Le risposte dell’esperto
Il 29 luglio si è chiuso il quarto appuntamento del ciclo “Professioni del domani”, dedicato all’AI Automation Specialist: la figura che unisce l’intelligenza artificiale e l’automazione digitale per velocizzare e migliorare i processi di un’azienda.
Durante l’ora di confronto con Phillip Rech, Chief Artificial Intelligence Officer di Highway, il pubblico ha fatto moltissime domande così abbiamo deciso di raccoglierle in questo articolo. Quello che segue non è un riassunto dell’evento, ma una guida completa con le risposte dell’esperto.
Il ROI è l’unica metrica utile?
No. Il ritorno d’investimento misurato in modo classico fotografa solo la parte più povera del valore, e preso da solo diventa fuorviante.
Accanto al ritorno economico guardo la qualità, con l’indicatore che considero il più onesto di tutti: il tasso di override, cioè quante volte la persona corregge o rifiuta l’output della macchina. Guardo poi la capacità che si crea in azienda, quindi quante persone sanno progettare un flusso e quanto tempo serve per il secondo caso rispetto al primo. E guardo le attività che prima non erano sostenibili e adesso lo sono.
Due accortezze pratiche. Calcolate il ritorno sul costo totale, quindi licenze, consumo a token, manutenzione e tempo delle persone, non sul solo canone. E misurate una baseline prima di partire: il primo caso deve ripagarsi in settimane. Se non succede, avete scelto il processo sbagliato.
Da dove parte un’azienda che non ha internamente gli strumenti?
Lunedì mattina non aprite ChatGPT, aprite il calendario della settimana scorsa. Guardate dove è finito il tempo e quali di quelle attività rifate identiche ogni settimana. Se vi capita di passare a mano un dato dal sistema A al sistema B, quello è il candidato.
Poi misurate: quante volte a settimana succede, quanti minuti costa, quanti errori genera. Mezz’ora con un foglio di calcolo, ed è il numero che tra due mesi vi dirà se ha funzionato.
Infine scegliete un flusso solo, noioso e a basso rischio. Delivery Hero è partita dal ripristino delle password: primo workflow costruito in cinque ore, 200 ore al mese recuperate. Non serve un reparto IT, serve una persona che conosca il processo e una piattaforma da qualche decina di euro al mese. Un’ultima cosa: prima di distribuire strumenti alle persone mettete due pagine di regole d’uso e un’ora di formazione, perché dal febbraio 2025 l’alfabetizzazione AI del personale è un obbligo dell’AI Act.
Come si fa in 2 minuti il riesame dei requisiti richiesto da ISO 9001 o EN 9100?
I due minuti riguardano la preparazione del riesame. Il riesame in sé resta un atto di responsabilità dell’organizzazione e lo firma una persona.
Quello che il sistema toglie di mezzo è il lavoro di raccolta: estrae dalla richiesta requisiti, quantità, norme applicabili e condizioni particolari, li confronta con anagrafiche, listino e vincoli produttivi, segnala le differenze rispetto agli ordini precedenti dello stesso cliente e consegna il modulo precompilato a chi deve firmarlo. Chi riesamina non compila più: legge, controlla i punti segnalati, approva. Nei casi standard bastano davvero un paio di minuti. Quando ci sono impatti su fattibilità, rischio o conformità di prodotto il passaggio umano resta obbligatorio, e va scritto come regola dentro il flusso.
C’è poi un argomento che di solito convince i responsabili qualità: un flusso automatizzato lascia più tracce di un processo gestito a email. Per ogni preventivo sapete quale versione del listino è stata usata, quale documento è stato consultato, cosa ha proposto il sistema, chi ha approvato e a che ora. È l’evidenza oggettiva che chiede l’auditor. Due prerequisiti da mettere in ordine prima: documentazione tecnica gestita a versioni e permessi, e consensi del cliente correttamente registrati nel CRM.
A chi ci si rivolge per costruire questi strumenti? Esistono agenzie e professionisti?
Sì, e il mercato è più accessibile di quanto sembri ma è fondamentale verificare le credenziali e le modalità di lavoro prima di scegliere. Ci sono partner certificati e i system integrator specializzati, quando il flusso tocca ERP o dati sensibili; i freelance, spesso persone che vengono da operations e hanno imparato la parte tecnica; e il canale istituzionale, cioè Camera di Commercio, Digital Innovation Hub e Competence Center, che ha il vantaggio di darvi un orientamento indipendente dai fornitori.
Conta di più come scegliete. Un buon partner propone un assessment di maturità digitale per verificare la vostra situazione attuale, vuole vedere il processo e i numeri prima di parlare di strumenti, propone un pilota piccolo con perimetro, prezzo e criterio di successo definiti prima di iniziare, costruisce sui vostri account così flussi, chiavi e dati restano di proprietà dell’azienda, documenta e forma una persona interna, e sa dirvi quando l’AI non serve.
Diffidate invece dei canoni alti senza una baseline misurata, delle promesse di ROI senza misurazione e delle piattaforme chiuse che non potete portarvi via.
Cosa pensi dell’AI on premise?
È una scelta legittima e a volte obbligata, ma raramente è il punto di partenza per una PMI. Ha senso quando ci sono vincoli normativi o contrattuali reali, dati che non possono uscire, volumi alti e stabili, requisiti di latenza o di continuità operativa.
Il costo vero non sta nella licenza, visto che i modelli aperti sono gratuiti. Sta nelle persone e nel ciclo di vita: hardware, aggiornamenti, monitoraggio, valutazione continua della qualità delle risposte. Un modello locale che nessuno aggiorna per un anno diventa un debito tecnico.
Sulle capacità: i modelli aperti oggi se la cavano benissimo a classificare, estrarre e riassumere, che poi è l’80% di quello che serve dentro un flusso di automazione, mentre restano indietro sul ragionamento complesso. Per questo consiglio quasi sempre l’ibrido, con il locale sui dati sensibili e sui compiti ripetitivi e il cloud sui compiti complessi con dati non sensibili.
Una precisazione che genera parecchi equivoci: on premise non significa conforme. Il GDPR chiede misure adeguate, non una certa ubicazione dei server, e un server mal configurato in azienda è meno sicuro di un servizio cloud con un contratto serio.
Qualche dettaglio sulla classificazione “alto rischio”
L’AI Act classifica i sistemi su quattro livelli: rischio inaccettabile (pratiche vietate), alto rischio, rischio limitato (obblighi di trasparenza) e rischio minimo.
L’alto rischio comprende due insiemi: l’AI come componente di sicurezza di prodotti già regolati e otto aree d’uso elencate: biometria, infrastrutture critiche, istruzione, occupazione e gestione dei lavoratori, accesso a servizi essenziali e credito, law enforcement, migrazione e controllo frontiere, giustizia.
Esiste però un filtro che quasi nessuno conosce. Un sistema che rientra in quelle aree non è automaticamente ad alto rischio se svolge solo un compito procedurale ristretto, se migliora il risultato di un’attività umana già completata, se rileva schemi senza sostituire la valutazione della persona o se è puramente preparatorio. La deroga non vale mai, però, quando il sistema fa profilazione di persone fisiche. Ordinare i CV in arrivo per completezza documentale è una cosa, assegnare ai candidati un punteggio di idoneità è un’altra: il secondo caso è alto rischio, il primo quasi certamente no. In ogni caso la valutazione va messa per iscritto, perché è il documento che vi salva in caso di controllo.
Il regolamento di semplificazione dell’AI Act (UE 2026/1744, in vigore dal 27 luglio 2026) ha spostato gli obblighi sui sistemi ad alto rischio al 2 dicembre 2027 per l’Allegato III e al 2 agosto 2028 per l’Allegato I. Dal 2 agosto 2026 restano confermati gli obblighi di trasparenza e il regime sanzionatorio, mentre divieti e formazione obbligatoria si applicano già da febbraio 2025. Aggiungo che quasi tutte le PMI sono utilizzatori e non fornitori, quindi con obblighi più leggeri: uso conforme alle istruzioni, supervisione affidata a persone competenti, conservazione dei log, informazione ai lavoratori prima di introdurre un sistema.
Come si gestiscono privacy e sicurezza dei dati condivisi con i modelli?
Si governa su tre livelli. Il primo è contrattuale: piani business o enterprise e mai account personali, con accordo di trattamento, esclusione dell’uso dei dati per l’addestramento, conservazione configurabile, localizzazione e sub-responsabili dichiarati. Nei piani business dei principali fornitori queste clausole ci sono già. Quasi sempre il problema non è il fornitore, è che le persone usano l’account sbagliato.
Il secondo livello è architetturale e si riassume in una parola: minimizzazione. Al modello mandate il minimo indispensabile e mascherate gli identificativi prima della chiamata, perché di solito serve il contenuto della richiesta e non il nome di chi l’ha scritta. La ricerca documentale deve ereditare i permessi dei sistemi di origine, così ognuno vede solo quello che vedrebbe comunque. E occhio ai connettori dell’orchestratore, che sono la superficie di rischio più grande e spesso girano con permessi molto più ampi del necessario.
Il terzo è organizzativo: una policy d’uso di una pagina, un registro dei sistemi AI, la formazione del personale. Tenete presente il dato da cui siamo partiti in webinar, quell’81% di lavoratori che usa già strumenti personali non tracciati. Il confronto non è tra flusso AI e mondo sicuro, ma tra flusso governato e un disordine che esiste già oggi.
Un caso concreto di AI Automation nella cybersecurity
Il caso più replicabile, anche senza un SOC, è la gestione delle segnalazioni di phishing. Il dipendente segnala il messaggio sospetto. Il sistema analizza header, dominio mittente, reputazione degli URL e allegati incrociandoli con le fonti di threat intelligence, un modello linguistico valuta i segnali tipici del social engineering, e ne esce un verdetto motivato con un ticket già arricchito e l’elenco di chi altro ha ricevuto lo stesso messaggio. Il responsabile approva con un clic e solo allora partono la rimozione, il blocco del dominio e la comunicazione agli utenti coinvolti.
Funzionano bene anche il triage degli alert, dove l’analista riceve un caso già istruito invece di cinquanta notifiche identiche, e la gestione del ciclo di vita degli accessi, che è poi il caso Delivery Hero visto in webinar.
Due regole che considero non negoziabili in questo ambito. La prima: nessuna azione distruttiva in automatico. Isolare un host, bloccare un account privilegiato o cancellare messaggi in massa sono cose che il sistema propone e che una persona autorizza. La seconda è più tecnica ma conta molto: tutto ciò che il sistema analizza va trattato come dato e mai come istruzione, perché un’email costruita apposta può contenere testo che tenta di dirottare il comportamento del modello.
Come si mettono tetti di spesa ai costi dell’AI agentica?
Con gli agenti il costo smette di essere una licenza prevedibile e diventa variabile, perché dipende da quante volte il sistema lavora e da quanti passaggi fa per arrivare al risultato. Un agente che entra in un ciclo di tentativi ripetuti può bruciare in una notte il budget di un mese. Le leve, in ordine di priorità:
- budget per caso d’uso e non per azienda: ogni flusso ha un proprietario, un tetto mensile e una chiave API dedicata, così sapete sempre chi consuma cosa;
- limiti tecnici e non solo alert: tetto di spesa sulla chiave, numero massimo di passaggi per esecuzione, timeout, e un interruttore che sospende il flusso oltre soglia;
- routing dei modelli: modello piccolo per classificare ed estrarre, modello grande solo dove serve ragionamento. Con il caching dei prompt ricorrenti e l’elaborazione in batch si arriva facilmente a dimezzare la spesa;
- un solo KPI per parlare con il controllo di gestione: il costo per unità di lavoro, quindi per preventivo, per ticket o per pratica, confrontato con il costo della stessa unità nel processo manuale;
- alert sulle anomalie: uno scostamento del 50% rispetto alla media giornaliera va notificato lo stesso giorno, non a fine mese con la fattura;
- una revisione mensile di dieci minuti, in cui si confronta il costo di ogni flusso con il valore che produce e si spegne quello che non paga.
Aggiungo un’accortezza contrattuale: verificate se il superamento della soglia blocca il servizio o viene fatturato a consuntivo, e in fase di avvio preferite i piani prepagati.
Quando il mercato italiano riconoscerà la figura dell’AI Solution Architect?
Il riconoscimento è già cominciato, ma sotto altre etichette. La domanda c’è, 44.000 posizioni con competenze AI in Italia nel 2025 e un più 93% in un anno, solo che negli annunci il ruolo compare come AI Specialist, Automation Engineer o Solution Architect, oppure finisce dentro la job description di un responsabile IT o operations. È andata così anche con il Data Scientist e con il DPO: la funzione esiste prima del nome.
Sui tempi mi aspetto questa sequenza. I system integrator e le software house lo hanno già formalizzato, perché lo vendono. Le aziende medio-grandi lo stanno introducendo adesso, spinte anche dagli obblighi normativi, visto che quando qualcuno deve rispondere di come sono governati i sistemi AI quel qualcuno diventa una posizione in organigramma. Nelle PMI resterà a lungo un ruolo ibrido, e in un’azienda da cinquanta persone credo sia anche la configurazione più efficace. Il fattore che accelera più di tutti, per esperienza, è il primo concorrente diretto che pubblica risultati misurabili, molto più della normativa.
A chi si sta posizionando su questo ruolo direi di non aspettare che il mercato crei la casella, e di presentarsi con tre processi documentati e i numeri prima e dopo.
Quali competenze e certificazioni contano davvero per una carriera nell’AI?
Chi viene dal marketing ha già la metà rara della competenza: capire un processo, sapere quali numeri contano, parlare con chi quel processo lo esegue tutti i giorni. La parte tecnica sembra la barriera ed è invece la più insegnabile.
Gli strati da costruire sono tre. Le fondamenta, che non scadono: leggere e ridisegnare un processo, misurarlo, capire come sono fatti i dati e come funziona una API. Il mestiere: un orchestratore conosciuto bene, Make o n8n, non tre a metà, più prompt e context engineering, RAG, valutazione degli output e un livello base di Python o JavaScript. E la governance, cioè AI Act, GDPR e sicurezza tradotti in scelte progettuali, che oggi è la competenza più scarsa sul mercato perché in pochi sanno passare dalla norma al disegno del flusso.
Sulle certificazioni sono diretto: contano meno del portfolio. Le più utili sono quelle delle piattaforme, perché verificano che sappiate fare. Quello che sposta davvero un colloquio sono tre casi reali documentati: il problema, quanto costava prima, l’architettura del flusso, i numeri finali e cosa non ha funzionato al primo tentativo.
Come si capisce su cosa vale la pena investire il proprio tempo?
Smettete di seguire gli strumenti e cominciate a seguire i vostri problemi. Tenete scritti da qualche parte tre o cinque problemi concreti e valutate ogni novità con una domanda sola: mi aiuta a risolvere uno di questi? Questo filtro da solo elimina quasi tutto il rumore.
Distinguete poi due strati che si muovono a velocità diverse. Modelli, prezzi e funzionalità cambiano ogni mese: non vanno studiati, si adottano quando servono. Processi, dati, integrazioni, misurazione e governance cambiano lentamente e pagano per anni, ed è lì che va il tempo di studio.
Sulla dieta informativa la regola che uso io è drastica: due o tre fonti primarie e basta, il resto si cancella. Le notizie importanti vi raggiungono comunque, e più di una volta. Tenete infine la proporzione a 80% del tempo speso a costruire e 20% a leggere, perché un pomeriggio passato a montare un flusso vero, che sbaglia e va corretto, insegna più di venti articoli.
Le domande di oggi diventano spesso il programma dei nostri prossimi incontri. Se lavori in una PMI e stai valutando dove far entrare l’AI nei tuoi processi, rivedi il webinar completo. Codice d’accesso: !PpSu?9%
