C'è una tendenza che si ripete ogni volta che una nuova tecnologia arriva nelle aziende. Prima arrivano i tecnici — quelli che la conoscono, la installano, la configurano. Poi, dopo qualche anno di risultati deludenti, arrivano le domande scomode.
Con l'AI stiamo vivendo lo stesso ciclo, ma più velocemente.
La domanda sbagliata
Le aziende stanno assumendo AI engineers, prompt engineers, ML specialists. Stanno investendo in modelli, agenti, infrastrutture. Stanno costruendo workflow automatizzati in Finance, Risk, Legal, Procurement, Operations.
Eppure molti di questi progetti non producono i risultati attesi. Non perché la tecnologia non funzioni. Perché la domanda di partenza era sbagliata.
La domanda giusta non è "come automatizziamo questo processo con l'AI?"
La domanda giusta è "quale problema operativo stiamo cercando di risolvere, e questo è davvero il processo giusto da trasformare?"
Sono due domande completamente diverse. La prima è una domanda tecnica. La seconda è una domanda di dominio.
Chi dovrebbe progettare il workflow?
Proviamo con un esempio concreto. Un'azienda vuole usare l'AI per automatizzare l'analisi del rischio creditizio dei propri fornitori. Chiama un team di AI engineers.
Gli AI engineers costruiscono un ottimo sistema — prende i bilanci dei fornitori, calcola score, genera report. Funziona tecnicamente. Ma dopo sei mesi il CFO si accorge che il sistema non sta catturando i segnali che contano davvero: i ritardi nei pagamenti, i cambiamenti nella struttura societaria, le anomalie nei margini operativi anno su anno.
Perché? Perché chi ha progettato il workflow conosceva la tecnologia, non il processo. Sapeva come costruire un modello, non quali domande fare a un bilancio italiano.
L'AI non risolve un problema di tecnologia. Risolve un problema di processo.
Per costruire un workflow efficace bisogna sapere quali dati servono davvero, come interpretarli nel contesto specifico, quali eccezioni gestire, quali decisioni supportare, dove nascono attriti e ritardi nella catena operativa reale. Queste cose non si imparano su GitHub. Si imparano sul campo.
Il vero collo di bottiglia
Molte aziende oggi stanno cercando "esperti di AI" quando il vero collo di bottiglia è la comprensione del processo da trasformare.
Si investe nel modello, negli agenti, nell'infrastruttura. Ma spesso nessuno ha definito correttamente il problema operativo da risolvere. Il risultato è quello che si vede sempre più spesso: sistemi AI tecnicamente impeccabili che automatizzano il processo sbagliato, con più efficienza ma senza più valore.
Automatizzare un processo mal progettato non lo migliora. Lo peggiora più velocemente.