Le organizzazioni aziendali si confrontano quotidianamente con la complessità di trasformare i flussi informativi in azioni operative rapide ed efficaci. Quando le direzioni strategiche si rivolgono agli strumenti digitali per orientare le risorse economiche, emerge spesso un divario profondo tra le risposte attese e le reali capacità dei sistemi convenzionali.
Questa criticità, discussa in occasione del convegno dell’Innovation Challenge 2026 promosso dall’Osservatorio Data & Decision Intelligence del Politecnico di Milano, mette in luce la necessità di abbandonare le soluzioni generiche per costruire un’infrastruttura capace di sostenere la complessità del business. Come ha evidenziato Loris Lombardo, product manager di Horsa Insight, «L’adozione degli strumenti di Intelligenza Artificiale è ormai pervasiva e le richieste del business verso gli assistenti virtuali sono estremamente pratiche, come richiedere supporto sugli investimenti o sulla chiusura del mese».
Risposte poco accurate a queste istanze non generano soltanto inefficienze, ma rischiano di alimentare una diffusa sfiducia verso le tecnologie di automazione.
Indice degli argomenti
La gestione delle decisioni e i profili degli utenti
Il punto di partenza per ridefinire il rapporto tra analisi e azione consiste nel considerare la scelta manageriale come un vero e proprio elemento progettuale. Riprendendo i modelli di ricerca accademica sviluppati dal Politecnico di Milano, la decision intelligence viene applicata con l’obiettivo di strutturare, orchestrare e monitorare l’intero ciclo di vita decisionale. Sul piano operativo, Lombardo ha chiarito la visione della propria divisione specializzata nella data analytics: «Sposiamo la definizione di decision intelligence fornita dal Politecnico, intesa come la capacità di gestire, progettare ed eseguire le decisioni come se fossero dei veri e propri prodotti».
Esploratori e decisori: due modalità di interazione
L’efficacia degli strumenti digitali dipende direttamente dal profilo di chi li adopera all’interno dei processi operativi. Nelle strutture aziendali si delineano due categorie distinte con esigenze tra loro asimmetriche. Da una parte si posizionano gli esploratori, spesso identificabili nei power user tecnici, i quali conducono sessioni di indagine approfondite per validare ipotesi complesse e sviluppare nuovi apparati di analisi. Questi professionisti dispongono del bagaglio metodologico necessario a valutare criticamente i risultati intermedi, tollerando margini di approssimazione nell’elaborazione del software.
Dall’altra parte figurano i decisori aziendali, figure che richiedono il dato all’interno di un istante temporale mirato per effettuare una determinata manovra di gestione. Per questo gruppo l’accuratezza deve risultare totale, poiché l’errore nell’indicatore si traduce in un danno diretto sulle performance aziendali. L’obiettivo di una progettazione evoluta non è delegare in modo cieco l’esito finale al software, bensì offrire una guida mirata all’analisi, lasciando sempre al decisore umano la facoltà di compiere la deliberazione conclusiva.
Il ruolo del livello semantico nella governance dei dati
La dispersione dei dati rappresenta il principale freno all’efficacia delle piattaforme digitali. Un’illustrazione concreta di questa problematica riguarda un marchio internazionale del comparto fashion, attivo con canali di e-commerce e massicci investimenti promozionali online. L’ecosistema informativo di una realtà simile risulta suddiviso tra molteplici piattaforme pubblicitarie eterogenee, ciascuna caratterizzata da propri criteri di rilevazione e logiche di tracciamento.
Dalla frammentazione all’armonizzazione delle metriche
L’assenza di un quadro comune comporta la moltiplicazione di metriche incoerenti, che disorientano i vertici aziendali e rallentano le determinazioni commerciali. Per superare questo ostacolo, l’architettura tecnica adotta un solido livello semantico, incaricato di governare in maniera rigorosa la definizione delle tassonomie, i modelli di attribuzione e la logica interna dei singoli data product.
Attraverso questo strato logico, le varie sorgenti perdono la loro natura disarticolata per confluire in una rappresentazione uniforme del business. Il livello semantico stabilisce un punto di verità unico e condiviso tra tutti gli attori dell’organizzazione, azzerando le discrepanze tra le misurazioni e garantendo che le informazioni fornite ai vertici rispondano ai medesimi standard analitici.
Agenti AI specializzati e personalizzazione dei ruoli
Sopra la struttura di dati armonizzata si colloca l’orchestrazione degli agenti AI, concepiti non come entità monolitiche, ma come assistenti verticali configurati in base alle responsabilità organizzative. Il sistema evita deliberatamente un approccio indifferenziato, fornendo risposte calibrate sugli obiettivi di ciascun comparto operativo.
Specializzazione operativa per CMO, Media ed E-commerce
Nello specifico del caso d’uso esposto, l’orchestrazione prevede figure artificiali dedicate rispettivamente al Chief Marketing Officer, al Media Manager e all’E-commerce Manager. Ciascuno di questi agenti AI interroga lo stesso livello semantico, ma osserva i fenomeni attraverso lenti funzionali differenti:
- Il sistema orientato al CMO privilegia le metriche di ritorno economico aggregato e la tenuta strategica dei piani di investimento.
- Il supporto per il media manager controlla la reattività delle campagne digitali sulle piattaforme terze, monitorando l’efficacia del budget allocato.
- L’assistente per l’e-commerce manager si concentra sulle conversioni d’acquisto, sui colli di bottiglia del portale e sulle dinamiche transazionali.
Grazie a questa convergenza, gli agenti AI non limitano il proprio compito alla produzione di reportistica passiva. Il sistema propone in tempo reale indicatori chiave e precise azioni correttive, suggerendo ad esempio allarmi mirati per i team di gestione o la riconfigurazione dinamica delle risorse finanziarie sui canali web più profittevoli. L’intero impianto risponde a una sequenza ordinata in quattro stadi fondamentali: la fase di assorbimento delle informazioni (ingestion), la strutturazione logica (data model), la formalizzazione semantica (semantic layer) e l’azione finale affidata all’orchestrazione agentica.
Sicurezza, privacy e protocolli di integrazione
L’introduzione di strumenti operativi intelligenti solleva interrogativi circa la tenuta delle strutture aziendali e la tutela della riservatezza. Nel corso del confronto moderato da Alessandro Piva, direttore degli Osservatori Digital Innovation del Politecnico di Milano, l’attenzione si è concentrata sulle logiche di collegamento con i modelli linguistici esterni e sulla sostenibilità infrastrutturale.
Riservatezza dei dati e modelli su misura
Sollecitato sul tema della tutela del patrimonio informativo, Loris Lombardo ha precisato i presidi di protezione adottati: «I dati non vengono salvati né utilizzati per l’addestramento dei modelli terzi». Tutte le interazioni e le componenti di contesto vengono elaborate all’interno di ambienti protetti di proprietà del cliente, con protocolli di comunicazione cifrati da estremo a estremo.
Qualora l’azienda operi sotto rigidi vincoli regolamentari o di riservatezza industriale, la soluzione consente di distribuire i modelli linguistici in modalità privata oppure direttamente su infrastrutture on-premise, isolando completamente il flusso da ambienti condivisi.
Il ruolo del Model Context Protocol
Un ulteriore nodo cruciale riguarda la necessità di modificare o meno gli archivi sorgente preesistenti per adottare formati aperti. L’impiego dello standard di integrazione denominato Model Context Protocol (MCP) risolve questa dipendenza. L’MCP interviene stabilendo un livello di astrazione funzionale tra la base di dati e gli agenti AI, permettendo alle procedure di collegarsi alle sorgenti attuali senza imporre una riscrittura totale o complessi processi di migrazione dell’architettura pregressa.
Sostenibilità economica ed efficacia organizzativa
La quantificazione del ritorno per queste piattaforme supera le logiche computazionali dei semplici costi di implementazione o del consumo di token legati alle interrogazioni. Di fronte alla comparazione con la reportistica tradizionale, il valore risiede nella velocità e nell’accuratezza con cui l’organizzazione orienta le proprie risorse.
A tal proposito, Lombardo ha evidenziato le motivazioni di adozione: «Il business case si basa sull’efficienza operativa e sul miglioramento della qualità decisionale, consentendo ad esempio alle reti commerciali di valutare le opzioni in modo guidato e coerente con la strategia aziendale».
Oltre al ritorno finanziario sull’investimento, la misurazione del successo coinvolge un parametro altrettanto rilevante definito Return on Engagement. Gli addetti e i responsabili operativi, potendo contare su strumenti costruiti per il proprio specifico perimetro d’azione, sviluppano una partecipazione più attiva e consapevole nei processi aziendali, riducendo l’attrito organizzativo e migliorando la coesione operativa.
Partecipa alla community