C’è un’illusione che accompagna quasi inevitabilmente l’ingresso della GenAI nelle organizzazioni, ed è tanto più difficile da riconoscere quanto più i risultati immediati sembrano confermarla: l’idea che l’aumento delle interazioni con questi sistemi coincida automaticamente con un aumento del valore prodotto, come se ogni dialogo, ogni prompt, ogni sequenza di input e output contribuisse, per il solo fatto di esistere, alla costruzione di un patrimonio cognitivo interno.
Indice degli argomenti
GenAI e memoria organizzativa: il limite della produttività immediata
La GenAI, quando viene usata bene, accelera molte attività del lavoro cognitivo: scrittura, sintesi, ricerca, analisi, problem solving, produzione di contenuti, supporto al coding, gestione di informazioni. I numeri sono reali: uno studio Stanford-MIT su lavoratori del supporto clienti ha documentato un aumento medio della produttività del 14%, con i profili junior che guadagnavano fino al 35% in più rispetto alla propria baseline[1]. McKinsey stima che la GenAI possa potenziare attività corrispondenti fino al 70% del tempo lavorativo in alcune funzioni cognitive[2]. Ma questi guadagni sono misurati su task discreti, a livello individuale, in finestre temporali brevi. Non misurano se quella capacità sia rimasta nell’organizzazione. I benefici non dipendono solo dal modello, bensì dalle competenze di chi lo usa, dal tipo di task, dal grado di integrazione nei processi e dalla capacità dell’organizzazione di assorbire, interpretare e riutilizzare ciò che emerge dall’interazione[3]. La GenAI può aumentare la produttività; non garantisce da sola la costruzione di capacità organizzativa.
Nelle PMI italiane, in particolare, la GenAI è entrata spesso senza passare da una vera architettura di adozione. È arrivata per uso spontaneo: il commerciale la usa per preparare offerte, il marketing per generare testi, l’area tecnica per leggere documenti, l’imprenditore per sintetizzare informazioni o preparare riunioni. Questa adozione diffusa produce un vantaggio immediato evidente: meno attrito, più velocità, maggiore capacità di risposta. Ma il metodo che ha reso possibile quel risultato non è stato formalizzato, non è stato trattenuto, non è stato reso parte dell’organizzazione. È rimasto nella conversazione che lo ha prodotto.
I dati OCSE confermano: la GenAI viene adottata in misura significativa dalle PMI, ma soprattutto su attività periferiche, semplici, testuali e one-off, più che su processi core trasformativi[4]. Secondo l’Osservatorio AI del Politecnico di Milano, la grande maggioranza delle PMI che adottano l’AI lo fa attraverso tool cloud generici — senza integrazione nei processi, senza policy di governance, senza ownership aziendale delle interazioni[5]. Il risultato operativo è prevedibile: nessuna traccia delle conversazioni a livello organizzativo, nessun prompt library condiviso, nessun criterio di qualità codificato, ogni persona ricomincia da zero ogni volta, il vantaggio accumulato è individuale, e quando quella persona lascia l’azienda, se ne va con lei.
Il valore della GenAI si forma nelle interazioni uomo-macchina
Ciò che la GenAI modifica non è soltanto il tempo necessario per arrivare a un output, ma anche il modo in cui una parte del lavoro cognitivo prende forma. Molte decisioni preliminari, molte ipotesi di struttura, molti criteri di selezione, molte micro-correzioni di linguaggio e di logica non si depositano più soltanto in documenti finali o procedure esplicite: emergono dentro la sequenza dialogica che conduce al risultato. Nelle organizzazioni che usano la GenAI in modo diffuso, una parte rilevante del valore metodologico si forma dentro le interazioni uomo-macchina.
E se queste interazioni non vengono selezionate, codificate o rese riusabili, l’efficienza che producono resta episodica e non si trasforma in memoria organizzativa. La ricaduta è misurabile: IDC stima che le aziende perdano mediamente 31,5 miliardi di dollari all’anno a causa di una gestione inefficace della conoscenza[6] — dato che precede la diffusione della GenAI e che quest’ultima ha strutturalmente amplificato. Ogni prompt efficace che resta nella chat personale di un dipendente è, in termini precisi, un asset cognitivo che l’azienda non possiede.
Il discorso manageriale corrente mostra qui tutta la sua insufficienza. Oggi si celebra molto il fatto che l’AI “funzioni”. Ma il punto strategico non è che la GenAI funzioni: è capire che cosa resta di ciò che rende possibile quel funzionamento. Se ogni interazione risolve un problema ma non deposita il criterio con cui quel problema è stato affrontato, l’organizzazione ottiene produttività senza sedimentazione, e una produttività che non sedimenta può essere utile, ma non è ancora un vantaggio competitivo.
Conversazioni che risolvono e conversazioni che costruiscono
Non tutto ciò che produce valore nell’immediato produce anche valore a lungo termine. La distinzione che oggi manca in molte aziende non è tra AI usata bene e AI usata male, ma tra conversazioni che risolvono e conversazioni che costruiscono. Le prime generano un output; le seconde, se trattate correttamente, generano anche un metodo riattivabile, trasferibile, migliorabile nel tempo[7].
Il vantaggio competitivo, per definizione, non nasce dall’atto singolo. Nasce dalla possibilità di ripeterlo, codificarlo, insegnarlo, delegarlo senza perderne la qualità, farlo evolvere senza ricominciare da zero.
La letteratura sul knowledge management ha chiarito da tempo che le organizzazioni che creano vantaggio non sono semplicemente quelle in cui circola molta conoscenza, ma quelle che sanno scegliere se trasformarla in asset codificati e riusabili oppure in reti intenzionali di trasferimento tra persone competenti[8]. In entrambi i casi, il punto non è l’episodio brillante: è la capacità di rendere il sapere accessibile oltre la situazione che lo ha generato.
Dove si trova la conoscenza che rende l’azienda più efficace
Il problema non è soltanto osservare che l’AI è entrata nel lavoro quotidiano, ma capire se il suo uso stia producendo una forma di memoria organizzativa[9]. La domanda operativa è precisa: dove si trova, esattamente, la conoscenza che rende l’azienda più efficace? È nelle persone? Nelle routine? Nei template? Nei repository? Nei prompt migliori? Se la risposta è che tutto questo esiste solo in modo disperso, nelle chat dei singoli, nella memoria individuale, in pratiche non recuperabili, allora l’organizzazione sta usando la GenAI senza trasformarla in capacità cumulativa[10].
Un CEO dovrebbe spostare lo sguardo su questo piano, non basta chiedersi se l’AI venga utilizzata molto, né se faccia risparmiare tempo bisogna chiedersi quale parte di ciò che produce sia stata trattenuta in una forma che l’organizzazione possa recuperare, migliorare e redistribuire.
Esistono segnali operativi precisi che indicano quando un’azienda è ferma al livello dell’efficienza individuale: i prompt migliori sono salvati solo nei browser personali; non esiste una knowledge base aziendale aggiornata e interrogabile dagli agenti; i workflow AI non sono documentati né replicabili da chi non li ha costruiti; il turnover di una persona fa perdere mesi di apprendimento contestuale. Se almeno tre di questi segnali sono presenti, l’azienda non sta costruendo capitale cognitivo: sta consumando un servizio.
Dal lavoro più veloce all’apprendimento organizzativo
La differenza è tra un’azienda che usa la GenAI per eseguire meglio e un’azienda che la usa per pensare meglio, nel primo caso, la tecnologia accelera il presente: riduce tempi, migliora output, allevia frizioni. Nel secondo, diventa un moltiplicatore di apprendimento organizzativo, perché ciò che emerge dalle interazioni più efficaci viene selezionato, trasformato in metodo, connesso ai processi, reso trasferibile.
Le organizzazioni che ottengono risultati stabili dalla GenAI non sono quelle che la usano di più, ma quelle che riescono a incorporare conoscenza dentro i workflow, invece di lasciarla dissolvere nelle interazioni che l’hanno generata.
Una valutazione seria della maturità AI di un’impresa dovrebbe distinguere almeno tre livelli. Il primo è l’uso individuale, che produce efficienza locale. L’intervento prioritario è introdurre una policy minima: quali tool sono autorizzati, quali dati non possono transitare in cloud, chi è responsabile della qualità degli output. Il secondo è il riuso organizzato, in cui le pratiche migliori vengono trattenute e replicate: prompt library condivisa, template validati, KPI di riuso codificato.
Il terzo è l’apprendimento strutturato, in cui l’organizzazione costruisce attorno alla GenAI meccanismi di memoria, revisione, trasferimento e miglioramento continuo: knowledge base aziendale interrogabile dagli agenti, audit trail delle interazioni, workflow documentati e revisionabili, è a questo livello che la GenAI smette di essere un costo operativo variabile e diventa un asset cumulativo. Se si resta al primo livello, i benefici possono essere reali, ma restano fragili: dipendono dalle persone, dal contesto, dalla contingenza della singola interazione.
GenAI, capitale cognitivo e vantaggio competitivo
Il punto non è negare il valore della GenAI, è evitare di confondere l’efficacia puntuale con la costruzione di capacità durevoli non tutte le conversazioni con l’AI valgono allo stesso modo. Alcune chiudono un compito; altre rivelano un metodo. Alcune fanno risparmiare tempo; altre, se riconosciute e trattenute, iniziano a costruire patrimonio cognitivo.
La vera questione strategica, allora, non è quante conversazioni un’organizzazione stia avendo con la GenAI, ma quante di esse sia in grado di trasformare in memoria organizzativa — e dunque in vantaggio competitivo che non si esaurisce nell’istante in cui è stato prodotto.
Note
[1] E. Brynjolfsson, D. Li, L.R. Raymond, «Generative AI at Work», NBER Working Paper No. 31161, aprile 2023. URL: https://www.nber.org/papers/w31161
[2] McKinsey Global Institute, «The Economic Potential of Generative AI: The Next Productivity Frontier», giugno 2023. URL: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai
[3] OECD, «The Effects of Generative AI on Productivity, Innovation and Entrepreneurship», 2025. URL: https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/06/the-effects-of-generative-ai-on-productivity-innovation-and-entrepreneurship_da1d085d/b21df222-en.pdf
[4] OECD, «Generative AI and the SME Workforce», 2024. URL: https://www.oecd.org/en/publications/generative-ai-and-the-sme-workforce_2d08b99d-en/full-report/component-4.html
[5] Osservatorio Artificial Intelligence, Politecnico di Milano, «Artificial Intelligence: dall’adozione individuale alla trasformazione organizzativa», Rapporto annuale 2024.
[6] IDC, «The High Cost of Not Finding Information». Il dato di 31,5 miliardi di dollari annui è riferito al mercato USA; aggiornamenti successivi di IDC sul knowledge management confermano stime analoghe.
[7] T. Davenport, M. Iansiti, «How Generative AI Is Already Transforming Knowledge Work», MIT Sloan Management Review, 2023. URL: https://sloanreview.mit.edu/article/genai-manage-knowledge/
[8] M.T. Hansen, N. Nohria, T. Tierney, «What’s Your Strategy for Managing Knowledge?», Harvard Business Review, marzo-aprile 1999, pp. 106-116.
[9] L. Argote, E. Miron-Spektor, «Organizational Learning: From Experience to Knowledge», Organization Science, vol. 22, n. 5, 2011, pp. 1123-1137.
[10] J.P. Walsh, G.R. Ungson, «Organizational Memory», The Academy of Management Review, vol. 16, n. 1, 1991, pp. 57-91.
Partecipa alla community