Cambiare nome a quasi 40 anni si fa per un motivo serio, soprattutto se coinvolge un brand internazionale della sicurezza informatica, un ambito in cui la fiducia del cliente ha un valore inestimabile. Fondata nel 1988 a Los Angeles, Trend Micro trasferisce il proprio quartier generale a Tokyo, dove il titolo è tuttora quotato. Azienda giapponese a tutti gli effetti, Trend Micro gode ancora di una solida posizione di mercato sulla costa asiatica del Pacifico, dove la sua originaria missione, mirata alla protezione antivirus degli endpoint, l’ha resa subito molto forte. La linea di prodotti per la sicurezza consumer TrendLife è al primo posto in nazioni come Giappone o Australia (IDC MarketScape 2025). Ma è nel mondo enterprise, nella protezione delle infrastrutture applicative di aziende e settore pubblico con un particolare focus sulle geografie USA e EMEA, che Trend Micro rilancia la propria sfida con decisione, anche per riportare sulla rotta giusta un valore di Borsa che all’inizio del 2025 raggiunge i suoi massimi storici.

Si tratta di una strategia a tridente. La prima punta è la leva sull’intelligenza artificiale come arma difensiva strategica, che parte dal rebranding dell’intera divisione della sicurezza enterprise, appena ribattezzata TrendAI. La seconda è la centralità della piattaforma TrendAI Vision One come strumento al tempo stesso omnicomprensivo e modulare, capace di offrire protezione a 360 gradi e di integrarsi nei contesti di sicurezza già definiti, salvaguardando gli investimenti del cliente. La terza punta è la capacità di threat intelligence che Trend Micro coltiva da sempre, forte della storica e capillare presenza dei suoi prodotti antivirus sugli endpoint, e che ancora oggi le permette di battere molti competitor in velocità, quando si tratta di scoprire e prevenire le vulnerabilità del software. Con la sua Zero Day Initiative – il programma che, in pratica, “mette la taglia” sulle falle di sicurezza identificate negli applicativi software – TrendAI individua il 70% delle vulnerabilità a livello globale e in chiave completamente vendor-independent.

LEADERSHIP RINNOVATA

In Italia, la strategia di TrendAI prevede anche il potenziamento delle linee commerciali interne per raggiungere tutti i segmenti, secondo gli obiettivi di Salvatore Marcis, country manager per l’Italia. «Vogliamo colmare un gap che in passato ci ha fatto percepire come azienda più di tecnologia che di relazione» – commenta Marcis. «La parola d’ordine è prossimità. Non rinunciamo al nostro modello di canale, ma puntiamo a essere il più vicino possibile ai clienti, nuovi e consolidati, per supportarli in tutto ciò che riguarda la loro postura di sicurezza».

Accanto alle tradizionali figure commerciali, profondamente rinnovate nella leadership, l’Italia vedrà, ad esempio, la presenza di quattro rappresentanti del team europeo di Customer Success, formato da 150 specialisti che guidano il cliente nell’impiego ottimizzato delle soluzioni di sicurezza proposte, suggerendo integrazioni di prodotto e il modo per mettere maggiormente a frutto gli strumenti già acquisiti. Le 50 persone che oggi operano nelle due sedi di Milano e Roma dell’azienda agiscono sotto la responsabilità diretta di Marcis e di due manager “head of sales” di fresca nomina, uno per il mercato enterprise e l’altro per il settore pubblico, entrambi coadiuvati da due team opportunamente rinforzati da responsabili territoriali. Nuovi anche il direttore tecnico dei servizi consulenziali rivolti ai clienti e ai partner, il manager a cui è stata affidata l’intera strategia di canale e il responsabile del marketing. Tutti saranno coinvolti nel diffondere – sul mercato e nella relazione con i partner – il messaggio dell’intelligenza artificiale come nuova protagonista della cybersecurity. Su tutti i fronti.

AZIONE E PREVENZIONE

Il nuovo brand non è un semplice richiamo alla moda del momento. «Il machine learning e l’intelligenza artificiale fanno parte della nostra cultura tecnologica da molto tempo e il nostro obiettivo è trasferire ai clienti ciò in cui crediamo: una sicurezza costruita con l’AI, per l’AI» – spiega Marcis. «È una tecnologia pervasiva che aiuta le imprese a migliorare i risultati e a sviluppare nuovi modelli di business, ma non può esserci AI efficace senza la sicurezza dei dati che ci mettiamo dentro. Oggi, la sicurezza si deve fare con l’intelligenza artificiale perché la usano anche gli attaccanti, ma dobbiamo fare meglio di loro, con gli stessi strumenti». In questo senso, il rebranding rende più visibile la filosofia di Trend Micro che deve spingere i clienti verso un uso ancora più consapevole di prodotti a elevato potenziale di protezione sugli attuali paradigmi infrastrutturali del cloud. «Sbagliato considerare il cloud troppo sicuro, delegando tutto agli operatori» – afferma Marcis. «La sicurezza del cloud è condivisa e deve essere sempre in capo all’azienda che, nel conferire i propri dati, è tenuta a proteggerli dai tentativi di compromissione da parte di soggetti terzi».

Conta molto anche la diversa natura dei servizi in cloud e le modalità di adozione. Marcis sottolinea, ad esempio, il ruolo di ACN, l’Agenzia nazionale per la cybersecurity, nella qualificazione dei servizi cloud, per garantire i più elevati standard di qualità e di protezione dei dati nella PA. Lo staff di TrendAI Italia, in stretta collaborazione con ACN, ha ottenuto la conformità allo standard “QC2” e può restituirlo ai clienti delle pubbliche istituzioni per trattare dati e servizi classificati come “critici”. Al centro delle implementazioni, la piattaforma TrendAI Vision One garantisce flessibilità anche nel modello di licensing. «L’uso dei moduli della piattaforma che il cliente sceglie di utilizzare si lega dinamicamente al concetto di credito» – spiega Marcis. «Ciascun modulo vale un certo numero di crediti da “spendere” per proteggere un singolo endpoint o per fare sicurezza e gestione dei rischi in cloud, con la massima libertà. Per molti è un concetto nuovo, dovremo formare il mercato anche su questo».

Il direttore tecnico Marco Fanuli entra nel dettaglio sulla modularità di Vision One e sulla volontà di superare – con l’AI in affiancamento agli operatori umani – i confini imposti dalla tradizionale detection, secondo una logica più attuale: la prevenzione degli attacchi e la gestione del rischio complessivo legato a una molteplicità di eventi potenzialmente minacciosi. Come gli altri componenti del team manageriale, Fanuli fa il suo ingresso in TrendAI alla fine del 2025, insieme a tre solution engineer. Il reparto tecnico è in costante ricerca di talenti specializzati.

«Il nuovo brand simboleggia l’evoluzione che ci lancia verso il futuro e una storia in cui l’intelligenza artificiale è in qualche modo sempre stata presente» – sintetizza Fanuli. «Oggi l’AI funziona solo su basi dati solide e TrendAI, grazie al suo lungo lavoro di protezione storicamente volto al mondo degli endpoint, ne ha accumulati moltissimi». Tra le tendenze più evidenti c’è l’uso crescente dell’intelligenza artificiale, anche da parte del cybercrime, per accelerare e ampliare la portata degli attacchi. Una dinamica che, secondo Fanuli, sta rapidamente cambiando il panorama della sicurezza informatica. «Generare testi per operazioni di phishing più convincenti è solo il primo passo. Dotarsi di certi strumenti di protezione non è un “nice to have”: senza intelligenza artificiale presto non sarà possibile stare al passo con i volumi e la qualità degli attacchi che vediamo già oggi».

SICUREZZA MULTIVETTORE

Basandosi su più modelli LLM che aiutano a rendere consistenti le modalità di detection e prevention, TrendAI realizza un portafoglio di soluzioni verticali per diversi ambienti e architetture (come endpoint, reti, cloud, e-mail, identità, dati e modelli AI), una strategia che consente di far fronte ai cosiddetti attacchi multivettore che sfruttano una molteplicità di canali. Ma c’è un altro motivo che induce ad adottare, in una piattaforma di cybersecurity, gli strumenti che chatbot e agenti AI hanno reso familiari a un vasto pubblico di utenti aziendali. «Le risorse che molte aziende possono dedicare all’IT e alla sua salvaguardia sono spesso risicate» – ammette Fanuli. «Per poter intervenire, soprattutto in chiave preventiva, gli operatori umani devono poter contare su cruscotti capaci di guidarli verso le criticità reali. TrendAI può fornire quei cruscotti e integrare in modo aperto quelli su cui il cliente ha già investito».

Fanuli richiama l’attenzione anche sulla funzione di un’efficace piattaforma di monitoraggio nel rendere più sicuro il percorso che molte imprese hanno avviato per dotarsi di motori di intelligenza artificiale generativa personalizzati attraverso l’impostazione di propri LLM addestrati con informazioni interne. «Sono attività spesso prototipali che possono spalancare la porta a nuove vulnerabilità» – spiega il CTO di TrendAI Italia. «Un chatbot vulnerabile può diventare preda di operazioni di esfiltrazione di dati sensibili tramite prompt maligni provenienti dall’esterno. «In questi casi, la piattaforma TrendAI dispone di filtri che analizzano sia i prompt in ingresso sia i dati in uscita, segnalando in modo mirato espressioni potenzialmente rischiose in termini di potenziali infezioni o fuoriuscite di informazioni sensibili».

Vision One è composta da una serie di verticali che, tramite i propri sensori, monitorano la sicurezza di applicativi, cloud e container, dati, e-mail, endpoint, identità e rete. Le telemetrie raccolte vengono analizzate da agenti di AI e convogliate nel data lake del primo dei tre strati trasversali della piattaforma: quello della Threat Intelligence. Al livello superiore si colloca lo strato di Security Operations, che svolge le funzioni di XDR (Extended Detection & Response) e di SIEM “agentico”.

Sopra questi livelli opera, infine, lo strato di Cyber Risk Exposure Management, che offre una visione della postura di sicurezza complessiva e traduce gli alert provenienti dal livello operativo in azioni puntuali di contenimento e prevenzione interamente basate sul rischio. Questo livello integra anche i servizi della Zero Day Initiative, tra cui l’esclusiva funzione delle patch virtuali, che consente di isolare e mitigare le vulnerabilità delle applicazioni prima del rilascio delle patch ufficiali dei vendor.

I PARTNER COME ADVISOR

Tra le tante novità che lo sviluppo TrendAI porta avanti, Fanuli cita un nuovo sistema di digital twin che permette di costruire un modello virtuale dell’infrastruttura del cliente, prezioso nelle fasi di assessment, progettazione e customer service, una sfera di attività importante svolta dal team di direzione tecnica, chiamato ad affiancare quella commerciale in una formula consulenziale che prende per mano il cliente dalla prevendita e lungo tutto il ciclo di vita delle soluzioni. «Da qui nasce – spiega Fanuli – un modello esteso di servizio al cliente che integra il classico approccio basato sulla collaborazione tra account e tecnici di prevendita. Attorno al cliente oggi lavora una squadra che comprende anche specialisti di customer success e responsabili del canale, a supporto dei partner coinvolti nei singoli progetti». Accanto alla leva tecnologica emerge anche quella organizzativa – altrettanto strategica – che sta ridefinendo, a livello globale, il modo in cui TrendAI interagisce con il mercato.

In Italia – come racconta Francesco Carella, head of Private Sector Sales – l’operazione di rebranding e rafforzamento del posizionamento non si limita al rinnovamento organizzativo, ma si accompagna anche all’ingresso di nuove figure professionali, in particolare nel reparto vendite, guidato insieme a Pietro Caruso, head of Public Sector Sales. «È fondamentale proporci al cliente come consulenti per evidenziare gli effetti, visibili e non, dell’AI sulle infrastrutture: se ne parla da decenni, ma oggi sta trasformando i modelli produttivi e l’approccio al mercato. In prospettiva sarà sempre più presente ma silente, con il rischio di ampliare i perimetri di attacco. Servono quindi persone capaci di arrivare al cliente con un linguaggio adeguato al contesto» – spiega Carella.

In TrendAI Italia sono arrivati almeno venti nuovi collaboratori nel giro di un anno: dieci a rinforzo dell’ufficio commerciale, che, su settore privato e PA, schiera due squadre strutturalmente simili. «In entrambi i casi – precisa il responsabile per l’enterprise – abbiamo i major account che seguono le organizzazioni più grandi. Quattro esperti che gestiscono ciascuno un portafoglio ristretto di aziende, con il supporto di strumenti e risorse che consentono un approccio mirato a ogni settore, in linea con le esigenze dei clienti Large Enterprise nei mercati Finance, Energy e Utilities».

MIDRANGE ENTERPRISE

Il livello successivo, quello del mercato midrange, è presidiato per il settore privato da cinque regional account manager, territorialmente distribuiti tra Nord e Centro-Sud. «Con loro manteniamo lo stesso livello di attenzione dei major account: professionisti esperti che operano trasversalmente in più settori» – spiega Carella, aggiungendo che proprio all’inizio del 2026, accanto ai major e ai regional account, è subentrata anche una figura destinata a presidiare le PMI, in stretta sinergia con il coordinatore del canale e con le società partner in tutto il territorio nazionale. «Il nostro impegno è fornire al cliente la soluzione più adeguata alle sue esigenze, senza fare distinzioni rigide tra i prodotti; tuttavia, alcune tecnologie della piattaforma risultano più rilevanti in base alle dimensioni e alle specifiche esigenze delle organizzazioni» – continua Carella. «Per esempio, l’Agentic SIEM, recentemente presentato, si adatta molto bene alle situazioni in cui il presidio di operatori umani è limitato e complesso».

La distinzione tra major e regional account rientra nella strategia di go-to-market con cui l’azienda presidia i diversi segmenti di mercato e vale anche per la pubblica amministrazione, coperta dal radar di Pietro Caruso. «TrendAI non implica soltanto un rebranding, ma anche l’evoluzione del modello di cooperazione con la PA» – ribadisce il responsabile del settore pubblico. In Italia, l’obiettivo è focalizzare e specializzare il team per affiancare la PA nel percorso di adeguamento e di conformità alla direttiva NIS2».

In che modo? Abbiamo un presidio dedicato ai segmenti più strategici della Pubblica Amministrazione centrale, composto da due sales manager senior, con responsabilità specifica su central government, difesa, agenzie e centrali di acquisto come Consip. Sei regional account manager sono invece concentrati sulle regioni e distribuiti tra Nordovest, Nordest, Centro e Sud Italia, per presidiare le rispettive aree territoriali con un focus dedicato ad amministrazioni regionali, in-house companies, università ed enti sanitari specializzati: «Vogliamo che il team Public incarni in modo chiaro e coerente la visione di TrendAI: rafforzare una presenza sempre più prossima al cliente, attraverso un supporto tecnico-commerciale altamente qualificato ed integrato, capace di comprendere e anticipare le esigenze dei principali attori istituzionali e di mercato — dal governo centrale e locale, al mondo dell’istruzione e della ricerca, fino al settore sanitario, sia pubblico che privato».

A differenza dell’organizzazione del settore privato guidata da Carella – dove c’è un account territoriale che segue il mercato delle PMI – Caruso si affida a un collaboratore con un ruolo analogo nel mondo dei comuni con meno di 20.000 abitanti, dei piccoli atenei e della sanità privata. Una scelta che riflette la stessa volontà di adottare un modello operativo ancora più specializzato e capillare. Tra le priorità di crescita dell’head of Public Sector c’è il comparto educational, che comprende gli atenei, i politecnici e gli enti nazionali di ricerca. «La sicurezza si fonda sullo sviluppo delle competenze, che rappresentano una direttrice strategica prioritaria e che sosterremo con nuove iniziative strategiche in sinergia con il sistema nazionale della formazione e della ricerca».

CANALIZZARE IL KNOW-HOW

Proprio sul terreno della sicurezza e della formazione, l’intelligenza artificiale diventa anche il perno dell’azione affidata al nuovo head of Channel Italy Thomas Giudici, chiamato ad allineare i partner alle strategie di TrendAI e a rafforzare il contributo del canale alla crescita dell’azienda giapponese nel nostro Paese. «In termini di cambiamento, la pandemia è stata un punto di svolta e di maturazione nel mondo delle aziende che tradizionalmente collaborano con TrendAI Italia, fornendo una copertura estesa e stabile alle esigenze del cliente finale. L’AI alza ancora l’asticella, richiedendo nuovi investimenti in conoscenza per il partner che voglia davvero diventare “trusted advisor” delle imprese e della PA».

L’obiettivo di Giudici richiede un impegno costante e competenze elevate da riversare in un ecosistema imprenditoriale che in Italia ha sempre mostrato apertura verso il canale. Al tempo stesso, il canale è chiamato a crescere, adeguandosi al modello “everything as a service”. Per raggiungere questo obiettivo, Giudici si avvale di un team di cinque persone che gestirà le relazioni con quattro distributori nazionali e con una rete di partner capillare e fidelizzata. Come ricorda il responsabile del Canale, i distributori hanno creato divisioni dedicate alla sicurezza e rappresentano, a tutti gli effetti, un’estensione di TrendAI, supportando i partner a ogni livello – tecnico, commerciale, contrattuale e persino finanziario – e accompagnandoli sul mercato.

«L’AI è un elemento pervasivo e consente di gestire la sicurezza in modo più rapido e semplificato» – segnala Giudici. «Offre a tutti uno strumento in grado di far fronte ad attacchi complessi e su larga scala in modo autonomo e questo a sua volta crea aspettative di facilità di implementazione ma molti rischi nella scelta della soluzione giusta». Tra questi due estremi – come spiega Giudici – i partner possono giocare la stessa partita dei big della consulenza sul campo di un mercato intermedio, che ai costi e alla “freddezza” degli advisor internazionali preferisce la prossimità al cliente, la familiarità con i suoi problemi e la presenza sullo stesso territorio.

UN NUOVO PAESAGGIO MENTALE

La funzione marketing in un’azienda di sicurezza così longeva e autorevole potrebbe sembrare facilitata. Ma la scala dei cambiamenti avvenuti in meno di quattro anni rende il lavoro di Michelangelo Uberti particolarmente sfidante. «Le radici di Trend Micro, che affondano nella protezione degli endpoint basati su microprocessore, creano fiducia, ma condizionano molto la percezione di un brand come TrendAI e della sua rifocalizzazione su una sicurezza più preventiva che difensiva» – spiega l’head of Marketing Italy.

TrendAI ha intuito, con largo anticipo rispetto a molti concorrenti, le trasformazioni in questo ambito, compresa la necessità di fare leva sul machine learning per affrontare attaccanti sempre più agguerriti. «Da tempo ci serviamo internamente di strumenti come gli LLM specializzati e questo si riflette nella presenza in Vision One di TrendAI Companion, un chatbot a cui utenti esperti e meno esperti possono rivolgersi per gestire meglio la piattaforma».

L’AI è al lavoro per rendere ancora più efficace la threat intelligence della Zero Day Initiative, consolidando un know-how che, tra l’altro, TrendAI condivide con altri attori del mondo della sicurezza, a cominciare dalle forze dell’ordine nazionali e internazionali, dall’FBI all’Interpol. Questa connotazione spinge TrendAI ad ampliare lo spettro della protezione lungo l’asse temporale della prevenzione e quello qualitativo, di una sicurezza che nasce dall’AI per rendere l’AI più sicura. Promuovendo, a ogni livello, una diversa cultura della gestione del rischio informatico.

Secondo Uberti, la stessa piattaforma Vision One può avere una funzione “formativa”, capace di incidere sul mindset dell’utente attraverso un modulo come Cyber Risk Exposure Management, che, grazie all’AI, mette in evidenza la percentuale di rischio e suggerisce le azioni preventive da intraprendere. «Dall’era del microchip all’era del cloud e dell’intelligenza artificiale, all’insegna dello slogan “AI Fearlessly” – “L’AI senza paura”» – spiega il capo del marketing. «Che non vuol dire agire in modo incontrollato o spavaldo, ma con una precisa consapevolezza dei rischi: ciò che serve per evitare che una barriera di sicurezza possa rallentare l’innovazione, invece di favorirla».

Parallelamente a questo e alle tradizionali forme di comunicazione, sul piano dell’awareness e dell’azione culturale, TrendAI porta avanti diverse collaborazioni con le università e gli istituti di ricerca sia per proteggerne le infrastrutture con le sue tecnologie, sia per promuovere e partecipare a programmi e campagne di training, come la Cyber Hackademy, capitanata da Accenture alla Federico II di Napoli. Per le scuole di ordine inferiore e per il mercato consumer c’è, a livello globale, l’iniziativa Internet Safety for All, in cui lo stesso Uberti è volontario “ambasciatore” della sicurezza.

Dalle implicazioni etiche e sociali a quelle economiche e cognitive, le sfide che TrendAI si trova ad affrontare sono molteplici e si collocano in territori ancora in larga parte da esplorare. Ma affrontarle senza timori reverenziali significa riconoscere che il vero vantaggio competitivo nasce dall’integrazione tra capacità tecnologiche avanzate e giudizio umano, dalla combinazione di algoritmi sofisticati ed esperienze reali sul campo. È questa sinergia, più che la performance del più “intelligente” dei chatbot, a fare la differenza tra potenzialità e risultati concreti sul mercato.

Foto di Gabriele Sandrini

L'articolo TrendAI, la sicurezza AI-first proviene da Data Manager Online.

Le catene di approvvigionamento sono l’infrastruttura invisibile su cui si regge il funzionamento di imprese e organizzazioni. Un sistema complesso fatto di fornitori, partner tecnologici, produttori di componenti e di tutti quegli attori che, spesso lontani dai riflettori, rendono possibile la produzione di beni e l’erogazione di servizi. Le supply chain moderne – come ricorda Deloitte – non sono più semplici catene lineari, ma ecosistemi dinamici e interconnessi. Ridurre il rischio di interruzioni significa rendere questa infrastruttura meno esposta a shock di varia natura. Attacchi cyber, fallimenti di fornitori, crisi geopolitiche, eventi climatici estremi, blackout energetici e molto altro.

Scenari che negli ultimi anni non sono rimasti ipotesi teoriche, ma si sono manifestati con forza, talvolta persino intrecciandosi tra loro. Dipendere da pochi produttori per beni essenziali, i farmaci per esempio, può trasformarsi rapidamente in una vulnerabilità sistemica, come ha mostrato con evidenza brutale la pandemia. Oggi, le tensioni geopolitiche e i conflitti in corso, con le conseguenti interruzioni nei flussi di gas e petrolio, ci ricordano drammaticamente quanto la logistica globale, da cui dipende l’approvvigionamento energetico, sia vulnerabile. Quando si parla di ridurre il rischio di interruzioni nella supply chain, ci si riferisce, perciò molto concretamente, alla necessità di scongiurare che l’operatività di un’azienda si arresti.

Ma da dove partire? Come sottolinea un recente studio McKinsey, il primo passo è acquisire piena consapevolezza delle proprie dipendenze. Può sembrare scontato, ma nella pratica non lo è affatto. Le grandi organizzazioni conoscono bene i partner diretti, ma perdono visibilità man mano che si risale la catena. Ed è proprio lì che si annidano interdipendenze capaci di trasformarsi in punti di fragilità. Per raggiungere una visione completa della propria supply chain, è necessario perciò spingersi oltre il perimetro dei fornitori diretti e sviluppare una mappatura dettagliata anche di quelli di secondo e terzo livello che spesso restano fuori dal radar aziendale. Uno sforzo che richiede un coinvolgimento trasversale delle varie funzioni. Non basta il coinvolgimento del solo procurement. Servono anche le funzioni operative e i team di produzione per individuare l’origine degli input più critici, valutarne l’esposizione a rischi geografici o sistemici e, se necessario, individuare fornitori alternativi o di backup. L’obiettivo finale è arrivare a una mappatura il più possibile completa della rete di approvvigionamento e, su quella base, costruire piani di continuità più adatti a reggere agli urti. Un altro elemento importante da considerare è la diversificazione dei fornitori.

Quando un servizio essenziale dipende da un unico attore – come nel caso di un cloud provider o di un MSSP che presidia la sicurezza – l’eventuale interruzione può scatenare effetti a catena, arrivando a paralizzare più organizzazioni contemporaneamente. Le banche centrali europee, per esempio, parlano apertamente di rischio di concentrazione ICT quando analizzano la dipendenza di infrastrutture critiche da pochi grandi provider tecnologici. Per questo è fondamentale interrogarsi sul livello di concentrazione del rischio e valutare quanto il modello di approvvigionamento sia davvero resiliente o, al contrario, esposto a point of failure unici. La resilienza della supply chain non riguarda la singola impresa, ma l’intero ecosistema. La resilienza non dipende solo da quanto è solida la propria azienda, ma da quanto lo sono tutti gli attori con cui si lavora. Un’impresa anche ben organizzata, resta vulnerabile se fornitori, partner logistici o distributori non sono affidabili. Nelle supply chain – per definizione reti interconnesse – l’anello più debole mette in difficoltà l’intero sistema.

Per questo bisogna essere preparati a testare gli scenari di crisi. Cosa succede se il mio principale cloud provider fallisce? Quanto tempo posso operare, facendo a meno di un certo servizio? Dispongo di contratti che garantiscono continuità? Ridurre il rischio di interruzioni significa trasformare la catena di fornitura da elemento periferico a oggetto di governo strategico. Un fattore importante di continuità aziendale. L’interruzione di un servizio, una linea di produzione o di fornitura, non è mai solo un problema di ordine tecnico. L’impatto, al contrario, è prima di tutto economico. Perdita di ricavi, danno reputazionale ed erosione di fiducia, pesanti sanzioni. In alcuni settori critici come energia, sanità, telecomunicazioni, l’interruzione di servizi essenziali può provocare conseguenze gravi anche a livello sistemico. Il blackout elettrico che ha lasciato Portogallo e mezza Spagna al buio per diverse ore l’aprile dello scorso anno è uno degli esempi più istruttivi in questo senso. Nessuna azienda è un’isola.

Al contrario, la sua resilienza dipende, sempre più, dalla resilienza dell’intero ecosistema. In questo nuovo scenario, se la tecnologia può svolgere un ruolo decisivo, la consapevolezza dei limiti di questi strumenti gioca un ruolo altrettanto importante. La lezione di Nassim Nicholas Taleb resta sempre attuale: per quanto sofisticati siano i modelli di analisi del rischio esisteranno sempre eventi non prevedibili né misurabili, destinati a cambiare le regole del gioco.

SUPPLY CHAIN RESILIENTI

Gestire una supply chain non significa solo far arrivare materiali e prodotti da un punto all’altro. Significa soprattutto prevedere ciò che potrebbe interrompere quel flusso e prepararsi prima che accada. La gestione del rischio nelle catene di fornitura (Supply Chain Risk Management – SCRM) comprende un’ampia varietà di strategie e strumenti per identificare, valutare e mitigare eventi o condizioni inattese che potrebbero avere un impatto negativo su un punto qualsiasi della catena di fornitura. Queste strategie dipendono spesso da un processo decisionale rapido e adattivo basato sui dati provenienti da fonti interne, fornitori, indicatori economici. L’AI è lo strumento capace di analizzare questa enorme quantità di informazioni, trovare correlazioni, individuare pattern e segnalare rischi che altrimenti resterebbero invisibili. Conducendo un’indagine sui rischi della supply chain e sui parametri correlati è possibile ottenere una mappatura esaustiva per categoria, oltre a intercettare eventuali aspetti o informazioni mancanti o identificare nuove aree di rischio e, conseguentemente, mettere a punto soluzioni più puntuali. Grazie all’analisi dei dati, la tecnologia permette di costruire una sorta di cartografia delle vulnerabilità. Punti critici, categorie di rischio (finanziario, logistico, geopolitico, climatico, cyber) carenze informative, dipendenze non considerate. Trasformando l’incertezza diffusa in un quadro più strutturato e leggibile.

Le catene di fornitura sono sistemi complessi, che comprendono varie organizzazioni, operazioni, processi, risorse, persone e stakeholder strategici. Il flusso di informazioni lungo tutta la catena di connessioni aumenta le possibilità che vengano prese le decisioni più appropriate per garantire continuità e un funzionamento più efficiente, anche a fronte di minacce ed eventi inattesi. I sistemi software basati su dati e AI, possono essere sfruttati anche per migliorare il processo decisionale all’interno della supply chain, offrendo una maggiore visibilità end-to-end per sviluppare una strategia di mitigazione del rischio, e piani business continuity per fronteggiare crisi, incidenti e interruzioni senza farsi trovare impreparati. Per anni le supply chain sono state progettate con una logica quasi esclusivamente orientata all’efficienza. Produrre al costo più basso possibile, con scorte minime e tempi molto compressi.

Oggi però le aziende sono sempre più consapevoli che le stesse catene di approvvigionamento costruite per essere veloci ed economiche sono anche molto fragili. Per questo stanno cercando di aggiungere maggiore flessibilità. Anche se questa scelta può comportare una rinuncia a una parte dell’efficienza economica. Se la supply chain tradizionale si è rivelata vulnerabile agli shock, aggiungere fonti alternative per distribuire il rischio geografico, è una risposta razionale all’incertezza sistemica. Al tempo stesso, riconoscere che la gestione del rischio diventa prioritaria significa accettare che se la complessità non si elimina si deve provare a governare. Un cambio di mentalità importante. Non più solo di efficienza operativa, ma capacità di assorbire urti senza collassare. La ricerca di un nuovo equilibrio tra flessibilità ed efficienza non è un compromesso al ribasso, ma una diversa funzione di ottimizzazione.

In contesti regolati – pensiamo a settori critici o alla crescente attenzione normativa sulla resilienza operativa – questo approccio riflette meglio le aspettative dei legislatori e degli investitori. Detto questo, rendere la catena di fornitura più resiliente agli shock significa introdurre maggiore complessità. Diversificare i fornitori, allargare la geografia degli approvvigionamenti, introdurre ridondanze, significa abbandonare la strategia di ottimizzare solo per il costo minimo. Ogni nuova relazione, ogni nodo aggiunto alla rete, aumenta inevitabilmente le variabili da governare. La ridondanza inoltre ha un costo. Ampliare le fonti di approvvigionamento può ridurre la dipendenza da un singolo fornitore, ma al tempo stesso erodere il potere negoziale di un’azienda, facendo lievitare i costi di coordinamento e sviluppo di capacità più sofisticate di analisi e gestione del rischio. Non è più sufficiente controllare i fornitori diretti, ma occorre estendere il monitoraggio anche ai livelli più interni della catena di fornitura per individuare tempestivamente le possibili fonti di vulnerabilità. Governare una supply chain più complessa richiede dunque competenze nuove. Se l’organizzazione non evolve in parallelo, la complessità può superare la capacità di controllo. Strutturarsi per far fronte alla maggiore complessità non è alla portata di tutte le aziende. La logica della ridondanza comporta impegni finanziari non trascurabili.

In altre parole, non tutte le aziende possono permettersi lo stesso livello di resilienza, e non tutti i settori hanno la stessa tolleranza ai costi aggiuntivi. Più complessità infine non significa automaticamente più resilienza. Una rete molto ampia ma poco trasparente può diventare opaca, difficile da monitorare, esposta a rischi nascosti. Per esempio se l’azienda non riesce a sviluppare una visibilità adeguata sui livelli di esposizione cyber, la complessità può trasformarsi immediatamente in una nuova fragilità. Spostare il focus tutto sulla gestione del rischio come funzione separata, quasi difensiva è la seconda trappola da evitare. Se la risk management capability cresce, ma resta confinata a un dipartimento, senza integrazione nei processi decisionali strategici, la complessità non viene affatto governata.

IL RUOLO DELL’IT

Dalla progettazione del prodotto alla scelta dei fornitori, dalla produzione alla gestione dei magazzini, dal trasporto alla distribuzione e infine alla consegna al cliente, la necessità di ridurre i tempi del time to market per restare competitivi, continua a produrre una pressione enorme sulle aziende. Il cliente, anche quello business, pretende prezzi bassi, perché la competizione globale e la maggiore trasparenza dei prezzi hanno reso più semplice e immediato confrontare le offerte. La crescita degli standard medi nella qualità dei prodotti ha favorito la crescita delle aspettative. Sempre di meno poi si è disposti ad aspettare per ricevere un ordine. L’esperienza dell’e-commerce – pensiamo al modello logistico dei maggiori store globali – ha consolidato l’idea che ciò che si compra debba arrivare quasi subito.

Anche a fronte di queste sollecitazioni del mercato, le tecnologie avanzate hanno elevato i livelli di digitalizzazione della supply chain. Sistemi di pianificazione avanzata, analisi dei dati, piattaforme di collaborazione tra fornitori e produttori, automazione della logistica e integrazione tra aziende diverse hanno reso possibile questa accelerazione. Dati e AI se integrati in un disegno strategico chiaro possono offrire visibilità in tempo reale, prevedere ritardi logistici, intervenire su margini, livelli di servizio e gestione del rischio, consentendo alle organizzazioni di reagire alle sfide con strumenti più affilati.

Senza un processo decisionale rapido e una governance definita, tuttavia, la previsione resta solo un dato di background, non una leva d’azione. Per sfruttare davvero la tecnologia bisogna governarla, inserirla in una strategia chiara e coerente. Perciò prima ancora di adottarla, è necessario interrogarsi sull’esistenza di una visione strutturata della supply chain. Da sola la tecnologia, non genera visione. Al massimo riesce ad amplificare quella esistente. E se questa è confusa, frammentata o puramente reattiva, a essere potenziata sarà proprio quella confusione. Arrivati a questo punto bisogna farsi qualche domanda. Quale modello di resilienza vogliamo costruire? Vogliamo limitarci a reagire meglio alle crisi o vogliamo trasformare l’incertezza in una leva competitiva strategica? La differenza sta nella capacità di integrare persone, processi e tecnologie in un ecosistema che condivida informazioni in modo fluido e affidabile.

L’intelligenza artificiale si presenta, almeno in teoria, come l’acceleratore ideale della competitività. Capace non solo di automatizzare processi, ma anche di supportare e in alcuni casi guidare le decisioni. Ma in che misura questa promessa si sta davvero concretizzando? E quali ostacoli restano ancora da superare? In diversi ambiti, i risultati sono già tangibili. Nella previsione della domanda, per esempio, i modelli avanzati hanno migliorato sensibilmente l’accuratezza rispetto agli approcci tradizionali, contribuendo a ridurre sia le situazioni in cui un prodotto non è disponibile quando serve, sia gli eccessi di produzione. Nella pianificazione logistica, l’utilizzo di algoritmi evoluti consente instradamenti più efficienti e adattivi. Nella manutenzione predittiva, l’analisi dei dati permette di anticipare guasti e ridurre i fermi macchina non pianificati. Anche la capacità di simulare scenari “what-if” – ovvero le capacità di immaginare e testare scenari alternativi prima che si verifichino – è cresciuta in modo significativo. Per esempio, è possibile valutare rapidamente l’impatto di un ritardo di consegne in un porto oppure di un aumento dei costi delle materie prime.

Se tutto questo non elimina l’incertezza, permette però di reagire con maggiore tempestività ed efficacia. Ma l’idea che l’AI abbia già trasformato in modo diffuso e sistemico la supply chain è eccessivamente ottimistica. Il primo ostacolo resta la qualità e l’integrazione dei dati. Molte organizzazioni operano ancora con sistemi frammentati e/o non pienamente integrati, dati non standardizzati tra funzioni e partner esterni. L’AI non crea insight dal nulla. Se i dati sono incompleti o incoerenti, l’accelerazione rischia di produrre decisioni più rapide ma non necessariamente migliori. L’adozione di strumenti avanzati non coincide automaticamente con un cambiamento nei processi decisionali. In molte aziende ancora troppo centralizzati e gerarchici.

C’è poi un tema di competenze. Sfruttare davvero l’AI richiede profili capaci di interpretare modelli, comprendere limiti e bias, tradurre output analitici in scelte operative. Limitarsi a comprare una soluzione resta sempre solo una scorciatoia. Serve una maturità analitica diffusa, che non tutte le organizzazioni hanno sviluppato. Molti manager infine sono ancora riluttanti a delegare decisioni critiche a sistemi automatizzati, soprattutto in contesti ad alta incertezza. Inoltre, la compressione estrema dei tempi, se non accompagnata da adeguate contromisure, può amplificare gli effetti di decisioni sbagliate. La velocità è un vantaggio competitivo solo se resta governabile. In contesti avanzati e ben orchestrati, molte delle promesse sono state in buona misura rispettate. In altre realtà, i risultati concreti hanno deluso più di quanto la narrativa mainstream suggerisca. L’AI ha dimostrato di poter comprimere i tempi e migliorare le decisioni, ma solo dove esiste una strategia chiara, dati solidi, governance coerente e competenze adeguate. Gli ostacoli da rimuovere oltre che tecnologici sono culturali, organizzativi e strategici. Senza questa evoluzione complessiva, si rischia di investire molto per ottenere un’accelerazione solo marginale.

LA NUOVA GEOGRAFIA

Lo shock pandemico ha aperto una fase, mai realmente conclusasi, di instabilità permanente. I due conflitti in corso, più di altri eventi recenti, hanno reso evidente quanto le interdipendenze globali – per anni considerate un fattore di efficienza – possano trasformarsi in vulnerabilità strategiche: materie prime critiche concentrate in poche aree del mondo, prodotte in Paesi soggetti a sanzioni, rotte marittime esposte a rischi militari. Ciò che era invisibile nella normalità è diventato improvvisamente evidente nella crisi.

Oggi, aziende e organizzazioni si muovono dentro uno scenario segnato da tensioni geopolitiche crescenti, che stanno ridisegnando flussi commerciali, disponibilità di risorse ed equilibri energetici. La resilienza delle supply chain non è più una variabile accessoria, ma una priorità strutturale. Non si tratta più di ricomporre catene interrotte, ma di ripensarle completamente. Come ha osservato l’ex Segretario generale della NATO Jens Stoltenberg, viviamo in un’epoca di competizione strategica e rischi globali interconnessi. Una definizione che fotografa la natura sistemica dell’attuale instabilità. In questo quadro, ciò che un tempo erano buone pratiche – la mappatura delle dipendenze, l’analisi delle vulnerabilità e dei rischi – diventano condizioni essenziali di sopravvivenza.

Senza una visione estesa e multilivello della propria rete di fornitura, il rischio concreto è quello di navigare alla cieca. Non basta più sapere da dove arrivano componenti o materie prime. Occorre comprendere in quale ecosistema politico, normativo ed energetico sono inseriti. Il rischio è sistemico. Per questo diversificare, predisporre alternative, costruire piani di continuità diventa una necessità. Allo stesso modo, ridurre il rischio di interruzioni non può più essere considerato un esercizio interno alla singola impresa. Ma un processo che richiede cooperazione lungo l’intero ecosistema. Fornitori, partner logistici, clienti e attori tecnologici devono essere messi in condizione di condividere informazioni, coordinare decisioni e costruire risposte comuni agli shock. Solo così la catena di fornitura può evolvere in una rete resiliente, capace non solo di reagire alle crisi, ma di assorbirne gli effetti.

La tecnologia a fronte di questo sforzo può offrire un contributo decisivo, soprattutto in termini di visibilità e capacità predittiva. Ma la loro efficacia resta legata alla qualità delle decisioni che le accompagnano. Il dibattito su automazione e intelligenza artificiale, come prevedibile, è oggi meno ingenuo rispetto anche a pochi mesi fa. L’AI può aiutare a simulare scenari, ottimizzare scorte in condizioni di incertezza, ridurre attività ripetitive e liberare tempo per l’analisi strategica. Ma l’idea che possa prevedere tutto si è incrinata di fronte a eventi come crisi militari, shock energetici, decisioni politiche improvvise, che sfuggono anche ai modelli più avanzati di analisi. L’incertezza radicale resta una variabile strutturale. L’AI amplifica le capacità analitiche, ma non sostituisce il giudizio strategico. Per chi pianifica e governa la supply chain, la sfida non è solo ottimizzare costi e tempi, ma costruire sistemi produttivi e logistici capaci di adattarsi ai nuovi scenari di instabilità diffusa. La resilienza, intesa come la capacità di resistere agli shock ed evolvere anche quando il contesto cambia improvvisamente, consolida la sua centralità come paradigma della nuova competitività.

Brother – Data Product Management: soluzioni di stampa ed etichettatura per tutte le esigenze di tracciabilità

L'articolo Supply chain resiliente, il nuovo imperativo dell’IT proviene da Data Manager Online.

Negli ultimi anni, l’intelligenza artificiale ha smesso di essere una tecnologia specialistica riservata a pochi esperti, ma è diventata parte integrante della vita quotidiana delle aziende. Non si tratta più solo di modelli o algoritmi, ma di organizzare processi, ridefinire ruoli e responsabilità, e costruire sistemi di lavoro in cui dati, decisioni e azioni siano strettamente collegati, rendendo ogni processo più efficiente, più intelligente e in grado di produrre valore reale per l’azienda.

L’AI è entrata nel lessico del business non solo per le sue capacità predittive, ma per l’impatto diretto che sta avendo sul funzionamento delle organizzazioni. La Generative AI ha accelerato questo processo, introducendo modelli capaci di comprendere il linguaggio naturale, sintetizzare informazioni, produrre contenuti e supportare team e persone nelle attività quotidiane. Al tempo stesso, la sua diffusione ha reso evidente un limite strutturale: gli output restano prevalentemente informativi – testi, analisi, bozze, suggerimenti – e non si traducono automaticamente in azione operativa. La trasformazione in decisioni ed esecuzione richiede ancora integrazione nei processi, passaggi tra sistemi e gestione di vincoli, eccezioni e responsabilità. È in questo spazio che si colloca l’AI agentica: non come estensione conversazionale, ma come evoluzione architetturale. Un paradigma in cui l’intelligenza non si limita a generare contenuti, ma pianifica, coordina ed esegue sequenze di attività, trasformando l’informazione in operatività strutturata e orientata agli obiettivi. L’idea è semplice e al tempo stesso dirompente: affidare a sistemi autonomi non solo compiti cognitivi, ma parti concrete del lavoro operativo.

Un agente può analizzare il contesto attraverso modelli statistici addestrati su specifici dataset, ricevere un obiettivo, pianificare una strategia, orchestrare strumenti esterni, valutare gli esiti delle proprie azioni, autocorreggersi e completare il compito in modo autonomo, senza supervisione umana costante.

Il salto è evidente: dalla produzione di conoscenza all’esecuzione di azioni, dai dati ai processi, dall’informazione all’operatività. In questa prospettiva, l’AI non è più solo supporto alle decisioni, ma diventa parte integrante della macchina organizzativa: non si limita ad assistere, ma agisce, spostando il baricentro delle imprese dal controllo dell’informazione alla progettazione dell’autonomia.

DALLA RISPOSTA ALL’AZIONE

Un agente intelligente è un’entità software – e in alcuni casi anche fisica – progettata per muoversi in un ambiente, rilevarne lo stato, prendere decisioni e agire per raggiungere obiettivi complessi. La differenza rispetto a molte applicazioni di AI generativa non sta tanto nel livello di qualità e accuratezza del contenuto prodotto, quanto nella continuità del comportamento: l’agente non vive in un singolo prompt, ma in un ciclo costante di rilevamento-decisione-azione. In sostanza, tiene traccia di tutto ciò che serve – che si tratti di un singolo task, di una pratica complessa o di un contesto più ampio – e costruisce una sequenza di passi per raggiungere l’obiettivo. Determina gli strumenti e le risorse, dalle API ai software aziendali, dai sistemi di ticketing alle piattaforme di BI, dai database agli strumenti di procurement. Quindi agisce, verifica i risultati e, se necessario, ricalcola la strategia, adattandosi al contesto come farebbe un “collaboratore” attento e meticoloso.

Dal punto di vista del business, l’impatto è radicale: l’AI smette di essere una semplice “interfaccia intelligente” e diventa un vero e proprio “collega digitale”, capace di portare a termine obiettivi concreti. Non si limita più a rispondere a richieste puntuali, ma prende in carico processi complessi, seguendoli fino all’esecuzione. La differenza rispetto all’AI generativa – per così dire – tradizionale, si vede nell’autonomia operativa. Non si tratta più di chiedere un riassunto, un’analisi o un suggerimento, ma di affidare all’agente intere catene di attività. In ufficio, può leggere un contratto, valutare i rischi, aggiornare i sistemi e aprire le pratiche necessarie; in ambito commerciale, riconoscere scostamenti nelle vendite, individuarne le cause e proporre interventi correttivi. In fabbrica, l’agente può monitorare linee di produzione, rilevare anomalie nei macchinari, pianificare interventi di manutenzione, adattare la sequenza dei processi e avvisare i team solo quando è davvero necessario. In ogni caso, non si limita a “svolgere il compito”, ma lo integra nel flusso operativo, garantendo continuità, coerenza e tracciabilità.

Questa autonomia non funziona come un interruttore acceso/spento, ma si sviluppa lungo un continuum. In molti casi, l’agente può partire in modalità “assistita”, proponendo soluzioni e preparando attività; avanzare verso una modalità “supervisionata”, in cui esegue compiti con conferma umana; fino a raggiungere un funzionamento “autonomo”, capace di operare in piena indipendenza entro vincoli e regole aziendali. La vera forza dell’AI non sta tanto nella potenza del modello in sé, quanto nella capacità di tradurre questa potenza in azione concreta: l’integrazione con sistemi e dati, la gestione di identità e permessi, la tracciabilità delle operazioni, i controlli di qualità, la gestione delle eccezioni e la definizione di metriche di performance. Quando questi elementi sono pensati e coordinati in modo coerente, l’agente diventa un autentico acceleratore di produttività e precisione. In assenza di questa struttura, l’autonomia rimane solo apparente: i processi diventano opachi, i costi crescono e aumentano i rischi di inefficienze operative.

“INTELLIGENZA” SISTEMICA

Per comprendere la reale discontinuità introdotta dall’AI agentica – e le ragioni per cui richiede un approccio a livello organizzativo e non meramente sperimentale – è necessario osservarne l’architettura funzionale. Un sistema agentico maturo si fonda su una struttura tripartita, semplice nella forma ma complessa nelle implicazioni operative.

Il primo livello è la capacità di acquisire e interpretare segnali dall’ambiente informativo. Eventi IT, documenti, e-mail, log applicativi, dati transazionali, flussi da sensori, immagini, input umani: l’organizzazione del mondo reale viene tradotta in informazione strutturata e processabile. Il secondo livello è la decisione: qui convergono le capacità di ragionamento, pianificazione e orchestrazione. Il sistema valuta alternative, definisce sequenze operative, seleziona strumenti e risorse. Non produce risposte, ma costruisce strategie di intervento. Il terzo livello è l’azione; in pratica, la trasformazione delle decisioni in operazioni eseguibili: aggiornamenti su sistemi informativi, attivazione di workflow, controlli di conformità, modifiche ai parametri operativi, invio di comunicazioni, fino all’interazione con sistemi fisici e robotici. È il passaggio dall’intelligenza alla trasformazione concreta dei processi.

L’integrazione dei Large Language Models ha reso questa architettura più flessibile e generalizzabile. Gli LLM operano come un livello inferenziale trasversale: elaborano obiettivi espressi in linguaggio naturale, estraggono informazione da testi non strutturati, generano piani operativi, selezionano strumenti e impostano parametri di esecuzione. Ma bisogna fare attenzione a non confondere il piano logico con quello epistemologico. Gli LLM non interpretano nel senso cognitivo e non comprendono le intenzioni, ma agiscono sulla base di pattern matching probabilistico. All’aumentare della qualità e della quantità dei dati di addestramento, migliora la capacità del modello di generare risposte coerenti e funzionalmente adeguate rispetto al compito richiesto, raggiungendo livelli di plausibilità operativa più elevati.

In questo modo gli agenti AI assumono il ruolo di componente di orchestrazione tra la formalizzazione degli obiettivi e la loro implementazione operativa. Proprio questa capacità mette in luce un principio fondamentale: l’AI agentica non può funzionare affidandosi semplicemente a una sequenza di algoritmi. Anche i modelli più avanzati presentano errori, ambiguità e allucinazioni, fenomeni tipici dei modelli generativi che emergono secondo schemi statistici. Per questo, nei sistemi maturi l’attenzione si sposta dal modello all’infrastruttura che lo sostiene. Non basta disporre di un modello potente: è necessario stabilire vincoli operativi, regole e sistemi di protezione, attivare controlli automatici e logging, prevedere validazioni incrociate e gestire con attenzione permessi e limitazioni per le azioni più delicate.

In altre parole, l’intelligenza artificiale diventa realmente governabile solo quando le sue operazioni sono inserite in norme chiare, condivise e strutturate, che ne guidano l’azione e ne limitano i rischi. Da qui deriva una conseguenza strategica per le imprese: il valore dell’AI agentica dipende meno dalla scelta del modello e più dalla capacità organizzativa di costruire un’infrastruttura di esecuzione. In ecosistemi frammentati, con dati incoerenti, processi non standardizzati e sistemi integrati solo in parte, l’agente resta un elemento fragile, ad alta variabilità. In architetture ordinate – API stabili, dati di riferimento affidabili, workflow definiti, strumenti interoperabili – l’agente diventa invece un moltiplicatore di efficienza: riduce latenza decisionale, abbatte i costi di coordinamento, comprime i tempi di ciclo, aumenta la coerenza operativa.

Per questo l’AI agentica non è una semplice evoluzione tecnologica, ma una trasformazione operativa profonda. La sua efficacia non si misura nel valore della risposta, ma nella qualità dell’esecuzione: affidabilità, tracciabilità, compliance, scalabilità e sostenibilità organizzativa. Si tratta di un cambio di paradigma: dall’AI come supporto alla produttività individuale all’AI come componente strutturale di un’impresa.

AGENTI AI AL LAVORO

L’AI agentica non trova il suo terreno più fertile nella sperimentazione fine a sé stessa, ma nella capacità di generare un impatto reale sulle aziende. Il suo valore emerge soprattutto nel rendere i processi più fluidi, riducendo gli attriti tra decisione e azione e liberando le persone da attività ripetitive o dispersive. Molte aziende hanno già digitalizzato gran parte delle loro attività, ma restano comunque colli di bottiglia che rallentano il lavoro e disperdono tempo e risorse: passaggi manuali, gestione delle eccezioni, aggregazione di informazioni provenienti da sistemi diversi, controlli e riconciliazioni.

È in questo contesto che l’agente trova la sua missione naturale: grazie alla capacità di coordinare strumenti e persone, può operare in modalità guidata, supervisionata o completamente autonoma, garantendo che le attività vengano svolte nel rispetto di regole, vincoli e KPI stabiliti. Diventa così un vero facilitatore: collega informazioni da fonti diverse, anticipa eccezioni, prende decisioni operative e libera le persone da incombenze routinarie, permettendo loro di concentrarsi su ciò che richiede creatività, giudizio e competenza strategica. In questo modo, l’AI agentica non si limita ad automatizzare processi, ma li rende più efficienti e snelli, trasformando potenziali ostacoli in leve di crescita e generando un reale valore aggiunto. Nell’ambito della gestione dei processi, gli agenti possono monitorare flussi, identificare anomalie, attivare azioni correttive e gestire pratiche end-to-end.

A differenza della Robotic process automation (RPA) tradizionale, un agente basato su modelli linguistici opera in modo condizionale e adattivo: elabora il contesto, gestisce le varianti, determina dinamicamente la sequenza delle azioni in funzione dell’obiettivo e dei vincoli definiti. L’intervento umano non è integrato nel flusso come prerequisito, ma può essere attivato come meccanismo di supervisione o validazione nei casi di incertezza o soglia di rischio elevata. In questo senso, l’agentic AI non sostituisce l’RPA, ma la integra in un’architettura più ampia di orchestrazione, nella quale automazioni, regole e API vengono attivate all’interno di una catena di esecuzione coordinata.

La crescita del mercato RPA lo conferma: secondo Grand View Research, il mercato globale passerà dai 4,68 miliardi di dollari nel 2025 a 35,84 miliardi entro il 2033. In questo scenario, l’AI agentica spinge l’automazione oltre le regole rigide: meno manutenzione di script, più gestione delle eccezioni, maggiore resilienza. Nei servizi e nelle customer operation, l’agente va ben oltre il front-end conversazionale. La promessa concreta è gestire una richiesta fino alla chiusura: comprendere l’intento, verificare dati e contratti, attivare procedure, aggiornare sistemi, inviare comunicazioni, aprire ticket e gestire escalation. Il valore non si misura solo in risparmio di tempo o costi, ma nella qualità dell’esperienza: tempi di risposta più brevi, meno rimbalzi tra canali, maggiore risoluzione al primo contatto. Qui l’agente agisce come coordinatore, collegando CRM, sistemi di ticketing, strumenti di billing, knowledge base e documentazione interna.

In ambito IT operation e cybersecurity, gli agenti AI non si limitano a fare prima: possono fare meglio, con maggiore continuità e minore margine di errore. Sono in grado di monitorare infrastrutture e applicazioni in tempo reale, rilevare anomalie, correlare eventi, proporre e avviare azioni correttive entro limiti di rischio definiti, e ridurre significativamente il carico di lavoro dei team, liberandoli da attività di triage ripetitive e complesse.

Lo stesso approccio si estende alle funzioni Finance, Procurement e Compliance, dove gli agenti possono gestire riconciliazioni, controlli, validazioni documentali, richieste di approvazione e aggiornamenti dei sistemi. In questo modo, processi spesso lenti, frammentati o soggetti a errori diventano più fluidi, coerenti e trasparenti.

In tutte queste aree, la metrica chiave resta il ciclo operativo: quanto tempo passa tra azione ed esecuzione, quanta variabilità c’è nel processo, quante eccezioni vengono gestite e a che costo. Grazie agli agenti, le aziende possono trasformare operazioni complesse e ripetitive in flussi coordinati, liberando risorse umane per compiti strategici e aumentando il valore complessivo del lavoro quotidiano.

Per chi guida funzioni di business, il messaggio è chiaro: l’AI agentica non è un progetto IT da aggiungere “a posteriori”, ma un acceleratore di produttività organizzativa. Ma non basta “mettere un agente” sopra i sistemi: occorre selezionare le aree di applicazione in cui l’agente chiude realmente un ciclo, definire KPI di processo, progettare controlli e definire responsabilità. Solo così l’agente diventa efficace, integrandosi in una strategia operativa e trasformando l’AI da strumento sperimentale a componente stabile del sistema organizzativo dell’azienda.

DAL DIGITALE AL FISICO

I benefici più concreti dell’AI agentica arrivano prima dai processi digitali e organizzativi, e solo successivamente si estendono agli ambienti fisici, quando e se esistono le condizioni economiche e operative per farlo in modo sostenibile. Questo non significa che la dimensione fisica sia lontana o teorica. Al contrario: la traiettoria verso agenti che operano anche nel mondo reale è già tracciata e riguarda tutte le aziende che lavorano con infrastrutture, impianti, logistica, manutenzione, sicurezza e qualità. Il punto non è “portare l’AI nei robot”, ma costruire una continuità tra processi digitali e attività fisiche. In ambito operativo e industriale, gli agenti possono agire come livello di orchestrazione avanzato tra sistemi già esistenti, superando i silos organizzativi: MES, SCADA, sistemi di manutenzione, strumenti di qualità, pianificazione, supply chain, sensoristica e dati di campo. Di fatto, non li sostituiscono, ma li rendono più integrati, più leggibili e più efficaci. L’agente traduce obiettivi in azioni concrete, attivando i canali giusti: identifica scostamenti, propone interventi, avvia attività di manutenzione quando i segnali superano determinate soglie, coordina la gestione dei ricambi, dei ticket e degli interventi sul campo, riducendo tempi e duplicazioni. Ogni azione diventa tracciabile, coerente con un obiettivo e inserita in un flusso strutturato, non più frammentato.

La robotica collaborativa mostra come l’AI non si limiti a elaborare informazioni, ma le trasformi in azioni concrete. Quando le macchine interagiscono con l’ambiente fisico, entrano in gioco fattori come incertezza, sicurezza, affidabilità e controllo. L’approccio agentico non significa concedere completa autonomia ai robot, ma progettare sistemi in cui essi operano entro vincoli chiari, mentre l’agente sovrintende a pianificazione, priorità, adattamento e interazioni.

Nei magazzini e nella logistica interna, questa coordinazione rende i flussi più fluidi, aumenta il throughput e ottimizza l’uso delle risorse, mentre in produzione, permette di ridurre i tempi di setup, migliorare la qualità e accelerare la riconfigurazione delle linee. Il valore dell’AI fisica, dunque, non sta in una visione astratta di robot autonomi, ma nella capacità degli agenti di orchestrare azioni complesse in ambienti reali. Grazie a obiettivi chiari, pianificazione dinamica, controllo intelligente e adattamento in tempo reale, l’agente trasforma dati e segnali in decisioni operative efficaci. È questa logica, più che la tecnologia in sé, che consente una vera autonomia sicura e adattabile, capace di integrarsi con sistemi, persone e processi.

Anche gli investimenti in infrastrutture confermano questa direzione. La crescente domanda di sistemi AI sta già trasformando catene di valore, capacità produttive e strategie industriali, dimostrando che non si tratta di una moda tecnologica, ma di un cambiamento strutturale e duraturo.

Per molte aziende la vera domanda non è se l’AI arriverà nei sistemi fisici, ma come implementarla in modo sicuro e vantaggioso, con ritorni economici misurabili, evitando di appesantire l’infrastruttura tecnologica e senza creare nuove criticità nei processi. Proprio in questo contesto, l’approccio agentico diventa determinante: funge da ponte tra digitale e fisico, tra decisione e azione, tra strategia e operatività concreta, consentendo di trasformare i processi complessi in flussi coordinati e affidabili.

MERCATO, TREND E SCENARI

L’AI agentica sta entrando in una fase di maturazione che va oltre l’hype iniziale: l’interesse cresce rapidamente. Ovviamente non tutti i progetti avranno la stessa traiettoria. Alcune iniziative si trasformeranno in piattaforme operative scalabili, mentre altre saranno destinate a rimanere progetti pilota, contribuendo tuttavia a definire standard, processi e best practice. I dati di mercato confermano questa direzione e offrono un quadro delle priorità aziendali. Fortune Business Insights stima che il mercato globale dell’AI agentica passerà da 7,29 miliardi di dollari nel 2025 a oltre 139,19 miliardi entro il 2034, evidenziando un tasso di crescita straordinario. Parallelamente, IDC prevede che la spesa mondiale in AI crescerà del 31,9% l’anno tra il 2025 e il 2029, superando 1,3 trilioni di dollari, trainata principalmente dalla diffusione di applicazioni e piattaforme agentiche (“Worldwide Artificial Intelligence IT Spending Market Forecast”).

Questa crescita riflette un cambiamento strutturale nell’approccio delle aziende all’AI. La spesa crescente riguarda non solo software, ma anche infrastrutture, servizi, integrazione, sicurezza, governance, dati e capacità di osservabilità. Inoltre, gli analisti di IDC segnalano che entro il 2030 circa il 45% delle organizzazioni orchestrerà agenti AI su larga scala, integrandoli trasversalmente nelle funzioni aziendali. Questo evidenzia come l’AI agentica stia progressivamente affermandosi come leva strategica per le aziende, superando la fase di sperimentazione per diventare parte integrante delle operazioni quotidiane, in grado di trasformare concretamente gli investimenti tecnologici, ottimizzare processi complessi e ridefinire i modelli di business, generando valore misurabile e sostenibile.

Sul fronte economico, il potenziale dell’AI agentica è straordinario. Secondo McKinsey, le tecnologie di intelligenza artificiale avanzata potrebbero generare fino a 4,4 trilioni di dollari annui di valore aggiunto, considerando 63 casi d’uso in diversi settori. L’AI agentica rappresenta uno dei canali più diretti per trasformare questo potenziale in esecuzione concreta, riducendo il divario tra insight e azione e intervenendo in tutti i punti di attrito dei processi operativi. Allo stesso tempo, la rapida crescita del mercato porta con sé rischi significativi. Gartner stima che oltre il 40% dei progetti di AI agentica potrebbe fallire entro il 2027 a causa di costi crescenti, valore di business poco chiaro o controlli di rischio insufficienti. Ciò evidenzia che il successo dipenderà dalla capacità delle aziende di industrializzare gli agenti, integrandoli nei processi e definendo governance, metriche e responsabilità condivise tra business e IT. Il mercato e gli investimenti confermano che questa transizione è già in corso. IDC prevede che nei prossimi cinque anni il numero e la complessità degli agenti in uso cresceranno in modo esponenziale, con impatti diretti su software, servizi IT e strategie aziendali.

Entro il 2026, il 40% dei ruoli nelle grandi aziende coinvolgerà l’interazione con agenti AI, ridefinendo posizioni tradizionali a tutti i livelli. Inoltre entro il 2028, i modelli di pricing basati su licenze per utente saranno superati, mentre il lavoro manuale ripetitivo sarà progressivamente sostituito.

Queste dinamiche hanno implicazioni strategiche concrete: le organizzazioni devono pianificare l’implementazione dell’AI agentica con criteri di affidabilità, tracciabilità dei risultati e possibilità di crescita nel tempo, con un ritorno economico reale e senza generare debito tecnico o rischi operativi.

HUMAN IN THE LOOP

L’autonomia degli agenti AI continua a crescere, ma l’essere umano rimane al centro del processo decisionale. Human-in-the-Loop (HITL) sintetizza il delicato equilibrio tra l’azione autonoma delle macchine e la supervisione degli operatori umani. L’agente può pianificare, agire e adattare le strategie in autonomia, ma l’intervento umano entra in scena quando serve per approvare, correggere o orientare le decisioni, soprattutto in presenza di eccezioni, scenari complessi o scelte strategiche ad alto impatto.

Questa collaborazione non è un semplice vincolo di sicurezza: è una risorsa preziosa per aumentare affidabilità ed efficienza. L’esperienza, il giudizio e la responsabilità umana completano la potenza di calcolo e la velocità dell’agente, assicurando che le azioni siano sempre coerenti con policy aziendali, regole normative e obiettivi strategici.

La campagna di Artisan, lanciata lo scorso anno a San Francisco con lo slogan provocatorio “Stop Hiring Humans”, dimostra quanto l’idea di agenti autonomi sia suggestiva: nella realtà operativa, però, il successo dell’AI agentica richiede sempre l’intervento e la supervisione degli esseri umani.

AI a doppia velocità. Alterna: la fiducia è il vero acceleratore

Dalla dematerializzazione agli agenti AI, smeup cambia il documentale

L'articolo Agenti AI, il cuore operativo della nuova impresa proviene da Data Manager Online.

Il tessuto imprenditoriale del nostro Paese è composto principalmente da piccole e medie imprese, elemento distintivo del nostro modello di sviluppo: sono il cuore pulsante dell’economia in termini di occupazione e contributo al PIL e svolgono un ruolo fondamentale nel mantenere alto il livello della nostra competitività.
Nonostante gli investimenti siano inferiori rispetto alle grandi imprese, per le PMI la trasformazione digitale rappresenta una vera necessità di efficienza operativa e sicurezza.

Oggi, infatti, la competitività si basa sempre più su modelli data-driven: la tecnologia consente di leggere e interpretare i segnali del mercato (come per esempio le preferenze, i comportamenti e le aspettative di clienti e consumatori), orientare lo sviluppo di nuovi prodotti, prevedere scenari futuri della domanda, potenziare e arricchire il servizio al cliente. La digitalizzazione ben pianificata è in grado di rendere le aziende agili e resilienti.
Le imprese che si adattano ai cambiamenti, e li sanno anche anticipare, hanno maggiori possibilità di successo. Per le PMI si tratta di una duplice sfida sia tecnologica, che culturale. La tecnologia è facilmente accessibile; va inserita in un processo che, con una visione di lungo periodo, permette di ridisegnare nuovi modelli di business in grado di fare la differenza tra sopravvivenza e crescita. In questo processo deve essere coinvolta l’azienda nel suo complesso: imprenditori, management, dipendenti.

 GLI OSTACOLI ALLO SVILUPPO

La digitalizzazione delle PMI italiane cresce, ma troppo lentamente rispetto alla velocità con cui evolve il contesto tecnologico ed economico, e la piena maturità digitale è ancora lontana. Dati dell’Osservatorio Digital Innovation nelle PMI della POLIMI School of Management mostrano che più di una PMI italiana su due (54%) dichiara di investire nelle tecnologie digitali, sia in modo mirato su singole aree sia in modo trasversale su tutta l’organizzazione. Il restante 46% adotta invece un approccio più cauto. Il 20% dichiara che il digitale ha un ruolo marginale nel proprio settore, mentre il 10% dichiara di avere una scarsa comprensione dei benefici. La percezione che i costi collegati siano elevati riguarda il 9%. E il 7% esprime un totale disinteresse verso questa tematica. Nello stesso report, si registra una crescente presenza di figure interne a presidio della trasformazione digitale, accompagnata da primi segnali di revisione dei processi in funzione delle nuove soluzioni.

Gli analisti segnalano alcune fragilità strutturali. Un’impresa su tre non dispone ancora di un responsabile IT né interno né esterno. Ma il problema non è solo organizzativo, in molti casi mancano anche competenze trasversali su dati, cloud, processi e sicurezza.
A fare la differenza sono soprattutto i profili ibridi, capaci di unire visione strategica, capacità di adattamento e orientamento agli obiettivi. Figure ancora rare, ma determinanti per guidare percorsi di trasformazione complessi. Una digitalizzazione efficace, infatti, richiede un punto di riferimento chiaro – o un team dedicato – in grado di coordinare le scelte tecnologiche, la formazione e la comunicazione, gestire i rapporti con i fornitori e monitorare in modo continuo i principali indicatori di performance. E quando le competenze interne mancano o le risorse sono limitate, la collaborazione con consulenti, software house o system integrator diventa l’unica soluzione.

Tuttavia, anche quando le tecnologie sono disponibili, faticano a trasformarsi in leve di cambiamento trasversale: l’integrazione delle informazioni e la diffusione delle competenze digitali nei processi core restano ancora limitate. Connettività inadeguata, scarsa disponibilità di competenze e cultura aziendale non sempre pronta all’innovazione sono i principali ostacoli che limitano la digitalizzazione delle PMI.
E i dati dell’Osservatorio lo mettono in chiaro: l’83% dichiara difficoltà nell’adozione e nell’utilizzo di strumenti digitali, principalmente per carenze di tipo culturale (44%), per scarsità di competenze specialistiche (59%) e per i costi legati all’adozione e alla manutenzione di hardware e software (40%). Inoltre, il 47% delle imprese evidenzia criticità nell’accesso alla connettività digitale. Il tema della connettività resta una sfida aperta, in particolare nelle aree a minore densità imprenditoriale. L’accesso limitato a connessioni ad alte prestazioni può rallentare l’adozione di soluzioni digitali più avanzate, contribuendo a differenze di velocità nei percorsi di trasformazione e incidendo sul potenziale competitivo delle imprese locali.

L’ITALIA E L’EUROPA

Nell’ultimo rapporto DESI (Digital Economy and Society Index), di luglio scorso, si legge che il 26,2% delle PMI ha raggiunto un livello di digitalizzazione “alto”, e il 70,2% un livello “base”, valore che pone il nostro Paese al di sotto della media europea (72,9%), ancora un po’ distante dal 90%, obiettivo europeo del “Decennio Digitale”, da raggiungere entro il 2030. L’Italia ha fatto progressi importanti in questo campo, ma la distanza con gli altri paesi europei è ancora significativa. Si registra un gap molto importante tra le PMI e le imprese con più di 250 dipendenti: queste aziende, infatti, hanno un livello “base” del 97,8%, e un livello “alto” dell’83,1%.

Il report DESI mostra come l’Italia abbia colmato il gap con gli altri Paesi della UE nella connettività, con la copertura FTTP a banda larga che ha raggiunto il 70,7%. In crescita anche la percentuale di aziende che fanno vendite online (20,4% contro la media europea del 22,2%). Questo dato è significativo perché mostra la crescente internazionalizzazione delle nostre PMI, tradizionalmente fondate su eccellenza di prodotto e competenze manifatturiere distintive. Il digitale diventa così la chiave d’accesso ai mercati esteri per i campioni del “Made in Italy”, perché consente anche a piccole realtà di poter vendere in tutto il mondo. Altri tre obiettivi europei riguardano l’adozione di cloud intermedio/avanzato, l’analisi dei dati e l’uso di AI nelle imprese con almeno 10 addetti, ciascuno con un target del 75% entro il 2030. Anche in questo caso, gli indicatori mostrano progressi rilevanti: il cloud è passato dal 73,5% del 2023 al 90,7% nel 2025, l’analisi di dati è cresciuta dal 35,5% al 56,9%, mentre l’AI è salita dal 10,9% al 21,9%.

A CHE PUNTO SIAMO

Gli indicatori aggiornati al 2025, secondo il rapporto “Imprese ICT 2025” di Istat evidenziano, rispetto a due anni prima, una lieve riduzione del divario che ancora esiste tra PMI e grandi imprese.
In particolare, le differenze più marcate si riscontrano nelle attività legate alla complessità organizzativa e dimensionale come l’utilizzo di software gestionali ERP (48,8% per le PMI e 85,9% per le grandi imprese) e CRM (21,1% per le PMI e 56,5% per le grandi imprese). Ancora oggi, la maggioranza delle PMI continua a pensare al digitale come supporto operativo e non come strumento capace di orientare le decisioni di business. Anche per questo, l’adozione tecnologica nelle PMI italiane si concentra ancora su soluzioni di base, spesso non integrate tra loro.

I software gestionali, in particolare per l’amministrazione e la contabilità, restano i più diffusi: sono utilizzati dal 56% delle imprese con almeno 10 addetti, 7% in più rispetto al 2023. Le aree dove le PMI stanno investendo sono la sicurezza informatica per oltre il 53,8%, social media (41,8%), formazione informatica (44,3%) e cloud (29,3%). Sono in aumento anche le soluzioni di data analytics, intelligenza artificiale e blockchain, che offrono nuove opportunità per migliorare prodotti, processi e relazioni. I benefici percepiti si concentrano prevalentemente nelle funzioni amministrative, finanziarie e di controllo di gestione. Le imprese temono la difficoltà di integrazione nei processi esistenti e la mancanza di competenze interne più che i rischi tecnologici in sé.

Secondo i dati dell’Osservatorio del Politecnico di Milano, solo il 4% delle microimprese hanno avviato percorsi strutturati sull’AI in confronto al 6% delle piccole e al 20% delle medie. Una larga parte del campione, il 72% delle microimprese, ritiene che non sia ancora il momento di investire in questo ambito. Le ragioni principali sono la convinzione che l’AI non avrà impatti significativi nel breve periodo e la mancanza di tempo e risorse. «Se l’intelligenza artificiale viene introdotta senza aver costruito competenze intermedie e una solida cultura digitale di base, il rischio è di generare inefficienze e decisioni poco consapevoli» – afferma il direttore dell’Osservatorio Claudio Rorato. «È difficile passare dall’assenza di pianificazione a strumenti evoluti senza aver lavorato prima su processi, dati e competenze diffuse. Altrimenti si rischia di adottare soluzioni sofisticate senza la capacità di governarle, trasformando un’opportunità in un fattore di fragilità».

Tra le aziende che già utilizzano almeno una tecnologia AI, l’Istat riporta che il 70,3% continuerà a investire in questo ambito, mentre tra quelle che non la utilizzano la quota scende al 15%. Si registra una correlazione positiva fra digitalizzazione e produttività. Se nelle PMI con produttività alta, la quota che utilizza tecnologie AI cresce dal 6,5% al 9,2%, nelle grandi imprese l’incremento passa dal 15,2% al 46,2%.

PARTIRE DAI PROCESSI

Per le PMI la migliore strategia di digitalizzazione non parte dalla tecnologia, ma dall’analisi dei processi e delle efficienze dei diversi reparti e uffici. Se un processo inefficiente non viene prima riprogettato, la digitalizzazione rischia di innovarlo sul piano tecnologico, lasciandone però invariati i limiti operativi. Quindi, si devono innanzitutto mappare i flussi di lavoro, misurare i tempi medi delle lavorazioni e delle operazioni, calcolare sia i costi reali sia i costi nascosti (dovuti a errori, rifacimenti di produzioni, doppie registrazioni ed altro), valutare gli aspetti di sicurezza e compliance. Solo così si possono individuare inefficienze e identificare colli di bottiglia, intervenendo sui processi che impattano di più su costi, tempi e rischi, ottimizzando le risorse a disposizione. L’analisi e le innovazioni che ne derivano portano a una trasformazione non solo tecnologica, ma anche strategica, verso un’organizzazione più agile e capace di adattarsi rapidamente ai cambiamenti del mercato.

Contemporaneamente, si deve compiere una scelta mirata delle tecnologie da utilizzare a supporto della trasformazione digitale, perché non tutte le soluzioni sono adatte a ogni impresa. Meglio scegliere strumenti adatti alle reali esigenze, che siano anche scalabili, in modo che possano crescere a mano a mano che l’azienda si sviluppa e si evolve. La scelta è molto importante, perché le tecnologie digitali sono i veri abilitatori del cambiamento, in grado di supportare i nuovi processi, facilitare la fruizione dei sistemi e permettere di analizzare i dati in tempo reale. Importante è anche “svecchiare” il parco macchine e integrare i diversi software gestionali in uso. Spesso ci sono computer lenti, reti instabili, software di base non aggiornato e applicativi diversi per gestire ambiti differenti (contabilità, magazzino, produzione) che in molte realtà non comunicano tra loro, creando silos informativi, duplicazioni e inefficienze.

La trasformazione digitale richiede un approccio pragmatico, focalizzato su soluzioni concrete a immediato valore aggiunto: non è necessario un cambio drastico immediato, ma bisogna partire in modo graduale, evitando di voler fare tutto e subito. Si può partire dalla digitalizzazione di un processo considerato critico, formare il personale, investendo nelle competenze digitali dei dipendenti per massimizzare l’uso dei nuovi strumenti. Partire con un approccio smart è importante anche dal punto di vista dei tempi dell’organizzazione o della pianificazione finanziaria. Serve un piano preciso, con obiettivi concreti e ROI misurabile. Anche piccoli interventi mirati possono generare grande impatto. Successivamente, si possono estendere i risultati ottenuti, progressivamente, agli altri processi.

DOVE OPERARE

La digitalizzazione deve concentrarsi su aree specifiche: logistica e gestione magazzino, archiviazione e conservazione dei documenti, flussi di comunicazioni e approvazioni interne, CRM, supply chain. Ogni area aziendale può essere oggetto di questo processo. Per fare degli esempi, per quanto riguarda la gestione documentale, si possono dematerializzare gli ordini di clienti e fornitori, i contratti, i DDT, le fatture, le procedure, i manuali, qualunque archivio cartaceo, centralizzando l’archiviazione digitale, in rete o in cloud. In questo modo si riducono le attività manuali ripetitive, i costi cartacei legati alla stampa, all’archiviazione fisica e alla spedizione, e si dà un contributo alla sostenibilità ambientale. Si tratta di convertire la storia e il know-how aziendale in asset digitali, con un maggior controllo degli accessi, un migliore lavoro dei team, una migliore tracciabilità delle modifiche e una maggiore facilità di consultazione, anche per chi lavora in smart working. È un’area dove i margini di inefficienza sono elevati, il rischio di errore umano è alto, e inoltre la perdita documentale può generare, oltre che una perdita di informazioni, anche rischi legali e fiscali.

È possibile automatizzare i flussi documentali attraverso workflow strutturati, digitalizzando attività ripetitive come note spese, permessi e approvazione delle fatture. L’integrazione della firma digitale e il monitoraggio delle fasi garantiscono trasparenza e controllo, riducendo gli errori e accelerando i processi.
La logistica è una delle principali aree di intervento. Ottimizzare magazzini e tracciabilità delle consegne è determinante alla luce dell’aumento dei costi di trasporto. L’obiettivo è migliorare l’efficienza operativa e ottenere un controllo in tempo reale dei processi. Tra le soluzioni, l’adozione di sistemi WMS integrati con l’ERP, l’utilizzo di barcode e RFID, la tracciabilità dei lotti e i DDT digitali. Strumenti che consentono di ridurre gli errori nel picking, ottimizzare le scorte e condividere i dati in tempo reale con la pianificazione produttiva, migliorando anche gli acquisti e riducendo il capitale immobilizzato.

LA SICUREZZA COME BASE

Una PMI che digitalizza i processi deve mettere la sicurezza al centro: la trasformazione espone infatti le aziende a rischi crescenti. L’analisi della protezione dei dati e una strategia dedicata vanno integrate fin dall’inizio, perché la cybersecurity è un elemento trasversale e una leva gestionale essenziale per costruire basi solide per l’intero percorso di digitalizzazione. Eppure, nonostante l’aumento degli attacchi, la cybersecurity è ancora vista come un costo e non come un investimento strategico e necessario per la continuità operativa e per la reputazione aziendale. La sicurezza richiede un approccio strutturato e integrato: per prima cosa, si deve formare adeguatamente il personale sull’utilizzo della tecnologia, e va consolidata la consapevolezza che i dipendenti sono il primo scudo contro il ransomware e le altre minacce informatiche.

La formazione dei dipendenti su phishing e ingegneria sociale è la prima linea di difesa: l’errore umano resta la principale causa degli attacchi. È necessario formare le persone evitando il linguaggio troppo tecnico, per far comprendere i potenziali rischi cyber legati all’attività quotidiana di ciascun utente aziendale. Gli attacchi informatici devono essere percepiti come un rischio tangibile: simulazioni in ambienti controllati aiutano a comprendere cosa significa essere esposti a un attacco, mostrando l’impatto reale sull’azienda e quantificando i potenziali danni economici. Si comincia dall’analisi dei rischi per mappare gli asset aziendali, proteggere i dati sensibili e fare una attenta analisi delle vulnerabilità, predisponendo un piano di risposta agli incidenti con ruoli definiti e procedure chiare per minimizzare i danni e i tempi di inattività in caso di attacco. Tra le iniziative da adottare, l’introduzione di sistemi di autenticazione avanzati, policy per password complesse, log di accesso e piani di aggiornamento continuo di software e sistemi sia operativi che applicativi per chiudere le vulnerabilità di sicurezza.

Inoltre, si devono predisporre piani per backup regolari, con procedure chiare, gestendo la conservazione digitale a norma per garantire che gli archivi risultino autentici, integri, affidabili, leggibili e facilmente reperibili. Firewall e antivirus restano il primo livello di difesa. Misure di base, eppure non ancora diffuse in modo uniforme tra le PMI. A spingere l’adozione intervengono anche le normative: dal GDPR alla più recente direttiva NIS2, che impone alle imprese coinvolte nelle filiere delle grandi aziende di rafforzare i propri standard di sicurezza.

CULTURA E FORMAZIONE

La tecnologia da sola non basta, lo continuiamo a ripetere. Per una trasformazione digitale efficace servono competenze e cultura del dato. L’intelligenza artificiale può generare valore solo se supportata da solide pratiche di data governance e data strategy, che assicurino qualità, sicurezza e accessibilità delle informazioni. Le PMI presentano importanti lacune proprio in questi campi. Secondo i dati dell’Osservatorio POLIMI, il 41% delle piccole imprese e il 57% delle aziende di medie dimensioni segnalano una carenza di personale adeguatamente formato e competente in ambito digitale, in particolare su cloud, cybersecurity, AI e data analytics. L’introduzione di nuove tecnologie deve essere accompagnata anche da un cambiamento di mindset.

Molte aziende pensano che digitalizzarsi significhi solo adottare nuove tecnologie, ma in realtà significa trasformare integralmente il modo in cui l’azienda lavora. Per questo occorre sviluppare una mentalità orientata al digitale investendo di più nella formazione, che fatica a decollare: il 38% delle PMI non ritiene prioritario elevare le competenze digitali interne. La formazione nelle PMI italiane è riconosciuta come importante, ma resta ancora troppo spesso episodica, reattiva e poco strutturata. Solo il 30% delle PMI, secondo i dati dell’Osservatorio, dispone di un piano formativo e appena il 19% lo aggiorna con regolarità.
Il restante 70% si divide tra imprese che intervengono solo in presenza di necessità contingenti e realtà che non pianificano affatto le attività formative. Tra le medie imprese, cresce al 43% la quota di realtà che non forma regolarmente i collaboratori senza riscontra difficoltà. In pratica, maggiore è la dimensione aziendale, maggiore è la capacità di strutturare la formazione.

Anche se le attività formative si scontrano con la quotidianità: il tempo è il vero collo di bottiglia. In organizzazioni con risorse limitate, strutture poco articolate e sottoposte alla pressione della quotidianità è più difficile liberare i propri collaboratori, tuttavia, è indispensabile dare continuità alla formazione per valorizzare il capitale umano e costruire imprese più attrattive nei confronti delle nuove generazioni. Un aspetto importante è che la formazione resta concentrata soprattutto sui livelli operativi, mentre è spesso assente il coinvolgimento attivo di imprenditori e management, che dovrebbero essere i primi promotori del cambiamento, anche alla luce degli obblighi normativi introdotti in tema di cyber resilienza.

Molti imprenditori (e non solo loro) sono troppo legati a pratiche tradizionali. Il cambiamento spaventa, specie se percepito come imposto, o visto come troppo complesso. L’innovazione aziendale per avere successo richiede un forte commitment da parte del top management e un allineamento chiaro tra obiettivi di business e strumenti digitali: la mancanza indebolisce la capacità delle PMI di adottare una visione strategica dell’innovazione digitale e di guidarne l’implementazione in modo efficace. La digitalizzazione, infatti, in tante realtà viene percepita come un progetto IT isolato, non come parte integrante della strategia aziendale complessiva.

In un contesto di trasformazioni tecnologiche, demografiche e organizzative, la formazione deve diventare un processo continuo e sistemico, e la capacità di strutturare questo processo deve rappresentare una delle principali leve di competitività dei prossimi anni e di ingaggio verso le nuove generazioni: la vera differenza tra imprese che subiranno il cambiamento e imprese che lo guideranno passerà dalla qualità delle competenze che sapranno costruire oggi.

DIALOGO TRA LE GENERAZIONI

Allo scenario appena descritto, si aggiungono alcune criticità nel dialogo intergenerazionale, come mostrano i dati raccolti dall’Osservatorio PMI del Politecnico di Milano.
Il 44% delle micro, piccole e medie imprese afferma che le diverse generazioni collaborano adeguatamente e senza criticità. Le priorità nel trasferimento di competenze e conoscenze dai lavoratori senior ai più giovani riguardano prevalentemente il know-how tecnico, l’approccio al lavoro e la conoscenza storica dell’azienda.

Il 43% delle aziende riscontra invece difficoltà, soprattutto nel trasferimento di know-how dai lavoratori più anziani ai più giovani: la collaborazione intergenerazionale rappresenta una risorsa ancora non sempre governata, che potrebbe essere sfruttata meglio. Il 19-23% dei rispondenti evidenzia la scarsa motivazione dei più giovani ad acquisire conoscenze e competenze dai più anziani, mentre il 10-12% sottolinea le difficoltà nel trasferimento da junior a senior e la resistenza dei più anziani ad apprendere dalle nuove generazioni. Perché anche il reverse mentoring è importante: i più giovani devono supportare nell’uso del digitale e delle nuove modalità di comunicazione le figure senior, sempre più presenti nelle aziende italiane.

I dati di Istat dello scorso marzo, relativi al 2025, hanno infatti certificato la crescita degli over 50, con 409mila occupati in più rispetto all’anno precedente (+4,2%), a fronte di un calo di 115mila occupati nella fascia 35-49 anni e di 109mila nella fascia 15-34 anni. «In un mercato del lavoro con una rapida evoluzione delle tecnologie digitali, cambiamenti di modelli di produzione e consumo, invecchiamento della popolazione in età lavorativa e difficoltà nel reperire e trattenere i giovani, la collaborazione intergenerazionale diventa una risorsa importante per sopperire alle carenze di competenze» – spiega Francesca Parisi, ricercatrice dell’Osservatorio. «Soprattutto in organizzazioni poco articolate e con ruoli poco definiti, dove il sapere non codificato, appreso con l’esperienza e tramandato da un lavoratore all’altro, spesso prevale su quello codificato in manuali e procedure».

Brother – Digitalizzazione delle PMI

EOS Solutions – PMI: il valore della digitalizzazione

Formula – CML International, digitalizzazione ed eccellenza operativa

Sinfo One – Digitalizzazione PMI, efficienza e sicurezza partendo dai processi chiave

L'articolo La trasformazione a metà. Perché le PMI non fanno il salto? proviene da Data Manager Online.

Quando si parla di NIS2, la prima reazione è una sola: finalmente. Finalmente una normativa chiara, strutturata, leggibile, che lascia poco spazio a interpretazioni arbitrarie e guida le organizzazioni verso un approccio maturo e consapevole alla sicurezza informatica. Finalmente un testo che chiama direttamente in causa la direzione aziendale, ricordando che la cybersecurity non è un tema delegabile alla sola funzione IT, ma un rischio strategico di impresa.

Per una volta, l’Italia – grazie al lavoro dell’Agenzia per la Cybersicurezza Nazionale (ACN) – recepisce la direttiva in modo rigoroso, offrendo un servizio di pubblica utilità e producendo linee guida e faq che chiariscono l’interpretazione di alcuni punti. Per anni la sicurezza informatica è stata affrontata come una questione prevalentemente tecnica: firewall, patch, gestione delle vulnerabilità. Investimenti necessari, ma non sufficienti. In Italia siamo tradizionalmente portati a partire “in corsa”, iniziando subito le attività operative dei progetti e lasciando indietro pezzi fondamentali come la definizione di ruoli, requisiti e processi.

La NIS2 segna un passaggio netto: non basta installare strumenti, occorre governare. E governare significa definire processi chiari, ruoli verificabili, responsabilità esplicite. Significa poter dimostrare, in caso di incidente o di audit, che l’organizzazione ha identificato i rischi e ha assunto decisioni consapevoli, monitorandone l’efficacia nel tempo. È un cambio di paradigma che alcune realtà, già abituate a operare in contesti regolati – come il farmaceutico o gli ambienti strutturati secondo modelli ITIL – affrontano con maggiore familiarità. Più complesso è il percorso per molte PMI, dove le difficoltà emergono meno sul piano tecnico e più su quello organizzativo.

La roadmap normativa impone fin da subito un percorso operativo chiaro e scandito nel tempo: già da gennaio 2026 è scattato l’obbligo di notifica degli incidenti significativi, seguito a marzo dalla registrazione o dall’aggiornamento dei dati aziendali sul portale ACN. A maggio è richiesta l’integrazione delle informazioni aggiuntive, mentre entro ottobre 2026 le imprese devono completare l’implementazione delle misure di sicurezza di base emerse dalla GAP Analysis iniziale. Queste scadenze sono solo l’inizio: la normativa evidenzia la necessità di una review periodica, di un miglioramento continuo e del monitoraggio dei KPI di sicurezza. Questa è la differenza tra compliance e governance. Questi elementi chiamano direttamente in causa la direzione aziendale.

LA NIS2 CAMBIA LE REGOLE

La direttiva NIS2 rafforza il ruolo dei CdA, chiamati ad assumere una responsabilità diretta e deliberativa nella gestione del rischio cyber, rendendo la sicurezza un tema trasversale che richiede integrazione tra competenze diverse. In questo contesto, il 2026 rappresenta un passaggio chiave anche sul piano regolatorio. Sono infatti attese ulteriori indicazioni operative che dovrebbero chiarire gli obblighi di medio-lungo periodo e favorire una maggiore armonizzazione tra le diverse legislazioni nazionali, con l’obiettivo di convergere verso standard europei più uniformi. Un’area che richiede ancora maggiore definizione riguarda l’estensione delle responsabilità cyber lungo la supply chain, in particolare verso fornitori e partner, e i relativi meccanismi di audit. Si tratta di un ambito tuttora soggetto a interpretazione, dove diventa fondamentale adottare un approccio pragmatico: garantire la conformità sui requisiti essenziali, mantenendo al tempo stesso processi sostenibili, con controlli proporzionati al rischio e azioni mirate, evitando complessità non necessarie.

Uno degli aspetti più innovativi e strategici della NIS2 è la centralità della governance, che vuol dire definizione chiara di ruoli e responsabilità, strutturazione di processi di gestione del rischio, formalizzazione delle procedure operative, tracciabilità di decisioni e approvazioni. La NIS2 spinge fortemente il ruolo del CISO, ma non come figura isolata. Io sono favorevole, nelle aziende strutturate, a un CISO autonomo e indipendente che si assume la responsabilità delle azioni cyber. La mia esperienza sul campo mostra che il modello più efficace è quello in cui CISO, CIO e Quality Assurance (quando presente) lavorano insieme come un team integrato di governance della sicurezza. Il CISO guida la visione di sicurezza e gestisce il rischio. Il CIO traduce la visione in fattibilità tecnica e progettuale. Il quality manager garantisce metodo, tracciabilità, auditabilità. Questa è la “cabina di regia”, capace di fare sintesi e di portare in direzione documenti chiari, non tecnici, centrati sugli impatti di processo e business. Una competenza che non è innata in tutte le organizzazioni, ma che può essere supportata da partner specializzati in settori ad alta regolamentazione, come accade tipicamente nel settore farmaceutico.

La direttiva NIS2 chiarisce il principio più importante: la sicurezza non parte dalla tecnologia, ma dal business. Per definire misure realmente efficaci è necessario partire dall’identificazione dei processi critici che devono essere garantiti anche in condizioni di crisi. Il percorso inizia dall’identificazione dei processi critici con la Business Impact Analysis (BIA): quali processi non possono fermarsi? Quali servizi sono essenziali per assicurare la continuità operativa? Su questa base si sviluppa la Risk Analysis, che consente di individuare gli scenari di rischio cyber in grado di generare impatti significativi su quei processi.

Segue la Gap Analysis, finalizzata a identificare le misure mancanti – organizzative, documentali e tecniche – rispetto ai requisiti previsti dalla direttiva. Questo approccio impone un cambio di prospettiva. Le aziende devono guardare al proprio funzionamento in modo strutturato, chiarire le priorità e rendere espliciti processi e responsabilità spesso dati per scontati.

L’EFFETTO SISTEMICO DELLA NIS2

Nella corsa alla compliance, è importante ricordare che la NIS2 produce benefici che superano i limiti dei soli soggetti obbligati. Perché il metodo che introduce – fatto di governance, processi, analisi e responsabilità – è applicabile a qualsiasi organizzazione, anche alle PMI che vogliono innalzare la propria resilienza. E questo è particolarmente vero in contesti complessi come gli stabilimenti produttivi, gli ambienti OT, le supply chain articolate, dove la governance della sicurezza non è ancora pienamente strutturata.

Questo approccio è tipico anche di operatori con esperienza consolidata, che affiancano le aziende non solo sul piano tecnico e normativo, ma soprattutto nella definizione di modelli organizzativi sostenibili nel tempo. Un supporto sempre più richiesto perché, al di là degli obblighi, la sicurezza cyber è ormai una leva di competitività. In molte realtà, i reparti IT sono solidi nella gestione tecnica dei sistemi, ma meno strutturati su aspetti come la formalizzazione dei processi, l’aggiornamento continuo delle procedure, la gestione dei cicli di review o la capacità di tradurre le esigenze tecniche in un linguaggio comprensibile al CdA.

È in questo spazio che il contributo di competenze specializzate diventa rilevante per aiutare l’IT a costruire un sistema di governance della sicurezza che sia solido, proporzionato al contesto aziendale e coerente con i requisiti della NIS2. Perché se la compliance è una scadenza, la governance è una competenza. Ed è su questa differenza che si gioca la resilienza delle organizzazioni.

Giuseppe Rosario Bungaro head of Digital Transformation di Adeodata SA

L'articolo Il vero impatto della NIS2 proviene da Data Manager Online.

Immaginate di dire al vostro assistente AI: “Trovami un volo per Berlino a meno di 250 euro, confronta le opzioni e prenotalo con la mia carta.” Nessuna ricerca manuale, nessun confronto tra siti, nessun checkout. L’agente analizza, confronta, paga – e voi ricevete la conferma. Non è uno scenario futuro: nel settembre 2025, OpenAI ha lanciato Instant Checkout in ChatGPT, ampliandolo nel febbraio 2026 a tutti gli utenti e a nuovi partner, consentendo a centinaia di milioni di utenti di acquistare direttamente in conversazione. All’inizio di marzo, Santander e Mastercard hanno completato il primo pagamento end-to-end eseguito da un agente AI in Europa, all’interno di un framework bancario regolamentato. A metà marzo, Visa ha avviato il programma Visa Agentic Ready con 21 istituzioni finanziarie, tra cui Barclays, HSBC, Santander e Revolut. Benvenuti nell’era degli agentic payments: l’intelligenza artificiale non assiste più, ma agisce, negozia e conclude transazioni per conto dell’utente.

MODELLI, PROTOCOLLI E STANDARD

Per comprendere la portata del cambiamento, occorre distinguere tra l’AI generativa e l’AI agentica. La prima produce contenuti in risposta a input; la seconda pianifica, esegue e completa azioni per raggiungere un obiettivo. Nei pagamenti, questa distinzione è cruciale perché agire significa muovere denaro, con rischi legali e finanziari, senza equivalenti in altri domini dell’AI. La nuova tassonomia si articola in due livelli. I pagamenti via-agent vedono l’agente operare come concierge digitale: il consumatore esprime un’intenzione, l’agente ricerca, confronta, seleziona e paga. I pagamenti inter-agent sono transazioni machine-to-machine: un veicolo elettrico che paga la ricarica, un sistema di inventario che ordina forniture quando le scorte scendono sotto la soglia, un drone che negozia tariffe di priorità con un’AI del traffico municipale. Non è automazione: è autonomia economica del software: entità che transano con identità verificabili, credenziali proprie e un portafoglio digitale.

Due ecosistemi si contendono il linguaggio universale del commercio agentico. L’Agentic Commerce Protocol (ACP) di OpenAI, sviluppato insieme a Stripe come standard open source, alimenta Instant Checkout su ChatGPT. Il meccanismo è diretto: il consumatore esprime un’intenzione in linguaggio naturale, ChatGPT identifica i prodotti da cataloghi strutturati e il pagamento avviene tramite token delegati – monouso, con scadenza e importo limitati – senza esporre le credenziali della carta. Il protocollo è operativo con Etsy e oltre un milione di merchant di Shopify; PayPal porterà decine di milioni di piccole imprese all’interno dell’ecosistema nel corso del 2026.

L’Universal Commerce Protocol (UCP) di Google, co-sviluppato con Shopify e supportato da oltre 20 partner tra cui Target, Walmart, Visa, Mastercard, Stripe e American Express, adotta un approccio surface-agnostic. Copre l’intero ciclo del commercio – dalla scoperta del prodotto al post-vendita – ed è interoperabile con Agent2Agent (A2A), Agent Payments Protocol (AP2) e Model Context Protocol (MCP). Google lo implementa nell’AI Mode di Search e Gemini, con il merchant che resta il Merchant of Record. La coesistenza dei due protocolli è strutturale: ACP eccelle nella scoperta conversazionale; UCP cattura le query ad alta intenzione d’acquisto. La maggior parte dei brand dovrà supportare entrambi. Microsoft completa il triangolo con Copilot Checkout, mentre Amazon preferisce restare fuori dall’ecosistema aperto, bloccando i crawler di OpenAI e sviluppando agenti proprietari come Rufus AI e Alexa+.

FIDUCIA, IDENTITÀ E SICUREZZA

Se i protocolli definiscono il linguaggio delle transazioni agentiche, i circuiti di pagamento costruiscono l’infrastruttura di fiducia. Il Trusted Agent Protocol di Visa, implementato con Cloudflare secondo lo standard Web Bot Auth (IETF RFC 9421), affronta tre sfide: segnalare l’intento dell’agente (navigazione o acquisto), collegarlo all’identità del consumatore e trasmettere credenziali sicure. Una transazione completa è già stata eseguita: un agente AI ha acquistato un prodotto utilizzando una credenziale Visa emessa da Santander, completando l’autorizzazione, la tokenizzazione e il settlement senza intervento umano. Secondo Visa, il 47% degli acquirenti americani utilizza già strumenti di AI per lo shopping.

Mastercard Agent Pay introduce Verifiable Intent: una prova crittografica che collega identità, intenzione e azione in un record a prova di manomissione. Quando gli agenti AI operano con denaro reale, i consumatori necessitano di chiarezza su ciò che è stato autorizzato e di protezione in caso di errore. Il framework, che registra e autentica gli agenti come partecipanti visibili nel flusso di pagamento, è già operativo negli USA, in Europa e in Australia, e in fase di pilotaggio negli Emirati Arabi. Fiserv integra sia il Trusted Agent Protocol sia l’Agent Pay nella propria infrastruttura, segnalando la convergenza verso standard industriali condivisi.

La barriera principale all’adozione su larga scala non è tecnologica ma giuridica. La PSD2 richiede un’autorizzazione umana chiara per gli ordini di pagamento, senza meccanismi che equiparino un agente AI a un pagatore umano. L’AI Act europeo entrerà in piena applicazione il 2 agosto 2026 con un approccio basato sul rischio; l’AI Omnibus della Commissione ha suggerito di posticipare a dicembre 2027 il regime per i sistemi ad alto rischio. Nel Regno Unito, la FCA sta esaminando le implicazioni dell’AI agentica sul prossimo decennio, incluso il potenziale trasferimento del controllo della relazione-cliente verso i Big Tech. Un sistema AI nei pagamenti opera quindi entro rigorosi limiti operativi: molti sistemi sembrano agentici, pochi lo sono effettivamente.

ADATTARSI O ESSERE AGGIRATI

I primi mesi mettono in evidenza diverse sfide operative. OpenAI abbandona il checkout nativo in ChatGPT, spostando gli acquisti verso le app dedicate dei retailer (Instacart, Target, Expedia). Tra i milioni di merchant Shopify, solo una dozzina sceglie di andare live con Instant Checkout, evidenziando colli di bottiglia nell’onboarding. Sarebbe però un errore leggere queste frizioni come un fallimento: sono le doglie di una transizione paradigmatica. Oltre 100 partner lavorano con Visa nell’ecosistema Intelligent Commerce e la traiettoria resta inequivocabile. La trasformazione dei pagamenti agentici è prevalentemente concettuale: per la prima volta, il momento dell’acquisto può essere separato dalla presenza del compratore. Smart wallet per agenti conterranno logica di delega – limiti di spesa, restrizioni e regole comportamentali – e gli agenti costruiranno reputazioni creditizie, come gli esseri umani. Per le banche centrali e i sistemi di pagamento nazionali, la sfida è adattarsi o essere aggirati: l’infrastruttura dovrà supportare il settlement in tempo reale, le micro-transazioni, l’identità programmabile e il rilevamento delle frodi bot-aware. Per il settore finanziario europeo, l’imperativo è partecipare alla definizione degli standard che regoleranno l’ecosistema. Le istituzioni che integreranno l’AI agentica come architettura fondante plasmeranno un futuro in cui innovazione e protezione del consumatore avanzano insieme. Il futuro dei pagamenti non è invisibile. È intelligente, autonomo e fondato sulla fiducia.

Riferimenti

[1] Checkout.com (2026). “OpenAI’s ACP and Google’s UCP: What’s the difference?”

[2] Cloudflare (2025). “Securing agentic commerce: helping AI Agents transact with Visa and Mastercard.”

[3] Google Developers Blog (2026). “Under the Hood: Universal Commerce Protocol (UCP).”

[4] Mastercard Newsroom (2026). “Santander and Mastercard complete Europe’s first live agentic payment.”

[5] Mastercard (2026). “How Verifiable Intent builds trust in agentic AI commerce.”

[6] OpenAI (2026). “Buy it in ChatGPT: Instant Checkout and the Agentic Commerce Protocol.”

[7] PayPal Newsroom (2026). “Making Sense of the AI Shopping Protocol Moment.”

[8] PYMNTS (2026). “Visa Launches Agentic Ready Program to Help Banks Test AI Payments.”

[9] Taylor Wessing (2026). “Agentic AI in payments: Key regulatory considerations.”

[10] Visa (2025). “Visa and Partners Complete Secure AI Transactions.”

[11] Zelezkins, N. (2026). “Agentic AI in Payments in 2026.” Finextra.

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 Agentic payments, quando l’AI compra per noi proviene da Data Manager Online.

L’UE può vantare un impianto normativo che, per la tutela della libertà e della privacy dei cittadini, costituisce un unicum di civiltà e un patrimonio di cui forse saremmo in grado di misurare il valore solo nel momento in cui ci venisse sottratto. Dobbiamo andare oltre. Il cuore dell’economia digitale europea pulsa altrove. Per questo l’Europa – come spiega il Rapporto Draghi – deve riguadagnare maggiore forza produttiva.

La geografia della dipendenza IT varia parecchio all’interno della UE. Per paesi come Lussemburgo o Malta l’obiettivo non può certo essere una versione fuori tempo massimo di autarchia. Altri, più influenti ed economicamente importanti, si muovono su piani differenti. I francesi in particolare – ma lo fanno da tempo sottotraccia anche i tedeschi – ci hanno abituato a ragionare in termini di autonomia strategica. Spingendo su cloud sovrano, difesa, consolidamento di grandi gruppi nazionali.

Il “tutti contro tutti” non può che danneggiare le poche tecnologie europee che competono a livello globale. Dove vince chi ha più scala e accede in maniera più efficiente al capitale e alle catene di fornitura. Un sistema che premia chi cresce più velocemente, facendosi largo tra una concorrenza dura, e qualche volta sleale, che tende a creare pochi e voraci giganti.

In Europa faticano a crescere campioni industriali. Anche quando l’Unione prova a intervenire direttamente, finisce per scontrarsi con i vincoli che essa stessa si è imposta: regole sulla concorrenza, frammentazione dei mercati, limiti agli aiuti di Stato. Il Chips Act è emblematico. Concepito per rafforzare l’autonomia europea nel campo dei semiconduttori e ridurre la dipendenza dalle supply chain globali, mostra quanto sia difficile costruire una vera politica industriale, senza mettere in discussione l’architettura normativa che la dovrebbe sostenere. Lo stesso progetto di cloud europeo somiglia più a un patchwork che a un’infrastruttura digitale. Un mosaico di iniziative nazionali e consorzi che raramente riescono a saldarsi in un sistema integrato su scala continentale.

Costruire un’alternativa credibile richiederebbe investimenti enormi che rendono la competizione con gli hyperscaler a stelle e strisce strutturalmente impari. Così, molte delle iniziative di cloud sovrano finiscono per appoggiarsi proprio a queste piattaforme, trasformandosi in operazioni di “sovereignty washing”: una sovranità di facciata, difficilmente sostenibile nei fatti, soprattutto alla luce dell’extraterritorialità normativa imposta da strumenti come il Cloud Act statunitense.

Eppure c’è più margine di manovra di quanto molti vorrebbero farci credere. Per esempio, in alcune tecnologie chiave – quantum computing, cybersecurity, AI applicata – l’Europa può ancora giocare la sua partita. Alla causa servono però scelte politiche coraggiose: accettare una maggiore concentrazione industriale, investire capitali pubblici a livello di USA e Cina, proteggere – almeno temporaneamente –filiere strategiche ed eccellenze, orchestrando le politiche industriali nazionali.

La sovranità digitale europea non può che essere un processo graduale, fatto di investimenti e trasformazioni strutturali. L’Europa può diventare più autonoma solo con continuità e scelte coerenti. Un percorso necessario, ma fragile. Smettiamola di confondere la strategia con il lamento, se non vogliamo restare quello che siamo ora: un grande mercato per le tecnologie di altri.

L'articolo Sovranità, industria cercasi proviene da Data Manager Online.

Capire la tecnologia per capire il mercato resta, anche in questa fase dell’AI, l’unico modo serio per non farsi travolgere dalla narrazione del momento. E sappiamo bene che negli ultimi mesi quella narrativa ha ricominciato a parlare soprattutto la lingua della geopolitica. Con il ritorno di Donald Trump alla Casa Bianca, l’espressione “chip wars” è entrata nei documenti ufficiali e nei commenti di analisti e politici. Si continua a discutere di nuovi controlli sulle esportazioni di chip avanzati e di una possibile revisione delle politiche industriali degli Stati Uniti. In questo contesto, è diventato quasi automatico attribuire a Washington o a Pechino ogni movimento del settore dei semiconduttori.

Nel mio precedente articolo, “L’AI oltre la bolla, i limiti strutturali dei LLM”, avevo provato a spostare il punto di osservazione. Il punto non è stabilire se l’AI sia una bolla finanziaria, ma valutare la solidità del paradigma tecnologico sottostante. Il mito dello scaling infinito, l’idea che basti aumentare parametri, dati e potenza di calcolo per ottenere sistemi migliori, funziona fino a un certo punto. Oltre, emergono vincoli molto concreti, legati ai costi, all’energia e soprattutto alla memoria. Quello che è successo nelle ultime settimane sui titoli legati all’hardware AI sembra andare esattamente in questa direzione.

ATTENZIONE ALL’EFFICIENZA

Se si guarda al quadro generale, l’indice PHLX Semiconductor resta su livelli storicamente elevati dopo un rally molto significativo su base annua. Qualcosa però è cambiato. Perché dopo aver toccato nuovi massimi, l’indice ha registrato una correzione significativa. Non è un’inversione strutturale, ma sufficiente per incrinare la certezza che l’AI garantisca automaticamente una crescita lineare dei ricavi per tutto il settore. Il caso di Micron Technology è diventato emblematico.

Il titolo ha subito un calo nel corso di più sedute consecutive, arrivando a una perdita cumulata in doppia cifra. Una parte del movimento è stata collegata direttamente a un annuncio di Google.

Non si tratta di una nuova infrastruttura o di una GPU più potente, ma del nuovo algoritmo TurboQuant, che agisce su un elemento molto specifico dei modelli linguistici: la key-value cache, che permette di mantenere il contesto. Le prime analisi indicano che TurboQuant riesce a comprimere questa memoria fino a livelli estremi, arrivando a una rappresentazione a 3 bit e riducendo il consumo complessivo fino a un fattore di sei, senza perdita evidente di performance nei benchmark mostrati.

Tradotto in termini pratici, significa che la stessa GPU può fare molto di più. Può gestire più richieste, più contesto, modelli più lunghi, senza bisogno di aumentare proporzionalmente la memoria installata. È esattamente il tipo di innovazione che emerge quando il paradigma dello scaling “a forza bruta” inizia a mostrare i suoi limiti. Invece di aggiungere continuamente hardware, si inizia a lavorare sull’efficienza. Si comprime, si ottimizza, si riduce lo spreco.

Il mercato però ha reagito in modo quasi istintivo, leggendo questa evoluzione come un segnale negativo. Perché se basta un algoritmo per ridurre drasticamente il fabbisogno di memoria, allora la domanda futura di DRAM e HBM potrebbe non essere così lineare come si pensava. Non a caso, il movimento non ha riguardato solo Micron. Nelle stesse giornate si sono visti ribassi anche su Western Digital, Seagate Technology e Samsung Electronics: proprio quelle aziende che più avevano beneficiato della narrazione, secondo cui l’AI avrebbe consumato memoria senza limiti.

Esiste però anche una lettura diversa, che alcuni analisti hanno già iniziato a considerare. Una maggiore efficienza non necessariamente riduce il mercato complessivo. In molti casi lo espande, perché abbassa i costi e rende la tecnologia accessibile a un numero più ampio di applicazioni. È un meccanismo noto in economia, spesso associato al paradosso di Jevons.

Il fatto che il mercato abbia reagito in senso opposto dice probabilmente molto anche sul posizionamento degli investitori e sui livelli di valutazione raggiunti dopo il rally degli ultimi mesi. Se si torna al punto di partenza, il collegamento è abbastanza chiaro. Il paradigma “the bigger, the better” ha funzionato finché i costi marginali restavano gestibili. Oltre una certa soglia, ogni miglioramento richiede un aumento sproporzionato delle risorse. Tecniche come TurboQuant nascono proprio per affrontare questo passaggio. Perché se non posso continuare a scalare all’infinito, devo usare in maniera più efficiente le risorse che dispongo.

CAUSE E FRAINTENDIMENTI

Per il mercato questo passaggio è tutt’altro che neutrale. Chi ha costruito le proprie aspettative sulla convinzione che l’AI avrebbe assorbito qualunque capacità produttiva disponibile, deve iniziare a rivedere i propri modelli. La variabile rilevante non è più solo quanta domanda ci sarà in assoluto, ma quante risorse saranno necessarie per generare una certa quantità di valore. Tutto questo si inserisce in un contesto globale che resta comunque complesso.

L’amministrazione Trump ha già mostrato l’intenzione di intervenire nuovamente sui controlli dell’export e di usare la tecnologia come leva geopolitica. Allo stesso tempo, torna il tema dell’indipendenza della Federal Reserve System, con pressioni più visibili sulla politica monetaria rispetto al passato. Tutti questi fattori contribuiscono all’incertezza complessiva. Ma ridurre quello che sta accadendo a una semplice conseguenza della geopolitica rischia di essere fuorviante. La causa che ha innescato il repricing recente è, in larga parte, tecnologica. È la presa d’atto che la traiettoria dell’AI potrebbe non coincidere con una crescita illimitata e lineare della domanda di hardware.

In questo contesto, l’idea di un “rating tecnologico” delle aziende AI diventa sempre più rilevante. Integrare nelle valutazioni una comprensione minima delle architetture, dei vincoli tecnici e delle direzioni della ricerca non è più un esercizio accademico. È una necessità. Guardando avanti, lo scenario appare meno lineare rispetto a quello raccontato nella prima fase dell’hype. È probabile che l’AI continui ad espandersi e a sostenere una domanda elevata di infrastrutture. Allo stesso tempo, è altrettanto probabile che ogni modello diventi progressivamente più efficiente, riducendo il fabbisogno unitario di memoria e calcolo.

Anche nelle community tecniche online questo tema inizia a emergere con maggiore chiarezza. Nelle discussioni su Reddit dedicate a TurboQuant e alla gestione della key-value cache, l’attenzione si concentra sempre più su VRAM, costo di inferenza, lunghezza del contesto ed efficienza d’uso dell’hardware, più che sulla corsa ad acquistare nuova capacità. Non è ancora la prova di un cambio di paradigma, ma la tendenza è molto interessante: il dibattito tecnico si sta spostando dall’abbondanza di risorse alla loro ottimizzazione.

La vera domanda riguarda quanta potenza servirà all’AI e quanto efficientemente sarà in grado di utilizzarla. Ed è su questo terreno, più che su quello geopolitico, che si giocherà il prossimo repricing del settore.

L'articolo Hardware AI, scaling infinito stop. Repricing in arrivo proviene da Data Manager Online.

Dal 2016 a oggi, l’Unione europea ha costruito uno dei quadri normativi digitali più ambiziosi al mondo. Al GDPR si sono aggiunti l’AI Act, la NIS2, il Data Act, il Data Governance Act, il Digital Services Act e il Digital Markets Act. Il risultato è un corpus frammentato: definizioni non allineate, obblighi duplicati, autorità che si sovrappongono e faticano a coordinarsi, imprese (soprattutto PMI) che annaspano tra adempimenti sovrapposti.

È in questo contesto che il 19 novembre 2025 la Commissione europea ha presentato il Digital Omnibus, in linea con la “Implementation and Simplification Agenda 2025” e con il rapporto Draghi sulla competitività. Il pacchetto si articola in due proposte.

La prima – COM (2025) 837 – interviene su dati, privacy e cybersecurity: modifica GDPR, Direttiva ePrivacy, NIS2 e Data Act, fondendo in un unico testo Data Governance Act, Open Data Directive e il Regolamento Free Flow of Non-Personal Data. La seconda – COM (2025) 836 – emenda l’AI Act per renderne più praticabile l’applicazione, soprattutto per le imprese più piccole. Fra le modifiche, una delle più dibattute riguarda la ridefinizione di “dato personale” dell’art. 4 del GDPR. La proposta introduce un approccio soggettivo e relativo: le informazioni riferibili a una persona fisica non sono dati personali per un’entità priva dei mezzi idonei a identificarla. Se un’organizzazione non può identificare il soggetto, quei dati escono dal perimetro del GDPR. Un cambio già delineato dalla Corte di Giustizia UE (causa C-413/23 P), che i sostenitori leggono come razionalizzazione e i critici come apertura all’elusione della normativa.

Sul fronte dei data breach, proposti tre cambiamenti all’articolo 33 GDPR. Il primo: la soglia di notifica alle autorità sale ai soli casi di alto rischio per i diritti degli interessati, allineandola alla soglia già prevista per la comunicazione agli interessati. Secondo: il termine si estende da 72 a 96 ore. Terzo: nasce un punto unico europeo per le segnalazioni, gestito da ENISA secondo il principio “report once, share many”. Con un’unica notifica, le imprese assolveranno agli obblighi di GDPR, NIS2, DORA ed eIDAS 2.0. In materia di cookie, la Direttiva ePrivacy viene modificata riducendo i casi in cui i siti web devono richiedere il consenso: statistiche aggregate di traffico e verifiche tecniche di sicurezza ne sarebbero esentate. L’obiettivo è ridurre la proliferazione di banner che hanno trasformato il consenso in rituale burocratico. Il rischio è che la deroga per “finalità di sicurezza” si presti a interpretazioni estensive, aprendo la porta a profilazioni non presidiate.

Per la NIS2 l’intervento è esclusivamente procedurale: soggetti, obblighi e soglie restano invariati. Le entità essenziali e importanti notificheranno gli incidenti come oggi, ma tramite il portale unico ENISA, che inoltrerà le segnalazioni alle autorità nazionali competenti. Un meccanismo di routing puro, che ne rende probabile l’approvazione in sede parlamentare.

Sull’AI Act, il pacchetto collega l’applicazione delle regole sui sistemi ad alto rischio alla disponibilità degli standard tecnici. Viene introdotta la categoria “small mid-cap” con semplificazioni analoghe a quelle per le PMI. La disposizione più criticata consente l’auto-classificazione da alto a basso rischio senza notifica ad alcuna autorità, eliminando la registrazione nel database europeo: per i critici, un indebolimento della trasparenza come contrappeso all’auto-valutazione.

Il Digital Omnibus è ancora una proposta. Le due bozze seguiranno la procedura ordinaria, con emendamenti attesi al Parlamento europeo e al Consiglio. La direzione è comunque delineata: l’Europa vuole regole digitali che siano anche strumenti di competitività. La sfida è farlo senza sacrificare i diritti fondamentali che ne hanno fatto un modello globale.

Filippo Bianchini avvocato e componente del Comitato Scientifico CLUSIT

L'articolo Digital Omnibus, la riforma del Quadro digitale UE proviene da Data Manager Online.

Da semplice strumento di dematerializzazione, la gestione documentale diventa infrastruttura dell’informazione aziendale. Secondo i dati dell’Osservatorio Digital B2B del Politecnico di Milano, il mercato italiano della gestione documentale vale 2,3 miliardi di euro (+13% rispetto al 2021) e cresce in media del 4% annuo, trainato da sistemi di gestione documentale e dallo scambio digitale di documenti tra aziende. Eppure, dietro questa crescita si nasconde una trasformazione ancora incompleta. Gli investimenti restano contenuti, anche se nei prossimi cinque anni l’evoluzione del quadro normativo europeo in materia spingerà la digitalizzazione.

Tecnologie come l’intelligenza artificiale, pur considerate strategiche dalla maggioranza delle imprese (63%), vengono sfruttate solo dal 13%. Il risultato è un paradosso tipico della digitalizzazione italiana: strumenti diffusi e maturi, ma un potenziale di innovazione ancora largamente da sfruttare. In questo spazio tra maturità tecnologica e potenziale ancora inespresso, si inserisce la strategia di smeup, realtà ICT con competenze trasversali e una solida specializzazione nella gestione documentale, che oggi rappresenta una Line of Business da 4,5 milioni di euro e 30 professionisti.

L’arrivo del nuovo agente AI nella smeup enterprise suite previsto per il 2026 segna un cambio di paradigma: l’obiettivo è eliminare l’inserimento manuale dei dati, ridurre gli errori e accelerare l’intero ciclo di gestione dei documenti. «L’introduzione degli agenti AI rappresenta l’evoluzione naturale della nostra offerta» – spiega Yassine Abili, offering manager per l’area documentale di smeup. «Strumenti progettati per agire come veri e propri “colleghi digitali”, che si integrano nei sistemi ERP e nei workflow operativi».

IL DOCUMENTO DIVENTA PROCESSO

«Negli anni abbiamo lavorato su tutto il ciclo di vita documentale, dalla generazione alla ricezione, dall’archiviazione alla conservazione a norma, fino all’integrazione con i sistemi ERP e ai workflow autorizzativi» – spiega Yassine Abili. «Questo percorso ci ha permesso di sviluppare non solo competenze tecnologiche, ma soprattutto una profonda conoscenza dei processi aziendali e delle criticità operative legate alla gestione dei documenti. Ci siamo specializzati nell’accompagnare le imprese nella digitalizzazione non solo dei documenti, ma anche dei processi che li governano: un passaggio fondamentale per trasformare i documenti in dati strutturati e integrati nei sistemi aziendali». Per smeup, non significa semplicemente ridurre l’uso della carta, ma raggiungere un’efficienza trasversale in tutti i reparti aziendali, ottimizzando la gestione dei flussi documentali e migliorando la capacità di tracciare e riutilizzare le informazioni, «perché – continua Abili – la gestione dei documenti è un’attività che comporta una mole significativa di dati e informazioni, che vanno raccolti, organizzati e qualificati in modo intelligente».

L’intelligenza artificiale si inserisce perfettamente in questo contesto, come un “collega digitale”. La funzione principale del nuovo agente AI di smeup è quella di eliminare l’inserimento manuale dei dati, per gestire in autonomia ordini in PDF, bolle in formato scansionato, fatture elettroniche estere e più in generale documenti strutturati e semi-strutturati. Ma, come sottolinea il manager, il vero salto di qualità risiede nella capacità di “interpretare” il documento: «L’agente non estrae soltanto i campi, ma li collega al contesto aziendale, attivando controlli e logiche di processo. Questo per trasformare il documento da oggetto passivo a elemento attivo del processo». Il cuore intelligente dell’ecosistema documentale è la EVOPLATFORM, dentro cui vi è EVODOC AI, che è stato progettato per offrire flessibilità e per crescere nel tempo. La modularità messa in campo da smeup consente di garantire conformità normativa e di supportare un percorso di trasformazione digitale progressivo.

Altra caratteristica distintiva è l’approccio end-to-end: Evoplatform non si concentra solo sull’acquisizione del documento, ma ne governa l’intero ciclo di vita, dall’ingresso in azienda fino alla conservazione. Utilizza modelli di intelligenza artificiale per l’estrazione e la comprensione semantica dei contenuti, integrando controlli automatici, validazioni e interazioni con l’ERP.

«In termini di configurazione, il sistema è progettato per adattarsi a settori e processi diversi» – prosegue Abili. «Le regole di validazione, le soglie di controllo e i flussi autorizzativi possono essere personalizzati in base alle esigenze specifiche dell’organizzazione, mantenendo sempre un equilibrio tra automazione e supervisione umana. Questa massima flessibilità operativa si estende anche alle modalità di deployment. EVODOC AI offre la libertà di scegliere tra l’implementazione on-premise e la soluzione SaaS, attraverso i piani Business e Corporate, quest’ultimo con funzionalità “full optional” per un’automazione completa e senza compromessi».

L’ECOSISTEMA AGENTICO

L’automazione documentale è solo il primo passo. «La nostra visione è costruire un ecosistema in cui gli agenti intelligenti operano come componenti trasversali. Non immaginiamo l’AI come una funzionalità aggiuntiva, ma come un motore architetturale integrato nella suite. Ogni funzione – dall’amministrazione, alla logistica, dal commerciale alla compliance – può beneficiare di agenti specializzati, in grado di dialogare tra loro e con i sistemi gestionali».

La protezione dei dati costituisce l’altro elemento centrale dell’architettura. L’AI non accede direttamente ai documenti né li elabora in modo autonomo: il suo ruolo è interpretare le richieste e tradurle in istruzioni che vengono poi eseguite dal sistema EVODOC, nel pieno rispetto delle policy di accesso e dei privilegi utente definiti in azienda. «In questo modo manteniamo il controllo completo su dati e processi, garantendo che ogni operazione avvenga all’interno delle regole di sicurezza e governance già presenti nel sistema» – spiega Abili. «Inoltre, la tecnologia agentica è stata sviluppata internamente, proprio per assicurarci il pieno controllo sull’architettura e sull’evoluzione della piattaforma».

Nella pratica aziendale l’introduzione dell’AI avviene come funzionalità integrata in software esistenti. Molti analisti indicano che l’evoluzione dell’AI agentica nelle applicazioni enterprise segue proprio questo percorso. Nel caso di smeup l’approccio cambia prospettiva: l’AI non viene introdotta come semplice funzionalità, ma come elemento architetturale dell’ecosistema applicativo. «Questo significa che gli agenti intelligenti non lavorano come strumenti isolati, ma dialogano con i sistemi gestionali, con i flussi documentali e con le regole di business, contribuendo a rendere le attività più autonome, coerenti e scalabili» – spiega Abili.

Secondo la visione di smeup, nei prossimi anni l’evoluzione dell’AI porterà alla nascita di ecosistemi di agenti sempre più specializzati e collaborativi, capaci di operare su diverse funzioni aziendali e di coordinarsi tra loro per trasformare dati e documenti in informazioni immediatamente utilizzabili. Non si tratta soltanto di automatizzare attività, ma di costruire un’infrastruttura digitale in grado di rendere i processi più trasparenti, veloci e governabili. Ma l’adozione dell’AI richiede anche un cambiamento culturale. «Per produrre risultati concreti, deve essere accompagnata da nuove competenze, formazione continua e da un coinvolgimento diffuso dell’organizzazione, dai livelli decisionali a quelli operativi. Solo così – conclude Abili – può diventare una componente strutturale del lavoro in azienda».

L'articolo Dalla dematerializzazione agli agenti AI, smeup cambia il documentale proviene da Data Manager Online.