Usare l’IA vs. Costruirci intorno: dove si traccia la linea?

Usiamo il termine IA per descrivere ogni sorta di cose, dal parlare con ChatGPT in un browser al gestire intere aziende le cui operazioni cesserebbero semplicemente di esistere nella loro forma attuale senza modelli linguistici. Dov’è la linea tra l’utilizzo dell’automazione IA e l’IA al centro di un’impresa? In quale momento avviene uno spostamento fondamentale? E, soprattutto, le aziende dovrebbero persino cercare di mettere l’IA al centro della scena?

Quando un’azienda è nativa IA?

Oggi, anche se la direzione non ha mai annunciato una trasformazione IA, i dipendenti usano ancora Gemini per cercare informazioni, ChatGPT per scrivere un’email, Grok per preparare un rapporto, Claude per scrivere il loro codice, e così via. L’accesso agli strumenti LLM è diventato così diffuso che semplicemente usarli non dice più molto sull’azienda stessa.

Per me, c’è un test molto più semplice: cosa succede se si spegne l’IA?

Prendiamo un’azienda di software contabili. I suoi sviluppatori possono usare l’IA per scrivere funzionalità o mantenere il prodotto. Se domani si spegnessero quegli strumenti, gli ingegneri probabilmente lavorerebbero più lentamente. Ma il software esisterebbe ancora, i contabili lo userebbero ancora e i clienti continuerebbero a pagarlo. L’IA migliora il modo in cui l’azienda opera, ma l’attività stessa non dipende da essa.

Ora immaginate un call center bancario che una volta impiegava diecimila persone. La prima generazione di IA in quell’ambiente funzionava quasi come un suggeritore seduto accanto all’operatore: ascoltava la conversazione, comprendeva il problema e suggeriva una risposta. In molti casi, quel suggeritore è ora diventato l’agente stesso. Un cliente dice di essere stato addebitato l’importo errato; il sistema controlla i registri, esamina i dati pertinenti, identifica il problema e a volte lo risolve senza coinvolgere una persona. Un umano interviene solo quando il caso richiede un’escalation.

Questo è un rapporto molto diverso con la tecnologia. L’azienda di contabilità diventa meno efficiente senza IA. Il call center potrebbe dover ricostruire gran parte del suo modello operativo. Questa differenza è molto più vicina a ciò che intendo per nativo IA rispetto a quante sottoscrizioni IA ha un’azienda o se la parola “IA” appare nella sua homepage.

Dove è più visibile?

Alcune aziende hanno costruito il loro business aiutando altri a fare quella transizione. Cohere è un buon esempio: l’azienda canadese è cresciuta fino a diventare una grande realtà aiutando le imprese a passare dal software tradizionale e dai flussi di lavoro verso l’IA. In altri settori, però, l’IA è già così profondamente integrata nel prodotto che diventa quasi impossibile separarle.

La guida autonoma è probabilmente l’esempio più chiaro. Se a un’auto ci si aspetta che veda la strada, riconosca gli oggetti, comprenda ciò che accade intorno a sé e prenda decisioni autonomamente, allora non è possibile rimuovere l’IA senza eliminare l’idea di base del prodotto.

La medicina e l’industria farmaceutica fanno lo stesso punto in modo diverso, soprattutto nella scoperta di farmaci. Uno dei migliori esempi di ciò che ciò può significare su larga scala è il lavoro di DeepMind sulle strutture proteiche.

Il Protein Data Bank è stato creato nel 1971, e ci sono voluti decenni di lavoro da parte di scienziati di tutto il mondo per costruire una grande collezione di strutture determinate sperimentalmente. Il database ha superato 1,000 strutture nel 1993, 10,000 intorno al 2000 e 100,000 nel 2014. Entro gennaio 2023, aveva superato 200,000 strutture biomolecolari determinate sperimentalmente. In altre parole, dopo circa sei decenni di biologia strutturale, i ricercatori avevano accumulato circa duecentomila strutture determinate sperimentalmente.

Poi è arrivato AlphaFold, il sistema di DeepMind per prevedere la struttura tridimensionale di una proteina a partire dalla sua sequenza di amminoacidi. Nel 2022, AlphaFold ha reso disponibili più di 200 milioni di strutture proteiche previste, coprendo quasi tutte le proteine catalogate conosciute dalla scienza all’epoca. Ciò non significa che l’IA abbia “scoperto ogni proteina esistente”. Si tratta di strutture previste basate su sequenze di amminoacidi già note. Ma la differenza di scala è comunque enorme.

L’importanza di questo cambiamento è diventata ancora più chiara nel 2024, quando Demis Hassabis e John Jumper di Google DeepMind hanno ricevuto metà del Premio Nobel per la Chimica “per la previsione della struttura delle proteine”. L’altra metà è andata a David Baker per la progettazione computazionale di proteine. Ciò che solo pochi anni prima sembrava un notevole progresso dell’IA è rapidamente diventato riconosciuto come un avanzamento fondamentale nella biologia moderna.

DeepMind è l’esempio globale e di grande richiamo, ma le startup mediche AI‑first non sono più rare. Durante i miei anni in Keymakr, il nostro team ha lavorato su progetti che spaziavano dalla odontoiatria e dall’imaging ecografico alla cardiologia interventistica, in cui i modelli erano addestrati a rilevare valvole cardiache, l’aorta e altre strutture durante le procedure. Abbiamo anche lavorato su progetti di neurochirurgia in cui i modelli imparavano a distinguere tessuto cerebrale, vasi sanguigni, strumenti chirurgici e l’area operativa. In tutti questi casi, l’IA non era una funzionalità aggiuntiva al prodotto; era il prodotto stesso.

Da strutture proteiche a un’email a freddo

Lo stesso fenomeno si sta verificando in parti molto più ordinarie del business. Vendite e marketing sono probabilmente tra gli esempi più rapidi: lavori che prima richiedevano ore ora possono essere ripetuti centinaia o migliaia di volte con pochissimo sforzo aggiuntivo.

CRM, campagne, prospecting e ricerca di lead sono costruiti attorno ai modelli linguistici. Siamo già ben oltre il punto in cui si chiede a ChatGPT di scrivere un’email a freddo. Un sistema può analizzare il profilo LinkedIn di qualcuno, vedere cosa fa, a cosa tiene, e di cosa parla, per poi usare queste informazioni e scrivere qualcosa che sembra molto personale.

Una volta ho ricevuto un messaggio del tipo: “Michael, deve essere incredibile volare a 4.000 piedi e guardare fuori dal vetro…”. Faceva riferimento alle mie storie di aviazione sui social. La mia prima reazione è stata che qualcuno avesse effettivamente esaminato il mio profilo LinkedIn e l’avesse letto con attenzione. Ovviamente, nessuno lo aveva fatto. Il sistema aveva trovato le informazioni e generato automaticamente il contatto.

È qui che l’economia della personalizzazione inizia a cambiare. Una ricerca che una volta richiedeva molto tempo a una persona ora può essere supportata da strumenti che scandiscono informazioni pubbliche e identificano i dettagli rilevanti. Un essere umano può poi decidere cosa è davvero utile, appropriato e degno di essere incluso. 

Ho osservato lo stesso spostamento a Keymakr, anche se per noi l’obiettivo non è mai stato automatizzare il giudizio o le relazioni umane. Continuavo a incoraggiare le persone a guardare le parti ripetitive del loro lavoro quotidiano e a chiedersi dove gli agenti potessero far risparmiare tempo, garantire più coerenza o aiutarli a operare su scala più ampia. 

Presso Scryon, abbiamo iniziato con quella logica già integrata nell’azienda. Gran parte del lavoro di marketing è gestito da diversi agenti su articoli, blog, LinkedIn e sito web.

La parte interessante è che il loro più grande vantaggio spesso non è la scrittura. Immagina di aggiungere venti nuove pagine a un sito. Una persona che scrive un nuovo articolo probabilmente inserirà qualche link interno. Quasi nessuno tornerà a rivedere 80 o 800 contenuti più vecchi per verificare dove dovrebbero ora essere collegati i nuovi link. Un agente può farlo. In questo tipo di lavoro, l’agente non deve essere più intelligente di una persona. Semplicemente non si annoia, e la differenza tra 80 e 800 pagine è molto meno importante per lui rispetto a noi.

Ma è qui che l’automazione raggiunge i suoi limiti per me. Un buon PR non può semplicemente essere affidato a un agente e dimenticato. Lo stesso vale per un pezzo di opinione, dove il posizionamento, la comprensione del pubblico e la capacità di decidere cosa dire sono fondamentali.

Quindi, anche quando costruisci un sistema piuttosto complesso di agenti, hai ancora bisogno di una persona che lo gestisca. Qualcuno deve valutare l’output, decidere cosa è rilevante e impostare la direzione.

Puoi automatizzare un fondatore?

In una startup in fase iniziale, il fondatore è spesso tecnico, operativo ed esecutivo allo stesso tempo. Perciò il pensiero nasce naturalmente: se gli agenti possono togliere molto lavoro al team, perché non affidare loro anche parte del ruolo del fondatore?

Ho un agente separato collegato a Scryon Business che conosce molto l’azienda. Posso chiedergli qualcosa del tipo: “Vogliamo raggiungere 5.000 utenti il prossimo mese”. È realistico, o è solo un bel numero che ho inventato?

Può estrarre dati, analizzare il mercato, controllare i concorrenti e i sistemi collegati, e rispondere che 5.000 è probabilmente troppo e che anche 2.000 sarebbe aggressivo a questo stadio. Questo mi aiuta a testare il mio pensiero. Ma l’agente sta comunque dando consigli.

La decisione è ancora mia. Dopo tutti i dati e i calcoli, a volte devo ancora uscire, fare una passeggiata in un parco e decidere dove voglio portare l’azienda.

Per me, lo scarico reale inizia quando riesco a dare a qualcuno la proprietà, ad esempio: “Questo è tuo”, e ritorno un mese dopo per vedere che ha continuato a funzionare senza di me. Non vedo ciò accadere oggi con il ruolo di fondatore.

Lo stesso vale per i ruoli C-level. Il loro compito è fissare la direzione: tra sei mesi vogliamo entrare nel mercato automobilistico, o vogliamo che le persone del settore conoscano il brand. VP, capi e team lead poi traducono tutto in obiettivi specifici e lavoro.

Toolkit IA: costi personali e aziendali

Non credo davvero a un unico modello “migliore”. Mi interessa molto di più quale funzioni meglio per un compito specifico e quanto mi costi usarlo su larga scala. Spesso uso Codex per la programmazione e ruoto i modelli al suo interno, a seconda delle mie esigenze del momento. Potrei provare Claude per il design un giorno, e passare a ChatGPT per compiti più legati al linguaggio, ma queste scelte cambiano di mese in mese, a volte anche a metà di un progetto.

In definitiva, ognuno costruisce il proprio stack nel tempo, valutando quale modello sia ottimale per un obiettivo specifico. Se sei un fondatore tecnico che programma molto da solo, mi aspetto che tu spenda circa 1.000 $ al mese per il tuo stack. Ma conosco persone che spendono 10.000–15.000 $ al mese perché automatizzano in modo molto più aggressivo.

Una volta che l’IA diventa parte del core business, i numeri cambiano di nuovo. Con Scryon, mi sento a mio agio con l’idea che il 30–40% dei ricavi possa andare direttamente nell’infrastruttura e nei servizi su cui il prodotto gira, prima ancora di contare le persone che lo costruiscono.

Prima l’obiettivo di business, poi la tecnologia

Nella corsa all’automazione e all’etichetta “AI companies”, penso che la stessa domanda “che tipo di IA dovremmo implementare?” sia pericolosa. Parte dal lato sbagliato.

Recentemente ci siamo posti un obiettivo di business piuttosto standard: ridurre i costi. Per farlo, abbiamo creato un agente, gli abbiamo dato accesso alle informazioni su dove l’azienda stava spendendo denaro, inclusi Amazon, Google e altri servizi, e gli abbiamo chiesto di cercare regolarmente anomalie e segnalare eventuali irregolarità.

Nella prima settimana abbiamo ridotto i costi di circa il 30% perché il sistema ha mostrato rapidamente dove veniva speso denaro su cose che avevamo praticamente dimenticato. L’agente stesso può costare appena $50 al mese, ma i risparmi possono ammontare a decine di migliaia.

In Keymakr, l’IA ha principalmente rafforzato le persone e i processi individuali. In Scryon, è già integrata nell’architettura dell’azienda. Nella guida autonoma, senza di essa il prodotto scompare, e nella scoperta di farmaci cambia l’ambito di esplorazione.

Per me, la questione degli obiettivi sottostanti è un punto di partenza molto più sano rispetto al desiderio di diventare un’azienda AI-native. Prima, deve emergere un obiettivo di business: guadagnare di più, scalare più rapidamente, ridurre i costi, abilitare un nuovo prodotto o cambiare radicalmente un processo esistente. Solo allora ha senso chiedersi quale tecnologia vi porterà lì.