Lauri Kien Kotcher, CEO e cofondatore di Different Day – Serie di interviste

Lauri Kien Kotcher, CEO e cofondatore di Different Day, è un leader aziendale esperto, costruttore di brand, membro del consiglio di amministrazione e consigliere strategico la cui carriera copre intelligenza artificiale, prodotti di consumo, retail, assistenza sanitaria, servizi finanziari e private equity. Prima di fondare Different Day, è stata CEO e membro del consiglio di amministrazione di quip, dove ha guidato un più ampio passaggio dalla cura orale al benessere orale, ha introdotto nuovi prodotti, ha ristrutturato il modello di abbonamento diretto al consumatore dell’azienda e ha ridotto i costi operativi. In precedenza ha guidato The Shade Store e Hello Products, conducendo quest’ultima attraverso una crescita significativa e la sua acquisizione da parte di Colgate nel 2020. Le sue precedenti posizioni di leadership includono ruoli senior presso L Catterton, Godiva Chocolatier, Lehman Brothers e Pfizer Consumer Healthcare, oltre a 15 anni in McKinsey & Company, dove è diventata partner e co‑leader della practice dei beni di consumo nordamericana della società. Kotcher è anche membro del consiglio di amministrazione di Freshpet, portando una vasta esperienza in strategia di crescita, innovazione, marketing, fusioni e acquisizioni e trasformazione organizzativa.

Different Day aiuta le organizzazioni di medio mercato a trasformare le sfide operative in applicazioni di intelligenza artificiale pratiche e personalizzate che si integrano con i loro ambienti tecnologici esistenti. Invece di concentrarsi su progetti di IA sperimentali o software di uso generico, l’azienda sviluppa soluzioni end‑to‑end progettate per ridurre il lavoro manuale, migliorare la visibilità, accelerare la crescita dei ricavi, rafforzare i margini e scoprire insight aziendali utili. Il suo lavoro copre aree come la previsione della domanda, la pianificazione di forniture e inventario, l’intelligence di vendita, la riconciliazione di aiuti finanziari, la conformità, l’analisi dei contratti, la gestione delle relazioni con i clienti e la reportistica delle performance. Different Day presenta il suo team come partner dalla scoperta iniziale del problema fino al deployment e al trasferimento di conoscenze, consentendo ai clienti di gestire e continuare a migliorare internamente le applicazioni.

Hai trascorso decenni guidando la trasformazione in McKinsey, Godiva, hello products, The Shade Store e quip prima di co‑fondare Different Day. Cosa ti ha convinto che le aziende di medio mercato avessero bisogno di un nuovo tipo di partner IA, e quali problemi operativi ritenevi che i fornitori di tecnologia esistenti e le società di consulenza non stessero risolvendo?

È sorprendente, ma i leader aziendali spesso vivono nell’oscurità. Come CEO e CMO di marchi di consumo e retailer di medio mercato in rapida crescita, non riuscivo mai a ottenere una visione chiara dell’intero spettro di tutti gli elementi in movimento dell’azienda. I nostri dati spesso vivevano in silos disconnessi per canale, geografia e responsabile funzionale. Il mio istinto era che l’IA potesse finalmente collegare quei punti e aiutarci a capire cosa ci mancasse, ma non avevo idea a chi rivolgermi o da dove iniziare. Different Day è diventata la risposta a quella domanda.

Le aziende di medio mercato hanno meno risorse rispetto alle grandi imprese, ma possono anche avere meno burocrazia e debito tecnico. In che modo il loro approccio all’implementazione dell’IA dovrebbe differire dal modello delle grandi aziende?

Le aziende di medio mercato possiedono un superpotere straordinario che devono sfruttare. Dovrebbero puntare a sorpassare i concorrenti più grandi, poiché la velocità è il loro vero vantaggio. Il nostro punto di vista è che possiamo trasformare la maggior parte delle imprese di medio mercato in organizzazioni native dell’IA, come se fossero state lanciate nel 2026 da zero. Le grandi imprese temono silenziosamente che l’IA permetta ai concorrenti più piccoli di livellare il campo di gioco, usando colleghi IA per muoversi più velocemente senza aumentare il personale. Meno persone significano meno decisioni su cosa fare, come farlo e quali siano gli obiettivi, quindi un organigramma più piccolo diventa un vantaggio, non una limitazione.

Quando valuti le operazioni di un’azienda, come distingui un flusso di lavoro che beneficia realmente dall’IA da uno che sarebbe meglio affrontato tramite automazione convenzionale, software migliorato o riprogettazione del processo?

Credo nell’approccio spoglio: riduci il tuo flusso di lavoro all’essenziale. Semplificare il processo deve precedere l’IA. Inizia con un foglio bianco – cosa faresti qui se il software legacy e le soluzioni alternative non esistessero? La maggior parte dei processi esistenti è stata costruita per aggirare strumenti ingombranti, non perché siano il modo corretto di lavorare. Quando i contratti sono in scadenza, chiediti quali funzionalità utilizzi e, con poche eccezioni, l’IA può creare qualcosa di più su misura rispetto a ciò che hai oggi. Sebbene ci siano sempre sistemi che vale la pena mantenere, come il tuo ERP o CRM, progettiamo esattamente gli add‑on di cui hai bisogno e nient’altro.

Different Day afferma di poter iniziare con un prototipo di 72 ore e passare a un trasferimento pronto per la produzione entro poche settimane. Cosa rende possibile questa velocità e quali condizioni tecniche, di sicurezza o organizzative potrebbero rallentare un’implementazione?

Sembra una promessa eccessiva, ma riflette il nostro vantaggio unico come azienda fondata da persone che comprendono sia il business sia la tecnologia. Il nostro team è nativo dell’IA, quindi lo sviluppo avviene molto più rapidamente rispetto allo sviluppo software tradizionale. Ciò che non cambia è la fase di scoperta: chi possiede il processo, chi deve essere coinvolto, quale risultato si mira a raggiungere e di quanto, cosa è fallita in precedenza. Saltare quel lavoro all’inizio lo farà riemergere più tardi; nelle integrazioni, nell’implementazione, a costi molto più alti. La velocità è possibile solo perché carichiamo in anticipo la comprensione invece di programmare.

Molte imprese di medio mercato operano con fogli di calcolo disconnessi, sistemi legacy e fonti di dati incoerenti. Quanto lavoro di preparazione dei dati è solitamente necessario prima che l’IA possa produrre risultati operativi affidabili?

I dati disconnessi con cui vivono la maggior parte delle aziende di medio mercato sono in realtà un’opportunità, non un ostacolo. I nostri strumenti evidenziano esattamente dove sono le lacune, e l’azienda decide se e come colmarle. Prima dell’IA, quelle lacune erano invisibili; qualcuno forzava i fogli di calcolo in una decisione o decideva su dati incompleti senza rendersene conto. Ora i team possono vedere la lacuna e valutare la decisione di conseguenza, invece di presumere che i dati fossero solidi.

Quali metriche dovrebbero stabilire i dirigenti prima di avviare un progetto IA e quanto rapidamente dovrebbero aspettarsi di vedere prove che un’implementazione sta generando un ritorno sull’investimento significativo?

L’IA può essere nuova, ma le discipline aziendali classiche rimangono valide. Il punto critico per l’IA è quando le persone pensano che tutte le vecchie regole siano scomparse. Ogni progetto IA necessita di un obiettivo chiaro fin dall’inizio, che sia vendite, visibilità del brand, margine, velocità decisionale o più output senza aumentare il personale, insieme a una tempistica realistica per raggiungerlo. Le tempistiche variano in base al numero di connessioni dati, ai sistemi interni ed esterni coinvolti e a quanto lo strumento deve apprendere prima che il suo output sia solido. Dovresti vedere qualche risultato entro tre mesi; i progetti più complessi richiedono più tempo. La chiave è progettare il progetto a tappe, così non si attende un unico risultato finale.

Different Day evidenzia applicazioni che vanno dalla previsione della domanda, alla pianificazione delle forniture, all’intelligence dei contratti, alla riconciliazione di aiuti finanziari e ai segnali di vendita in tempo reale. Quali casi d’uso stanno producendo i risultati più replicabili oggi e quali rimangono fortemente dipendenti dal settore e dal modello operativo di un’azienda?

Non sottovalutare il fattore di ripetibilità dell’IA. In molti modi, le imprese sono strutturalmente più simili di quanto pensiamo, dai contratti universali all’allineamento delle esigenze dei clienti con le capacità interne. L’intelligence dei contratti e la riconciliazione di aiuti finanziari sono oggi le più replicabili; entrambi hanno parametri chiari e output definiti, così lo strumento sa esattamente cosa risolvere. La previsione della domanda e la pianificazione delle forniture sono più difficili: più set di dati, più canali e molta più variazione da un modello operativo all’altro. Qualcosa come la notifica al cliente in tempo reale si colloca a metà, a seconda dello stack tecnologico e dei canali attuali dell’azienda.

Come dovrebbe un’azienda decidere se acquistare un prodotto IA pronto all’uso, svilupparlo internamente o creare un’applicazione personalizzata con un partner esterno? Quali domande aiutano a evidenziare complessità inutile o lock‑in del fornitore?

Evita i clickbait sull’IA e sii scettico nei confronti dei post su LinkedIn che rendono facile la costruzione di strumenti sofisticati internamente. Sviluppa internamente solo quando lo strumento è davvero semplice, come un cruscotto che aggrega alcuni fogli di calcolo in una vista pulita per pochi colleghi. Nel momento in cui hai bisogno di estrarre dati in tempo reale da sistemi interni ed esterni, è fuori portata per un team non tecnico con strumenti fai‑da‑te. L’IA pronta all’uso ha lo stesso limite del SaaS pronto all’uso. Ti fornirà una lettura sui dati generici, ma non ti darà la sfumatura specifica per il tuo business e i tuoi concorrenti.

Quali sono gli errori più comuni che vedi le aziende commettere nel passare da una dimostrazione IA impressionante a un sistema di cui i dipendenti devono fidarsi e usare quotidianamente?

Sto assistendo a un’epidemia di “protottipite”: aziende che cadono nella trappola del 10 % visibile dell’iceberg. Il prototipo sembra impressionante, ma il vero lavoro avviene sotto la superficie: test dei dati e back‑testing, verifica di ogni collegamento di sistema e sicurezza dei dati. Poi arriva la gestione del cambiamento: insegnare alle persone come usarlo, quali sono i suoi limiti, quando un umano deve rimanere nel ciclo e quali domande porre ai risultati. L’IA dovrebbe essere adatta allo scopo, non un sostituto del giudizio umano, soprattutto in un’azienda di medio mercato dove quel giudizio ha richiesto anni per essere costruito.

Man mano che l’IA si integra nelle operazioni core, come prevedi che cambino i ruoli di manager e dipendenti di prima linea, e cosa dovrebbero fare ora i leader delle aziende di medio mercato per garantire che l’IA elevi i loro team invece di aggiungere semplicemente un altro livello tecnologico?

“Manager” una volta indicava la direzione delle persone. Rapidamente, è diventato la gestione di agenti e sistemi. Inizia mappando i punti di dolore più grandi del team e isolando il lavoro manuale e ripetitivo; è qui che l’IA deve intervenire per prima, prima di affidarle decisioni più complesse. Cammina prima di correre, soprattutto in un’azienda di medio mercato dove la fiducia deve essere guadagnata un successo alla volta.

Grazie per la fantastica intervista, i lettori che desiderano saperne di più dovrebbero visitare Different Day.