effetto Frankenstein

AI, perché i sistemi legacy fanno fallire i progetti aziendali


Indirizzo copiato

Le aziende innestano l’intelligenza artificiale su sistemi legacy incapaci di sostenerla, con progetti pilota cancellati, dati frammentati e nuovi rischi di sicurezza. La modernizzazione richiede analisi del codice, verifiche umane, permessi granulari e una responsabilità continua affidata ai vertici aziendali

Pubblicato il 16 nov 2026

Davide Coccia

CTO, GFT Technologies Italia



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
ChatGPT Image 6 nov 2026, 15_30_42




Si può chiamare effetto Frankenstein ciò che accade quando un’azienda compra servizi di intelligenza artificiale e li innesta su sistemi legacy che non riescono a supportarli appieno, come un corpo inadatto a ricevere un organo nuovo.[1]

In concreto, i dati possono restare sparsi in applicazioni che non dialogano tra loro, mentre i processi rischiano di non essere pensati per integrare uno strumento diverso. Non è raro, inoltre, che l’AI resti confinata a sperimentazioni lontane dall’operatività quotidiana e che il progetto si fermi alla fase pilota o venga cancellato, con il rischio che i benefici attesi non arrivino.

In Italia i numeri dicono qualcosa di simile. All’inizio del 2026, secondo la Banca d’Italia, il 32% delle imprese con almeno 20 addetti usa l’intelligenza artificiale, ma appena il 5% l’ha integrata in modo intensivo nei processi e il 70% di chi la usa non ha registrato, finora, effetti sulla produttività del lavoro.[2] Per l’istituto i guadagni importanti arrivano soltanto con un’adozione profonda e con il ridisegno dei processi.[3]

AI e sistemi legacy: il nodo delle fondamenta tecnologiche

Una parte della spiegazione sta probabilmente nelle fondamenta tecnologiche: tra gli ostacoli all’adozione lo stesso studio cita una preparazione tecnologica e organizzativa insufficiente e una scarsa integrazione dei dati.[4] Il legame con i sistemi datati resta però un’inferenza plausibile, non un risultato dello studio.

Debito tecnico e rischi dell’AI sui sistemi legacy

Un sistema nato per esigenze diverse da quelle di oggi accumula nel tempo un debito tecnico e, come ogni debito, anche questo paga interessi: la manutenzione costa di più, le evoluzioni diventano più complicate, l’esposizione sul fronte della sicurezza cresce. In un’indagine McKinsey del 2020 su 50 CIO di aziende di servizi finanziari e tecnologia, i responsabili stimavano che il debito tecnico valesse tra il 20 e il 40% del patrimonio tecnologico.[5]

Con l’intelligenza artificiale gli interessi pesano di più. La ricerca condotta da GFT Technologies con Wakefield Research su 945 CIO e CTO di aziende con ricavi superiori a 500 milioni di dollari in 19 Paesi indica che l’84% ha cancellato almeno un progetto pilota o un’iniziativa di AI a causa dei limiti dei sistemi legacy, mentre il 93% ritiene che usare l’AI su sistemi non modernizzati finirà per provocare una crisi di sicurezza estesa all’intera azienda.[6]

Modernizzare i sistemi legacy con l’AI senza perdere controllo

La via più rapida per liberarsi di un sistema vecchio è spostarlo. Con un re-host l’applicazione passa su un’altra infrastruttura senza che il codice cambi; quindi, la spesa scende e la complessità resta. Prima di cambiarlo, il passaggio decisivo è capire che cosa faccia davvero.

In molti ambienti datati le logiche di business e le dipendenze critiche vivono nel codice più che nella documentazione, e ricostruirle a mano richiede tempi lunghi. Qui l’intelligenza artificiale può diventare parte della soluzione: strumenti basati su modelli possono analizzare i sistemi su larga scala, far emergere logiche nascoste e dipendenze, e aiutare a decidere che cosa conservare, che cosa riprogettare e che cosa eliminare.

La verifica umana del codice generato

Affidare la modernizzazione a un modello può portare con sé il rischio di un “effetto Frankenstein al quadrato”. Se nessuno comprende più per intero il sistema di partenza, nessuno può dire che cosa il codice tradotto abbia perso per strada e le regole di business mai documentate possono sparire senza lasciare traccia. I modelli, del resto, sbagliano con la stessa sicurezza con cui rispondono bene e più codice si produce più la revisione diventa il vero collo di bottiglia.

La verifica va quindi pensata all’inizio e non aggiunta alla fine. Servono requisiti scritti con precisione e test che confrontino il comportamento del vecchio e del nuovo sistema, poi diventano fondamentali persone che leggano davvero ciò che viene generato e un passaggio graduale in produzione.

Dati e permessi per integrare l’AI nei sistemi legacy

Prima di affidare qualsiasi tipologia di compito all’AI, conviene mappare i sistemi che essa andrà a toccare, le dipendenze tra le diverse applicazioni e i dati che passano dall’una all’altra, perché un modello alimentato con dati frammentari produce risultati poco affidabili.

Permessi e tracciabilità per gli agenti AI

Permessi e tracciabilità giocano un ruolo centrale e vanno ripensati. I sistemi più datati, infatti, sono stati progettati per accessi umani e prevedibili e spesso gestiscono i permessi in modo poco granulare: un agente AI può così ereditare accessi molto più ampi di quelli che servono al suo compito. Anche i registri delle operazioni hanno lo stesso limite: pensati per una persona, rendono poco leggibile ciò che un processo automatico compie in migliaia di azioni al minuto.

Servono infine responsabilità chiare e obiettivi misurabili, oltre a un intervento per fasi che mantenga ciò che funziona invece di prevedere una sostituzione completa.

La modernizzazione dei sistemi legacy parte dal vertice

La modernizzazione è una forma di gestione del rischio aziendale e come tale richiede una decisione di vertice, il più possibile condivisa tra tutti i dirigenti, perché solo in questo modo si può avere una visione netta e sicura.

Secondo la ricerca di GFT, però, solo il 20% dei CIO e CTO ritiene che gli altri membri della C-suite e del consiglio di amministrazione comprendano pienamente i rischi di sicurezza legati all’uso dell’AI sui sistemi legacy, e più di un terzo (36%) indica una comprensione solo parziale, molto limitata o nulla.[7]

Poiché tecnologie e modelli cambiano sempre più in fretta, non esiste un sistema «modernizzato» una volta per tutte. La sfida è passare da una modernizzazione episodica a una capacità continua di modernizzazione e sicurezza.

Per tornare alla metafora di Frankestein, nel romanzo di Mary Shelley la tragedia comincia quando il dottore abbandona la sua creatura e rifiuta di risponderne. Vale anche per le aziende, perché chi decide un investimento in AI risponde della sua tenuta nel tempo, ben oltre il momento dell’impianto. Evitare l’effetto Frankenstein significa preparare il corpo prima del trapianto e continuare a prendersene cura dopo.

Note


[1] L’espressione è stata utilizzata di recente da Affari & Finanza (la Repubblica), 5 ottobre 2026, p. 41, «IA in azienda, il rischio Frankenstein», a cura di Alessandro Longo.↩

[2] Banca d’Italia, Questioni di Economia e Finanza n. 1009, «L’adozione dell’intelligenza artificiale: effetti su produttività e politiche a sostegno», giugno 2026 (indagine Invind, imprese con almeno 20 addetti): https://www.bancaditalia.it/pubblicazioni/qef/2026-1009/index.html.↩

[3] Banca d’Italia, Questioni di Economia e Finanza n. 1009, cit.: https://www.bancaditalia.it/pubblicazioni/qef/2026-1009/index.html.↩

[4] Banca d’Italia, Questioni di Economia e Finanza n. 1009, cit.: https://www.bancaditalia.it/pubblicazioni/qef/2026-1009/index.html.↩

[5] McKinsey, «Tech debt: Reclaiming tech equity», indagine del luglio 2020 su 50 CIO di aziende di servizi finanziari e tecnologia: https://www.mckinsey.com/capabilities/platforms-and-solutions/our-insights/tech-debt-reclaiming-tech-equity.↩

[6] GFT Technologies e Wakefield Research, «The Future of AI, Unfiltered», settembre 2026, ricerca commissionata da GFT su 945 CIO e CTO in 19 Paesi: https://www.gft.com/int/en/lp/ai-modernization.↩

[7] GFT Technologies e Wakefield Research, «The Future of AI, Unfiltered», cit.: https://www.gft.com/int/en/lp/ai-modernization.↩

Partecipa alla community

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

People&Change

Tutti
CARRIERE
AI E LAVORO
COMPETENZE
Produttività e AI
AI IN AZIENDA
SCENARI
FORMAZIONE
CULTURA AZIENDALE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership

Articoli correlati

0
Lascia un commento, la tua opinione conta.x