Il nuovo Special Report di MIT Sloan Management Review mostra perché il vero problema dell’AI aziendale non sia più l’accesso alla tecnologia, ma la capacità dell’organizzazione di trasformarla in processi, sistemi di governo e pratiche decisionali capaci di produrre valore nel tempo
L’intelligenza artificiale è ormai entrata stabilmente nelle imprese. Licenze di strumenti generativi, assistenti basati su Large Language Models, applicazioni verticali, progetti pilota e sperimentazioni sono presenti in un numero crescente di organizzazioni.
Eppure, tra utilizzare l’intelligenza artificiale e trasformare l’impresa attraverso l’intelligenza artificiale rimane una distanza considerevole.
È precisamente questa distanza che affronta Scaling AI in the Enterprise, lo Special Report pubblicato nell’edizione Summer 2026 di MIT Sloan Management Review. Il documento riunisce tre contributi distinti ma fortemente complementari: il primo riguarda l’architettura organizzativa necessaria per creare valore con la Generative AI su larga scala; il secondo affronta il problema della governance e dei rischi; il terzo analizza, attraverso il caso particolarmente significativo della funzione Finance, perché tecnologie sempre più sofisticate non producano necessariamente un corrispondente cambiamento nelle modalità con cui le organizzazioni decidono.
Il filo conduttore è netto.
Superare la fase pilota non è principalmente un problema tecnologico. È un problema di progettazione organizzativa.
La capacità dei modelli continua ad aumentare, i costi di accesso diminuiscono e gli strumenti diventano progressivamente più semplici da utilizzare. Ma nessuna di queste dinamiche garantisce che un’impresa riesca a trasformare la sperimentazione individuale in miglioramento dei processi, il miglioramento dei processi in capacità organizzativa e quella capacità in vantaggio competitivo.
Letto nel suo insieme, il report consente quindi di osservare tre dimensioni della stessa trasformazione:
- organizzazione, per coordinare persone, competenze, processi e use case;
- governance, per controllare rischi che cambiano mentre i sistemi evolvono;
- leadership, per modificare concretamente il modo in cui le persone osservano, sperimentano, decidono e apprendono.
Ed è questa lettura integrata a rendere il lavoro particolarmente interessante per le imprese.
1. Il primo problema: creare valore con la Generative AI su larga scala
Il primo contributo, Create Generative AI Value at Scale, di Kevin Schmitt, Gregory Vial e Ivo Blohm, parte da un paradosso ormai evidente. Le imprese hanno investito risorse considerevoli per mettere a disposizione dei dipendenti strumenti general purpose basati su Large Language Models. Questi strumenti stanno producendo benefici nella produttività individuale: scrivere più rapidamente, sintetizzare documenti, analizzare informazioni, preparare bozze, sviluppare codice, effettuare ricerche. Ma aumentare la produttività del singolo non equivale necessariamente a creare valore strategico per l’organizzazione. Gli autori sostengono che ritorni economici significativi e, soprattutto, vantaggi competitivi difficilmente emergeranno finché la Generative AI non verrà utilizzata per ridisegnare processi che attraversano funzioni e business unit, anziché semplicemente rendere più veloce l’esecuzione di singole attività. La distinzione è fondamentale. Se cento professionisti utilizzano individualmente un LLM per scrivere più rapidamente le proprie email, l’organizzazione può certamente ottenere un incremento diffuso di produttività. Se invece l’impresa ripensa l’intero processo di customer service — acquisizione della richiesta, classificazione, recupero delle informazioni, predisposizione della risposta, escalation, aggiornamento del CRM, analisi delle conversazioni e apprendimento dai casi precedenti — allora l’intelligenza artificiale smette di essere uno strumento personale e diventa infrastruttura del processo. È in questo secondo passaggio che si colloca il problema dello scaling.
La ricerca: 23 organizzazioni e 87 interviste
Il contributo si basa su una ricerca sviluppata tra il 2022 e il 2025 attraverso 23 imprese svizzere appartenenti a un consorzio di ricerca sulla Generative AI. Le organizzazioni analizzate operavano in settori molto differenti: retail banking, investment banking, assicurazioni, health insurance, medical coding, energia, servizi legali, produzione industriale, servizi postali e consulenza tecnologica. Gli autori hanno raccolto evidenze attraverso oltre dieci workshop e 87 interviste semistrutturate approfondite rivolte a dipendenti operativi, responsabili di business, responsabili tecnologici e dei dati e membri del top management. Dall’analisi emergono tre pratiche caratteristiche delle organizzazioni che riescono maggiormente a generare valore su scala:
- estendere progressivamente gli use case attraverso interi processi anziché limitarli a un singolo task;
- considerare ogni applicazione AI come un sistema in continua evoluzione, da migliorare iterativamente;
- identificare rapidamente le iniziative che non producono valore misurabile e avere la capacità di interromperle.
Quest’ultimo elemento merita particolare attenzione. La maturità nell’adozione dell’AI non si misura soltanto nel numero dei progetti avviati. Si misura anche nella capacità di abbandonare quelli che non funzionano.
2. L’“AI spine”: una nuova infrastruttura organizzativa
Il concetto centrale del primo articolo è quello di AI spine. Il termine può essere tradotto, senza tuttavia conservarne completamente la forza semantica, come “colonna vertebrale dell’AI”. Gli autori osservano che le tradizionali organizzazioni multidivisionali presentano caratteristiche che ostacolano strutturalmente lo scaling: funzioni replicate tra divisioni, differenti responsabilità economiche, flussi informativi incompleti e competizione interna per le risorse. Il tradizionale modello hub-and-spoke, nel quale un centro di competenza tecnologico supporta separatamente le diverse business unit, può quindi non essere sufficiente. L’AI spine propone una logica diversa: non limitarsi a portare tecnologi dentro le funzioni, ma portare la conoscenza dei processi dentro il nucleo centrale dell’AI. È un cambiamento apparentemente sottile, ma sostanziale. Il centro non deve possedere soltanto competenza su modelli, prompt, API e infrastrutture. Deve diventare il luogo nel quale convergono:
- tecnologia;
- conoscenza del business;
- conoscenza dei processi;
- risk e compliance;
- conoscenza specialistica;
- esperienza degli utilizzatori finali.
Lo schema The AI Spine contenuto nel report rappresenta proprio questa architettura: al centro si trovano technology owner, AI engineers, software developers e risk & compliance; le diverse business unit si collegano alla struttura attraverso business owner, knowledge owner ed end user. Il risultato non è un semplice centro di eccellenza tecnologica. È un meccanismo permanente di coordinamento tra tecnologia e conoscenza organizzativa.
3. Il valore della conoscenza tacita
Uno dei passaggi più interessanti del report riguarda un tema che rischia di essere sottovalutato nell’attuale entusiasmo per l’automazione: la conoscenza tacita delle persone. Una banca analizzata dagli autori aveva sviluppato un assistente AI per aiutare il customer service nella predisposizione delle email. Da un punto di vista tecnico, il sistema funzionava. Le risposte erano plausibili e utilizzavano correttamente le fonti disponibili. Gli operatori, tuttavia, continuavano frequentemente a modificarle perché risultavano incomplete, non perfettamente aderenti agli standard interni o caratterizzate da un tono non appropriato. Il problema non era quindi contenuto nei documenti utilizzati dal sistema. Era contenuto nella conoscenza che gli operatori avevano sviluppato attraverso anni di esperienza e che nessuno aveva formalizzato. Per recuperarla, la banca iniziò a registrare le modifiche apportate dagli operatori alle risposte generate e a raccogliere rating strutturati sugli output. Questi feedback permisero di rendere visibili regole implicite riguardanti tono, intenzione, modalità di escalation e trattamento dei casi particolari. Questo esempio contiene una lezione molto importante. L’intelligenza artificiale rende ancora più preziosa la conoscenza specialistica delle persone, perché per automatizzare bene un processo occorre prima comprendere ciò che l’organizzazione sa senza avere mai formalizzato. La conoscenza tacita diventa quindi un vero e proprio asset informativo.
4. Dal risparmio di tempo alla riprogettazione del processo
I casi quantitativi descritti nel report rendono evidente la progressione. Nella banca, l’introduzione iniziale dell’assistente email produsse circa 700 ore di risparmio durante il rollout limitato. Una volta ampliato l’utilizzo, il tempo necessario per la gestione delle email diminuì del 15%. Ma il vero sviluppo successivo non fu semplicemente aumentare ulteriormente questa percentuale. L’AI spine iniziò a introdurre sintesi automatiche dei thread, trascrizioni delle chiamate e analisi delle conversazioni. I nuovi dati prodotti permisero di ottenere informazioni prima non disponibili e contribuirono ad avviare una riprogettazione del customer relationship management. La sequenza è significativa: automazione del task → generazione di nuovi dati → nuova conoscenza → riprogettazione del processo. È in quest’ultimo passaggio che l’AI inizia realmente a trasformare l’organizzazione.
5. Quando l’automazione diventa un nuovo modello di ricavo
Ancora più significativo è il caso di una società specializzata nel medical coding. Un’applicazione interna basata su LLM aveva ridotto il tempo necessario per codificare un caso da circa 25 minuti a 2 secondi, abbattendo il costo del processo del 60% rispetto all’esecuzione manuale. Le persone interessate dall’automazione furono riallocate ad altre responsabilità. Ma anche in questo caso il valore più interessante emerse successivamente. La competenza tecnologica e di processo sviluppata internamente venne trasformata in un prodotto destinato alle compagnie assicurative che necessitavano di verificare la correttezza della codifica delle prestazioni. Un progetto nato per ridurre un costo interno diventò così una nuova linea di business e una nuova fonte di ricavi. La lezione strategica è evidente. Quando l’AI viene applicata profondamente a un processo, può non soltanto migliorarlo: può rivelare capabilities trasformabili in prodotti, servizi e modelli di business.
6. Le responsabilità all’interno dell’AI spine
L’architettura proposta dal report è particolarmente utile perché non rimane sul piano concettuale. Gli autori distinguono responsabilità precise. Il technology owner presidia la coerenza tecnologica, evitando la frammentazione di strumenti e flussi informativi e governando piattaforme dati, prompt library, modelli, sistemi di valutazione e metriche economiche. Risk e compliance diventano componenti permanenti della struttura anziché funzioni consultate soltanto alla fine. Questo permette di incorporare più rapidamente gli apprendimenti derivanti da ciascun progetto negli use case successivi. Il business owner deve individuare i processi nei quali l’AI può generare valore, definire baseline e obiettivi anche non tecnici e assumersi la responsabilità tanto dell’adozione quanto dell’eventuale interruzione delle applicazioni insufficientemente performanti. Il knowledge owner presidia la correttezza della conoscenza esplicita e tacita utilizzata dal sistema, cura il ground truth e verifica che policy, istruzioni e vincoli rimangano aggiornati. Gli end user, infine, partecipano alla validazione prima e dopo il deployment, contribuendo a individuare problemi, casi limite e situazioni nelle quali le applicazioni generano workaround o favoriscono la nascita di shadow AI. È un modello nel quale la responsabilità dell’intelligenza artificiale non appartiene esclusivamente all’IT. L’AI diventa una responsabilità organizzativa distribuita ma coordinata.
7. Perché i tradizionali GenAI team possono non essere sufficienti
Un dato della ricerca merita particolare cautela, ma è molto significativo. Delle 23 organizzazioni studiate, soltanto due erano riuscite, secondo gli autori, a portare la Generative AI a un livello interpretabile come vera capacità strategica. Entrambe avevano sviluppato strutture riconducibili al modello dell’AI spine. Le altre imprese utilizzavano principalmente due configurazioni. Tredici avevano costituito una GenAI unit centrale, mentre otto avevano creato GenAI squad inserite direttamente nelle business unit. Entrambe le soluzioni presentano vantaggi. L’unità centrale consente di concentrare rapidamente competenze tecnologiche. Le squad decentralizzate sono invece più vicine ai problemi di business e riescono spesso a portare molto rapidamente le idee allo stadio di prototipo. Ma emergono anche limiti. Una GenAI unit esclusivamente tecnologica rischia di sviluppare soluzioni formalmente corrette ma scarsamente aderenti alle necessità operative. Le squad decentralizzate rischiano invece di duplicare infrastrutture, produrre livelli di maturità differenti tra divisioni e accumulare un debito manutentivo crescente su prompt, dati, modelli e sistemi. Il report cita il caso di un assicuratore il cui chatbot, poco dopo il lancio, poteva essere indotto dagli utenti a fornire persino ricette per la pizza: il problema non era riuscire a realizzare il prototipo, ma mantenere, limitare e migliorare continuamente il sistema dopo il deployment. Il messaggio può essere sintetizzato così: il proof of concept è un evento; la capacità AI è un processo permanente.
Riferimento della prima parte
Kevin Schmitt, Gregory Vial e Ivo Blohm, Create Generative AI Value at Scale, MIT Sloan Management Review, Summer 2026, Reprint 67417. Il contributo si basa sulla ricerca condotta tra il 2022 e il 2025 presso 23 organizzazioni e introduce il modello organizzativo dell’AI spine.
8. La seconda dimensione: non basta scalare l’AI, bisogna scalare anche la governance
Il secondo contributo del report, Scaling AI With Adaptive Governance, di Gianvito Lanzolla, Margherita Pagani e Christopher L. Tucci, affronta il problema complementare.
Più l’AI entra nei processi, più aumenta la necessità di controllarla.
Ma il controllo tradizionale rischia di essere inadeguato proprio perché i sistemi di AI possiedono caratteristiche differenti dai normali software.
La tesi degli autori è che la governance debba smettere di essere interpretata esclusivamente come obbligo di compliance e diventare una capacità strategica adattiva.
Trasparenza, fairness e accountability rimangono principi fondamentali, ma possederli all’interno di una policy non significa averli integrati realmente nelle decisioni quotidiane.
Per governare l’AI su scala occorre incorporare i controlli direttamente nei workflow, nei sistemi di responsabilità e nei decision rights.
9. Il rischio cambia durante il ciclo di vita dell’AI
Gli autori distinguono due momenti principali nei quali possono emergere i rischi.
Il primo riguarda lo sviluppo.
In questa fase possono sorgere problemi derivanti da dati distorti o incompleti, insufficienti procedure di validazione oppure mancato allineamento del modello rispetto al task.
Il secondo riguarda il deployment.
Una volta messo in produzione, il sistema inizia a interagire con utenti, processi e ambienti che cambiano nel tempo.
Possono emergere fenomeni di data drift, output plausibili ma falsi, eccessiva fiducia degli utilizzatori e modalità di interazione non previste originariamente.
Il report richiama, tra gli altri, il caso dei sistemi AI utilizzati da Nasdaq per la market surveillance: essi elaborano grandi quantità di segnali alla ricerca di comportamenti sospetti, ma la distinzione tra comportamento anomalo e comportamento effettivamente illecito può essere estremamente complessa, soprattutto quando i soggetti osservati cercano deliberatamente di adattarsi ai meccanismi del sistema.
La governance, quindi, non può essere semplicemente una certificazione iniziale.
Un sistema corretto oggi può diventare problematico domani senza che il codice originario sia stato modificato.
10. Non tutti i sistemi richiedono lo stesso controllo
Il modello di adaptive governance proposto dagli autori si basa su una logica fit for purpose.
I controlli dovrebbero essere proporzionati almeno a due caratteristiche.
La prima è il tipo di sistema.
Un modello statico o bounded-learning non presenta le medesime caratteristiche di un sistema capace di aggiornarsi e adattarsi durante l’utilizzo.
La seconda è l’ampiezza della propagazione delle decisioni.
Un sistema che opera all’interno di un processo circoscritto presenta un profilo di rischio diverso da un sistema le cui decisioni producono conseguenze attraverso funzioni, società, clienti o interi ecosistemi.
Questa seconda dimensione diventa particolarmente importante con lo sviluppo dell’agentic AI.
Un agente capace di avviare autonomamente transazioni, negoziare contratti o riallocare risorse non aumenta soltanto l’automazione.
Aumenta la velocità con la quale una decisione errata può produrre conseguenze.
Finance, supply chain e healthcare sono tra gli ambienti nei quali errori originariamente locali potrebbero quindi diffondersi attraverso reti di sistemi interdipendenti con un intervento umano progressivamente più limitato.
11. Prima regola della governance adattiva: inserire i controlli dentro i processi
La prima pratica proposta dal report è probabilmente quella con maggiore immediata rilevanza manageriale:
il controllo non deve essere aggiunto al processo; deve essere progettato dentro il processo.
Una banca globale analizzata dagli autori classificava ogni use case AI secondo differenti livelli di rischio sulla base di impatto sul cliente, impatto regolamentare, sensibilità dei dati e tipologia di modello.
A ciascuna classe corrispondevano controlli obbligatori, che potevano comprendere validazione indipendente del modello, verifiche campionarie da parte dei relationship manager e frequenza prestabilita delle revisioni successive al deployment.
Venivano inoltre definiti i soggetti autorizzati ad approvare modifiche ai modelli.
Questi controlli erano incorporati direttamente nel processo di approvazione del credito e non potevano essere semplicemente ignorati dall’operatore. Le eccezioni richiedevano specifiche autorizzazioni da parte delle funzioni di business e di risk management.
La differenza rispetto alla compliance tradizionale è notevole.
La governance non interviene quando il processo è già avvenuto.
La governance diventa parte del software organizzativo attraverso il quale il processo avviene.
12. Seconda regola: le competenze devono poter divergere prima di convergere in una decisione
L’adaptive governance non richiede necessariamente uniformità di giudizio. Gli autori sostengono quasi il contrario. Quando un sistema coinvolge business, tecnologia, legale, compliance, data science e risk management, ciascuna funzione osserva problemi differenti e utilizza criteri differenti. Questa eterogeneità non è un’anomalia da eliminare. È una risorsa da organizzare. Il problema consiste nel costruire processi capaci di trasformare giudizi differenti in una decisione conclusiva, evitando tanto l’immobilismo quanto l’approvazione acritica degli output dell’AI. Tra gli strumenti indicati compaiono model review congiunte, documentazione strutturata come le model card e sessioni periodiche di validazione cross-functional nelle quali ipotesi, soglie e logiche decisionali possano essere esplicitamente discusse e contestate. Con l’aumento delle interdipendenze, inoltre, il perimetro della governance può oltrepassare i confini dell’impresa. Fornitori di modelli, piattaforme cloud, dataset esterni, API, partner commerciali e clienti possono diventare parti dello stesso sistema. Occorre quindi comprendere non soltanto chi utilizza l’AI, ma attraverso quali relazioni il suo rischio può propagarsi.
13. Terza regola: la governance deve imparare
Il terzo principio chiude il cerchio. Se i sistemi cambiano, anche i controlli devono cambiare. Gli autori propongono quindi di istituzionalizzare la governance come learning system. Incidenti e near misses devono essere raccolti, analizzati e trasformati in nuovi standard, nuove soglie, nuove procedure e nuovi controlli. La governance efficace non è quindi quella dotata del manuale più voluminoso. È quella che possiede il ciclo di apprendimento più efficace: evento → analisi → apprendimento → modifica del controllo → nuova osservazione. Il risultato è un sistema di governo che evolve insieme alla tecnologia e ai processi nei quali questa viene utilizzata. È probabilmente uno dei messaggi più importanti dell’intero Special Report. Con una tecnologia adattiva, una governance statica è strutturalmente destinata a diventare obsoleta.
Riferimento della seconda parte
Gianvito Lanzolla, Margherita Pagani e Christopher L. Tucci, Scaling AI With Adaptive Governance, MIT Sloan Management Review, Summer 2026, Reprint 67403. Il contributo sviluppa il concetto di governance adattiva attraverso controlli proporzionati al sistema e al rischio, integrati nei workflow e accompagnati da meccanismi di apprendimento continuo.
14. La terza dimensione: perché l’AI non sta ancora trasformando la funzione Finance
Il terzo contributo, Why AI Isn’t Transforming Finance Yet, di Stijn Viaene, Kristof Stouthuysen e Bjorn Cumps, è particolarmente rilevante perché utilizza la funzione Finance per mostrare cosa accade quando la tecnologia avanza più rapidamente dell’organizzazione. Le aspettative erano elevate. L’AI avrebbe dovuto rendere più accurate e frequenti le previsioni, ridurre i tempi di closing, identificare anticipatamente i rischi e trasformare lo scenario planning da esercizio periodico in capacità continua. Nella realtà osservata dagli autori, però, molte organizzazioni presentano un quadro differente. Proof of concept che non escono dalle sandbox. Modelli promettenti che non vengono utilizzati nei momenti di maggiore pressione. Dashboard continuamente aggiornate che incidono poco sulle decisioni realmente importanti. La Finance è certamente più automatizzata, ma non necessariamente più capace di aiutare l’organizzazione a guardare in avanti e adattarsi. È semplice attribuire il problema a dati, integrazioni, fiducia nei modelli o fornitori. Secondo gli autori, tuttavia, esiste una spiegazione più profonda: la tecnologia sta cambiando più rapidamente del modo in cui viene esercitata la leadership dentro la funzione Finance.
15. L’AI inserita nel vecchio processo rende il vecchio processo più veloce
Quando arriva un nuovo strumento, le persone non modificano automaticamente il proprio modo di ragionare. La Finance continua spesso a concentrarsi su:
- closing;
- varianze;
- precisione del forecast;
- difesa del numero;
- riduzione delle deviazioni;
- controllo dell’incertezza.
L’intelligenza artificiale viene quindi inserita in questa struttura e utilizzata per fare meglio ciò che l’organizzazione faceva già prima. Il risultato può essere una previsione tecnicamente più sofisticata senza che il processo decisionale diventi realmente migliore. Gli autori invitano pertanto a interpretare la leadership non semplicemente come ruolo gerarchico, ma come il lavoro attraverso il quale le persone aiutano l’organizzazione ad adattarsi in condizioni di incertezza. Leadership può essere allora esercitata anche dall’analista che individua un segnale anomalo e ne discute il significato, dal controller che sperimenta un nuovo driver previsionale o dal planning manager che propone scenari differenti anziché cercare immediatamente di convergere verso una singola previsione.
16. Il paradosso della funzione Finance: controllo e adattamento
La funzione Finance vive una tensione strutturale. Da una parte deve garantire:
- affidabilità;
- accuratezza;
- compliance;
- disciplina nell’allocazione del capitale;
- controllo.
Dall’altra, l’AI permette di ampliare enormemente la capacità di osservare segnali, testare ipotesi e analizzare futuri alternativi. La stessa funzione che professionalmente è stata costruita per ridurre la sorpresa viene quindi chiamata a sviluppare maggiore capacità di esplorare l’incertezza. È un paradosso particolarmente interessante. La trasformazione non consiste nell’abbandonare il controllo. Consiste nell’aggiungere al controllo la capacità di esplorazione. La Finance deve contemporaneamente proteggere ciò che funziona e aiutare l’impresa a comprendere ciò che potrebbe presto non funzionare più.
17. Dalla previsione unica agli scenari
Uno degli esempi più efficaci riguarda un’azienda regionale di utilities. Tradizionalmente, al Finance veniva richiesto di presentare una previsione unitaria dell’evoluzione futura. Con l’aumento della volatilità nei mercati energetici, la capacità di difendere un singolo numero diventò progressivamente più difficile. Dopo una serie di errori previsionali, il CFO modificò l’approccio. Attraverso strumenti AI-enabled, il team di planning costruì diversi scenari a tre anni combinando ipotesi differenti su prezzi degli input, decisioni regolamentari e comportamento dei clienti. Invece di arrivare al tavolo del management con un futuro e un numero, la Finance arrivò con diversi futuri, diversi numeri e diversi early warning indicator. La discussione cambiò. La domanda non era più principalmente: “Quale previsione è corretta?” Diventò:“Cosa dovremmo fare se questo scenario iniziasse a materializzarsi?” L’AI aveva certamente reso più semplice e profonda l’elaborazione degli scenari. Ma la vera innovazione era stata manageriale. Il CFO aveva reso legittimo parlare apertamente dell’incertezza. La funzione Finance aveva smesso di pretendere di conoscere con precisione il futuro e aveva iniziato ad aiutare l’impresa a prepararsi a futuri differenti.
18. Una previsione più precisa non è necessariamente una decisione migliore
Il report contrappone questo approccio a quello di altre organizzazioni nelle quali l’AI era stata utilizzata prevalentemente per perfezionare ulteriormente un forecast unico. Il paradosso è significativo. Più il modello diventava sofisticato, più le persone tendevano a difenderlo. Le ipotesi venivano raffinate, l’incertezza compressa negli intervalli statistici e gli scenari alternativi trattati come disturbi rispetto all’obiettivo centrale della precisione. L’AI migliorava la previsione senza necessariamente migliorare la decisione. È un principio che supera ampiamente il confine della funzione Finance. La qualità dell’analisi non coincide automaticamente con la qualità del processo decisionale.
La vera domanda manageriale non è soltanto:
quanto è accurato il modello?
Ma anche:
quale decisione differente siamo in grado di prendere grazie al modello?
19. L’innovazione locale deve diventare pratica organizzativa
Un secondo caso riguarda un grande gruppo retail.
Un team Finance operante in un Paese aveva sviluppato una procedura AI-assisted per individuare anomalie nelle spese a livello di punto vendita.
La soluzione funzionava, ma rimaneva un’innovazione locale.
Il cambiamento avvenne quando l’organizzazione creò occasioni nelle quali i team potevano condividere non soltanto i risultati ottenuti, ma il modo con cui avevano lavorato.
Un finance manager di un altro Paese conobbe il progetto durante una sessione interna e chiese di utilizzare il codice e la checklist.
Nel giro di alcune settimane, versioni adattate della soluzione erano operative in altri due Paesi.
Successivamente, la sede centrale propose di integrare la pratica nel processo ordinario di monthly review, concordando alcuni guardrail con l’internal audit.
Non fu necessario un grande programma di trasformazione.
Fu necessario rendere socialmente e organizzativamente possibile che un’idea:
nascesse localmente → fosse condivisa → venisse adattata → diventasse pratica comune.
La capacità di scaling, ancora una volta, dipende quindi dalla capacità di trasferire apprendimento, non semplicemente tecnologia.
20. Il potere silenzioso del CFO
Gli autori attribuiscono al CFO un ruolo particolarmente importante.
Una parte del suo potere è evidente.
Decide quali investimenti sostenere, quali competenze inserire, quali iniziative finanziare e quali interrompere.
Ma ne esiste un’altra, meno visibile.
Il CFO stabilisce implicitamente cosa viene considerato “vero lavoro” all’interno della Finance.
Se domanda esclusivamente precisione e rapidità, le persone comprendono che esplorare l’incertezza può essere rischioso.
Se chiede invece quali segnali deboli siano stati individuati, che cosa sia stato appreso da una sperimentazione oppure quali ipotesi alternative potrebbero essere verificate, comunica che osservazione, apprendimento e sperimentazione fanno parte del lavoro.
Sono segnali apparentemente piccoli.
Ma, accumulandosi, determinano se l’intelligenza artificiale rimarrà confinata nelle presentazioni e nei proof of concept oppure entrerà realmente nelle routine quotidiane della funzione.
21. Le cinque domande che ogni CFO dovrebbe porsi
Il contributo si conclude con una serie di domande che meritano di essere riportate nella loro sostanza perché sintetizzano efficacemente il problema.
Un CFO dovrebbe chiedersi:
- chi, all’interno della funzione, si sente responsabile di individuare e discutere i segnali anticipatori;
- dove le persone possono sperimentare in sicurezza nuove modalità di forecasting o analisi del rischio;
- come viene incoraggiata l’analisi di futuri alternativi anziché la semplice difesa di un singolo numero;
- quali meccanismi permettono alle innovazioni locali di diventare pratiche condivise quando dimostrano il proprio valore;
- quali comportamenti quotidiani del CFO favoriscono oppure ostacolano queste forme di leadership.
È soprattutto l’ultima domanda a spostare il problema dalla tecnologia alla leadership.
Riferimento della terza parte
Stijn Viaene, Kristof Stouthuysen e Bjorn Cumps, Why AI Isn’t Transforming Finance Yet, MIT Sloan Management Review, Summer 2026, Reprint 67409. Gli autori precisano che le evidenze presentate mostrano pattern organizzativi e non intendono dimostrare causalità diretta tra specifici comportamenti di leadership e risultati dell’AI.
22. La lettura unitaria del report: l’AI non si scala, si ridisegna l’organizzazione intorno all’AI
I tre contributi possono essere letti separatamente.
Ma è leggendoli insieme che emerge, a nostro avviso, la parte più interessante dello Special Report.
Il primo risponde alla domanda:
come organizziamo l’impresa affinché l’AI possa attraversare i processi e produrre valore?
La risposta è costruire un’infrastruttura organizzativa permanente capace di integrare tecnologia, process knowledge, competenze specialistiche, risk e utilizzatori finali.
Il secondo affronta la domanda:
come permettiamo all’AI di aumentare scala e autonomia senza aumentare in modo incontrollato il rischio?
La risposta è trasformare la governance da livello esterno di controllo a componente interna del processo operativo.
Il terzo pone infine la domanda più difficile:
perché, anche disponendo della tecnologia e della governance, l’organizzazione potrebbe continuare a lavorare nello stesso modo?
Perché le tecnologie possono cambiare più rapidamente delle routine, degli incentivi, dei comportamenti e delle pratiche di leadership.
Ne deriva una conclusione importante:
lo scaling dell’intelligenza artificiale è un problema di operating model.
23. Dall’AI adoption all’AI operating model
Una possibile interpretazione manageriale del report consente di distinguere quattro livelli di maturità.
Livello 1 — Accesso
L’impresa mette gli strumenti a disposizione delle persone.
Nascono benefici individuali, principalmente nella produttività.
È la fase del “copilot per tutti”.
Livello 2 — Sperimentazione
Vengono individuati use case e realizzati proof of concept.
L’organizzazione impara cosa la tecnologia può e non può fare.
È una fase necessaria, ma facilmente può diventare permanente.
Livello 3 — Integrazione nei processi
Gli use case vengono collegati tra loro.
Dati, prompt, sistemi, responsabilità e controlli vengono integrati.
L’unità di analisi non è più il singolo task, ma il processo end-to-end.
Livello 4 — Capacità organizzativa
La sperimentazione diventa continua.
La governance apprende.
Le competenze vengono trasferite.
Gli use case inefficienti vengono eliminati.
Le innovazioni locali vengono diffuse.
La leadership legittima l’esplorazione e incorpora l’AI nelle modalità attraverso le quali l’organizzazione prende decisioni.
A questo livello l’AI non è più soltanto tecnologia.
Diventa una capability dell’impresa.
Questa griglia rappresenta una nostra lettura interpretativa dei tre contributi e non una classificazione formalmente proposta dagli autori.
24. Dal “proof of concept” al “proof of value”
Il report permette inoltre di riconsiderare uno dei termini più utilizzati nell’innovazione digitale: proof of concept.
Dimostrare che un sistema è tecnicamente realizzabile non è più sufficiente.
Occorre dimostrare:
che migliora realmente una metrica rilevante;
che può essere incorporato nei workflow;
che gli utenti lo adottano;
che le conoscenze necessarie alla sua validazione possono essere mantenute;
che il rischio è controllabile;
che il costo di manutenzione è sostenibile;
che l’organizzazione possiede una struttura capace di migliorarlo nel tempo;
e, soprattutto, che la soluzione produce un valore superiore alle alternative.
Lo scaling richiede quindi il passaggio dal proof of concept al proof of value.
E richiede anche la disciplina di accettare che alcuni use case non superino questa seconda prova.
25. Il capitale umano non scompare: cambia funzione
Un altro elemento attraversa tutti e tre i contributi.
Più l’AI diventa sofisticata, meno sembra plausibile ridurre la trasformazione a una semplice sostituzione del lavoro umano.
Nell’AI spine, le persone servono per rendere esplicita la conoscenza tacita.
Nell’adaptive governance, servono competenze differenti per interpretare rischi differenti e contestare decisioni.
Nella Finance, servono persone capaci di osservare segnali, sperimentare, formulare scenari e diffondere nuove pratiche.
Il ruolo umano si sposta progressivamente:
dall’esecuzione → alla validazione;
dalla produzione dell’output → alla progettazione del processo;
dal recupero dell’informazione → all’interpretazione;
dalla previsione → alla decisione;
dal rispetto di procedure statiche → all’apprendimento organizzativo.
Per le imprese, questo significa che la strategia AI e la strategia delle competenze non possono essere separate.
26. Anche la conoscenza diventa infrastruttura
Il concetto di knowledge owner introdotto nel primo articolo possiede, in questa prospettiva, un significato particolarmente rilevante.
I sistemi AI dipendono dalla qualità delle informazioni alle quali accedono.
Ma la qualità non riguarda soltanto l’accuratezza del documento.
Riguarda anche:
la sua attualità;
la sua validità;
il contesto nel quale deve essere utilizzato;
le eccezioni;
la gerarchia tra fonti;
le regole implicite;
la conoscenza prodotta durante l’esperienza.
Di conseguenza, nelle imprese AI-enabled il knowledge management non può più essere considerato una funzione accessoria.
Diventa parte dell’infrastruttura produttiva.
Un’organizzazione che non sa dove si trova la propria conoscenza, chi ne è responsabile e quale versione sia valida avrà difficoltà a scalare sistemi AI affidabili, indipendentemente dalla qualità del modello utilizzato.
27. Governance e innovazione non sono necessariamente opposte
Un’ulteriore conclusione importante riguarda il rapporto tra governance e velocità.
Una lettura superficiale potrebbe suggerire che inserire controlli, risk management e procedure rallenti l’innovazione.
Il report suggerisce il contrario.
Una buona governance può aumentare la velocità perché riduce l’incertezza riguardo a:
chi decide;
quali controlli applicare;
quando effettuare una verifica;
quali rischi sono accettabili;
quando è necessaria un’escalation;
quali condizioni consentono di portare un sistema in produzione.
Il vero rallentamento deriva spesso dalla governance non progettata: problemi affrontati soltanto alla fine, responsabilità indefinite, verifiche replicate, approvazioni ad hoc e discussioni ripetute ogni volta da zero.
La governance adattiva può quindi diventare un’infrastruttura dell’innovazione.
28. Il nuovo vantaggio competitivo potrebbe essere organizzativo più che tecnologico
L’elemento forse più importante riguarda il vantaggio competitivo.
I modelli general purpose più avanzati sono sempre più disponibili a una pluralità di imprese.
Se concorrenti differenti possono utilizzare gli stessi foundation model, il semplice accesso alla tecnologia difficilmente costituisce un vantaggio sostenibile.
La differenza si sposta progressivamente sulla capacità di ciascuna organizzazione di:
integrare i modelli nei propri processi;
collegarli alla propria conoscenza;
misurarne l’impatto;
sviluppare feedback loop;
governarne i rischi;
creare fiducia negli utilizzatori;
trasferire le innovazioni;
modificare rapidamente i processi quando emergono soluzioni migliori.
In questa prospettiva, il vantaggio competitivo non risiede tanto nell’AI posseduta quanto nella velocità con la quale l’impresa riesce ad apprendere attraverso l’AI.
Conclusioni
Scaling AI in the Enterprise affronta un passaggio che sta diventando centrale nella trasformazione digitale delle imprese.
La prima fase dell’AI generativa è stata dominata dalla domanda:
“Che cosa può fare questa tecnologia?”
La seconda è stata dominata dalla sperimentazione:
“Dove possiamo utilizzarla?”
La fase nella quale stiamo entrando pone una domanda molto più complessa:
“Come dobbiamo modificare l’organizzazione perché l’AI diventi una capacità permanente, governabile e capace di produrre valore?”
I tre contributi raccolti da MIT Sloan Management Review forniscono risposte differenti ma coerenti.
Occorre superare l’adozione individuale e intervenire sui processi.
Occorre creare strutture permanenti che colleghino tecnologia e conoscenza del business.
Occorre definire il valore prima di moltiplicare gli use case e avere il coraggio di interrompere quelli che non lo generano.
Occorre incorporare la governance direttamente nelle modalità operative.
Occorre trasformare incidenti ed errori in apprendimento.
Occorre consentire alle competenze differenti di partecipare alle decisioni.
Occorre infine cambiare il significato stesso della leadership: non più soltanto autorizzare l’introduzione dell’AI, ma creare le condizioni perché le persone possano osservare, sperimentare, imparare e trasformare nuove pratiche in routine condivise.
La tecnologia, in altre parole, è soltanto una parte della trasformazione.
L’impresa che scala l’AI non è semplicemente quella che utilizza più intelligenza artificiale. È quella che riesce a trasformare più rapidamente l’esperienza con l’AI in conoscenza, la conoscenza in processi e i processi in nuove capacità organizzative.
Ed è probabilmente su questo terreno — molto più che sulla semplice scelta del modello più performante — che si determinerà una parte crescente del vantaggio competitivo dei prossimi anni.
Le fonti
Lo Special Report Scaling AI in the Enterprise è stato pubblicato da MIT Sloan Management Review nell’edizione Summer 2026, nell’area Data, AI, & Machine Learning, con sponsorizzazione di Workhuman. Il report è costruito attorno a tre contributi dedicati rispettivamente all’organizzazione, alla responsible AI governance e alla leadership della funzione Finance.
Kevin Schmitt, Gregory Vial e Ivo Blohm, “Create Generative AI Value at Scale,” MIT Sloan Management Review, Summer 2026, Reprint 67417. Il lavoro sviluppa il concetto di AI spine sulla base di una ricerca pluriennale comprendente 23 organizzazioni, più di dieci workshop e 87 interviste approfondite.
Gianvito Lanzolla, Margherita Pagani e Christopher L. Tucci, “Scaling AI With Adaptive Governance,” MIT Sloan Management Review, Summer 2026, Reprint 67403. Il contributo propone un modello di adaptive AI governance fondato sulla proporzionalità dei controlli rispetto ai sistemi e ai rischi e sulla loro integrazione nei workflow, nei decision rights e nei processi di apprendimento organizzativo.
Stijn Viaene, Kristof Stouthuysen e Bjorn Cumps, “Why AI Isn’t Transforming Finance Yet,” MIT Sloan Management Review, Summer 2026, Reprint 67409. L’analisi interpreta il ritardo nella trasformazione della funzione Finance non soltanto come problema tecnologico, ma come conseguenza del modo in cui leadership, sperimentazione, gestione dell’incertezza e diffusione delle pratiche prendono concretamente forma nel lavoro quotidiano.
Fonte principale: MIT Sloan Management Review, Scaling AI in the Enterprise — Special Report, Summer 2026.