Le sfide di trasformazione digitale nelle aziende, rispetto al recente passato, oggi hanno un nuovo focus. Gli scopi restano quelli di ottenere efficienze, risparmi e magari innovare i modelli di business, ma il baricentro si è spostato dalla tecnologia alle architetture. Anche l’adozione dell’AI rientra in questo quadro, perché è soprattutto dalle architetture che dipende la sostenibilità economica di questa tecnologia. Ne abbiamo parlato con Andrea Carboni, recentemente nominato country leader Italy di Pega, già Pegasystems, storica azienda statunitense fondata dall’informatico, imprenditore e campione di scacchi Alan Trefler.
Su quali sfide di trasformazione digitale le aziende italiane, a vostro parere, dovranno maggiormente lavorare nei prossimi anni?
Credo che la sfida principale non sia più tecnologica, ma architetturale. Per anni la trasformazione digitale è stata raccontata come una questione di strumenti da adottare: prima il cloud, poi l’automazione, oggi l’intelligenza artificiale. Nel frattempo, molte organizzazioni italiane hanno accumulato applicazioni, personalizzazioni e integrazioni che rendono difficile cambiare un processo con la rapidità richiesta dal mercato o da una nuova normativa. È il debito tecnico, ed è uno dei freni più concreti all’innovazione: la domanda non è più che cosa possiamo fare con una nuova tecnologia, ma quanto velocemente riusciamo a modificare ciò che abbiamo già costruito. Per questo il lavoro dei prossimi anni riguarderà soprattutto la modernizzazione dei sistemi legacy e la riprogettazione dei processi, più che la semplice aggiunta di nuove funzionalità.
Ci sono specificità di settore in questo percorso?
Sì, esistono e sono rilevanti. Nel banking e nelle assicurazioni il tema è conciliare l’esperienza del cliente con requisiti di conformità sempre più stringenti; nella pubblica amministrazione e nella sanità contano la trasparenza, la tracciabilità delle decisioni e la continuità del servizio; nelle telco la pressione è sull’efficienza operativa e sulla gestione di volumi enormi di interazioni. A unire tutti questi contesti c’è un tema trasversale che in Europa sta diventando centrale: la sovranità dei dati, intesa non solo come luogo in cui risiedono le informazioni, ma come capacità effettiva di controllarle.
Sull’intelligenza artificiale quali sono le principali problematiche di adozione irrisolte?
Credo che in Italia il dibattito sull’intelligenza artificiale sia ancora troppo concentrato sulla produttività individuale: l’assistente che scrive una mail, riassume una riunione o prepara una presentazione. Sono strumenti utili, che hanno avuto il merito di avvicinare milioni di persone all’AI, ma il loro impatto si ferma alla singola scrivania. Il vero valore va cercato nei processi: nel modo in cui un’organizzazione serve i propri clienti, gestisce una pratica, prende una decisione. È lì che l’AI può incidere davvero sulla competitività di un’impresa, ed è lì che emergono anche le sfide più difficili.
A livello entreprise, il problema irrisolto più diffuso, in Italia come altrove, è il passaggio dalla sperimentazione alla produzione. Molte aziende hanno avviato proof of concept, spesso con risultati promettenti, ma faticano a trasformarli in applicazioni capaci di reggere milioni di interazioni mantenendo sotto controllo costi, affidabilità e governance. Un pilota deve dimostrare che un agente riesce a completare un percorso; un sistema entreprise deve garantire che lo completi sempre, in tempo, entro regole, autorizzazioni e costi accettabili, anche davanti a eccezioni non previste.
C’è poi una questione di obiettivi. In alcuni casi l’adozione dell’AI è diventata un traguardo da comunicare al management, più che uno strumento da valutare su tempi, qualità del servizio, conformità e ritorno degli investimenti. Quando manca una metrica di business, diventa difficile capire se un progetto sta davvero funzionando. Quanto alle opportunità, credo che la più sottovalutata sia usare l’AI non solo per automatizzare i processi aziendali, ma per riprogettarli. Per decenni i processi sono stati disegnati da persone per essere eseguiti da persone; oggi possono essere progettati da persone e AI insieme, per essere eseguiti da persone e agenti che lavorano fianco a fianco. L’intelligenza artificiale è straordinariamente efficace nel ripensare un workflow, nel far emergere eccezioni e regole che non erano state considerate, nell’aiutare business e IT a condividere lo stesso linguaggio. È lì che genera il maggiore valore, non nel consumare token per ricostruire ogni volta da zero un processo che l’organizzazione aveva già ben strutturato e codificato.
Andrea Carboni, country leader Italy di Pega
Come vi posizionate rispetto a queste sfide?
Pega lavora da oltre quarant’anni sui processi complessi e regolamentati, quelli in cui una decisione deve restare comprensibile e modificabile anche molti anni dopo la sua introduzione. Non sviluppiamo un nostro modello di frontiera, e non è un caso: siamo convinti che gli LLM tenderanno progressivamente a diventare una commodity e che il vantaggio competitivo si sposterà dai modelli all’architettura che li governa.
Su questa idea si fonda il nostro concetto di Predictable AI: sfruttare tutta la potenza dei modelli disponibili sul mercato, senza perdere il controllo su costi e risultati. L’AI generativa viene impiegata soprattutto in fase di progettazione: con Pega Blueprint bastano per esempio poche frasi in linguaggio naturale, anche in italiano, per ottenere una prima mappa di processi, dati e regole che business e IT possono esaminare, correggere e validare insieme, prima che diventi un’applicazione eseguibile. In produzione, invece, gli agenti operano all’interno di workflow governati: interpretano una richiesta, leggono un documento, sintetizzano informazioni, ma non reinventano il processo. Il risultato è la prevedibilità di esiti, costi e cambiamenti, un requisito che riteniamo essenziale per banche, assicurazioni, telco, pubblica amministrazione e sanità.
Ci sono poi tre elementi che ci distinguono. Il primo è l’approccio aperto ed agnostico: la piattaforma può utilizzare Claude, Gemini, ChatGPT, o qualsiasi altro modello, scegliendo quello più adatto a ciascun passaggio. Il secondo è la sovranità: lo stesso software è disponibile nel nostro cloud, nel cloud scelto dal cliente, oppure on-premise. Il terzo è il principio Build for Change, nostro slogan da più di trent’anni: ciò che conta non è che un’applicazione faccia quello che serve il primo giorno, ma che un anno dopo si possa adattare rapidamente a nuovi obiettivi, esigenze, vincoli e normative. Il recente posizionamento tra i leader della Forrester Wave dedicata alle piattaforme di AI o nel Magic Quadrant di Gartner ci conferma che la direzione è quella giusta.
Per il fondatore e Ceo di Pega, Alan Trefler, la vera sfida per le imprese sarà decidere quando lasciare l’AI libera di ragionare e quando, invece, riportarla dentro processi deterministici e governabili. Come? E a chi spetta l’onere?
Credo che la risposta stia soprattutto nelle scelte di architettura e di implementazione. I modelli continueranno a migliorare, ma nessun progresso del modello potrà sostituire la decisione su dove e quando abbia senso chiedergli di ragionare. La vera domanda non è se un LLM sia in grado di farlo, ma se sia utile chiedergli di farlo ogni volta, per ogni step di processo.
La distinzione che usiamo è quella tra design time e runtime. Alan la spiega con la metafora della cucina sperimentale di un ristorante: lo chef prova, sbaglia, inventa ricette; ma quando un piatto entra nel menu viene preparato seguendo una ricetta conosciuta, anche se il cliente chiede di togliere un ingrediente. Allo stesso modo, l’AI può esplorare liberamente mentre si progetta un processo in fase di design. In produzione, invece, deve muoversi dentro un percorso definito, con permessi e variazioni limitati. La governance non può arrivare dopo, affidata a una control tower e a un kill switch: deve essere incorporata nell’architettura del processo, prima dell’esecuzione. Quando si arriva a premere un kill switch, l’errore è già stato commesso: e in una banca, in un’assicurazione o in un ospedale le conseguenze ricadono subito su clienti e cittadini. In questi settori non esiste un margine di errore accettabile: un mutuo concesso per sbaglio, un sinistro liquidato erroneamente, o una diagnosi gestita male non si correggono con un aggiornamento.
Quanto alla responsabilità, è necessariamente condivisa, ma con ruoli diversi. Gli sviluppatori di LLM devono garantire modelli sempre più potenti, affidabili e sicuri. I software vendor hanno il compito di offrire piattaforme in cui la governance sia strutturale e non opzionale. Le aziende, infine, devono decidere quali step di processo affidare all’AI e con quale livello di autonomia decisionale, perché sono loro a conoscere regole, rischi e obiettivi del proprio business; i system integrator hanno un ruolo prezioso nel tradurre queste scelte in progetti concreti. Nessuno di questi attori può delegare interamente la responsabilità agli altri e, soprattutto, nessuno dovrebbe delegarla al modello.
Come vi posizionate rispetto a queste sfide?
Pega lavora da oltre quarant’anni sui processi complessi e regolamentati, quelli in cui una decisione deve restare comprensibile e modificabile anche molti anni dopo la sua introduzione. Non sviluppiamo un nostro modello di frontiera, e non è un caso: siamo convinti che gli LLM tenderanno progressivamente a diventare una commodity e che il vantaggio competitivo si sposterà dai modelli all’architettura che li governa.
Su questa idea si fonda il nostro concetto di Predictable AI: sfruttare tutta la potenza dei modelli disponibili sul mercato, senza perdere il controllo su costi e risultati. L’AI generativa viene impiegata soprattutto in fase di progettazione: con Pega Blueprint bastano per esempio poche frasi in linguaggio naturale, anche in italiano, per ottenere una prima mappa di processi, dati e regole che business e IT possono esaminare, correggere e validare insieme, prima che diventi un’applicazione eseguibile. In produzione, invece, gli agenti operano all’interno di workflow governati: interpretano una richiesta, leggono un documento, sintetizzano informazioni, ma non reinventano il processo. Il risultato è la prevedibilità di esiti, costi e cambiamenti, un requisito che riteniamo essenziale per banche, assicurazioni, telco, pubblica amministrazione e sanità.
Ci sono poi tre elementi che ci distinguono. Il primo è l’approccio aperto ed agnostico: la piattaforma può utilizzare Claude, Gemini, ChatGPT, o qualsiasi altro modello, scegliendo quello più adatto a ciascun passaggio. Il secondo è la sovranità: lo stesso software è disponibile nel nostro cloud, nel cloud scelto dal cliente, oppure on-premise. Il terzo è il principio Build for Change, nostro slogan da più di trent’anni: ciò che conta non è che un’applicazione faccia quello che serve il primo giorno, ma che un anno dopo si possa adattare rapidamente a nuovi obiettivi, esigenze, vincoli e normative. Il recente posizionamento tra i leader della Forrester Wave dedicata alle piattaforme di AI o nel Magic Quadrant di Gartner ci conferma che la direzione è quella giusta.
Per il fondatore e Ceo di Pega, Alan Trefler, la vera sfida per le imprese sarà decidere quando lasciare l’AI libera di ragionare e quando, invece, riportarla dentro processi deterministici e governabili. Come? E a chi spetta l’onere?
Credo che la risposta stia soprattutto nelle scelte di architettura e di implementazione. I modelli continueranno a migliorare, ma nessun progresso del modello potrà sostituire la decisione su dove e quando abbia senso chiedergli di ragionare. La vera domanda non è se un LLM sia in grado di farlo, ma se sia utile chiedergli di farlo ogni volta, per ogni step di processo.
La distinzione che usiamo è quella tra design time e runtime. Alan la spiega con la metafora della cucina sperimentale di un ristorante: lo chef prova, sbaglia, inventa ricette; ma quando un piatto entra nel menu viene preparato seguendo una ricetta conosciuta, anche se il cliente chiede di togliere un ingrediente. Allo stesso modo, l’AI può esplorare liberamente mentre si progetta un processo in fase di design. In produzione, invece, deve muoversi dentro un percorso definito, con permessi e variazioni limitati. La governance non può arrivare dopo, affidata a una control tower e a un kill switch: deve essere incorporata nell’architettura del processo, prima dell’esecuzione. Quando si arriva a premere un kill switch, l’errore è già stato commesso: e in una banca, in un’assicurazione o in un ospedale le conseguenze ricadono subito su clienti e cittadini. In questi settori non esiste un margine di errore accettabile: un mutuo concesso per sbaglio, un sinistro liquidato erroneamente, o una diagnosi gestita male non si correggono con un aggiornamento.
Quanto alla responsabilità, è necessariamente condivisa, ma con ruoli diversi. Gli sviluppatori di LLM devono garantire modelli sempre più potenti, affidabili e sicuri. I software vendor hanno il compito di offrire piattaforme in cui la governance sia strutturale e non opzionale. Le aziende, infine, devono decidere quali step di processo affidare all’AI e con quale livello di autonomia decisionale, perché sono loro a conoscere regole, rischi e obiettivi del proprio business; i system integrator hanno un ruolo prezioso nel tradurre queste scelte in progetti concreti. Nessuno di questi attori può delegare interamente la responsabilità agli altri e, soprattutto, nessuno dovrebbe delegarla al modello.