo centrale nel coordinamento del sistema produttivo, agendo come garante di qualità, sostenibilità e redditività lungo l’intera catena del valore, dagli allevatori ai caseifici fino al consumatore finale. Oltre alle attività di tutela, promozione e valorizzazione del Grana Padano DOP – la cui produzione ed export sono in costante crescita – il Consorzio è molto impegnato nella transizione digitale della filiera. In questo contesto si inserisce il progetto MOREGRANA, orientato a migliorare efficienza, sostenibilità e competitività del comparto attraverso l’utilizzo avanzato dei dati e delle tecnologie digitali.

L’obiettivo è ottimizzare la sostenibilità ambientale della produzione di latte destinato al Grana Padano, integrando strumenti di agricoltura e zootecnia di precisione per una gestione più efficiente dei nutrienti lungo l’intero ciclo produttivo: dal campo alla stalla, fino alla gestione dei reflui e al loro ritorno al suolo. Il progetto introduce sistemi di monitoraggio avanzato dell’efficienza produttiva del latte e della dieta bovina, grazie all’integrazione di fonti dati eterogenee e soluzioni digitali interconnesse. L’uso dell’intelligenza artificiale consente lo sviluppo di strumenti di tracciabilità end-to-end del processo produttivo, rafforzando la trasparenza della filiera e il controllo delle performance lungo tutta la catena.

EOS Solutions: Sostenibilità e AI nel food

Formula: Sostenibilità e AI nell’industria alimentare

Sinfo One: Sostenibilità e AI nell’industria alimentare. Dati, controllo e predominio cognitivo

L'articolo Agrifood data-driven, l’AI dai campi alla fabbrica proviene da Data Manager Online.

Mentre Francoforte chiude la fase preparatoria dell’euro digitale a ottobre 2025 e attende il voto del Parlamento europeo previsto per giugno 2026, a Hong Kong, Bangkok, Pechino, Abu Dhabi e Riad le banche centrali regolano transazioni wholesale in valuta digitale transfrontaliere dal 2022. Il sistema monetario europeo si muove alla velocità del compromesso continentale, mentre quello dei paesi del Golfo, alla velocità di un mandato commerciale.

La geografia globale della Central Bank Digital Currencies (CBDC) nel 2026 non è più un mero esercizio di prospettiva. Secondo McKinsey, nel rapporto Global Payments 2024, oltre il 90% delle banche centrali sta perseguendo o valutando un progetto di CBDC, e più di trenta hanno già avviato un pilota. Il BIS, nel capitolo III dell’Annual Economic Report 2023, delinea la cornice teorica: dopo la dematerializzazione e la digitalizzazione, la tappa successiva del sistema monetario è la tokenizzazione, cioè la rappresentazione digitale di crediti su una piattaforma programmabile.

Sotto questo termine ombrello, ci sono due architetture distinte, che convivono e vengono spesso confuse: la CBDC retail, pensata come surrogato programmabile del contante per cittadini e imprese, e la CBDC wholesale, riservata alle istituzioni finanziarie per regolare obbligazioni, pagamenti interbancari e operazioni transfrontaliere su un libro mastro distribuito. La differenza non è semantica. È l’impalcatura dell’intero discorso.

LA GEOGRAFIA DEI PAGAMENTI GLOBALI

Il Project mBridge, sviluppato nell’ambito del BIS Innovation Hub di Hong Kong, rappresenta il primo progetto multilaterale operativo di CBDC wholesale. Ne fanno parte Hong Kong, Tailandia, Cina, Emirati Arabi Uniti e Arabia Saudita, con transazioni regolate in valute digitali come yuan, dirham e rial.

Secondo il BIS, progetti come mBridge dimostrano già la possibilità di regolare pagamenti e scambi transfrontalieri tra banche centrali su infrastrutture digitali interoperabili. Nel mio studio del 2024 con Khan e Mertzanis sull’European Journal of Innovation Management, emerge come la cornice normativa CBUAE abbia anticipato la maturità infrastrutturale del Golfo nelle rimesse cripto-native, in linea con i più ampi volumi on-chain documentati da Chainalysis: 338,7 miliardi di dollari di valore on-chain totale ricevuto dalla regione MENA tra luglio 2023 e giugno 2024, con la quota più alta di adozione della DeFi negli Emirati. Sul versante retail, il Digital Dirham emiratino è stato lanciato a marzo 2026, mentre la componente wholesale era già operativa dal 2024.

L’euro digitale, per contro, chiude la fase preparatoria nell’ottobre 2025: il voto del Parlamento europeo è atteso per giugno 2026, la prima emissione potenziale è fissata al 2029. Quattro anni di distanza operativa, in un mercato in cui un anno è già lungo. Nel paper, emerge anche un risultato che ha implicazioni dirette sul disegno dell’euro digitale: l’intenzione comportamentale di adottare le valute digitali – il cosiddetto behavioural intention nei modelli UTAUT – si rivela un predittore debole dell’uso effettivo. Il supporto infrastrutturale e il contesto operativo (“facilitating conditions”) sono invece la variabile realmente determinante. In altre parole, chiedere agli utenti se useranno l’euro digitale dice poco su quanto lo utilizzeranno davvero. McKinsey, nello stesso “Global Payments 2024”, conferma indirettamente che nei mercati in cui un CBDC è già stato lanciato, “i consumatori hanno trattato il portafoglio CBDC come un wallet qualunque”.

L’entusiasmo iniziale si infrange contro la realtà dell’integrazione. Il problema non è il consenso politico Il problema sono i POS, le banche commerciali, le API di pagamento, l’esperienza di onboarding, l’interoperabilità con SEPA Instant. Quando funzioni separate – emissione, custodia, regolamento, riconciliazione – vengono combinate su un’unica piattaforma programmabile, il ruolo degli intermediari cambia di natura, non di intensità. L’unified ledger delineato nel “BIS Annual Report 2023” prevede un’infrastruttura comune in cui convivono moneta emessa dalla banca centrale, depositi bancari e asset tokenizzati.

Sul fronte industriale, il rapporto “The Great Tokenization Shift” (Keyrock-Centrifuge, 2025) evidenzia la scala potenziale della tokenizzazione. Il World Economic Forum stima che potrebbe rappresentare il 10% del PIL globale entro il 2027, mentre per Boston Consulting Group vale fino a 16 trilioni di dollari di asset tokenizzati entro il 2030.

CHI CONTROLLA IL RAIL, CONTROLLA IL DENARO

Per il CFO di un’azienda italiana di medie dimensioni, ciò significa tre vettori operativi concreti: rapidità di regolamento, riduzione del rischio di controparte, programmabilità contrattuale. Pagamenti condizionali nella supply chain, royalty automatizzate, escrow programmabili nell’M&A – non sono frontiere lontane: sono già operative in Helvetia, Jura, Genesis, Dunbar, mBridge e Dynamo. Per chi gestisce la tesoreria oggi, l’euro digitale non è una novità regolamentare prevista per il 2027. È un riassetto del set di strumenti disponibili.

L’errore di lettura più diffuso, nel dibattito italiano, è trattare l’euro digitale come una risposta tardiva al cash o ai wallet privati. Non si tratta solo di replicare il contante in formato digitale, ma di riconquistare il rail di pagamento retail, cioè l’infrastruttura dei pagamenti, oggi dominata da Visa, Mastercard e dalle big tech dei wallet, tutti circuiti non europei. La sovranità monetaria, nel 2026, non si gioca sulla capacità di emettere moneta – quella la BCE non l’ha mai persa. Si gioca sulla capacità di controllare il binario lungo cui la moneta viaggia. Non a caso, il 28 giugno 2023 la Commissione europea ha pubblicato in parallelo due pacchetti legislativi distinti – il Single Currency Package (con la proposta di regolamento) e il Payment Services Package (PSD3 e PSR) – riconoscendo che le due architetture vanno progettate in sincronia. Nel disegno emergente, la BCE è l’emittente; le banche commerciali rimangono i distributori; i payment service provider e le fintech costituiscono lo strato applicativo; le aziende sono gli utilizzatori di una nuova classe di “programmable money” nei flussi di tesoreria e supply chain.

Pertanto, la domanda strategica per un istituto italiano non è “siamo pronti all’euro digitale”, ma quale strato dello stack si intende presidiare. Le prove operative della CBUAE su mBridge non sono interessanti per l’esoticità. Sono interessanti perché dimostrano che il salto da “policy paper” a “transazione regolata” è realizzabile in due-tre anni quando il mandato è chiaro e l’infrastruttura è interoperabile. La differenza tra un sistema che riceve l’euro digitale e uno che lo progetta sta nella sequenza in cui banche, corporate, regolatori e PSP si siedono al tavolo. Nel sistema italiano, dove convivono un’industria bancaria robusta, un settore fintech ancora frammentato, e una pubblica amministrazione interlocutrice essenziale (via PagoPA), la scelta non è se partecipare. Ma in che ruolo.

Il denaro fiat non perde la sua natura istituzionale: acquisisce una nuova dimensione operativa. Tra Francoforte e Abu Dhabi non c’è una distanza ideologica, ma una differenza di velocità esecutiva. E nei mercati del denaro il tempo è l’asset più costoso.

Dr. Devid Jegerson 

Architetto dell’evoluzione dei Pagamenti Digitali e del Banking, Devid è da oltre 25 anni in prima linea nell’innovazione FinTech, trasformando idee visionarie in realtà di mercato di successo nell’E-commerce e nel Banking.

Dal lancio della prima carta prepagata ricaricabile in Italia (2002) e del primo conto di moneta elettronica (2006), alla creazione di gateway di pagamento con licenza acquiring (2008) e all’introduzione dei pagamenti istantanei P2P (Jiffy, 2014) e delle prime piattaforme di pagamento cloud in Medio Oriente (noon.com, 2016), il suo focus è sempre stato sul costruire ‘il nuovo’.

Il suo percorso include ruoli di leadership e contributi fondamentali in noon.com, PayPal, Fastweb, IWBank, e UBI Banca, dove ha guidato l’innovazione nei pagamenti mobile e ha contribuito alla gestione della normativa PSD2.

Oggi, applica questa combinazione di visione strategica ed eccellenza nell’esecuzione come Membro del CdA di diverse società, guidando la Trasformazione Digitale nel FinTech. La sua passione è supportata da un PhD, un EMBA, una laurea magistrale in strategia e una laurea in economia, dalla pubblicazione del libro (“Pagamenti elettronici. Dal baratto ai portafogli digitali” 2016, goWare).

Appassionato nel costruire il futuro della finanza, Devid rappresenta un punto di riferimento nel settore.

L'articolo Euro digitale e CBDC. L’Europa accelera, il Golfo esegue proviene da Data Manager Online.

Il ciclo di vita diventa quindi continuo, auto-correttivo e semi-autonomo. Si tratta di un nuovo modello in cui il DevOps si evolve in AgentOps e dove gli agenti non si limitano a suggerire o completare codice, ma diventano veri attori del processo: pianificano task, generano architetture, scrivono test, eseguono debug, propongono refactoring e monitorano la produzione. In pratica, si passa dallo “strumento” al “collaboratore operativo”.

Integrati nei workflow di sviluppo, gli agenti AI contribuiscono ad accelerare rilascio, manutenzione e qualità del software, migliorando al tempo stesso affidabilità e sicurezza. Nel debugging, in particolare, gli agenti analizzano stack trace, propongono fix, verificano regressioni. Nella manutenzione, poi, l’impatto è enorme: gli agenti possono monitorare anomalie, aggiornare dipendenze, refactorizzare codice legacy, proporre miglioramenti.

Il risultato è un software adattivo e auto-evolutivo, un vero “living system” capace di progettarsi, testarsi e ottimizzarsi continuamente. Da un punto di vista teorico, l’AI-SWENG supera il paradigma della computazione isolata per evolvere verso sistemi multi-agente autonomi e cooperativi.

La competenza più importante in questo nuovo modello si sposta progressivamente dalla sola scrittura del codice alla progettazione di sistemi, alla definizione di regole operative e all’orchestrazione degl agenti. In altre parole, l’ingegneria del software diventa ingegneria dell’autonomia dei sistemi. Emergono nuovi ruoli legati alla governance degli agenti AI e al controllo dei processi software.

In questo scenario, gli esperti di dominio acquistano ancora più valore, perché la conoscenza dei processi resta decisiva anche nell’era degli agenti AI. Cambia però la struttura stessa dei team di sviluppo: meno attività ripetitive, più architettura, supervisione e orchestrazione intelligente, con effetti destinati a ridisegnare produttività, organizzazione del lavoro e mercato delle competenze.

L’AI-SWENG spinge verso organizzazioni del software fondate su team ridotti ma estremamente produttivi, ridefinendo il peso delle competenze junior all’interno della filiera dello sviluppo. Cambia anche il modello economico. Le aziende della filiera non venderanno più codice o progetti, ma sistemi che si evolvono, piattaforme intelligenti e agenti proprietari.

L’AI-SWENG produce, quindi, una trasformazione più simile a una rivoluzione industriale che a un semplice cambiamento tecnologico, in cui muta la divisione del lavoro con forme decisionali e di coordinamento nuove, con impatto sui ruoli e sui tempi e, quindi, con pesanti ripercussioni economiche.

Questa rivoluzione introduce anche nuove aree di rischio: minore trasparenza del codice generato, dipendenza dagli AI model, complessità emergente. Crescono inoltre le sfide legate alla governance della sicurezza, alla proprietà intellettuale e all’impatto occupazionale.

La posta in gioco non è soltanto l’evoluzione dell’ingegneria del software, ma la ridefinizione degli equilibri industriali e tecnologici. Per aziende e paesi si apre una sfida senza precedenti: costruire indipendenza su piattaforme, dati, modelli e infrastrutture critiche.

L'articolo AgentOps revolution proviene da Data Manager Online.

L’uso moderno della password in informatica nasce all’inizio degli anni 60, quando sono introdotti i primi account utente protetti da password. Sessant’anni dopo, dobbiamo renderci conto che probabilmente le password non sono il metodo migliore per proteggere i dati e gli account. Non perché sia intrinsecamente sbagliato il concetto di “password”, ma molto più semplicemente perché le persone non le sanno usare, per pigrizia, disattenzione o scarsa consapevolezza.

Quindi è il momento di porsi alcune domande: le password sono importanti? E sono veramente necessarie? La prima domanda ha una risposta ovvia: sono importanti, perché è noto che oltre l’80% delle violazioni degli account vengono realizzate a causa di password rubate e/o password deboli. La seconda domanda ci permette di ampliare l’orizzonte “oltre le password”. All’inizio le password rappresentano l’unica soluzione possibile, oggi con l’evoluzione degli smartphone, della biometria e della crittografia asimmetrica possiamo pensare a un radicale cambio di paradigma. E migrare verso un mondo senza più le password, un mondo “passwordless”.

Questa soluzione esiste già e si chiama Passkeys. Il progetto Passkeys viene presentato il cinque maggio 2022 al World Password Day. Ad annunciarlo Apple, Microsoft e Google, assieme alla FIDO Alliance, nel cui ambito viene sviluppato. Questa funzionalità consente a siti web e app di offrire agli utenti una modalità di autenticazione senza password, sicura e semplice.

Passkeys utilizza un autenticatore FIDO (che in genere è il nostro smartphone, oppure il computer). L’autenticazione passwordless combina biometria e crittografia asimmetrica (implementata sull’autenticatore FIDO) che genera una coppia di chiavi (pubblica e privata). Con questa tecnica, l’autenticatore FIDO (sbloccato e attivato tramine la biometria) scambia una chiave pubblica con il sito nel quale si vuole fare l’autenticazione.

Il sistema Passkeys elimina quindi completamente la necessità di creare (e dover ricordare!) una password.Quindi è pratico e anche sicuro perché realizza un’autenticazione forte, equiparabile a una MFA (Multi-Factor Authentication). Intervengono cioè due fattori:  una cosa che hai (lo smartphone oppure il computer) e una cosa che sei (lo sblocco con la biometria).

Passkeys non richiede l’installazione di software o applicazioni dedicate: Apple, Microsoft e Google lo hanno già implementato nativamente nei loro sistemi operativi: quindi la funzionalità è già presente in iOS e Android, così come in Windows e macOS. Serve semplicemente aver aggiornato tali sistemi operativi.

L’attivazione dell’autenticazione con Passkeys non è complicata: se il sito la supporta già (ormai tutti i siti più noti lo fanno) ci segnala – in fase di autenticazione – la possibilità di sceglierla, in sostituzione della password. L’utente deve seguire le istruzioni che il sito indica e abbinare l’autenticatore FIDO che intende utilizzare e che può essere lo smartphone, il computer o anche una chiavetta FIDO. Questa operazione di registrazione va effettuata una volta sola per ogni sito.

Successivamente, è possibile fare il login con Passkeys: quando entriamo nel sito con username, il sito “ricorda” che abbiamo attivato Passkeys e invia la notifica push all’autenticatore scelto nella fase di registrazione. Sull’autenticatore (per esempio, lo smartphone) compare la richiesta di sbloccarlo con riconoscimento biometrico. Una volta sbloccato, il dispositivo autenticatore firma la challenge ricevuta dal sito utilizzando la chiave privata associata all’account. Il server verifica quindi l’autenticazione tramite la chiave pubblica registrata.

Giorgio Sbaraglia  Information & Cybersecurity advisor Comitato Direttivo Clusit

L'articolo Un mondo passwordless, come funziona Passkeys proviene da Data Manager Online.

L’intelligenza artificiale è già dentro i budget aziendali, dentro le abitudini di acquisto, nei processi. Eppure, questa accelerazione porta con sé una contraddizione. Più l’adozione aumenta, più cresce l’illusione che sia semplice da gestire. Si sperimenta, si lanciano progetti pilota, si moltiplicano gli agenti. Ma trasformare tutto questo in valore reale, concreto, misurabile, sostenibile nel tempo è un’altra storia.

Per questo è utile conoscere le strategie di realtà che vivono questa trasformazione in prima linea come Lutech, Impresoft e TAS, e di esperti come i consulenti di AlixPartners che stanno monitorando l’impatto dell’AI sull’ecosistema software europeo.

Stando infatti al loro recente report, “AlixPartners – 2026 Enterprise software technology predictions”, soltanto tra il 15% e il 20% delle aziende nell’area ha le carte in regola per affrontare questa transizione. Un dato che fa riflettere, soprattutto considerando che dall’inizio dell’anno il valore di mercato delle società software a livello globale è sceso mediamente del 30%.

Il problema è strutturale. L’AI sta stravolgendo i modelli di business: quello che prima richiedeva mesi di sviluppo oggi si realizza in giorni. Questo mette in crisi i vecchi schemi basati sulla vendita per singolo utente, perché gli agenti sostituiscono sempre più compiti umani, riducendo il numero di licenze necessarie. Il quadro non è però tutto negativo, almeno per il Vecchio Continente. Rispetto agli Stati Uniti, dove il software rappresenta oltre il 50% del mercato tech, in Europa la quota si ferma al 30%. Il resto del mercato è costituito da servizi IT erogati da player specializzati in consulenza e system integration.

«Oltre a questo, altri 4 fattori differenziano il mercato europeo da quello americano: la regolamentazione improntata a un maggior controllo sull’innovazione, nonché a una tutela maggiore del mondo del lavoro» – spiega Marcello Bellitto, partner & managing director di AlixPartners. «La maggiore complessità e frammentazione degli stack tecnologici costruiti layer dopo layer nel corso dei decenni, la composizione del tessuto industriale composto in maggioranza da aziende piccole e medie rispetto ai giganti US.

C’è infine un tema geopolitico, quello della sovranità digitale, che sta portando a una maggiore consapevolezza nella gestione dei dati». Per AlixPartners, a fare la differenza è la specializzazione. Chi opera in settori come banking o healthcare, dove il controllo del dato è strutturalmente più elevato, parte avvantaggiato rispetto alle realtà generaliste, più esposte in un mondo sempre più guidato dall’AI.

LA CONOSCENZA DEI PROCESSI

Il cambio di paradigma racconta di un passaggio dalla capacità di sviluppare codice alla capacità di trasformare i processi aziendali. Non è una sfumatura ma una trasformazione nel modo in cui i system integrator creano valore. «L’adozione dell’AI comporta un cambiamento radicale, che va approcciato in maniera ragionata e consapevole» – spiega Davide Antonazzo, partner di AlixPartners. «I nostri clienti, infatti, non ci chiedono solo di sviluppare un determinato progetto, ma di aiutarli a costruire una strategia integrata in un contesto aziendale più ampio». Per Antonazzo: «L’azienda del mid-market che non ha le capacità di costruire da sé una soluzione di AI si affida a un partner. La trasformazione dei processi operativi che tale soluzione AI abilita è un nuovo business, basato sulla consulenza, che si affianca a quello esistente dello sviluppo del software».

Uno scenario in cui si inserisce Lutech, che genera circa il 50% del proprio margine da attività su dinamiche operative verticali dei clienti. «La tecnologia AI di base diventerà una commodity» – afferma Giuseppe Di Franco, CEO di Lutech. «La competizione si sposta sul layer di orchestrazione, sulle soluzioni che permettono l’interoperabilità dei servizi e l’adattabilità. La conoscenza dei processi del core business è centrale. Per noi è già un asset di valore più di quanto non lo fosse qualche anno fa».

C’è un dato che Di Franco cita per inquadrare la portata del cambiamento: secondo una recente ricerca di Stanford, l’adozione dell’AI sta avvenendo più velocemente di quanto accaduto con qualsiasi altra tecnologia di massa, PC e Internet compresi. Una velocità di adozione che non si traduce automaticamente in vantaggio competitivo. «La capacità di implementare queste soluzioni senza un addizionale lock-in, oltre a tutto quello che l’IT ha creato in passato, è una delle linee guida da seguire» – continua Di Franco. «Vuol dire passare da un approccio sensazionalistico a uno più realistico, che richiede progettazione, scelta, inserimento in un programma evolutivo dell’azienda ad ampio respiro».

Per Lutech, il trend attuale non è scegliere il modello di intelligenza artificiale da adottare. «Si assiste a una convergenza tra i vari modelli, oramai abbastanza simili tra loro» – osserva il manager. «Questo riduce il gap tra Stati Uniti e Cina. La vera differenza non è più sulla tecnologia ma nell’esecuzione. E in questo, tutte le funzioni aziendali sono parte del cambiamento, incluso il management».

IL RISCHIO DELL’AI “FAI-DA-TE”

C’è però una dinamica da tenere d’occhio: l’AI dà la sensazione di poter fare tutto da soli. Creare agenti, automatizzare flussi, costruire soluzioni in autonomia. Una percezione che rischia di essere ingannevole, soprattutto in ambito enterprise. «L’intelligenza artificiale innalza il livello di complessità, non lo semplifica» – avverte il CEO di Lutech. «Introduce un ulteriore elemento che va gestito. Il consulente e il system integrator devono portare all’attenzione del cliente i temi della sicurezza, della condivisione dei dati, fondamentali per un utilizzo consapevole della tecnologia». A questo si aggiunge la sfida del capitale umano.

Per il CEO, le competenze non si sono evolute con la stessa velocità della tecnologia e quindi si è creato un disallineamento tra opportunità e concreto saper fare. Di Franco ricorda che in Italia ci sono 15 milioni di persone tra i 6 e i 66 anni, privi delle competenze digitali di base. «L’AI potrebbe aggravare questo divario o, nella migliore delle ipotesi, diventare un acceleratore per recuperare terreno rispetto alle economie più avanzate. Sia in termini di tecnologia che di skill. L’AI come elemento di crescita per la società».

L’architettura del futuro è agent-based e richiede indipendenza. «Il passaggio a un’architettura basata sugli agenti è ormai una necessità tecnica» – prosegue Di Franco. Personalizzare soluzioni “on top” di piattaforme AI esistenti permette di accelerare l’adozione e renderla più sostenibile. Ma questo impone anche una riflessione sulla dipendenza dai grandi vendor internazionali. Non a caso, Lutech sta investendo in questa direzione con un progetto chiamato BrAIn, pensato per affrancare le architetture AI dalle piattaforme proprietarie dei grandi vendor globali, puntando sull’integrazione e sul supporto concreto al business. «Le aziende destinate a emergere da questa fase non saranno quelle che investiranno di più in tecnologia, ma quelle capaci di trasformarla in processi, competenze e valore misurabile. Non basta una visione technology-driven: serve un approccio business case-driven. Prima ancora che tecnologica, questa è una trasformazione culturale e manageriale» – dice Di Franco.

IL MID-MARKET ITALIANO

C’è una fetta del tessuto produttivo italiano che rischia di restare indietro. Alessandro Geraldi, Group CEO di Impresoft, la conosce bene. Impresoft Group lavora prevalentemente con il mid-market, circa il 70% dei suoi ricavi viene da questo segmento, e da questa posizione osserva una contraddizione che si ripete: interesse alto per l’AI ma governance quasi assente.

Il problema è che nelle aziende di medie dimensioni l’intelligenza artificiale sta entrando dalla porta di servizio. I dipendenti usano strumenti consumer, chatbot, assistenti, generatori di testo, senza che l’azienda abbia un sistema per controllare cosa viene condiviso, con chi, e su quali piattaforme. Dati sensibili, processi interni, informazioni strategiche: «Tutto può finire in sistemi che non garantiscono protezione» – spiega Geraldi. «Se non gestisci questo, i tuoi dipendenti useranno l’AI comunque, ma tu non avrai alcun controllo su quello che stanno facendo».

A questo si aggiunge una pressione culturale sottile ma pervasiva. L’AI consumer ha abituato tutti, manager, dipendenti, imprenditori, all’idea che basti chiedere per ottenere. Che la tecnologia sia semplice, immediata, infallibile. Nel contesto aziendale questa percezione è pericolosa. «Porta a delegare decisioni senza verificare, ad accettare output senza controllare, a costruire workflow su fondamenta probabilistiche in contesti che richiedono certezza» – continua Geraldi, che è netto su un punto: «Le aziende vivono in un mondo in cui ogni affermazione deve essere dimostrabile, ogni processo deve essere replicabile, ogni risultato deve essere verificabile». L’AI non cambia questa esigenza, la complica. E chi non lo capisce in tempo rischia di dover rifare tutto da capo.

ACCOMPAGNARE IL CAMBIAMENTO

La risposta di Impresoft a questo scenario è una strategia che accompagna le aziende dall’assessment iniziale – per capire da dove si parte, cosa è realmente utile fare, quali sono i rischi specifici del proprio settore – fino all’implementazione e alla governance continuativa. Un elemento distintivo è il sistema di controllo trasversale: chi ha accesso agli strumenti di AI, quanto si spende, cosa funziona e cosa no, dove ci sono anomalie, come cambiano i pattern di utilizzo nel tempo. Non un cruscotto decorativo, ma uno strumento operativo per chi deve prendere decisioni in contesti complessi. La governance, in questa visione, non è un vincolo burocratico: è la condizione che rende l’AI sostenibile nel lungo periodo, scalabile, e soprattutto utile, invece che costosa e fragile.

A rendere credibile questo approccio – secondo Geraldi – sono due asset che Impresoft ha costruito in decenni di lavoro: il software proprietario e una profonda conoscenza verticale dei settori in cui opera, dalla manifattura al retail, dalla moda al lusso fino all’healthcare. Ed è proprio questa competenza di processo a trasformarsi in un vantaggio competitivo quando entra in gioco l’AI.

«Bisogna sapere come funziona un flusso di gestione del credito, o un flusso di approvazione normativa, o una catena di diagnosi clinica, per poter verificare che l’output sia corretto, coerente e affidabile. Chi conosce solo la tecnologia ma non il processo non è in grado di rilevare un’allucinazione, non riesce a capire quando qualcosa non torna, non ha gli strumenti per distinguere un risultato plausibile da uno corretto. Conosciamo il sistema dati, sappiamo dare semantica al processo. Questo ci consente di beneficiare di quello che l’AI produce e anche di rilevare eventuali errori e di garantire che l’implementazione regga alla prova dei fatti».

C’è infine una questione strutturale che per Geraldi riguarda l’intero ecosistema produttivo italiano. Le medie imprese, che rappresentano la spina dorsale dell’economia del Paese, difficilmente riusciranno ad attrarre i talenti necessari per gestire autonomamente una trasformazione basata sull’AI.

«C’è un elemento di attrattività, di scala, di capacità di offrire percorsi di crescita che i profili più specializzati cercano altrove. La complessità cresce, le competenze si specializzano e chi non ha un partner che conosce profondamente l’operatività rischia di trovarsi solo davanti a decisioni che non è in grado di valutare. In questo scenario, il ruolo del partner IT cambia radicalmente: non è più quello dell’esecutore tecnico che implementa decisioni prese altrove, ma quello del partner strategico che arriva preparato, con soluzioni già testate su contesti analoghi. In pratica, la differenza tra fare rumore e fare innovazione che funziona e quindi genera valore».

ACCELERATORE DI CREAZIONE DI VALORE

C’è un settore che più di altri ha già fatto i conti con la necessità di misurare ogni investimento tecnologico in termini di ritorno concreto e verificabile. È il mondo finanziario. Salvatore Borgese, CEO di TAS, lo conosce dall’interno. Il gruppo TAS opera da decenni nel cuore dei sistemi informativi bancari: core banking, pagamenti, monetica, capital markets. Da questa posizione privilegiata osserva la trasformazione portata dall’AI con occhi diversi rispetto a chi arriva da settori meno regolamentati e meno abituati alla data governance. Il punto di partenza – per Borgese – è un principio che suona semplice ma ha implicazioni profonde: «L’AI non deve sostituire l’architettura in uso ma affiancarsi, integrarsi con essa e valorizzarla. Non si tratta di eliminare totalmente l’esistente per ricominciare da zero. Un’operazione costosa, rischiosa e spesso inutile. Bisogna affiancare l’intelligenza artificiale agli asset già presenti in azienda, incluse le competenze delle persone».

Gestire il cambiamento di processi e procedure mission critical come ad esempio quelli che gestiscono conti correnti o sistemi di pagamento non è assimilabile ad aggiornare un’interfaccia utente. Malfunzionamenti o imprecisioni hanno conseguenze immediate, misurabili e regolamentate per legge. Questa complessità, tuttavia, è anche una forma di vantaggio. «Il settore finanziario era già abituato, molto prima dell’avvento dell’AI, a valutare ogni progetto tecnologico in termini di impatto sul business» – spiega Borgese. «Le banche non comprano più tecnologia ma soluzioni con risultati attesi. Questo significa che quando l’AI è entrata nel perimetro operativo ha trovato organizzazioni preparate a ragionare in termini di valore generato».

È su questa base che TAS sta evolvendo il proprio modello commerciale in tre direzioni. La prima è la costruzione di architetture scalabili e orientate al dato, capaci di misurare l’impatto delle soluzioni in modo trasparente al fine di costruire modelli di pricing sempre più allineati agli obiettivi reali del cliente. La seconda è la condivisione del valore: in alcuni casi, TAS sta esplorando modelli in cui parte del beneficio generato, in termini di maggiori ricavi o minori costi operativi, viene redistribuita tra fornitore e cliente, trasformando un rapporto da transazionale in una relazione di partnership. La terza è la scalabilità attraverso gli agenti. Ed è qui che Borgese introduce un cambio di prospettiva: «L’errore spesso diffuso è guardare agli agenti AI esclusivamente come strumenti di efficienza. Come una tecnologia che fa le stesse cose con meno persone. Questa lettura è parziale e nel lungo periodo rischia di essere anche fuorviante. Gli agenti non sostituiscono semplicemente le risorse umane, bensì le potenziano e moltiplicano».

L’esempio che porta è concreto: un istituto finanziario con mille promotori, che adotta agenti AI potrebbe acquisire la capacità e la copertura con moltiplicatore 5-10. «Ogni persona viene amplificata, non rimpiazzata. Il risultato non è un risparmio sul costo del lavoro, ma una crescita della capacità commerciale-professionale di raggiungere clienti che prima sarebbe stata impossibile da sostenere economicamente». Questa distinzione tra efficienza e moltiplicazione del valore è al centro di quello che Borgese identifica come grande opportunità per il settore finanziario.

«Le banche hanno avviato percorsi incentrati sull’efficienza e hanno orientato molto l’utilizzo dell’AI per ridurre i costi operativi, automatizzare processi ripetitivi, velocizzare flussi di lavoro, ma sono ancora poco focalizzate sulla seconda dimensione: utilizzare l’AI per generare nuove opportunità di business, aprire mercati che prima erano troppo costosi raggiungere e costruire modelli commerciali che senza l’intelligenza artificiale non sarebbero stati sostenibili». È lì, secondo Borgese, che si trova il valore più grande. E anche il lavoro più difficile da fare, «perché si richiede un cambiamento di cultura oltre che di architettura». Ma tutta l’efficienza generata dall’AI dove andrà a finire? «Se si tradurrà esclusivamente in tagli, in riduzione degli organici, in compressione dei costi, l’effetto netto sull’economia potrebbe essere molto negativo. Se invece verrà reinvestita in nuovi business, capacità di aprirsi a nuovi mercati, attirare più clienti allora potrà diventare un motore di crescita reale». Molto dipenderà dalle scelte che le aziende, non solo quelle tecnologiche, faranno nei prossimi anni.

L'articolo L’AI riscrive il software enterprise. La partita si gioca sul know-how dei processi proviene da Data Manager Online.

La differenza tra trasformazione e acquisto di una soluzione tecnologica è quasi sempre invisibile nei primi mesi. Un’azienda può installare piattaforme AI su ogni postazione, commissionare workshop, pubblicare comunicati stampa entusiasti e non cambiare nulla di sostanziale nel modo in cui le persone pensano, decidono, collaborano. I segnali di una trasformazione reale sono più sottili e più difficili da falsificare.

E coinvolgono anche le risorse umane. Il primo è la ridistribuzione del potere decisionale: le informazioni smettono di aggregarsi verso l’alto per essere interpretate dai livelli gerarchici superiori, e cominciano a circolare orizzontalmente, avvicinandosi a chi deve agire. Il secondo segnale è la tolleranza all’errore rapido: un’organizzazione che si trasforma davvero crea spazi dove fallire velocemente è accettato, perfino valorizzato, perché il fallimento precoce è il prezzo dell’apprendimento genuino. Un terzo segnale, forse il più raro, riguarda il linguaggio interno: cambia non solo l’estetica delle parole, ma il significato operativo che assumono. Si usano paroloni rispetto ai quali non esiste un riscontro nel concreto. Il punto è che non si parla più di “implementare l’AI” come si parlerebbe di installare un software, ma di ridisegnare processi, ripensare ruoli, ridefinire metriche.

Quando un’organizzazione smette di chiedersi “dove usiamo l’AI?” e comincia a domandarsi “come cambia il nostro modello operativo?”, allora ha intrapreso una strada di vera trasformazione. Laura Massironi, CEO di Nextea, e Alessandro Turetta, chief business & growth officer, accompagnano da anni le aziende in questo passaggio, rivelando quanto il cambiamento in corso sia più radicale e urgente di quanto molti vogliano ammettere.

COME RIPENSARE IL LAVORO

Il focus per Turetta è filosofico prima che tecnico. L’idea che l’intelligenza artificiale rappresenti una nuova “ontologia del lavoro” non è un’iperbole accademica ma il tentativo di descrivere qualcosa di concreto che sta accadendo dentro le organizzazioni, spesso senza che se ne abbia ancora piena consapevolezza. Nel linguaggio tecnico, l’ontologia definisce categorie, relazioni e significati all’interno di un dominio informativo, influenzando il modo in cui la conoscenza viene rappresentata e utilizzata.

«Mansioni, compiti, orari, esecuzione sono elementi che per decenni hanno strutturato l’organizzazione del lavoro e che oggi stanno perdendo il bordo netto che li definiva» – spiega Turetta. «L’intelligenza artificiale smantella completamente questo paradigma. Non si tratta più di eseguire, ma di orchestrare le proprie capacità e di farlo in una logica sempre più uomo-macchina, dove la persona rimane centrale e imprescindibile». Il cambiamento – per Turetta – definisce non solo ciò che si fa, ma ciò che si è. Cambiano i sistemi di valorizzazione, i percorsi di apprendimento, i criteri di inserimento in azienda. Cambiano anche i parametri con cui si valuta una persona: il fare, il decidere, il sapere assumono sfumature nuove quando una macchina è in grado di supportare o amplificare alcune di quelle funzioni. Non scompaiono, si ridefiniscono. E con essi evolve il ruolo stesso di chi li esercita. Il concetto di orchestrazione è centrale in questa visione. Si tratta di far interagire le proprie competenze con quelle del sistema in modo significativamente diverso rispetto al passato. L’uomo rimane al centro ma il suo valore non sta più nell’esecuzione, bensì nella capacità di indirizzare, interpretare, correggere, migliorare.

QUESTIONE DI APPROCCIO

Prima di parlare di intelligenza artificiale, è utile fare i conti con il percorso di trasformazione digitale che molte aziende hanno già attraversato. Troppo spesso questi percorsi vengono liquidati come fallimenti, esperienze inefficaci o semplici sprechi di risorse. Una lettura che, dopo anni di osservazione diretta, Laura Massironi, CEO di Nextea, non condivide. «Non ho mai trovato vuoti quei percorsi, che sono sempre utili per portare le aziende, soprattutto quelle nate con un forte imprenditore focalizzato sulle operations, a riflettere su aspetti gestionali che prima venivano trascurati».

Il problema non è il percorso in sé, ma l’approccio: «Interventi spot, privi di una visione d’insieme ampia e strutturata. L’intelligenza artificiale, invece, richiede qualcosa di profondamente diverso, perché impone un salto di maturità organizzativa e non solo tecnologica». La differenza è profonda. Per anni la digital transformation è stata identificata con l’adozione di nuove tecnologie. In realtà, anche l’aggiornamento di un sistema ERP, l’introduzione di un CRM o lo sviluppo di un e-commerce non sono mai stati semplici progetti IT, ma interventi capaci di ridefinire processi, responsabilità e modelli organizzativi. L’AI porta questa dinamica a un livello superiore: non cambia la natura della trasformazione, ma ne amplifica velocità, profondità e imprevedibilità, agendo sull’intero sistema.

La confusione nasce da un equivoco di fondo, cioè l’idea che fare trasformazione significhi adottare un nuovo strumento. Ma un tool, per quanto potente, non cambia l’organizzazione. Può farlo se è inserito in un percorso più ampio, con una direzione chiara, una guida credibile, e la volontà di ridefinire ruoli e responsabilità a tutti i livelli. Senza questi elementi, l’AI rimane una funzionalità in più in un sistema che non è cambiato.

Come si riconosce, allora, un’azienda che sta davvero cambiando? I segnali – secondo Massironi – arrivano quasi sempre dall’alto e riguardano le scelte organizzative e di leadership. «Un percorso di trasformazione autentico non è solo sponsorizzato dal CIO, ma dal vertice aziendale nel suo complesso. Quando vediamo organizzazioni che introducono figure come un chief digital innovation officer con un mandato realmente centrale e non puramente formale, leggiamo un segnale chiaro: la presenza di una consapevolezza diversa, la ricerca di un impatto reale che va oltre la sola ottimizzazione dei processi».

Questa distinzione, tra sponsorizzazione tecnica e di business, è decisiva. Quando l’iniziativa AI viene percepita come un progetto IT, rimane circoscritta. Ma se diventa una priorità del CEO e del Board, comincia a contaminare l’intera organizzazione: le domande e le riunioni cambiano, e così i criteri di valutazione delle persone. È da quel momento che la trasformazione diventa reale.

«La conoscenza non è uno stato, è un processo» – aggiunge Turetta. «I sistemi AI che si basano su ontologie e grafi di conoscenza, per quanto sofisticati, devono essere continuamente aggiornati, perché le aziende, i mercati, i clienti evolvono. Costruire una base di conoscenza strutturata diventa dunque una pratica organizzativa permanente. Costruire un’ontologia aziendale non è un progetto che si fa una volta sola. La conoscenza deve essere mantenuta viva e aggiornata».

Nextea, parte di Altea Federation, sta percorrendo questa strada anche al proprio interno. L’azienda è al lavoro per ridefinire la propria struttura organizzativa, investendo sulla gestione della conoscenza come asset strategico e posizionandosi non come fornitore di tecnologia ma custode e abilitatore di una strategia AI a lungo termine per i propri clienti. Una scelta che richiede coraggio, perché significa rinunciare alla logica del progetto chiuso e abbracciare quella dell’accompagnamento continuo.

IL SALTO CHE CAMBIA TUTTO

Nel 2025 il mercato enterprise accelera il passaggio dall’AI generativa ai sistemi agentici. La prima, ormai familiare grazie a chatbot e assistenti testuali, viene progressivamente affiancata e in parte superata da agenti capaci di eseguire attività operative in modo più rapido e con un minor margine di errore, pur restando necessaria una supervisione umana. L’AI generativa contribuisce a sdoganare questi temi, portandoli fuori dai contesti specialistici e rendendoli accessibili a un pubblico molto più ampio, fino a farli entrare nelle pratiche quotidiane di milioni di utenti. Ma crea un malinteso e cioè che l’intelligenza artificiale sia essenzialmente uno strumento per fare domande e ottenere risposte. Un assistente più sofisticato. Qualcosa da usare, non da integrare.

«L’AI generativa rappresenta la componente più visibile dell’intelligenza artificiale, ma non ne esaurisce le applicazioni» – spiega Turetta. «Quello che stiamo osservando è il passaggio dall’AI intesa come strumento di risposta all’AI che opera come agente, capace di generare valore attraverso output realmente contestualizzati. Per ottenere questo risultato è necessario mettere il sistema nelle condizioni di comprendere il significato dei concetti all’interno della realtà aziendale, costruirne le relazioni e definirne le regole di utilizzo. È qui che torna centrale il tema dell’ontologia, non come esercizio filosofico, ma come architettura della conoscenza aziendale».

CHI RESTA INDIETRO

La domanda che aleggia e che genera più ansia di qualsiasi altra riguarda quali figure professionali siano più esposte: chi rischia di perdere il lavoro e chi, invece, sarà costretto a reinventarsi radicalmente. La risposta di Massironi è più onesta di molte rassicurazioni retoriche. «Il rischio non è legato al ruolo in sé, ma all’attitudine» – spiega il CEO di Nextea. «Chi occupa una posizione fortemente operativa, centrata sull’esecuzione meccanica di attività ripetitive, è più esposto. Ma chi è disposto a interrogarsi su come migliorare il lavoro e su come far funzionare meglio i processi non ha nulla da temere. Le persone non perderanno il posto perché esiste l’AI, lo perderanno solo se il loro ruolo si riduce a inserire dati o replicare attività standardizzate. Se invece il contributo è comprendere, interpretare e migliorare, allora si apre uno spazio di evoluzione, non di sostituzione».

C’è però una categoria di figure che Massironi individua come più resistente al cambiamento: i middle manager. Non perché manchino di capacità, ma per una ragione precisa e comprensibile: la paura di perdere il controllo non della tecnologia, ma del proprio team e del proprio spazio nell’organigramma. Una paura che, se non gestita, diventa un freno potente a qualsiasi percorso di trasformazione: «Il cambiamento non si può imporre: si porta a bordo dimostrando benefici concreti sulla produttività e sulla capacità delle persone di gestire meglio il proprio lavoro quotidiano. Questo significa accompagnare l’adozione con interventi di rinforzo della leadership e della guida organizzativa. È un cambiamento reale, già in atto, che non può essere ignorato o escluso. E proprio perché lo si conosce, lo si può governare e valorizzare al meglio».

In un contesto in cui le mansioni lasciano spazio alle aree di responsabilità, il controllo non è più sull’esecuzione di compiti precisi ma sulla capacità di guidare un processo in evoluzione. L’AI può liberare i manager dall’esecuzione per restituire loro il tempo e lo spazio del pensiero strategico. C’è poi una seconda categoria di profili più resistenti, meno evidente: quelli con una forte vocazione alla compliance, alle procedure rigide e alla certezza normativa, spesso per eccesso di prudenza. Sono manager abituati a operare in contesti in cui l’errore ha conseguenze rilevanti, e per questo l’idea di sperimentare metodologie non ancora pienamente consolidate può generare disagio. Anche in questo caso, la leva non è l’imposizione ma l’accompagnamento: dimostrare che adottare l’AI non significa perdere il controllo dei sistemi, bensì dotarsi di nuovi strumenti di presidio, governance e verifica.

Sul fronte del recruiting, Turetta e Massironi concordano su un dato che sta ridisegnando i criteri di selezione in molte aziende: le soft skill diventano centrali almeno quanto le competenze tecniche specifiche. Empatia, capacità di gestione del cambiamento, leadership, intelligenza emotiva: chi valuta le persone basandosi ancora prevalentemente sulla conoscenza tecnica di un determinato sistema o strumento sta perdendo il punto fondamentale del momento che stiamo vivendo.

ERRORI DA EVITARE

Dopo anni di progetti AI, Turetta e Massironi hanno un occhio allenato per cogliere i segnali di allarme precoce. Il più comune è organizzativo. Se la prima risposta alla domanda “chi è lo sponsor di questa iniziativa?” è il nome di un responsabile IT o di un project manager di medio livello, il percorso è già in salita. La trasformazione AI richiede un mandato che venga dall’alto, con una visione chiara, risorse dedicate e la volontà di accettare che alcune cose cambieranno profondamente. «Non che le iniziative dal basso siano inutili» – chiosa Massironi. «Ma devono essere incanalate in un disegno più ampio. L’AI non si approccia con un intervento isolato. Richiede strategia».

Il secondo errore sistematico che Turetta osserva con più frequenza riguarda la formazione, o meglio, ciò che molte aziende scambiano per formazione. Il problema non è la mancanza di investimento in sé, ma il modo in cui quell’investimento viene concepito e distribuito. «Ho visto aziende con migliaia di dipendenti realizzare cinque video sull’AI, convinte di aver fatto formazione. Il risultato? Forse il 3% di chi li ha visti ha capito qualcosa di utile. Non funziona così. Bisogna identificare persone chiave, formarle in modo approfondito, farle diventare ambasciatori interni che guidano gli altri in modo strutturato. C’è bisogno di workshop, percorsi guidati, e una valutazione reale del livello di maturità dell’organizzazione rispetto all’AI».

La logica dei «Champions» applicata all’AI assume una valenza particolare. Le persone chiave non devono limitarsi a “usare” lo strumento, devono comprenderlo per sostenerne l’adozione anche quando incontra resistenze, gestendo in modo credibile domande, dubbi e timori dei colleghi. Nextea ha sviluppato un sistema strutturato per questo: individuare i cluster di competenza che devono crescere in una determinata organizzazione, capire il punto di partenza reale, e definire una traiettoria concreta e realistica. Non è un approccio standardizzato e non funziona per tutte le realtà.

La differenza tra “vedere” e “capire” è fondamentale. Vedere significa rimanere spettatori di una tecnologia, mentre capire comporta l’entrare in una logica completamente diversa: domandarsi cosa cambia per la propria azienda, quali processi si possono ridisegnare, quali competenze occorre sviluppare, quale visione si vuole costruire. «Perché una volta che hai capito cosa vuoi fare e dove vuoi arrivare, smetti di rincorrere ogni nuova funzionalità e costruisci qualcosa di solido. l’AI agentica non si compra, non si installa, non si spiega in un video. Si abita» – spiegano i vertici di Nextea. Una dimensione nuova del lavoro, del ragionamento, della decisione. Ma anche una nuova generazione di leader in grado di guidare il cambiamento, senza essere travolti.

L'articolo Nextea, l’AI agentica non si compra, si abita proviene da Data Manager Online.