L’impresa ingegnerizzata nell’era dell’AI

Il CEO come Chief Engineer dell’impresa.

Attraversare il “Chasm” dell’AI significa superare l’abisso tra adozione tecnologica e trasformazione reale dell’impresa: uscire dalla logica dell’acquisto di strumenti e passare all’ingegneria dell’impresa. Vinceranno le aziende capaci di ridisegnare come producono conoscenza, coordinano il lavoro e prendono decisioni.

Eurostat segnala che nel 2025 il 20% delle imprese dell’UE con almeno dieci addetti usava tecnologie AI, mentre l’Osservatorio Artificial Intelligence del Politecnico di Milano stima per l’Italia un mercato AI da 1,8 miliardi di euro, cresciuto del 54% nell’ultimo triennio e pari a circa il 5% del mercato ICT nazionale. I numeri indicano accelerazione, non se la direzione sia quella giusta.

La cornice sbagliata dell’adozione

Parlare di adozione dell’AI è fuorviante. Sembra pratico, ma colloca l’AI accanto a ERP, CRM, SaaS, cloud migration o trasformazione digitale. Da lì discendono le solite domande: quale piattaforma acquistare, quali piloti lanciare, quante persone formare, quanto rapidamente scalare i casi d’uso. Sono domande sugli strumenti. Non bastano.

L’AI generativa e agentica non cambia solo come un’impresa registra, recupera o automatizza il lavoro. Cambia come produce e difende conoscenza, filtra informazioni, distribuisce attenzione, formula problemi, prepara opzioni, coordina attività ed esercita giudizio. L’oggetto della strategia non è più lo strumento: è il sistema impresa.

Per questo il CEO deve diventare Chief Engineer. Non significa software engineer né specialista tecnico. Significa assumere la responsabilità dell’ingegneria dell’impresa: il disegno deliberato dell’azienda come sistema socio-tecnico fatto di persone, modelli, dati, workflow, interfacce, controlli, incentivi, percorsi di escalation e giudizio.

L’impresa manageriale coordina attraverso gerarchie, budget e reporting. L’impresa ingegnerizzata coordina attraverso architetture: dati, modelli, workflow, controlli, audit trail e giudizio umano incorporati nei sistemi.

Il neuroscienziato Tomaso Poggio del MIT e Theodoros Evgeniou di INSEAD hanno avvertito i lettori di  MIT Technology Review Italia che leader incapaci di comprendere la natura dell’AI possono diventare parte del problema: accelerare l’obsolescenza delle proprie organizzazioni o renderle dipendenti da terzi. Non è alfabetizzazione generica. È una domanda più profonda: che cosa richiede una comprensione seria quando la tecnologia è potente, rapida e ancora non spiegata da una teoria scientifica matura? Richiede robustezza architetturale.

La questione strategica non è acquistare AI più in fretta dei concorrenti. È diventare un’organizzazione capace di governare intelligenza, dipendenza, incertezza e giudizio come componenti della propria architettura operativa.

La sovranità della dorsale e della supply chain dell’intelligenza

Nella strategia tradizionale, gli ecosistemi sono reti di partner. Nell’era dell’AI diventano strutture di interdipendenza. La supply chain dell’intelligenza attraversa chip, capacità di calcolo, modelli di frontiera, cloud, API, data center, energia, talenti, regolazione e influenza geopolitica. Ciò che sembrava approvvigionamento tecnologico diventa autonomia strategica.

Il rischio più profondo è che processi critici dipendano da uno strato esterno di intelligenza di cui l’impresa non controlla le condizioni: prezzi delle API, esfiltrazione di dati sensibili, vincoli privacy, export control, modifiche ai safety layer, interruzioni di servizio, deprecazione dei modelli, regole di residenza dei dati, vincoli geopolitici. Una scelta di procurement diventa esposizione strategica.

La risposta è rendere la modularità un requisito strategico. Design Rules di Baldwin e Clark resta il modello mentale corretto: i sistemi complessi diventano governabili quando interfacce, livelli di astrazione e regole di disegno permettono di cambiare componenti senza ricostruire l’intero sistema.

Nell’impresa AI questo significa uno strato interno di interfaccia con i modelli, capace di separare i workflow da un singolo provider; distinzione tra asset proprietari di dati ed esecuzione esterna dei modelli; portabilità tra stack cloud, ibridi, on-premise, open-weight e proprietari; fallback contrattuali e tecnici, routing multi-provider e modalità operative ridotte, ma funzionanti, progettate prima che una crisi le renda necessarie.

La strategia smette di essere “scegliere il vincitore”. Diventa “progettare in modo che il vincitore conti meno”.

Per le imprese europee c’è un’ulteriore dimensione. L’EU AI Act incorpora rischio, accountability e auditabilità nel contesto istituzionale dei sistemi AI. L’architettura diventa condizione di tracciabilità, difendibilità e controllo strategico. Un’azienda che non può cambiare modelli, abbandonare un fornitore, proteggere i dati proprietari, ispezionare i flussi o operare in modalità degradata non ha adottato intelligenza. Ha importato dipendenza.

Questa direzione è visibile anche nell’offerta dei grandi hyperscaler. Google presenta la sovranità AI non come un prodotto, ma come scelte architetturali: confini dei dati, cloud dedicato, infrastrutture distribuite, ambienti air-gapped, protezione dei dati in uso, autonomia infrastrutturale, modelli proprietari e open-weight, controllo degli agenti. Accanto al cloud storico, propone modelli open-weight come Gemma, utilizzabili on-premise o su cloud privato. La sovranità AI delle imprese non si compra come una licenza. Si costruisce, internamente, strato per strato.

Il sistema di lavoro conta più del modello

Dati recenti mostrano che la performance della GenAI è “frastagliata”: eccelle in alcuni compiti complessi e fallisce in modo sorprendente in altri apparentemente più semplici. Il valore, quindi, non nasce dallo strumento in sé, ma dal modo in cui viene incorporato nel sistema di lavoro. Dell’Acqua e altri lo mostrano nell’articolo del 2026 su Organization Science, Navigating the Jagged Technological Frontier: l’assistenza AI migliora la performance quando i compiti rientrano nella frontiera di capacità del sistema e la danneggia quando ne restano fuori.

Questa evidenza rompe la narrazione lineare sulla produttività. Il valore emerge quando l’impresa progetta il sistema di lavoro attorno allo strumento.

La teoria dei sistemi socio-tecnici sostiene da tempo che sottosistemi sociali e tecnici vadano ottimizzati insieme. Con l’AI generativa e agentica diventa ingegneria dei workflow: scomposizione dei compiti, checkpoint umani, sistemi di valutazione, budget di errore, percorsi di escalation, modalità di fallimento sicuro e strumenti che rendano osservabile e spiegabile l’AI nelle operazioni.

Questa è governance by design, non governance affidata alle policy. Le policy vincolano il comportamento sulla carta. I workflow ingegnerizzati lo vincolano nella pratica.

Gli esperimenti di Noy e Zhang su AI generativa e compiti di scrittura vanno nella stessa direzione: l’AI può ridurre tempi e migliorare qualità in attività circoscritte, ma gli esiti dipendono da compito, lavoratore, incentivi, metodo di valutazione e workflow.

L’impresa manageriale compra strumenti e attende casi d’uso. L’impresa ingegnerizzata specifica le condizioni per scalare in sicurezza: diritti decisionali, permessi, telemetria, routine di valutazione, logiche di escalation, confini entro cui i modelli possono agire, suggerire, spiegare o fermarsi.

Il CEO non gestisce direttamente prompt o pipeline. È responsabile dell’architettura che determina come quei sistemi entrano nelle decisioni aziendali. Quando l’AI media conoscenza e azione, il disegno dell’impresa diventa responsabilità strategica.

Atrofia cognitiva

Il rischio AI più discusso nelle imprese è l’allucinazione. È reale, ma non è il più profondo. Il rischio più profondo è l’erosione del giudizio umano e organizzativo.

Quando l’AI generativa diventa l’interfaccia predefinita all’informazione, modella ciò che gli esseri umani vedono prima ancora di ragionare. Sintesi, ranking, bozze, suggerimenti di codice, report, note di riunione, risultati di ricerca, raccomandazioni e dashboard arrivano pre-elaborati. L’articolo di Chiriatti e altri su Nature Human Behaviour, The case for human–AI interaction as system 0 thinking, descrive questo strato mediato dall’AI come un livello che opera prima del System 1 intuitivo e del System 2 deliberativo di Kahneman.

Per la strategia d’impresa è decisivo. System 0 non risponde soltanto alle domande. Modella il campo da cui le domande emergono. Può restringere opzioni, levigare ambiguità, riempire vuoti con priori plausibili, sopprimere segnali deboli e far percepire come chiarezza una conclusione prematura.

Il risultato può essere atrofia cognitiva organizzativa. Le persone smettono di formulare ipotesi indipendenti, i team di contestare la cornice, i manager diventano editor di sintesi generate dalla macchina. La competenza si indebolisce perché nessuno attraversa più l’ambiguità. L’organizzazione sa usare lo strumento, ma non comprende il sistema da cui dipende.

La risposta è ingegneria epistemica: workflow che preservano il giudizio imponendo verifica, formulazione attiva e dissenso disciplinato.

Nei domini ad alto rischio, i team dovrebbero formulare ipotesi umane indipendenti prima di consultare il modello. Generazione e valutazione vanno separate, perché un singolo output non diventi verità predefinita. Benchmark interni e red team devono essere infrastruttura permanente. Le imprese devono monitorare se le persone sanno ancora spiegare, auditare, contestare e riformulare i sistemi su cui si appoggiano.

La curiosità appartiene a questa architettura come capacità strategica. Alimenta esplorazione, apprendimento e migliore formulazione dei problemi. Il motore delle domande deve restare umano, perché curiosità e conoscenza tacita permettono un sense-making collettivo che un sistema black-box, addestrato su dati passati e visibili, non può riprodurre.

L’AI può ampliare la ricerca. Non deve diventare l’unica autrice della cornice. Un’impresa che perde curiosità perde percezione strategica. Può continuare a produrre report, previsioni, dashboard e raccomandazioni, persino più velocemente. Ma dentro cornici che non possiede più.

L’impresa ingegnerizzata

Questi tre passaggi — modularità, ingegneria socio-tecnica e disciplina epistemica — definiscono l’ascesa dell’impresa ingegnerizzata. L’impresa manageriale del Novecento coordinava attraverso gerarchia, pianificazione, budgeting, reporting e controllo amministrativo. The Visible Hand di Chandler descriveva l’impresa manageriale come struttura capace di coordinare scala e complessità. L’impresa ingegnerizzata coordina attraverso artefatti progettati: interfacce, strati di modelli, pipeline di dati, sistemi di workflow, sistemi di test e valutazione, permessi, telemetria, routine di red team, meccanismi di governance e loop di feedback.

The Sciences of the Artificial di Herbert Simon offre la logica più profonda. Le organizzazioni operano sempre più in mondi costruiti dal disegno, non dati dalla natura. La competenza dipende dalla capacità di modellare deliberatamente sistemi artificiali: vincoli, interfacce, feedback e scopi.

È qui che la distinzione tra strategia e design collassa. Nell’era dell’AI pervasiva, non si governa ciò che non si è progettato. In tabella 1 sono sintetizzate succintamente cinque dimensioni chiave che cambiano con l’impresa ingegnerizzata: coordinamento gestionale, modularità, governance operativa, ciclo di adattamento continuo, sovranità e resilienza.

Una serie sul disegno dell’impresa nell’era dell’AI

Questo articolo apre una serie curata da Datrix sul disegno dell’impresa nell’era dell’AI: come ingegnerizzare un’organizzazione quando l’AI entra nei suoi circuiti di conoscenza, coordinamento e giudizio. Alcuni tra i temi che meritano approfondimento sono:

• I dati: qualità, governance, permessi e audit trail.
• La conoscenza: come recuperare, ricombinare e riusare conoscenza istituzionale senza perdere contesto, provenienza e giudizio.
• Il lavoro: disegno applicativo e trasformazione AI, scomposizione dei compiti, intervento umano ed escalation delle anomalie.
• Il controllo: governance dell’AI come infrastruttura eseguibile, con log, valutazioni, provenienza, gate approvativi e monitoraggio.
• L’apertura: collaborazione con modelli esterni, PMI, università, fornitori ed ecosistemi senza perdere autonomia strategica.

Questi temi condividono una domanda: come va disegnata un’impresa quando i suoi circuiti di conoscenza e coordinamento passano attraverso sistemi che non comprende né controlla pienamente? Nell’era dell’AI, il disegno dell’impresa diventa una funzione esecutiva.

 

Marcello Vena è Chief Strategy and Growth Officer Datrix Group