Mauro Marengo (Spindox): «Con l’AI bisogna ripensare il modo in cui si prendono le decisioni»

Servivano due giorni per controllare una pratica di finanziamento, con l’AI basta mezz’ora. Ma il valore dipende da come si usa il tempo liberato. Mauro Marengo, co-CEO di Spindox, spiega perché il ROI dell’intelligenza artificiale va scomposto in cinque dimensioni, perché comitati e regole d’uso sono solo un primo livello di governo del cambiamento, ma non la sua soluzione e perché la vera partita si gioca su un terreno mai mappato: come si prendono le decisioni.

Due giorni per verificare che la documentazione di una pratica di finanziamento sia completa e corretta. Con una soluzione di intelligenza artificiale, mezz’ora. È il tipo di risultato che ogni azienda sogna quando investe in AI, ed è anche uno dei pochi che si riescono davvero a misurare: si vede già nel mese successivo alla messa in produzione.

La domanda che interessa a Mauro Marengo, però, viene dopo. Che cosa fa, con il tempo recuperato, la persona che quel controllo lo faceva manualmente? Finisce prima e basta, oppure lo usa per ragionare e decidere meglio? È da qui che la conversazione porta in un territorio che le imprese conoscono ancora poco. «Il processo decisionale è ciò che nessuno ha mai rappresentato sino a oggi», dice Marengo.

In decenni di digitalizzazione le aziende hanno imparato a descrivere chi fa che cosa, in quale sequenza, con quali strumenti. Di come si decide, e sulla base di quali informazioni, quasi nessuno ha tenuto traccia. Finché il lavoro esecutivo rimaneva in carico alle persone, il vuoto non appariva. Ora che agenti e algoritmi se ne prendono una parte crescente, il vuoto emerge.

AI nelle aziende: dalla sperimentazione alla messa a sistema

Marengo guida Spindox, società italiana di consulenza e servizi tecnologici, insieme a Massimo Pellei, in un modello di governance duale. Dal suo osservatorio, che va dalle banche alle assicurazioni, dall’industria alle utility, vede le imprese uscire dalla stagione del «provo e poi vedo» e chiedere finalmente di mettere l’AI a sistema.

Con lui abbiamo parlato di come misurarne il ritorno, dei settori che corrono di più, del perché comitati e regole d’uso non bastano e di un libro di Daniel Kahneman che, riletto oggi, sembra scritto per l’era degli algoritmi.

Misurare il valore oltre il ROI tradizionale

Ogni giorno leggiamo di aziende che sperimentano o implementano l’intelligenza artificiale. Però a nessuno è ancora chiaro il ritorno, né in quanto tempo arriverà. A volte non è chiaro nemmeno il costo. Voi fate da abilitatori tecnologici del business: qual è la chiave per leggere correttamente questa fase?

Quando parliamo di AI è necessario preliminarmente distinguere fra AI generativa e AI di prima generazione. Nella «vecchia» AI, già integrata nel core business, i ritorni sono misurati, tangibili e facili da capire: l’ottimizzazione della logistica e della supply chain, gli algoritmi predittivi per allocare la merce nei magazzini e trasferirla ai punti vendita, le rotte per spostare i beni su gomma o via nave, la lettura dei picchi di domanda.

In questi ambiti i ritorni si misurano in tempi di ciclo, capitale circolante, accuratezza delle previsioni, e hanno lavorato soprattutto nei settori con un forte impatto logistico, dalla manifattura ai beni di consumo. Era il vecchio ROI, costruito su grandezze che si ritrovano nel conto economico.

L’AI generativa ha cambiato il paradigma. Di proof of concept, cioè di sperimentazioni pilota, se ne sono fatti tanti. Ma i clienti che hanno trovato una misurazione tangibile dei risultati sono ancora pochi. Alcuni sono diventati più cauti nelle valutazioni: hanno speso in media 20-30mila euro per ogni sperimentazione e non sono ancora riusciti a metterla a sistema.

Le cinque dimensioni del valore dell’AI

Se il metro del vecchio ROI non funziona più, con che cosa si misura il valore dell’AI generativa?

Noi stiamo facendo un esercizio di scomposizione, perché il valore cambia a seconda dell’ambito in cui l’AI lo porta. Gli ambiti sono cinque.

Il primo è la crescita: fare crescere il business dando più valore al cliente, per esempio suggerendo alla rete di vendita quale sarà la prossima azione migliore.

Il secondo è l’accelerazione: ridurre i tempi interni, le attività manuali e gli errori che si fanno lavorando a mano. Qui si misura il tempo di esecuzione.

Il terzo è la protezione: proteggere il dato, proteggersi dalle anomalie che fanno perdere tempo o creano disservizi. Si misurano le discontinuità, le anomalie, i tempi necessari a risolverle.

Poi c’è l’ingaggio del cliente: quanto i servizi proposti riescono a coinvolgerlo e a rafforzarne l’apprezzamento. È difficilissimo da misurare, servono valutazioni qualitative e il ritorno si può valutare solo nel lungo periodo.

Infine il controllo: della qualità, dei processi, della sicurezza dei dati. Qui il ritorno si misura anche chiedendosi a quali danni andrei incontro se quel controllo non ci fosse.

Di modelli che tengano separate queste cinque dimensioni oggi ce ne sono pochi, e in Spindox ne stiamo costruendo uno. Perché ciascuna ha un ritorno diverso: più business, più efficienza, meno anomalie e quindi meno costi di ripristino, clienti più soddisfatti, un’azienda sotto controllo e in sicurezza. Non si può ricondurre tutto a un unico ROI.

Quindi i ROI sono diversi, ma arrivano anche in tempi diversi. Non li vedi tutti nello stesso momento.

Esattamente. Il più rapido, e il più facile da ottenere, è probabilmente quello dell’accelerazione delle attività manuali interne. Prendiamo il controllo documentale per verificare se tutto ciò che il cliente mi ha consegnato per aprire una pratica di finanziamento è corretto: se prima la verifica richiedeva due giorni, adesso basta mezz’ora. È un risultato tangibile, che si vede già nel mese successivo alla messa in produzione. Per le altre dimensioni bisogna aspettare sei-dodici mesi.

In precedenza, era facile formulare valutazioni quantitative senza cogliere necessariamente il valore effettivo creato.

AI generativa e produttività: il tempo risparmiato non basta

E i casi in cui si hanno alle spalle dodici mesi o più di applicazione e integrazione vera non sono ancora tantissimi...

Non sono tantissimi, no. Oggi la maggior parte dei casi riguarda la produttività individuale, un terreno in cui è difficile avere misurazioni oggettive. È vero che ci sono numerosi indicatori che parlano di risparmi medi dal 30 al 50% nelle attività di back office, ma la produttività individuale nasconde un’ambiguità: recupero tempo e quindi finisco prima, oppure uso il tempo risparmiato per lavorare meglio e dare maggiore qualità?

Detto in altri termini, se capisco bene: tutto dipende da come impiego il tempo che ho recuperato.

Esattamente, ed è per questo che vale molto di più la qualità che si produce. Oggi la sfida associata all’AI generativa è farla comportare come un essere umano dotato di maggiori capacità di elaborazione. Se la applico a un’attività molto ripetitiva, esecutiva, da cui so quale risultato aspettarmi, il valore è tangibile, perché sta sostituendo tempo di bassa qualità. Ma non possiamo delegarle scelte e valutazioni, perché la qualità di ciò che produce deve essere governata per dare risultati ottimali.

Col strato che manca: come si prendono le decisioni

Quello che dici porta, al di là di tecnologie e piattaforme, ad altri due temi: competenze e organizzazione. Devo avere un modello di funzionamento che tenga conto di un nuovo collega, algoritmico, e chi gli lavora accanto deve imparare a gestirlo. È un ambiente di lavoro ibrido, in cui so di lavorare con un altro soggetto. E poi tutto questo va calato in una riorganizzazione. “Bisogna ridisegnare i processi” è un’espressione ormai abusata. Però farlo davvero in effetti non è così semplice…

È proprio così. Con molti clienti ci troviamo ad affrontare questo tema, e mi accorgo che manca la percezione di uno strato che finora non entrava nei ragionamenti quando si metteva mano ai processi aziendali: quello dei flussi decisionali.

Tutti sappiamo che cos’è un processo: una sequenza di attività svolte da attori differenti e legate tra loro da precise dipendenze operative. Ciascun passaggio alimenta quello successivo lungo una catena di lavoro strutturata; il processo può essere semplice o complesso, ma alla fine produce azioni su dati, documenti, risultati.

Nel gestionale viene registrata una fattura che viene poi associata all’ingresso della merce. Il processo decisionale invece sta sopra: di fronte a questi dati, alle azioni che succedono, all’osservazione della realtà, entra in gioco la valutazione di una persona che poi prende una decisione. È ciò che nessuno ha mai rappresentato sino a oggi, perché nei grandi sistemi gestionali non c’era. I processi decisionali non sono documentati nelle aziende.

Ed è proprio l’AI a rendere visibile questa lacuna: man mano che una parte delle attività operative viene automatizzata, emerge con maggiore chiarezza il peso delle decisioni e il contributo delle persone che devono interpretare informazioni, valutarne il contesto e scegliere come agire.

Il lavoro umano quando gli agenti eseguono

E allora, quando un agente si prende una parte del lavoro operativo, che cosa resta da fare alla persona?

Con attività operative sempre più automatizzate, diventa essenziale capire che cosa devo cambiare nel mio comportamento, io che adesso mi ritrovo una serie di attività operative già svolte, per concentrarmi sulla decisione. Devo esercitare pensiero critico, contestualizzare i problemi, capire che cosa mi dice il dato che l’AI ha elaborato sulla base di certe variabili e poi agire, o decidere. Quindi non devo solo chiedermi come orchestrare un agente affinché mi sia utile, ma come cambia il mio mestiere quando un agente esegue e lascia a me le decisioni.

Non si tratta di fare più in fretta. Se Copilot mi aiuta a scrivere codice, il punto non è aumentare il volume di produzione, ma capire che uso fare di quel codice e quale sia il modo migliore per implementarlo. È un cambiamento che ridefinisce la natura stessa del lavoro.

Forse il processo decisionale non era evidente perché prima, su quei dati, non c’era niente da decidere. Entrava la fattura, la riconciliavi e finiva lì: non era un dato «azionabile» come si dice, potevi solo dire «ho incassato» o «non ho incassato». Oggi la somma dei dati diventa informazione, e quell’informazione ti dice qualcosa, ti chiede una decisione che prima non era richiesta.

Sì, non era richiesta perché la priorità era completare il compito operativo: prima bisogna fare in modo che l’azienda continui a funzionare, poi ci si interroga su come impiegare al meglio il tempo liberato. Adesso, invece, c’è lo strumento che mi permette di osservare quello che succede e di contribuire di più, con una decisione che genera valore. È in quest’ambito che le competenze incidono davvero sul valore prodotto, a patto di inserirle e governarle gradualmente, aiutando le persone a cambiare approccio. Alle attività operative si affiancano sempre più capacità di analisi, discernimento e indirizzo.

Dove l’AI corre di più: finanza, industria e utility

Dal vostro osservatorio vedete settori più sensibili al tema, o anche più avanti di altri? Oppure il mercato si muove in modo abbastanza omogeneo?

Il mercato non è omogeneo. Il settore finanziario e quello assicurativo sono al momento in prima linea, probabilmente spinti dalle normative: penso a DORA e NIS2, le regole europee su resilienza digitale e cybersicurezza, e a tante altre che pongono vincoli nella gestione di queste tecnologie. Ma è altrettanto vero che sono settori ad alta intensità di conoscenza, con un’altissima frequenza di elaborazione documentale, di analisi delle informazioni, di tutela dalle frodi.

E lì troviamo valore reale: l’AI mi permette di semplificare passaggi e far emergere informazioni che con il solo sforzo umano rimarrebbero nascoste. Posso analizzare, per esempio, i rischi non finanziari legati a una certa fornitura, con insidie nascoste all’interno di documenti complessi che qualcuno deve valutare. In questi settori la velocità di adozione, a mio giudizio, è molto alta.

Utility, manifattura e healthcare

E chi segue?

Seguono le utility, l’energia e il manifatturiero. Al netto dell’hype attorno al digital twin, il gemello digitale, digitalizzare un modello è solo il punto di partenza, ma il vero valore emerge dalla capacità di simulare il comportamento di un’infrastruttura reale e di comprenderne le dinamiche attraverso strumenti avanzati.

Il valore si genera capendo come migliorare l’infrastruttura, come usarla sfruttando tutte le sue potenzialità, se vi sia la possibilità di risparmiare energia, quali correttivi applicare leggendo tutto il contesto. Correttivi che mi possono essere suggeriti da dati che normalmente non vedrei.

Altri settori hanno un’adozione diversa. L’healthcare, per esempio, sta spingendo molto sulla ricerca e sviluppo: lì parliamo direttamente di core business. Ma se torniamo ai temi dell’efficienza, della crescita e dell’ottimizzazione degli asset, io citerei finanza, manifattura e utility.

Governance dell’AI: perché comitati e regole d’uso non bastano

Tutto questo ci porta all’altro tema che riguarda tutte le aziende, anche le più grandi: la governance. Chi usa che cosa, come, quando. Molte imprese hanno creato comitati per l’AI, ma ho l’impressione che spesso nascano soprattutto dall’ansia di compliance, dalla paura di non rispettare le regole. Ma al di là della shadow AI, l’uso di strumenti non autorizzati che si diffonde dentro le aziende, non mi sembra ci sia ancora un’idea chiara di chi debba controllare che cosa e di che cosa vada usato e come. Mi sbaglio?

No, concordo. La governance è necessaria per evitare abusi o utilizzi inadeguati e inappropriati: c’è un pericolo, e allora creo governance in modo da non rendere disponibile a persone non preparate uno strumento che può fare danni. Ma questo, secondo me, è il livello più superficiale, una tutela che un’azienda deve necessariamente adottare per non incorrere in problemi. Il ragionamento da fare è più profondo, anche se forse il contesto aziendale non è ancora pronto ad affrontarlo.

Il caso Hugging Face e i rischi degli agenti AI

Riflettevo su quello che è successo con Hugging Face. Degli agenti si sono comportati come perfetti esseri umani: hanno creato un dialogo tra loro che si è autoalimentato, è cresciuto come cresce una discussione tra persone, finché non si sono dati l’autorizzazione ad attaccare un sito. E su quella decisione hanno agito.

(Il riferimento è all’incidente del luglio 2026: centinaia di agenti AI impegnati in esperimenti di addestramento di OpenAI sono usciti dall’ambiente di prova, si sono coordinati attraverso una sorta di bacheca improvvisata e hanno violato l’infrastruttura di Hugging Face, la principale piattaforma di condivisione di modelli di intelligenza artificiale, ndr.)

D’altra parte l’AI è un prodotto umano, o quantomeno un’elaborazione delle conoscenze umane. Ricordi, all’inizio, i discorsi sui bias razziali e sessisti? È quasi inevitabile che poi gli agenti finiscano per fare i gradassi: si sfidano e decidono di andare a fare danni per dimostrare quanto valgono.

Imparano da noi. Dietro quell’episodio si intravede un tipico comportamento umano quando le persone sono condizionate da bias, rumore di fondo e difetti logici, quando più ragionamenti sovrapposti portano il discorso fuori strada. Con l’AI si è creata una dinamica che può amplificare i difetti del ragionamento umano. Questa è la mia lettura personale.

Ed è qui che si gioca realmente la partita della governance. Non stabilendo le regole di utilizzo, ma partendo da una domanda: “che cosa ci aspettiamo che l’AI faccia in azienda?”. Se fosse in grado di togliere il rumore di fondo, di eliminare i bias cognitivi, di aiutarmi a fare pulizia nelle informazioni per decidere, quella sarebbe la governance che porta valore. Stabilire se uno sviluppatore può o non può usare un certo strumento è solo applicare un “cerotto sulla ferita”.

Una consapevolezza che forse non è ancora sufficientemente diffusa nelle aziende…

Credo che ci si arriverà con una maturità manageriale più avanzata, che porterà a farsi domande più serie che non «posso usare Claude o Copilot per scrivere il codice?».

AI nelle aziende, il nuovo ruolo dei consulenti-architetti

Quelli che vediamo non li chiamerei ritardi, ma inevitabili punti di immaturità. Parliamo di qualcosa che è cominciato davvero nel 2023. Tu hai toccato temi tecnologici, ma anche culturali, organizzativi, di leadership. In questo scenario, qual è il ruolo di una società come Spindox?

Credo che questi temi diventeranno l’agenda vera. Spindox fa sia tecnologia, sia consulenza con una forte componente tecnologica, due mestieri che finora si svolgevano sostanzialmente in due modi: il vecchio modello time and material, in cui il cliente acquistava competenze, oppure il progetto, il servizio, in cui il consulente «fa funzionare le cose». Nello scenario che immaginiamo, invece, gli algoritmi diventeranno una commodity.

Il costo dei grandi provider andrà gestito prima di diventare un serio problema economico per le aziende. Le aziende dovranno trovare il modo di spendere il giusto per il lavoro che effettivamente serve, e adotteranno modelli e algoritmi più semplici per risolvere problemi puntuali. Non avranno bisogno del grande LLM con cui disquisire di filosofia: dovranno elaborare documenti, estrarre informazioni.

Quindi aziende come la nostra dovranno fare due cose. La prima: trasformare questa complessità in prodotto, in servizio, e risolvere un problema attraverso soluzioni che permettano di gestirlo meglio e più rapidamente. Che i modelli siano semplici o complessi non deve importare al cliente, dipende dalla bravura di chi crea la soluzione. La seconda: aiutare il cliente a organizzarsi per orchestrare questa complessità. Stiamo già lavorando su progetti in cui i flussi decisionali di cui parlavo vanno disegnati.

È un lavoro diverso dalla tradizionale ottimizzazione dei processi: occorre identificare chi decide, sulla base di quali informazioni e in quale misura queste decisioni possano essere supportate dall’AI. Bisognerà capire chi prende le decisioni, su quali informazioni si basa e in che modo l’AI può supportarlo. Serve entrare nelle dinamiche dell’organizzazione e far emergere quel patrimonio di conoscenze, valutazioni ed esperienze che spesso esiste, ma non è mai stato formalizzato. Da lì nasce un flusso decisionale coerente con le esigenze di quella specifica impresa.

È un lavoro consulenziale: capire il dominio di business del cliente, come funziona, e aiutarlo a gestire la complessità.

Come in passato i gestionali sono diventati la norma, anche l’AI dovrà diventarlo, ridimensionando le esagerazioni sul valore che può portare. Ne porterà tanto, ma a mio giudizio i passi più grandi si faranno con le piccole cose. Il nostro mestiere sarà creare tecnologia costruita bene. Dobbiamo essere architetti: aiutare il cliente a disegnare la nuova casa e a mettere insieme i mattoni tecnologici giusti.

Dai test al business: mettere l’AI a sistema

Un architetto che sa usare bene i mattoncini tecnologici a disposizione. Ma quando le aziende vengono da voi, hanno chiaro che bisogna individuare la cosa piccola da risolvere? O arrivano dicendo «voglio usare l’AI»?

Esistono entrambi i casi. Il «voglio usare l’AI» nasceva da un «non posso non farlo, altrimenti rimango indietro». Credo che il 2026 chiuderà, per fortuna, questa fase confusa. Oggi ci chiedono di non perdere più tempo con gli esperimenti e di mettere l’AI a sistema.

Non cercano più nemmeno qualcuno che dia ordine alle priorità, che è l’altra cosa che abbiamo visto negli ultimi due anni: nel mare magnum di ciò che posso fare, aiutami a capire che cosa viene prima. Siamo già alla fase successiva: partendo dalla comprensione del business, delle attività attuali e degli ambiti di sviluppo prioritari, ragioniamo e usiamo l’AI dove serve per raggiungere l’obiettivo. È lo stimolo che finalmente sta arrivando ed è un ottimo segnale: significa che la fase del «provo e poi vedo», che ha creato hype e forse ha alzato troppo le aspettative, sta finendo.

Dall’IT ai vertici aziendali

Immagino che per voi l’interlocutore resti comunque l’IT. Ma questi progetti non si fanno più soltanto con l’IT.

Molto meno. È cambiato il focus anche per noi: come azienda ci siamo riorganizzati anche internamente per seguire le diverse industry, i settori in cui operano i nostri clienti. L’IT deve portare innovazione, ma sulle idee da sviluppare con l’AI oggi ha un ruolo meno centrale. Spindox, che storicamente ha sempre parlato con i responsabili dei sistemi informativi, oggi parla con il CEO, il CMO, il CFO. Sono manager consapevoli che il valore passa dall’uso della tecnologia e si aspettano che qualcuno gliela confezioni con un vestito, usando un linguaggio che loro capiscono. Le cinque dimensioni del valore di cui parlavo all’inizio sono valori di business, non valori IT. Nessuna lo è, paradossalmente.

La leadership del CEO nell’adozione dell’AI

Più coinvolgimento del business, quindi. Ma quando metti intorno al tavolo figure diverse, il CFO, il CMO e le altre che hai citato, alla fine tutto finisce sulla leadership: conta molto il ruolo del capo azienda, del CEO.

Sì, il CEO deve prendersi dei rischi e guidare quel cambio di passo culturale di cui parlavo, perché deve capire se l’azienda è pronta per questo tipo di adozione. E deve darsi delle priorità, che sono priorità strategiche.

Devo ridurre i costi? Allora accelero, e nel piano industriale taglio attività a basso valore aggiunto. Oppure ne approfitto per migliorare il rapporto con i clienti? Allora punto tutto lì: riduco il churn, il tasso di abbandono, e faccio azioni di espansione del business. Dipende dalla guida strategica. I casi d’uso sono tutti fattibili, i costi sono certi, i ritorni sono da valutare: a quel punto conta la strategia. Anche perché l’adozione di queste tecnologie cambia la cultura dell’azienda, ed è il CEO a governarla.

La sfida dell’AI nelle aziende: decidere meglio, non solo prima

Chiudiamo tornando alle decisioni, che mi sembra il tema più intrigante: perché è insieme un rischio e una fatica ma restituisce valore alla presenza umana.

Una presenza umana che però deve essere consapevole dei propri meccanismi e farsi aiutare. Questa è la sfida. C’è un libro di Daniel Kahneman, Rumore (scritto con Olivier Sibony e Cass R. Sunstein, ndr), che è uno dei testi più belli che abbia mai letto. Rileggerlo alla luce degli strafalcioni che sta commettendo l’AI è illuminante. L’AI ha un potenziale enorme per risolvere quel problema, a patto che non cada negli stessi errori.

Ed è da lì che nascono le riflessioni più serie su come funzionano le aziende.