“Abbiamo vissuto l’hype dell’AI in cui sembrava tutto facile e magico; adesso comincia una curva di consapevolezza, che non vuol dire che la tecnologia non va bene, ma che bisogna aggiustare la rotta per capire il rapporto tra benefici e potenzialità”, osserva Carla Masperi, amministratore delegato di Sap Italia.
Che l’intelligenza artificiale applicata al business sia un vantaggio in termini di efficienza e produttività “è ormai un dato riconosciuto da tutti”. Già oggi e in prospettiva, la vera sfida “è trasformare la potenza di questa tecnologia in risultati concreti e misurabili”, perché le aziende “vogliono un approccio pragmatico all’AI”, con roadmap di sviluppo chiare e ritorni sugli investimenti tracciabili.
L’AI sta rapidamente evolvendo da insieme di strumenti smart a nuova componente centrale, essenziale, dell’azienda competitiva.
Indice degli argomenti:
AI nelle imprese, colmare il gap tra potenzialità e realtà
Ma “sperimentare su singoli casi d’uso non è difficile; molto più complesso è scalare l’AI in tutta l’organizzazione. Ed è qui che fanno davvero la differenza le persone e i dati: competenze, capacità di adozione e una base informativa solida e affidabile”, come ha rimarcato Masperi intervenendo al Sap Executive Summit 2026, che si è svolto a Villa d’Este di Cernobbio, sul lago di Como.
A proposito di dati, sul palco della 18esima edizione del meeting è stata richiamata una recente analisi di settore svolta dalla multinazionale tedesca da cui emerge una diffusa carenza di fiducia sulla qualità dei dati a disposizione nelle imprese, che rappresentano la base per un’AI efficace e mettono in luce quella che è ancora una criticità strutturale nel sistema industriale italiano.
Guardando i numeri, il gap tra potenzialità e realtà è evidente: l’indagine Sap su un campione di manager in Italia dice che uno su tre (il 34%) non ha fiducia nella capacità di integrare i dati tra diverse funzioni aziendali, una quota analoga (30%, saranno gli stessi?) ammette di non avere a disposizione dati di qualità e il 27% fatica a utilizzarli, con dati isolati in diversi silos.
Il 95% dei progetti si perde per strada prima di arrivare in produzione
Un’altra ricerca del Mit (Massachusetts institute of technology) rileva che soltanto il 5% dei progetti di AI arriva in produzione in maniera efficace, mentre l’altro 95% si perde per strada. Questi risultati dicono che il problema non è tanto l’algoritmo, ma la qualità dei dati, il loro uso e l’integrazione organizzativa.
“La domanda da porsi non è più cosa l’AI può fare, ma come preparare le organizzazioni a trarne reale vantaggio. La domanda va quindi ribaltata. Dobbiamo chiederci: come posso innovare la mia azienda affinché l’AI agentica diventi realtà?”, fa notare la Ceo di Sap Italia.
La questione non è se adottare questa tecnologia, ma qual è la roadmap chiara che possa portare a risultati concreti, efficaci, di valore.
Nuove risorse hi-tech e change management
“Stiamo osservando due modalità di adozione”, ha spiegato Masperi ai manager e alle imprese riuniti all’Executive Summit: “la prima è portare tutti i dati in un ‘super cervello’ sopra le varie funzioni aziendali per ricostruire la semantica dei dati e dei processi; è un percorso lineare ma nasconde complessità nel ricostruire tale semantica in tempi ragionevoli”.
L’altra modalità “è portare l’AI dentro i processi, dove i processi già lavorano. E quindi gli agenti AI devono arrivare con un’expertise di dominio capace di collaborare con i processi. Ciò porta vantaggi in termini di rapidità di adozione, scalabilità e incrementalità, permettendo un change management che vada di pari passo con l’organizzazione”.
Le tre caratteristiche dell’approccio pragmatico
Tra i due percorsi di sviluppo spesso intrapresi dalle aziende, il terzo – il più concreto e diretto – appare come quello giusto: “è arrivato il momento di avere un approccio pragmatico all’AI. Se n’è parlato tanto e si sono create tantissime aspettative; ora serve un approccio che cerchi di correlare in tempi ragionevolmente brevi l’outcome, i risultati tangibili, rispetto alle aspettative”.
Un approccio pragmatico deve avere tre caratteristiche: “deve essere ragionevolmente rapido e semplice da implementare, deve essere scalabile e deve essere sostenibile, cioè capace di evolvere senza alzare la complessità”.
Riflettere sul ‘come’ valorizzare le opportunità, unire AI e talento umano
Per rendere davvero efficace questa tecnologia occorre riflettere molto sul ‘come’, e il ‘come’ non ha scorciatoie; richiede grande consapevolezza di architetture, applicazioni e maturità dei dati.
Con questi presupposti, “gli agenti AI potranno diventare motori di crescita in collaborazione con il talento umano. Intelligenza artificiale e talento umano sono i due capisaldi dell’organizzazione del futuro. Bisogna capire come affrontare la lettura del contesto senza scorciatoie”.
Con la diffusione dell’AI generativa, risulta sempre più evidente che le soluzioni ‘preconfezionate’ portano sì a buoni risultati, ma fino a un certo punto. Il nuovo valore di business arriverà da un’AI profondamente allineata al contesto unico dell’impresa: ai suoi dati, ai suoi processi e ai suoi ambiti decisionali.
La prossima ondata di trasformazione sarà l’AI personalizzata per le aziende
La personalizzazione dell’AI non è più un elemento accessorio: è ormai una componente importante. Le imprese danno sempre più priorità a soluzioni in grado di comprendere davvero la loro realtà.
I modelli di AI generici, progettati per essere ampiamente applicabili, “risultano limitati. Spesso non colgono le sfumature specifiche di un’impresa, con conseguente minore rigore, insight vaghi e scarsa scalabilità tra funzioni diverse”, sottolinea la Ceo di Sap Italia: “il modello ‘taglia unica’ dell’AI rende difficile adattare le sue applicazioni a settori con esigenze normative, tipologie di dati e complessità operative molto differenti”.
Modelli generici versus soluzioni su misura
A maggior ragione nei settori più critici, dove precisione, conformità e contesto sono imprescindibili, affidarsi a modelli generici può generare inefficienze e opportunità mancate. Anche la loro integrazione nei processi di governance, sicurezza e compliance risulta spesso complessa.
Il risultato? “Prestazioni insufficienti e una crescente consapevolezza che un’AI ‘uguale per tutti’ non può soddisfare la complessità dei bisogni delle imprese moderne e più dinamiche”, sottolinea la top manager, “per questo motivo sempre più aziende stanno investendo in innovazioni differenziate, con soluzioni di AI progettate fin dall’inizio per rispondere a richieste di business specifiche”.
Sistemi ‘intelligenti’ addestrati su dati specifici
Nel settore oil & gas, ad esempio, modelli di AI addestrati su dati geologici, registrazioni delle apparecchiature e variabili ambientali stanno migliorando le previsioni di perforazione, abilitando la manutenzione predittiva e incrementando sicurezza ed efficienza energetica.
L’industria automobilistica sta ottenendo risultati analoghi, con l’AI a supporto della manutenzione predittiva, dei sistemi di guida autonoma e delle diagnostiche in tempo reale, oltre a offrire esperienze personalizzate all’interno dell’abitacolo.
Puntare all’AI che comprende il contesto
Il mondo retail beneficia di un’AI che si adatta ai modelli d’acquisto locali e ai dati di vendita in tempo reale, rendendo più precise le previsioni della domanda, ottimizzando la gestione dell’inventario e proponendo promozioni più rilevanti, con una riduzione importante degli sprechi.
Anche il settore pubblico potrà ottenere vantaggi dall’AI contestuale: automatizzando processi di routine e progettando politiche più mirate, sarà possibile offrire servizi pubblici più rapidi, efficaci e vicini ai bisogni reali dei cittadini.
In tutti questi casi, “il modello è un’AI che comprende il contesto in cui opera genera decisioni più mirate, operazioni più snelle e risultati migliori per le organizzazioni e per le persone”.
Risolvere un imprevisto o un blocco nella supply chain
L’intelligenza artificiale di nuova generazione – quella agentica, la nuova frontiera di questo mondo –, è un’AI che non automatizza soltanto, ma consiglia, risolve e realizza.
“Vi faccio un esempio legato alla supply chain, un ambito sotto grande pressione”, fa notare Masperi: “facciamo l’ipotesi di un’azienda manifatturiera che produce in Italia e deve consegnare in Argentina. Ma ha la linea interrotta perché manca un pezzo che non passa da Panama a causa di una disruption”.
Cosa succede e come si procede? “Il sistema con AI propone un piano di approvvigionamento alternativo, guardando i fornitori disponibili globalmente, controllando se e dove ci sono già contratti attivi per acquistare più velocemente, mi dice l’incremento di prezzo e l’impatto sul margine. Tutto ciò guardando dati interni e dati esterni. Naturalmente, far funzionare questo richiede un effort diverso rispetto ad attivare una funzionalità embedded”.
La grande azienda cerca efficienza e produttività, la Pmi vuole crescere
Guardando all’innovazione all’interno delle imprese, si fa spesso il confronto tra grandi e Pmi. L’azienda grande “vede nell’AI un tema di efficientamento e recupero di produttività; l’azienda media o piccola vede la possibilità di crescere a parità di risorse”.
Il pragmatismo “aumenta nelle Pmi, dove c’è una proprietà molto vicina: vogliono un’AI che aiuti davvero l’azienda a crescere o a migliorare le capacità di governo quando l’organizzazione fa fatica a stare dietro alle variazioni del fatturato. Non vedo polarizzazioni, ma diverse fasi: c’è chi ha bisogno di efficienza, chi di automazione, e chi sta cercando di capire come cambiare il sistema di business in maniera profonda, attraverso quella che chiamiamo autonomous enterprise. L’azienda sempre più tecnologica, gestita dall’AI e smart”.
