di Gianni Rusconi

La sicurezza informatica ha smesso da tempo di essere un affare per soli specialisti. Negli ultimi anni, sotto la spinta dell’accelerazione della trasformazione digitale, della diffusione dell’intelligenza artificiale e dell’inasprimento del quadro normativo, la cybersecurity è entrata stabilmente nell’agenda del top management. Non come tema tecnico, ma come questione di governo dell’impresa. Il Security Forum di Data Manager (19 novembre – Grand Visconti Palace Hotel di Milano) ha affrontato questo tema chiamando a raccolta responsabili della sicurezza e fornitori di tecnologia con l’obiettivo di andare oltre la superficie del problema e interrogarsi su cosa significhi oggi “fare sicurezza” in azienda.

Il punto di partenza condiviso è che il rischio cyber non è più un evento remoto o circoscritto: gli attacchi sono sempre più frequenti, sofisticati e mirati, colpiscono indistintamente grandi imprese e PMI e sfruttano vulnerabilità tecnologiche, ma soprattutto organizzative e culturali. In questo scenario, la semplice difesa del perimetro non è sufficiente. Serve una capacità più ampia di resilienza, intesa come attitudine dell’organizzazione a prevenire, assorbire e superare eventi avversi senza compromettere la continuità del business. Nel corso dell’evento, il concetto di resilienza è emerso come chiave di lettura trasversale rispetto a processi, infrastrutture, persone e modelli decisionali. Dall’OT security alla gestione degli accessi privilegiati, dall’awareness dei dipendenti all’uso dell’AI nei SOC, il confronto ha confermato la tendenza che vede la cybersecurity non essere più un dominio separato, ma una componente strutturale della strategia aziendale.

L’URGENZA NON PERCEPITA

La sicurezza non è più una funzione di presidio, né un costo da giustificare a posteriori: è una componente strutturale dei processi di trasformazione digitale e, sempre più spesso, una condizione di sopravvivenza per le imprese. È il messaggio centrale dell’intervento di Federica Maria Rita Livelli, specialista di business continuity e risk management, che ha aperto i lavori del Security Forum tracciando un quadro dello scenario cyber attuale. I dati CLUSIT, richiamati nel corso dell’analisi, confermano una tendenza ormai consolidata: gli attacchi crescono in numero, sofisticazione e impatto economico, colpendo in modo trasversale settori, dimensioni aziendali e filiere. A cambiare, però, è soprattutto il perimetro da difendere. La convergenza tra IT e OT ha ampliato la superficie di rischio, rendendo obsolete molte delle tradizionali strategie di protezione. «Oggi un incidente cyber può fermare una linea produttiva, compromettere la sicurezza fisica delle persone o interrompere una supply chain globale» – ha spiegato Livelli. In questo contesto, parlare solo di cybersecurity è quindi riduttivo. Serve un approccio più ampio, che integri continuità operativa, gestione del rischio e sicurezza in un unico framework di cyber resilience che riflette la capacità di un’organizzazione di reagire e ripristinare rapidamente le proprie funzioni critiche. «La domanda non è più se un evento accadrà, ma quando. La differenza la fa la preparazione» – ha sottolineato ancora Livelli, evidenziando come business continuity, risk management e cybersecurity debbano smettere di essere silos separati.

A rendere il quadro ancora più complesso è la componente normativa. La “galassia” regolatoria europea – da NIS2 a DORA, passando per il Cyber Resilience Act, l’AI Act e le direttive sulla supply chain – adotta un approccio sempre più esplicitamente risk-based e resilience-based. Non basta dimostrare di aver implementato controlli, occorre provare di aver compreso i rischi e introdotto misure proporzionate ed efficaci. «I costi della non conformità – ha precisato l’esperta – non sono solo sanzioni ma riguardano l’accountability del management, la responsabilità lungo la catena di fornitura e il rischio di obsolescenza competitiva». La mancata compliance può tradursi in esclusione dai mercati, perdita di fiducia e interruzione dei rapporti con partner e clienti. Da qui l’invito a superare la fase dei proclami. «È tempo di mettere a terra strategie concrete» – ha ribadito Livelli. Strategie che spaziano da una chiara identificazione delle risorse critiche a piani di continuità realmente testati fino a modelli di governance che coinvolgono il top management. La resilienza, in altre parole, non può essere delegata esclusivamente all’IT o alla funzione security ma va intesa come una responsabilità trasversale che riguarda l’intera organizzazione. In questo percorso, anche l’intelligenza artificiale può giocare un ruolo chiave, sia come strumento di difesa – per il rilevamento avanzato delle minacce e l’automazione delle risposte – sia come nuovo fattore di rischio se adottata senza adeguati controlli.

A rendere ancora più urgente il cambio di paradigma è anche il fattore tempo. «Oggi abbiamo 24 ore o meno per reagire» – ha spiegato Livelli, descrivendo uno scenario che definisce senza mezzi termini “una sorta di torre di Babele”, in cui diventa sempre più complesso far circolare informazioni corrette e tempestive durante una crisi cyber. Sul tavolo di CEO e CISO c’è l’obbligo di implementazione della direttiva NIS2, che molte organizzazioni stanno ancora cercando di inquadrare, domandandosi se rientrano o meno nel suo perimetro di applicazione. «È fondamentale evitare che la governance della sicurezza diventi un ostacolo alla reattività» – ha messo in guardia l’esperta, richiamando il ruolo delle istituzioni – dall’Agenzia per la Cybersicurezza Nazionale a ENISA – e sottolineando la necessità di un coordinamento chiaro e funzionale. Il fattore umano resta infine l’anello debole. «Finché continueremo a fare formazione passiva, non saremo efficaci» – ha concluso Livelli, indicando nella consapevolezza diffusa e nell’approccio orchestrato alla sicurezza – come in una vera e propria orchestra sinfonica – la chiave per costruire una resilienza strutturale, capace di reggere l’urto di un “cyber universo” destinato a restare intrinsecamente caotico.

OLTRE LA COMPLIANCE

Se la compliance è il punto di partenza, l’obiettivo finale resta la riduzione concreta del rischio. È questo il filo conduttore dell’intervento congiunto di Marco Bonicelli, presales manager di Cyber Guru, e Casto Cremonesi, Direction Architecture Infrastructure & Security manager di SOL Group, per riflettere in modo pragmatico sul ruolo della cybersecurity awareness nello scenario attuale, segnato da minacce sempre più sofisticate e da obblighi regolatori stringenti. «La pervasività del digitale è totale e non riguarda più solo il lavoro, ma ogni dimensione della vita quotidiana, ampliando la superficie d’attacco» – ha esordito Bonicelli. Le minacce, infatti, crescono non solo in numero ma anche in qualità, con campagne di phishing sempre più sofisticate, spesso generate o potenziate dall’intelligenza artificiale. In questo contesto, nonostante i progressi tecnologici, il fattore umano resta centrale. È un punto su cui converge anche l’esperienza operativa di SOL Group.

«Chi sta tra la sedia e il computer è oggi l’elemento più critico» – ha sottolineato in modo colorito Cremonesi, ricordando come gli «utenti con privilegi elevati rappresentano un rischio reale, ed è per questo che investiamo da anni in campagne strutturate di sensibilizzazione». Il gruppo brianzolo, attivo a livello internazionale nel campo dei gas tecnici, della sanità domiciliare, del biotech e dell’energia, opera in contesti fortemente esposti sia sul fronte IT sia su quello OT e ha colto l’opportunità offerta dalla NIS2 per accelerare il percorso di formazione della propria forza lavoro.
«L’awareness non è più solo una buona pratica ma è diventata un requisito sanzionabile, e di pari passo la sicurezza non è più solo un tema dell’IT ma è una responsabilità condivisa» – ha aggiunto Cremonesi, evidenziando come la vera criticità non sia tanto la norma in sé, quanto l’adesione degli utenti, già sottoposti a un sovraccarico di corsi obbligatori.

Entrano quindi in gioco nuovi modelli formativi, capaci di coinvolgere senza appesantire. Cyber Guru ha costruito la propria crescita proprio su questo approccio, scegliendo di non focalizzarsi soltanto sulla produzione di contenuti tecnologici. «La nostra metodologia – ha spiegato Bonicelli – si basa su come funziona il cervello umano e su come apprendono gli adulti. Portiamo la formazione nel momento in cui serve, davanti a una mail sospetta o a una navigazione potenzialmente pericolosa». Accanto alla didattica tradizionale trovano quindi spazio format esperienziali, serie video, simulazioni di phishing adattivo e strumenti di micro-learning integrati direttamente nel contesto operativo dell’utente. Un ruolo importante è giocato anche dall’intelligenza artificiale, utilizzata per il training conversazionale tramite chatbot o per generare banner in tempo reale che aiutano l’utente a interpretare segnali di minaccia deboli, come toni anomali, richieste finanziarie incongrue, allegati sospetti.

Se l’obiettivo di Cyber Guru è stimolare consapevolezza fra le persone dell’azienda, la dimensione globale di SOL ha reso centrale per l’azienda anche il tema della localizzazione. «Formiamo gli utenti nella loro lingua» – ha confermato Cremonesi. «E dove necessario, con sottotitoli e contenuti adattati ai contesti locali. Inoltre misuriamo l’adesione e la confrontiamo con i nostri KPI, intervenendo direttamente quando emergono scostamenti».
Sul fronte operativo, le simulazioni di phishing restano uno strumento centrale: ogni mese SOL lancia campagne internazionali con livelli di difficoltà progressivi, che aumentano man mano che l’utente diventa più esperto. «Il risultato è che oggi riceviamo più segnalazioni di falsi positivi che di attacchi reali: segno che l’attenzione è cresciuta» – ha confermato con soddisfazione il manager.

La misurabilità resta uno snodo chiave, come emerge anche dalle dichiarazioni di Bonicelli, secondo cui «la compliance non è mettere una spunta ma richiede un approccio virtuoso che sappia dimostrarne l’efficacia». Dashboard, reportistica estraibile, correlazione dei dati per funzione e area geografica sono strumenti operativi fondamentali per individuare punti di debolezza e attivare percorsi mirati, anche in ottica di audit e accountability verso il management. Le nuove minacce, dai deepfake alle truffe via WhatsApp, impongono infine un ulteriore salto culturale. «Bisogna diffidare delle richieste urgenti e usare sempre un secondo canale di verifica» – ha ammonito il manager di Cyber Guru, ricordando come autenticazione multi-fattore, protezione dei device, uso rigoroso dei canali ufficiali e, per i ruoli aziendali più esposti, codici condivisi o domande di verifica diventino accorgimenti essenziali. Il messaggio conclusivo, e condiviso da entrambi, è assai chiaro: la consapevolezza resta la prima linea di difesa e la cybersecurity awareness, quando non si limita all’adempimento normativo, può concretamente diventare una leva strutturale di resilienza per l’intera organizzazione.

CON GLI OCCHI DELL’HACKER

Non è più sufficiente rafforzare le mura di protezione: occorre capire da dove e come un attaccante può entrare. È il cambio di prospettiva che Simone Crevenna, head of SMB & S/M Enterprise Sales Italy di ReeVo, ha sintetizzato illustrando il concetto di Continuous Threat Exposure Management (CTEM) come risposta alla crescente complessità del rischio informatico. «I normali sistemi di difesa restano fondamentali, ma da soli non bastano più» – ha spiegato il manager. «Oggi serve lavorare in profondità sull’infrastruttura IT esistente per capire cosa non funziona e sapere sempre come muoversi in uno scenario in cui le superfici di attacco continuano ad ampliarsi, mentre le risorse interne, e quindi team di sicurezza e competenze, faticano a tenere il passo». In quest’ottica, ReeVo, cloud e cybersecurity provider europeo con otto data center certificati Tier IV all’attivo, propone il CTEM come un processo continuo, più che come una singola tecnologia, seguendo un approccio che – secondo Gartner – è destinato a diventare centrale nei prossimi anni. «Nonostante investimenti significativi in soluzioni difensive, molti CISO ci parlano di un persistente senso di insicurezza» – ha confermato Crevenna, ricordando che «all’attaccante basta una porta aperta per creare un danno e oggi le porte sono molte di più rispetto al passato».

Il contesto in cui ReeVo si muove è quello di una crescita esponenziale delle vulnerabilità note, di configurazioni errate che si stratificano nel tempo, di ambienti ibridi sempre più complessi e di un perimetro che non coincide più con il firewall aziendale. Il CTEM, se integrato in un servizio chiavi in mano in grado di trasformare la complessità tecnica in una capacità decisionale concreta, rappresenta la soluzione più idonea per contrastare queste criticità: si assume il fatto che l’attaccante possa già essere “in casa” e si prova a ragionare dal suo punto di vista attraverso un framework che comprende definizione dello scenario, discovery, validazione, prioritizzazione e remediation. «Non chiediamo al cliente quale attacco vuole testare» – ha spiegato il manager. «Perché la nostra piattaforma lavora come farebbe un attaccante, sfruttando tutto ciò che trova, dalle vulnerabilità note alla misconfiguration fino alle password in chiaro».

Grazie all’uso di sensori leggeri distribuiti sull’infrastruttura reale (workstation, server, ambienti cloud) è possibile simulare percorsi di attacco senza impatti operativi, per un risultato finale che non è un elenco indistinto di problemi, bensì la ricostruzione dei percorsi più rapidi ed efficaci per arrivare agli asset critici. «Il valore che offriamo non è dire alle aziende che hanno mille vulnerabilità, ma indicare quali sono davvero rilevanti per il loro business in quel momento, evidenziando i nodi su cui intervenire per ridurre drasticamente la probabilità di compromissione» – ha sottolineato ancora Crevenna, ricordando come in un caso reale si è passati da una percentuale del 93% di asset compromessi al 7% in soli tre mesi di lavoro continuo. Per spiegare la valenza della soluzione, l’esperto di ReeVo ha usato la metafora del labirinto, in cui un attaccante cerca sempre la via più veloce per raggiungere l’uscita (e nel caso di un’azienda questa uscita sono i suoi asset critici). «Il CTEM rende visibile quel percorso e permette di interromperlo prima che venga sfruttato. A differenza dei sistemi tradizionali, per loro natura reattivi, questo tipo di risposta garantisce la necessaria visibilità: se un percorso non è ancora stato utilizzato, nessun SOC può intercettarlo, mentre noi andiamo a stimolare ciò che potrebbe accadere» – ha concluso Crevenna.

LA RESILIENCE DIVENTA SAFETY

Gestire il rischio cyber nelle infrastrutture critiche non è più un esercizio teorico, ma una questione di continuità dei servizi essenziali e di sopravvivenza operativa. Per Gaetano Sanacore, Group Security & Cyber Defence – OT Security senior manager di A2A, le sfide all’ordine del giorno riflettono un obiettivo ben definito: delineare un approccio concreto per proteggere infrastrutture critiche dove l’interazione tra sistemi informatici (IT) e sistemi di controllo industriale OT e IIoT cresce di anno in anno, con un impatto diretto sulla resilienza delle aziende. Citando le direttive europee NIS2 e Cyber Resilience Act, Sanacore ha ripercorso il tracciato che ha portato alla situazione attuale. «Dal 2018-2019, la normativa ha indicato chiaramente che le infrastrutture critiche devono iniziare a conoscere e trattare il rischio cyber, non limitandosi a standard di base (IT) come l’ISO 27001, utile ma insufficiente per i sistemi industriali. Applicare un’analisi del rischio IT in un ambiente OT – ha continuato il manager – è un errore se viene fatta in modo indifferenziato, in quanto ogni asset industriale deve essere valutato localmente, secondo gli standard IEC 62443, per garantire la resilienza cyber dell’infrastruttura».

La differenza sostanziale tra IT e OT è alla base di questa riflessione: nel mondo informatico (IT), aggiornamenti e interventi possono avvenire in finestre temporali limitate, spesso notturne, con sistemi ridondanti che permettono di limitare l’impatto; nei sistemi Operational Technology la logica è diversa perché «non si può semplicemente spegnere per mettere in aggiornamento un sistema SCADA o un impianto di produzione energetica. Ogni intervento deve essere pianificato per evitare i rischi di interruzione dei servizi essenziali, come nel caso della fornitura di energia verso le utenze domestiche». Una differenza, quella fra information e operational technology, che impone un approccio modellato sulla “specificità” di ciascun asset e della sua criticità operativa (Security Level associato). «Alcuni casi reali verificatisi in Europa mostrano come vulnerabilità nei sistemi IT possano compromettere direttamente gli ambienti OT» – ha rimarcato in proposito Sanacore, ricordando episodi di multiutility in cui falle nei software gestionali hanno permesso movimenti laterali fino ai sistemi di controllo OT degli impianti, esponendo le infrastrutture a scenari di compromissione molto gravi, con conseguenze operative ed economiche rilevanti.

Per affrontare queste sfide, la soluzione passa da un approccio differenziato, secondo il quale «non bisogna forzare la convergenza tra analisi del rischio IT e OT e non bisogna trattare i due ambiti come se fossero speculari». L’adozione di queste pratiche diventa cruciale anche alla luce dell’evoluzione tecnologica. L’integrazione di sistemi di automazione sempre più intelligenti, basati su machine learning ed agentic AI, amplia la superficie di attacco potenziale e introduce nuovi scenari di minaccia. «Garantire la resilienza cyber – ha precisato in proposito Sanacore – significa anticipare questi rischi e implementare soluzioni ridondanti e piani di continuità operativa che considerino la complessità dell’infrastruttura». Un ulteriore elemento di complessità, infine, è la gestione degli incidenti: se nel mondo IT un fuori servizio a causa di minacce cyber o a causa di un aggiornamento critico può essere affrontato in poche ore, nei sistemi industriali l’intervento deve preservare la continuità dei servizi essenziali e ciò implica un’organizzazione interna che sappia intervenire rapidamente e in modo coordinato. Non basta insomma seguire procedure standard – questo il messaggio finale rivolto alla platea dal manager di A2A – ma serve conoscere profondamente l’infrastruttura per segmentarla bene, valutando i rischi in modo localizzato e gestendo con rigore le interazioni tra i due mondi operativi.

LA SICUREZZA COME CULTURA

Quando si parla di cybersecurity, il mondo del fashion non è storicamente in cima alla lista delle referenze. Eppure, anche un gruppo simbolo del lusso Made in Italy come Prada si è trovato a fare i conti con una realtà sempre più evidente: dati, sistemi e reputazione sono asset critici da proteggere quanto – e forse più – dei prodotti fisici. Ugo Vignolo Lutati, chief information security officer di Prada Group, ha condiviso un’esperienza fatta di gradualità, pragmatismo e scelte culturali prima ancora che tecnologiche. «Quando sono arrivato due anni e mezzo fa, la cybersecurity non era una priorità» – ha ammesso senza giri di parole. «Prada è sinonimo di moda, eventi, creatività. La tecnologia, e ancora meno la sicurezza, non erano il primo pensiero». Poi qualcosa è cambiato. La scintilla è stata la consapevolezza del rischio reputazionale. «Un data breach, per un marchio come il nostro, non viene perdonato, perché i nostri clienti si aspettano eccellenza in tutto, anche – e soprattutto – nella protezione dei loro dati» – ha spiegato il CISO. Da qui la decisione di avviare un percorso strutturato, coinciso con l’arrivo di nuove figure in azienda (CIO e CTO) e con la creazione di una funzione CISO autonoma, che riporta direttamente alla presidenza.

Il risultato è stato un cambiamento rapido ma calibrato. «Siamo partiti da una postura di sicurezza molto basica e in pochi anni siamo arrivati a un livello più che dignitoso grazie al fatto di aver remato tutti nella stessa direzione» – ha spiegato il manager, ribadendo come Prada abbia scelto una roadmap realistica nella cybersecurity, costruita in stretta sinergia con l’IT ma mantenendo una chiara distinzione dei ruoli. Guardando al presente, le sfide principali sono due: intelligenza artificiale e compliance normativa. Sul fronte della Gen AI, il gruppo Prada ha scelto una linea di equilibrio. «L’AI va sfruttata, ma in modo consapevole e controllato» – ha spiegato Vignolo Lutati, precisando come il rischio, soprattutto in un’azienda creativa, è quello di violare inconsapevolmente la proprietà intellettuale o di esporre informazioni sensibili. La risposta a questa esigenza è un modello di governance basato sulla trasparenza e sulla comunicazione, rispetto a un approccio che non demonizza l’innovazione ma la porta “alla luce del sole”, trasformando il controllo in cultura. L’errore umano resta la prima causa di incidente cyber, ha ricordato il CISO, e per questo l’azienda ha ripensato completamente il modo di fare formazione, passando dalla semplice awareness all’ingaggio del dipendente attraverso un mix di iniziative non convenzionali, pensate per coinvolgere attivamente le persone e per rendere la sicurezza realmente digeribile.

Sul tema della compliance (da NIS2 al GDPR fino all’AI Act), invece, Prada ha adottato un approccio tattico nel senso più positivo del termine. «Non avere scadenze pressanti aiuta» – ha ammesso in tal senso Vignolo Lutati. «Perché possiamo prendere il buono delle normative e adattarlo alla nostra realtà». E rispetto a questa filosofia che mette l’awareness al centro, corre anche la sicurezza di Luna Rossa. «I membri del team – ha ricordato infatti il CISO – sono concentrati sulla performance sportiva, ma sono iperconnessi: prepararli prima delle competizioni in mare significa proteggere non solo i sistemi ma l’intero ecosistema della Coppa America». La lezione pratica che arriva dal caso Prada è chiara: la cybersecurity è (anche) una questione di maturità e non esistono scorciatoie tecnologiche che possano sostituire strategia, cultura e coinvolgimento delle persone.

MINACCE NASCOSTE TRA I DATI

La sicurezza informatica, ed è un concetto emerso più volte nel corso dell’evento, non è più solo sinonimo di difese perimetrali o reazione agli incidenti. Sempre più spesso le minacce si mimetizzano nei comportamenti quotidiani dei sistemi e degli utenti, diventando visibili solo a chi è in grado di leggerne i segnali deboli. Stefano Radaelli, senior solution architect di Elastic, ha puntato proprio su questo aspetto per ricordare come la sua azienda sia nata come motore di ricerca ma nel tempo si sia evoluta in una piattaforma capace di raccogliere e analizzare dati in tempo reale, individuando pattern anomali che altrimenti resterebbero nascosti. Un’evoluzione che ha portato Elastic a estendere il proprio raggio d’azione dalla semplice analisi dei log a una visione più ampia della sicurezza, che comprende endpoint, infrastrutture e ambienti cloud.

Secondo Radaelli, uno dei limiti storici di molte soluzioni di sicurezza è stato quello di fermarsi alla visibilità. «Raccogliere dati è fondamentale, ma non basta. Se non si interpretano e non si trasformano in informazioni utili, si rischia di annegare nei falsi allarmi» – ha precisato Radaelli, confermando come da questo presupposto derivi la scelta di affiancare alla raccolta dei dati anche funzioni di protezione attiva e di analisi avanzata, in grado di ridurre il carico operativo sui team di sicurezza. Una scelta che ha trovato un punto di svolta nell’intelligenza artificiale. «Per noi l’AI è uno strumento che aiuta a fornire un livello di intelligenza aggiuntivo, amplificando le capacità delle persone e aumentando la possibilità di correlare eventi e incidenti in modo più profondo, così come farebbe un vero analista esperto» – ha chiarito Radaelli.

In altre parole, la tecnologia Elastic lavora su ciò che è già stato segnalato dai sistemi, rilegge gli eventi, li mette in relazione e li trasforma in una storia coerente. E genera benefici: uno dei più immediati è la drastica riduzione dei falsi positivi, uno dei problemi cronici dei centri di sicurezza, dove un analista passa fino al 60-70% del tempo a verificare allarmi che poi si rivelano innocui. «Automatizzare questa fase del processo di sicurezza significa liberare risorse e concentrare l’attenzione sugli incidenti reali» – ha rimarcato Radaelli. «Grazie all’AI è possibile chiedere al sistema in linguaggio naturale di spiegare cosa sta succedendo, quali sono i rischi e quali azioni intraprendere, rendendo la sicurezza più comprensibile anche a chi non ha competenze specialistiche». La capacità di individuare anomalie nel tempo è un altro elemento distintivo della proposta di Elastic. Non si tratta solo di intercettare un comportamento sospetto nel momento in cui si manifesta, ma di analizzarne l’evoluzione nel corso di mesi. «Molti attacchi sono lenti e silenziosi.

La possibilità di rivedere ciò che è accaduto sei o dodici mesi prima, in modo automatico, consente di scoprire minacce che altrimenti passerebbero inosservate. La nostra forza è la capacità di cercare informazioni in tempi rapidissimi e in profondità indipendentemente dalla quantità di dati da analizzare, di collegare eventi apparentemente scollegati e di trasformare la complessità in decisioni rapide, senza richiedere stravolgimenti infrastrutturali».

AGENTIC SOC E OT

C’è un fattore che unisce molti degli interventi dei relatori del Security Forum: la velocità. Quella degli attaccanti, innanzitutto. Ma anche quella con cui le aziende sono chiamate a rivedere i propri modelli di difesa, spinte da una tecnologia – l’intelligenza artificiale – che sta cambiando le regole del gioco e da un panorama di minacce sempre più ricco, fra uso massiccio di credenziali rubate e social engineering in forte crescita. Quando si parla di SOC e di risposta agli incidenti, la riflessione di Luca Nilo Livrieri, SE director Southern Europe di CrowdStrike, va per l’appunto in questa direzione: «Siamo passati dall’AI generativa all’AI agentica: strumenti in grado di operare autonomamente per noi, in modo coordinato, all’interno di processi di sicurezza. Questi devono permetterci di rispondere ad attaccanti capaci di effettuare movimenti laterali in appena 51 secondi e di completare campagne end-to-end in meno di 24 ore».

Il concetto di Agentic SOC, un centro operativo in cui l’analista diventa l’orchestratore di una flotta di agenti, è la risposta a questa evoluzione delle minacce. Gli agenti intervengono nelle fasi di rilevazione, investigazione e risposta, riducono drasticamente il tempo speso in attività ripetitive e facilitano di conseguenza il lavoro dell’analista, che trova già un triage pronto da validare, senza necessità di costruirlo da zero. Il vero salto in avanti è però un altro, ben descritto da Livrieri: «Gli agenti non si limitano a segnalare cosa è successo, ma ricostruiscono l’attacco, anticipano i passi successivi e suggeriscono le azioni di remediation. Il principio di fondo resta però quello dell’human in the loop, secondo cui l’essere umano rimane al centro del processo decisionale».

L’intelligenza artificiale, oltre a essere un potente strumento di difesa, definisce anche un nuovo livello di protezione ed è qui che entra in gioco il tema dell’AI-driven detection and response. «L’AI in azienda – ha osservato Livrieri – apre opportunità enormi, ma anche nuovi rischi. Il primo è quello della shadow AI, e quindi il non sapere quali strumenti di AI stanno usando i dipendenti e soprattutto di come li stanno usando. Il secondo fronte di intervento riguarda il comportamento degli agenti stessi, che vanno trattati come utenti con identità, privilegi minimi e regole chiare». Il rischio di attacchi legati all’intelligenza artificiale (avvelenamento dei dati, manipolazione dei modelli, generazione inconsapevole di codice malevolo) è tale da imporre alle aziende di governare in modo attento e responsabile i flussi, i modelli d’uso e i permessi, esattamente come si fa con le persone.

Se nel mondo IT, l’intelligenza artificiale è una leva ormai inevitabile, nel mondo OT il discorso cambia radicalmente. A ricordarlo è Marcello Romeo, presales manager South Europe di TXOne Networks, che ha messo subito in guardia dall’errore ricorrente di applicare all’Operational Technology logiche e soluzioni nate per l’IT. «Sono due mondi diversi: trattarli come se fossero uguali è un rischio. Nel mondo industriale dominano sistemi legacy, processi in tempo reale e ambienti spesso isolati. Stiamo parlando di impianti che funzionano da 10, 15 o anche 20 anni e di un contesto, quello industriale, dove anche un ritardo minimo può avere effetti devastanti. Il comportamento atteso della macchina e dei processi che governano la produzione è noto a priori e deve essere sempre lo stesso, ripetibile nel tempo e quindi deterministico. Una soluzione IT che rallenta di mezzo secondo un processo può essere irrilevante per un umano, ma disastrosa per una linea di produzione». Ed è per questo che l’intelligenza artificiale nell’OT va inquadrata con attenzione. «In molti casi si fa confusione» – ha precisato il manager di TXOne Networks. «Per comprendere se l’AI serve oppure no e le sue limitazioni, prima dobbiamo definire il contesto, soffermandoci sullo scenario di produzione OT. L’intelligenza artificiale può essere utile e avere senso nella fase transitoria di ottimizzazione dei processi, per individuare i parametri migliori di funzionamento attraverso miriadi di simulazioni, ma una volta definiti, quei parametri devono restare invariati, proprio perché gli impianti a regime devono funzionare in modo costante nel tempo».

Nella cybersecurity OT, l’obiettivo è un altro, non è quello di prevedere bensì quello di prevenire qualsiasi deviazione dal comportamento atteso. «Per rilevare un’anomalia e capire la deviazione dalla normalità non serve un’AI complessa» – ha osservato ancora Romeo. «Ma serve un meccanismo di auto-apprendimento che conosca a fondo il funzionamento della macchina». La priorità di ogni azienda, in altre parole, è costruire una baseline dei comportamenti leciti e bloccare tempestivamente ogni alterazione, anche quando è causata da un errore umano o da un intervento non autorizzato, consapevoli del fatto che «ogni deviazione è sintomo di errore e può trasformarsi in un problema di safety con impatti diretti sulle persone che lavorano a stretto contatto dell’impianto». La sfida della resilienza, in definitiva, è una sfida di consapevolezza: l’intelligenza artificiale non è una scorciatoia universale, ma una tecnologia che va governata, contestualizzata e adattata (dall’uomo) alla realtà e al contesto in cui è chiamata a operare.

Cyber resilience in azione, la risposta dei settori critici

Banche, industrie e utility energetiche affrontano le minacce digitali cambiando l’approccio alla cybersecurity. Non si tratta più solo di proteggere perimetri o prevenire intrusioni, ma di costruire resilienza sistemica in ecosistemi digitali sempre più complessi e interconnessi. Con la partecipazione di ENGIE Italia, Ferrero, Snam e UniCredit

di Federica Maria Rita Livelli

La cybersecurity deve coincidere con la governance aziendale, la strategia e la continuità operativa. DORA, NIS2 e l’AI Act stanno trasformando il modo in cui le organizzazioni affrontano il rischio digitale. Tra convergenza IT/OT, intelligenza artificiale e supply chain distribuite, il quadro emerso dal confronto con UniCredit, Ferrero, Snam ed ENGIE Italia che hanno partecipato al Security Forum di Data Manager, è che proteggere dati, processi e infrastrutture critiche richiede un approccio che integra compliance normativa, gestione del rischio e resilienza digitale. La lezione dei protagonisti è netta: la sicurezza non è più un adempimento, ma una leva strategica per innovare, proteggere la reputazione e garantire continuità in un mondo digitale sempre più complesso.

DORA E RESILIENZA OPERATIVA

Ha aperto la tavola rotonda Stephane Speich, head of Business Continuity & Resilience Group di UniCredit, portando la prospettiva del settore bancario, dove DORA sta ridefinendo completamente la resilienza operativa digitale. Come ha affermato Speich: «Non si tratta semplicemente di conformarsi a una nuova normativa, ma di ripensare la governance per garantire la cyber resilience in un contesto di compliance normativa cogente». Per questo motivo, è stata condotta una gap analysis dei requisiti DORA, inclusi gli aspetti di cybersecurity, e sviluppato un framework per la gestione dell’IT continuity, capace di affrontare scenari severi ma plausibili.

Inoltre, Speich ha sottolineato: «Le sfide del contesto attuale comportano l’utilizzo di strumenti e approcci nuovi. L’AI Act avrà un impatto anche sul settore bancario, introducendo nuove minacce, in particolare sull’integrità dei dati. In generale, l’obiettivo della pratica della continuità operativa è quello di garantire una capacità adeguata di risposta e recovery dei servizi e dei processi di business anche per gli scenari IT e cyber che prevedono una perdita di integrità dei dati».

IT E OT CONVERGONO

Il tema della sicurezza del settore manifatturiero è stato enfatizzato da Francesco Lucio Corrado, head of Cybersecurity di Ferrero che ha sottolineato come la convergenza tra IT e OT non sia più teoria, ma una realtà quotidiana che impatta direttamente i processi industriali. «In questo contesto – ha spiegato Corrado – normative come NIS2 e standard come IEC 62443 devono dialogare con ambienti produttivi che non ammettono interruzioni e dove la disponibilità dei sistemi è vitale e la confidenzialità dei dati resta imprescindibile. Mantenere aggiornati i sistemi operativi è fondamentale, ma la vera sfida è gestire la connessione tra IT e OT e l’orchestrazione necessaria per affrontare due prospettive di rischio differenti: da un lato la protezione dei dati e dall’altro la continuità operativa».

Il settore manifatturiero è oggi tra i più esposti agli attacchi informatici, con ransomware e compromissioni della supply chain in forte crescita. Gli impatti non si limitano alle perdite economiche, ma coinvolgono anche la reputazione e la sicurezza fisica delle persone. Per questo – ha evidenziato Corrado – la risposta non può essere confinata alla protezione perimetrale: «Serve una strategia di cyber resilience che integri continuità operativa, gestione del rischio e cybersecurity in un approccio olistico. Solo così è possibile affrontare minacce sempre più sofisticate e normative sempre più stringenti».

All’interno delle organizzazioni, la sfida non è solo tecnologica, ma anche culturale. È necessaria una responsabilizzazione diffusa sul rischio cyber, che coinvolga non solo i team IT e OT, ma anche il management e la supply chain. La sicurezza deve diventare parte integrante della strategia aziendale, non un requisito accessorio. Come ha rimarcato Corrado – «implementare la cyber resilience significa adottare un modello che unisca business continuity, risk management e cybersecurity, creando un ecosistema sicuro e resiliente capace di sostenere l’innovazione, senza compromettere la stabilità operativa».

ECOSISTEMI DISTRIBUITI E AI

Il settore dell’energia e delle utility è stato analizzato da Dario Brambilla, manager Technical & Digital Security di Snam, e Paolo Cannistraro, CISO di ENGIE Italia. Un contesto complesso, dove reti di distribuzione intelligenti, impianti di generazione connessi e sistemi SCADA governano infrastrutture critiche per milioni di utenti. La transizione verso fonti rinnovabili e reti smart ha creato un ecosistema distribuito, in cui l’innovazione si traduce nell’uso massiccio dell’intelligenza artificiale per bilanciare la rete, ottimizzare il demand response, gestire dinamicamente i prezzi e prevedere i consumi. Per Paolo Cannistraro – «è importante diffondere la NIS2 all’interno dell’organizzazione, considerando che molte realtà aziendali, con sedi in diversi Paesi europei, devono altresì gestire la sfida del recepimento disomogeneo della normativa a livello nazionale».

Mentre per quanto riguarda l’impiego dell’AI nel mondo utility, Cannistraro ha sottolineato: «L’adozione di questa tecnologia dirompente da parte dell’azienda implica di eseguire un’analisi del rischio non solo cyber, ma anche di privacy e legale per tutte le soluzioni adottate. Insomma, la gestione deve essere orchestrata per garantire una sicurezza a 360 gradi, utilizzando l’AI sia come leva strategica del business sia come arma difensiva». Infine Cannistraro ha aggiunto: «Il focus particolare della NIS2 sulla gestione della supply chain comporta che tutti i sistemi end-to-end e la catena del valore siano in sicurezza e resilienti».

Per Dario Brambilla, il punto chiave è strutturare la filiera della fornitura: «La maggior parte dei fornitori hanno un core business diverso e, per loro, la cybersecurity non è prioritaria, essendo produttori di componenti di impianto. Risultato: è necessario verificare la postura e le responsabilità di sicurezza del fornitore, oltre ad inserire clausole di resilienza chiare nei contratti». Brambilla ha evidenziato che l’introduzione dell’AI presenta una sfida fondamentale per le organizzazioni: «Da un lato richiede una profonda ridefinizione dei processi operativi e decisionali, dall’altro impone di garantire il mantenimento del controllo umano (“man in the loop”) nelle decisioni critiche». Emerge così la natura ambivalente di questa tecnologia: se da una parte si configura come alleata strategica capace di generare vantaggi competitivi significativi, dall’altra introduce nuove vulnerabilità che le organizzazioni devono fronteggiare.

REQUISITI E OPERATIVITÀ

Tornando sul tema dell’AI, Corrado di Ferrero ha ribadito l’importanza delle soluzioni di Information Security Assurance & Compliance e come esse rappresentino un supporto importante per la gestione della resilienza digitale, sottolineando – allo stesso tempo – che la tecnologia, da sola, non è sufficiente. Secondo Corrado serve una componente umana qualificata, capace di interpretare il contesto aziendale e i rischi specifici, per trasformare la sicurezza da semplice requisito a leva strategica. «Solo chi conosce a fondo il proprio ecosistema può definire priorità efficaci e misure di protezione che sostengano il business nel lungo periodo. Guardando avanti, la sfida non è solo implementare controlli, ma integrare la sicurezza nella cultura aziendale. Ogni livello dell’organizzazione deve essere consapevole dei rischi e avere ruoli e responsabilità chiari, per ridurre complessità e favorire agilità. La semplicità nel dialogo e la condivisione di una visione comune diventano fattori chiave per affrontare normative sempre più stringenti e per costruire un modello di governance che abiliti innovazione sicura. In prospettiva, la compliance non deve essere vista come un vincolo, ma come un acceleratore di competitività e fiducia nel mercato». Le soluzioni di Assurance & Compliance – come ha evidenziato Corrado – possono fornire una guida, ma la vera differenza la fanno le persone: solo chi sa interpretare i controlli e calarli nel contesto, bilanciando requisiti e operatività, riesce a renderli realmente efficaci.

UNIFICARE GLI STANDARD

Durante la tavola rotonda, gli esperti hanno sottolineato con forza la necessità di definire framework e template condivisi, capaci di integrare normative che oggi risultano sovrapposte e rischiano di creare un divario tra conformità formale e resilienza effettiva. Ne emerge un consenso unanime sull’urgenza di unificare gli standard di cybersecurity, pur mantenendo le specificità settoriali necessarie. Nonostante le diverse sfumature applicative richieste dai singoli contesti industriali, tutte le normative convergono verso un unico obiettivo strategico: la cyber resilience. Ogni settore e organizzazione opera in un contesto specifico, ma le esperienze vissute – difficoltà, errori e strategie sperimentate – diventano patrimonio comune, generando insegnamenti condivisibili. Per questo, le normative e direttive europee mirano a creare spazi di confronto e condivisione tra tutti gli attori coinvolti.

GOVERNANCE INTEGRATA

Non esiste una soluzione miracolosa per proteggere completamente gli ecosistemi industriali dagli attacchi informatici. Tuttavia, l’adozione di solide pratiche di gestione del rischio e continuità operativa, unite a una visione globale della cybersecurity che consideri le specificità dei sistemi IT e OT, può garantire la cyber resilience delle infrastrutture critiche. Inoltre è sempre più necessario promuovere partnership pubblico-private e una stretta collaborazione tra i paesi europei, condividendo informazioni e attività di intelligence. L’Unione Europea si sta già muovendo in questa direzione con normative come NIS2, DORA, CER e IEC 62443, che evidenziano l’importanza e l’urgenza di un approccio olistico per rafforzare le difese delle infrastrutture critiche.

Al centro resta la conoscenza: acquisire consapevolezza degli scenari multirischio, comprendere i requisiti di conformità e responsabilizzare gli stakeholder. Tuttavia, i partecipanti alla tavola rotonda hanno lanciato un avvertimento. L’eccesso di regolamentazione può risultare controproducente: la cybersecurity non deve ridursi a mero adempimento normativo, ma va valorizzata come leva strategica di crescita. Questo implica il coinvolgimento attivo delle terze parti attraverso collaborazioni strutturate ed esercitazioni pratiche, affinché la sicurezza diventi un elemento realmente integrato e condiviso. In conclusione, solo l’attuazione costante e condivisa di questo rigoroso framework – una vera “tavola delle leggi” – potrà garantire la sopravvivenza della nostra civiltà digitale nel complesso scenario delle minacce informatiche.

Foto di Gabriele Sandrini

Point of view

Intervista a Luca Nilo Livrieri senior director, sales engineering Sud Europa di CrowdStrike: Agentic SOC, la cybersecurity si evolve 

Intervista a Marco Bonicelli presales manager di Cyber Guru Italia: Cyber awareness, da costo ad asset strategico

Intervista a Stefano Radaelli senior solution architect di Elastic: Minacce invisibili e rischio di perdersi nei dati

Intervista a Simone Crevenna head of SMB & S/M Enterprise Sales Italy di ReeVo: Fuori dal labirinto della cyber exposure

Intervista a Marcello Romeo pre-sales manager Southern Europe di TXOne Networks: OT security, perché copiare l’IT non funziona

L'articolo Fattore governance, ecco come cambia la sicurezza proviene da Data Manager Online.

La sicurezza informatica è entrata in una nuova fase. In questo scenario, il Security Operations Center tradizionale può mostrare tutti i suoi limiti. L’Agentic SOC – come spiega Luca Nilo Livrieri, senior director, sales engineering Sud Europa di CrowdStrike – nasce per dare risposta a questa asimmetria: «Un modello in cui l’AI assume un ruolo attivo nella gestione operativa della sicurezza». Non più solo supporto decisionale, ma un insieme di agenti autonomi in grado di rilevare segnali deboli, correlare eventi e avviare azioni di risposta in pochi secondi, riducendo drasticamente i tempi di esposizione al rischio.

AI RESPONSE E SECURITY

L’adozione estesa dell’intelligenza artificiale nei processi aziendali pone una domanda cruciale per CIO, CISO e management: come applicarla senza compromettere la sicurezza e senza perderne il controllo? «Il tema dell’AI-driven detection and response va letto prima di tutto in chiave di governance, trasparenza e responsabilità» – precisa Livrieri. «Ed è fondamentale evitare il rischio di shadow AI, ovvero l’uso non governato di strumenti intelligenti al di fuori dei processi aziendali».

Nel modello agentico, la garanzia di sicurezza è data da un approccio human-in-the-loop. «Questo significa che ogni decisione critica può essere validata da un analista e l’AI è in grado di spiegare il flusso logico che ha portato a una determinata azione». L’intelligenza artificiale, in altre parole, non agisce come una “black box”, ma rende tracciabile il percorso decisionale che porta all’indicazione di intervento, con la figura umana che resta centrale nei passaggi critici, garantendo allineamento con policy e compliance.

COLLABORAZIONE TRA UOMO E MACCHINA

La trasformazione del SOC in chiave agentica passa attraverso piattaforme modulari costruite attorno ai dati e basate sulla collaborazione tra uomo e macchina. Una data pipeline strutturata raccoglie, normalizza e organizza informazioni ed eventi provenienti da endpoint, cloud, identità digitali e infrastrutture di rete: su questo patrimonio di dati operano batterie di agenti specializzati che supportano gli analisti nelle diverse fasi della loro attività, dalla detection alla remediation.

Grazie al framework AgentWorks è possibile creare nuovi agenti e adattare il SOC in base a specifiche esigenze operative. L’agente SOAR, nello specifico, consente di definire workflow di risposta in linguaggio naturale, riducendo la dipendenza da competenze iperspecialistiche e accelerando l’esecuzione delle azioni correttive. L’obiettivo è una gestione degli incidenti più efficiente, standardizzata e replicabile, trasformando il SOC in un’unità coerente, scalabile e perfettamente integrata nei processi aziendali.

LA NUOVA THREAT INTELLIGENCE

Il cambiamento più significativo portato dal paradigma trusted di CrowdStrike riguarda il modo in cui le persone lavorano e interagiscono all’interno del SOC. Gli analisti della security non scompaiono ma si evolvono: da operatori dediti alla gestione degli alert diventano orchestratori di un sistema intelligente, focalizzati sui casi complessi e sulle decisioni ad alto impatto sul business. «Il parallelo con la guida autonoma è calzante: oggi siamo in una fase intermedia, in cui l’automazione è avanzata ma supervisionata in modo strategico dalla componente umana» – spiega Livrieri.

«L’obiettivo di lungo periodo è una sicurezza sempre più predittiva, capace di anticipare gli attacchi grazie a modelli di Threat Intelligence evoluti, contestuali e auto-apprendenti». Secondo CrowdStrike, la direzione da prendere è chiara: costruire una vera e propria Security AGI, in grado di apprendere continuamente e adattarsi a un panorama di minacce in evoluzione.

L'articolo Agentic SOC, la cybersecurity si evolve proviene da Data Manager Online.

I numeri parlano chiaro: il ruolo del fattore umano negli incidenti cyber sta cambiando. Se nel 2023 lo “human element” era coinvolto in circa tre quarti delle violazioni, oggi il dato mostra una leggera, quanto promettente, inversione di tendenza, scendendo dal 74% al 60% attuale. Un segnale concreto dell’efficacia dei percorsi di formazione messi a sistema anche grazie alle direttive NIS2 e DORA.

«La formazione sta producendo risultati concreti, perché la sensibilità degli utenti è cresciuta e le organizzazioni sono più attente» – spiega Marco Bonicelli, presales manager di Cyber Guru Italia. Questo, però, non significa che le minacce siano meno sofisticate. Phishing e spear phishing sfruttano sempre più l’AI e tecniche di deepfake per creare messaggi credibili, capaci di superare i controlli tecnologici e di ingannare occhi e orecchie ben allenati. Quando un attacco ben costruito arriva nella casella di posta, la decisione finale spetta all’utente, che resta l’ultima linea di difesa. Anche comportamenti apparentemente innocui, come l’uso disinvolto di chatbot AI per condividere dati aziendali, possono aumentare sensibilmente il livello di rischio».

RENDERE MISURABILE IL RISCHIO UMANO

La formazione è indispensabile, e non può essere ridotta a una check-list. Per CIO e CISO diventa essenziale misurare l’impatto degli investimenti in cyber awareness attraverso indicatori oggettivi. In questa direzione Cyber Guru ha sviluppato cruscotti e reportistica pensati per offrire una visione immediata del livello di maturità cyber dell’azienda, evidenziando aree di miglioramento e ruoli più esposti. Fulcro di questo approccio è il Cyber Score, un indice sintetico che combina più dimensioni dell’apprendimento per analizzare sia le attività del singolo utente sia quelle dell’intera organizzazione. «Si tratta di uno strumento che rende leggibile e misurabile il rischio umano e permette di governarlo, facilitando la connessione fra la consapevolezza cyber e gli obiettivi di continuità operativa del business».

ALLENARE GLI UTENTI

Un approccio standardizzato alla formazione in materia di sicurezza non è più efficace. «Addestrare tutti allo stesso modo è come assegnare la stessa scheda di allenamento a persone con livelli di preparazione diversi» – spiega Bonicelli. Ed è per questo che la piattaforma Cyber Guru utilizza un motore di machine learning proprietario che analizza il comportamento degli utenti e adatta dinamicamente contenuti e simulazioni di attacco. Cyber Guru lavora come un personal trainer della cybersecurity: «Il nostro obiettivo è trasformare le persone in un vero e proprio sistema di difesa distribuito, capace di evolversi nel tempo».

ZERO TRUST E NORMATIVE

La cyber awareness va intesa come un fattore strutturale delle moderne strategie di sicurezza e trova ideale complemento nel framework Zero Trust. «La stessa logica va applicata alle persone, che in questo modo possono diventare “sensori avanzati” in grado di intercettare anomalie prima che si trasformino in incidenti» – osserva Bonicelli. La combinazione di cyber awareness e threat intelligence consente di raffinare ulteriormente la gestione del rischio, mentre il quadro normativo accelera la sua implementazione nelle strategie aziendali. NIS2 e DORA impongono un ulteriore salto di maturità e spingono le organizzazioni a strutturare programmi di formazione e responsabilizzazione, coinvolgendo direttamente il management. «Come è accaduto con il GDPR, le direttive aiutano a radicare buone pratiche», conclude Bonicelli. «In poche settimane è possibile attivare percorsi mirati, inclusi quelli dedicati ai vertici aziendali. Un unicum nel panorama italiano, firmato Cyber Guru».

L'articolo Cyber awareness, da costo ad asset strategico proviene da Data Manager Online.

GenAI, analytics e approccio open, Elastic riduce la distanza tra complessità tecnologica e capacità operative nella sicurezza sostenibile degli endpoint

La cybersecurity è sommersa dai dati, ma povera di “insight” realmente azionabili. Log e metriche si accumulano in volumi crescenti, rendendo sempre più difficile individuare tempestivamente tracce nascoste di compromissione o segnali di comportamenti anomali. «Il rischio è trovarsi davanti a uno scaffale infinito di soluzioni e informazioni senza sapere quali scegliere» – spiega Stefano Radaelli, senior solution architect di Elastic. «La sicurezza è una questione soprattutto di processo. Anche la tecnologia più evoluta rischia di rimanere inutilizzata se non è accompagnata da modalità operative efficaci e competenze adeguate».

AUTOMAZIONE E AI

Fondata nel 2012 da Shai Banon, Elastic nasce per affrontare il problema della raccolta dei log per evidenziare potenziali criticità nella lettura degli stessi eventi. Oggi, nello specifico della sicurezza IT comune a molte organizzazioni l’obiettivo è quello di evidenziare “pattern anomali” prima che possano avere conseguenze devastanti per l’organizzazione. Elastic, in particolare, con i suoi livelli di intelligenza avanzata permette, una volta correttamente implementato, di essere efficace sia in “detection” che in “prevention”. «Si pensa che basti installare il prodotto e che faccia tutto da solo» – sottolinea ancora Radaelli. «Ma ovviamente non è così, e nell’ambito della data analytics, in modo particolare, la differenza la fa la modalità d’uso delle tecnologie».

Elastic entra in gioco con una serie di strumenti di automazione (SOAR) e intelligenza artificiale generativa progettati per compensare il gap di conoscenze, tempo, risorse e disponibilità di molte organizzazioni. «La GenAI mette a disposizione competenze di secondo e terzo livello che spesso non esistono in azienda» – spiega il manager della società olandese-americana. «Ma questo non significa rinunciare all’intelligenza umana. L’obiettivo non è sostituire le persone, bensì ridurre la distanza tra chi gestisce l’incidente e chi possiede le competenze specialistiche avanzate, lasciando il verdetto finale sempre in mano all’uomo».

OPEN E SOSTENIBILE

Uno dei tratti distintivi di Elastic, la cui tecnologia è alla base del servizio di Uber ed è presente nel back office di eBay, è la sua filosofia open source e “fair”. L’azienda adotta un modello di accesso progressivo al mercato, che parte da una versione free liberamente utilizzabile e scala verso bundle a pagamento con funzionalità via via più avanzate, fino alla versione enterprise completa. A differenza di altri vendor che basano i costi delle soluzioni di security sulla quantità di dati analizzati, indipendentemente dal valore che tali informazioni contengono, Elastic lega l’investimento al consumo di risorse a livello infrastrutturale.

«Evitiamo modelli di licensing frammentati per singola feature perché servono prodotti semplici, facili da usare e da comprendere» – sottolinea Radaelli. «Partiamo da un approccio aperto e omnicomprensivo, che guarda alla sostenibilità della sicurezza e copre tutte le esigenze in fatto di observability e analytics, senza vincoli penalizzanti». La soluzione di Elastic estende la protezione anche agli endpoint, monitorando non soltanto lo stato di salute delle macchine bensì prevenendo colli di bottiglia o problemi di sicurezza, in ambienti critici e non. Inoltre, la piattaforma è un framework che può funzionare anche da vero e proprio ambiente di sviluppo, con forti possibilità di personalizzazione. Punto di forza rimane la sua facile scalabilità con un repository integrato congiuntamente alla facilità di implementazione in ambienti variegati (Elastic è disponibile in ambienti on premise, cloud o ibridi).

SICUREZZA POTENZIATA

Guardando al 2026, la previsione di Radaelli è chiara: «La sicurezza basata su intelligenza generativa prenderà sempre più piede. In uno scenario in cui anche i nuovi vettori di attacco saranno sempre più alimentati dall’AI, la questione centrale resta il modo in cui questa tecnologia verrà utilizzata. Non va considerata come puro automatismo ma come “enabler” di livelli di capacità analitiche più avanzate, senza sostituire la competenza umana nella lettura e interpretazione dei dati».

L'articolo Minacce invisibili e rischio di perdersi nei dati proviene da Data Manager Online.

Negli ultimi anni le aziende hanno investito in modo significativo in tecnologie di sicurezza, accumulando strumenti spesso molto efficaci ma non sempre integrati tra loro. Il quadro si complica ulteriormente se consideriamo l’estensione e la frammentazione del perimetro aziendale, distribuito tra cloud, lavoro remoto e ambienti ibridi. «Le aziende si rendono conto che le soluzioni di sicurezza fanno fatica a parlarsi» – spiega Simone Crevenna, head of SMB & S/M enterprise sales Italy di ReeVo. «La superficie di attacco è aumentata e chi ha investito in servizi SOC ha capito che le difese isolate non bastano. Proteggersi significa pensare come un attaccante per anticipare le minacce cyber, comprenderne le dinamiche e ridurre in modo sistematico la superficie esposta».

PENSARE COME UN ATTACCANTE

In questo scenario si inserisce l’approccio CTEM, Continuous Threat Exposure Management, che comprende l’insieme di servizi e tecnologie che contribuiscono a valutare la portata dei rischi, ribaltando la prospettiva tradizionale: non più solo difesa, ma analisi continua dell’esposizione al rischio in base alle reali modalità operative di chi lancia gli attacchi. «Tutte le aziende sono allineate a questo principio: ci sono realtà più sensibili al tema e altre meno» – spiega Crevenna. «Stiamo passando da una sicurezza reattiva a una sicurezza proattiva, che prevede il testing preventivo della capacità di difesa e della consapevolezza di quali possono essere le vulnerabilità». Il passaggio è quindi culturale prima ancora che tecnologico: «Ridurre la superficie di attacco diventa un processo continuo e strutturato per creare i presupposti di una maggiore sicurezza». Non deve sorprendere che molte aziende abbiano pianificato investimenti in servizi CTEM nei budget dei prossimi anni.

PIÙ IMPATTO, MENO SFORZO

ReeVo propone un approccio focalizzato sulla cyber exposure, che si distingue nel panorama dell’offerta e non prevede interventi diretti sull’infrastruttura del cliente. «Nelle aziende ci sono sempre meno figure in grado di governare ambienti IT complessi» – sottolinea Crevenna. «Per questo la tecnologia deve generare valore elevato con un effort minimo. La nostra missione è aiutare le organizzazioni a comprendere il loro livello di maturità in ambito security, definendo le priorità di evoluzione. Il modello di Continuous Threat Exposure Management permette di monitorare in modo continuo le esposizioni più critiche e di contestualizzare il rischio reale associato alle vulnerabilità e ai potenziali incidenti». La governance della sicurezza, nella visione di ReeVo, resta in capo ai CISO, mentre l’IT applica le scelte operative. Se la gestione del rischio è una necessità strutturale, il controllo dei comportamenti degli utenti interni emerge come uno dei principali fattori di criticità delle organizzazioni.

IL FATTORE AI

L’intelligenza artificiale gioca un ruolo centrale anche nel paradigma CTEM. Se da un lato la GenAI consente agli attaccanti di operare in modo più rapido, dall’altro rappresenta uno strumento di grande valore per la difesa. «Abbiamo integrato nella nostra piattaforma modelli LLM di terze parti che supportano la definizione e l’arricchimento degli scenari di attacco» – spiega Crevenna. «L’obiettivo è migliorare la qualità delle simulazioni e rendere il processo di gestione del rischio più accurato ed efficace».

L'articolo Fuori dal labirinto della cyber exposure proviene da Data Manager Online.

Nel dibattito sulla sicurezza informatica negli ambienti industriali persiste un equivoco di fondo. Spesso si applicano al mondo OT le stesse soluzioni già sperimentate nell’IT, dando per scontato che funzionino allo stesso modo. «Molte strategie di cybersecurity nascono nel mondo IT e funzionano bene in quel contesto. Le criticità sorgono quando vengono applicate all’OT senza un’adeguata valutazione delle specificità degli ambienti industriali» – spiega Marcello Romeo, pre-sales manager Southern Europe di TXOne Networks. Nel mondo IT, l’identificazione e l’autorizzazione degli accessi seguono il principio del minimo privilegio, consentendo agli utenti di accedere a dati e servizi ovunque si trovino. In ambito OT, invece, il concetto di utente perde centralità. Il cambio di paradigma è netto e impone alle aziende di sviluppare capacità specifiche per mettere in rete macchine e processi, senza compromettere continuità operativa e safety.

VERSO UN PARADIGMA OT NATIVO

TXOne Networks – azienda che nasce dall’esperienza combinata di un gigante della cybersecurity come Trend Micro e di MOXA, specialista OT – è focalizzata sulla difesa cyber degli ambienti industriali e conta oggi oltre 4.200 clienti enterprise in settori come manifattura, energia, trasporti e utility. La sua missione è aiutare le aziende a superare i limiti che rendono le classiche soluzioni di sicurezza inadeguate per l’OT. Alla base del problema – come spiega Romeo – ci sono ragioni strutturali: «Gli impianti OT fanno largo uso di asset legacy, sistemi operativi obsoleti e non più supportati o per cui non esistono patch per rimediare a un attacco. Parliamo di macchine vulnerabili ma anche critiche per la produzione».

L’altro vincolo riguarda la natura dei sistemi OT, che operano in modalità real-time o near real-time e non tollerano latenze né consumi eccessivi di risorse. «Soluzioni nate per l’IT, come gli strumenti di endpoint protection tradizionali, possono introdurre overhead e ritardi incompatibili con i requisiti di continuità operativa, con effetti potenzialmente disastrosi sulle linee di produzione».

C’è infine il tema della dipendenza dal cloud: «La sicurezza IT si basa su una connettività continua, necessaria per ricevere gli aggiornamenti e inviare la telemetria degli attacchi. Una condizione che può risultare incompatibile con molti ambienti OT, dove prevalgono esigenze di isolamento. In questi contesti si afferma quindi il modello di intrusion prevention, che consente di applicare virtual patching a livello di rete, proteggendo i sistemi industriali senza intervenire direttamente sugli asset».

STABILITÀ INDUSTRIALE E FATTORE UMANO

Secondo uno studio di TXOne Networks realizzato con Frost & Sullivan, in circa il 60% degli incidenti a livello globale entra in gioco il fattore umano, tra errori operativi e sabotaggi intenzionali. «Proteggere l’impianto ed evitare fermi macchina significa proteggere anche le persone e non basta bloccare malware o ransomware e minacce Zero Day» – afferma Romeo. Le linee di produzione automatizzate sono caratterizzate da comportamenti ripetitivi e deterministici, che restano invariati per decenni.

Ed è proprio questa stabilità a diventare un punto di forza per la sicurezza. Le soluzioni di TXOne si basano sull’apprendimento del comportamento dell’impianto, monitorando in modo adattivo servizi, protocolli e applicativi sia a livello di sistema sia nelle interazioni di rete. «La baseline diventa un insieme di regole di protezione» – spiega Romeo. «In questo modo possiamo bloccare solo i comportamenti indesiderati e le vere anomalie, includendo errori umani, tentativi di misconfiguration e sabotaggi, senza compromettere il funzionamento delle macchine».

L'articolo OT security, perché copiare l’IT non funziona proviene da Data Manager Online.

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

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

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

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

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

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

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

CHE COSA CAMBIA?

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

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

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

UNA VERITÀ SCOMODA

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

DATI, PROCESSI, PERSONE

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

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

L’ERP NON È VECCHIO

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

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

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

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

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

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

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

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

LA SPINA DORSALE DEI PROCESSI

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

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

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

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

PRUDENZA NON RESISTENZA

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

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

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

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

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

DAL COSA AL COME

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

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

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

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

LA GESTIONE DELL’OUTPUT

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

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

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

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

IL ROI INVISIBILE DELL’AI

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

PROCESSO DECISIONALE

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

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

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

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

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

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

PRAGMATISMO OPERATIVO

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

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

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

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

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

Sinfo One – ERP intelligente: la frontiera è già qui

TeamSystem – ERP intelligenti: una leva strategica

Formula – Dai sistemi IT ai risultati. L’ERP al tempo dell’AI

EOS Solutions – Quando il gestionale diventa intelligente: l’impatto dell’AI sull’ERP

L'articolo AI-powered ERP: perché non è plug-and-play proviene da Data Manager Online.

Da qualche anno, l’industria manifatturiera sta attraversando una fase di trasformazione in cui le pressioni competitive non sono più riconducibili a singoli fattori, ma all’interazione simultanea di variabili economiche, tecnologiche e ambientali. L’instabilità dei mercati, la crescente imprevedibilità delle catene di fornitura, l’aumento dei costi energetici e la difficile reperibilità delle competenze tecniche non agiscono come elementi isolati, ma concorrono a configurare un contesto produttivo complesso, caratterizzato da dinamiche non lineari e da un progressivo aumento dell’incertezza operativa.

In questo scenario l’Industrial IoT assume un ruolo chiave non perché genera più dati, ma perché cambia il modo di osservare e comprendere la produzione. Consente di rilevare le variabili di processo con maggiore precisione spazio-temporale, ampliando ciò che può essere misurato e interpretato. Sensori avanzati, edge computing e piattaforme analitiche distribuite migliorano non solo il controllo, ma la qualità stessa del dato, che diventa continuo, contestualizzato e immediatamente fruibile nei livelli decisionali.

La smart industry va, quindi, letta come la conseguenza di una condizione strutturale: la produzione moderna genera volumi e varietà di dati che richiedono modelli analitici e decisionali non più gestibili con approcci tradizionali. L’obiettivo non è automatizzare ulteriormente, ma abilitare modelli di gestione basati su correlazioni, previsione e capacità di adattamento. A questo si affianca la convergenza tra trasformazione digitale e sostenibilità: il manifatturiero è chiamato a crescere in produttività e qualità riducendo, al contempo, consumi energetici e materiali. Una sfida che richiede un cambio culturale e un modello di governance in cui sicurezza, interoperabilità, tracciabilità e tutela del dato siano elementi centrali. L’evoluzione dell’IIoT verso architetture ibride e intelligenti conferma questa direzione: la potenza di calcolo e gli algoritmi avanzati si integrano con la sensoristica per abilitare decisioni in tempo reale, dando forma a un ecosistema interconnesso capace di ridurre latenze e rischi e di valorizzare il potenziale innovativo insito nel DNA delle imprese italiane.

INVESTIMENTI IN AUMENTO

Nel manifatturiero italiano la trasformazione digitale è oggi il principale motore degli investimenti in modernizzazione. Secondo IDC, il 48% delle aziende indica l’adattamento ai progressi tecnologici come priorità, superando le tradizionali pressioni su qualità e costi. Questo orientamento si traduce in iniziative concrete: per il 40% delle imprese sono centrali strumentazione e integrazione degli asset, visibilità in tempo reale dei processi e capacità analitiche, delineando un approccio sistemico alla modernizzazione degli impianti. Il quadro è coerente con i dati dell’Osservatorio Internet of Things del Politecnico di Milano, che nel 2024 stima il mercato italiano dell’IoT industriale oltre il miliardo di euro, in crescita del 15% annuo, trainato da sensori, automazione e piattaforme di gestione dei dati. Permane tuttavia un gap di maturità: sebbene circa l’80% delle aziende utilizzi soluzioni connesse, meno della metà valorizza efficacemente i dati per ottimizzare processi e decisioni. Il divario tra grandi imprese e PMI resta significativo, soprattutto in termini di competenze digitali e integrazione dei sistemi, rallentando la piena adozione delle tecnologie. Nonostante ciò, gli investimenti proseguono, anche grazie a politiche di incentivo come il Piano Transizione 5.0.

A livello strategico, l’indagine globale IDC Manufacturing 2025 conferma che anche in Italia la modernizzazione degli impianti è guidata dalla trasformazione digitale. Tra i principali driver delle iniziative di intelligenza artificiale, il 41% delle aziende indica il miglioramento della produttività dei lavoratori tramite l’estensione digitale delle competenze, il 39% l’eccellenza operativa e il 31% l’automazione dei processi. Queste priorità si riflettono nelle scelte di investimento: sistemi MES e di gestione della qualità rappresentano le principali aree di intervento, insieme alla crescente standardizzazione su piattaforme in grado di supportare AI, tracciabilità e modelli di ottimizzazione closed-loop. L’adozione dell’intelligenza artificiale è ancora iniziale ma in rapida evoluzione: il 17% delle aziende ha già casi d’uso di AI agentica in produzione, il 36% è impegnato in proof of concept e il 25% pianifica iniziative nei prossimi 12-18 mesi.

Parallelamente, il cloud assume un ruolo sempre più centrale: il 61% delle aziende manifatturiere lo utilizza già per migliorare l’efficienza operativa e prevede di aumentare gli investimenti. Di conseguenza, circa l’80% delle future implementazioni di applicazioni core – MES, qualità, ERP e Digital Twin – sarà in modalità cloud o ibrida, superando l’approccio esclusivamente on premise. Questa evoluzione tecnologica si accompagna a un cambiamento dei modelli produttivi. Secondo IDC, nei prossimi 3-5 anni le piattaforme modulari, basate su produzione centralizzata e personalizzazione distribuita on demand, aumenteranno la loro diffusione di 18,6 punti percentuali, diventando il modello dominante e rafforzando la transizione verso operazioni agili e digitalmente orchestrate. Nel complesso emerge uno scenario dinamico e in crescita, con ampi margini di sviluppo. La sfida sarà integrare investimenti tecnologici, strategia e competenze in modelli di adozione sostenibili. Per l’industria, questi trend indicano che IoT, AI ed edge sono ormai leve strutturali per ripensare processi, efficienza e competitività.

DAI DATI ALLA CONOSCENZA

Descrivere la smart industry come semplice convergenza di automazione, sensoristica e tecnologie digitali sarebbe riduttivo. In realtà, rappresenta una ricomposizione strutturale del sistema produttivo, in cui elementi fisici, informativi e organizzativi non operano più separatamente, ma come un insieme interdipendente. È un ecosistema cyber-fisico stratificato, in cui percezione (sensoristica), interpretazione (edge e analytics) e decisione (sistemi esecutivi e management) sono integrati fino a generare comportamenti coordinati e, in parte, auto-regolanti. Il valore non risiede nella sola raccolta dei dati, ma nella progettazione del ciclo cognitivo della fabbrica: cosa misurare, come farlo, dove intervenire e quando trasformare le informazioni in azioni.

La transizione verso il modello data-driven non consiste nell’aggiungere livelli informativi a impianti esistenti, ma in un cambiamento profondo dei presupposti della gestione industriale. Se il modello meccanico si fondava su stabilità e correlazioni note, la smart industry assume invece la variabilità come elemento strutturale, con processi non lineari e relazioni dinamiche. Ne deriva il passaggio da una logica prescrittiva, basata su regole fisse, a una logica diagnostica e predittiva, in cui interpretazione, anticipazione e adattamento diventano parte dell’infrastruttura operativa. In questo quadro, l’IoT industriale non è da considerarsi una tecnologia di cui le aziende possono decidere discrezionalmente di servirsi o meno, ma una funzione di conoscenza che ridefinisce il perimetro informativo delle decisioni industriali. Estende le possibilità di osservazione dei processi e introduce nuove modalità di rappresentazione e governo, abilitando non solo monitoraggio e tracciabilità, ma forme di “organizzazione aumentata” in cui persone, processi e tecnologie operano in modo integrato. Il suo impatto è quindi prevalentemente organizzativo e cognitivo: supera la separazione tra IT e OT, abilita una governance multilivello del dato e introduce meccanismi di apprendimento continuo che rendono la fabbrica un sistema evolutivo.

All’interno di questo assetto, le decisioni non si basano più solo su regole statiche o sull’esperienza individuale, ma su flussi continui di dati, analisi in tempo reale e modelli predittivi. Ruoli e responsabilità si ridistribuiscono, mentre sistemi intelligenti supportano l’interpretazione dei processi, segnalano anomalie e anticipano deviazioni. La collaborazione tra uomo e macchina diventa strutturale, e i processi si adattano dinamicamente grazie all’apprendimento continuo. La conoscenza non resta frammentata: diventa condivisa, tracciabile e accessibile a più livelli.

L’Industrial IoT si configura così come leva di riprogettazione dei processi, non solo sul piano tecnico – ottimizzazione dei flussi, manutenzione predittiva, automazione adattiva – ma soprattutto su quello strutturale e organizzativo. Modifica il modo in cui l’impresa definisce priorità, gestisce il rischio, alloca risorse e coordina competenze. In definitiva, la Smart Industry non è una questione di quantità di sensori o automazione, ma di architettura cognitiva: la capacità di rendere il sistema produttivo osservabile, modellabile e riconfigurabile. È l’integrazione della conoscenza, più che l’accumulo di tecnologie, a distinguere una fabbrica digitalizzata da una realmente intelligente.

PRIORITÀ E GOVERNANCE

L’adozione dell’IoT intelligente nell’industria genera vantaggi che non possono essere interpretati come una semplice somma di singoli miglioramenti, ma come un’evoluzione a livello di sistema che si concretizza in una nuova infrastruttura cognitiva, grazie alla quale la fabbrica diventa più osservabile, modellabile e governabile. L’efficienza operativa, spesso citata come il primo beneficio, non deriva soltanto dalla capacità di anticipare i guasti o ridurre i fermi macchina, ma dalla possibilità di descrivere il comportamento degli impianti con una profondità e un livello di dettaglio prima impensabili: disallineamenti minimi, interazioni tra componenti, variazioni cicliche e fenomeni latenti diventano identificabili in tempo reale, consentendo di stabilizzare il processo nel suo complesso e non soltanto di intervenire sui singoli elementi critici.

Un impatto del genere si manifesta sul versante della qualità, che da attività svolta a valle si trasforma in una funzionalità intrinseca del processo. La combinazione di sensori intelligenti e sistemi di controllo adattivi consente, infatti, di rilevare micro-deviazioni e correggerle immediatamente, trasformando radicalmente la natura del controllo qualità. Non si tratta più di ispezionare, scartare o rilavorare, ma di mantenere il processo entro un dominio ottimale attraverso feedback continui, riducendo la variabilità e rendendo più trasparente l’origine delle non conformità.

Questa maggiore capacità di percezione e regolazione si traduce immediatamente in un impatto sulla produttività, che non cresce semplicemente perché i cicli si accorciano, ma perché l’intero sistema produttivo diventa più agile e reattivo. L’informazione contestualizzata permette di riorganizzare flussi, priorità e impiego delle risorse in funzione della domanda e delle condizioni operative, riducendo i tempi di decisione e rafforzando la capacità del processo di assorbire le variazioni. La maggiore produttività, quindi, non deriva dal potenziamento dell’automazione, ma da un’architettura che rende il sistema industriale più sensibile al contesto e capace di adattarsi in modo rapido ed efficace.

Anche la sostenibilità beneficia di questa potenziata capacità di analisi: il monitoraggio continuo dei consumi energetici, delle dispersioni, degli sprechi e delle inefficienze consente di identificare modelli di utilizzo più adeguati e di ottimizzare l’intero sistema in modo dinamico. La riduzione dell’impatto energetico e materiale, di fatto, non è il risultato di interventi isolati e puntuali, ma l’esito naturale di un processo che conosce sé stesso con maggiore precisione. In questo modo, la fabbrica diventa ‘lean & green’, non per obbligo normativo, ma grazie alla sua capacità interna di governare con consapevolezza il proprio metabolismo industriale.

Accanto a efficienza, qualità, produttività e sostenibilità, anche la sicurezza – sia operativa sia informatica – trae benefici rilevanti dall’adozione dell’IoT intelligente. La capacità di raccogliere segnali deboli e dati di contesto consente di rilevare precocemente condizioni potenzialmente pericolose, anomalie nei comportamenti degli impianti, asset non conformi e situazioni di rischio per gli operatori, attivando meccanismi di prevenzione prima che l’evento si manifesti. Allo stesso modo, l’integrazione nativa dei dati IT e OT rende le aree di attacco più visibili e monitorabili, permettendo di individuare traffici anomali, accessi sospetti o compromissioni in fase iniziale con un livello di tempestività impossibile nei modelli tradizionali. In questo modo, la cybersecurity non è più un muro da innalzare intorno alla fabbrica, ma una componente organica del sistema: entra nel cuore dei processi, si distribuisce lungo l’intera catena produttiva ed è in grado di reagire rapidamente alle minacce in qualsiasi momento.

Ma il pieno potenziale dell’IoT intelligente si esprime soprattutto a livello di governance, oltre che sul piano operativo. La disponibilità di dati distribuiti, eterogenei e ad alta frequenza richiede un modello di gestione solido e maturo, in cui l’ownership delle informazioni sia chiara, i flussi coerenti, la sicurezza integrata già a monte e i ruoli decisionali sincronizzati con l’infrastruttura tecnologica. La convergenza tra IT, OT e management, spesso auspicata come traguardo, diventa, in realtà, una condizione imprescindibile prima di avviare un processo, per evitare disallineamenti, frammentazioni, vincoli infrastrutturali e interpretazioni non coerenti dei dati. In questo senso, l’IoT intelligente non è solo uno strumento di osservazione, ma anche un motore di riorganizzazione: spinge l’azienda a ripensare i processi decisionali, la distribuzione delle responsabilità e la logica stessa con cui valuta rischio, priorità e performance. In definitiva, i benefici dell’IoT non si limitano a ottimizzare ciò che la fabbrica già compie, ma si manifestano soprattutto nella capacità di trasformare il rapporto tra processo, informazione e decisione.

FRATTURE DA RICOMPORRE

L’introduzione dell’IoT nell’industria porta con sé un paradosso: la stessa infrastruttura che aumenta efficienza, qualità e conoscenza del processo introduce nuove forme di complessità. L’IoT non rappresenta un semplice miglioramento incrementale, ma una trasformazione strutturale che obbliga l’impresa a riallineare tecnologie, ruoli, pratiche e linguaggi. Le sfide più rilevanti non riguardano tanto l’adozione dei dispositivi in sé, quanto la capacità di governarne l’impatto sull’organizzazione e sull’operatività. La prima frattura da ricomporre è quella tra IT e OT, due mondi che per decenni hanno operato con logiche, modelli e tempi molto diversi. Farli convergere non significa semplicemente aggiungere strumenti di integrazione o stabilire regole comuni, ma ripensare il modo in cui l’azienda affronta sicurezza, manutenzione, priorità operative e gestione delle tecnologie lungo tutto il loro ciclo di vita. L’IoT aumenta le aree di rischio e crea nuove connessioni tra livelli del sistema che prima erano separati. Per questo la sicurezza non può essere considerata un elemento esterno, ma va integrata fin dall’origine, attraverso processi condivisi che rendano chiare responsabilità, protocolli e modalità di esecuzione.

A questo si aggiunge la sfida dell’interoperabilità: le industrie, indipendentemente dal settore o dalla dimensione, sono costellate di sistemi eterogenei, provenienti da fornitori diversi, spesso progettati in momenti differenti e basati su standard che faticano a dialogare tra loro. L’espansione dell’IoT rischia di accentuare questa frammentazione, creando vere e proprie “isole informative”, ovvero cluster tecnologici autonomi, ma incapaci di integrarsi. La scalabilità del sistema e la continuità operativa dipendono invece dall’adozione di protocolli aperti, modelli dati condivisi e architetture capaci di semplificare la complessità delle diverse origini tecniche. Senza interoperabilità, l’IoT non genera conoscenza, ma solo rumore.

Poi c’è la questione delle competenze: l’introduzione di infrastrutture digitali ad alto contenuto informativo modifica la natura stessa del lavoro in fabbrica. Le competenze richieste non sono solo tecniche –programmazione, cybersecurity, analisi dati – ma anche interpretative: saper leggere un fenomeno di processo attraverso indicatori complessi, comprenderne le dinamiche, riconoscere le correlazioni non evidenti. Questo cambiamento cognitivo ne comporta uno culturale che non può essere delegato a un singolo reparto o a un team di specialisti, ma deve coinvolgere l’intera organizzazione. La leadership ha qui un ruolo centrale, perché deve guidare il processo di trasformazione in modo intenzionale ed esplicito, affinché la digitalizzazione non resti confinata alle aree tecniche, ma diventi un patrimonio condiviso da tutta l’azienda.

La sfida più complessa resta, però, quella della governance. Quando la fabbrica diventa un sistema diffuso di sensori, dati, algoritmi e decisioni a diversi livelli, non è più possibile gestire il processo seguendo logiche locali o concentrate su un singolo impianto. Serve un modello in grado di coordinare sicurezza, qualità, manutenzione, dati e tecnologie secondo una visione unitaria. La gestione del rischio deve spostarsi dal semplice controllo delle anomalie alla comprensione delle vulnerabilità dell’intero sistema. La proprietà delle informazioni va definita con chiarezza. E inoltre, le interazioni tra reparti devono seguire flussi decisionali coerenti, non improvvisati.

In questo senso, l’IoT diventa davvero utile solo se l’azienda sa governarlo. I sensori intelligenti senza una guida decisionale rischiano di produrre dati poco sfruttati. Gli strumenti di analisi avanzata senza una cultura condivisa possono generare interpretazioni frammentarie. Infine, le connessioni e i sistemi collegati senza un approccio alla sicurezza integrato creano rischi che possono superare i benefici. La maturità dell’IoT industriale, dunque, non si misura dal numero di dispositivi installati, ma dalla capacità dell’azienda di mettere insieme tecnologia, strategia e competenze in un unico e coerente ecosistema. Un ecosistema industriale diventa davvero intelligente quando sa trasformare la complessità introdotta dall’IoT in un vantaggio competitivo reale, governando l’intero sistema invece di subirlo.

SOSTENIBILE E RESILIENTE

La transizione verso la smart industry richiede che la sostenibilità sia integrata come principio strutturale, non come obiettivo separato. Riduzione dei consumi energetici, minimizzazione degli scarti e ottimizzazione delle materie prime diventano parte delle strategie operative, rafforzando al contempo competitività e responsabilità ambientale. Grazie all’analisi dei dati e all’integrazione dei sistemi, le imprese possono individuare inefficienze, pianificare interventi mirati e adottare modelli di produzione circolare che valorizzano risorse e materiali.

In questo contesto, la smart industry rende concreta efficienza e sostenibilità: i processi diventano trasparenti, controllabili e adattabili, riducendo l’impatto ambientale senza compromettere produttività e qualità. La sostenibilità emerge così come risultato di una fabbrica consapevole del proprio funzionamento, capace di integrare performance e responsabilità ambientale. L’IoT, integrato con piattaforme analitiche e architetture edge, svolge un ruolo determinante nella realizzazione di sistemi industriali sostenibili. Il suo contributo va oltre la semplice riduzione di consumi e sprechi, portando la sostenibilità al centro della gestione operativa e dei processi decisionali. La disponibilità di dati continui e contestualizzati consente di individuare pattern di utilizzo, inefficienze e opportunità di intervento in tempo reale, trasformando il concetto di ‘industria green’ da obiettivo astratto a capacità operativa concreta e misurabile.

Le aziende che integrano dati, governance e sicurezza ottengono un duplice beneficio: migliorano produttività e qualità, mantenendo la responsabilità ambientale come elemento del modello di business. In questo scenario, la sostenibilità non è un vincolo, ma la conseguenza di una comprensione profonda dei processi e della capacità di intervenire in modo mirato. L’allineamento tra piattaforme IIoT, sistemi analitici e governance consente di creare fabbriche resilienti, capaci di adattarsi a variazioni di domanda e perturbazioni esterne senza sacrificare qualità o sostenibilità. In sintesi, l’IoT industriale è un abilitatore strategico di efficienza, qualità, continuità operativa e sostenibilità. Il suo valore non risiede nella sola raccolta dei dati o nell’automazione, ma nell’integrazione di sensoristica, analisi in tempo reale e modelli decisionali in un ecosistema coerente, sicuro e interoperabile. L’evoluzione verso la smart industry è un percorso graduale che richiede visione, competenze e un modello organizzativo capace di allineare tecnologia, processi e persone. In questo contesto anche le PMI possono cogliere opportunità concrete grazie a soluzioni modulari e scalabili, adottando l’IIoT in modo progressivo fino a evolvere dalla semplice digitalizzazione a una fabbrica realmente intelligente, in cui innovazione, controllo dei processi e responsabilità ambientale convergono.

Nel caso dell’applicazione del modello smart alla factory, un esempio di trasformazione digitale capace di integrare processi, tecnologie e modelli organizzativi è rappresentato da Everex. Nata nel 1989 come azienda di engineering, oggi opera su due linee di prodotti distinte: distributori automatici e strumenti per analisi diagnostica. Questi ultimi, veri e propri mini-robot con numerose parti in movimento, richiedono un’accuratezza estrema, garantita da tecnologie avanzate e dall’analisi di dati in tempo reale. Entrambe le linee condividono l’esigenza di controllo, precisione e continuità operativa. Il percorso di innovazione in Everex inizia nel 2017 con la stampa 3D Multi Jet Fusion, impiegata per prototipi e componenti funzionali. L’adozione della produzione additiva ha ridotto del 20-25% i materiali, migliorando sostenibilità ed efficienza, semplificando l’assemblaggio e accelerando lo sviluppo dei prodotti. Tuttavia, Lorenzo Balli, fondatore, socio e AD di Everex, precisa: «La trasformazione digitale, non si è limitata all’introduzione di nuove macchine, ma ha comportato un vero cambio di paradigma: abbiamo ripensato progettazione, produzione e gestione dei materiali con una mentalità integrata, osservabile e ottimizzata per ridurre errori e non conformità».

L’azienda, infatti, ha internalizzato fasi critiche, prima commissionate esternamente, aumentando il controllo sulle lavorazioni più delicate e la responsabilizzazione dei team, mentre la logistica è stata digitalizzata per automatizzare i flussi, ridurre tempi morti e scarti, garantendo che ogni componente arrivi al momento giusto e con la qualità richiesta. Everex punta sull’integrazione di IoT e intelligenza artificiale: analizzando dati storici e in tempo reale provenienti da prodotti eterogenei, l’azienda può sviluppare modelli predittivi per anticipare difetti e malfunzionamenti, migliorando manutenzione, affidabilità e qualità. «Vogliamo passare da una gestione reattiva a una capacità predittiva, valorizzando i dati di ogni macchina e riducendo al minimo gli errori» –  spiega Balli. Questo dimostra concretamente come tecnologie avanzate, dati, competenze e sostenibilità possano convergere in un modello industriale efficiente, resiliente e pronto alle sfide future. Sviluppare prodotti significa, in definitiva, concepire processi integrati, prevedibili e adattivi, aprendo la strada a una Smart Industry realmente integrata.

L'articolo Smart Industry, l’IIoT come infrastruttura cognitiva proviene da Data Manager Online.

La risposta non è semplice né univoca. La velocità di adozione dell’AI generativa è spinta da una pressione competitiva crescente: restare indietro significa rischiare un arretramento strutturale rispetto ai peer internazionali, soprattutto nei settori a maggiore intensità di conoscenza. I Large language models (LLMs) stanno già ridisegnando processi, modelli operativi e catene del valore, e un’adozione tardiva può amplificare un gap di produttività che in Italia è da tempo un nodo irrisolto.

Allo stesso tempo, il dibattito più maturo sull’AI suggerisce che correre non basta. Molte organizzazioni che hanno adottato i LLM in modo accelerato si confrontano oggi con limiti concreti: dati di scarsa qualità, costi infrastrutturali sottovalutati, problemi di governance, sicurezza e affidabilità dei modelli. In questo contesto, un approccio da fast follower può trasformarsi in un vantaggio: osservare gli errori altrui, evitare scelte tecnologiche premature e investire su basi più solide – dati, competenze e architetture – prima di scalare.

La vera discriminante, quindi, non è la velocità in sé, ma la capacità di trasformare l’adozione dell’AI generativa in produttività misurabile. Per l’Italia, la sfida non è decidere se accelerare o attendere, ma quando e come farlo, evitando che la prudenza si trasformi in immobilismo e che l’entusiasmo si traduca in nuove inefficienze.

L’AI PER LA PRODUTTIVITÀ

Continua a stagioni alternate il lungo inverno della produttività in Italia, che dal 1995 al 2024 è cresciuta con una lentezza strutturale: in media appena lo 0,3% l’anno. Uno “zero virgola” che è la fotografia di un ritardo certificato dai dati Istat per il 2024: la produttività arretra ancora, segnando un -1,9 per cento. Un calo meno brusco rispetto al -2,7 per cento del 2023, ma che non cambia la sostanza. Il segno resta negativo e racconta una difficoltà cronica del sistema produttivo italiano. Per rendersi conto di quanto pesante sia la zavorra che rallenta l’economia italiana basta spostare lo sguardo oltre i confini nazionali.

Tra il 1995 e il 2024, mentre l’Italia avanzava al passo minimo dello 0,3 per cento l’anno, i nostri principali competitor viaggiavano a velocità di tre o quattro volte superiori. La produttività del lavoro nell’Unione europea (EU27) è cresciuta in media dell’1,45 per cento annuo, in Germania dell’1,2 per cento, in Francia dell’1,0. In trent’anni, questo scarto si è trasformato in un divario strutturale di efficienza. Se guardiamo al solo 2024 la dinamica è chiara: l’Italia continua ad assorbire lavoro senza riuscire a trasformarlo in valore. Nel 2024 le ore lavorate sono aumentate del 2,3 per cento, ma il valore aggiunto – cioè la ricchezza effettivamente prodotta dai settori che producono beni e servizi di mercato – si è fermato a un timido +0,4 per cento, in forte rallentamento rispetto all’anno precedente. La forbice tra ore lavorate e output generato si traduce inevitabilmente in un nuovo calo della produttività del lavoro, pari all’1,9 per cento. E arretra anche la Produttività Totale dei Fattori (PTF) –  l’indicatore che misura l’efficienza complessiva del sistema e la capacità di innovare i processi – in flessione dell’1,2 per cento.

Il paradosso si fa ancora più evidente se si guardano gli investimenti. Nel 2024 l’input di capitale delle imprese italiane è cresciuto dello 0,5 per cento: aumentano gli investimenti in ICT, cresciuti del +4,1% per un valore complessivo di 42,4 miliardi di euro secondo i dati Assintel, ma anche quelli in capitale immateriale: ricerca e sviluppo, software, proprietà intellettuale. Eppure il salto di qualità, inteso come aumento dell’efficienza aggregata, non arriva. La produttività del capitale arretra, mostrando che l’adozione delle nuove tecnologie è ancora in una fase di transizione costosa e incompleta.

A partire da questi numeri, che cosa può fare in concreto l’intelligenza artificiale generativa per migliorare la produttività? Prima di azzardare una risposta, è però utile fare un passo indietro. Per capire dove l’AI può incidere concretamente – e dove, invece, rischia di restare un’illusione tecnologica – conviene osservare come si stanno muovendo le grandi organizzazioni a livello internazionale. Qual è il grado reale di adozione? In quali funzioni la Gen AI è già entrata? E con quali risultati misurabili?

Per rispondere a queste domande, vale la pena affidarsi a due osservatori privilegiati del cambiamento in corso, le ricerche di McKinsey e Deloitte, che da anni monitorano l’introduzione dell’intelligenza artificiale nei processi aziendali globali. I loro dati non raccontano una rivoluzione improvvisa, ma una trasformazione progressiva, fatta di sperimentazioni, correzioni e, soprattutto, di lezioni apprese sul campo. Un punto di partenza solido per capire che cosa l’AI può realisticamente fare, oggi, per la produttività.

L’IRRESISTIBILE ASCESA

Dal 2023 l’intelligenza artificiale generativa ha smesso di essere un terreno di sola sperimentazione, entrando progressivamente nell’operatività quotidiana delle imprese a livello globale, seppure con modalità e intensità diverse, che variano da un settore industriale all’altro. Il 2025 da questo punto di vista segna un’accelerazione significativa nell’adozione dell’AI da parte delle imprese.

L’AI fa sempre più spesso il suo ingresso nelle funzioni operative e inizia a incidere concretamente sul lavoro quotidiano. Eppure, dietro la narrazione della corsa all’AI, per una quota significativa di imprese, l’adozione rimane ancora ferma alla fase sperimentale. A dirci in estrema sintesi tutto questo è l’ultimo report McKinsey, The State of AI in 2025: Agents, Innovation, and Transformation, che fotografa un’adozione in crescita e al tempo stesso una capacità ancora limitata di integrare l’intelligenza artificiale nei processi chiave.

I numeri di McKinsey raccontano una diffusione ormai capillare dell’intelligenza artificiale nelle imprese: l’88 per cento delle aziende la utilizza con regolarità almeno in una funzione, un balzo significativo rispetto al 78 dell’anno precedente. Ma dietro questa penetrazione quasi universale si nasconde una maturità ancora diseguale. Solo una minoranza, circa un terzo delle aziende interpellate, ha iniziato a portare l’AI a scala enterprise, mentre la maggior parte resta bloccata in una zona intermedia fatta di test, sperimentazioni e progetti pilota che faticano a trasformarsi in strategia chiara di adozione su larga scala.

I grandi gruppi avanzano più velocemente, mentre le imprese più piccole arrancano. Quasi la metà di quelle con oltre 5 miliardi di dollari di ricavi ha raggiunto la fase di scaling, contro appena il 29 per cento tra quelle sotto i 100 milioni. La buona notizia è che l’AI non è più confinata a una singola divisione. Il 68 per cento delle aziende la utilizza in più di una funzione e una su due in almeno tre, segno di una diffusione sempre più trasversale, dall’IT alla gestione della conoscenza, dal marketing alle vendite.

Tra le novità più significative, spiccano gli AI agent, sistemi costruiti su modelli fondamentali in grado non solo di generare contenuti, ma di pianificare azioni, concatenare più passaggi operativi e intervenire in contesti reali con un certo grado di autonomia. I dati indicano un interesse già molto diffuso, con una larga maggioranza (62%) delle imprese che ha avviato sperimentazioni su questi strumenti. Tuttavia solo una quota ridotta (23%) ha iniziato a distribuirli su scala aziendale, e quasi sempre in ambiti circoscritti. Il fatto che in nessuna funzione il livello di adozione estesa superi la soglia del 10 per cento segnala chiaramente che ci troviamo ancora in una fase iniziale.

I casi d’uso più maturi dell’AI generativa emergono dove l’integrazione è più naturale e il rischio è più gestibile: nelle funzioni IT – dalla service desk automation al triage tecnico – e nella gestione della conoscenza, tra ricerca avanzata, document retrieval e sintesi automatizzata. L’adozione è più avanzata anche nei settori digitalmente maturi, come media, telecomunicazioni, finance e sanità, seppur con approcci selettivi e fortemente governati nei contesti più regolati.

Una delle domande chiave del rapporto McKinsey riguarda la capacità dell’AI di produrre benefici realmente misurabili. La risposta è affermativa, ma non priva di distinguo. Il 39 per cento degli intervistati dichiara che l’AI ha già avuto un impatto sull’EBIT aziendale (Earnings Before Interest and Taxes), cioè l’utile prima degli interessi e delle imposte. Tuttavia, nella maggior parte dei casi, il contributo resta limitato, con meno del 5 per cento dell’EBIT complessivo direttamente attribuibile all’adozione dell’AI. Dove i risultati appaiono invece più netti è sul piano qualitativo con il 64% delle aziende registra un miglioramento dei processi di innovazione, mentre il 45% riscontra un aumento della soddisfazione del cliente. La stessa percentuale (45%) riconosce all’AI la capacità di generare un vantaggio competitivo concreto. Le aree in cui l’impatto è più evidente si distribuiscono lungo due direttrici principali. La riduzione dei costi, che interessa soprattutto software engineering, IT e produzione, e l’aumento dei ricavi, trainato da marketing e vendite, strategia e corporate finance, sviluppo di nuovi prodotti e servizi.

Nel report McKinsey emerge con chiarezza un gruppo ristretto di aziende che si distingue dalla media. Sono quelle che attribuiscono all’intelligenza artificiale almeno il cinque per cento del proprio EBIT e che dichiarano di trarne un valore significativo. Ciò che le accomuna non è tanto la tecnologia in sé, quanto l’approccio. A differenza della maggioranza delle imprese, che continua a considerare l’AI soprattutto come uno strumento di efficientamento, gli high performer la utilizzano come leva di crescita e di trasformazione del modello di business, risultando tre volte più inclini a impiegarla per guidare cambiamenti radicali.

La differenza si vede anche nel modo in cui affrontano i processi. Invece di limitarsi ad automatizzare attività esistenti, ripensano i workflow alla radice, integrando l’AI nei flussi operativi e nei sistemi decisionali. Questo salto è sostenuto da una leadership esplicita e coerente. Nelle aziende più avanzate il commitment del top management è dichiarato, continuo e tre volte superiore rispetto alla media.

A questa visione corrispondono investimenti più consistenti. Circa un terzo di queste imprese destina oltre il 20 per cento del budget digitale all’AI, contro appena il sette per cento delle altre. Non sorprende, quindi, che siano anche più avanti nell’adozione dell’AI agentica. Il tutto avviene all’interno di un impianto organizzativo strutturato, fatto di strategie chiare, governance solida, gestione dei dati, modelli operativi coerenti e formazione continua. In questo quadro, la presenza umana resta centrale, grazie a pratiche human-in-the-loop, che stabiliscono quando l’intervento umano è necessario per supervisionare, validare o correggere l’output dei sistemi intelligenti.

Gli analisti McKinsey estendono l’analisi oltre la dimensione economica, osservando come l’intelligenza artificiale stia incidendo sulla forza lavoro e sulla gestione dei nuovi profili di rischio. Sul piano occupazionale, il 43 per cento delle aziende non prevede cambiamenti significativi, mentre il 32 per cento si attende una riduzione degli organici e il 13 per cento ipotizza un aumento dell’occupazione, segno di una trasformazione ancora in corso e non omogenea. Parallelamente, cresce in modo deciso la domanda di competenze specialistiche in ambito AI, in particolare per software engineer e data engineer, con una dinamica più accentuata nelle organizzazioni di maggiori dimensioni.

Sul fronte del rischio, le imprese gestiscono oggi in media quattro criticità legate all’AI, il doppio rispetto al 2022, e oltre la metà (51%) dichiara di aver già sperimentato impatti negativi. La criticità più frequente riguarda l’inesattezza dei risultati prodotti dai sistemi, seguita da problemi di compliance normativa e di proprietà intellettuale. Anche in questo caso, emerge una linea di demarcazione netta tra le aziende. I top performer, pur essendo più esposti per via di un uso più avanzato dell’AI, risultano anche più efficaci nella mitigazione dei rischi, grazie a modelli di gestione strutturati che includono pratiche di auditing, validazione e controllo continuo. Il report McKinsey si conclude con una metafora che sintetizza efficacemente lo stato dell’adozione dell’AI nelle imprese: se fosse una maratona, molte organizzazioni si troverebbero ancora sulla linea di partenza. Gli strumenti sono disponibili, ma mancano la revisione profonda dei processi, una leadership realmente ingaggiata e una strategia capace di sostenere l’intero percorso competitivo.

L’IMPATTO DELL’AI IN ITALIA

L’intelligenza artificiale entra anche nelle imprese italiane. I numeri Istat raccontano una crescita impetuosa: in un solo anno l’uso dell’AI raddoppia, passando dall’8,2 per cento del 2024 al 16,4 per cento del 2025 tra le imprese con almeno dieci addetti. Solo due anni fa era ferma al cinque per cento. Un segnale di accelerazione reale, ma anche dell’inizio di una nuova frattura. Se si guarda alla dimensione aziendale, a correre sono soprattutto le grandi imprese: oltre la metà (53,1%) ha utilizzato almeno una tecnologia di AI, contro il 32,5 per cento dell’anno precedente. Le PMI migliorano, raddoppiano anch’esse, ma restano indietro, passando dal 7,7 al 15,7 per cento. Un divario che si allarga. In due anni la distanza nell’uso dell’AI è passata da 20 a 37 punti percentuali, in controtendenza rispetto ad altri fronti della digitalizzazione – cloud, software gestionali, analisi dei dati – dove le differenze si stanno lentamente riducendo. Nel caso dell’AI, invece, l’utilizzo premia chi è già strutturato e penalizza chi fatica a investire in competenze, data quality e governance.

Come spesso accade, non tutte le industry viaggiano alla stessa velocità. L’analisi dei dati e l’uso dell’AI sono più diffusi nei settori ad alta intensità informativa: energia, servizi di informazione, professioni tecniche. Qui l’AI diventa uno strumento naturale di ottimizzazione, previsione, supporto decisionale. Altrove la digitalizzazione assume forme più “commerciali”. Social media e vendite online dominano nel commercio e nel turismo. Sul fronte europeo, l’Italia migliora. Gli obiettivi del “Decennio Digitale” non sono più un miraggio. Nel corso del 2025, quasi l’80 per cento delle imprese ha raggiunto almeno un livello base di digitalizzazione. Tra le grandi imprese la soglia è praticamente universale. Anche il target del 90 per cento delle PMI digitalizzate entro il 2030 appare ormai a portata di mano. Ma sugli obiettivi più ambiziosi – cloud avanzato, analisi dei dati,  e appunto AI – il percorso è ancora in salita.

Oltre la metà delle imprese sperimenta soluzioni di AI generativa, la tecnologia più visibile, accessibile e trasversale. L’AI viene usata soprattutto per estrarre informazioni dai testi, generare contenuti, analizzare linguaggio e immagini. Seguono il riconoscimento vocale e, più indietro, il machine learning classico.

IT, media e telco, trainano la crescita. Gli ambiti aziendali in cui l’AI viene maggiormente utilizzata sono marketing e vendite (33,1%), organizzazione dei processi amministrativi (25,7%), ricerca e sviluppo (20,0%).  Aree che, rispetto al 2024, registrano gli incrementi più significativi in termini di imprese coinvolte, con aumenti superiori al 60% (rispettivamente: +92,6%, +89,4% e +68,9%). Anche la sicurezza informatica emerge come uno dei campi più maturi, soprattutto nelle grandi imprese (43,7%) dei settori telecomunicazioni (38,4%) ed energia (28,2%), dove l’uso di modelli predittivi è entrato in maniera più strutturale. Un terzo delle imprese dichiara di usare l’AI ma non sa indicare con precisione per quale finalità aziendale. Diffusa soprattutto tra le piccole imprese (l’83,3% di imprese con 10-49 addetti) – è l’AI non riconducibile ad alcun ambito aziendale definito, spesso sperimentale, frammentata, non integrata e poco strutturata.

Cresce la quota di aziende che, pur avendo valutato l’adozione dell’AI, ha scelto di non procedere, rinunciando a integrarla nei propri processi, almeno in questo momento. Non solo per i costi e per la complessità della tecnologia, ma soprattutto per la mancanza di competenze, citata da quasi sei imprese su dieci. Seguono l’incertezza normativa, la qualità dei dati, i timori su privacy e sicurezza. Un quarto delle aziende solleva anche questioni etiche. C’è infine una minoranza stabile (14,8%, lievemente superiore al 14,3 del 2023), che ritiene l’AI semplicemente inutile. Il segnale che quando una tecnologia appare lontana dai problemi quotidiani, smette di essere una soluzione.

LA DIFFERENZA DI POTENZIALE

Aspettative legate allo sfruttamento dell’intelligenza artificiale continuano a rimanere alte a ogni latitudine. Eppure, secondo l’ultimo rapporto State of AI in the Enterprise 2026 di Deloitte, l’AI resta in gran parte una promessa mantenuta a metà. Oltre 3.200 dirigenti di alto livello, in 24 paesi e sei settori industriali, raccontano un mondo in cui l’adozione dell’AI accelera rapidamente, ma di trasformazione vera e propria è ancora prematuro parlare. Le aziende hanno un accesso sempre più ampio agli strumenti AI, ma faticano a trasformarlo in valore diffuso, strutturale e duraturo.

Andiamo con ordine. Nel giro di un solo anno, l’impiego di strumenti di AI è cresciuto di circa il 50%. Oggi quasi sei lavoratori su dieci usano strumenti di AI nel proprio lavoro. In alcune organizzazioni più avanzate, l’AI è disponibile per oltre l’80% della forza lavoro. Meno del 60% però degli utilizzatori la utilizza con continuità. Non diventa abitudine e non cambia il modo in cui le persone prendono decisioni. Solo un’azienda su quattro riesce a portare in produzione almeno il 40% dei progetti di AI avviati.

Le altre restano intrappolate in proof of concept con il corollario inevitabile di team ridotti e orizzonti brevi. Quando però l’AI deve entrare davvero nei processi aziendali, il tempo si dilata. Quello che doveva durare tre mesi diventa un progetto da un anno e mezzo. Servono integrazioni con sistemi legacy, verifiche di sicurezza, controlli legali, manutenzione continua. E spesso manca una strategia chiara per affrontare questi passaggi. L’AI funziona soprattutto come moltiplicatore di efficienza. Il 66% delle aziende interpellate segnala aumenti di produttività, il 53% parla di decisioni migliori, il 38% di riduzioni dei costi. Numeri che spiegano perché gli investimenti continuano. Tre aziende su quattro sperano che l’AI generi nuova crescita dei ricavi. Solo una su cinque però dice che sta già succedendo. La maggioranza usa l’AI per fare meglio ciò che faceva prima, non per ripensare il proprio business in modo diverso o semplicemente per fare cose diverse. Solo il 34 per cento delle imprese dichiara di usare l’AI per trasformare in profondità prodotti, processi o modelli di business. Le altre si limitano a ritocchi superficiali. È qui che si crea il vero gap competitivo tra chi usa l’AI come una protesi e chi la tratta in modo più maturo e lungimirante.

Si parla molto di automazione, ma ancora in poche realtà si ha la capacità di ridisegnare il lavoro. L’84% delle aziende non ha ancora ben chiaro come cambieranno i ruoli professionali alla luce dell’implementazione dell’AI. Eppure le stesse aziende prevedono che, entro tre anni, oltre l’80% dei posti di lavoro subirà forme di automazione significativa. Si investe in “alfabetizzazione dell’intelligenza artificiale”, ma molto meno in nuove carriere, nuovi team, nuovi modelli organizzativi.
Tra i lavoratori solo una minoranza si professa entusiasta, mentre la maggior parte guarda al fenomeno con prudenza quando non con aperta diffidenza. Nel rapporto Deloitte, il termine “worker” include l’intera forza lavoro. Tuttavia, l’espansione dell’accesso all’AI riguarda oggi soprattutto i knowledge worker, mentre nei contesti “blue collar” l’adozione è più indiretta e legata a casi d’uso specifici.

Inoltre si sottolinea come l’AI non elimina il lavoro umano, ma ne cambia la natura. Aumenta il bisogno di giudizio, supervisione, responsabilità, in particolare mentre i sistemi diventano sempre più autonomi. Ma questo salto non avviene da solo. Va progettato. Una parte significativa del rapporto mette in luce l’ascesa dell’AI agentica. Confermando quanto già rilevato dal report McKinsey, quasi un quarto delle aziende dichiara di utilizzarla già in modo consistente, ed entro due anni saranno tre su quattro. La maggior parte delle organizzazioni (85%) prevede inoltre di personalizzare gli agent AI per adattarli alle proprie specifiche esigenze di business. Tuttavia, solo il cinque per cento delle aziende è riuscito a integrarli come componenti operative core, e appena una su cinque dispone di modelli maturi di governance e controllo per questi sistemi.

Non si tratta di un dettaglio. Perché le principali paure delle imprese riguardano proprio ciò che l’AI agentica amplifica: sicurezza dei dati, conformità normativa, responsabilità delle decisioni. Il pericolo è che le aziende si interfaccino con l’AI adottando una logica di mero potenziamento. Con il rischio di restare intrappolate nella gestione efficiente del passato. Al contrario in questa fase di profonda discontinuità, l’introduzione di nuove tecnologie richiede architetture pensate per evolvere, non sistemi legacy rattoppati. Usare l’AI solo per rafforzare l’attuale IT significa rinunciare a progettare il futuro.

Per molte aziende infine uno dei freni principali ad investire è la difficoltà di misurare un ritorno sull’investimento immediato. Nell’incertezza, molte aziende cedono alla tentazione di rallentare, aspettare, contenere gli investimenti. Ma un ROI inizialmente deludente non significa automaticamente che la tecnologia sia immatura. La vera domanda è un’altra: in una fase di cambiamento così radicale, ha senso chiedere alle persone e alle architetture esistenti di evolvere, riducendo al contempo le risorse necessarie per farlo?

OPPORTUNITÀ E LIMITI

L’AI funziona davvero quando si cambia il modo di lavorare. L’Italia convive da trent’anni con un problema che non è ciclico, ma strutturale. La produttività non cresce perché non basta lavorare, investire o digitalizzare di più. Serve lavorare in modo diverso. In questo spazio stretto l’intelligenza artificiale può fare qualcosa di molto concreto, ma anche molto limitato, se le si chiede ciò che non può dare.

La domanda corretta quindi, non è se l’AI “salverà” la produttività italiana, ma dove può realisticamente incidere. Già negli anni Ottanta Robert Solow, tra i più autorevoli economisti del Novecento, osservava come l’era dei computer fosse visibile ovunque tranne che nelle statistiche sulla produttività. Un paradosso che rischia di riproporsi anche con l’intelligenza artificiale. Eppure, quando l’AI viene correttamente integrata nei processi di lavoro, è in grado di ridurre sprechi invisibili di tempo e attenzione, generando efficienza.

A confermarlo, tra gli altri, il report Bridging the Generational AI Gap: Unlocking Productivity for All Generations, realizzato dalla London School of Economics in collaborazione con Protiviti. Secondo lo studio, l’adozione dell’AI permetterebbe ai lavoratori di recuperare in media sette ore e mezza a settimana da attività ripetitive e a basso valore aggiunto, mentre alle imprese consentirebbe di risparmiare fino a 18mila dollari all’anno per dipendente. L’impatto diventa ancora più significativo se all’uso della tecnologia si affianca un percorso di formazione mirato. In questo caso, il tempo risparmiato salirebbe fino a undici ore settimanali e il beneficio economico crescerebbe in proporzione.

L’AI funziona solo se trasforma il modo in cui si lavora. Le grandi ondate tecnologiche impiegano anni, a volte decenni, prima di tradursi in aumenti misurabili di produttività: è successo con l’elettricità e, più di recente, con computer e Internet. E qualcosa di simile sta succedendo di nuovo con l’AI. Se si usa una tecnologia nuova per replicare vecchi processi, si ottengono solo guadagni marginali. Automatizzare un flusso inefficiente lo rende semplicemente più veloce nel produrre inefficienza. L’AI sprigiona il suo potenziale quando ridisegna i processi, riduce o elimina passaggi intermedi inutili, sposta il lavoro umano verso decisioni, giudizio, creatività, modificando ruoli, responsabilità e metriche di performance.

La tecnologia inoltre funziona solo se è accompagnata da nuove competenze e nuove forme di organizzazione del lavoro. Se la produttività è prima di tutto un fatto organizzativo, l’AI può aiutare a ridurre i livelli gerarchici inutili, accorciare le catene decisionali, rendere l’informazione accessibile a chi crea valore. Altrimenti rischia di diventare un costo aggiuntivo, non un moltiplicatore. Non si può ridurre l’AI a un semplice strumento: è qualcosa di più, e soprattutto di diverso. Qualcuno l’ha definita un “lavoratore cognitivo” che affianca l’essere umano. Realisticamente, l’AI può aumentare il valore per ora lavorata, ridurre il lavoro ripetitivo, migliorare la qualità delle decisioni, valorizzare competenze già presenti. Non può compensare carenze strutturali di capitale umano né supplire a riforme organizzative o creare produttività dove manca una strategia. Come ha scritto il Nobel per l’economia Joseph Stiglitz, la tecnologia non determina il destino economico di un paese. Solo le istituzioni e le scelte collettive possono farlo.

L'articolo AI generativa, il valore non è automatico proviene da Data Manager Online.

Secondo la creative agency We Are Social, 5,78 miliardi di persone utilizzano uno smartphone, 5,56 miliardi sono connesse a Internet e 5,24 miliardi partecipano attivamente ai social media: il mobile si conferma come infrastruttura primaria dell’economia digitale. Sul fronte della comunicazione diretta, la piattaforma indipendente di analisi EmailToolTester stima che nel 2025 sono state inviate circa 376 miliardi di email al giorno, un volume destinato a crescere rapidamente: 393 miliardi entro la fine dell’anno e oltre 408 miliardi nel 2027, a dimostrazione della persistente centralità dell’email come canale business-critical. A completare il quadro c’è la ricerca online. Secondo Meetanshi, società specializzata in soluzioni e-commerce, ogni secondo vengono effettuate circa 99mila ricerche sul web, pari a 8,5 miliardi al giorno e 3,1 trilioni all’anno: un flusso continuo di domanda informativa che alimenta dati, algoritmi e decisioni di mercato. In pratica, siamo sempre più connessi e, allo stesso tempo, sempre più sommersi dai dati.

Secondo Statista, piattaforma di riferimento per dati di mercato, sondaggi e statistiche, alla fine del 2025 il volume di dati generati a livello globale ha raggiunto i 181 zettabyte: quasi tre volte il livello registrato nel 2020 e circa novanta volte superiore rispetto al 2010. Un’accelerazione che evidenzia come la crescita dell’economia digitale non sia solo una questione di accesso e connettività, ma soprattutto di gestione, interpretazione e valorizzazione dei dati. Per dare un ordine di grandezza, un solo zettabyte equivale a mille miliardi di gigabyte, cioè circa 250 miliardi di DVD. Se si allineassero i supporti fisici equivalenti a tutti i dati generati dall’uomo, si potrebbe circumnavigare la Terra oltre 135mila volte, oppure impilandoli uno sull’altro, si otterrebbero 18 colonne alte quanto la distanza tra la Terra e la Luna.

Nel loro quotidiano, tutte le organizzazioni – pubbliche e private, indipendentemente dal settore – generano enormi quantità di dati: ordini, documenti di trasporto, fatture, informazioni sulle scorte, interazioni con i clienti. Un patrimonio informativo che spesso resta inespresso o sottoutilizzato, ma che racchiude un potenziale significativo. Ma al tempo stesso, uno spreco che ha costi enormi, non solo perché fa aumentare i costi infrastrutturali ma perché influisce anche sugli obiettivi di sostenibilità.

Se correttamente raccolti, integrati e analizzati, questi dati possono diventare una base concreta per l’ottimizzazione dei processi operativi, oltre a costituire il presupposto fondamentale per lo sviluppo e l’addestramento dei sistemi di intelligenza artificiale e di machine learning, che richiedono dati affidabili, strutturati e di qualità per generare insights, automatizzare decisioni e scalare l’innovazione nei modelli di business. Eppure, la scarsa qualità dei dati passa inosservata perché si manifesta a valle sotto forma di mancati ricavi, inefficienze operative, rischi di non conformità e opportunità perse. E per questo i bad data sono tanto insidiosi quanto pericolosi.

L’IMPATTO ECONOMICO

Nonostante il passare dei decenni, resta sorprendentemente attuale l’affermazione di William Edwards Deming – statistico, pioniere del controllo qualità e tra i principali teorici del miglioramento continuo dei processi, basato sulla misurazione sistematica di indicatori oggettivi: «Senza dati, sei solo un’altra persona con un’opinione». Come sottolineano gli esperti, la sfida è duplice: disporre di dati in grandi quantità e garantire che siano affidabili, coerenti e utilizzabili. In questo contesto si distinguono i bad data – informazioni errate, incomplete o incoerenti – e i dark data, che possono anche essere di buona qualità ma restano inutilizzati perché dimenticati, non integrati o conservati in formati non immediatamente leggibili.

Ma c’è di più: si parla di bad data anche quando i dataset non soddisfano i requisiti di una specifica operazione aziendale. Questo significa che dati apparentemente accurati e completi possono risultare “scadenti” in quanto “non adeguati” se non supportano il caso d’uso, il flusso di lavoro o il risultato che dovrebbero abilitare. Quindi nel momento più critico di adozione dell’intelligenza artificiale, occorre riscrivere completamente il concetto di data quality, perché le dimensioni di accuratezza, completezza, tempestività e coerenza non soddisfanno più completamente i requisiti.

Il risultato è che le aziende si stanno accorgendo che il loro patrimonio di dati, di cui tanto si è parlato e scritto negli anni passati, non è più sufficiente sia in termini quantitativi che qualitativi. I problemi si sommano: la qualità complessiva si deteriora, si introducono inefficienze nelle iniziative di data management e le prestazioni dell’AI peggiorano. Secondo gli analisti di Gartner, la spesa globale in intelligenza artificiale raggiungerà circa 2,5 trilioni di dollari nel 2026, con una crescita importante rispetto all’anno precedente e un incremento stimato intorno al 37-44% anno su anno.

Secondo un report dell’IBM Institute for Business Value del 2025, il 43% dei chief operations officer indica proprio i problemi di data quality come la principale urgenza nell’ambito della gestione dei dati. L’impatto economico è tutt’altro che marginale: oltre un quarto delle organizzazioni stima perdite superiori ai 5 milioni di dollari l’anno riconducibili a dati scadenti, mentre il 7% dichiara danni pari o superiori ai 25 milioni di dollari. Numeri che trasformano la data quality da inefficienza operativa a vero e proprio rischio finanziario. Le ricerche IBM IBV mostrano che qualità e governance dei dati figurano tra i principali fattori che frenano l’adozione e la scalabilità dell’AI. Quasi un leader aziendale su due (45%) indica le preoccupazioni legate all’accuratezza dei dati e ai bias come uno degli ostacoli principali. Il motivo è strutturale: i sistemi di AI non correggono i dati, li ereditano e in molti casi ne amplificano le distorsioni. Quando i dati sono incompleti, incoerenti, obsoleti o distorti, anche modelli e agenti intelligenti diventano meno affidabili su larga scala. I bad data ostacolano la possibilità di fornire a clienti e partner un supporto personalizzato e tempestivo, portando a comunicazioni errate, esperienze frustranti per il cliente, aumento del tasso di abbandono. Inoltre, causano danni non quantificabili alla reputazione delle organizzazioni.

Secondo una ricerca (un po’ datata) della Royal Mail Data Services i costi che le organizzazioni sostengono per i dati non accurati ammontano a circa il 6% del proprio fatturato. Analisi più recenti mettono in luce che la proliferazione di “bad data” anche nei data center, che compromettono l’efficacia dell’AI ed hanno un impatto sia sull’infrastruttura fisica che su quella digitale. Metadati errati o asset mal etichettati possono provocare un’allocazione inefficiente delle risorse fisiche, producendo sprechi di alimentazione e raffreddamento. Per esempio, un server dismesso e non monitorato potrebbe continuare a consumare elettricità e occupare prezioso spazio rack.

DATA GOVERNANCE

Nonostante la crescente consapevolezza sull’importanza della data quality, molte aziende la trattano ancora come un tema secondario. Troppo spesso, infatti, non dispongono di strumenti o processi in grado di affrontare la qualità dei dati in modo strutturato, trasversale e continuo. Il problema nasce dal fatto che la gestione della qualità viene considerata a valle, dopo la raccolta, l’elaborazione e l’utilizzo dei dati, invece di essere integrata fin dalle prime fasi di progettazione dei sistemi IT. Questo approccio reattivo aumenta il rischio di dati incoerenti o incompleti e genera interventi correttivi costosi e inefficaci, compromettendo l’affidabilità delle analisi e l’efficacia dei progetti di intelligenza artificiale.

Solo adottando un approccio “nativo” alla qualità dei dati, basato sul principio di “shift left”,  è possibile garantire coerenza, completezza e precisione in ogni fase del ciclo di vita del dato. In questo modo si riducono gli interventi correttivi tardivi, spesso costosi e complessi, come monitoraggio, misurazione della qualità, pulizia, correzione e validazione. Queste attività, indispensabili per evitare dati “sporchi” nel sistema, diventano invece parte integrante del processo, assicurando che le informazioni siano affidabili e immediatamente utilizzabili per analisi, decisioni operative e progetti di AI.

Uno dei problemi principali delle incoerenze di dati nelle organizzazioni è la logica a silos: la frammentazione dei dati tra reparti, team e sistemi, spesso senza collaborazione tra i diversi dipartimenti, genera sovrapposizioni, lacune e limitazioni nell’integrazione dei dataset. La gestione dei dati va invece progettata – o riprogettata – con un approccio strategico, integrato e continuo, in grado di supportare non solo i singoli progetti, ma anche l’evoluzione verso un’organizzazione data-driven. Un secondo limite delle organizzazioni attuali è la mancanza di una chiara ownership: chi è responsabile della qualità dei dati in azienda? L’IT o il Business? Un’azienda che ha affrontato, e risolto, entrambe queste tematiche è Banca Popolare di Sondrio. Fondata nel 1871, è stata una delle prime banche popolari italiane ispirate al movimento popolare cooperativo del credito. Oggi conta su una rete territoriale di 372 filiali e un capitale sociale di 1.360 milioni di euro, distribuito fra circa 158mila soci.

Già alcuni anni fa, la Popolare di Sondrio si è impegnata a strutturare un modello di data governance e data quality con l’obiettivo di trasmettere il concetto di “controllo dei dati” non come costola dell’IT, ma come supporto all’intera azienda. Nella costruzione del modello di data governance gli attori coinvolti sono quattro: il data owner, figura di business che detta le regole di controllo; il data provider, figura IT che gestisce a livello informatico i dati; il chief data officer, che svolge compiti operativi tra cui controllo dei dati e gestione dei tool; e infine l’utilizzatore del dato, ancora una volta figura del business che utilizza i dati con obiettivi aziendali. La data quality non è esclusiva responsabilità della funzione IT, ma richiede che tutte le funzioni aziendali sviluppino una consapevolezza diffusa nella sua gestione. A questo approccio si affiancano un’adeguata architettura di data governance e strumenti IT a supporto dell’intero processo.

Risultano essenziali la disponibilità di un applicativo dedicato alla gestione della qualità del dato e di un sistema di dizionarizzazione, in grado di definire in modo univoco significato e utilizzo delle informazioni. Questa architettura consente di strutturare un percorso standard del dato, dalla fonte informativa all’utente finale, eliminando la necessità di controlli incrociati e permettendo di operare su repository certificati e affidabili. In questo modo, la data governance in Banca Popolare di Sondrio ha prodotto risultati tangibili, consentendo una visione integrata del cliente all’interno del CRM, la messa a fattor comune dei risultati dei motori analitici ed è risultata un elemento abilitante anche sulle tematiche di conformità al GDPR.

QUALITÀ DEI DATI E AI

Secondo il rapporto “Embracing a brighter future: Investment priorities for 2024” di Capgemini Research Institute, molte organizzazioni riconoscono il potenziale dell’AI come strumento per promuovere l’innovazione, la produttività e la crescita dei ricavi. Quasi nove organizzazioni su dieci prevedono di utilizzare l’AI generativa entro i prossimi 12-18 mesi. Nel contesto della crescente accelerazione nell’adozione dell’AI, la qualità dei dati diventa un fattore critico. L’intelligenza artificiale ha una fame insaziabile di dati, ma la sua affidabilità, di natura intrinsecamente statistica, è proporzionale alla disponibilità di dataset ampi, di elevata qualità, strutturati e costantemente aggiornati. Dati di qualità possono determinare il successo di un progetto di AI, mentre dati “sporchi” o inadeguati ne compromettono l’efficacia fino a decretarne il fallimento.

A confermarlo la ricerca “Data & Decision Intelligence: pilotare l’AI per usarla davvero!” dell’Osservatorio Big Data & Business Analytics del Politecnico di Milano. Solo il 38% delle grandi aziende ha definito una strategia di valorizzazione dei dati, e solo una su cinque ha nominato un chief data officer o chief data & analytics officer per guidarla. Inoltre, il 27% delle grandi organizzazioni non ha ancora avviato progetti in ambito advanced analytics, indice della difficoltà nel compiere un vero salto di maturità. Eppure, tra chi ha già sperimentato almeno un progetto, il panorama è in espansione e l’87% ha aumentato nell’ultimo anno il numero di iniziative. La sfida che le imprese hanno davanti è duplice – come spiega Alessandro Piva, responsabile della Ricerca dell’Osservatorio Big Data & Business Analytics.

«Da un lato, è essenziale mantenere una sana cultura basata sul miglioramento del decision-making, consapevoli che l’AI rappresenta un mezzo e non il fine ultimo. Dall’altro, è cruciale preparare le piattaforme dati aziendali per diventare AI-ready. Da questo deriva un avvicinamento sempre più marcato tra data governance e AI governance, due ambiti interconnessi che ora più che mai necessitano di logiche di dialogo e collaborazione». In altre parole, dati e intelligenza artificiale non possono più viaggiare su binari separati.

Secondo Carlo Vercellis, responsabile scientifico dell’Osservatorio, è necessario integrare in modo sinergico le componenti dati e AI, lasciando che siano le esigenze di business a tracciare il percorso, per ottimizzare i processi o innovare nella proposta di valore. «In mancanza di questi elementi, il potenziale valore dell’intelligenza artificiale rischia di rimanere inespresso o addirittura creare nuovi rischi per le aziende».

DATI SINTETICI IN AZIONE

Anche se l’AI ha fame di dati, la quantità non è un requisito sufficiente. La diffusione di bad data, dark data e dati non adeguati limita l’addestramento dei modelli AI avanzati e ne rallenta la messa a valore. Questa carenza è particolarmente evidente nei settori regolamentati, come sanità e finanza, dove i vincoli normativi sulla privacy rendono complessa la raccolta e l’utilizzo dei dati reali. È in questo contesto che i dati sintetici stanno assumendo un ruolo crescente. Generati tramite algoritmi, modelli matematici e tecniche avanzate di machine learning, i dataset sintetici riproducono le proprietà statistiche e le relazioni dei dati reali senza contenere informazioni personali o sensibili, riducendo tempi, costi e rischi di compliance.

A differenza di semplici dati anonimizzati, i dati sintetici consentono di simulare in modo controllato scenari rari o eventi estremi difficilmente osservabili nel mondo reale. Questo li rende particolarmente utili per migliorare l’affidabilità e la robustezza dei modelli di AI, soprattutto nei sistemi autonomi chiamati a operare in contesti complessi e imprevedibili. I casi d’uso nell’automotive e nella robotica sono emblematici.

Nel settore automotive, le simulazioni basate su dati sintetici permettono di creare milioni di scenari di guida in ambienti virtuali, includendo condizioni meteorologiche estreme, traffico intenso, comportamenti pedonali anomali o variazioni critiche di illuminazione. A questi scenari possono essere associati flussi di dati multimodali provenienti da telecamere, radar e lidar, consentendo di addestrare e validare i sistemi di guida autonoma in modo più sicuro ed efficiente rispetto ai test nel mondo reale. Un approccio analogo è adottato nella robotica, dove le simulazioni permettono di modellare ambienti industriali complessi, interazioni uomo-macchina, incidenti o malfunzionamenti difficilmente replicabili nella realtà. I dati sintetici, tuttavia, non sono destinati a sostituire quelli reali. Il modello emergente è ibrido: i dati sintetici colmano le lacune dei dataset reali, supportano l’addestramento iniziale o coprono scenari rari, rischiosi o soggetti a forti vincoli di privacy.

In contesti critici, come sanità e trasporti, restano indispensabili il continuo riaddestramento dei modelli su dati del mondo reale e un presidio rigoroso della qualità. La generazione di dati sintetici richiede molta attenzione. Le tecnologie più diffuse spaziano dalle simulazioni in ambienti virtuali ai modelli di AI generativa, come GAN e VAE, fino agli approcci basati su distribuzioni statistiche. Ma l’uso indiscriminato di dati generati da altri sistemi di AI può introdurre rischi di circolarità, amplificando errori e bias nel tempo. Per questo è necessaria una governance solida e un controllo umano continuo.  Più che una soluzione definitiva ai problemi di data quality, i dati sintetici rappresentano uno strumento potente all’interno di un ecosistema più ampio di sviluppo responsabile dell’intelligenza artificiale. Se usati correttamente, offrono vantaggi significativi: maggiore controllo sulle distribuzioni e sulle dimensioni dei dataset, migliore copertura degli scenari, facilità di condivisione e benefici anche in termini di sostenibilità. Ma il loro valore dipende, ancora una volta, dalla qualità del modello di governance che li accompagna.

L'articolo Bad Data, il costo nascosto e il rischio invisibile proviene da Data Manager Online.