L’IA aziendale ha bisogno di un contesto cumulativo prima di poter conquistare l’autonomia

Immaginate che sia lunedì mattina, poche ore prima della riunione trimestrale sulle previsioni. Un responsabile finanziario chiede a un agente IA: «Perché il margine lordo è diminuito? Quali ipotesi vanno modificate? E cosa dovrebbe fare l’azienda?». Nel giro di pochi secondi, l’agente recupera informazioni da più sistemi, individua alcuni fattori determinanti e consiglia di ridurre le spese discrezionali o di rivedere il piano di assunzioni. La risposta è chiara, dettagliata e plausibile. Nulla fa pensare che sia palesemente sbagliata.

Ed è proprio questo a renderla così pericolosa. 

Esaminando la situazione più da vicino, emergono diverse informazioni mancanti. L’agente ha usato la versione sbagliata delle previsioni. Non ha considerato una rettifica contabile approvata nel trimestre precedente. Non ha tenuto conto del fatto che in una regione valgono regole aziendali diverse. I dati sottostanti non erano necessariamente sbagliati; semplicemente, l’agente non sapeva come l’organizzazione li interpretasse né come i vari elementi fossero collegati. Il problema non riguarda il modello, e non è qualcosa che si possa risolvere facilmente sostituendolo con un altro. Il problema è che il modello non conosce questa azienda. 

Gran parte dello sviluppo dell’IA aziendale si è concentrata sulle capacità dei modelli e sull’autonomia degli agenti. Ma un modello non può arrivare a una conclusione affidabile e specifica per un’azienda se non capisce come l’organizzazione definisce i propri numeri e li collega al modo in cui opera. 

Quello che manca è un livello di contesto aziendale cumulativo: una comprensione regolamentata del significato dei dati aziendali, che ne comprenda definizioni, relazioni, ipotesi, calcoli, flussi di lavoro, eccezioni e decisioni che si accumulano nel tempo.

Questo contesto si sviluppa attraverso la pianificazione, le previsioni, la modellizzazione di scenari, l’analisi degli scostamenti, le rettifiche, i feedback, le attività di chiusura e le decisioni approvate. Senza di esso, le organizzazioni rischiano di affidare più responsabilità all’IA senza fornirle una comprensione sufficiente dell’azienda per poterle gestire in modo affidabile. 

Le capacità dell’IA superano la preparazione delle aziende

Secondo lo Stanford AI Index 2026, l’88% delle organizzazioni intervistate ha utilizzato l’IA nel 2025, ma la diffusione degli agenti è rimasta a una cifra percentuale in quasi tutte le funzioni aziendali. 

Queste statistiche dimostrano che le aziende hanno accesso alle capacità dell’IA, ma molte non sono pronte ad affidarle attività dalle conseguenze rilevanti. I responsabili sanno di dover sviluppare soluzioni con l’IA, ma devono ancora capire se stanno affrontando il problema al livello giusto.

Un modello può leggere i dati senza capire l’azienda

I modelli fondazionali sono efficaci nel riconoscere schemi, sintetizzare informazioni, interagire in linguaggio naturale ed esplorare grandi insiemi di dati. Si tratta di progressi significativi, ma il modello in sé sta diventando un fattore sempre meno distintivo. 

La sfida più difficile per le aziende è insegnare all’IA cosa significano le informazioni aziendali e, soprattutto, come vengono utilizzate nei processi decisionali e di analisi.

Gran parte del dibattito sulla governance dell’IA si è concentrato sulla qualità dei dati. Sebbene sia un passaggio necessario, non basta per estendere l’IA a un’adozione aziendale su vasta scala. Due insiemi di dati puliti possono comunque basarsi su definizioni, periodi di riferimento e regole aziendali diversi. 

Lo studio CEO di IBM del 2025 ha rilevato che il 25% delle iniziative di IA ha generato il ritorno sugli investimenti previsto e che solo il 16% è stato esteso a tutta l’azienda. Questo andamento è coerente con una sfida di implementazione più ampia: avere accesso ai modelli e ai dati non garantisce che un sistema di IA sappia conciliare le regole organizzative che determinano come utilizzare le informazioni.

È facile procurarsi modelli più capaci. La comprensione specifica dell’azienda, invece, va costruita. 

Il contesto recuperato al momento della richiesta non è un contesto cumulativo

Gran parte di ciò che viene definito contesto nell’IA aziendale viene ancora fornito tramite recupero di informazioni al momento della richiesta. Il sistema individua un documento, un record o un dato pertinente e lo usa per generare una risposta, per poi ricominciare da capo alla richiesta successiva. 

Il recupero delle informazioni è utile, ma da solo non crea una memoria organizzativa cumulativa. Conserva ben poco per le interazioni successive, perciò l’IA può trovarsi di fronte all’azienda come un’estranea a ogni nuova interazione.

È come accogliere ogni mattina un nuovo analista brillante. L’analista capisce di finanza e sa come interrogare un insieme di dati, ma deve comunque imparare come questa specifica azienda definisce i propri indicatori, quale previsione fa fede, perché è stata approvata un’eccezione e quali ipotesi si rivelano ripetutamente sbagliate.

Il contesto cumulativo ha una funzione diversa. Invece di azzerarsi a ogni richiesta o ciclo di pianificazione, si arricchisce nel tempo. Ogni indagine, scenario, rettifica, approvazione e decisione può contribuire a una comprensione regolamentata del funzionamento dell’organizzazione. Ciò consente ai cicli successivi di basarsi su quanto stabilito nei precedenti, anziché riscoprire a ogni richiesta le stesse relazioni, logiche e modalità operative. 

Questo non significa conservare tutto a tempo indeterminato. Il contesto aziendale utile deve essere definito con precisione, poter essere corretto, tenere conto delle autorizzazioni ed essere riconducibile alla propria fonte. Le organizzazioni devono preservare ciò che conta, assicurandosi al contempo che presupposti obsoleti, eccezioni temporanee e interpretazioni errate possano essere individuati e modificati nel tempo.

La fiducia dipende da ciò che sta sotto il modello

Il modello è la parte più visibile di un sistema di IA, ma raramente è quella che determina se un’azienda può fidarsi del risultato. 

Un modello efficace può analizzare una discrepanza, esaminare possibili spiegazioni e consigliare un’azione. La possibilità per un’azienda di fare affidamento su tale raccomandazione dipende dall’architettura che circonda il modello. 

Gartner ha rilevato che le organizzazioni che dichiarano di aver ottenuto risultati positivi dalle iniziative di IA investono fino a quattro volte di più, in percentuale sul fatturato, in elementi fondamentali come la qualità dei dati, la governance, le competenze pronte per l’IA e la gestione del cambiamento rispetto alle organizzazioni che ottengono risultati insoddisfacenti.

Il livello di contesto governato è parte di queste fondamenta e si colloca tra i sistemi di origine, i modelli e le azioni aziendali. 

È anche qui che intelligenza e determinismo devono divergere. L’IA può analizzare, redigere bozze e formulare raccomandazioni. Una volta che un’azione è stata esaminata e approvata, la sua esecuzione dovrebbe passare attraverso calcoli governati, verifiche delle autorizzazioni, controlli di scrittura nei sistemi e registri di audit. La flessibilità che rende un modello utile per l’esplorazione non è sempre appropriata quando si attua una modifica aziendale.

Un modello può raccomandare cosa fare. È l’architettura circostante, comprese l’approvazione umana e i controlli di sistema, a determinare cosa è consentito fare.

I vincoli che rendono utili gli agenti

La diffusione degli agenti procede più rapidamente dei controlli che dovrebbero accompagnarla. KPMG ha rilevato che la quota di organizzazioni che impiegano almeno alcuni agenti di IA è passata dall’11% nel primo trimestre del 2025 al 42% nel terzo trimestre. Gartner ha tuttavia riferito che solo il 13% delle organizzazioni era pienamente d’accordo sul fatto di disporre di strutture adeguate per la governance degli agenti.

Questa lacuna è importante perché capacità e autorità sono decisioni progettuali distinte. Un sistema può essere tecnicamente in grado di accedere a un database, rivedere una previsione o attivare un flusso di lavoro. Ciò non significa che debba essere autorizzato a farlo in autonomia. 

Prima di delegare attività significative, le organizzazioni dovrebbero applicare tre vincoli.

• Definire un significato condiviso

Prima che un agente possa ragionare in modo coerente su definizioni, metriche, gerarchie, calendari fiscali e regole di calcolo, questi elementi devono essere armonizzati. 

Non ci si dovrebbe aspettare che l’IA risolva tacitamente divergenze che l’organizzazione stessa non ha affrontato. In assenza di un significato condiviso, potrebbe trattare definizioni contrastanti come intercambiabili e produrre una risposta coerente, ma operativamente errata.

• Decidere cosa conservare

Le organizzazioni devono stabilire quali correzioni, approvazioni, decisioni e risultati diventeranno contesto riutilizzabile. Devono inoltre definire politiche per la conservazione, l’accesso e la correzione. 

La memoria utile è selezionata e governata, non accumulata indiscriminatamente. In caso contrario, un presupposto obsoleto o un’eccezione isolata può modificare inavvertitamente le raccomandazioni future.

• Separare la raccomandazione dall’impegno operativo

L’analisi, una raccomandazione, una modifica proposta, l’esecuzione approvata da una persona e l’esecuzione autonoma entro limiti definiti rappresentano diversi livelli di autorità. Gli agenti dovrebbero disporre di identità e autorizzazioni adeguate a ciascun livello.

La valutazione deve inoltre coprire l’intera sequenza di azioni: quali informazioni sono state recuperate, quale contesto è stato utilizzato, quali strumenti sono stati richiamati, cosa è cambiato e se tale cambiamento può essere annullato. 

Verificare soltanto la risposta finale non permette di rilevare la maggior parte dei possibili malfunzionamenti di un flusso di lavoro basato su agenti.

La capacità descrive ciò che un agente può fare; la governance definisce ciò che gli è consentito fare.

L’autonomia richiede più della capacità

Nello scenario iniziale sui margini, la velocità è utile solo se il sistema sa anche quale previsione è quella ufficiale, quale eccezione è stata approvata, quale azione può intraprendere e chi resta responsabile. 

Credo che l’IA aziendale potrà conquistare la fiducia solo quando conserverà il contesto giusto e sarà in grado di mostrare come è giunta a un risultato dalle conseguenze rilevanti. 

Le organizzazioni dovrebbero costruire questo livello di contesto e controllo prima di ampliare l’autonomia degli agenti. Le attività cambieranno, ma la responsabilità no.