Rob Collie, CEO e Fondatore di P3 Adaptive e Autore di Fair Game – Serie di Interviste

Rob Collie è il fondatore e CEO di P3 Adaptive, un Microsoft Solutions Partner per Data e AI che serve centinaia di clienti medio‑mercato e Fortune 1000. Ex leader ingegneristico di Microsoft nei team di Excel, Bing e Power BI, Rob ha guidato l’ondata Power BI dopo aver lasciato Microsoft e ha scritto tre precedenti libri su business e tecnologia (oltre 92.000 copie vendute). È anche il conduttore del podcast Raw Data with Rob Collie. Il suo quarto libro, Fair Game: Customizing AI to Your Business Is Easier Than You Think (agosto 2026), trasforma quella credibilità da professionista nel momento dell’AI.

Hai trascorso più di un decennio in Microsoft contribuendo allo sviluppo delle funzionalità di business intelligence in Excel e Power BI prima di fondare P3 Adaptive nel 2013. In che modo quel passaggio dalla creazione di software all’interno di Microsoft alla risoluzione di problemi di dati per i clienti ha plasmato la tua attuale visione dell’AI aziendale?

Quando guidavo i team di prodotto in Microsoft, costruivamo software che doveva funzionare per l’intero mondo e non poteva essere personalizzato per le esigenze di un cliente specifico. Lo chiamavamo “ordinare una pizza i cui ingredienti fossero accettabili per 300 milioni di persone”. C’è inevitabilmente un’atmosfera di “denominatore comune più basso”, così come una certa distanza dai singoli clienti.

C’era un certo prestigio nel lavorare su quella grande piattaforma, ma non era affatto soddisfacente dal punto di vista emotivo aiutare clienti specifici a realizzare le loro ambizioni uniche. Lavorando a stretto contatto con un cliente, abbiamo la possibilità di investire nel suo successo e di esplorare soluzioni creative che non rientrerebbero mai nel modello unico per tutti del Big Software. È più stimolante intellettualmente sotto molti aspetti, e la connessione diretta con i nostri clienti rende le vittorie molto più gratificanti.

Ma c’è anche una maggiore responsabilità. In Microsoft, un singolo cliente insoddisfatto era solo una statistica, e io scrollavo di dosso i reclami ogni giorno come parte del semplice svolgimento del lavoro. Invece, in P3 Adaptive, un cliente insoddisfatto significa che abbiamo fallito. Non ci sono statistiche. Abbiamo una responsabilità verso ogni singola relazione.

Ho imparato molte cose preziose in Microsoft e non scambierei quell’esperienza per nulla, ma spesso mi definisco un “ex ingegnere del software in riabilitazione”, perché ora il successo significa operare in modo molto diverso.

E questa è esattamente la prospettiva che porto nell’AI aziendale. L’AI pronta all’uso è la pizza definitiva per 300 milioni di persone – una vera meraviglia, progettata per essere individualmente utile a tutti senza essere personalizzata per nessuno. Ma le vittorie dell’AI organizzativa arriveranno dalla personalizzazione – avvicinandosi a una specifica azienda e personalizzando l’AI sui suoi dati, i suoi processi, le sue definizioni. Ho trascorso la mia carriera su entrambi i lati di quel divario, e ciò mi ha lasciato senza dubbi sul lato in cui l’AI aziendale avrà successo.

In Fair Game, sostieni che molte aziende hanno affrontato l’intelligenza artificiale al contrario distribuendo licenze di chatbot generici invece di costruire sistemi che comprendano le loro operazioni. Dove arrivano i limiti degli assistenti AI pronti all’uso e quali segnali indicano che un’azienda ha bisogno di qualcosa di personalizzato?

L’AI pronta all’uso ha un dottorato in tutto tranne che nel tuo business. Ha letto l’intero internet, ma l’internet non contiene la definizione della tua azienda di “cliente attivo”, la tua logica di prezzo, i tuoi processi operativi e quale dei due sistemi fidarsi quando sono in disaccordo. Quelle conoscenze non saranno mai pubbliche. Perciò l’AI generica, che eccelle per l’uso personale, risulta insufficiente per l’uso reale in azienda, e il divario tra le due esperienze è sia scoraggiante che confuso.

Oggi, praticamente la risposta di tutti a “cosa fare con l’AI” è stata “acquistare abbonamenti e scoprire”. Credo sia un primo passo naturale, quindi non critico chi lo ha fatto. Al contrario, sono comprensivo – nessuno prende davvero il tempo di spiegare che gli abbonamenti pronti all’uso non sono sufficienti, né il perché. Perciò penso che le aziende siano fondamentalmente dove dovremmo aspettarci che siano – provano ciò che è disponibile e cominciano a capire che è insufficiente.

La soluzione non è modificare il modello AI stesso – non devi diventare un ricercatore di LLM. È tutto ciò che circonda il modello: i tuoi dati, le tue istruzioni scritte in inglese semplice e il software tradizionale. Quando ti trovi a digitare lo stesso contesto in un chatbot per la quinta volta questa settimana, è un segnale. Qualunque cosa continui a spiegare di nuovo è esattamente ciò che un sistema personalizzato dovrebbe già conoscere – ogni volta che si attiva.

Usi il termine “Crafters” per descrivere professionisti aziendali esperti di dati che possono costruire sistemi AI personalizzati di valore senza essere sviluppatori software tradizionali. Quali caratteristiche distinguono un Crafter e come possono i leader identificare queste persone all’interno della loro forza lavoro attuale?

Un Crafter è qualcuno nato con l’impulso di risolvere problemi con gli strumenti. Aproximativamente uno su 16 lavoratori della conoscenza lo possiede, secondo la mia esperienza. Sono stati gli utenti esperti di Excel, poi la generazione Power BI, poi le persone che l’IT definiva “shadow IT”. Sono i tuoi analisti, i modellatori finanziari, i responsabili operativi – persone che sono cresciute nell’azienda e hanno scoperto una predisposizione per gli strumenti.

Due caratteristiche li rendono ideali per il lavoro sull’AI. Prima, il pensiero sistemico: scompongono istintivamente un processo caotico in input, regole e output, proprio come i professionisti sviluppatori software. Seconda, la radicazione nel business: sanno quali numeri il CFO osserva realmente e cosa la persona che pone una domanda sta davvero chiedendo. Nessuno dei due può essere insegnato in un bootcamp.

Come trovarli: segui i fogli di calcolo. Attualmente nella tua azienda ci sono fogli di calcolo, dashboard e automazioni al centro dei flussi di lavoro critici. Nessuno di essi è stato costruito dall’IT, e ognuno ha un autore. Parti da lì. E poi inizia a valutare come potrebbero indirizzare i loro talenti verso soluzioni AI personalizzate.

Perché credi che i Crafters, più che i soli sviluppatori, siano i più adatti a guidare molti progetti AI interni, e come dovrebbero essere suddivise le responsabilità tra esperti di business, team dati, ingegneri software, dipartimenti IT e team di sicurezza?

Perché la parte difficile dell’AI personalizzata non è il codice – è il contesto. L’attività a più alto leverage in un progetto AI è decidere cosa il sistema deve sapere del tuo business, e i Crafters possiedono quella conoscenza in modo nativo. Un brillante ingegnere che arriva da tre livelli gerarchici più in alto deve condurre mesi di interviste per apprendere ciò che il tuo responsabile operativo già conosce per riflesso.

Ma questo non è affatto un racconto in cui gli sviluppatori sono obsoleti. La divisione del lavoro che raccomando ha tre fattori, e nessuno di essi è l’anzianità o la personalità: il lavoro tende verso gli sviluppatori professionisti man mano che aumentano riusabilità, complessità e sensibilità. Qualsiasi cosa a contatto con il cliente, che tocchi dati sensibili, o che prenda decisioni autonome – è territorio degli sviluppatori, e man mano che gli agenti si moltiplicano, quelle competenze ingegneristiche scarse diventano più preziose, non meno. Il lavoro tende verso i Crafters dove prevale la sfumatura dei processi aziendali.

C’è anche una via di mezzo sottovalutata: il Crafter costruisce, lo sviluppatore verifica. IT e sicurezza non dovrebbero essere guardiani che approvano i progetti – dovrebbero possedere la strada già pronta. Fornire le piattaforme autorizzate, le regole di accesso ai dati, i punti di controllo, e lasciare che le persone più vicine ai problemi si occupino della costruzione. Considera il tutto come un modello di maturità, non come una recinzione.

L’AI personalizzata ha bisogno di accedere a terminologia, metriche, processi e conoscenza istituzionale specifici dell’azienda. Quale ruolo hanno i modelli semantici e l’infrastruttura di business intelligence esistente nel fornire all’AI una comprensione accurata di un’azienda?

Sono il cerchio decodificatore. Attualmente le definizioni della tua azienda – cosa conta come cliente attivo, quali costi rientrano nel margine lordo – vivono nella testa delle persone e in migliaia di fogli di calcolo leggermente incoerenti. Un agente AI non può ragionare in modo affidabile sui tuoi dati finché quelle definizioni non sono trascritte in una forma di cui una macchina possa fidarsi. L’industria ha iniziato a chiamare questa disciplina “context engineering”, e la tradurrei così: è il lavoro di strutturare ciò che il tuo business conosce affinché un’AI possa effettivamente usarlo. Gli analisti lo hanno fatto sembrare nuovo. I professionisti della BI lo fanno da quindici anni.

Ecco la buona notizia nascosta in bella vista: se hai investito nell’era della BI (e in particolare se hai investito in Power BI), potresti già avere un vantaggio iniziale. Un modello semantico ben costruito è esattamente la cattura leggibile da macchina del significato aziendale di cui gli agenti hanno bisogno. Le aziende che hanno trattato il loro strato semantico come un ripensamento stanno scoprendo che il lavoro “noioso” di definizione che hanno saltato è ora il casello a pagamento sulla strada verso l’AI. E, cosa cruciale, questo lavoro è profondamente specifico per il tuo business – ed è proprio per questo il vantaggio durevole. Ogni fornitore può venderti lo stesso modello. Nessuno può venderti le tue stesse definizioni.

Hai creato un editor AI personalizzato, chiamato Eddie, per aiutare a sviluppare Fair Game. Cosa faceva realmente il sistema durante il processo di scrittura e cosa ti hanno insegnato i suoi successi e fallimenti sul progettare l’AI attorno a un flusso di lavoro altamente personale?

Per essere chiari, ho scritto ogni paragrafo del libro da zero, mentre Eddie si limitava a stare lì ad attendere. A volte trascorrevo ore a elaborare un’intera sezione di un capitolo prima di chiedere a “lui” di leggerla. Altre volte lo coinvolgevo ogni pochi minuti. Ma, cosa fondamentale, Eddie era disponibile 24/7. Potevo ottenere feedback con la stessa facilità alle tre del mattino o all’una del pomeriggio, e lui li forniva in un minuto o meno. In totale, sospetto che Eddie abbia letto il manoscritto almeno trenta volte. Nessun essere umano avrebbe potuto svolgere questo lavoro, perché nessuno vorrebbe farlo.

Ha tenuto traccia delle promesse che ho fatto nel Capitolo Tre e mi ha rimproverato quando il Capitolo Dodici le dimenticava. Ha appreso il mio stile di scrittura e poi lo ha imposto – mantenendomi fedele alla migliore versione della mia stessa voce invece di lasciarmi scivolare in modalità Autore di Business Senza Umorismo. Mi ha detto quando ero pigro e quando stavo battendo un cavallo morto. Abbiamo avuto veri disaccordi, e a volte ha vinto.

La più grande lezione di design: il “cervello” di Eddie è scritto in inglese e vive in una cartella. Ogni volta che forniva un feedback errato – troppo generico, registro sbagliato, dimenticando una regola che avevo già indicato – la soluzione era scrivere la correzione e renderla parte del suo contesto permanente. I fallimenti non erano fallimenti dell’AI; erano lacune in ciò che mi ero preso la briga di insegnargli. quel ciclo – notare l’errore, codificare la lezione, osservare che rimane – è l’intera arte dell’AI personalizzata in miniatura. Ed è il motivo per cui ho finito per costruire Eddie specializzati per pubblicità, ricerca competitiva e messaggi del sito web. Stesso LLM sotto, ma specialisti diversi.

Molte organizzazioni credono di dover pulire e centralizzare completamente i dati prima di tentare un’AI personalizzata. Quanto è realmente necessario in termini di prontezza dei dati per iniziare, e come possono le aziende cominciare a generare valore senza attendere una base perfetta?

La perfezione dei dati non è un prerequisito, e questa è una buona notizia perché la perfezione non arriva mai. Se ti proponi di costruire prima un patrimonio dati perfetto, come consiglierebbero molte società di consulenza, costruirai quello che chiamo “impianto idraulico per il gusto di farlo” – tubi costosi ovunque, ma quando finalmente installi un rubinetto scopri che non c’è alcun tubo dove ti serve.

La nostra azienda invece promuove un approccio “rubinetti prima”. Scegli un caso d’uso specifico e lavora a ritroso dall’impatto di business anziché in avanti dall’infrastruttura. Costruisci un MVP da quel caso d’uso, con il minimo di nuova infrastruttura. Itera sull’MVP finché non è pronto per la produzione, poi fai un passo indietro e valuta come potresti rafforzare l’infrastruttura per supportarlo. Questo genera impatto di business più rapidamente, minimizza i costi e informa i progetti futuri – sia a livello di rubinetto che di impianto.

Un prototipo di AI personalizzata può apparire impressionante durante una dimostrazione ma diventare inaffidabile quando è esposto a dipendenti reali, dati in evoluzione e casi limite. Quali valutazioni, monitoraggi e supervisione umana dovrebbero essere stabiliti prima che un sistema AI interno diventi operativo?

Con poche eccezioni notevoli, penso che le demo siano meno utili nell’era dell’AI rispetto a quanto fossero nell’era del software. Le demo software hanno sempre promesso troppo e tutti lo sapevamo. Ma le demo AI saranno ancora più distanti dalla tua realtà.

L’AI riguarda i flussi di lavoro. E non c’è nulla di più personalizzato delle migliaia di workflow che alimentano le operazioni di una specifica organizzazione. Torna alla metafora del “nuovo assunto con un dottorato in tutto”. Quanta formazione – e esperienza pratica nella tua azienda – richiede un nuovo assunto prima di essere efficace? Come può una demo tenere conto di tutto ciò?

Quindi usiamo le demo per far pensare le persone. Per mostrare loro l’arte del possibile. Non per vendere loro un prodotto. La vera demo inizia con il prototipo della soluzione personalizzata. L’MVP. E poi iteriamo e miglioriamo. Rapidamente.

A un certo punto è pronto per un lancio soft o un programma pilota. E di nuovo, impariamo – insieme – e miglioriamo rapidamente sulla base di quell’apprendimento. Questa è spesso la fase in cui monitoraggio, valutazione e supervisione diventano molto rilevanti. Le cose di cui avrai bisogno spesso differiscono molto da quelle che avresti immaginato all’inizio.

Come possono le aziende dare potere ai Crafters di sperimentare senza creare una nuova generazione di sistemi AI shadow, workflow duplicati, vulnerabilità di sicurezza e strumenti di cui nessuno è responsabile della manutenzione?

Ricorda da dove è nato lo shadow IT: non era malizia, ma la necessità di soddisfare una domanda insoddisfatta. I Crafters costruiscono perché i problemi li infastidiscono – è il loro gene. Se il percorso autorizzato richiede un anno di attesa, lo shadow AI colmerà il divario – e lo farà sotto il radar, dove è più pericoloso.

Quindi rendi la corsia autorizzata la più facile. Fornisci ai Crafters una piattaforma approvata con le barriere di sicurezza già integrate – identità, accesso ai dati, logging – così la scelta conforme è anche quella conveniente. Mantieni un registro leggero: qualsiasi cosa che passi da esperimento personale a qualcosa di cui dipende una seconda persona deve essere annotata, con un proprietario nominato. Questa singola regola elimina la maggior parte del problema degli strumenti orfani, perché gli strumenti con un nome associato non vengono abbandonati silenziosamente.

Poi applica il modello di escalation: gli esperimenti sono liberi, ma quando qualcosa diventa mission‑critical – più utenti, più sensibilità, più autonomia – guadagna progressivamente più revisioni ingegneristiche. Il Crafter mantiene la proprietà della logica di business; un sviluppatore rafforza ciò che necessita di rafforzamento. L’obiettivo è una pipeline di maturità, non un processo di permesso. Le aziende hanno già vissuto questo film con i fogli di calcolo, e i vincitori non sono stati quelli che hanno vietato Excel.

Per un’azienda che avvia la sua prima iniziativa di AI personalizzata, come dovrebbe selezionare il caso d’uso iniziale, misurare se il progetto sta fornendo valore di business significativo e decidere se espanderlo, ridisegnarlo o abbandonarlo?

Abbiamo due tipologie di punto di partenza che usiamo con i nostri clienti.

Opzione uno, cerca i compiti che nessuno sta facendo – non i compiti che vorresti eliminare. C’è una domanda che adoro fare ai manager: dove avete pensato, “se avessi una persona che osserva costantemente questo e ci pensa, le cose migliorerebbero in modo significativo – ma non potrei mai giustificare un’intera assunzione per questo”? Quelli sono spesso i tuoi migliori punti di partenza. Sono sicuri, costruiscono fiducia, nessuno si sente bersaglio, e il controfattuale è onesto: l’alternativa non era un umano che lo facesse bene, era nessuno che lo facesse affatto (come il mio amico editor Eddie).

Opzione due, valuta la sostituzione dei dashboard con agenti dati. Per quanto sembrassero semplici, i dashboard si sono rivelati molto carenti nella pratica nel mantenere la loro promessa. Quando qualcuno ha una domanda di business, è molto lavoro tradurre quella domanda nel panorama dei dashboard. Dove si trova il dashboard che risponde a questa domanda? Come si chiama? Esiste davvero quel dashboard? E se riesci a trovare quello “giusto”, è chiaro e comodo da usare? Devi manipolarlo ripetutamente, annotando o facendo screenshot di più versioni per assemblare il quadro complessivo di cui hai bisogno?

Nell’era dell’AI, prendi semplicemente la tua domanda di business – con parole tue – e la digiti (o la detti!) a un agente dati che gestisce tutto per te, restituendo una risposta certificata e ben documentata – visualizzazioni incluse – in un minuto o due. Quando hai una domanda di follow‑up, è felice di rispondere rapidamente, anche durante la riunione mentre le decisioni possono ancora essere prese.

Il filo conduttore di entrambe le opzioni di avvio? Entrambe affrontano punti dolenti che i dipendenti accoglieranno piuttosto che respingere. Non vuoi che le tue prime iniziative AI generino sfiducia. Vuoi che, invece, portino i dipendenti al tavolo. Vuoi che i dipendenti propongano miglioramenti e nuove idee di progetto. Perché, ancora una volta, la tua azienda è composta da migliaia di workflow, e i tuoi dipendenti li conoscono meglio di te.

Sull’espansione, ridisegno o abbandono – sii gentile con te stesso, perché la ricerca su questo è davvero rassicurante: la maggior parte delle implementazioni AI di successo ha avuto fallimenti prima di arrivare al risultato. Un primo progetto che produce una lezione invece di un ritorno è una formazione, non una prova che l’AI non funzioni. La mia regola empirica: se le persone lo usano, espandilo. Se le persone non lo usano, devi capire perché, e le risposte possono variare da “perché non funziona bene” a “perché non lo capisco” fino a “mi spaventa”. La risposta informa se migliorare, ridisegnare o abbandonare. Non devi prevedere dove tutto questo porterà. Devi solo iniziare da un punto onesto.

Grazie per la splendida intervista, i lettori dovrebbero anche leggere Fair Game: Customizing AI to Your Business Is Easier Than You Think.