Il problema non è l’AI: è inserirla male nei vecchi sistemi di lavoro

Quante volte hai sentito un collega, un cliente o un amico dire:

“Ho provato l’intelligenza artificiale, ma non funziona”

Ha fatto una domanda, ha ricevuto una risposta imprecisa e ha concluso che la tecnologia fosse sopravvalutata. È un giudizio comprensibile, ma spesso nasce da un equivoco: pretendiamo che l’AI comprenda attività, linguaggio, clienti e procedure aziendali senza averle fornito contesto, conoscenza e un metodo con cui lavorare.

Il problema non è quasi mai soltanto la qualità del modello. È l’AI aggiunta superficialmente a sistemi frammentati e a modi di lavorare costruiti per un’altra epoca.

Quando diciamo che l’AI non funziona

Un dipendente apre un chatbot, scrive una richiesta generica e si aspetta una risposta immediatamente corretta. Se il risultato non è soddisfacente, modifica qualche parola, prova un nuovo prompt trovato online e, dopo pochi tentativi, abbandona lo strumento. Ma l’intelligenza artificiale non conosce automaticamente la storia dell’azienda, le eccezioni accumulate negli anni, il significato interno delle parole, le decisioni già prese o i criteri con cui un risultato viene considerato valido.

Dire che l’AI non funziona dopo una prova isolata è come assumere una persona esperta e chiederle di prendere una decisione strategica il primo giorno, senza mostrarle documenti, processi, clienti o progetti precedenti. La differenza è che, davanti a una persona, riconosciamo la necessità dell’inserimento e della formazione. Davanti a una macchina, immaginiamo invece che debba già sapere tutto.

Anche i migliori riferimenti pubblici mostrano una direzione opposta alla ricerca del prompt magico. Il lavoro divulgativo di Andrej Karpathy parte dalle fondamenta e dalla costruzione dei sistemi per comprenderne davvero il funzionamento, non da una raccolta di formule da copiare. Allo stesso modo, progetti come gstack di Garry Tan trasformano gli agenti in ruoli, procedure di revisione, controlli, verifiche e sequenze operative: il valore non nasce da un’unica domanda, ma da un metodo strutturato.

L’AI non è una commodity da distribuire ai dipendenti

Molte aziende stanno adottando l’AI come hanno adottato una nuova licenza software: acquistano l’accesso, lo distribuiscono ai dipendenti e aspettano che emerga spontaneamente un aumento di produttività. L’idea implicita è che lo strumento faccia tutto e che ogni persona possa trovare autonomamente il modo migliore per utilizzarlo.

In questo vuoto culturale prospera la ricerca del segreto. Si seguono nuovi guru, si collezionano prompt, si installano strumenti e si copiano workflow senza comprendere quale problema aziendale dovrebbero risolvere. Ma i segreti sono pochi. Le persone realmente interessanti da seguire non promettono scorciatoie: studiano i modelli, sperimentano, costruiscono sistemi, misurano gli errori e aggiornano continuamente il proprio metodo.

L’AI può diventare una tecnologia diffusa, ma il suo utilizzo efficace non è una commodity. Dipende dalla qualità delle informazioni disponibili, dalla capacità di formulare il problema, dai criteri di valutazione, dalle responsabilità e dalla memoria che l’organizzazione riesce a mettere a disposizione. Le realtà realmente AI-first non si limitano infatti a usare strumenti generativi: costruiscono workflow, sistemi proprietari e memorie di brand capaci di migliorare nel tempo.

Aggiungere l’AI a un sistema vecchio accelera il disordine

Un’azienda con documenti dispersi, cartelle personali, procedure mai formalizzate e conoscenza concentrata in poche persone non diventa intelligente collegando un modello linguistico. Diventa semplicemente più veloce nel produrre risposte basate su informazioni incomplete.

Prima dell’AI, questa frammentazione rallentava il lavoro. Oggi rischia di moltiplicare gli errori. Se due reparti utilizzano fonti diverse, l’AI produrrà due versioni plausibili della stessa verità. Se non esiste una distinzione tra documenti ufficiali, bozze e materiali superati, il sistema non potrà sapere quale contenuto considerare affidabile. Se feedback, correzioni e decisioni non vengono conservati, ogni nuova conversazione ripartirà quasi da zero.

Per questo l’adozione non può iniziare semplicemente dalla scelta del modello. Deve partire dalla conoscenza aziendale: dove si trova, chi la produce, chi la approva, come viene aggiornata, quali informazioni possono essere utilizzate e quali devono restare protette. L’AI non elimina la necessità di organizzare l’azienda. La rende finalmente impossibile da ignorare.

Prima della tecnologia viene il metodo

Oggi, più di ieri, un’azienda deve acquisire un metodo. Deve identificare i processi nei quali l’AI può generare valore reale, preparare le fonti, definire ruoli e responsabilità, costruire sistemi di verifica e formare le persone a collaborare con una nuova forma di intelligenza operativa.

La consulenza serve esattamente a questo: non a installare l’ennesimo strumento, ma a comprendere come la tecnologia possa entrare nell’organizzazione senza replicarne i limiti. Un metodo serio parte dall’osservazione del lavoro reale, seleziona pochi casi ad alto valore, costruisce prototipi, misura i risultati e trasforma ciò che funziona in un sistema condiviso. Anche i modelli di innovazione più solidi integrano l’AI dentro sistemi umani e organizzativi più ampi, invece di trattarla come una funzione isolata.

Le basi possono sembrare meno affascinanti dell’ultimo modello annunciato, ma sono ciò che permetterà all’azienda di evolvere quando quel modello verrà sostituito. Strumenti e interfacce continueranno a cambiare. La qualità dei dati, la memoria organizzativa, la capacità di valutare e il metodo con cui uomini e agenti collaborano rimarranno invece il vero vantaggio competitivo.

Il problema, quindi, non è che l’AI non funzioni. È continuare a inserirla male dentro aziende che non hanno ancora deciso come vogliono pensare, ricordare e lavorare.