Molti progetti di intelligenza artificiale falliscono non per carenze tecnologiche, ma per un vuoto strategico fondamentale: la mancanza di un collegamento diretto tra sofisticazione tecnica e obiettivi di business. Troppo spesso si decide come misurare il successo solo a progetto avviato, quando le scelte architetturali sono ormai difficili da correggere. L’innovazione autentica richiede invece di invertire la rotta, definendo prima il traguardo economico e le metriche di performance, per poi scegliere le tecnologie più adatte. Questo approccio, definibile come “backward engineering from impact”, pone al centro il risultato desiderato piuttosto che lo strumento utilizzato.

“Un caso esemplare” ci dice Marco Appetito, Digital Innovation & Architetture Applicative Competence Center Director di Aubay, “è rappresentato da un’azienda del settore energetico che ha affrontato il problema del churn, ovvero l’abbandono dei clienti. Invece di limitarsi a implementare un algoritmo, l’azienda ha stabilito un obiettivo numerico preciso: ridurre il churn volontario del 15% in un anno”. La soluzione tecnica, basata su un “gemello digitale” del cliente che raccoglie segnali da ogni canale di contatto, è stata costruita interamente attorno a questa necessità, trasformando i dati in suggerimenti operativi personalizzati che evolvono con l’esperienza.

La costruzione di un modello predittivo non è un esercizio accademico, ma il completamento di una serie di scelte strategiche basate su calcoli economici. “Ad esempio, decidere la soglia di probabilità per intervenire su un cliente a rischio dipende dal bilanciamento tra il costo del contatto e il valore del cliente recuperato. Nel caso energetico citato, il sistema monitora i risultati su tre livelli: quotidianamente si analizzano i dati operativi, settimanalmente la salute dell’algoritmo e mensilmente l’impatto reale sul tasso di abbandono rispetto a un gruppo di controllo”.

Quest’ultimo elemento è cruciale per isolare l’effetto dell’IA da altri fattori esterni, come campagne marketing concomitanti. Senza un gruppo di esclusione, è impossibile attribuire con certezza il merito dei miglioramenti alla tecnologia. Il dialogo tra competenze tecniche e di business deve quindi vertere su domande scomode: meglio disturbare un cliente che non se ne sarebbe andato o rischiare di perderne uno certo? “La risposta non risiede nel codice, ma nella strategia aziendale e nella conoscenza profonda dei costi operativi” continua Appetito.

“È facile innamorarsi di numeri impressionanti”, continua il manager, “ma se il modello poi non sposta i numeri del business a cosa serve? Ho visto sistemi di raccomandazione con performance tecniche eccellenti che non hanno generato un euro in più di fatturato, perché raccomandavano prodotti che i clienti avrebbero comunque comprato. La metrica giusta non è quella che fa colpo nelle presentazioni ma quella collegata direttamente all’obiettivo di business”.

È evidente come il successo della trasformazione digitale si misuri con i numeri del bilancio, non con la complessità dell’architettura. “Un errore frequente è la sovra-ingegnerizzazione, ovvero l’utilizzo di sistemi real-time o distribuiti estremamente complessi dove basterebbero elaborazioni notturne o modelli statistici classici”. La complessità va giustificata dal valore aggiunto che produce, poiché comporta costi elevati di manutenzione e competenze. Inoltre, è fondamentale considerare l’invecchiamento dei modelli: un sistema addestrato su dati passati perde efficacia se i comportamenti del mercato evolvono, richiedendo un piano di aggiornamento costante. “Un modello addestrato su dati del 2023 potrebbe funzionare male su dati del 2025. I comportamenti cambiano, i mercati evolvono, i contesti mutano”.

Per Aubay, prima di investire, ogni organizzazione dovrebbe chiedersi se l’obiettivo è spiegabile in una frase, se è misurabile in modo continuo e se si sta cercando la soluzione più semplice possibile. Partire dai KPI garantisce che, indipendentemente dall’esito, l’azienda acquisisca una comprensione profonda dei propri processi, distinguendo l’innovazione reale dal semplice “teatro dell’innovazione”, privo di impatto concreto. Se è importante guidare investimenti significativi in tecnologie emergenti, “l’unico modo sostenibile per farlo è costruire una cultura dove ogni progetto deve dimostrare il proprio valore. Non nelle slide ma nei risultati. Non nelle promesse ma nelle misure”.

L'articolo Trasformazione digitale e IA secondo Aubay: partire dai KPI per creare vero impatto proviene da Data Manager Online.

Intelligenza artificiale, servizi automatizzati, risposte veloci e puntuali. Il rischio è quello di mettere il contatto umano da parte, quasi subordinato alla tecnologia. Uno scenario da evitare con una logica “customer-centrica”, la stessa adottata da Aubay. L’azienda ha presentato la sua nuova offerta per i servizi IT, networking e cybersecurity, denominata ETNA (Ecosystem of Technologies for Next-gen Assistance), con l’obiettivo di ridefinire la gestione dei servizi attraverso un modello basato su proattività, scalabilità e automazione, con un forte legame territoriale. E infatti ETNA risiede nel Polo Tecnologico Siciliano, a Catania, con funzione di competence center nearshore. Sfruttando le sinergie tra la formazione specialistica locale e le politiche del lavoro del territorio, la struttura permette ad Aubay di proporre un rapporto qualità-prezzo competitivo rispetto ad altre soluzioni di outsourcing e servizi gestiti.

Ma come mai la scelta della Sicilia? «Qui abbiamo notato un numero crescente di opportunità di formazione e di reskilling» – risponde Roberto Capone, account director Telco di Aubay Italia. «Questo ci ha portato a investire in un territorio fertile dal punto di vista dell’innovazione, anche grazie alla disponibilità di competenze in crescita». E i risultati si vedono: «Il turnover è nullo, segno che il contesto e l’equilibrio tra vita e lavoro rafforzano la motivazione e la permanenza dei talenti».

I TRE PILASTRI DELL’ECOSISTEMA

L’approccio generale di ETNA si fonda sull’integrazione delle competenze e si sviluppa attorno a diverse aree funzionali interconnesse. Partiamo dalla Customer-Centric Evolution, che pone l’utente finale al centro della progettazione di servizi IT e di sicurezza: «Il nostro supporto si traduce in un approccio che anticipa le necessità, un monitoraggio costante della qualità del servizio tramite KPI e feedback, ed una profilazione che si adatta ai comportamenti».

Strettamente collegato è lo Smart Workflow & Process Automation, che – prosegue Capone – «sfrutta automazione e orchestrazione per ottimizzare i flussi di lavoro, con l’obiettivo di ridurre i tempi di risoluzione degli incidenti e aumentare l’efficienza operativa». Grazie a tecnologie come AIOps, machine learning e Soar, Aubay riesce a potenziare la gestione degli incidenti di sicurezza, automatizzando le risposte tramite playbook predefiniti che si integrano con SIEM, firewall ed endpoint. «L’interazione dell’utente è gestita dall’accoglienza digitale, che mira a rendere il contatto con il servizio fluido ed efficace» – spiega Capone. Questo concetto di “service excellence” si realizza tramite un accesso omnicanale intelligente, la digitalizzazione dei processi di assistenza (ad esempio tramite chatbot) e una gestione personalizzata delle esperienze basata sui profili utente.

Per finire, l’intera struttura poggia sul Compliance & Security-First Approach che assicura l’erogazione dei servizi nel rispetto rigoroso di standard e normative come ISO 27001, NIS2 e GDPR. L’approccio include l’integrazione della sicurezza in ogni fase, piani di resilienza e disaster recovery per la continuità operativa, e l’uso della threat intelligence per anticipare le vulnerabilità e mitigare i rischi.

L’OPERATIVITÀ DI ETNA

«Dal punto di vista operativo, l’organizzazione di ETNA prevede servizi di presidio su diversi ambiti tecnologici, partiamo dalle attività di Help Desk, Service Desk, NOC e SOC attivi H24 e 7/7, con lo stesso approccio affrontiamo le attività di Operations, infrastrutturale ed applicativo, così come l’ambito del Quality & Validations, con un team di quasi 220 tecnici specializzati, continuamente formati e aggiornati, in grado di fornire assistenza multilingue, coprendo italiano, inglese, spagnolo, francese, polacco, cinese e portoghese» – spiega Capone.

Aubay porta in dote casi d’uso reali, soprattutto nel mondo bancario e telco, dove le sue soluzioni stanno già producendo risultati misurabili. «Gestiamo i servizi di ticketing IT per Network e Security Systems per istituti di credito nazionali. Stiamo attivando in questi giorni servizi di NOC e Service Desk per un primario cliente che opera nei Servizi Postali, finanziari e assicurativi». Nel comparto telco spicca la collaborazione con Fastweb+Vodafone e Retelit: «Aubay gestisce l’help desk mobile e fissa per aziende e utenti consumer, realizza strumenti di monitoraggio proattivo della rete e mette a disposizione technical service manager per i clienti corporate e pubblici più strategici».

L'articolo Cybersecurity e servizi gestiti, Aubay punta su ETNA proviene da Data Manager Online.

È passato solo qualche anno dalla disponibilità globale dei sistemi di intelligenza artificiale generativa eppure, dal punto di vista del dietro le quinte, del prompt, sembra passato un secolo. In una fase iniziale, quasi pionieristica, l’interazione e la “programmazione” dei potenti sistemi avvenivano quasi esclusivamente attraverso quello che Aubay definisce “prompt engineering manuale”. Un approccio, che potremmo definire “artigianale”, che ha visto la nascita di sistemi, anche molto complessi, che facevano totale affidamento su un unico, lungo e spesso monolitico prompt. L’intero successo dell’applicazione dipendeva dall’abilità dell’LLM di interpretare correttamente quella complessa serie di istruzioni e fornire una risposta adeguata. Questo, ha creato la pericolosa illusione che l’IA fosse diventata “facile” da programmare e governare, che bastasse assumere un “artista delle parole” per risolvere magicamente complessi problemi di business.

“Oggi non è più possibile” ci dice Alkid Zenuni, Specialist AI del Competence Center Data & Artificial Intelligence di Aubay. “Ciò che funziona per un prototipo o un PoC si scontra con la realtà. Con la crescente complessità delle applicazioni e la loro migrazione verso ambienti live, i limiti di questo approccio artigianale sono emersi in maniera evidente. Si è finalmente compreso che un progetto di GenAI non è diverso da qualsiasi altro progetto software: deve soddisfare requisiti rigorosi, tra cui affidabilità, sicurezza e manutenibilità per poter funzionare in un contesto aziendale reale”.

Diverse analisi di settore indicano che una percentuale altissima di progetti AI, dall’80% fino al 95%, fallisce nel passaggio alla produzione o non genera valore misurabile. “Il motivo?” continua Zenuni. “Un prompt scritto a mano è come codice hard-coded: non è scalabile, non è sicuro e si ‘rompe’ non appena l’input del mondo reale varia minimamente, o non appena il modello sottostante viene aggiornato. Non è un approccio affidabile”

La creazione manuale è un processo lento, interamente basato su tentativi ed errori, molto più simile a un lavoro di bottega che a uno sviluppo software. Questo può andar bene per un singolo caso d’uso, ma diventa ingestibile quando si devono costruire sistemi complessi con decine di prompt interconnessi che dipendono l’uno dall’altro, ad esempio nell’agenti IA.

Una nuova era

La soluzione, che è il cuore della filosofia adottata dal Competence Center Data & AI di Aubay, è un cambio di paradigma: “Dobbiamo trattare i progetti di GenAI esattamente come i progetti software, applicando gli stessi principi rigorosi di ingegneria” continua Zenuni. Framework moderni, come quello sviluppato internamente da Aubay, introducono un approccio completamente nuovo che si basa sulla separazione netta tra l’intento e l’implementazione.

In questo approccio, l’ingegnere AI non scrive più la stringa di testo del prompt (l’implementazione, il “come”). Scrive invece codice dichiarativo che definisce la struttura logica del programma e l’obiettivo (l’intento, il “cosa”). “Il prompt smette di essere codice sorgente scritto a mano,” aggiunge Zenuni, “e diventa un parametro che il sistema deve ottimizzare, esattamente come i pesi di una rete neurale. Il prompt finale inviato all’LLM è solo un artefatto di compilazione, generato automaticamente per massimizzare le performance.”

Questo processo trasforma il prompt engineering da un’arte oscura e manuale a un processo scientifico, automatizzato e ripetibile. Per avviarlo servono due elementi fondamentali: il primo è un piccolo set di dati di training, che può essere composto anche solo da poche decine di esempi di input e output corretti. Il secondo è una metrica di valutazione, ovvero una funzione che assegna un punteggio alla qualità dell’output.

A questo punto entra in gioco il “compilatore”, ovvero l’ottimizzatore. “Questo sistema esplora automaticamente un vasto spazio di possibili prompt, testando sistematicamente diverse istruzioni, provando a inserire diversi esempi few-shot e sperimentando diverse catene di ragionamento”. Al termine di questo processo di esplorazione, il sistema compila e restituisce l’artefatto finale: il prompt, o un’intera catena di prompt per sistemi agentici, che massimizza la metrica di valutazione su quel compito specifico e per quel modello LLM specifico.

Algoritmi avanzati come GEPA (Genetic-Pareto) rappresentano il motore del procedimento. “Questo algoritmo si ispira a quelli genetici,” chiarisce Zenuni. “Invece di testare variazioni casuali, ‘evolve’ i prompt in modo iterativo. Ma il suo vero punto di forza è la riflessione in linguaggio naturale. A differenza di altri metodi che ricevono solo un punteggio numerico, l’ottimizzatore GEPA analizza perché un prompt ha fallito. Utilizza un LLM ‘giudice’ per leggere le tracce di esecuzione e chiedersi: ‘L’errore è dovuto a un passo di ragionamento mancante? L’istruzione era ambigua?’

Sulla base di questa riflessione, GEPA genera “mutazioni” intelligenti, ovvero nuove versioni del prompt mirate a correggere l’errore specifico. Questo approccio non è solo efficiente, risultando fino a 35 volte più efficiente in termini di campioni necessari, ma anche capace di raggiungere prestazioni finali superiori del 10-20% rispetto a metodi basati su Reinforcement Learning come GRPO.

Ma perché l’ottimizzazione funziona così bene? “La risposta è affascinante,” afferma Zenuni. “Questi LLM possiedono una conoscenza latente vastissima, ma non sanno come attivarla finché non glielo chiediamo nel modo giusto. Un prompt manuale è un’istruzione ambigua, imprecisa. L’ottimizzazione, invece, non insegna nuove informazioni al modello; progetta un processo ottimale affinché il modello utilizzi la conoscenza che già possiede. Scopre algoritmicamente la formulazione e la struttura di ragionamento che attivano in modo affidabile i percorsi neurali corretti“.

Secondo Aubay, l’adozione di un approccio programmatico all’ottimizzazione dei sistemi GenAI sblocca un valore di business tangibile e immediato. Il primo è una riduzione significativa dei costi. “L’ottimizzazione spinta consente infatti di utilizzare gli SLM (Small Language Models), spesso open-source, per ottenere performance che sono confrontabili a quelle di modelli proprietari molto più grandi, potenti e costosi”.

Un esempio reale chiarisce la portata di questo cambiamento: un importante retailer europeo aveva sviluppato un sistema di categorizzazione prodotti basato su GPT-4, scontrandosi però con costi insostenibili e problemi di privacy legati al cloud. Applicando l’ottimizzazione automatica, l’azienda è riuscita a migrare il sistema su un modello open-source. Il risultato? Ha mantenuto la stessa accuratezza del modello originale, ma ha ridotto i costi del 92% e ha potuto spostare l’intera infrastruttura on-premise, garantendo la totale sovranità sui propri dati.

Questo caso dimostra come l’ottimizzazione abiliti direttamente il secondo grande vantaggio: la privacy. Potendo usare modelli più piccoli, il deploy on-premise diventa fattibile; i dati sensibili non lasciano mai l’infrastruttura aziendale e si evita il vendor lock-in.

Oltre ai costi, c’è un guadagno in affidabilità e qualità. I sistemi “compilati” sono ottimizzati specificamente per essere coerenti e robusti su un compito, eliminando l’inaffidabilità e l’imprevedibilità dei prompt manuali e migliorando drasticamente la fiducia dell’utente finale. Questo porta anche a un’accelerazione del time-to-market. “Si elimina il ciclo manuale, lento e imprevedibile, di tentativi ed errori e lo sviluppo di applicazioni IA diventa un processo ingegneristico, rapido, iterabile e prevedibile”. Infine, questo approccio garantisce manutenibilità e robustezza futura. Quando si vuole usare un nuovo modello, o anche una nuova versione dello stesso modello, non è più necessario ricominciare da zero a riscrivere i prompt manualmente. È sufficiente “ricompilare” il programma, ovvero rieseguire l’ottimizzatore, che troverà automaticamente i nuovi prompt ottimali per il nuovo modello.

Un futuro “prompt-free”

Guardando al futuro, l’evoluzione della GenAI in produzione sta andando in una direzione molto chiara: la completa astrazione del prompt. Stiamo assistendo alla fine del “prompt engineering” manuale come lo conosciamo? “Si, è probabile” conclude Zenuni “anzi lo spero. I veri AI Engineers del futuro si concentreranno sulla progettazione di sistemi complessi, sulla definizione di metriche di valutazione accurate e sulla costruzione di flussi di dati, non sulla scrittura di stringhe di testo. Il prompt diventerà un semplice artefatto di compilazione. Proprio come oggi nessuno sviluppatore scrive più in linguaggio macchina o in assembly, presto smetteremo di scrivere prompt a mano. Scriveremo codice dichiarativo di alto livello per esprimere il nostro intento, e un compilatore di GenAI gestirà l’interazione con qualsiasi LLM, che si tratti di testo, immagini o altri tool, in modo completamente trasparente.

L'articolo Oltre il prompting manuale: l’IA di Aubay che funziona in produzione proviene da Data Manager Online.

Il settore del retail si è evoluto oltre la semplice transazione di scambio tra venditore e acquirente, trasformandosi in un ecosistema in continuo mutamento dove convergono bisogni concreti, desideri personali e nuove aspettative dei consumatori. L’esperienza d’acquisto moderna non si limita al prodotto; i clienti ricercano ormai una combinazione di comodità, velocità, coinvolgimento e, in misura crescente, coerenza con i propri valori. Oltre alle necessità tradizionali come qualità, prezzo e disponibilità, sono emerse richieste imprescindibili per servizi personalizzati, trasparenza sulle filiere produttive e una chiara attenzione alla sostenibilità. Non è più sufficiente offrire un buon prodotto; i consumatori cercano di sentirsi ascoltati e riconosciuti, puntando a instaurare un vero e proprio rapporto di fiducia con i brand.

In questo scenario dinamico, i dati rappresentano la chiave indispensabile per comprendere e anticipare i comportamenti dei clienti. Senza informazioni affidabili, le aziende operano in una condizione di incertezza, rischiando di generare sprechi, errori e, in ultima analisi, di perdere credibilità sul mercato.

Le sfide del fashion e oltre

Quando pensiamo alla moda, la prima immagine è quella di stoffe preziose, collezioni che sfilano veloci e creatività che si rinnova stagione dopo stagione. Eppure, dietro a ogni capo c’è un altro “tessuto” invisibile ma fondamentale: quello dei dati. Ordini di acquisto, materie prime, processi produttivi, logistica. È un intreccio complesso che, se non gestito in modo intelligente, rischia di trasformarsi in un groviglio difficile da governare.

“C’è molta attenzione oggi su tutta la filiera che guida il mondo del retail, in modo particolare del fashion” afferma Nicola Ardito, Data Architect e Manager del Centro di Competenza Data & Artificial Intelligence di Aubay. “I dati nel fashion trascendono la semplice funzione di controllo; diventano una vera e propria leva strategica che permette alle aziende di prendere decisioni più incisive e coerenti con la direzione intrapresa”. Per Aubay, la trasformazione in una data driven company offre vantaggi significativi, con alcune ricerche che indicano come le imprese capaci di utilizzare i dati in modo strutturato possano migliorare l’efficienza operativa fino al 20-30%. Tuttavia, parallelamente all’evoluzione del mercato, anche il modo di gestire e interpretare i dati deve evolvere. “Nuovi paradigmi tecnologici e organizzativi stanno ridefinendo la capacità di adattamento al cambiamento, elevando la gestione dei dati a fattore chiave per affrontare le sfide del futuro”.

Il mondo del fashion rappresenta un laboratorio particolarmente evidente, ma le stesse sfide riguardano anche altri settori ad alta complessità: dal manufacturing, dove la gestione della supply chain è cruciale, fino alle utility e al finance, dove i dati in tempo reale diventano leva di efficienza e fiducia. In tutti questi contesti, il Data Mesh consente di superare la rigidità dei modelli centralizzati e creare un flusso informativo agile e affidabile.

Il Data Mesh come nuovo approccio strategico

Aubay accompagna i clienti verso un cambio organizzativo volto a decentralizzare la gestione delle informazioni. Il motivo? “Centralizzare tutto nel reparto IT vuol dire riferirsi solo ad un soggetto per la canalizzazione delle informazioni e l’estrazione di valore da queste. Emerge allora il Data Mesh, ossia un approccio che richiede un profondo cambiamento culturale e organizzativo nelle imprese; ridefinisce la gestione dei dati creando un vero e proprio tessuto digitale che permette alle informazioni di scorrere liberamente tra tutti i dipartimenti, “in modo analogo ai fili che compongono un capo di abbigliamento” conferma il manager. Alcune attività restano centralizzate ma con un flusso allargato.

“Questa soluzione si fonda su quattro caratteristiche principali che guidano la sua architettura e il suo modello di governance”. Si parte dalla Domain Ownership, dove la responsabilità sui dati viene assegnata ai team che sono più vicini al dato stesso. “Ogni team, organizzato in base al dominio di business (come ad esempio manufacturing o sales), diventa il custode dei propri dati. Questo approccio supporta la scalabilità e i cambiamenti continui, garantendo autonomia e responsabilità distribuita”. Poi il Data as Product, dove i dati analitici vengono trattati come un prodotto, e i loro consumatori come clienti. “L’obiettivo è creare un prodotto di dati che sia accessibile, affidabile, comprensibile e che, soprattutto, fornisca valore al business.

Il terzo pillar è il Self-Serve Data Infrastructure. “Qui la creazione e la gestione devono essere semplificate attraverso l’automazione infrastrutturale. Una piattaforma Data Mesh, coadiuvata da un team centrale, supporta l’intero ciclo di vita del Data Product – dal provisioning al deploy, fino al mantenimento e alla condivisione con altri domini o consumatori”. Infine, la Federated Computational Governance, dove la gestione non è più centralizzata ma collaborativa. “I vari domini e il team di piattaforma lavorano insieme per definire, implementare e monitorare regole globali relative a qualità, sicurezza, regolamentazioni e modellazione dei dati. Il risultato di questo approccio è un ecosistema trasparente e scalabile, in cui i dati si trasformano in insight immediatamente utilizzabili lungo l’intera filiera”. Per tradurre questa complessità in valore, è fondamentale il supporto di esperti in grado di interpretare i nuovi paradigmi e trasformarli in benefici concreti, facendo sì che i dati diventino il filo che unisce strategia, innovazione e futuro digitale dell’organizzazione.

Una roadmap consapevole verso l’IA

Per Ardito, adottando il Data Mesh come paradigma globale, l’azienda costruisce una base dati affidabile, coerente e facilmente accessibile. I benefici primari includono decisioni rapide e autonome, una maggiore qualità e accuratezza dei dati, trasparenza e collaborazione tra i team, e una fondamentale scalabilità delle soluzioni. “Il Data Mesh funge anche da protagonista di una strategia di abilitazione consapevole dell’intelligenza artificiale. Una moderna Data Platform costruita su questi principi consente infatti di sfruttare l’IA in una vasta gamma di casi d’uso: dalla previsione accurata della domanda, all’ottimizzazione degli stock e dell’intera supply chain, fino alla possibilità di prendere decisioni strategiche basate su dati concreti e non su mere supposizioni.

Conclusione

Il Data Mesh rappresenta molto più di un’evoluzione tecnica: è un cambio di mentalità che consente alle aziende di diventare più veloci, sostenibili e realmente data-driven. Con il Data Mesh, si combinano la creatività tipica di settori come la moda con la precisione del dato in ogni ambito aziendale, trasformando gli insight in azioni concrete a vantaggio del business.

Aubay si propone come partner strategico per accompagnare questa trasformazione, unendo competenze tecnologiche e conoscenza dei settori per tradurre la complessità dei dati in valore concreto e duraturo.

L'articolo Data Mesh: il nuovo tessuto digitale che connette dati e business proviene da Data Manager Online.

Nonostante l’afflusso di capitali, che si stima tra i 30 e i 40 miliardi di dollari, l’investimento nelle tecnologie di intelligenza artificiale generativa, o GenAI, non sta producendo i risultati sperati. Un dato che emerge dal rapporto “State of AI in Business 2025” del Mit: il 95% dei progetti lanciati dalle aziende non riesce a generare un impatto concreto e misurabile sul loro bilancio. La ricerca, basata sull’analisi di oltre 300 iniziative di intelligenza artificiale e su un’ampia raccolta di dati da interviste e questionari, ha messo in luce una profonda frattura, che è stata definita il “GenAI Divide”.

Questo divario separa un piccolissimo gruppo di successi dall’enorme massa di insuccessi. Soltanto un esiguo 5% dei progetti pilota, infatti, è riuscito a superare la fase iniziale e a integrarsi con successo nei processi aziendali, generando ritorni economici significativi. Al contrario, la maggior parte delle iniziative rimane in una fase di stallo, incapace di tradurre il potenziale tecnologico in valore reale. Da cosa dipende? Non tanto dalla qualità dei modelli di intelligenza artificiale o nella complessità delle normative ma dall’approccio che le aziende adottano. Il fallimento di tanti progetti non è un limite della tecnologia in sé ma una conseguenza di una strategia d’implementazione inadeguata.

“Servono competenze cross, che non possiamo più definire solo tecnologiche o strategiche” ci dice Marco Appetito, Digital Innovation & Architetture Applicative Competence Center Director di Aubay. “In tal senso, diventa centrale il ruolo della consulenza, che può unirsi a quello della tecnologia per creare valore”.  Quello che oggi vediamo è una proliferazione di soluzioni tecnicamente eleganti ma strategicamente poco utili, sviluppate senza un legame chiaro con obiettivi misurabili. Questa inversione di priorità condanna i progetti fin dalla loro concezione, trasformando l’IA in un esercizio accademico piuttosto che in uno strumento di crescita.

La questione dei dati rappresenta un altro tassello fondamentale. Gli algoritmi di machine learning dipendono dalla qualità delle informazioni su cui vengono addestrati, eppure molte aziende sottovalutano sistematicamente l’importanza di una data governance solida. “Dataset incompleti, inconsistenti o di scarsa qualità diventano la base fragile su cui costruire modelli predittivi destinati al fallimento. In numerosi casi si scopre troppo tardi che l’organizzazione non dispone delle infrastrutture necessarie per raccogliere, pulire e gestire le informazioni in modo efficace”.

Il problema dell’isolamento e della scalabilità

Un elemento ricorrente nei fallimenti dell’IA è la tendenza a confinare i progetti in laboratori di innovazione o piccoli team specializzati, senza mai integrarli nei processi operativi dell’azienda. “Questi proof of concept rimangono isolati dal resto dell’organizzazione” continua Appetito “incapaci di scalare e di generare impatti trasversali. L’entusiasmo iniziale si scontra con la difficoltà di tradurre i risultati sperimentali in soluzioni operative, creando frustrazione e perdita di credibilità interna”.

La frammentazione delle competenze aggrava ulteriormente il problema. L’implementazione efficace dell’IA richiede team ibridi che combinino expertise tecnica, conoscenza del dominio applicativo e capacità manageriali. “Troppo spesso questi elementi rimangono separati, impedendo quella contaminazione di saperi necessaria per tradurre le potenzialità tecnologiche in risultati concreti. Data scientist brillanti lavorano in isolamento rispetto agli esperti di business, mentre i manager faticano a comprendere le implicazioni operative dei modelli sviluppati”.

L’assenza di una struttura di governance completa definisce il quadro delle criticità. “Senza KPI chiari, senza sponsor interni forti, senza un modello di monitoraggio continuo, diventa impossibile misurare davvero il valore generato. I progetti rimangono senza una direzione precisa, perdendo credibilità all’interno delle stesse aziende che li hanno avviati”.

Verso un nuovo paradigma di implementazione

Per Appetito, la trasformazione richiede dunque un ripensamento radicale dell’approccio all’IA, basato su quattro pilastri fondamentali che possono invertire la tendenza al fallimento. Il primo elemento riguarda l’allineamento strategico: ogni progetto deve nascere da una chiara comprensione del valore che può generare per il business. “L’IA deve servire la strategia aziendale, non rappresentare un esperimento tecnologico fine a sé stesso. Questo significa identificare use case concreti e misurabili, capaci di impattare tanto sull’efficienza interna quanto sull’esperienza del cliente”.

Le architetture digitali scalabili costituiscono il secondo pilastro di questo nuovo approccio. I progetti devono essere concepiti fin dall’inizio con una visione sistemica, progettati per crescere insieme al business e integrarsi con i sistemi esistenti. “Solo superando i limiti dei prototipi isolati è possibile costruire vere piattaforme di innovazione che generino valore duraturo nel tempo”.

“Il terzo elemento fondamentale riguarda la costruzione di infrastrutture dati robuste e affidabili. Investire in processi di raccolta, pulizia e gestione delle informazioni significa creare le fondamenta per modelli accurati e decisioni affidabili”. Senza questa base solida, anche i progetti più ambiziosi sono destinati a fallire indipendentemente dalla sofisticatezza degli algoritmi utilizzati.

“Infine, la centralità delle persone rappresenta il quarto pilastro di questa trasformazione. L’IA deve essere progettata per supportare i decisori umani, non per sostituirli. Questo implica promuovere un cambiamento culturale che accompagni quello tecnologico, favorendo l’accettazione e l’adozione degli strumenti da parte di chi dovrà utilizzarli quotidianamente”. Attraverso questo approccio antropocentrico è possibile trasformare la resistenza in collaborazione.

“In Aubay, la creazione di Centri di Competenza dedicati è una conseguenza diretta di queste sfide” conclude il manager. “Questi centri si occupano di tradurre il linguaggio della tecnologia in valore aziendale, creando percorsi che riducono i rischi e aumentano le possibilità di successo. Non si tratta di proporre soluzioni standardizzate, ma di lavorare in stretta sinergia con le organizzazioni per creare architetture resilienti e flessibili, in grado di evolversi con l’evoluzione delle esigenze aziendali”.

L’integrazione tra competenze tecnologiche e conoscenza settoriale diventa così il catalizzatore per team ibridi in grado di coniugare innovazione e pragmatismo. “Come consulenti, crediamo che il nostro ruolo sia guidare le imprese in questo percorso. Non si tratta di correre dietro all’ultima tecnologia, ma di costruire strategie solide, di integrare soluzioni nei processi, di generare risultati tangibili e misurabili. Il passaggio necessario è quello da progetti sperimentali a strategie strutturate, da iniziative isolate a modelli integrati e sostenibili”.

L'articolo Aubay oltre il GenAI Divide: come superare il 95% di insuccessi nell’AI proviene da Data Manager Online.

Negli ultimi dieci anni abbiamo assistito all’esplosione delle tecnologie emergenti: intelligenza artificiale, big data, IoT, blockchain. Le aziende si sono spesso avvicinate a queste soluzioni con logiche sperimentali, spinte dal desiderio di “stare al passo”, spesso solo per poterne parlare e senza disporre di un disegno organico. È stato un passaggio necessario, ma oggi questo approccio “tech-first” non basta più.

Entrando nel merito specifico dell’AI, i dati del rapporto pubblicato a luglio “State of AI in Business 2025” del MIT, frutto di una ricerca svolta nei primi sei mesi di quest’anno, hanno evidenziato come il 95% dei progetti di intelligenza artificiale non riesca a generare valore tangibile. Considero questo non un limite tecnologico, ma il risultato di approcci inadeguati. L’elemento distintivo non è l’adozione della tecnologia, ma il modo in cui l’organizzazione la integra nella propria struttura decisionale, operativa e culturale.

La tecnologia deve essere un fattore di governo, non solo di supporto. Deve aiutarci a prendere decisioni migliori, più rapide e coerenti, diventando una vera architettura del cambiamento. Nel settore bancario, per esempio, l’AI predittiva sta rivoluzionando la valutazione del rischio creditizio, con riduzioni significative delle transazioni fraudolente. Ma il vero salto di qualità è culturale: l’IT deve diventare parte integrante della catena del valore e non essere percepito solo come centro di costo.

L’elemento chiave oggi è la capacità di costruire sistemi decisionali intelligenti, capaci di integrare dati, modelli predittivi e feedback umani in quella che possiamo chiamare intelligenza distribuita. Ma attenzione: senza una data governance solida, anche i progetti più ambiziosi falliscono. Dataset incompleti o inconsistenti diventano la base fragile su cui costruire modelli inefficaci.

#ceosuite Il 95% dei progetti #AI non genera valore. Francesco Cinquegrani #AubayItalia #AIadoption
Click To Tweet

La tecnologia non sostituirà il pensiero umano, ma lo estenderà. Preferisco vedere l’AI come un fattore di accelerazione efficace delle capacità umane, che sicuramente integra e non necessariamente sostituisce. È come un pilota automatico che gestisce efficacemente le operazioni standard, ma in situazioni complesse è l’expertise umana a prendere il controllo, almeno questo è il mio auspicio.

L’esperienza quotidiana di Aubay al fianco di grandi realtà che operano nel banking, telco, utility e industry ci insegna che la chiave non è mai solo tecnica. Il valore si crea quando la tecnologia viene inserita in un contesto di visione condivisa e capacità di adattamento continuo.

Non possiamo più pensare in termini di progetti chiusi. Le organizzazioni innovative stanno abbandonando questa logica per adottare modelli evolutivi, basati su piattaforme scalabili e sperimentazione continua. La logica non è più “costruire e mantenere”, ma “co-creare e adattare nel tempo”, trasformando ogni progetto in una piattaforma evolutiva. A tale scopo la governance tecnologica deve unirsi strutturalmente alla gestione del capitale umano. Formazione continua, upskilling e leadership diffusa diventano elementi centrali quanto le piattaforme stesse. L’esperienza mi ha insegnato che la tecnologia non genera valore da sola, bisogna saperla far vivere dentro le organizzazioni. Il ruolo di chi lavora come Aubay nel cuore dell’innovazione è accompagnare, tradurre e far dialogare mondi diversi. Solo così la tecnologia smette di essere un linguaggio per pochi e diventa patrimonio condiviso.

Francesco Cinquegrani, VP – operation director di Aubay Italia

L'articolo L’AI che crea valore proviene da Data Manager Online.

Nel crescente dibattito che ruota intorno al tema dell’AI applicata al mondo aziendale, gli agenti intelligenti rappresentano una delle frontiere più interessanti. In cosa si differenziano dalle tecnologie precedenti? E soprattutto, che ruolo possono giocare nelle imprese italiane? A fare chiarezza, interviene Giorgio David Jacchini, senior manager di Aubay Italia con una visione maturata “sul campo” tra progetti reali e confronti diretti con le aziende. Il suo punto di vista è netto: «Gli agenti sono strumenti innovativi ma per comprenderne il valore occorre prima capire bene cosa possono concretamente fare. È anche un percorso di progressiva conoscenza e di progressiva fiducia verso le capacità dello strumento, rispetto a una capacità di automazione che crediamo potrà essere massima».

VERSO L’INTELLIGENZA CONTESTUALE

Per anni, l’innovazione dei processi aziendali è passata attraverso strumenti di Robotic Process Automation, capaci di eseguire operazioni ripetitive con una logica definita a priori ma caratterizzati da limiti legati alla rigidità di questi stessi strumenti. Gli agenti intelligenti, e le tecnologie di Agentic Process Automation in genere, cambiano la prospettiva, introducendo un livello di “comprensione” del contesto prima impensabile. «La tecnologia RPA è basata su flussi poco adattabili» – spiega Jacchini. «Cambiando un passaggio nel processo, si è costretti a rivedere l’intero flusso. Gli agenti intelligenti, invece, si adattano, apprendono e ottimizzano i percorsi in base al feedback ricevuto. La transizione verso l’AI agentica è sinonimo di efficienza operativa e produttività, di maggiore organicità, flessibilità e capacità di apprendimento, che guarda a un miglioramento certificabile in termini di velocità di esecuzione e di spostamento delle risorse verso attività a valore aggiunto. Si tratta di un cambio radicale».

IL VALORE DELL’INTERAZIONE UOMO-MACCHINA

Quella di Aubay in materia di agenti intelligenti è una visione ben definita e circostanziata, votata all’accessibilità delle nuove tecnologie, ma basata su un concetto altrettanto preciso: le soluzioni APA non toglieranno lavoro alle persone. Detto che i robot lavorano al posto dell’uomo e che l’agente AI, man mano che impara, rende un processo sempre più semplice – la macchina non avrà mai “libero arbitrio”: gli operatori umani che prima svolgevano mansioni ripetitive possono diventare infatti supervisori degli agenti, interpretando i risultati delle attività loro affidate. «L’intelligenza artificiale non fa tutto da sola, per lo meno oggi» – sottolinea Jacchini. «L’human in the loop è un pilastro di questa evoluzione e se manca è impossibile pensare di trasformare processi aziendali critici. Serve un approccio strutturato, in cui l’umano resti parte integrante del sistema per controllare e verificare il lavoro degli agenti ed è proprio in questa fase che il ruolo delle persone si evolve. Non si tratta di sostituirle, ma di farle crescere: è un’opportunità di sviluppo, non una minaccia».

#DataAIForum L’human-in-the-loop è il pilastro della nuova automazione #Aubay Italia
Click To Tweet

PIÙ EFFICIENZA, PIÙ VALORE

L’altro nodo da sciogliere legato all’AI agentica riguarda il ritorno dell’investimento. La sua adozione è giustificata? Porta vantaggi tangibili? Secondo Jacchini, la risposta è affermativa, a patto di muoversi con consapevolezza. «Gli agenti intelligenti sono più veloci, più affidabili e lavorano sempre nello stesso modo» – afferma il manager di Aubay. «Liberando le persone dai compiti a basso valore, si possono dedicare queste risorse a compiti più strategici, e di conseguenza aumentare l’efficienza complessiva dell’organizzazione. Un esempio concreto? Pensiamo a un addetto che deve aprire un ticket, che potrebbe essere interrotto, rallentato, distratto e indotto all’errore. L’agente, invece, riceve la richiesta, la processa, la gestisce sempre nello stesso modo, migliorando via via le sue prestazioni». E anche questo è ROI.

L'articolo AI Agentic e ROI proviene da Data Manager Online.

Il settore dell’energy management è un ecosistema in perenne trasformazione, sospinto da una continua evoluzione normativa mirata a integrare la rete italiana in maniera sempre più sinergica con quella europea. Questo dinamismo legislativo è volto anche a ottimizzare la gestione delle risorse energetiche, sia quelle centralizzate che quelle distribuite, in un’ottica di efficienza e sostenibilità. Tra le innovazioni legislative più recenti e impattanti spicca il Testo Integrato del Dispacciamento Elettrico, conosciuto come TIDE, introdotto nell’ultimo anno con l’ambizione di ridisegnare le fondamenta del sistema elettrico nazionale.

Il TIDE si prefigge obiettivi cruciali e di vasta portata. In primo luogo, mira a promuovere un utilizzo delle risorse disponibili nel sistema elettrico che sia non solo efficiente ma anche sostenibile, allineandosi con le stringenti direttive ambientali e gli obiettivi di decarbonizzazione stabiliti a livello europeo. Parallelamente, il testo intende favorire lo sviluppo di mercati dell’energia elettrica caratterizzati da liquidità e concorrenza, elementi fondamentali per un settore dinamico e innovativo. Infine, un pilastro centrale è la garanzia di imparzialità, neutralità e trasparenza nei confronti di tutti gli utenti del sistema, assicurando un campo di gioco equo per ogni attore coinvolto.

“Il testo integrato introduce una serie di cambiamenti significativi rispetto al quadro normativo precedente” ci dice Gianluca Miseria, direttore dell’Energy Competence Center di Aubay. “Queste modifiche sono concepite per modernizzare l’intero sistema energetico italiano e, di riflesso, contribuire all’efficienza di quello europeo. Le nuove regole del dispacciamento dell’energia elettrica hanno un impatto diretto e profondo sui processi operativi degli attori di mercato, dai produttori ai consumatori, passando per i trader di energia e, conseguentemente, sui sistemi informativi che ne supportano le attività, che spaziano dal dispacciamento vero e proprio fino al bidding e alle operazioni di back office”.

Al fianco dei clienti nei centri nevralgici

Con il suo centro di competenza Energy, Aubay ha partecipato attivamente all’adeguamento dei sistemi degli operatori elettrici con cui collabora, al fine di rendere possibile l’implementazione della nuova normativa garantendo il servizio che per sua natura deve essere continuativo. L’azienda si posiziona come un partner di riferimento per gli operatori del settore, offrendo un supporto che va oltre la mera implementazione tecnologica per abbracciare una competenza di mercato specifica e approfondita. L’azienda affianca i propri clienti direttamente nei loro centri di controllo, nevralgici per l’invio dei programmi di produzione energetica alle centrali. In questi contesti critici, Aubay ha contribuito all’introduzione di strumenti sempre più automatizzati per le funzioni di calcolo, rispondendo in maniera proattiva all’esigenza di una maggiore velocità di reazione e alla necessità di gestire un volume crescente di informazioni, diretta conseguenza delle modifiche ai mercati imposte dal TIDE.

“L’approccio di Aubay si distingue per la sua capacità di anticipare le esigenze del mercato” specifica Miseria – sono stati sviluppati sofisticati modelli di simulazione dei mercati dell’energia wholesale, strumenti che permettono ai clienti di analizzare con precisione l’andamento del mercato, di comprendere il comportamento dei competitor e di elaborare previsioni attendibili sui prezzi futuri e sulle strategie più opportune da adottare. Questi modelli sono stati adattati alle nuove regole di un mercato europeo sempre più interconnesso, sfruttando appieno la potenza del calcolo distribuito per gestire la complessità e la mole dei dati”.

Conformità e ottimizzazione dell’offerta

L’impegno di Aubay si estende anche al supporto delle aree di back office dei produttori di energia. In questo ambito, l’azienda ha fornito un contributo essenziale nell’adeguare i calcoli di tutte le partite economiche derivanti dalla vendita dell’energia prodotta dalle loro centrali, garantendo la conformità e l’accuratezza in un contesto normativo rinnovato. I progetti di adeguamento al TIDE hanno, tra l’altro, richiesto una riorganizzazione dei modelli dati e delle scelte architetturali sottostanti: “L’obiettivo è stato quello di fornire lo stesso contenuto informativo” ricorda ancora il direttore “o addirittura un contenuto arricchito, a fronte di una quantità di dati significativamente maggiore e di requisiti prestazionali sempre più stringenti”. Insomma, Aubay ha guidato i propri clienti in un percorso di ridefinizione dell’organizzazione stessa del dato, intervenendo sul modello concettuale per ottimizzare la gestione e l’accessibilità delle informazioni.

L’Energy Competence Center di Aubay è composto da professionisti che vantano una duplice expertise: da un lato le skill tecnologiche, dall’altro, una profonda conoscenza funzionale degli specifici ambiti del settore energetico. Grazie a questa sinergia di talenti, Aubay ha accompagnato l’implementazione della nuova normativa TIDE presso i propri clienti, garantendo la continuità di un servizio che, per sua natura, non ammette interruzioni.

L'articolo Aubay, partner strategico nella trasformazione dell’energy management proviene da Data Manager Online.

L’onda del cloud computing ha ridefinito i confini dell’IT aziendale, proiettando le organizzazioni in un’era di flessibilità e scalabilità senza precedenti. Tuttavia, questa trasformazione porta con sé una sfida cruciale: la gestione oculata dei costi. In questo scenario dinamico e complesso emerge il FinOps (Financial Operations), non come un semplice strumento di controllo, ma come un vero e proprio partner strategico capace di integrare la visione finanziaria con l’agilità operativa, assicurando così una sostenibilità economica duratura. Un cambio di paradigma nel modo in cui le aziende approcciano gli investimenti non solo per monitorare le spese, ma per tessere una sinergia tra finanza, tecnologia e operations, con l’obiettivo primario di estrarre il massimo valore da ogni risorsa impiegata.

Questo approccio poggia su tre pilastri fondamentali, interconnessi e imprescindibili. In primo luogo, la visibilità, che si traduce in un monitoraggio costante e in tempo reale dei costi cloud, consentendo di individuare immediatamente aree di inefficienza e potenziali sprechi. In secondo luogo, l’ottimizzazione, che implica un utilizzo strategico delle risorse, mirato a migliorare le prestazioni complessive riducendo al contempo l’esborso economico. Infine, la responsabilità condivisa, che vede il coinvolgimento attivo dei team IT, Finance e Business in un processo decisionale informato e consapevole delle implicazioni finanziarie.

Le tre fasi dell’implementazione

In questo scenario, Aubay si propone come un partner strategico in grado di coniugare la competenza nell’utilizzo di strumenti avanzati per il controllo dei costi e l’ottimizzazione delle risorse con l’esperienza di team di specialisti capaci di orientare le attività e gli sforzi nella direzione più consona alle esigenze e alle peculiarità di ogni azienda cliente. Come ci spiega Giacomo De Leo, Director Competence Center “Infrastructure & Cloud”, l’implementazione del FinOps non è un processo lineare ma si articola in un ciclo iterativo suddiviso in tre fasi principali.

“La prima, Inform, è dedicata alla creazione di una visibilità completa sui costi cloud attraverso la generazione di report dettagliati e dashboard interattive. La gestione finanziaria del cloud è intrinsecamente legata alla trasparenza della spesa generata dai singoli servizi adottati dalle diverse linee di business. Questa visibilità costituisce il fondamento per la creazione di strumenti di supporto decisionali quali il benchmarking, il budgeting e il forecasting, essenziali per consentire agli stakeholder di controllare la spesa complessiva in una prospettiva strategica, allineandola alle esigenze di business e monitorando il ritorno sull’investimento (ROI) atteso”. In questa fase, diversi strumenti di Cloud Management possono essere impiegati per automatizzare l’identificazione e il monitoraggio dei servizi implementati, facilitando la produzione di report informativi.

“La seconda fase, Optimize, si concentra sull’identificazione delle inefficienze, sulla riduzione degli sprechi e sull’adozione di modelli di pricing più vantaggiosi. Attraverso l’analisi dei dati raccolti nella fase precedente, si procede all’ottimizzazione delle risorse”. Inizialmente, l’obiettivo primario è contenere la spesa mantenendo inalterato il livello di servizio, ad esempio attraverso l’adozione di nuove generazioni di servizi, spesso offerte a costi inferiori, o mediante l’utilizzo di piani di reservation per periodi di uno o più anni, o ancora attraverso pagamenti anticipati (Upfront Payment) per la totalità o una parte dei servizi (un approccio che richiede una solida certezza sull’utilizzo continuativo dei servizi per un periodo pari o superiore a quello della reservation o dell’anticipo). L’attenta osservazione dei servizi ospitati nel cloud permette inoltre di individuare i cosiddetti workload “zombie”, ovvero risorse utilizzate per servizi dismessi, progetti pilota (POC/POV) o parzialmente sfruttate, offrendo l’opportunità di cessare risorse sottoutilizzate o non più necessarie, generando risparmi significativi. L’ottimizzazione dei servizi libera risorse economiche che possono essere reindirizzate verso nuove esigenze, come quelle derivanti dalla crescita della domanda o da altri fattori che, in un contesto non ottimizzato, avrebbero richiesto l’allocazione di nuovo budget.

“La terza fase, Operate è la più importante, perché mira a integrare le pratiche FinOps nella cultura aziendale in modo profondo, promuovendo una collaborazione sinergica tra i team finanziari e tecnologici. Una volta completate le fasi analitiche (Inform) e progettuali (Optimize), si avvia la fase operativa, in cui la governance di progetto/servizio deve garantire che i team finanziari e tecnologici collaborino attivamente nell’ottimizzazione di tutti gli aspetti emersi nelle fasi precedenti. In questa fase, l’impiego di risorse adeguatamente formate e di partner esperti si rivela fondamentale per raggiungere un’implementazione rapida ed efficiente. Per implementare un modello FinOps efficace, le aziende devono adottare alcune best practice fondamentali. È cruciale creare una cultura della trasparenza, in cui tutti i reparti siano consapevoli dei costi e delle dinamiche della loro gestione”.

L’utilizzo di strumenti di monitoraggio avanzati, come, a titolo di esempio, AWS Cost Explorer, Azure Cost Management e Google Cloud Billing, è essenziale per un controllo accurato della spesa. “L’automazione del provisioning consente di allocare dinamicamente le risorse in base alla domanda effettiva, evitando sprechi. L’adozione del modello di responsabilità FinOps, con l’assegnazione di ruoli chiari per la gestione dei costi e la presa di decisioni basate su dati concreti, è un altro elemento chiave. È inoltre fondamentale stabilire KPI chiari per misurare l’efficienza delle risorse utilizzate, monitorare il ritorno sull’investimento e garantire una spesa sostenibile. Infine, l’analisi dei modelli di pricing offerti dai provider cloud, sfruttando sconti per impegni a lungo termine come Reserved Instances e Savings Plans, permette di ottimizzare ulteriormente la spesa” prosegue De Leo.

Vantaggi completi

I vantaggi derivanti dall’implementazione di una metodologia FinOps sono molteplici e significativi. “Tra questi” sottolinea il manager “un migliore controllo dei costi grazie al monitoraggio in tempo reale che riduce il rischio di spese eccessive e impreviste. Una maggiore efficienza operativa si traduce in prestazioni elevate con una minimizzazione degli sprechi. La responsabilizzazione dei team favorisce decisioni più strategiche e basate sui dati. La scalabilità sostenibile permette di adattare le infrastrutture cloud alle reali necessità aziendali, evitando costi superflui. Una maggiore agilità aziendale deriva dalla flessibilità del modello di spesa, consentendo un rapido adattamento alle evoluzioni del mercato”. La prevenzione di sprechi attraverso l’identificazione precoce delle inefficienze ottimizza l’allocazione dei budget. Infine, una migliore negoziazione con i provider cloud è resa possibile da un’analisi dettagliata dei costi.

Inoltre, l’applicazione efficace del FinOps è supportata da una serie di fattori abilitanti. L’adozione di strumenti di monitoraggio e analisi avanzati fornisce la visibilità necessaria sui costi e sull’utilizzo delle risorse. Una cultura aziendale orientata ai dati garantisce che le decisioni siano basate su informazioni accurate. “La collaborazione interfunzionale tra team finanziari, tecnici e di business promuove un approccio condiviso alla gestione delle risorse cloud. L’impiego di automazione e intelligenza artificiale migliora la previsione dei costi e l’allocazione delle risorse. La formazione continua e gli aggiornamenti sulle best practice FinOps assicurano un adattamento costante alle evoluzioni del mercato. Infine, la definizione di governance e policy di spesa chiare previene gli sprechi e garantisce la conformità agli obiettivi aziendali.  L’Intelligenza Artificiale e il Machine Learning stanno imprimendo una svolta significativa nel panorama del FinOps, potenziando la capacità di previsione dei costi e l’allocazione ottimale delle risorse. Strumenti di automazione avanzati consentono di identificare anomalie nei costi in tempo reale, di adattare dinamicamente le risorse in base al carico di lavoro e di implementare policy di scaling automatico per ridurre gli sprechi”.

Con la crescente adozione di strategie multi-cloud e la sempre maggiore integrazione dell’AI, il FinOps è destinato a evolversi ulteriormente. L’utilizzo di algoritmi predittivi per la gestione dei costi e l’implementazione di strategie di sostenibilità (Green FinOps) diventeranno elementi imprescindibili per le aziende che mirano a ottimizzare i costi senza compromettere la spinta all’innovazione. “Vedo uno scenario futuro in cui si consolideranno sempre più realtà infrastrutturali molto eterogenee, dai cloud ibridi ai multicloud” conclude De Leo. “Serviranno sempre più soluzioni che possano governare il cloud a 360 gradi, per evitare la dispersione delle energie e la perdita del controllo sulla propria infrastruttura”.

L'articolo FinOps: la bussola strategica per navigare i costi del cloud proviene da Data Manager Online.

Il settore bancario, da sempre pilastro dell’economia globale, sta vivendo una trasformazione epocale grazie all’avvento dell’Intelligenza Artificiale. Da un lato l’AI generativa, con la sua capacità di creare contenuti e simulare interazioni umane attraverso chatbot avanzati, dall’altro l’AI predittiva con la possibilità di poter disegnare soluzioni su misura per problemi complessi.

Quest’ultima è una tecnologia capace di analizzare enormi quantità di dati storici e di individuare pattern complessi, per dare alle istituzioni finanziarie l’opportunità di anticipare le tendenze del mercato, gestire i rischi con maggiore precisione e personalizzare l’esperienza del cliente in modi che fino a pochi anni fa sembravano inimmaginabili. L’integrazione efficace dell’AI predittiva nei sistemi bancari tradizionali non è solo un vantaggio competitivo, ma una necessità per garantire una crescita sostenibile in un panorama finanziario in rapida evoluzione.

Come ci dice Marco Appetito, Direttore del Competence Center “Digital Innovation & Architetture Applicative” di Aubay: “Le banche operano in un ambiente sempre più complesso e dinamico, caratterizzato da normative stringenti, una concorrenza agguerrita da parte delle fintech e aspettative sempre più elevate da parte dei clienti digitali, abituati a esperienze personalizzate e immediate. Per rispondere a queste sfide, le istituzioni finanziarie stanno investendo massicciamente nell’AI, cercando di sfruttarne il potenziale per ottimizzare le operazioni, migliorare il servizio clienti e rafforzare la sicurezza. Tuttavia, nonostante i numerosi esperimenti e progetti pilota, molte iniziative di AI rimangono bloccate in fase di implementazione, senza riuscire a scalare e a produrre un impatto significativo sull’intera organizzazione”.

Integrare l’IA nei processi

Per Appetito, per sbloccare il pieno potenziale dell’AI, è fondamentale integrarla profondamente nei processi aziendali core. L’AI predittiva, in particolare, consente di prendere decisioni basate su dati concreti e analisi accurate, migliorando la capacità di risposta alle mutevoli condizioni del mercato. Questa tecnologia si fonda sull’analisi di dati storici per individuare pattern e prevedere eventi futuri, una capacità cruciale nel settore bancario, dove la gestione del rischio e la stabilità finanziaria sono di primaria importanza. “Grazie all’AI predittiva, le banche possono valutare il rischio di credito con maggiore precisione, prevenire frodi sofisticate, ottimizzare la gestione degli investimenti e prendere decisioni strategiche che arrivano da previsioni affidabili” prosegue il manager. “L’ AI generativa facilita i processi iterativi, mentre l’AI predittiva analizza i dati per fornire risposte più precise e contestualizzate. È un po’ come un pilota automatico: per la maggior parte del volo, il sistema automatizzato gestisce la traiettoria in modo efficiente, ma in situazioni particolari, come turbolenze improvvise o atterraggi complessi, è il pilota umano a prendere il controllo per decisioni più mirate. Allo stesso modo, l’AI predittiva consente alle banche di automatizzare molte operazioni, intervenendo però con analisi più approfondite quando è necessario un livello superiore di valutazione e personalizzazione.” specifica Appetito.

“L’impatto economico dell’AI predittiva nel settore bancario è vasto e si manifesta sia nell’incremento dei ricavi che nell’ottimizzazione dei costi. Sul fronte dei ricavi, l’AI consente di personalizzare i tassi di interesse e le commissioni sui prodotti finanziari in base al profilo del cliente e alle condizioni di mercato, massimizzando la redditività” sottolinea Appetito. “Attraverso l’analisi dei comportamenti dei clienti, l’AI suggerisce prodotti aggiuntivi pertinenti, aumentando il valore medio per cliente e rafforzando la relazione. La segmentazione dei consumatori permette di identificare cluster con esigenze simili, consentendo di creare strategie di marketing mirate e di successo. Inoltre, i modelli predittivi analizzano i movimenti macroeconomici e di settore per supportare le decisioni di investimento, fornendo una visione più chiara delle opportunità e dei rischi”.

Sul fronte dei costi, l’AI predittiva automatizza le operazioni ripetitive e ad alto volume, riducendo il lavoro manuale e migliorando l’efficienza dei reparti di back-office e customer support. Ancora Aubay: “Ciò si traduce in una riduzione dei costi operativi e in una maggiore capacità di servire i clienti in modo efficiente. In definitiva, l’AI predittiva sta ridefinendo il modo in cui le banche operano, consentendo loro di affrontare le sfide del futuro con maggiore agilità, precisione e personalizzazione”.

I casi d’uso

Le banche europee operano in un contesto normativo stringente, con l’Autorità Bancaria Europea (EBA) e la Banca Centrale Europea (BCE) che impongono regole rigorose su sicurezza e trasparenza. In questo scenario, molte istituzioni si affidano all’IA predittiva per garantire la conformità e migliorare la gestione del rischio, mentre l’IA generativa viene utilizzata per automatizzare la creazione di report normativi e migliorare la comunicazione con clienti e regolatori, favorendo una maggiore trasparenza operativa. Una banca leader in Italia, come afferma Appetito, ha introdotto modelli predittivi per identificare le frodi nei pagamenti digitali.

“Utilizzando una potente piattaforma di machine learning, l’organo ha ridotto le transazioni fraudolente del 30%, migliorando l’integrità delle transazioni e fornendo maggiore sicurezza ai clienti. Una banca europea con sede in Italia, con una sostanziale presenza nel nostro Paese, ha implementato l’IA predittiva per essere in grado di supervisionare meglio i rischi di credito. La banca utilizzava dati pregressi e li integrava con dati macroeconomici per creare modelli in grado di prevedere con maggiore precisione il rischio di insolvenza dei clienti e consentire una migliore gestione delle esposizioni creditizie”. Infine, un altro cliente ha utilizzato l’intelligenza artificiale predittiva per ottimizzare la personalizzazione dei prodotti finanziari: grazie a un’analisi approfondita delle abitudini e delle esigenze di spesa individuali, la banca ha aumentato del 20% il tasso di conversione delle offerte di nuovi prodotti, aumentando la redditività e migliorando le relazioni con i clienti”.

L'articolo Più personalizzazione con i dati predittivi, i vantaggi dell’IA nel settore bancario proviene da Data Manager Online.