In questi mesi mi capita di vedere continuamente video in cui qualcuno apre un tool di intelligenza artificiale e, nel giro di pochi minuti, costruisce un’app, un gestionale, una dashboard. Oppure scopre una nuova skill capace di fare in automatico attività che fino a ieri richiedevano ore. Il sottotesto è sempre più o meno lo stesso: guarda quanto è facile, guarda quanto tempo puoi risparmiare, guarda cosa puoi fare senza saper programmare.
E attenzione: è davvero straordinario. Uso ogni giorno strumenti AI per studiare, progettare, scrivere, sperimentare e lavorare. Mi hanno già fatto scoprire possibilità che prima non avevo considerato. Non ho nessuna voglia di fare il discorso nostalgico di chi vorrebbe tornare indietro.
Però c’è una domanda che mi faccio sempre più spesso: quanto siamo distanti tra una dimostrazione che funziona sul nostro computer e un progetto di intelligenza artificiale che può funzionare davvero dentro un’azienda?
Perché portare l’intelligenza artificiale nelle PMI non significa soltanto dare ai dipendenti un account ChatGPT, creare un piccolo agente personale o collegare due strumenti con un’automazione. Sono esperimenti utili, spesso anche il punto di partenza. Ma quando entrano in gioco clienti, dati aziendali, persone diverse, autorizzazioni e decisioni operative, cambia completamente la partita.
Una demo che funziona non è ancora una soluzione aziendale
Un esempio molto semplice, vicino al mondo del web: con l’AI oggi puoi ottenere in poco tempo una pagina dall’aspetto convincente. Ma chi dovrà aggiornarla tra sei mesi? Sarà modificabile con gli strumenti che l’azienda usa già o dipenderà da un plugin, da codice personalizzato o da uno shortcode che qualcuno dovrà mantenere?
Non è detto che una soluzione basata su codice o plugin sia sbagliata: a volte è la scelta migliore. Il punto è conoscerne le dipendenze e valutarne la compatibilità con il processo reale. Un prototipo dimostra che una cosa si può fare; non dimostra ancora che sia pronta per essere adottata in azienda.
Ecco il punto: l’AI può accorciare moltissimo la strada per creare un prototipo. Non cancella la necessità di capire se quel prototipo è adatto al contesto in cui dovrà vivere.
Un connettore non è soltanto un pulsante per collegare due servizi
Lo stesso vale per la posta elettronica e gli altri strumenti di lavoro. Un collegamento può essere disponibile in un ambiente e non in un altro, oppure permettere soltanto determinate operazioni. Prima di costruirci un processo aziendale, bisogna verificare che cosa sia realmente accessibile, a quali condizioni e con quali limiti.
Da lì, però, le domande diventano ancora più serie. Mettiamo che un’azienda voglia collegare l’AI alla posta, a un CRM, a un archivio documentale o al gestionale. In molti casi si parla di connettori: integrazioni che, tramite API o altri meccanismi di accesso, permettono a un’applicazione di consultare dati o eseguire operazioni su un altro sistema. In alcuni ambienti queste capacità vengono esposte agli agenti anche attraverso server MCP, Model Context Protocol. Non sono tutti la stessa cosa, ma condividono una domanda fondamentale: quali strumenti e informazioni stiamo rendendo disponibili?
Se concedo a un’integrazione il permesso di leggere le email, quali email potrà leggere? Solo una casella o anche gli allegati? Solo alcuni messaggi o l’intero archivio? Può anche inviare, modificare o cancellare? Il permesso rimane attivo? Chi può revocarlo?
E se una richiesta è ambigua, un documento contiene istruzioni ingannevoli oppure il sistema interpreta male il contesto? Che cosa potrebbe fare, concretamente, con i permessi che gli abbiamo dato?
Non è paranoia. Il progetto di sicurezza OWASP descrive proprio il rischio dell’«excessive agency»: dare a un sistema più autonomia, funzioni o permessi di quanti gliene servano. La risposta non è rinunciare a qualsiasi integrazione. È progettare accessi limitati, verifiche, approvazioni prima delle azioni delicate e possibilità di bloccare ciò che non dovrebbe accadere.
E soprattutto: chi si assume la responsabilità?
Se un cliente mi chiede di collegare un sistema AI ai suoi dati, non basta che io sappia tecnicamente farlo. Prima bisogna capire chi autorizza l’accesso, chi decide per quali scopi quei dati possono essere usati, chi gestisce le credenziali, chi verifica gli output e chi interviene se qualcosa va storto.
La responsabilità non si assegna automaticamente alla persona che ha cliccato «Connetti», né scompare perché «l’ha fatto l’intelligenza artificiale». Dipende dai ruoli effettivi, dalle operazioni svolte, dalle regole applicabili e dagli accordi tra azienda e fornitori. Se vengono trattati dati personali, entrano in gioco anche gli obblighi del GDPR: basi giuridiche, ruoli di titolare e responsabile del trattamento, misure di sicurezza, eventuali valutazioni d’impatto nei casi previsti. Il Comitato europeo per la protezione dei dati ricorda che l’uso di modelli AI con dati personali richiede valutazioni legate allo specifico trattamento.
Non pretendo di risolvere qui tutte le questioni legali o informatiche, e sarebbe poco serio farlo. Ma fare queste domande prima di attivare il collegamento mi sembra il minimo. Le password non dovrebbero finire nei prompt, i permessi non dovrebbero essere più ampi del necessario e un processo che modifica dati aziendali non dovrebbe essere lasciato senza controllo.
La privacy è indispensabile. Ma senza dati veri che cosa stiamo automatizzando?
Ed è qui che mi trovo davanti a una contraddizione che non voglio nascondere. Da una parte siamo giustamente preoccupati di dare all’AI accesso a informazioni aziendali, email, documenti, clienti. Dall’altra, però, come faccio ad automatizzare davvero la gestione delle email se il sistema non può leggerle? Come progetto una dashboard utile se non può consultare i dati che dovrebbe analizzare? Con informazioni inventate posso fare una bella dimostrazione. Non posso sapere se la soluzione reggerà nel lavoro quotidiano.
Questa paura è legittima. E non va liquidata con un «basta fidarsi della tecnologia». Ma non possiamo nemmeno immaginare di introdurre l’intelligenza artificiale nelle aziende vietandole qualunque accesso: finiremmo per chiederle di lavorare senza la materia prima che le serve. Non possiamo pretendere capacità reali e, contemporaneamente, impedire ogni interazione con la realtà.
Per me la strada non è scegliere tra «colleghiamo tutto e speriamo bene» e «non colleghiamo niente». È stabilire un perimetro che abbia senso: dati necessari a quel compito, autorizzazioni limitate, accessi distinti per ruolo, azioni delicate sottoposte ad approvazione, tracce delle operazioni e possibilità di interrompere il sistema. Quando si usano dati personali servono anche le verifiche privacy pertinenti e strumenti con condizioni adeguate. Non è assenza di limiti: sono limiti progettati per permettere un uso responsabile, non per bloccarlo a priori.
I dati fittizi o protetti sono preziosi nelle prime prove, perché permettono di scoprire molti errori senza esporre informazioni reali. Ma, prima di mettere un sistema in produzione, serve anche verificarne il comportamento nel contesto effettivo, usando dati pertinenti e legittimamente accessibili, con le protezioni necessarie. Altrimenti il rischio è celebrare una demo che non abbiamo mai davvero messo alla prova.
Il gestionale creato in un pomeriggio: bellissimo. E lunedì mattina?
I video che mostrano applicazioni generate dall’AI spesso finiscono nel momento migliore: la dashboard si apre, i pulsanti funzionano, i grafici si muovono. Applausi. Ma io vorrei vedere il video del lunedì successivo.
Dove si installa? Chi ha accesso? Chi decide quali dati può vedere il commerciale e quali l’amministrazione? Se un dipendente lascia l’azienda, chi revoca le sue autorizzazioni? Chi fa i backup? Chi aggiorna le dipendenze? Chi corregge un bug quando chi ha costruito il progetto non è disponibile?
E ancora: se il sistema legge male una colonna di Excel, associa un prezzo al cliente sbagliato oppure genera un riepilogo convincente ma inesatto, chi se ne accorge prima che qualcuno prenda una decisione?
Un conto è costruire una piccola utility per me, in un ambiente di prova, con dati non riservati e conseguenze limitate. Un altro è mettere uno strumento dentro un flusso aziendale da cui dipendono preventivi, ordini, condizioni commerciali o informazioni su altre persone.
La differenza ha anche un nome molto poco spettacolare: manutenzione. Un sistema che funziona oggi deve continuare a funzionare quando cambiano software, modelli, persone, autorizzazioni e processi. E se un fornitore smette di seguirlo, l’azienda deve sapere che cosa possiede e come continuare a usarlo.
Il vero ostacolo potrebbe non essere la tecnologia
In un contesto formativo dedicato all’intelligenza artificiale è emersa una domanda che trovo molto concreta: quanti di voi sanno già di poter portare davvero nella propria azienda un progetto di trasformazione digitale?
Sembra una domanda secondaria. In realtà arriva molto prima del tool da scegliere. Puoi avere un’idea eccellente, ma se non sai chi può approvarla, chi gestisce i dati, chi dovrà cambiare abitudini, quanto tempo servirà per sperimentare e chi la manterrà, non hai ancora un progetto. Hai una possibilità.
Nelle grandi organizzazioni, soprattutto in settori regolamentati come quello bancario, queste decisioni attraversano spesso funzioni IT, sicurezza, privacy, compliance, acquisti e governance. È normale che ci siano controlli, tempi e responsabilità differenti. Non tutte le PMI hanno reparti dedicati, ma i problemi di fondo non spariscono perché l’organigramma è più piccolo. Qualcuno deve comunque assumersi quelle decisioni, magari con il supporto di competenze esterne.
E attenzione a un equivoco: non serve costruire una burocrazia gigantesca per provare un assistente che aiuta a riassumere documenti non riservati. Più aumenta l’impatto possibile su dati, processi e persone, più devono aumentare le verifiche. Il perimetro conta.
Anche per questo il dibattito non può fermarsi a «facciamo un corso di prompt». Il regolamento europeo sull’AI prevede misure per sviluppare la preparazione di chi utilizza questi sistemi nell’organizzazione: la Commissione europea lo spiega nelle FAQ sull’AI literacy. Conoscere il pulsante da premere non equivale a saper riconoscere i limiti di ciò che quel pulsante può fare.
Il vero costo dell’AI non è soltanto l’abbonamento
C’è poi un aspetto di cui si parla molto meno nei reel: anche usare l’AI costa. E non intendo solo il canone mensile. Ci sono il tempo necessario per capire gli strumenti, le persone da formare, le integrazioni, i controlli, gli errori da correggere e la manutenzione. Se si usano API o agenti con consumi a pagamento, entrano anche chiamate, token, modelli differenti ed eventuali servizi esterni.
Mi è capitato di vedere persino la proposta di far lavorare cento agenti in competizione per ottenere la risposta migliore. Può essere un esperimento interessante. Ma per rispondere a una domanda normale, siamo sicuri che servano cento agenti? Quante elaborazioni e quanti token consumiamo, quanto tempo impieghiamo a configurare e verificare tutto e, soprattutto, quanto migliora davvero il risultato? A volte il meccanismo è più spettacolare del problema che risolve.
Lo stesso vale per le tante dimostrazioni di video, applicazioni o flussi complessi generati in pochi passaggi. Non dubito che alcune funzionino e facciano risparmiare tempo. Ma «si può fare» non è ancora un criterio per decidere se farlo. Se per ottenere un contenuto devo passare ore a scrivere istruzioni, correggere errori, rilanciare operazioni e sistemare l’output, devo almeno confrontare quel lavoro con il metodo che usavo prima.
Non è soltanto una mia impressione. Nel giugno 2025 Gartner prevedeva che oltre il 40% dei progetti di AI agentica sarebbe stato cancellato entro la fine del 2027 per costi crescenti, valore aziendale poco chiaro o controlli dei rischi insufficienti. È una previsione, non un dato già accaduto; mi interessa perché mette a fuoco proprio il passaggio che spesso manca tra entusiasmo e utilizzo reale.
Anche un’indagine McKinsey pubblicata a novembre 2025 mostrava che quasi due terzi delle organizzazioni intervistate non avevano ancora iniziato a estendere l’AI su scala aziendale. Eppure sperimentavano già. C’è una distanza reale tra provare qualcosa e inserirlo stabilmente nel lavoro.
Il fatto che una cosa si possa fare non significa che vada per forza fatta. Un’automazione semplice, o perfino un processo tradizionale ben organizzato, può essere più conveniente di un agente sofisticato. Altre volte l’AI può fare una differenza enorme. Per capirlo bisogna contare non solo il tempo che sembra risparmiare nella demo, ma anche quello che richiede per essere usata, controllata e mantenuta.
Da dove partirei, allora, se fossi una PMI?
Non comincerei chiedendo «quale agente possiamo installare?». Comincerei osservando un lavoro reale: dove perdiamo tempo? Dove ricopiamo sempre le stesse informazioni? Dove le persone cercano dati senza trovarli? Quali attività sono ripetitive e quali, invece, richiedono giudizio o responsabilità?
Poi sceglierei un caso circoscritto, con un proprietario del processo e un risultato verificabile. Prima una prova con dati fittizi o opportunamente protetti, possibilmente senza scrivere nei sistemi aziendali. Poi, se il test ha senso, una verifica controllata con i dati reali necessari e gli accessi autorizzati: errori, permessi, tempi effettivamente risparmiati, costi e interventi umani richiesti. Solo dopo valuterei un’integrazione più profonda.
Per esempio: un supporto che prepara una bozza da controllare è molto diverso da un agente che invia autonomamente un’offerta. Un sistema che cerca informazioni in un archivio autorizzato è diverso da uno che può modificare prezzi o condizioni. Non sono sfumature tecniche: cambiano il rischio, la fiducia necessaria e il modo in cui va progettato tutto il resto.
Qui si vede la differenza tra acquistare una tecnologia e cambiare un modo di lavorare. Bisogna preparare i dati, chiarire chi decide, formare le persone, prevedere chi interviene se qualcosa non funziona e accettare che la prima versione possa non essere quella giusta.
Non sono passaggi entusiasmanti da mostrare in un reel. Però sono quelli che permettono a un esperimento di diventare utile anche dopo la demo.
Io continuo a essere entusiasta dell’AI. Proprio per questo voglio capire cosa c’è dietro.
Non ho la risposta definitiva su come ogni PMI dovrebbe introdurre l’intelligenza artificiale. Sto sperimentando anch’io, spesso scopro nuove possibilità facendo tentativi e continuo a cambiare idea davanti a strumenti e risultati che non conoscevo.
So però che non mi basta più il «guarda, funziona!». Voglio capire come funziona, che cosa richiede, da cosa dipende, cosa succede se sbaglia e chi potrà occuparsene domani. È una forma di entusiasmo un po’ meno scenografica, ma probabilmente più utile.
L’AI sta rendendo accessibili possibilità che fino a poco tempo fa avrebbero richiesto competenze, budget e tempi molto diversi. È un’occasione enorme, anche per le piccole e medie imprese. Sarebbe un peccato sprecarla confondendo il primo risultato impressionante con il lavoro necessario per portarlo davvero in azienda.
La domanda, forse, non è più soltanto «che cosa possiamo fare con l’AI?». È «siamo pronti a farcene carico quando smette di essere un esperimento?»
Se stai valutando di introdurre strumenti AI nella tua attività, mi interessa soprattutto questa parte: quale problema vuoi risolvere e che cosa dovrebbe cambiare davvero nel lavoro quotidiano? Puoi raccontarmi la situazione. A volte una prima conversazione serve più a definire bene i limiti che a scegliere subito uno strumento.



