«Un agente AI lavora come Superman: non si stanca mai, è iperproduttivo, non si lamenta, lavora dalla mattina alla sera, non sciopera. Però mi costa come tre dipendenti e soprattutto è avulso dall’organizzazione: fa delle cose straordinarie e il resto della popolazione aziendale lo sta a guardare, ammirato». Paolo Costa prende in prestito l’immagine sentita dal CIO del Gruppo Prada (Cristiano Agostini) durante l’ultima AI Week per fotografare – meglio di tante slide – lo stato dell’arte dell’intelligenza artificiale generativa nelle aziende italiane: una tecnologia già matura, risultati spettacolari nei singoli casi d’uso, ma ancora fuori dai processi organizzativi.
È il filo conduttore di questa conversazione con il presidente di Spindox, società che ha contribuito a fondare nel 2007 come system integrator e che – quasi 20 anni dopo – è cresciuta sviluppando un filamento essenziale del suo DNA: una società di servizi, ( “mai una software house nel senso classico del termine”) che nel 2025 ha superato i 110 milioni di produzione con oltre mille dipendenti, oltre 100 clienti che vanno da Luxottica a Pirelli, da Mediolanum a OVS, sedi in Italia e filiali all’estero. E un forte programma di crescita per i prossimi anni. Spindox è una delle 12 aziende che stanno partecipando al Think Tank InnoverAI, dedicato all’impatto dell’intelligenza artificiale sulle attività e sui processi di corporate innovation.
Perché tieni tanto a sottolineare l’identità di società di servizi?
Noi non siamo fatti per sviluppare, distribuire, commercializzare prodotti: restiamo, nel nostro intimo, nel nostro background culturale, una società di servizi. Mentre chi ha un prodotto va a cercare un cliente interessato a quel prodotto, il nostro approccio di fronte a un cliente è cercare di capire qual è il suo problema. Il DNA della società di servizi è quello di chi dice: io sarò sempre al tuo fianco, cercherò di adattarmi di volta in volta al modo di servirti in un contesto che cambia continuamente, cercherò di intercettare i nuovi problemi che avrai, di anticiparli se possibile, e quindi potrai sempre fidarti di me perché io sarò al tuo fianco nella buona e nella cattiva sorte. Cosa ne consegue? Che Spindox è molto brava a crescere nel business con i clienti acquisiti: nella nostra storia si può dire che non abbiamo mai perso neanche un cliente.
Qual è la storia di Spindox con l’intelligenza artificiale?
Oggi l’espressione ‘intelligenza artificiale’ viene utilizzata per identificare l’intelligenza artificiale generativa. Spindox ha cominciato a lavorare nel dominio delle tecnologie di intelligenza artificiale applicata prima del famoso paper “Attention is all you need”, che nel 2017 è stato l’inizio di tutto. Perché le nostre competenze vengono da lontano e nascono in ambiti diversi rispetto all’intelligenza artificiale generativa.
In Spindox Labs, la nostra società di ricerca che abbiamo costituito a Trento, fin dal 2017 ci siamo impegnati a sviluppare competenze molto forti nell’ambito della visione artificiale da un lato e del NLP, il natural language processing, dall’altro. Già all’epoca abbiamo fatto tutta una serie di esperienze con i nostri clienti e nell’ambito di progetti di ricerca finanziati dall’Unione europea, insieme all’Università di Trento, alla Fondazione Bruno Kessler e a tutta una serie di altri soggetti, in questi due ambiti. Per dire, abbiamo sviluppato un prototipo di retrieval semantico per Poste Italiane ben prima che scoppiasse la moda dell’intelligenza artificiale generativa.
Poi, nel 2019, c’è stato un altro evento importante: abbiamo acquisito uno spinoff dell’Università La Sapienza di Roma, portandoci in dote ulteriori competenze relative all’ambito della decision intelligence, un altro tipo di intelligenza artificiale, la cosiddetta ottimizzazione matematica — la buona, cara, vecchia ottimizzazione matematica — con cui abbiamo fatto e continuiamo a fare tante cose per i nostri clienti.
Ci fai qualche esempio di uso dell’intelligenza artificiale non generativa?
Tutto il processo di gestione della catena logistica di un leader del fast fashion italiano, per fare il nome di un cliente grande, importante: la gestione dei magazzini, il riassortimento sul punto vendita e la gestione dei resi sono fatti da anni con modelli matematici sviluppati da noi. Non c’è neanche un grammo di intelligenza artificiale generativa: quella roba lì l’abbiamo sempre chiamata intelligenza artificiale, è solo un altro tipo di intelligenza artificiale.
Ti faccio un altro esempio: Europcar utilizza un modello di ottimizzazione dei ricavi che abbiamo realizzato noi per decidere quale vettura consegnare al cliente che si presenta e deve noleggiare una macchina. Tu hai prenotato una macchina del segmento C. E magari allo sportello l’impiegato ti dice: guardi, oggi è il suo giorno fortunato, le facciamo l’upgrade gratuito, le diamo una macchina di segmento superiore allo stesso prezzo. In realtà è il nostro algoritmo che suggerisce di fare così, perché a fine mese, sulla base di tutta una serie di fattori, di segnali, di parametri presi in considerazione, si ottiene un risultato migliore dal punto di vista dei ricavi. C’è una dichiarazione ufficiale del cliente Europcar che dice: grazie al sistema di ottimizzazione messo a punto da Spindox, abbiamo aumentato i nostri ricavi di 12 milioni di euro all’anno. Non è certo un esperimento questo.
Gli esempi possono essere tanti: il sistema per l’ottimizzazione del capitale circolante che Enel utilizza per i magazzini dove vengono conservate le parti di ricambio di tutte le centrali elettriche di Enel nel mondo. La nostra tecnologia aiuta Enel a decidere qual è il momento ottimale per ordinare un ricambio, che non è il momento in cui si rompe un pezzo in centrale: bisogna prevedere con largo anticipo, sono migliaia di pezzi diversi e il momento ottimo del riacquisto è diverso per ciascuno di questi pezzi.
Rispetto al lavoro che fate da tempo, che cosa è cambiato davvero dalla fine del 2022 in avanti?
Intanto diciamo subito che quella dell’intelligenza artificiale generativa è tutt’altro che una moda, come ancora qualcuno pensa anche se non lo dice. Anche se è difficile valutarne l’entità e soprattutto i tempi che ci vorranno per raggiungere determinati risultati, credo che ci siano pochi dubbi sul fatto che siamo di fronte a un cambiamento paradigmatico. Certamente all’inizio c’è stata molta confusione, direi fino allo scorso anno; quest’anno decisamente meno. almeno questa è la percezione che abbiamo nel confronto quotidiano con il mercato.
L’anno scorso, soprattutto nella prima metà dell’anno, noi non stavamo dietro alle richieste di clienti che dicevano: abbiamo bisogno urgentemente di parlarvi. Noi quando incontriamo per la prima volta un potenziale cliente domandiamo: aiutaci a capire qual è il tuo problema. Beh, per la prima volta in 20 anni la risposta era: non abbiamo nessun problema, a parte il fatto che il mio amministratore delegato mi ha detto che se non faccio un progetto con l’intelligenza artificiale generativa entro due settimane sono guai, perché restiamo indietro, perché dobbiamo dire che stiamo lavorando con l’AI. Ma per fare cosa? Risposta: ce lo dovete dire voi, dovete spiegarci come potremmo utilizzare l’intelligenza artificiale. È successo davvero, giuro.
E adesso l’atteggiamento è cambiato?
Diciamo che la domanda adesso è sta cambiando. L’importante è che ci troviamo d’accordo, noi e i nostri clienti, sul fatto che l’intelligenza artificiale, la cosiddetta applied artificial intelligence — che vuol dire generativa ma anche altre cose — non crea valore di per sé. Il lavoro che dobbiamo fare insieme al cliente è capire in che modo creare valore, dove andarlo a creare, come misurare questo incremento di valore sulla base di parametri oggettivi, e solo in un secondo tempo capire quali sono le tecnologie che consentono questa crescita di valore.
E in che modo l’intelligenza artificiale generativa può creare davvero valore?
Non c’è dubbio che l’intelligenza artificiale generativa possa contribuire enormemente in due direzioni. La prima, più banale, è quella della generazione di efficienza. La nostra maturità da un lato e del cliente dall’altro sta nel capire — ormai si comincia a capirlo — che l’efficienza deve essere generata in modo sostenibile. Cosa intendo dire? Che l’intelligenza artificiale non è gratis, ha dei costi, alcuni evidenti, altri meno, altri nascosti e si porta dietro delle esternalità. I clienti cominciano a essere più avveduti da questo punto di vista.
Torniamo all’immagine del CIO di Prada che abbiamo ricordato in apertura: perché rappresenta bene lo stato dell’arte?
Perché è una perfetta sintesi dell’esperienza di molte aziende. Gli agenti AI agiscono come Superman: è vero. L’efficienza è massima. Ma non è gratis, come dicevo, e lui sostiene che costa addirittura quanto tre dipendenti. Ma la cosa che deve fare riflettere è l’ultima: questo nuovo “dipendente” che opera accanto agli umani sarà pure efficiente, ma è avulso dall’organizzazione, non ne è parte. Proprio come Superman fa delle cose straordinarie e il resto della popolazione lo sta a guardare, ammirato. Conclusione: prima di tutto bisogna capire come andrà a finire questa storia dei costi, ma soprattutto c’è bisogno di un’intelligenza artificiale che si integri, dal punto di vista del contesto semantico, all’interno dell’organizzazione.
Ora, queste parole sono miele per le nostre orecchie, perché quello che stiamo cercando di fare in questa fase è aiutare il cliente a misurare l’efficienza e a capire se si tratta di un’efficienza sostenibile nel tempo, poi arrivano gli strumenti che abbiamo sviluppato per integrarla nell’organizzazione.
Poco hai velocemente evocato la “decision intelligence”. Che cosa intendene con questo termine?
Un’intelligenza artificiale, anche generativa, che serva ad accompagnare decisioni consapevoli. La decision intelligence porta valore se mi aiuta a prendere una decisione, a sua volta di valore, con consapevolezza. Pensa a un caso d’uso banale: dobbiamo andare in vacanza, chiediamo a un agente AI di pianificarci tutto. L’agente, molto efficiente, dice: hai detto che vuoi andare in vacanza in Giappone, quindi la soluzione ideale è che ti fermi dal giorno X al giorno Y a Tokyo e poi, se vuoi andare a Osaka, dal giorno Y al giorno Z, questi sono i voli più convenienti, dammi l’ok e ti prenoto tutto. Questa non è decision intelligence. E tanto meno lo è all’interno di un’organizzazione, dove non si tratta di decidere come andare in vacanza in Giappone, ma di prendere decisioni che hanno una rilevanza dal punto di vista del business, dell’impatto sulle persone, sul futuro di un’azienda.
Il tema è l’esercizio di un controllo sul modo in cui le decisioni vengono prese e sul modo in cui si riesce ad apprezzare oggettivamente il valore di una decisione. È un tema centrale: per noi l’espressione chiave continua a essere decision intelligence, che vuol dire prendere un problema, tradurlo in un modello matematico per identificare di volta in volta la soluzione più giusta a quel problema.
Quindi la macchina non prende mai la decisione finale?
Questo è uno dei temi: decidere quali decisioni delegare alla macchina e quali no, tenendo conto oltretutto che c’è un framework legale dal quale non si può prescindere, che è l’AI Act. Noi aiutiamo i nostri clienti anche a capire che semplicemente certe cose non sono conformi all’AI Act, oltre a non essere convenienti. Certe altre potrebbero essere convenienti, ma comunque l’AI Act non le consente perché non le considera legittime. E poi di volta in volta si tratta di capire e scegliere
Come funziona in pratica questo equilibrio tra algoritmi e persone?
Rispondo con il caso molto interessante sempre per il cliente del fast fashion che ricordavo prima. Abbiamo realizzato un meccanismo che permette di analizzare in tempo reale il comportamento dei consumatori nei punti vendita: parliamo di più di migliaia di punti vendita solo in Italia, più quelli all’estero, quindi una rete di retail enorme, dove ogni giorno decine di migliaia di persone entrano, comprano oppure chiedono ma non comprano, oppure restituiscono. Bisogna fare dell’intelligence su tutto questo per prendere delle decisioni: domani mattina quante gonne di quello specifico modello devo fare arrivare nei punti vendita?
Il nostro modello fornisce dei suggerimenti in tempo reale allo store manager: sulla base del nostro strumento questa gonna va di più, quindi ti conviene averne un numero maggiore rispetto a quello che stai chiedendo, sennò vai out of stock e invece noi ti diamo la possibilità di venderne di più. Qual è il problema? Che c’è lo store manager che spesso dice: sì, figuriamoci, come se una macchina possa sapere meglio di me che cosa io vendo nel mio negozio, quindi decido io che cosa ordinare, decido io quante gonne mi servono, non mi fido del suggerimento.
Chi ha ragione, il vostro algoritmo o lo store manager?
Così la domanda è mal posta. La questione è integrare l’intelligenza artificiale nella cultura organizzativa. Altrimenti vedremo degli store manager che con un misto di ammirazione, diffidenza, scetticismo e sarcasmo osservano questo Superman che fa delle cose straordinarie, ma continuano a pensare di sapere che cosa è giusto, di cosa c’è bisogno.
Come si risolve questa relazione?
Diciamo che è un work in progress, ma non è un work in progress tecnologico: è un work in progress culturale e organizzativo.
Quindi il nodo non è più la tecnologia ma il modello organizzativo e la cultura che lo attraversa?
Sì. L’intelligenza artificiale è utile, ma lo è se genera efficienza, e insisto, in modo sostenibile — quindi occhio ai costi, ai costi nascosti, alle esternalità — ed è ancora più utile quando serve ad accompagnare decisioni consapevoli. Tutte le attività che stiamo facendo in questo momento per portare l’intelligenza artificiale generativa a casa dei nostri clienti cercano di rispettare questi due prerequisiti. In questo senso abbiamo sviluppato un framework che si chiama Atlante: è un framework tecnologico, e in parte una piattaforma, in parte un orchestratore, comunque pezzi di tecnologia software.»
Che cosa c’è in questo framework?
Quattro cose, fondamentalmente. La prima è un layer, chiamiamolo FinOps, per l’intelligenza artificiale generativa: un layer che consente di controllare i costi. Ti faccio un paio di esempi. Immagina che all’interno di un’organizzazione, per 30 volte, ci sia qualcuno che chiede la stessa cosa a un modello linguistico: sarai d’accordo con me che a partire dalla trentunesima forse non è il caso di sprecare token per andare a chiedere questa roba nel cloud. Allora noi facciamo cache delle migliori risposte ricorrenti: non vai ogni volta nel deserto a cercare la risposta, te la tieni in casa.
Un’altra cosa molto importante è il model routing: se la tua infrastruttura aziendale è agganciata via API a diversi modelli — pensiamo a un caso tipico come lo sviluppo di software, dove sappiamo che la Rolls Royce, per quel che riguarda lo sviluppo di software ad esempio, è Claude Code — però proprio perché è la Rolls Royce, o magari la Ferrari, non è detto che per uscire e andare a fare la spesa tu debba prendere la Rolls Royce: prendi un’utilitaria, perché ti basta, è più che sufficiente e costa molto meno.
Quindi, a seconda del task, noi facciamo il routing verso il modello di volta in volta più adeguato, che può essere anche un modello open source: certamente performa meno, non c’è dubbio, ma dipende da quello che devi fare. Fare FinOps dell’intelligenza artificiale generativa significa implementare tutta una serie di policy che consentono di ottimizzare e tenere sotto controllo i costi.
Quello che dicevi sulle 30 persone che fanno la stessa domanda all’AI generativa porta il discorso sulla conoscenza aziendale e sulla necessità/possibilità di metterla in ordine. Quando è importante questo aspetto?
È molto importante e a questo aspetto è dedicato il secondo pilastro del nostro framework. Aiutiamo l’azienda a mettere insieme la sua conoscenza con le tecnologie che oggi vanno per la maggiore: ci sono i database vettoriali, ma non solo, quindi RAG, ma non solo. In modo tale che, quando il modello deve generare un output, la conoscenza a cui accede venga prelevata da questo layer semantico.
Se tu chiedi a Claude di darti una definizione di cliente, ti dà un’ottima definizione, come dire, scolastica. Ma non funziona per tutte le aziende e, a volte, neanche fra le diverse divisioni della stessa azienda. Ecco, cliente è termine che fa parte di un layer semantico aziendale.
Il terzo pezzo del framework?
È un orchestratore di agenti. E qui torno alla questione del CIO di Prada, che è la situazione che troviamo in tanti altri clienti. Immagina una funzione organizzativa all’interno di un’azienda dove ci siano 60 persone, tutte abilitate all’uso di Microsoft Copilot: tutti hanno il loro agente che contribuisce a migliorarne la produttività.
Ecco, questo è il modo in cui non deve funzionare l’intelligenza artificiale generativa all’interno di un’organizzazione. Quello che noi vogliamo aiutare a creare è una fabbrica di agenti, in cui le 60 persone abbiano un ruolo diverso, in una situazione in cui gli agenti lavorino tra di loro, diventino parte dell’organizzazione. Per arrivare a questo esito vanno orchestrati, altrimenti avremmo come 60 persone che lavorano da sole, senza mai parlarsi.
Questo suona come una sfida molto avanzata: dopo aver superato gli attriti nella relazione umano-macchina, mettere in relazione gli agenti non è cosa per tutti. E poi, in fondo, significa entrare nei processi, che non è semplice…
Infatti, serve una quarta cosa, cioè un’interfaccia che noi abbiamo chiamato Atlante Studio, che consente la configurazione dei flussi agentici in modalità no-code. In modo tale che, se io non so sviluppare, non so scrivere codice, posso avere un’interfaccia a cui dire: questo agente ha questa missione, i suoi output vengono messi a disposizione di quest’altro agente che li utilizza perché ha un’altra missione, e così via. Io disegno il flusso agentico in modalità drag and drop, con un’interfaccia no-code.
Ecco, questo è Atlante. Atlante non è un prodotto, perché come ti dicevo noi non vendiamo prodotti: è una nostra tecnologia che ci impegniamo a fare evolvere, tanto che, mentre tu e io stiamo parlando, ci sono colleghi che stanno facendo Atlante 2.0. Ma è una tecnologia che mettiamo a disposizione del cliente nell’ambito dei progetti che facciamo per sviluppare le sue soluzioni. Poi ci sono clienti che dicono ‘Atlante lo voglio in casa’, e allora lo vendiamo in modalità as a service, come se fosse un prodotto — ma non è il nostro business
Puoi farci un esempio di cliente in cui questo approccio — efficienza sostenibile più decision intelligence — si sta traducendo in pratica?
Con una primaria banca italiana stiamo facendo un lavoro proprio di questo tipo. Il percorso è abbastanza comune fra chi si è già mosso da qualche tempo: si comincia a usare l’intelligenza artificiale generativa, poi arrivano le bollette e giustamente ci si comincia a chiedere: ne vale la pena? E a quel punto emerge la necessità di avere una road map, dove il costo è importante ma non la voce determinante. Adesso i prezzi sembrano scendere, perché i grandi player si stanno facendo la guerra. Ma non potrà sempre essere così.
Qui che entra in gioco il capitolo ricerca con e architetture alternative al cloud. Che cosa si può fare?
Oggi si dà per scontato che se hai bisogno di un certo tipo di intelligenza artificiale generativa te ne approvvigioni via API, perché c’è l’infrastruttura di qualche hyperscaler che ti offre la capacità di calcolo di cui hai bisogno. È un modello piuttosto discutibile: è chiaro che gli hyperscaler tendono a vendere capacità di calcolo e più ne vendono più sono contenti. Ma mi metto nei panni di un CIO e di un CTO che si domanda: ma perché io tutti i mesi devo pagare tutti questi soldi a OpenAI, con la prospettiva di dover pagare sempre di più?
Noi stiamo lavorando ad architetture alternative, con l’idea che in realtà tante cose si possono fare in locale.
Come?
Primo, si scelgono modelli più piccoli, verticali, non il foundation model che fa tutto, che per funzionare ha bisogno di data center enormi. Nel computer che sto usando in questo momento per parlare con te gira in locale DeepSeek: posso staccarmi da Internet, spegnere il wifi, e mi fa tutto quello che deve fare. Poi ci sono i modelli verticali, i cosiddetti Small Language Model, pensati proprio per fare delle cose specifiche, e le fanno meglio rispetto a a un LLM. Non sempre ti serve sapere tutto, avere tutto.
E poi c’è un altro tema: a volte hai bisogno di una risposta in tempi così brevi che la latenza del cloud non va bene e allora l’intelligenza la devi mettere sull’edge.
Qual è il caso più estremo in cui avete lavorato e che vi ha portato lontano dal cloud?
È un progetto di ricerca che abbiamo fatto con Spindox Labs. Abbiamo realizzato un sistema che agisce sulla sicurezza dei treni, nel senso che ferma i treni automaticamente quando sui binari, per qualsiasi motivo, c’è la presenza di un essere umano. Sulla rete di Ferrovie dello Stato c’è un tentativo di suicidio al giorno. E poi ci sono cantieri che, purtroppo, sono stati causa di drammatici incidenti.
La nostra idea è stata usare tecnologie di visione artificiale, più o meno le stesse che ci sono sulle auto a guida autonoma, per vedere in tempo utile. Se chiedi al cloud di fare i calcoli, la risposta arriverebbe troppo tardi. Qui si lavora sui millesimi di secondo. In questo caso l’architettura è così spinta che i nostri modelli di riconoscimento delle immagini non solo non sono sul cloud, ma girano direttamente sul treno: non sulla locomotiva ma direttamente nella videocamera che contiene un chip dove gira tutta l’intelligenza artificiale di cui c’è bisogno, quindi la latenza è minima perché la decisione ‘treno, fermati’ viene presa là dove l’immagine si genera, cioè sulla telecamera. E le situazioni di questo tipo sono tantissime.
Questo vuol dire che il modello general purpose dei modelli è destinato a diventare sempre meno general?
Sì, e poi c’è un’altra tendenza che stiamo osservando con grande attenzione. Stanno uscendo nuove generazioni di chip che integrano una potenza non di molto inferiore a quella dei chip di punta di Nvidia, ma girano su personal computer. A settembre uscirà una macchina Windows, quindi Microsoft, ottimizzata per far girare anche modelli linguistici importanti, e quindi non avrei bisogno di andare online.
Poi stanno uscendo dispositivi assai interessanti. Nvidia ha iniziato a vendere uno scatolotto dove gira tutta l’intelligenza artificiale di cui hai bisogno e anche il mondo Raspberry Pi si sta equipaggiando in questa direzione. Immaginati tante situazioni, soprattutto in ambito industriale, dove hai il tema della latenza: devi prendere una decisione accanto all’impianto, subito, per esempio per fermare una macchina perché si sta surriscaldando
Spindox Labs, il vostro centro di Trento, è quindi il luogo delle soluzioni estreme. Che ruolo ha nella strategia complessiva?Usa il modello dell’open innovation?
Spindox Labs il nostro centro di ricerca e sviluppo e di innovazione che per noi vuol dire open innovation. Mai, neanche per un istante, abbiamo avuto o avremo la pretesa di fare tutto a casa nostra. La forza di Spindox Labs è che opera dentro una serie di reti, di network di soggetti di vario tipo: ci sono università, centri di ricerca, laboratori, startup. È mttendosi insieme, facendo il mix giusto di attori, che di volta in volta si trova la soluzione
La ricerca per noi non è storytelling, è una leva industriale. Raccontare innovazione non è sufficiente: noi vogliamo generare innovazione. L’idea è fare progetti di ricerca che abbiano un contenuto rilevante dal punto di vista industriale, soprattutto pensando ai nostri clienti, in modo da riuscire a metterli a terra dopo due, tre anni.
Il caso più macroscopico è quello della telemetria: abbiamo sviluppato un sistema per la telemetria molto avanzato che è quello che usa una casa automobilistica che produce supercar. Tutto è nato da un progetto di ricerca pensato non nell’ambito dell’industria automobilistica, ma in un settore completamente diverso. Sapevamo però che avremmo potuto portarlo lì — lavoriamo molto nell’auto, con Lamborghini, Ferrari, Maserati — e l’abbiamo portato: adesso gestisce tutto il back-end dell’auto connessa di questa azienda. La ricerca serve poi a farci entrare in nuovi settori”
Quindi la ricerca diventa un abilitatore di new business? In che modo?
Sì. Adesso stiamo puntando molto su alcuni filoni dove vediamo una prospettiva industriale, in particolare nel settore delle scienze della vita e della salute, perché l’intelligenza artificiale ci aiuta a mettere a punto, per esempio, modelli predittivi che consentono di formulare precocemente le diagnosi. Abbiamo fatto un progetto molto bello in collaborazione con un’importante struttura ospedaliera austriaca, e una serie di altri attori, per definire un modello per la diagnosi precoce del prediabete. Stiamo andando in questa direzione, ne faremo altri, perché vediamo un futuro, vediamo degli sbocchi industriali, un campo di applicazione molto concreto e molto promettente.
Chiudiamo su un tema che sta emergendo nel think tank InnoverAI: il ruolo dell’innovazione in azienda sta cambiando con l’AI generativa, anche nelle relazioni con le altre funzioni. Cosa vedete voi, che con quelle funzioni ci parlate ogni giorno?
Lo abbiamo ripetuto fino alla nausea: ormai l’innovazione non è solo, e non è tanto, innovazione tecnologica, ma innovazione del modello di business, del processo. Sempre di più la tecnologia diventa una commodity. E anche questi stramaledetti LLM, alla fine — prima parlavamo di costi — è veramente una bolletta. Per quanto siano cose quasi magiche, la verità è che si tratta di una tecnologia che ha raggiunto la sua maturità e comincia a essere commoditizzata, quindi venduta un tanto a token.
Non dico che succederà quello che sta succedendo con l’energia elettrica, ma quasi. A maggior ragione questo cosa comporta? Che a comprare la commodity non è più il CIO, a comprare la commodity sono il marketing, come anche la direzione delle risorse umane. Vedo, ad esmepio, una rilevanza crescente dell’HR, anche perché poi tutti i temi di compliance, di conformità legale, finiscono più o meno sul loro tavolo. Nel mondo delle banche, per esempio, cominciamo tanto a parlare con il mondo del risk management, perché sono loro poi che devono prendere le decisioni.
Questo implica un cambiamento culturale importante per una società come la nostra, perché vuol dire che bisogna non rinunciare a competenze profonde in ambito tecnologico, ma occorre un traduttore: bisogna parlare una lingua diversa.
Partecipa alla community