Recentemente, in una grande azienda, i vertici aziendali hanno chiesto al Chief Digital Transformation Officer di sviluppare una strategia di adozione dell’intelligenza artificiale per favorire innovazione, crescita ed efficienza dei costi.
Il consulente coinvolto nell’iniziativa ha condotto una serie di interviste con gli stakeholder e ha proposto un programma articolato in tre fasi, della durata complessiva di tre anni e mezzo:
- Fase 1: consolidare le basi digitali e colmare le lacune residue a livello di personale, processi e tecnologia derivanti da una trasformazione digitale incompleta.
- Fase 2: costruire le fondamenta dell’AI, includendo governance, strumenti, piattaforme e un AI Office.
- Fase 3: introdurre iniziative di business basate su AI e AI agentica che abbiano le maggiori probabilità di raggiungere i clienti.
Era un programma coerente, ottimizzato per garantire un’implementazione efficiente. Ma non era ciò che il management aveva richiesto. L’obiettivo era definire una strategia capace di rendere l’azienda più innovativa e competitiva in un contesto in cui i tempi necessari per realizzare nuovi prodotti IT si sono drasticamente ridotti. Quello presentato, invece, era un progetto finalizzato soprattutto a consolidare le basi, destinato ad assorbire gran parte del budget prima ancora di generare un reale valore per il business.
La prudenza del consulente era comunque razionale. Il rapporto DORA 2025 afferma infatti che “l’AI è un amplificatore”: valorizza i punti di forza delle organizzazioni più performanti e, allo stesso tempo, accentua le inefficienze di quelle in difficoltà. Meno della metà delle iniziative di trasformazione digitale raggiunge o supera gli obiettivi di business prefissati e molte grandi aziende, sotto la pressione del management e dei concorrenti, trasferiscono quel lavoro incompiuto nei propri programmi di AI.
Un’organizzazione consapevole che le proprie fondamenta siano ancora incomplete ha quindi validi motivi per preoccuparsi di ciò che l’intelligenza artificiale potrebbe amplificare. Sistemare prima le basi sembra la scelta più responsabile. Ma non dovrebbe essere né l’obiettivo principale né il punto di partenza.
Perché l’approccio “foundation first” fallisce sempre
Costruire una base prima di avere un caso d’uso concreto è una scelta speculativa. Ogni decisione progettuale viene presa senza conoscere i carichi di lavoro reali e ogni modello di governance viene definito per processi che ancora non esistono.
Martin Fowler ha dato un nome a questo approccio. Nel suo lavoro fondamentale sulla progettazione del software, lo ha definito “generalità speculativa”: l’abitudine di aggiungere infrastrutture e punti di integrazione per “cose che non sono necessarie”, perché si ritiene che un giorno potrebbero servire. A livello di codice, si tratta di un anti-modello riconosciuto. A livello di programma, diventa un impegno pluriennale e multimilionario.
I rapporti CHAOS dello Standish Group mostrano con continuità che un approccio agile e iterativo produce risultati significativamente migliori rispetto a uno sequenziale. L’edizione 2020 evidenzia che i programmi iterativi hanno probabilità di successo tre volte superiori rispetto a quelli sviluppati per fasi successive.
Nelle iniziative di grandi dimensioni il divario aumenta ulteriormente: secondo il rapporto CHAOS 2015, i programmi iterativi ottengono risultati sei volte migliori rispetto ai corrispondenti approcci sequenziali.
I team che costruiscono una piattaforma senza casi d’uso concreti raramente riescono a progettarla correttamente. Quando arrivano le prime applicazioni reali, devono dedicare tempo e risorse a modificare quelle fondamenta. E, nel frattempo, il panorama degli strumenti AI è già cambiato.
Le organizzazioni che scelgono l’approccio “foundation first” finiscono generalmente con tre risultati: una piattaforma costosa progettata per requisiti ormai superati, il management insoddisfatto per aver visto il budget erodersi senza benefici tangibili e un’organizzazione che ha trascorso anni senza portare innovazione ai propri clienti.
La soluzione non è rinunciare alle fondamenta, ma costruirle nel modo corretto. E le fondamenta migliori sono quelle progettate per uno scopo preciso.
Le uniche fondamenta che funzionano
Le organizzazioni che ottengono risultati concreti dall’AI partono da un problema specifico e cruciale dei clienti. Risolvendo quel problema costruiscono, passo dopo passo, le fondamenta su cui sviluppare le iniziative successive.
Occorre individuare l’iniziativa più importante dal punto di vista strategico, realizzarla e misurarne l’impatto effettivo sul business. Le fondamenta vanno costruite durante il percorso, limitandole a ciò che è realmente necessario per quella specifica iniziativa. Solo a quel punto è possibile presentare i risultati al management: non un aggiornamento sullo stato di avanzamento, ma una dimostrazione concreta di ciò che è stato realizzato e del valore generato per i clienti.
Un risultato effettivamente conseguito rappresenta il segnale più forte che un’organizzazione possa dare a sé stessa per dimostrare che un nuovo modo di lavorare funziona davvero. Da lì è possibile procedere per iterazioni: ogni nuova iniziativa eredita ciò che la precedente ha validato e le fondamenta crescono progressivamente.
Superare le abitudini culturali
Questo approccio può apparire poco naturale, soprattutto nelle organizzazioni orientate all’eccellenza operativa.
Quando si presenta il dilemma tra investire ulteriormente nelle fondamenta o concentrarsi sul fornire valore ai clienti, i team tendono spontaneamente a privilegiare la prima opzione. Definire fin dall’inizio del programma alcuni principi guida espliciti aiuta invece a mantenere l’attenzione sulla creazione di valore per il cliente.
Ogni organizzazione dovrebbe sviluppare i propri, ma questi quattro principi possono rappresentare un buon punto di partenza:
- Focalizzati anziché esaustivi: l’obiettivo non è costruire una base completa, ma ottenere il risultato giusto per il cliente giusto.
- Clienti anziché requisiti: i requisiti descrivono ciò che è stato richiesto; i clienti dimostrano ciò che funziona davvero.
- Efficacia anziché efficienza: l’efficienza ottimizza un sistema già noto; l’efficacia permette di capire se si sta costruendo quello corretto.
- Essenziale anziché speculativo: costruire solo ciò che serve all’iniziativa in corso. Ogni progetto aggiunge alle fondamenta un componente governato e validato dal punto di vista architetturale, che sarà poi riutilizzato nelle iniziative successive.
L’obiettivo non è disporre di una piattaforma AI perfetta, ma ottenere risultati concreti per i clienti e migliorare i principali KPI di business.
