Victor Coimbra, CTO e managing partner di Artefact – Serie di interviste

Victor Coimbra è CTO e managing partner di Artefact, dove dirige le attività di IA, data science e ingegneria in tutte le Americhe. La sua carriera unisce l’esperienza nella strategia aziendale maturata in Bain e Accenture alla leadership operativa nello sviluppo di sistemi di IA e machine learning in contesti aziendali complessi. Si dedica ad aiutare le organizzazioni a collegare le capacità tecniche a risultati aziendali misurabili, anche attraverso l’architettura, la governance e i modelli operativi necessari per diffondere l’IA su larga scala.

Artefact è una società globale di consulenza in ambito dati e IA che aiuta le aziende a sviluppare strategie, realizzare piattaforme dati, implementare soluzioni di IA e gestire il cambiamento organizzativo. Opera in diversi settori, tra cui i servizi finanziari, la sanità, il manifatturiero e il commercio al dettaglio. In vista dell’Adopt AI Summit, in programma il 3–4 dicembre 2026 al Grand Palais di Parigi, Coimbra spiega come le aziende possano andare oltre i progetti pilota, creare team che combinino persone e agenti IA e misurare il valore dell’IA in produzione.

La sua carriera l’ha portata dalla strategia aziendale in Accenture alla guida dei team di IA, data science e ingegneria di Artefact in tutte le Americhe. In che modo questa combinazione di consulenza strategica e leadership tecnica operativa ha influenzato il suo approccio nell’aiutare le aziende a trasformare gli investimenti nell’IA in risultati aziendali misurabili?

Mi ha insegnato a collegare sempre la strategia per l’IA alla sua attuazione. L’esperienza nella strategia in Bain e Accenture mi ha mostrato che i dirigenti investono per ottenere un cambiamento in una voce del conto economico. L’ingegneria mi ha insegnato che gran parte di quel valore può andare persa nel passaggio dalle slide alla produzione.

Oggi l’IA riguarda meno la tecnologia e più la creazione di un vantaggio difendibile attorno alle attività fondamentali dell’azienda. La questione centrale è come trasformare la produttività individuale in valore per l’intera impresa, creando una vera capacità cognitiva condivisa in tutta l’azienda.

Per riuscirci servono sia strategia sia capacità di attuazione, e l’ho imparato facendo entrambe le cose.

Nonostante i notevoli investimenti nell’intelligenza artificiale, molte organizzazioni faticano ancora ad andare oltre i progetti pilota riusciti. In base alla sua esperienza, quali sono gli ostacoli più comuni che impediscono alle iniziative aziendali di IA di arrivare in produzione e cosa distingue le aziende che riescono a estendere con successo le proprie implementazioni?

In base alla mia esperienza, molti progetti pilota si arenano perché l’IA viene introdotta in organizzazioni progettate esclusivamente per le persone. Di solito la tecnologia funziona. Spesso resta però da definire la ripartizione del lavoro: quali attività spettano agli agenti, quali restano alle persone, chi effettua le verifiche e chi è responsabile del risultato.

A questo si aggiungono 3 esigenze che tendono a rallentare la diffusione su larga scala: i costi dei token, che aumentano vertiginosamente con la tariffazione basata sull’utilizzo; la sicurezza e la governance; e un’adozione che non riesce mai a trasformare l’accesso in un uso effettivo.

Le aziende che, a mio avviso, riescono a crescere bene trattano l’IA come una riprogettazione organizzativa. Suddividono il lavoro in 2 cicli. Nel ciclo interno, gli agenti eseguono le attività dall’inizio alla fine: scrivono il codice, compilano, testano, inviano e revisionano. Nel ciclo esterno, le persone definiscono l’obiettivo, verificano il risultato e monitorano costi e qualità. Poi realizzano un’unica piattaforma di base e la riutilizzano per ogni caso d’uso.

Ha scritto dell’importanza di creare un’organizzazione nativa per l’IA, anziché limitarsi ad aggiungere chatbot e copiloti ai sistemi esistenti. Quali cambiamenti fondamentali all’architettura tecnologica aziendale sono necessari per sostenere questa transizione e in quali ambiti le aziende stanno investendo troppo poco?

Un’azienda nativa per l’IA si basa su una piattaforma, composta da 4 livelli: orchestrazione, contesto, modello e infrastruttura. Il livello di orchestrazione è il punto d’incontro e di lavoro tra persone e agenti: l’intera applicazione che circonda il modello. Il contesto definisce ciò che gli agenti sanno e l’autorità di cui dispongono. Il livello del modello stabilisce come i modelli vengono resi accessibili, instradati e gestiti al giusto costo. L’infrastruttura è l’ambiente in cui vengono effettivamente eseguiti e determina chi ne detiene le chiavi.

È naturale che gran parte dell’attenzione si concentri sul 20% visibile: copiloti e strumenti di chat. L’80% nascosto è l’ambito in cui si svolge la maggior parte del lavoro di ingegneria e si determinano costi, sicurezza e controllo.

Il mio suggerimento è semplice: acquistare strumenti di orchestrazione generalisti e sviluppare quelli specifici per il settore. Utilizzare modelli e infrastrutture a noleggio e sperimentarli, perché cambiano ogni trimestre. E mantenere il pieno controllo del proprio contesto. È il livello che appartiene davvero all’azienda ed è quello in cui vedo le maggiori opportunità per investire di più.

Man mano che l’IA passa dall’assistere i dipendenti all’eseguire autonomamente flussi di lavoro complessi, come dovrebbero stabilire le organizzazioni quali processi si prestano all’automazione tramite agenti? Quali misure di sicurezza tecniche e operative devono essere predisposte prima di concedere agli agenti IA maggiore autorità decisionale?

A mio avviso, gli agenti sono molto bravi nelle attività rivolte al passato, mentre le persone eccellono in quelle orientate al futuro. Gli agenti sono particolarmente efficaci in tutto ciò che si basa su informazioni esistenti, come analisi, programmazione, test, documentazione e riconciliazione. Alle persone spettano le attività che richiedono creatività, che per definizione guarda avanti: gusto, visione, pianificazione, decisione e valutazione della qualità effettiva di un risultato.

In pratica, questo si traduce nei 2 cicli. Gli agenti gestiscono ed eseguono il ciclo interno. Le persone mantengono il controllo del ciclo esterno: definizione degli obiettivi, verifica e monitoraggio.

Le misure di protezione sono progettate, non affidate ai prompt. Utilizziamo 6 livelli di controllo: acquisizione delle attività, memoria, un ambiente di lavoro sicuro con runtime isolato e autorizzazioni, un ciclo con checkpoint e richieste di chiarimento, instradamento dei modelli e misure di sicurezza che definiscono ciò che un agente non può fare da solo, come le approvazioni umane, i controlli delle policy e i controlli sui dati personali identificativi (PII). L’autonomia cresce poi in base ai risultati ottenuti, proprio come accade con un nuovo assunto.

Hai descritto gli agenti di IA come colleghi, anziché come tradizionali strumenti software. In che modo questa prospettiva cambia il modo in cui le organizzazioni dovrebbero strutturare i team, assegnare le responsabilità e formare i dipendenti a collaborare con sistemi di IA sempre più autonomi?

Le organizzazioni ibride sono già una realtà. La questione che ritengo più importante oggi è come distribuire la forza lavoro tra persone e agenti. Credo che sia la chiave per crescere su larga scala.

In un team ibrido, l’organigramma distribuisce la capacità cognitiva, non il numero di dipendenti. In un team tecnologico maturo, una ripartizione tipica che riscontro è il 15% di attività svolte solo da persone, il 25% di attività potenziate dall’IA e il 60% di attività svolte dagli agenti. Il responsabile IT definisce gli obiettivi, assegna la capacità e si assume la responsabilità dei risultati e dei costi. Uno sviluppatore senior verifica il lavoro degli agenti e decide l’architettura. Un agente orchestratore assegna le attività e comunica i costi, mentre un agente revisore controlla ogni risultato.

I vantaggi si moltiplicano in 3 fasi. I dipendenti potenziati dall’IA producono circa 5 volte tanto. Gli agenti, come dipendenti sintetici che svolgono attività dall’inizio alla fine, producono circa 10 volte tanto. Credo che il potenziale di una crescita di 1000 volte risieda nel coordinare gli uni e gli altri come un’unica forza lavoro.

La formazione segue la stessa logica. Le persone imparano a dare istruzioni a un agente come farebbero con un ingegnere junior, fornendogli un contesto strutturato e obiettivi chiari, e a dedicare il proprio tempo al gusto, alla pianificazione e alle decisioni.

I sistemi di IA aziendali dipendono in larga misura da infrastrutture dati affidabili, eppure molte organizzazioni continuano ad avere difficoltà a gestire dati frammentati, governance incoerente e tecnologie obsolete. Quali capacità fondamentali dovrebbero privilegiare le aziende per preparare le proprie piattaforme dati all’IA agentica, e come possono modernizzarle senza interrompere le attività esistenti?

Progettate la vostra piattaforma dati pensando a un nuovo tipo di utente: gli agenti. Se un cruscotto mostra un dato errato, una persona lo mette in dubbio. Se invece è un agente a ricevere un dato errato, agirà di conseguenza, su larga scala.

Date priorità a 4 capacità. Definizioni aziendali condivise, affinché tutti gli agenti e i team intendano la stessa cosa con «cliente attivo». Un gateway di integrazione con autenticazione e protocolli standard come MCP, così che gli agenti accedano ai dati con le autorizzazioni del ruolo per conto del quale operano. Qualità e provenienza dei dati monitorabili. E dati non strutturati trattati come risorse di prim’ordine, perché la maggior parte delle conoscenze reali si trova nei contratti, nei ticket e nelle note delle riunioni.

Per modernizzare senza interruzioni, iniziate integrando i sistemi legacy senza sostituirli e migrate un caso d’uso alla volta. Anche gli agenti stanno cambiando l’economia di questo processo. Le pipeline di migrazione multiagente modernizzano oggi centinaia di migliaia di righe di codice legacy in pochi mesi, mentre le persone decidono l’architettura.

Oltre ad accedere ai dati strutturati, gli agenti di IA devono sempre più comprendere il patrimonio di conoscenze aziendali, i processi di business e il contesto organizzativo. Come possono le imprese acquisire e integrare efficacemente queste conoscenze nei propri sistemi di IA, e quali rischi si presentano quando gli agenti operano senza un contesto aziendale sufficiente?

È il contesto a trasformare un modello in un collega. Gli strumenti comprendono le attività, gli agenti comprendono il contesto. Non chiedereste a un ingegnere junior di lavorare senza spiegargli l’obiettivo, i vincoli e che cosa si intende per un buon risultato; lo stesso vale per un agente.

Acquisite le conoscenze direttamente dal lavoro, invece di affidarvi a grandi progetti di documentazione, difficili da mantenere aggiornati. Ogni riunione, ticket, decisione e correzione alimenta un livello di contesto che combina file, tabelle, vettori e un grafo di relazioni. Ogni attività completata aggiorna la memoria, così che l’organizzazione impari a ogni risultato. Anche il contesto deve avere una propria governance: valutazioni, autorizzazioni e controllo dei costi.

Senza contesto, gli agenti tendono a incontrare alcune difficoltà prevedibili. Seguono la regola scritta, ma non colgono quella non scritta che tutti conoscono. Recuperano informazioni sbagliate e rispondono con assoluta sicurezza. Lavorano sulla base dei dati del trimestre precedente. Inoltre, un livello di contesto privo di autorizzazioni rigorose può mettere a rischio i dati sensibili.

Molte aziende misurano il successo dell’IA in base ai miglioramenti della produttività, ai tassi di adozione o al numero di progetti pilota avviati. Quali metriche dovrebbero utilizzare i CIO e i responsabili aziendali per valutare il reale ritorno sull’investimento dell’IA, tenendo conto in particolare dei costi infrastrutturali, della manutenzione continuativa e della complessità operativa degli agenti autonomi?

Misurate la forza lavoro ibrida, non lo strumento. L’adozione è solo il primo di 4 livelli e va sempre misurata rispetto a una situazione di riferimento rilevata prima dell’introduzione. L’adozione indica se le persone lo utilizzano. La produttività indica se lavoriamo più velocemente: tempi di consegna, volume di lavoro e tempi di risoluzione. La qualità indica se il risultato è migliore: difetti sfuggiti ai controlli, tasso di fallimento delle modifiche e rilavorazioni. Valore e costi indicano se ne vale la pena: capacità liberata, tempo di commercializzazione e costo totale per attività.

Una metrica che è facile trascurare riguarda il modo in cui la capacità cognitiva si sposta tra persone e agenti, da un team all’altro. La capacità umana liberata deve essere reindirizzata intenzionalmente verso attività orientate al futuro. Altrimenti, una parte dei vantaggi va perduta.

Sul fronte dei costi, si sta passando da tariffe fisse a modelli basati sull’utilizzo, che possono rendere le fatture più difficili da prevedere; per questo, l’instradamento dei modelli e il FinOps devono far parte della piattaforma fin dal primo giorno. Le spese per l’IA vanno gestite come quelle per il cloud: devono essere visibili, attribuite a un team e collegate al valore generato.

Artefact collabora con aziende di grandi dimensioni nei servizi finanziari, nella sanità, nel settore manifatturiero, nel commercio al dettaglio e in altri comparti, dove l’adozione dell’IA presenta sfide diverse. Quali insegnamenti stanno emergendo dalle implementazioni sul campo in questi settori e come dovrebbero le organizzazioni conciliare innovazione, conformità normativa, affidabilità e supervisione umana?

Tutti i settori si trovano ad affrontare la stessa domanda: come ripartire il lavoro tra persone e agenti. A cambiare è quanta parte del ciclo esterno debba restare sotto il controllo umano. Nel commercio al dettaglio e nei beni di consumo, gli errori costano poco, quindi gli agenti possono assumersi una quota maggiore del lavoro e farlo più rapidamente. Nel settore manifatturiero, sono l’affidabilità e l’integrazione con i sistemi operativi a determinare il ritmo. Nei servizi finanziari e nella sanità, ogni decisione deve poter essere spiegata; perciò, le persone continuano a occuparsi di una parte maggiore delle verifiche e delle decisioni, e più a lungo.

La lezione che vedo ripetersi ovunque è che la conformità funziona meglio quando è una caratteristica della piattaforma, integrata fin dall’inizio. Se le protezioni, i registri di audit e le approvazioni umane sono incorporati nell’ambiente operativo, ogni nuovo caso d’uso li eredita. Se la conformità viene affrontata solo alla fine, ogni nuovo progetto deve riaprire la stessa discussione.

La supervisione dovrebbe essere articolata per livelli. Gli agenti agiscono autonomamente nelle attività a basso rischio, vengono sottoposti a verifica in caso di eccezioni per quelle a rischio medio e si limitano a preparare la decisione quando il rischio è elevato. I livelli cambiano man mano che cresce la fiducia.

Con l’Adopt AI Summit di Artefact in programma a Parigi questo dicembre, i temi della sovranità sull’IA, della governance e della competitività industriale stanno assumendo un’importanza crescente. In che modo, secondo lei, l’approccio europeo all’adozione dell’IA influenzerà le strategie globali delle imprese e quali sviluppi ritiene che definiranno la prossima fase dell’IA aziendale nei prossimi anni?

L’Europa è stata tra le prime a porsi la questione della sovranità, e credo che questo principio stia diventando un riferimento globale nella progettazione. Le multinazionali non vogliono un’architettura diversa per ogni normativa, quindi progettano tenendo conto dei requisiti più rigorosi: mantenere il controllo del proprio contesto, noleggiare i modelli e decidere dove vengono eseguiti e chi ne detiene le chiavi. La prossima opportunità per l’Europa è dedicare la stessa energia all’adozione, perché la competitività dipenderà dall’utilizzo su larga scala.

La prossima fase sarà quella dell’organizzazione ibrida, che considero il futuro del lavoro. Le aziende passeranno dal contare il numero di dipendenti a gestire una capacità cognitiva condivisa tra persone e agenti. Gli agenti si occuperanno della maggior parte del lavoro rivolto al passato: analisi, codice e rendicontazione. Le persone si dedicheranno invece al lavoro rivolto al futuro: gusto, visione, pianificazione e decisioni.

Credo che le aziende che per prime riusciranno a definire la ripartizione del lavoro saranno quelle all’avanguardia. È di questo che voglio parlare a Parigi, per contribuire a delineare i prossimi anni.

Grazie per la bella intervista. I lettori che desiderano saperne di più sull’adozione dell’IA nelle imprese, sui flussi di lavoro basati su agenti e sulla trasformazione dei dati possono visitare Artefact.