Andrej Jonovic, CEO di XBP Global – Serie di interviste

Andrej Jonovic è il CEO di XBP Global, una multinazionale che offre servizi e tecnologie e si occupa di flussi di lavoro aziendali mission-critical. XBP Global applica l’IA agentica in contesti regolamentati, tra cui sanità, settore pubblico e servizi finanziari, dove precisione, sicurezza, sovranità dei dati e tracciabilità sono essenziali. In questa intervista, Jonovic parla di orchestrazione adattiva dei processi, modelli a pesi aperti, elaborazione intelligente dei documenti, valutazione umana e di cosa occorre per trasformare l’IA da capacità tecnica a risultati operativi misurabili.

Ha iniziato la sua carriera come avvocato specializzato in diritto delle transazioni, per poi occuparsi di fusioni e acquisizioni e trasformazione aziendale, fino ad assumere la guida di XBP Global. In che modo questo percorso ha influenzato il suo approccio alla valutazione della governance, dei rischi commerciali e dell’impatto organizzativo legati all’introduzione dell’intelligenza artificiale in flussi di lavoro mission-critical?

Tendo a valutare l’IA partendo dal modello operativo. L’esperienza nelle transazioni e nella trasformazione abitua a chiedersi se la struttura regga davvero una volta superata la fase della presentazione e passati all’esecuzione.

Questo aspetto è particolarmente importante con l’IA, perché un modello può funzionare benissimo in condizioni isolate e produrre comunque risultati operativi insoddisfacenti. In sanità, nel settore pubblico e nel settore bancario, la precisione nell’elaborazione, la conformità normativa e la tracciabilità sono imprescindibili. Bisogna sapere dove risiedono i dati, cosa è autorizzato a fare il sistema, come vengono controllate le decisioni e quale sarà la struttura dei costi quando il flusso di lavoro verrà gestito su larga scala.

La governance deve essere integrata nell’architettura fin dalla progettazione. Voglio sapere dove viene eseguito il modello, quali informazioni oltrepassano il perimetro aziendale, cosa viene registrato nel tracciato di audit e cosa succede quando il flusso di lavoro arriva a una decisione che richiede un livello di controllo diverso.

Probabilmente è qui che il mio percorso professionale ha la maggiore influenza. In genere, mi interessa meno ciò che la tecnologia può fare in una dimostrazione controllata. Voglio sapere se è possibile integrarla in un processo mission-critical e farvi affidamento.

XBP Global descrive l’IA agentica come un’evoluzione che supera l’automazione convenzionale basata su regole e l’automazione robotica dei processi. Cosa cambia dal punto di vista tecnico quando un flusso di lavoro passa dal seguire istruzioni predefinite all’utilizzo di agenti IA in grado di dedurre, prendere decisioni e coordinare più attività?

L’architettura diventa molto più adattiva.

L’automazione tradizionale dei flussi di lavoro è deterministica. Si definiscono regole, si sa cosa succederà nel passaggio successivo e si inserisce altra logica codificata man mano che il processo diventa più complesso. Questo funziona molto bene per le attività prevedibili. Le difficoltà emergono quando il numero di regole diventa enorme o il processo cambia più rapidamente di quanto sia possibile ricostruire il sistema.

Quello che facciamo ora è orchestrare i processi in modo adattivo. È possibile mantenere i motori di regole deterministici nei punti in cui sono necessari per garantire precisione e conformità, introducendo poi modelli intelligenti nelle parti del flusso di lavoro in cui la capacità di inferenza aggiunge valore. Gli agenti possono coordinare attività, accedere alle informazioni e selezionare l’azione successiva senza che qualcuno debba codificare in modo rigido ogni possibile percorso del processo.

Un altro cambiamento è che il modello sottostante diventa più facilmente sostituibile. Stiamo assistendo a un rapido miglioramento dei modelli a pesi aperti di livello aziendale. Se la pipeline è progettata correttamente, è possibile integrare un modello più potente con l’evolversi dell’ecosistema, senza dover ricostruire l’intero processo operativo attorno a esso.

Credo quindi che l’asset tecnico più importante diventi sempre più il flusso di lavoro stesso: l’orchestrazione, le conoscenze del settore, i controlli e i dati che circondano il modello.

Molte aziende sperimentano con l’IA, ma faticano a passare dai progetti pilota alla produzione. Quali sono gli ostacoli architetturali o organizzativi più comuni che impediscono alle imprese di implementare su larga scala flussi di lavoro agentici? 

I clienti stanno andando oltre la fase di sperimentazione. Hanno visto le dimostrazioni e sentito promesse di ROI molto ambiziose. A un certo punto, qualcuno deve integrare la tecnologia in un processo reale e farla funzionare.

È qui che l’architettura diventa complessa. Un flusso di lavoro in produzione deve integrarsi con l’ambiente già esistente dell’azienda. Potrebbe essere necessario conservare le informazioni sensibili in un cloud privato o in un’infrastruttura locale. Bisogna poter accedere comunque ai sistemi esistenti. Occorre soddisfare i requisiti normativi. Anche i costi devono essere sostenibili ai volumi aziendali.

Di recente abbiamo ottenuto un incarico relativo al ciclo di manutenzione della flotta di una compagnia aerea globale. Ogni voce di manutenzione sarà trasformata in vettore e archiviata in un database vettoriale privato all’interno del cloud privato del cliente. L’infrastruttura agentica gestisce l’accesso a queste informazioni e consente di riprodurre i registri quando gli aeromobili terminano il leasing o vengono venduti.

È un problema molto diverso dal dimostrare che un modello è in grado di rispondere a una domanda su un registro relativo a un aeromobile. Qui si ha a che fare con un intero ambiente operativo, con controlli sui dati e con un processo che deve funzionare in modo ripetibile.

A livello organizzativo, il problema è solitamente la mancanza di responsabilità. Qualcuno deve conoscere a fondo il processo per definire cosa significhi davvero portarlo in produzione. Senza questa disciplina operativa, il progetto pilota può continuare a fare un’ottima impressione per molto tempo senza diventare utile.

XBP Global combina l’automazione con la supervisione umana, in particolare per le decisioni con conseguenze rilevanti. Come stabilite quali decisioni un sistema di IA può eseguire autonomamente e in quali casi il giudizio umano deve restare parte del processo? 

Progettiamo il ruolo umano attorno alla valutazione dei casi.

Nei flussi di lavoro con conseguenze rilevanti, di solito una grande quantità di attività può procedere lungo la pipeline con un elevato grado di affidabilità. Ci sono poi casi limite in cui le informazioni sono incomplete, le circostanze insolite oppure le conseguenze di una risposta errata sono troppo gravi.

Quando la pipeline raggiunge uno di questi casi, indirizza la transazione a un esperto della materia. Questa persona risolve il caso e il suo giudizio può quindi essere reinserito nel sistema, così che il modello continui a migliorare.

Credo che questo ciclo di feedback sia importante. La supervisione umana è più utile quando contribuisce a migliorare il flusso di lavoro nel tempo. L’esperto apporta conoscenze specifiche del settore nei casi in cui il modello ne ha ancora bisogno.

La soglia di autonomia dipende molto anche dal contesto. La valutazione delle pratiche sanitarie, i registri del settore pubblico e i processi finanziari regolamentati hanno requisiti diversi da quelli di un’attività interna con conseguenze limitate. Il livello di affidabilità accettabile deve riflettere gli effetti concreti della decisione una volta che il sistema interviene.

I vostri clienti operano in settori regolamentati e nel settore pubblico, dove la sovranità dei dati, la sicurezza e la verificabilità sono essenziali. Come possono le organizzazioni implementare modelli linguistici di grandi dimensioni in ambienti protetti senza rinunciare alle funzionalità che rendono utili questi sistemi? 

I modelli a pesi aperti stanno cambiando in modo significativo la risposta a questa domanda.

Per molto tempo si è dato per scontato che, per ottenere le migliori prestazioni da un modello, fosse necessario inviare le informazioni nell’ambiente di qualcun altro. Questo crea un problema evidente quando i dati devono rimanere all’interno del perimetro aziendale.

Oggi possiamo integrare modelli a pesi aperti di livello aziendale in pipeline operative basate su agenti, mantenendo i dati nell’ambiente del cliente. A seconda dei requisiti, questo può significare un’infrastruttura cloud privata o locale. Si può comunque beneficiare dei progressi dell’ecosistema dei modelli nel suo complesso, mantenendo al contempo i controlli necessari all’organizzazione per garantire la sovranità dei dati.

Anche l’architettura deve poter cambiare. Non c’è motivo di presumere che il modello migliore per un’attività specifica oggi lo sarà ancora domani. I nostri protocolli di addestramento sono progettati per consentirci di integrare rapidamente nuovi modelli in una pipeline esistente.

Per i clienti dei settori regolamentati, questa flessibilità è estremamente preziosa, perché il flusso di lavoro può continuare a migliorare senza che i dati escano dal perimetro protetto. È anche così che si inizia a rispondere a requisiti come quelli dell’EU AI Act, senza considerare la conformità un aspetto da aggiungere dopo che la tecnologia è già stata implementata.

Una quantità considerevole di informazioni aziendali è ancora intrappolata in documenti, immagini, sistemi legacy e archivi cartacei. Come si sta evolvendo l’elaborazione intelligente dei documenti e quale ruolo svolge nel trasformare dati frammentati in informazioni che gli agenti di IA possano utilizzare in modo affidabile?

Credo che l’elaborazione intelligente dei documenti stia diventando parte dell’infrastruttura dei flussi di lavoro basati su agenti.

Storicamente, gran parte dell’elaborazione dei documenti si basava su modelli predefiniti. Si conosceva l’aspetto del documento, si sapeva quale campo cercare e il sistema lo estraeva. Le informazioni aziendali raramente sono così ordinate. Nel solo settore sanitario possono esserci documenti EOB, corrispondenza complessa, informazioni sulle richieste di rimborso e documenti che arrivano in formati diversi.

L’approccio più recente tiene molto più conto del contesto. Si possono acquisire informazioni non strutturate, capire quali siano pertinenti e convertirle in dati strutturati che i sistemi a valle possano effettivamente utilizzare. Questo è importante perché un agente non può coordinare il lavoro in modo affidabile se le informazioni su cui si basa sono incomplete o interpretate in modo errato.

Anche la scala cambia il problema. Gestiamo ambienti che elaborano volumi enormi di immagini, richieste di rimborso, transazioni di pagamento e altri documenti. A questi livelli, una piccola differenza nella qualità dell’estrazione diventa un problema operativo molto rilevante.

Perciò l’IDP si colloca sempre più spesso all’inizio del flusso di lavoro intelligente. Trasforma informazioni frammentate in dati utilizzabili, fornisce alla fase successiva del processo elementi affidabili su cui agire e crea le basi per una maggiore automazione nelle fasi successive.

XBP Global ha parlato della migrazione di processi legacy basati su regole verso pipeline di IA agentica e del raggiungimento di livelli più elevati di risoluzione al primo tentativo. Che cosa deve comprendere un sistema di IA dei processi, delle eccezioni e delle conoscenze istituzionali di un’organizzazione prima di poter produrre risultati affidabili?

Gran parte delle conoscenze istituzionali non è mai stata raccolta in un documento di processo chiaro.

È insita nei sistemi legacy, negli insiemi di regole e nel giudizio di chi ha trascorso anni a gestire il processo. Queste persone sanno quali informazioni sono rilevanti, quale regola si applica in una determinata circostanza e cosa succede nelle fasi successive se viene presa una decisione errata.

Quando si trasferisce quel lavoro, bisogna preservare queste conoscenze operative. Nel nostro settore, spesso significa combinare la logica deterministica con l’IA, invece di presumere che tutte le regole debbano scomparire immediatamente. In alcune parti di un flusso di lavoro regolamentato, un motore di regole è estremamente utile, perché il requisito è preciso. In altre, un modello intelligente può gestire le variazioni molto più efficacemente.

La competenza nel settore indica dove è opportuno applicare ciascun approccio.

Ecco anche perché la risoluzione al primo passaggio non può essere valutata soltanto in base al punteggio del modello. Il flusso di lavoro deve produrre un risultato che regga nella fase successiva del processo. Se genera un’altra escalation a valle, il problema è stato spostato, non risolto.

Il sistema deve comprendere il processo abbastanza bene da sapere che cosa si intende per transazione riuscita, dall’inizio alla fine.

XBP Global applica l’automazione non solo alle operazioni per i clienti, ma anche al proprio passaggio verso un modello operativo incentrato sull’IA. Che cosa avete imparato usando l’azienda come banco di prova interno e come bilanciate i miglioramenti della produttività con lo sviluppo della forza lavoro e la gestione del cambiamento?

Siamo stati piuttosto decisi nell’applicarla internamente, perché credo che si impari molto in fretta quando il risultato incide direttamente sui propri conti economici.

Prevediamo che le nostre iniziative di automazione basate sull’IA genereranno efficienze operative annualizzate comprese tra 65 e 75 milioni di dollari, con benefici per circa 35 milioni di dollari attesi nel corso del 2026. Nel secondo trimestre, il fatturato per dipendente ha raggiunto circa 89.000 dollari, rispetto agli 82.000 circa del trimestre precedente, e prevediamo che arrivi vicino a 100.000 dollari entro la fine dell’anno.

Sono parametri utili, perché ci dicono se il modello operativo sta diventando davvero più produttivo.

Le conseguenze per la forza lavoro sono concrete. Stimiamo una riduzione di circa il 20% dell’organico globale entro la fine del 2026, mentre passiamo a un modello operativo più produttivo. La gestione del cambiamento deve riconoscere che l’aumento della produttività modifica il fabbisogno di personale.

Al tempo stesso, le persone che continuano a lavorare all’interno di questi flussi devono acquisire maggiori competenze. Abbiamo bisogno di esperti del settore, architetti e operatori capaci di strutturare il lavoro, valutare i risultati e assumersi la responsabilità di decisioni di maggior valore.

Portare avanti questa trasformazione all’interno della nostra azienda ha reso la discussione molto più concreta. Si capisce molto rapidamente quali automazioni generano efficienze durature e quali attività si limitano a far sì che qualcuno usi più spesso l’IA.

I progetti di IA aziendale vengono spesso promossi attraverso dimostrazioni, anziché risultati di business misurabili. Quali metriche dovrebbero usare i dirigenti per valutare un flusso di lavoro intelligente e come dovrebbero considerare accuratezza, tasso di eccezioni, tempi di elaborazione, costi operativi e riduzione dei rischi?

Valuterei il flusso di lavoro su due livelli.

A livello operativo, voglio conoscere l’accuratezza, la risoluzione al primo passaggio, i tempi di elaborazione, il volume delle eccezioni e il costo di gestione del lavoro. In un ambiente regolamentato, mi interessa anche sapere se la transazione è verificabile e se i controlli reggono in modo coerente su larga scala.

Poi voglio capire se questi miglioramenti si riflettono sui risultati economici dell’azienda.

Nel secondo trimestre, il margine lordo rettificato di XBP ha raggiunto il 24,9%, il livello più alto mai registrato, mentre il fatturato per dipendente è salito a circa 89.000 dollari. Anche il nostro obiettivo di efficienza operativa annualizzata è stato innalzato a una cifra compresa tra 65 e 75 milioni di dollari, dopo aver individuato ulteriori opportunità di automazione.

Questi parametri indicano qualcosa di diverso rispetto al punteggio ottenuto in un benchmark. Mostrano se la tecnologia sta modificando la struttura dei costi dell’attività.

Un flusso di lavoro può raggiungere un’accuratezza del modello eccellente e rappresentare comunque una cattiva implementazione, se è troppo costoso da gestire o comporta troppo lavoro manuale aggiuntivo. Credo che i dirigenti debbano seguire il risultato fino in fondo. La tecnologia deve produrre un beneficio operativo che si rifletta in qualcosa che si possa effettivamente misurare.

Guardando al futuro, vi aspettate che l’IA agentica resti un livello aggiunto ai sistemi aziendali esistenti, oppure diventerà il principale livello di orchestrazione attraverso cui interagiscono persone, software, dati e processi aziendali?

Credo che una parte sempre maggiore dei flussi di lavoro diventerà agentica.

Le aziende continueranno ad avere sistemi, archivi di dati e applicazioni che svolgono funzioni specifiche. A cambiare sarà il modo in cui il lavoro passa dall’uno all’altro. Una pipeline agentica può recuperare informazioni, coordinare strumenti, attivare azioni e determinare quando una transazione richiede un altro tipo di intervento.

Lo si vede già nell’esempio della compagnia aerea. I registri di manutenzione si trovano in un database vettoriale privato all’interno dell’ambiente del cliente, mentre il livello agentico gestisce le modalità di accesso e utilizzo di tali informazioni durante l’intero ciclo di manutenzione.

Mi aspetto che questo tipo di orchestrazione diventi molto più comune.

I modelli sottostanti continueranno a cambiare. I modelli con pesi aperti stanno migliorando rapidamente e ne arriverà un’altra generazione dopo quella che stiamo usando oggi. Per questo il livello di orchestrazione diventerà sempre più importante: le aziende hanno bisogno di qualcosa di duraturo che faccia da supporto a questi modelli.

Se si costruisce la pipeline attorno al processo, alle conoscenze specifiche del settore, ai requisiti di sicurezza e ai controlli aziendali, si può continuare a trarre vantaggio dai modelli migliori man mano che arrivano. È lì che, a mio avviso, risiederà gran parte del valore a lungo termine.

Grazie per la splendida intervista; i lettori che desiderano saperne di più possono visitare XBP Global.