Michael Majster, Partner di Arthur D. Little – Serie di Interviste

Michael Majster, Partner di Arthur D. Little, è un consulente strategico e tecnologico esperto con una profonda conoscenza della trasformazione digitale, della strategia IT e della crescita guidata dall’innovazione. Con sede a Bruxelles e operante nella regione del Benelux, porta più di due decenni di esperienza nel consigliare CIO e dirigenti senior sulla gestione di cambiamenti su larga scala e sulla consegna di risultati aziendali misurabili. Prima di unirsi ad Arthur D. Little, ha trascorso 16 anni in Accenture, dove ha ricoperto ruoli di leadership senior, tra cui Managing Director per le risorse tecnologiche in Francia e nel Benelux, e ha sviluppato una forte competenza settoriale in energia, utility, chimica e risorse naturali.

Arthur D. Little è una delle più antiche società di consulenza gestionale al mondo, fondata oltre 135 anni fa e ampiamente riconosciuta per la sua attenzione all’innovazione, alla strategia e alla trasformazione guidata dalla tecnologia. La società lavora con organizzazioni globali per risolvere complessi problemi aziendali, combinando insight strategici con una profonda competenza settoriale per supportare aree come la trasformazione digitale, la gestione dell’innovazione e il miglioramento operativo. Con un forte accento sull’integrazione della strategia, della tecnologia e dell’esecuzione, Arthur D. Little ha costruito una reputazione per aiutare i clienti a sviluppare innovazioni dirompenti e ad adattarsi alle dinamiche di mercato in rapida evoluzione.

Ha trascorso oltre 16 anni in Accenture, guidando infine la tecnologia e le risorse nel Benelux e in Francia, prima di diventare Partner di Arthur D. Little. Come ha influenzato questo percorso la sua prospettiva su ciò che serve realmente alle organizzazioni per passare dall’esperimentazione con l’AI alla trasformazione operativa su larga scala?

Durante il mio tempo in Accenture, ho visto la società espandersi da 30.000 a oltre 500.000 dipendenti. Ho sperimentato di persona come la consegna IT possa essere industrializzata a un livello estremo per supportare trasformazioni su larga scala per i CIO.

Tuttavia, nel corso degli anni, l’IT è diventata sempre più una parte fondamentale dell’azienda, richiedendo alle organizzazioni di allontanarsi dal trattarla come una commodity.

Mentre mi univo ad Arthur D. Little, volevo esplorare come queste trasformazioni strategiche del core business potessero essere gestite dall’interno, come soluzioni personalizzate invece di piattaforme standardizzate potessero abilitare una maggiore differenziazione, e come la condivisione della responsabilità da parte dell’intero ExCo potesse aiutare le organizzazioni a fare un passo avanti nella creazione di valore.

Nel suo recente punto di vista, It’s not the agents, it’s the system, sostiene che l’AI multi-agente è meno una questione di tecnologia e più una questione di cambiamento del modello operativo. Perché pensa che molte organizzazioni affrontino ancora l’AI principalmente come un problema di strumentazione?

Le organizzazioni tendono ad affrontare l’AI come un problema di strumentazione perché si adatta bene alle strutture esistenti, ai bilanci e alla proprietà, evitando la complessità del cambiamento cross-funzionale. Ciò consente piloti rapidi e progressi visibili, ma spesso si traduce in iniziative che non riescono a scalare o a fornire un ROI significativo. Molti leader si affidano anche a modelli mentali legacy del software, supponendo che l’AI possa essere distribuito come sistemi IT tradizionali piuttosto che richiedere una progettazione del flusso di lavoro e della decisione. Allo stesso tempo, la responsabilità per il cambiamento del modello operativo è diffusa e più difficile da gestire, rendendo le iniziative guidate dalla tecnologia più attraenti. Di conseguenza, le aziende si affidano agli strumenti perché è più facile e sicuro che affrontare la trasformazione più profonda necessaria per sbloccare il pieno valore dell’AI.

Molte imprese stanno attualmente sperimentando l’AI agente, ma stanno lottando per scalare. Quali sono le barriere strutturali più comuni che impediscono alle organizzazioni di andare oltre i piloti e raggiungere la produzione?

Le organizzazioni lottano per scalare l’AI agente perché si concentrano su casi d’uso isolati piuttosto che ridisegnare processi end-to-end con una chiara proprietà. I modelli operativi non sono spesso adattati, con ruoli, diritti decisionali e insufficiente integrazione della collaborazione uomo-agente nei flussi di lavoro quotidiani. Molti progetti mancano anche di forti collegamenti con risultati aziendali misurabili, causando loro di bloccarsi nelle fasi di pilotaggio senza dimostrare un ROI. Inoltre, i dati frammentati e i sistemi legacy limitano la capacità degli agenti di operare in modo trasparente attraverso le funzioni. Infine, la gestione del cambiamento debole e le preoccupazioni di governance irrisolte relative al rischio e all’affidabilità rallentano ulteriormente l’adozione e impediscono la scalabilità.

Sottolinea che l’orchestrazione, non gli agenti individuali, è dove si trova il vero valore. Cosa significa effettivamente un’orchestrazione efficace in un ambiente aziendale reale?

Un’orchestrazione efficace significa progettare l’AI intorno ai processi aziendali end-to-end, non attorno a singoli strumenti, con agenti assegnati ruoli chiari in tutto il flusso di lavoro. Molti agenti collaborano come un team, gestendo l’acquisizione, la presa di decisioni, l’esecuzione e la supervisione, coordinati attraverso uno strato di orchestrazione centrale. Questi agenti sono strettamente integrati con i sistemi aziendali tramite API e fonti di dati, abilitando azioni reali piuttosto che solo insight. Lo strato di orchestrazione gestisce anche la sequenza delle attività, le eccezioni e l’escalation agli esseri umani, garantendo un’esecuzione fluida e controllata. Infine, sono incorporati meccanismi di governance, meccanismi di convalida e feedback per garantire l’affidabilità e il miglioramento continuo.

Man mano che le organizzazioni ridisegnano i flussi di lavoro intorno all’AI, come dovrebbero evolversi i diritti decisionali tra esseri umani e sistemi autonomi per evitare sia l’eccessiva automazione che i collo di bottiglia?

I diritti decisionali dovrebbero evolversi in un modello basato sul rischio, in cui le decisioni a basso rischio e ad alto volume sono automatizzate, mentre i casi ad alto impatto o incerti rimangono sotto il controllo umano. Gli agenti dovrebbero gestire la percezione, l’analisi e l’esecuzione, mentre gli esseri umani si concentrano sul giudizio, le eccezioni e la definizione degli esiti corretti. Sono essenziali percorsi di escalation chiari in modo che gli agenti sappiano quando deferire le decisioni piuttosto che superare la loro autorità. Per evitare i collo di bottiglia, il coinvolgimento umano dovrebbe essere selettivo e concentrato sulle eccezioni piuttosto che sulla supervisione completa di ogni passaggio. Allo stesso tempo, solide garanzie, meccanismi di convalida e monitoraggio assicurano il controllo e impediscono l’eccessiva automazione.

Uno dei suoi punti chiave è che l’affidabilità deve essere progettata end-to-end. Quali sono i più grandi modi di fallimento che sta vedendo attualmente quando le aziende distribuiscono sistemi multi-agente senza adeguate salvaguardie?

Un modo di fallimento chiave è la propagazione degli errori, in cui piccoli errori di un agente si diffondono attraverso il sistema e diventano amplificati. Un altro problema è l’allucinazione e la falsa fiducia, poiché l’AI può generare output plausibili ma scorretti senza segnalare l’incertezza. Le organizzazioni lottano anche quando viene data troppa autonomia agli agenti nelle decisioni ad alto impatto senza adeguate convalide o cancelli di approvazione. La gestione delle eccezioni debole si aggiunge ulteriormente al problema, con gli agenti che non riescono a escalare casi ambigui o estremi agli esseri umani. Nel complesso, i fallimenti si verificano perché l’affidabilità non è progettata in tutta la sistema di coordinamento, convalida e supervisione.

La governance è spesso trattata come un livello di conformità piuttosto che come un principio di progettazione. Come le aziende dovrebbero ripensare la governance quando costruiscono modelli operativi nativi AI?

La governance dovrebbe spostarsi da un livello di conformità post-hoc a un principio di progettazione fondamentale incorporato direttamente nei flussi di lavoro AI. Ciò significa integrare garanzie, passaggi di convalida e cancelli di approvazione in punti decisionali chiave piuttosto che aggiungere controlli dopo la distribuzione. Le aziende dovrebbero adottare un approccio basato sul rischio, regolando i livelli di autonomia e la supervisione umana a seconda dell’impatto e dell’incertezza della decisione. La responsabilità e i diritti decisionali devono essere definiti chiaramente, garantendo che gli agenti sappiano quando agire e quando escalare. Infine, il monitoraggio continuo, i feedback loop e i meccanismi di affidabilità progettati sono essenziali per mantenere la fiducia, le prestazioni e il controllo su larga scala.

Dal suo lavoro di consulenza per CIO e CDO, cosa distingue le organizzazioni che raggiungono un ROI misurabile dall’AI rispetto a quelle che rimangono bloccate nella sperimentazione perpetua?

Le organizzazioni che raggiungono un ROI si concentrano sulla trasformazione dei processi end-to-end piuttosto che su casi d’uso AI isolati. Collegano le iniziative a chiari KPI finanziari e incorporano l’AI nei flussi di lavoro, ruoli e strutture decisionali. Investono anche nella gestione del cambiamento, nell’adozione e nella governance per garantire che le soluzioni si scalino efficacemente. Al contrario, le organizzazioni bloccate nella sperimentazione eseguono piloti non connessi, si concentrano sugli strumenti piuttosto che sui processi e mancano di una chiara proprietà e responsabilità. Di conseguenza, non riescono a tradurre l’AI in un valore aziendale misurabile e rimangono intrappolate nella fase di pilotaggio.

Man mano che i sistemi multi-agente diventano più complessi, come le organizzazioni dovrebbero pensare all’osservabilità, al monitoraggio e all’escalation per mantenere la fiducia nelle decisioni guidate dall’AI?

Le organizzazioni dovrebbero trattare l’osservabilità, il monitoraggio e l’escalation come elementi fondamentali della progettazione del sistema, non come afterthought. Ciò include garantire la piena tracciabilità attraverso il logging, le tracce di audit e i punti di controllo di convalida in modo che le decisioni possano essere comprese e verificate. Il monitoraggio dovrebbe concentrarsi non solo sulle prestazioni, ma anche sulla qualità degli esiti, gli errori e su come gli problemi si diffondono attraverso gli agenti. Sono necessarie regole di escalation chiare in modo che gli agenti deferiscano agli esseri umani in situazioni ad alto rischio o ambigue senza creare collo di bottiglia. In definitiva, la fiducia deriva da sistemi che sono trasparenti, misurabili e progettati per la supervisione umana per default.

Guardando avanti, come vede evolversi i modelli operativi aziendali nei prossimi 3-5 anni man mano che i sistemi AI multi-agente si integrano più profondamente nei processi aziendali core?

I modelli operativi aziendali evolveranno verso forze lavoro ibride uomo-AI, in cui gli agenti agiscono come dipendenti digitali incorporati nei processi core. Le organizzazioni si sposteranno da silos funzionali a strutture centrate sui processi con proprietà e orchestrazione end-to-end attraverso i flussi di lavoro. La presa di decisioni diventerà più dinamica, con attività routinarie automatizzate e gli esseri umani che si concentrano sulle eccezioni e sulla supervisione. I meccanismi di governance e affidabilità saranno costruiti nelle operazioni quotidiane piuttosto che trattati come strati separati. In definitiva, il vantaggio competitivo dipenderà da come le aziende ridisegneranno i loro modelli operativi intorno all’AI, non solo sulla tecnologia stessa.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Arthur D. Little.