Dai progetti ai sistemi che imparano

L’intelligenza artificiale rende meno costoso produrre analisi, ipotesi e prototipi. Questo non rende automaticamente più innovative le organizzazioni.

Oggi un’ipotesi può essere formulata in pochi minuti, un prototipo in poche ore, una simulazione in un pomeriggio. Attività di ricerca che richiedevano giorni possono talvolta chiudersi in una mattina. Eppure le aziende non stanno imparando alla stessa velocità con cui crescono le capacità dei modelli.

I dati aiutano a mettere a fuoco la tensione. Lo Stanford AI Index 2026 ↗ stima che nel 2025 l’88% delle organizzazioni intervistate usasse l’AI in almeno una funzione, contro il 78% nel 2024; l’uso degli agenti, però, era ancora agli inizi. Nell’indagine globale McKinsey sullo stato dell’AI nel 2025 ↗, il 62% dei rispondenti afferma che la propria organizzazione sta almeno sperimentando agenti AI. Il 23% dichiara di scalarne l’uso in almeno un’area, ma in nessuna singola funzione la quota supera il 10%. Sono risultati di indagini diverse, con definizioni e campioni propri: descrivono un quadro generale, non la situazione di ogni impresa.

L’adozione, quindi, è una misura debole della trasformazione. Dice quante persone hanno accesso a uno strumento; non dice quanto rapidamente l’organizzazione trasforma ciò che scopre in decisioni, cambiamenti e risultati.

La tesi di questa ricerca è che il prossimo vantaggio competitivo dell’AI in azienda possa derivare meno da modelli sempre più capaci e più da un contesto organizzativo migliore e da cicli di apprendimento più rapidi.

Un modello di fondazione può avere una conoscenza ampia del mondo. Non sa, da solo, come funziona una specifica azienda.

Non sa che cosa significhi “cliente” dentro quell’organizzazione, quale definizione di fatturato faccia fede, quale KPI prevalga quando due sistemi restituiscono numeri diversi, chi sia responsabile di una decisione o quali eccezioni valgano in un processo. Non può sapere quali azioni richiedano approvazione. Per agire in modo utile ha bisogno di contesto.

Il contesto non è un prompt più lungo. È l’insieme di informazioni, istruzioni, strumenti, memoria e vincoli che permette a un sistema di interpretare una richiesta e di agire entro limiti comprensibili. La riflessione di Anthropic sul context engineering ↗ descrive proprio il passaggio dal progettare una singola istruzione al progettare l’ambiente informativo complessivo. OpenAI, nel suo rapporto sull’AI nelle imprese ↗, segnala tra i fattori di maturità l’accesso integrato ai dati aziendali, la codifica della conoscenza istituzionale e la comprensione del contesto organizzativo.

La convergenza è significativa: l’intelligenza disponibile conta, ma il suo valore dipende da ciò che il sistema può conoscere, interpretare e fare dentro l’impresa.

Per anni la knowledge base aziendale è stata soprattutto un luogo in cui depositare procedure, policy, presentazioni e documenti. È utile alle persone che cercano, leggono e interpretano. Un agente che deve compiere un’azione ha bisogno anche di significati condivisi, relazioni esplicite e regole applicabili.

La ricerca di Microsoft su GraphRAG ↗ mostra perché il semplice recupero di brani testuali può non bastare quando le risposte dipendono da relazioni distribuite tra più documenti. In parallelo, Microsoft descrive Fabric IQ e le ontologie ↗ come strumenti per dare a persone e agenti un contesto condiviso su entità, relazioni e regole di business. Sono esempi delle direzioni esplorate dall’industria, non la prova che esista già una soluzione universale.

Una progressione aiuta a distinguere i livelli: i dati registrano che cosa è successo; l’informazione li organizza; la conoscenza attribuisce loro un significato; il contesto chiarisce perché quell’informazione conta per un problema preciso; l’intelligenza interpreta il contesto; l’azione modifica una situazione. L’apprendimento collega il risultato all’esperienza futura.

Un’ontologia è spesso trattata come un artefatto tecnico. Può diventare invece una rappresentazione esplicita dell’azienda: entità come cliente, prodotto, boutique, mercato, campagna, ordine, dipendente e fornitore; relazioni tra loro; proprietà, regole e metriche che ne definiscono il significato operativo.

Su questa struttura si possono rendere esplicite domande concrete. Chi è un cliente attivo? Come si calcola il fatturato? Quali condizioni rendono un cliente idoneo a un evento privato? Quale soglia fa scattare una certa azione? Quando le risposte restano implicite o divergenti tra sistemi, l’AI eredita quell’ambiguità.

Nel lusso l’esempio è immediato. Se “cliente attivo” significa una cosa per il CRM, un’altra per il retail e un’altra ancora per l’e-commerce, un assistente di clienteling può generare raccomandazioni incoerenti. Il problema non è necessariamente il modello: può essere l’assenza di una definizione condivisa. L’ontologia non sostituisce il confronto tra funzioni; rende il risultato di quel confronto leggibile e riutilizzabile.

La ricerca propone di leggere un ambiente AI maturo come sette capacità collegate. La governance attraversa ciascuno strato; l’apprendimento restituisce alla knowledge base ciò che il ciclo ha prodotto.

La sequenza non è una catena puramente lineare. La knowledge base alimenta il contesto; il contesto orienta l’intelligenza; l’azione produce risultati; la valutazione di quei risultati aggiorna la conoscenza. La governance definisce accessi, responsabilità, controlli e limiti in ogni passaggio.

Se l’AI riduce il costo di analisi, prototipi, simulazioni e codice, un’organizzazione può mettere alla prova più ipotesi con meno sforzo. Il vantaggio si sposta dal trovare una sola idea perfetta all’imparare più velocemente attraverso esperimenti disciplinati.

Il ciclo proposto è: contesto → ipotesi → esperimento → evidenza → decisione → azione → apprendimento → nuovo contesto. L’ultimo passaggio è decisivo: ciò che si impara ritorna nella knowledge base e rende più informato il giro successivo.

Un progetto tradizionale è spesso organizzato soprattutto come meccanismo di consegna. Un progetto nativo AI può diventare anche un sistema di apprendimento strutturato. L’esperimento che non conferma un’ipotesi crea valore quando elimina rapidamente, e a basso costo, una strada poco promettente. Il progetto diventa così uno strumento per ridurre l’incertezza, non soltanto una sequenza di attività da completare.

La tabella non oppone ogni progetto tradizionale a ogni esperimento AI. È una lente per chiedersi quale parte del lavoro possa essere ripensata quando il costo di provare un’ipotesi diminuisce.

L’AI non rende inutile il project manager: ne sposta il baricentro. Il ruolo classico coordina perimetro, tempi, budget, risorse, dipendenze e stakeholder. Quello che emerge coordina anche persone, AI, dati, conoscenza, agenti e governance.

Si può descrivere questa funzione come orchestrazione: progettare le condizioni perché forme diverse di intelligenza lavorino insieme. Alle persone restano giudizio, responsabilità, gestione dell’ambiguità e leadership. L’AI può contribuire ad analisi, sintesi, generazione e simulazione. La conoscenza aziendale fornisce memoria istituzionale e regole. Gli agenti eseguono azioni entro flussi e permessi definiti.

Questo cambiamento è entrato anche nel dibattito professionale. Il Project Management Institute ha pubblicato nel giugno 2026 ↗ uno standard per l’AI nella gestione di portafogli, programmi e progetti. Il fatto che esista uno standard non dimostra che ogni organizzazione abbia già adottato questo modello; segnala però l’emergere di un linguaggio professionale dedicato alla gestione dell’AI nel lavoro di progetto.

La domanda, quindi, non è soltanto se l’AI entrerà nel project management. È che cosa diventa un progetto quando sperimentare costa meno e l’apprendimento può essere uno dei suoi risultati principali.

In questo modello la governance non è un controllo aggiunto alla fine. Definisce i confini entro cui sperimentazione ed esecuzione autonoma possono avvenire in modo responsabile. Che cosa può fare un agente da solo? Che cosa può solo raccomandare? Quali azioni richiedono approvazione umana? A quali dati può accedere, quali sistemi può modificare, e come vengono registrate e valutate le sue azioni?

È un’autonomia controllata: sufficiente libertà per accelerare, struttura sufficiente per mantenere responsabilità e possibilità di intervento. Regole chiare possono ridurre l’incertezza operativa e rendere più semplice sperimentare entro limiti condivisi. Non eliminano i rischi né sostituiscono la valutazione caso per caso.

La ricerca propone di sintetizzare questi fattori in una relazione di gestione:

Velocità d’innovazione = Contesto × Conoscenza × Sperimentazione × Governance × Esecuzione

La forma moltiplicativa è intenzionale: una debolezza importante in un fattore può limitare il valore degli altri. Il modello migliore, per esempio, può produrre poco valore se la knowledge base è confusa o se non è chiaro chi possa autorizzare le azioni.

Questa relazione non è un’equazione quantitativa validata, e i fattori non sono qui misurati su una scala comune. È una mappa concettuale: serve a ricordare che la velocità d’innovazione dipende da capacità complementari, e a formulare domande da verificare nei casi aziendali.

Se l’obiettivo è imparare più in fretta, le metriche dovrebbero seguire il tempo necessario per passare da un problema a una decisione utile. La prima misura è legata al contesto: se ricostruire le informazioni di business richiede settimane di riunioni, molti guadagni potenziali si perdono prima che l’esperimento inizi.

Queste metriche sono proposte, non standard consolidati. Un’organizzazione dovrebbe definirne operativamente i punti iniziali e finali, la qualità minima dell’evidenza e le differenze tra casi d’uso. Ridurre i tempi senza controllare errori, qualità e conseguenze potrebbe premiare la velocità sbagliata.

La ricerca propone sei livelli per descrivere un possibile percorso di maturità. Sono una griglia di discussione, non una scala diagnostica validata né una classifica di aziende.

Il livello più alto non si misura dal numero di modelli, strumenti o agenti. Si misura dalla capacità di apprendere in modo continuo e di riutilizzare ciò che si è appreso. In questa ipotesi, il salto dal terzo al quarto livello dipende in larga parte dalla qualità del contesto e della knowledge base.

Da questo quadro discendono alcune direzioni di lavoro:

Queste indicazioni non sono una ricetta uguale per tutti. Il punto di partenza dovrebbe essere un problema reale, un responsabile identificabile e un esperimento con criteri di valutazione espliciti.

La domanda strategica per chi guida un’organizzazione forse non è più quanta AI abbia adottato. Una domanda più utile è: quanto velocemente trasformiamo nuova conoscenza in decisioni, e decisioni in esperimenti?

Le aziende che imparano più in fretta potrebbero superare quelle che si limitano ad automatizzare più in fretta. I progetti della prossima generazione potrebbero avere uno scopo più ampio: non soltanto consegnare qualcosa, ma ridurre l’incertezza, produrre evidenze e generare nuova conoscenza.

In questo scenario la knowledge base non è l’archivio in fondo al processo. È il punto da cui il ciclo riparte.

Questa ricerca distingue tra evidenze riportate e interpretazione proposta. I dati su adozione, sviluppo tecnologico e ricerca pubblicata provengono dalle fonti citate; sono risultati di indagini e documenti con perimetri specifici. L’equazione della velocità d’innovazione, il modello di maturità a sei livelli e la cornice “dai progetti ai sistemi che imparano” sono modelli strategici sviluppati per questo lavoro. Vanno letti come ipotesi e non come risultati empirici già dimostrati.

Il lavoro proseguirà con cinque casi contrastanti — lusso e retail, industria, tecnologia, Asia e una grande impresa statunitense — per individuare schemi ricorrenti e condizioni abilitanti, non per stilare una classifica.