AI in azienda, come scegliere il modello giusto per ogni problema

Anni fa, la pittrice Angela Grimoldi mi disse una frase che non ho più dimenticato: “Stiamo ancora un po’ prima della domanda.”

Allora parlavamo di tutt’altro. Ma quella frase mi torna in mente oggi ogni volta che qualcuno chiede quale sia il miglior modello di intelligenza artificiale. GPT? Claude? Gemini? Il prossimo che arriverà? Forse la domanda arriva già troppo tardi. Prima bisognerebbe chiedersi: quale problema dobbiamo risolvere? Con quali dati? Quali rischi stiamo introducendo e quanto costa sbagliare? Quanto conta la tracciabilità delle fonti? Quale livello di controllo ci serve? E in quali condizioni, invece, sarebbe meglio non usare affatto l’intelligenza artificiale? Dovremmo trovare la soluzione giusta per il nostro problema, invece di andare a cercare un problema per la soluzione che vorremmo usare (o del quale ci siamo innamorati).

Come scegliere il modello AI in azienda: dal problema alla governance

È un passaggio apparentemente piccolo, ma segna una fase nuova nell’adozione dell’AI nelle imprese. All’inizio il problema era avere accesso alla tecnologia. Poi imparare a usarla. Ora, mentre modelli diversi diventano disponibili nello stesso ambiente di lavoro, emerge una competenza ulteriore: saper scegliere quale intelligenza utilizzare per quale problema, con quali dati e sotto quali vincoli.

Non esiste necessariamente il modello migliore. Esiste un vantaggio specifico che, in alcune circostanze, può essere abbastanza importante da giustificare una scelta diversa dallo standard. Ed è proprio lì che la scelta tecnologica comincia a diventare governance.

Più scelta, più limiti

Siamo abituati ad associare l’innovazione alla progressiva rimozione dei vincoli: più accesso, più potenza, più autonomia. Nell’AI enterprise può valere anche il contrario. Più aumentano capacità e numero dei modelli disponibili, più diventa importante sapere dove non utilizzarli. Un modello può offrire un vantaggio in un determinato lavoro e non averne alcuno in un altro. Può essere particolarmente efficace nell’analisi di grandi quantità di fonti e inutile per riscrivere una mail. Può produrre una risposta migliore introducendo però condizioni differenti sul trattamento delle informazioni, sulla sicurezza o sulla tracciabilità.

La libertà di scegliere senza criteri rischia quindi di produrre una nuova frammentazione: ogni funzione utilizza lo strumento preferito, ogni novità genera un nuovo esperimento, ogni benchmark diventa argomento per cambiare piattaforma. La governance non può limitarsi a decidere quali strumenti siano ammessi. Deve stabilire quando la differenza prodotta da uno strumento giustifica la complessità aggiuntiva necessaria per utilizzarlo.

Claude entra in Sidel, ma attraverso un’eccezione

È dentro questa domanda che Sidel ha reso disponibili i modelli Anthropic Claude nell’ambiente Microsoft 365 Copilot. La parte interessante non è l’arrivo di Claude. È il modo.

L’accesso non viene automaticamente esteso agli utenti, perché non tutti i modelli offrono una garanzia esplicita di rispetto delle regolamentazioni dell’Unione Europea. Chi lo richiede deve descrivere un caso d’uso specifico, indicare le fonti dati e il livello di confidenzialità delle informazioni coinvolte e spiegare perché i modelli OpenAI GPT già disponibili nell’ambiente standard non rispondano adeguatamente a quella necessità. L’autorizzazione riguarda poi quel caso d’uso, non Claude in generale. È una distinzione importante. Non viene autorizzato uno strumento. Viene autorizzata una relazione precisa tra problema, modello, dati e condizioni di utilizzo.

Uno dei primi casi è nato all’interno di un progetto sulla storia di Sidel. Il lavoro richiede di attraversare grandi quantità di fonti pubbliche eterogenee, confrontare ricostruzioni differenti, riconoscere contraddizioni e omissioni, mantenere la tracciabilità delle evidenze e ricomporre il materiale all’interno di una struttura storica coerente.

Non una classifica, ma una soglia di evidenza

Prima dell’autorizzazione è stato svolto anche un confronto interno tra i modelli. La conclusione, aggiornata al 27 agosto 2026, è volutamente prudente: Claude Opus 5 mostra un vantaggio credibile in alcune forme di knowledge work complesso e di lungo respiro, soprattutto quando il risultato dipende da sintesi multi-source, ragionamento approfondito e qualità del deliverable professionale. Tuttavia, le evidenze disponibili non supportano una superiorità generale di Claude rispetto ai modelli GPT-5.6. Per quanto riguarda Claude Sonnet 5, i benchmark pubblici mostrano un modello competitivo ma con risultati generalmente comparabili a GPT-5.6, con vantaggi e svantaggi che variano in funzione del caso d’uso; non emerge quindi una superiorità netta e trasversale per il lavoro quotidiano in Microsoft 365.

Il punto è definire una soglia di evidenza sufficiente per giustificare un’eccezione allo standard. Non si autorizza un modello perché è migliore in assoluto. Si autorizza un’eccezione perché, per quel problema, esiste abbastanza evidenza da verificare un vantaggio specifico. Inoltre, l’eccezione governata è anche il modo per evitare che l’uso diventi invisibile.

L’eccezione deve guadagnarsi il diritto di restare

Nel caso Sidel, l’autorizzazione ha una durata limitata a sei mesi. Può utilizzare soltanto informazioni pubbliche e materiali che si abbia diritto di trattare. Non si estende a riscrittura generica, traduzioni, proofreading o normale produzione di testi, attività per le quali continuano a essere utilizzati i modelli standard.

Soprattutto, la sperimentazione deve lasciare dietro di sé evidenza. Per attività rappresentative viene mantenuto un confronto tra Claude Opus 5 e GPT-5.6 osservando non semplicemente quale risposta «sembri migliore», ma dimensioni più concrete: completezza, capacità di individuare contraddizioni, qualità nell’uso delle evidenze, tracciabilità delle fonti, omissioni e quantità di intervento umano necessaria per arrivare a un risultato utilizzabile.

È un piccolo cambio di prospettiva. Normalmente adottiamo una tecnologia perché riteniamo che funzioni meglio. Qui avviene il contrario: le concediamo uno spazio delimitato per permetterle di dimostrare se funzioni meglio dove pensiamo che possa farlo. L’eccezione diventa un’ipotesi. Il caso d’uso è l’esperimento. Il confronto produce l’evidenza. E alla fine l’organizzazione dovrebbe poter decidere se confermare, ampliare, modificare o chiudere quell’eccezione.

La governance diventa un modo per imparare

Questo approccio evita due estremi. Il primo è la standardizzazione assoluta: abbiamo scelto un ambiente, quindi utilizzeremo sempre quello, anche quando un’alternativa potrebbe produrre un vantaggio rilevante. Il secondo è il mercato permanente dell’AI, nel quale ogni nuovo modello viene provato perché qualcuno ha letto che ha superato un benchmark o perché produce risultati sorprendenti nelle prime demo. Tra questi estremi esiste uno spazio più interessante: uno standard forte con eccezioni deboli all’inizio, che devono produrre evidenza per diventare più forti.

In questa logica la governance non è il dipartimento che arriva alla fine per dire sì o no. Entra nel processo di apprendimento. Security e privacy definiscono ciò che non può essere fatto. Il business chiarisce quale problema valga la pena risolvere. La tecnologia valuta se esista davvero una differenza tra i modelli. L’utilizzatore conserva la responsabilità di controllare le fonti e il risultato. E l’esperienza prodotta dal caso deve tornare all’organizzazione. La governance smette così di essere soltanto una barriera protettiva e diventa un dispositivo per imparare più velocemente senza trasformare ogni esperimento locale in una nuova regola aziendale.

La responsabilità comincia prima del prompt

Negli ultimi anni abbiamo insistito molto sulla necessità di mantenere l’essere umano human in the loop. È corretto, ma rischia di collocarlo troppo tardi. Quando una risposta appare sullo schermo, molte decisioni sono già state prese. Quale problema affidare all’AI. Quali informazioni renderle disponibili. Quale modello interrogare. Quali rischi accettare. Quale livello di evidenza pretendere. In quali condizioni fermarsi.

La responsabilità comincia quindi prima del prompt. E questo potrebbe richiedere una nuova forma di competenza professionale. Non dovremo necessariamente conoscere l’architettura di ogni modello, così come chi guida un’automobile non deve saper costruire un motore. Ma dovremo progressivamente imparare che strumenti diversi hanno capacità, condizioni e limiti diversi e che la loro scelta modifica la qualità e il rischio del nostro lavoro. Non basta sapere usare l’intelligenza artificiale. Bisogna anche sapere quando vale la pena chiedere un’intelligenza diversa.

Non scegliere una volta, imparare continuamente

Per anni la tecnologia aziendale ha funzionato attraverso grandi decisioni relativamente stabili: scegliere una piattaforma, implementarla, standardizzarla e governarla nel tempo. Con l’intelligenza artificiale questa sequenza potrebbe diventare molto più dinamica. I modelli evolvono troppo rapidamente perché una scelta fatta oggi possa essere considerata definitiva. Forse, allora, l’organizzazione più matura non sarà quella che avrà scelto il modello migliore. Sarà quella capace di mantenere uno standard senza trasformarlo in dogma, consentire eccezioni senza trasformarle in anarchia e usare ogni eccezione per produrre conoscenza utile alla scelta successiva.

È una forma diversa di disciplina: chiedersi continuamente quale differenza stiamo cercando, quanto vale e quali condizioni siamo disposti ad accettare per ottenerla. Perché quando le intelligenze disponibili diventano molte, la vera competenza dell’organizzazione non è averle tutte. È imparare a scegliere. E imparare dalla scelta.