L’integrazione dell’intelligenza artificiale nelle strutture aziendali ha raggiunto una diffusione capillare, trasformando le aspettative dei reparti operativi in richieste di supporto sempre più concrete. Dai bilanci gestionali all’allocazione delle risorse finanziarie, le organizzazioni cercano risposte immediate per orientare i propri processi strategici. Questa accelerazione conoscitiva pone tuttavia gli specialisti informatici di fronte a complessità strutturali che rischiano di frenare l’entusiasmo iniziale, generando fenomeni di scetticismo tecnologico.
Il tema è stato approfondito nel corso del convegno Innovation Challenge 2026 – Soluzioni per evitare la disillusione dell’AI, promosso dagli Osservatori Digital Innovation del Politecnico di Milano, durante il quale Loris Lombardo, product manager della struttura Horsa Insight, ha illustrato un modello metodologico e tecnologico di tipo decision-driven.
Indice degli argomenti:
La crescita dell’AI aziendale e il rischio di disillusione tecnologica
L’implementazione delle tecnologie basate su intelligenza artificiale non rappresenta più un fattore sperimentale, ma una realtà consolidata nelle dinamiche quotidiane dei diversi reparti aziendali. Le strutture operative avanzano richieste sempre più dirette verso gli strumenti automatici e gli assistenti virtuali, pretendendo risposte tempestive per la gestione dell’operatività quotidiana e per la rendicontazione dei risultati economico-finanziari.
A fronte di questa dinamica, la pressione esercitata dalle funzioni aziendali di business rivela una distanza critica tra le aspettative dell’utente e la tenuta delle infrastrutture informatiche sottostanti. Come evidenziato da Lombardo, «L’adozione degli strumenti di intelligenza artificiale è ormai pervasiva e le richieste del business verso gli assistenti virtuali sono estremamente pratiche, come richiedere supporto sugli investimenti o sulla chiusura del mese».
La discrepanza tra la semplicità dell’interfaccia percepita e la complessità dell’elaborazione analitica retrostante genera criticità significative per le figure professionali responsabili della gestione dei dati. Quando i sistemi automatici forniscono risposte inaccurate o incomplete a causa dell’incoerenza delle fonti informative, si innesca una reazione negativa all’interno delle organizzazioni. Lombardo ha chiarito gli effetti di questo divario operativo: «Tuttavia, per i profili tecnici queste richieste evidenziano i limiti degli strumenti attuali, comportando il rischio di creare disillusione».
Per ovviare a questo problema, la risposta risiede nell’adozione di un’architettura decision-driven capace di strutturare la conoscenza prima dell’elaborazione algoritmica.
La Decision intelligence come disciplina per la gestione delle scelte
Per evitare il deterioramento della fiducia negli strumenti informatici, la gestione dei dati richiede un mutamento di prospettiva metodologica. La struttura di Horsa Insight, specializzata nelle soluzioni di data analytics all’interno del gruppo Horsa, ha individuato nella disciplina della Decision Intelligence la risposta teorica ed esecutiva a tali criticità informative.
Il principio guida di questo approccio poggia direttamente sui modelli teorici definiti dal Politecnico di Milano, i quali trasformano il concetto stesso di scelta manageriale in un elemento ingegnerizzabile. Nella visione presentata da Lombardo, l’azienda sposa integralmente la definizione fornita dall’Osservatorio, intesa come «la capacità di gestire, progettare ed eseguire le decisioni come se fossero dei veri e propri prodotti».
Trattare una decisione alla stregua di un data product significa definire preventivamente la struttura informativa necessaria per supportarla, determinando i vincoli di accuratezza e le responsabilità umane. L’integrazione dell’intelligenza artificiale nell’infrastruttura di Decision Intelligence non mira a sostituire la componente direzionale, bensì a rafforzarne l’efficacia valutativa attraverso un affiancamento costante. «I nostri strumenti si concentrano sull’aumento e sul supporto alle decisioni, lasciando la scelta finale in mano all’utente», ha rimarcato Lombardo, sottolineando la centralità della governance umana nel controllo dell’output sintetizzato dai sistemi.
Profili d’uso a confronto: la distinzione tra esploratori e decisori
La progettazione di sistemi di intelligenza artificiale efficaci richiede la comprensione delle differenti modalità con cui le risorse umane interagiscono con le basi informative. Nell’esperienza operativa analizzata da Horsa Insight, gli utenti aziendali si dividono in due categorie distinte, caratterizzate da bisogni analitici e tolleranze al margine d’errore diametralmente opposti.
Gli esploratori e l’analisi tecnica delle ipotesi
La prima categoria è rappresentata dai cosiddetti esploratori, identificabili nella figura dei power user. Si tratta di operatori in possesso di un elevato background tecnico e di una profonda conoscenza dei processi informatici, abituati a interagire con i dati attraverso sessioni analitiche prolungate e complesse.
La peculiarità degli Esploratori risiede nella capacità di valutare criticamente il risultato fornito dagli strumenti informatici, dote che consente loro di accettare margini di approssimazione temporanei nel flusso di lavoro. Lombardo ha descritto queste figure evidenziando che esse «conoscono la materia tecnica, svolgono sessioni approfondite per testare ipotesi e costruire strumenti analitici, tollerando un livello di accuratezza inferiore poiché possiedono le competenze per valutare l’output dell’AI».
Per questa tipologia d’utente, la tecnologia funge da laboratorio di sperimentazione per validare modelli conoscitivi e strutturare nuove metriche.
I decisori e la domanda di massima accuratezza
Al polo opposto si collocano i decisori, ovvero i dirigenti e i responsabili di funzione che necessitano di informazioni per deliberare in intervalli di tempo ristretti. Per questi profili, la fruizione del dato risponde a una necessità puntuale, collegata a un’azione strategica o tattica immediata.
A differenza dei tecnici, chi deve assumere una responsabilità gestionale non dispone del tempo né delle competenze per verificare la correttezza del processo computazionale retrostante. La presenza di imprecisioni o incoerenze nei dati presentati a questo livello compromette irrimediabilmente la validità della scelta aziendale, alimentando la disillusione verso la tecnologia.
L’applicazione pratica del modello decision-driven nel settore fashion
La dimostrazione pratica della validità di un’infrastruttura decision-driven è stata illustrata attraverso un caso reale relativo a un marchio globale operante nel settore del fashion, caratterizzato da un’estesa presenza commerciale sia nel canale e-commerce che nelle piattaforme di digital marketing.
L’organizzazione in questione affrontava problematiche legate alla gestione dei dati generati dalle molteplici iniziative promozionali attive sui canali digitali. Le informazioni provenienti dalle diverse reti di inserzione pubblicitaria si accumulavano in silos separati, creando un ecosistema «fortemente frammentato tra varie piattaforme di advertising, con incoerenza nei KPI e rallentamenti nei processi decisionali».
La divergenza nelle definizioni delle metriche chiave di prestazione rendeva difficile confrontare le performance reali delle campagne, bloccando la tempestività degli interventi correttivi sui budget di investimento.
L’infrastruttura a due leve: Semantic Layer e agenti AI verticali
Per superare la frammentazione informativa nel caso del brand di moda, Horsa Insight ha implementato un intervento architetturale articolato su due componenti fondamentali tra loro interconnesse.
Il controllo dei dati tramite il Semantic layer
La prima leva è rappresentata dal Semantic layer, un livello intermedio di astrazione che si frappone tra i database grezzi e gli strumenti di consultazione dell’utente finale. Il Semantic layer agisce da regolatore centrale della conoscenza aziendale, unificando le regole di calcolo e garantendo l’omogeneità delle informazioni elaborate.
Attraverso questa componente tecnologica, la soluzione «unifica l’accesso ai dati, governando KPI, tassonomie e modelli di attribuzione nei data products». L’adozione del livello semantico garantisce che ogni metrica analitica mantenga il medesimo significato numerico e concettuale indipendentemente dal reparto o dallo strumento che la interroga, eliminando le discrepanze operative tra i canali di vendita e le piattaforme di comunicazione.
La specializzazione degli agenti AI per ruoli aziendali
La seconda leva consiste nell’impiego di agenti AI specializzati per ruolo, ovvero assistenti virtuali dotati di competenze verticali modellate sulle specifiche mansioni dei singoli responsabili. Invece di adoperare un unico modello linguistico generico, la struttura ha previsto l’attivazione di assistenti «dedicati rispettivamente al CMO, al Media Manager e all’E-commerce Manager, che analizzano lo stesso livello semantico sotto prospettive differenti».
L’agente configurato per il CMO elabora sintesi ad alto livello sull’andamento generale delle risorse investite e sul ritorno economico complessivo; l’agente destinato al media manager valuta l’efficienza delle singole piattaforme pubblicitarie e la resa dei formati; l’assistente per l’e-commerce manager si concentra sulle metriche di conversione della piattaforma di vendita. Pur operando con logiche interpretative distinte, tutti gli agenti attingono alla medesima verità informativa definita dal Semantic layer.
L’architettura tecnologica
La struttura tecnica complessiva realizzata da Horsa Insight per governare il flusso decision-driven si articola su quattro livelli funzionali distinti che compongono lo stack tecnologico:
- Ingestion: fase di raccolta e integrazione dei flussi di dati provenienti dalle piattaforme esterne di advertising e dai sistemi interni.
- Data model: strutturazione logica delle basi informative per renderle fruibili alle elaborazioni analitiche.
- Semantic layer: definizione centralizzata delle regole di business, dei KPI, delle tassonomie e dei modelli di attribuzione.
- Orchestrazione agentica: coordinamento degli agenti AI specializzati per la generazione di analisi e la formulazione di raccomandazioni.
La misurazione del Return on engagement
Grazie a questa sequenza architetturale, il sistema informatico non si limita a presentare report statici, ma formula proattivamente indicazioni pratiche per la gestione del business. L’infrastruttura suggerisce i KPI rilevanti per ciascun contesto e propone azioni correttive concrete, abilitando interventi tempestivi come la notifica automatica ai team operativi o l’ottimizzazione dell’allocazione del budget pubblicitario sui diversi canali digitali.
L’efficacia complessiva di un progetto guidato da logiche decision-driven trascende il semplice calcolo dei ritorni finanziari. Oltre al tradizionale ritorno economico sugli investimenti, la valutazione dell’impatto aziendale comprende elementi legati alla qualità del lavoro svolto all’interno dell’organizzazione. Lombardo ha evidenziato come la chiarezza dei dati e la riduzione dei tempi morti di ricerca informativa incidano direttamente sul clima aziendale: «Oltre al ROI economico, misuriamo l’effetto sul Return on Engagement dei dipendenti, che si sentono maggiormente coinvolti nei processi aziendali».
L’evoluzione dei sistemi di supporto alle decisioni
L’integrazione tra governi centralizzati dei dati ed elaborazioni agentiche verticali dimostra come sia possibile superare le limitazioni operative che generano scetticismo verso le nuove tecnologie. La strutturazione di ambienti informativi rigorosi, unita alla valorizzazione delle specifiche competenze umane presenti nell’organizzazione, traccia la via per trasformare l’accumulo di dati in un reale fattore d’indirizzo per le decisioni di business.
Partecipa alla community