Da quando l’uso dell’AI generativa è stato sdoganato anche nella didattica universitaria, basta scorrere qualche tesina universitaria per notarlo: il linguaggio disciplinare è più solido, i riferimenti più puntuali, il vocabolario tecnico più ricco. Ma se si chiede perché una scelta progettuale abbia funzionato, o cosa sarebbe accaduto in condizioni diverse, la sicurezza dei discenti vacilla quasi sempre.
È un fenomeno che si osserva con sempre maggiore frequenza da quando la GenAI è diventata infrastruttura cognitiva quotidiana. Se questo scarto tra linguaggio e conoscenza emerge già nella fase di apprendimento più protetta, in aula, con un docente che può ancora interrogare e falsificare — che cosa dovremmo aspettarci in un contesto dove la posta in gioco è più alta e il tempo per verificare le ipotesi è meno disponibile: un comitato d’investimento, un board, un team che deve decidere se lanciare un prodotto o abbandonare un mercato?
Il dibattito pubblico si è finora ampiamente concentrato su produttività e sugli investimenti che contribuiscono a sostituire o aumentare l’efficacia del lavoro del decisore umano. Sono questioni reali, ma non necessariamente le più sistemiche. La domanda che dovremmo porci è un’altra: se l’IA generativa rende disponibile a chiunque un linguaggio manageriale sofisticato — framework di posizionamento, KPI ben scelti, narrazioni coerenti — quel linguaggio ci sta aiutando a decidere meglio, o ci sta solo dando più sicurezza nel decidere allo stesso modo di prima, con meno attrito cognitivo lungo il percorso?
Indice degli argomenti
IA generativa nei processi decisionali: adozione e governance
Non è una domanda astratta, e i dati più solidi disponibili oggi in Italia aiutano a metterla a terra. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano — la fonte più rigorosa sul tema — nel 2025 il mercato italiano dell’intelligenza artificiale ha raggiunto 1,8 miliardi di euro, in crescita del 50% sull’anno precedente, e il 71% delle grandi imprese ha avviato almeno un progetto di AI. Ma l’AI agentica — quella che non si limita a rispondere, ma propone, elabora, esegue in autonomia parte di un processo — vale ancora solo una quota marginale di quel mercato, intorno al 4%, nonostante sia stata, nelle parole di chi dirige l’Osservatorio, la parola dell’anno. Il dato più scomodo riguarda la governance: appena il 9% delle grandi imprese ha una gestione strutturata dell’intelligenza artificiale, e solo il 15% ha avviato un percorso organico di adeguamento all’AI Act. E tra le piccole e medie imprese italiane tre su quattro non hanno investito né prevedono di investire in intelligenza artificiale — numeri comunque prudenziali, che fotografano i progetti dichiarati più che l’uso informale già in corso nei team. Il quadro che ne emerge non è quello di una tecnologia già pervasiva nei processi decisionali quanto le proiezioni su cosa l’IA è in grado di fare potrebbero portarci a compiere, ma di un’adozione ancora concentrata nelle grandi imprese e ancora priva delle strutture di governo che dovrebbero accompagnarla. È in questo scarto — tra quanto si parla di agenti decisionali e quanto i processi decisionali sono davvero pronti a includerli in modo governato — che si gioca la domanda posta in apertura.
Decisioni aziendali, esperienza e diversità cognitiva
Questa domanda è in qualche modo più importante tanto più sappiamo che dove l’IA non riempie un vuoto di esperienza di un decisore con poca seniority, ma interviene piuttosto in presenza di forti ancore cognitive già radicate nell’esperienza pregressa di un senior manager, si annidano rischi maggiori. Chi è infatti meno abituato al pensiero sistemico, e soprattutto chi lavora in contesti poco esposti al confronto con funzioni e background diversi, rischia di usare questi strumenti non per mettere alla prova la propria tesi, ma per argomentarla con più forza. È lecito chiedersi, allora, se la vera variabile protettiva non sia tanto la competenza individuale nell’uso dell’IA, quanto la diversità cognitiva del gruppo che decide. Un board, un comitato, un team di prodotto composto da persone con esperienze, discipline e priorità diverse è più difficile da convincere con una narrazione ben argomentata ma poco falsificabile. La domanda per le organizzazioni può allora divenire: stiamo investendo nella diversità dei punti di vista attorno al tavolo tanto quanto stiamo investendo negli strumenti che aiutano a documentare meglio le decisioni?
IA generativa e metodo scientifico nelle decisioni
C’è un secondo filo che vale la pena tirare, e che non nasce da zero: il metodo scientifico applicato alle decisioni manageriali non è una novità. Ad esempio, la lean startup si fonda sulla verifica sistematica di ipotesi attraverso esperimenti a basso costo; i metodi agili nascono proprio per accorciare il ciclo tra assunzione e riscontro; buona parte del pensiero imprenditoriale più maturo è, nella sostanza, pensiero scientifico applicato all’incertezza di mercato. La domanda per le imprese è allora se stiano davvero unendo i puntini tra queste pratiche e ciò che l’IA generativa cambia nel modo di formulare — e soprattutto mettere alla prova — le ipotesi in un processo decisionale.
Il tema pesa in modo diverso a seconda del contesto. Dove esistono principi manageriali sufficientemente replicabili — processi operativi standardizzabili, mercati con dinamiche note — il rischio è più contenuto: c’è un corpo di evidenza consolidato con cui confrontarsi. Ma quante decisioni davvero rilevanti ricadono in quella categoria? Le situazioni più critiche per un’azienda sono di solito quelle in cui la complessità del mercato rende ogni caso in parte non riducibile ai precedenti: un nuovo modello di business, un contesto competitivo inedito, una tecnologia che ridefinisce le regole del settore. È proprio lì che un’IA, addestrata su pattern osservati altrove, rischia di offrire l’analogia più plausibile invece dell’ipotesi più falsificabile — e chi la interroga fatica a distinguere le due cose, perché entrambe arrivano nello stesso linguaggio sicuro e ben argomentato. Un esperimento lean, in questi contesti, parte da un’ipotesi scritta da chi la propone, spesso già ancorata al proprio convincimento; se quell’ipotesi viene redatta con l’aiuto di uno strumento che eccelle nel renderla persuasiva ma non nel suggerire come falsificarla, il rischio non è l’assenza di metodo scientifico, ma la sua erosione silenziosa proprio dove servirebbe di più: non nella replica di un principio noto, ma nella verifica di uno che non lo è ancora.
Falsificare le ipotesi nei processi decisionali
Insomma, se un’IA costruisce narrazioni coerenti meglio di quanto sappia indicare che cosa potrebbe smentirle, la domanda che un buon decisore dovrebbe imparare a porre — a sé stesso, al proprio team, e forse presto anche all’agente che lo assiste — non è più solo “questa spiegazione regge?”, ma “che cosa dovrei osservare, nei prossimi mesi, per scoprire che mi sto sbagliando?”. È la logica del pre-mortem applicata sistematicamente, non come esercizio occasionale ma come passo obbligato prima di ogni decisione rilevante. Quante organizzazioni oggi la trattano come tale?
Agenti IA nei processi decisionali strategici
E qui si apre la questione forse più delicata. Gli agenti IA possono essere progettati per recuperare informazioni per il processo strategico, elaborarle, a proporre opzioni — e non è difficile immaginare un futuro prossimo in cui siederanno, in un senso non solo metaforico, dentro i processi decisionali collegiali: un agente che presenta uno scenario di mercato accanto al responsabile commerciale, un altro che stress-testa un business plan accanto al CFO. Costruire agenti diviene quindi un problema di progettazione tanto quanto di addestramento: un agente va costruito per essere falsificabile, non solo per essere efficace. Un agente i cui passaggi — fonti consultate, ipotesi scartate, dati non considerati — restano tracciabili è per costruzione più facile da contestare di uno che restituisce solo una conclusione ben scritta. E accanto alla progettazione tecnica resta una domanda organizzativa che i board probabilmente dovranno affrontare: chi, in un processo decisionale strategico (per definizione, ad alta posta in palio ed elevata incertezza), ha il mandato di accettare, contestare o respingere la raccomandazione di un agente — e in base a quale criterio? Se il giudizio resta, e deve restare, una responsabilità umana, la domanda che le organizzazioni dovranno affrontare non è se usare questi agenti, ma come costruirli: agenti progettati per confermare l’ipotesi più plausibile e più rapida da produrre, o agenti — e processi attorno a loro — deliberatamente orientati alla ricerca del controfattuale, addestrati e incentivati a chiedere “cosa manca” piuttosto che “cosa conferma”?
Il giudizio umano nell’era dell’IA generativa
Costruire quella capacità — di agenti, ma anche di persone e di processi decisionali che sappiano usarli per cercare la smentita e non solo la conferma — potrebbe diventare la competenza distintiva del management nei prossimi anni. Non perché serva diffidare dell’IA, ma perché il suo valore nei processi strategici non dipenderà dalla qualità delle risposte che saprà produrre, bensì dalla qualità delle domande e delle confutazioni che sapremo continuare a costruirci intorno. È il giudizio, molto più del linguaggio, la responsabilità che nessun algoritmo — e nessun agente, per quanto ben progettato — potrà assumersi al posto nostro.
Partecipa alla community