La bolla speculativa, alimentata da grandi promesse di automazione totale e ingenti investimenti, sta lasciando spazio a una valutazione più sobria e critica sull'adozione dell'Intelligenza Artificiale (AI) nei contesti aziendali. Se l'AI, in particolare quella generativa, rimane il tema centrale per i vertici aziendali, l'attenzione si sposta dall'entusiasmo all'urgenza di trovare un ritorno concreto e misurabile sull'investimento (ROI). Presenti al SAP NOW AI Tour di Milano, abbiamo potuto constatare come il dibattito si sia focalizzato non più sul se adottare l'AI, ma sul come farlo in modo efficace e, soprattutto, sicuro, utilizzando l'approccio definito Business AI.
Secondo un recente studio globale di SAP – intitolato "Business and Technology Priorities" e presentato in quell'occasione – che ha coinvolto 575 decision maker italiani, quasi la totalità del campione (94,9%) pone l'efficienza e la semplificazione dei processi come priorità assolute per la crescita. Si può così rispondere al problema delle interruzioni o debolezze del procurement e della supply chain (sfida sentita dal 38,1% delle aziende) e dalla frammentazione dei sistemi aziendali.
La necessità di una maggiore flessibilità e agilità per reagire ai mercati spinge le imprese a cercare nell'AI una leva per la trasformazione sostanziale, non cosmetica. È in questa fase di maturazione che si cerca di trasformare le potenzialità teoriche in strumenti pratici, dove l'affidabilità e la scalabilità diventano i veri parametri di successo.
Una fase di maturità che si contrappone a un momento in cui si sono approvati e realizzati progetti dagli obiettivi poco chiari e dai costi indefiniti, dove le aziende di tutto il mondo si trovano a dover gestire i rischi - anche molto grandi - della cosiddetta Shadow AI. Anzi, a volte l’uso di strumenti AI non corretti non è nemmeno un’azione clandestina a opera di collaboratori troppo zelanti, ma diventa una vera e propria prassi tollerata - persino incoraggiata.
Lo Shadow AI è l'uso non autorizzato di strumenti di intelligenza artificiale (IA) generativa da parte dei dipendenti, al di fuori delle policy aziendali e dei sistemi di sicurezza. Comporta rischi di fuga di dati sensibili e problemi di conformità.
Peccato che la corsa all'integrazione di strumenti puntuali, non supervisionati centralmente, possa generare un caos applicativo e semantico, neutralizzando i benefici attesi.
Sebbene l'impatto economico della Shadow AI sia difficile da quantificare in modo univoco, studi di settore indicano che la proliferazione di applicazioni non controllate può portare a gravi violazioni della compliance e a perdite di dati sensibili, giustificando l'urgenza di un approccio governato. La paura più concreta espressa dalle aziende, in Italia e nel mondo, non è l'AI in sé, ma il rischio di agire sulla base di informazioni errate generate dai sistemi, le note "allucinazioni".
La governance dell'AI contro l'illusione dell'autonomia
Carla Masperi, Amministratore Delegato di SAP Italia, sottolinea che l'AI non è una tecnologia plug and play né una panacea, ma un amplificatore che dipende dalla qualità del contesto in cui opera. L'approccio alla Business AI promosso da SAP non parte infatti dalla tecnologia fine a se stessa, ma dalla sua capacità di calarsi pragmaticamente nei processi aziendali per aumentare la capacità decisionale e la produttività.
Bisogna ricordarsi due principi fondamentali: che l'AI dà il suo valore quando ha due pilastri che sono solidi. Uno: una base applicativa affidabile, capace di produrre outcome affidabili. E la seconda: una base dati su cui l'AI può prosperare.
– Carla Masperi
Se si applicano soluzioni di AI in un contesto applicativo incoerente o frammentato, il rischio di disordine è elevato, poiché la macchina amplifica la disorganizzazione latente. È proprio la coerenza della piattaforma applicativa e la solidità della base dati che permettono di attivare l'AI in maniera modulare e sicura.
La soluzione nel caso di SAP è stata applicare l’AI a scenari piccoli e controllati, ribattezzati Mosquitos (parola che in spagnolo significa zanzare o moscerini, a rappresentare qualcosa di molto piccolo probabilmente). Si tratta di interventi mirati, come il controllo automatico delle fatture, che se applicati su larga scala producono un recupero di produttività immediato e non banale, senza dover intraprendere progetti monolitici. Questi micro-interventi, per essere efficaci e soprattutto coerenti, devono avvenire all'interno di un layer applicativo e una piattaforma dati semanticamente coesi.
Noi, i primi scenari di AI che abbiamo integrato nelle applicazioni li abbiamo chiamati Mosquitos. Il controllo fattura è un processo molto semplice, molto puntuale.
– Carla Masperi
Questa strategia definisce l'approccio di adozione incrementale e a basso rischio dell'AI, privilegiando interventi mirati (point solutions) che massimizzano rapidamente il ROI prima di passare a progetti più ampi.
L'elemento dirimente è la capacità del sistema di mantenere la coerenza semantica dei processi. Per mitigare il rischio di "allucinazioni", la governance dell'AI deve essere rigorosa. Non basta inserire un modello linguistico (LLM), ma è essenziale che questo erediti e rispetti le logiche di profilazione e sicurezza interne all'azienda. Joule, il copilot di SAP, ad esempio, non "spazia come vuole" nell'ambiente aziendale, ma eredita la profilazione degli utenti, garantendo l'accesso ai dati riservati solo a chi ne ha il diritto.
Per quanto riguarda la parte dei dati affidabili, stiamo parlando dell’approccio noto come Retrieval-Augmented Generation (RAG), cioè una situazione in cui l’AI funziona basandosi esclusivamente su dati verificati e governati. Un sistema davvero eccellente per ridurre al minimo - persino eliminare a volte - il problema delle allucinazioni. Una possibilità concreta perché le IA sono ancorate a dati aziendali verificati e specifici.
La tecnica RAG è riconosciuta come una best practice emergente nel settore, ma la sua vera efficacia, secondo SAP, risiede nella profonda integrazione con il sistema gestionale core: è così che l'AI non solo recupera informazioni, ma le interpreta nel contesto della logica di business e delle autorizzazioni.
Gli assistenti AI di ruolo
L'evoluzione più significativa in questa direzione è l'introduzione degli assistenti AI in Joule, il copilot di AI generativa di SAP, basati sul ruolo. Questi assistenti non sono semplici tool di automazione, ma assistenti che agiscono in maniera trasversale all'interno del flusso di lavoro aziendale, raccogliendo informazioni specifiche per ruoli come Risorse Umane, Finanza o logistica. Per rendere operativo il compito degli assistenti ci sono infine, gli agenti che in base alle richieste degli utenti , riflettono, pianificano, usano i dati e gli strumenti a disposizione per trovare la strada giusta e dare la risposta corretta.
L'intelligenza artificiale agentica, con agenti AI capaci di azioni autonome e gestione di flussi di lavoro, è d'altronde un trend che vede il 78% dei dirigenti predire nuovi ecosistemi digitali.
L'obiettivo di questi agenti non è la sostituzione, bensì la minimizzazione dei lavori ripetitivi a favore di un focus su task a maggior valore aggiunto, come la capacità di giudizio o di connettere scenari diversi. Questa progressione definisce la Autonomous Enterprise: un modello di business che si auto-ottimizza e dove le capacità decisionali sono più informate e predittive. In questo scenario, il contributo delle persone non scompare, ma si eleva.
In futuro io non vedo aziende senza capitale umano, vedo aziende che, se sfruttano in maniera adeguata le potenzialità che ha questa tecnologia, potranno certamente elevare livelli di produttività.
– Carla Masperi
L'A, gli assistenti e gli agenti sono progettati per liberare il capitale umano dalle attività operative e ripetitive, non per sostituire funzioni di giudizio, visione o connessione strategica.
La trappola della customizzazione e SAP Business Data Cloud
Un altro tema cruciale emerso dalla discussione è la necessità di standardizzazione dei processi applicativi. Molte aziende, soprattutto quelle di grandi dimensioni o con una lunga legacy, cadono nella trappola di ritenere i propri processi unici, ignorando che le funzioni di controllo basilari sono essenzialmente comuni a tutti.
Paolo Cervini, Amministratore Delegato di Polifin (holding di Gewiss e Costim RE), ha messo in luce come l'eccessiva customizzazione (legacy e customizzazioni) abbia trasformato i sistemi personalizzati in un limite all'evoluzione. La holding, che in cinque anni ha più che triplicato la propria dimensione, ha dovuto affrontare la sfida di armonizzare le proprie attività in contesti molto diversi.
Oggi tutto questo non sarebbe mai potuto avvenire se non avessimo avuto un percorso strutturato e strategico di digitalizzazione dell'azienda che va attraverso i processi, le persone e poi, se vogliamo usare un’altra P ... il prodotto.
– Paolo Cervini
Cervini ha evidenziato come il percorso di digitalizzazione strutturato (che non è solo tecnologia, ma processi e persone) sia stato il vero moltiplicatore della crescita e della profittabilità.
La standardizzazione non è solo un esercizio di efficienza sui costi, ma la precondizione per sfruttare l'AI. I sistemi che nascono cloud-native e aderenti allo standard ricevono più velocemente gli aggiornamenti e le evoluzioni tecnologiche, incluse le funzionalità AI. Quando l'architettura è troppo customizzata e frammentata, essa crea uno strato di complessità che rende l'infusione dell'AI di qualsiasi vendor un progetto oneroso, poiché ogni algoritmo deve essere addestrato e riadattato alla logica unica dell'azienda anziché allo standard di settore, ritardando l'adozione e aumentando i costi di manutenzione.
Un esempio lampante è stata la testimonianza di Fabio Veronese, Chief Technology Information Officer di FiberCop, che pur nascendo come distaccamento da un cliente storico e complesso come TIM, ha scelto di puntare sul public cloud e su una configurazione greenfield con SAP S/4HANA Cloud. Questa scelta è stata una dichiarazione di intenti: accettare configurazioni standard per evitare la rigidità e sfruttare l'innovazione continua.
L'obiettivo qui è conoscere i propri processi. Un'azienda che conosce bene i propri processi è l'asset che permette di adottare lo standard tecnologico con successo.
– Fabio Veronese
Il circolo virtuoso tra applicazione, dati e AI richiede un salto di qualità nella gestione delle informazioni, che va oltre il tradizionale Data Lake. È qui che si inserisce la soluzione SAP Business Data Cloud (BDC), promossa da SAP che ha visto un potenziamento grazie alla collaborazione con Databricks. SAP BDC mira ad arricchire la base dati mantenendo la coerenza semantica senza bisogno di trasferire i dati.
L'AI, in questo contesto, attinge i dati direttamente dal fronte applicativo e li arricchisce in un'unica piattaforma dati. Per un'azienda come Nutkao, leader nel settore del cacao e delle nocciole, l'integrazione tra le previsioni sulle materie prime (cambiamenti climatici sul sourcing) e i processi interni (pianificazione industriale, stock) cambia radicalmente le decisioni, superando la genericità dell'analisi esterna.
Focus tecnico: SAP BDC, Agenti per ruolo e Autonomous Enterprise
SAP Business Data Cloud (BDC) e Coerenza Semantica:
SAP BDC è una soluzione che armonizza i dati provenienti dalle applicazioni mission-critical delle organizzazioni (ad esempio ERP) con le funzionalità di data engineering e business analytics. L'architettura sfrutta SAP Datasphere come livello di armonizzazione e data virtualization per l'integrazione dei dati operativi con ambienti esterni (come Databricks Delta Lake). La chiave è il mantenimento della coerenza semantica: i dati esterni vengono correlati e contestualizzati con i dati aziendali attraverso l'uso di un semantic layer comune basato su SAP HANA Cloud. Questo approccio è cruciale per alimentare sistemi RAG efficaci, poiché fornisce una fonte autorevole e aggiornata per groundare le risposte dell'AI.
Agenti AI e Joule:
Gli Agenti AI sono sistemi che non si limitano all'esecuzione di un singolo task, ma sono capaci di coordinare una serie di attività e prendere decisioni autonome a livelli crescenti. Gli Agenti AI (es. Assistente HR, Assistente Finance) coordinano gli agenti e lavorano come veri e propri copilot contestuali, operando in maniera trasversale all'interno dei processi aziendali per reperire le informazioni necessarie. Il loro valore risiede nell'ereditare l'autorizzazione e la profilazione dell'utente (Role-Based Access Control).
Autonomous Enterprise:
Questo modello rappresenta l'orizzonte finale di integrazione. Non si tratta di un'azienda senza persone, ma di un'impresa con processi sempre più automatizzati, auto-ottimizzati e con capacità decisionali predittive e precise. L'AI, attraverso l'orchestrazione degli agenti, diventa il meccanismo centrale che governa le operazioni.
L'onere energetico e la responsabilità sistemica
L'approccio pragmatico e basato sul dato controllato è un passo necessario per uscire dalla fase immatura dell'adozione dell'AI in azienda, risolvendo il problema delle allucinazioni e della Shadow AI. Tuttavia, il "fare sul serio" non può limitarsi al perimetro dei processi aziendali. Un'analisi rigorosa deve considerare l'impatto ecologico e sociale dell'infrastruttura sottostante.
L'adozione su larga scala di modelli generativi comporta un costo energetico e idrico elevato. La promessa di agilità e produttività, seppur allettante, deve essere bilanciata dalla sostenibilità della base tecnologica. Anche l'AI, infatti, può essere uno strumento per migliorare l'efficienza energetica, come dimostrano le iniziative che utilizzano l'AI per ottimizzare il raffreddamento dei data center.
Il 29% delle aziende ritiene che il più grande rischio nell'uso dell'AI derivi dall'agire sulla base di informazioni errate generate dai sistemi di AI, le cosiddette allucinazioni.
– Ricerca SAP
L'addestramento e l'inferenza di modelli linguistici di grandi dimensioni (LLM) richiedono una quantità di energia e di acqua per il raffreddamento dei server che sta mettendo sotto pressione le infrastrutture critiche a livello globale.
Senza una strategia di mitigazione attiva e verificabile, l'efficienza aziendale ottenuta con l'AI rischia di essere scaricata sul bilancio ambientale della collettività. In questo senso, l'impegno di aziende come SAP a sviluppare green data center e ad applicare metriche di efficienza energetica ai workload di SAP BDC diventa un parametro cruciale per la Responsible AI. Ad esempio, SAP ha stabilito l'obiettivo di raggiungere e mantenere un Power Usage Effectiveness (PUE) di 1.2 o inferiore per i propri data center cloud e l'utilizzo di energia rinnovabile al 100%, un'azione essenziale per mitigare l'impatto di carichi computazionali intensivi come quelli richiesti dal BDC.
Il futuro dell'AI d'impresa non si giocherà solo sulla coerenza semantica (il RAG come antidoto all'allucinazione interna), ma anche sulla capacità del sistema economico di tassare gli impatti ambientali di un'infrastruttura tecnologica sempre più esigente in termini di risorse. È su questa visione di responsabilità che SAP si concentra, garantendo che la domanda 'come faccio l'AI?' trovi risposta in 'come faccio l'AI in modo responsabile, misurabile e sostenibile nel lungo periodo?'. Solo così si potrà giustificare il costo sistemico di questa nuova ondata tecnologica.