Lavorare con l’intelligenza artificiale è facile o difficile? Ci sono risvolti positivi e negativi di cui non si parla abbastanza? E come adottare questa tecnologia nel modo corretto? Ne abbiamo discusso con Francesco Paolo Schiavone, head of Innovation & Development di Datlas Group, società che si occupa di progettazione, integrazione e ottimizzazione dei processi operativi aziendali.
Intelligenza artificiale in azienda: ci sono vantaggi e svantaggi di cui non si parla abbastanza?
In Datlas lavoriamo quotidianamente con sistemi AI applicati alla gestione documentale e ai processi aziendali. L’efficienza nella gestione di grandi volumi di dati è uno dei vantaggi più evidenti, ma l’aspetto più interessante è la possibilità che l’AI ampli le competenze delle persone, supportandole nell’analisi dei casi più complessi e facendo emergere nuove prospettive. L’AI può, inoltre, rendere visibili bias e anomalie già presenti nei dati. Sul fronte opposto, il rischio più sottovalutato è la perdita di conoscenza operativa nascosta nei task ripetitivi quando si automatizza un processo: regole implicite, eccezioni e sapere costruito attraverso l’esperienza. Si indebolisce il meccanismo di trasmissione tra generazioni professionali e inoltre c’è un doppio problema di dipendenza: le persone smettono di fidarsi del proprio giudizio in assenza degli strumenti AI, e le organizzazioni cedono dati a sistemi esterni senza un quadro di governance.
Il problema del rework cost andrà a scemare, man mano che l’AI diventerà più abile e accurata?
La domanda presuppone che il rework cost dipenda dall’accuratezza dei modelli. Non è esattamente così: i modelli di frontiera disponibili oggi sono sufficientemente precisi per la maggior parte dei compiti aziendali. Il problema è nella maturità delle soluzioni costruite intorno a essi: un’architettura mal progettata può generare errori indipendentemente dalla qualità dell’AI. Inoltre, man mano che l’AI passa dal suggerire all’agire, un errore iniziale può propagarsi e diventare più costoso da correggere. Meno errori singoli, quindi, ma con impatto potenzialmente superiore. Per questo riteniamo centrale un approccio human-in-the-loop, con persone coinvolte nei punti decisionali più rilevanti e team ibridi, in cui persone e agenti AI collaborano con ruoli e responsabilità chiari.
Qual è la migliore strategia per approcciare gli agenti AI, di cui tanto si discute?
Pensiamo che l’AI non possa essere considerata quasi mai una funzionalità plug & play da inserire in un prodotto esistente, ma che debba essere una leva di riprogettazione dei processi aziendali. Nella nostra realtà abbiamo identificato due modelli. Da un lato ci sono le catene di agenti semplici e molto specializzati per risultati ripetibili su grandi volumi: costi contenuti, passaggi certi di verifica, tempi ridotti, governabilità alta. Il limite è la difficoltà nel coinvolgere le persone in modo efficace. Dall’altro, agenti che affiancano le persone nei ragionamenti e nelle decisioni complesse, con un vantaggio nella qualità del risultato ma con costi più difficili da prevedere e maggiore dipendenza dal coinvolgimento delle persone. Diventa fondamentale definire il ruolo delle persone e le competenze da preservare, valutando di volta in volta se la priorità sia efficientare tempi e costi, oppure un risultato più lento basato su informazioni accurate e decisioni certe.
Paolo Schiavone, head of Innovation & Development di Datlas Group
In definitiva, è facile o difficile lavorare con l’AI?
Lavorare con l’AI è semplice se lo si considera solo uno strumento a cui affidare interamente un’attività; diventa più complesso quando la si integra realmente nei processi aziendali e nella collaborazione uomo-macchina. Servono tempo, metodo, formazione e regole chiare. Il primo consiglio alle aziende è capire a che cosa serva realmente l’AI nella propria organizzazione: chiedersi quale valore aggiunto può generare, dove non ha senso applicarla e ragionare su che cosa faranno le persone dopo. La formazione deve coinvolgere tutta l’organizzazione, con un approccio pratico che sviluppi conoscenza degli strumenti, i loro limiti e il modo corretto di governarli. Occorre anche parlare di pensiero critico, per riconoscere quando l’AI ci asseconda o ci influenza e allenare la creatività. L’AI ricombina ciò che esiste, mentre le persone devono imparare a guidarla verso proposte più audaci e innovative.
Quali richieste vi giungono dai clienti?
Le richieste arrivano da settori diversi: banking, finance, insurance, pubblica amministrazione, welfare, telco e utility, università, fino a studi legali, commercialisti e manifattura. Il denominatore comune è la presenza di grandi volumi di documenti eterogenei che oggi vengono ancora letti, trascritti e verificati a mano. Non sempre si parte dall’AI: in ambito manifatturiero la prima esigenza è spesso trasformare archivi tecnici cartacei in un patrimonio digitale interrogabile. Quello che osserviamo è un salto di maturità nelle richieste. Le aziende non ci chiedono più soltanto di estrarre dati da un documento, ma di mettere in relazione documenti diversi e supportare le persone nelle verifiche e nelle decisioni. È il passaggio dall’automazione della lettura al supporto alla decisione, con pratiche già preanalizzate, documenti mancanti evidenziati e informazioni da verificare.
Cybersicurezza, privacy e compliance sono temi caldi. I vostri clienti esprimono preoccupazioni di questo tipo? E come le gestite?
Nei settori banking e insurance, sicurezza, privacy e compliance devono essere integrate fin dalla progettazione, secondo un approccio di security by design. La sfida è trovare un equilibrio tra innovazione e controllo. Per molti nostri clienti, peraltro, la compliance è uno degli ambiti in cui l’AI porta più valore, ad esempio verificando che contratti, policy e comunicazioni siano coerenti con normative come MiFID II, Dora o Gdpr. Gli agenti devono esistere in ambienti sandbox controllati, con accessi e perimetri di sicurezza esplicitamente definiti, mentre tutti i processi che includono l’AI devono essere tracciati e i provider dei modelli devono fornire policy chiare di retention, localizzazione e non-utilizzo dei dati a fini di training.
Come usate l’AI all’interno di Datlas Group?
In Datlas l’AI non riguarda soltanto le soluzioni sviluppate per i clienti, ma anche il nostro modo di lavorare. Abbiamo avviato gli AI Days, momenti di formazione rivolti a tutte le funzioni aziendali, sviluppato una challenge interna sull’adozione degli agenti AI e definito un vademecum operativo che guida l’evoluzione della nostra piattaforma agentica. Abbiamo messo in produzione piattaforme di automatismo machine-to-machine e di companion ai team umani, e le abbiamo applicate in casi d’uso in diversi ambiti: supporto alle gare e al bid management; gestione di infrastrutture e DevOps, data quality e reporting, governance e compliance, dove l’AI affianca i team su percorsi normativi complessi segnalando i gap nel tempo; project management su iniziative complesse; document intelligence per classificazione ed estrazione strutturata da documenti; sviluppo software e supporto a migrazioni; comunicazione e knowledge management.