NON BASTA SCEGLIERE IL MODELLO: NELL’ERA DELL’AI SI RIDISEGNANO I PUNTI DI CONTROLLO DELL’IMPRESA

20.09.2026

NOVA-MBA Administrator

Questo editoriale riprende e collega due contributi pubblicati su MIT Technology Review Italia: L’impresa ingegnerizzata nell’era dell’AI (maggio 2026), che introduce il passaggio dall’adozione tecnologica al design dell’impresa, e Le prime scelte dell’impresa ingegnerizzata nell’era dell’AI (settembre 2026), che guarda al modo in cui il mercato dell’offerta AI sta separando e ricombinando nuovi punti di controllo strategici.

Dall’adozione al design dell’impresa

Siamo abituati ad affrontare il rapporto tra imprese e intelligenza artificiale concentrandoci soprattutto su una domanda: quale modello o piattaforma scegliere? È una domanda comprensibile. Ma rischia di partire dall’oggetto sbagliato, perché tratta l’AI come un nuovo strumento da aggiungere alla cassetta digitale dell’impresa. Quando entra stabilmente nei processi, l’AI può cambiare come viene prodotta e verificata la conoscenza, come si coordina il lavoro, come si preparano le decisioni e dove deve rimanere il giudizio umano.

È da qui che nasce il concetto di impresa ingegnerizzata. Non è un’impresa gestita da ingegneri, né un’organizzazione in cui tutto viene automatizzato. È un’impresa che tratta il proprio sistema operativo organizzativo come un oggetto di design: persone, modelli, dati, workflow, interfacce, controlli, incentivi, percorsi di escalation e giudizio vengono progettati come parti di un unico sistema socio-tecnico. L’impresa manageriale del Novecento coordinava soprattutto attraverso gerarchie, budget, reporting e procedure. L’impresa ingegnerizzata coordina sempre più anche attraverso architetture: ciò che i sistemi possono vedere, quali azioni possono eseguire, dove serve una verifica, quali informazioni attraversano un’interfaccia e come si cambia componente quando le condizioni esterne cambiano.

In questo senso il CEO diventa, in parte, Chief Engineer dell’impresa. La progettazione dei modelli e il codice restano responsabilità specialistiche. Al CEO spetta la responsabilità dell’architettura entro cui tecnologia e organizzazione si combinano. La governance deve scendere da policy e comitati fin dentro i workflow, sotto forma di permessi, audit trail, routine di valutazione, checkpoint umani, fallback e regole di escalation. Allo stesso tempo, diventa una scelta strategica la modularità, cioè separare ciò che può dover cambiare senza costringere l’impresa a ricostruire ogni volta l’intero sistema.

I punti di controllo dell’offerta AI

La modularità diventa particolarmente importante perché anche il mercato dell’offerta AI si sta scomponendo. Funzioni che possono essere acquistate insieme da un unico fornitore stanno diventando punti di controllo separabili e, in alcuni casi, contrattualizzabili separatamente. Mentre il mercato prende forma, questi punti di controllo si separano e si ricombinano.

Siamo ancora nei primi istanti dopo il “Big Bang” dell’intelligenza artificiale generativa: ecosistema dell’offerta, regolazione, geopolitica e struttura competitiva stanno evolvendo insieme. I componenti fondamentali e i punti di controllo del mercato non si sono ancora stabilizzati in combinazioni durevoli. Per l’impresa ingegnerizzata, prevedere quale configurazione tecnologica prevarrà conta meno che preservare abbastanza granularità da distinguere le decisioni che contano e abbastanza modularità da poterle ricombinare quando cambiano tecnologie, fornitori e condizioni di mercato.

Dietro la scelta di un’AI si nascondono almeno sei decisioni

Quella che sembra un’unica scelta, quale modello o piattaforma mettere al centro dell’architettura AI, contiene almeno sei decisioni differenti e in parte interdipendenti. La prima riguarda quali modelli e capacità utilizzare: API proprietarie, modelli open-weight, modelli specializzati oppure un portafoglio di modelli diversi. La seconda riguarda chi mantiene il controllo del modello una volta adattato alle esigenze dell’impresa e se pesi e checkpoint derivanti dal fine-tuning o dal post-training rimangono vincolati al provider oppure possono essere controllati e trasferiti dal cliente. La terza riguarda chi fornisce l’infrastruttura di post-training. La quarta riguarda dove viene eseguita l’inferenza: presso il provider, attraverso un hyperscaler, tramite un operatore specializzato, in private cloud oppure on-premise.

Anche la prima decisione non implica necessariamente scegliere un unico modello destinato a diventare lo standard aziendale. I modelli differiscono per capacità, costo, latenza e modalità di errore. Un modello può essere molto efficace in un compito e meno adatto in un altro. Per questo una possibile evoluzione è quella della mixture of models: invece di eleggere un modello a default universale, compiti differenti vengono instradati verso backend differenti.

La quinta decisione riguarda il routing: chi decide quale modello deve ricevere una determinata richiesta? Il routing può essere controllato dall’impresa, affidato a un servizio terzo oppure lasciato al provider. Chi gestisce il routing occupa inoltre una posizione informativa particolare, perché può osservare quali modelli funzionano meglio nei diversi compiti, dove falliscono e quando è necessario ricorrere a un’alternativa.

La sesta decisione, forse meno evidente ma fondamentale, riguarda chi può osservare, conservare e utilizzare le informazioni e le meta-informazioni generate durante l’operatività dell’AI, e per quale scopo. Questa decisione è diversa dalle altre perché va oltre ciò che l’impresa compra oggi e tocca chi può accumulare conoscenza attraverso il modo in cui quei sistemi vengono utilizzati.

Il confine tra utilizzo, osservazione e riutilizzo delle informazioni

Ogni interazione con un sistema di intelligenza artificiale produce un output, ma può generare anche informazione su ciò che accade dopo, quando il workflow rende questi esiti osservabili. Una risposta può essere accettata, modificata, rifiutata o ripetuta. Un errore può essere corretto da una persona; un risultato può essere sottoposto a escalation oppure trasformarsi in un’azione; il professionista può prendere una decisione diversa rispetto a quella suggerita dal sistema. Nei workflow generativi e, ancora di più, nei sistemi agentici, questa traccia può mostrare dove il sistema ha fallito, come il risultato è stato corretto e quale comportamento successivo ha prodotto un esito migliore.

Il punto non è che il modello “impari” automaticamente da ogni prompt. Durante la normale inferenza, il semplice utilizzo non modifica di per sé i pesi del modello. La questione strategica riguarda chi può osservare le informazioni generate durante l’uso, chi può conservarle, chi può riutilizzarle e per migliorare che cosa. Osservazione, conservazione e uso successivo per migliorare un modello, un router, un servizio o un workflow sono diritti e possibilità differenti.

I sistemi agentici aggiungono ulteriore complessità perché possono generare uno stato intermedio portato da una chiamata alla successiva. Se quello stato resta opaco o vincolato al provider, può ridursi anche la possibilità di instradare la chiamata successiva verso un altro modello. La libertà di routing dipende quindi anche da chi controlla lo stato intermedio. Un modello può essere sostituito, l’inferenza può essere spostata, il routing può essere ridisegnato e un’infrastruttura di post-training può, a un certo costo, essere ricreata altrove. L’informazione già assorbita da un’altra organizzazione, invece, non può essere richiamata indietro nello stesso modo.

L’impresa ingegnerizzata deve essere progettata per cambiare

Separare questi punti di controllo non significa che ogni azienda debba scomporre al massimo la propria architettura AI. L’integrazione ha un valore. Soprattutto per imprese più piccole, scegliere un fornitore capace di assorbire complessità tecnologica e operativa può essere una decisione perfettamente razionale. Serve però sapere quali decisioni vengono raggruppate nelle mani di un unico fornitore, quali punti di controllo vengono ceduti e quale libertà può andare persa in futuro.

Un test pratico consiste nel chiedersi che cosa accadrebbe domani se fosse necessario cambiare modello. Sarebbe sufficiente sostituire un componente oppure bisognerebbe rinegoziare i diritti sull’utilizzo delle informazioni, ripetere il post-training, ricostruire parti del workflow, perdere lo stato di un processo in corso o rinunciare a conoscenza accumulata? Un sistema può essere tecnicamente composto da moduli e fallire comunque questo test. La modularità diventa strategica quando le decisioni sono separate al livello al quale l’impresa può davvero avere bisogno di modificarle.

Un chiarimento riguarda l’orchestrazione, che non costituisce una settima decisione lato offerta. Il routing sceglie il modello o endpoint a cui affidare una chiamata. L’orchestrazione esegue il lavoro attraverso modelli, strumenti, sistemi e persone; la gestione dello stato determina che cosa passa da una chiamata alla successiva. Per l’impresa ingegnerizzata, questa complessità deve essere governata nell’architettura, ma resa il più possibile invisibile alle persone e ai workflow che non hanno bisogno di gestirla direttamente.

Il valore dell’informazione dipende dall’architettura

Infine, siamo abituati a pensare ai dati come a un patrimonio dotato di un valore relativamente stabile. Ma il valore dell’informazione dipende anche dall’architettura tecnologica capace di utilizzarla. Gli attuali sistemi centrati sugli LLM attribuiscono grande valore a testo, codice, segnali di preferenza e correzioni. Altre traiettorie tecnologiche potrebbero attribuire maggiore valore a stato, azioni, traiettorie, interazione fisica e simulazione.

Uno stock informativo può quindi continuare a essere accurato, proprietario e legalmente utilizzabile, ma diventare più o meno prezioso se cambia l’architettura capace di sfruttarlo. La stessa cosa vale per la conoscenza che un’impresa accumula sui fornitori: benchmark, valutazioni, regole di routing e profili di errore possono diventare rapidamente obsoleti quando cambiano modelli e interfacce. Anche questa conoscenza va trattata come un asset che richiede manutenzione.

Per questo l’impresa ingegnerizzata viene progettata affinché possa adattarsi al mutare dell’ecosistema AI e delle altre condizioni esterne senza dover ripensare ogni volta l’intera organizzazione. La questione non è scegliere oggi il fornitore “giusto” una volta per tutte. È sapere quali punti di controllo contano, quali conviene integrare, quali mantenere separabili e quali informazioni devono restare sotto il controllo dell’impresa per preservare opzioni future. In una fase in cui il mercato dell’offerta sta ancora prendendo forma, questa capacità di riconfigurazione è parte della strategia.

Q&A

L’impresa ingegnerizzata è un modello solo per grandi aziende?

No. La dimensione conta meno della natura del business. Se valore e coordinamento dipendono soprattutto da informazione, linguaggio e conoscenza, anche una piccola impresa può essere radicalmente esposta. Il confronto sarà sempre più con nuove imprese AI-native, spesso piccole, capaci di replicare la stessa proposta di valore con costi, margini e flessibilità strutturalmente diversi.

Quanta modularità serve davvero?

Quella necessaria a preservare sovranità e libertà di scelta, evitando un vassallaggio tecnologico verso uno o due player, anche quando si utilizzano soluzioni open source. Conta la granularità della modularizzazione: serve separare soprattutto ciò che l’impresa potrebbe dover cambiare e ciò che è essenziale mantenere sotto il proprio controllo. Un test semplice è chiedersi: cambiare modello o provider obbliga a rifare post-training, workflow, stato o diritti sulle informazioni? Se sì, la modularità è in gran parte apparente. L’autonomia può comunque essere preservata su specifici punti di controllo che l’impresa ha scelto di mantenere separabili.

I diritti sulle informazioni operative contano anche se un’impresa ha poco potere negoziale?

Sì. Potere negoziale e controllo non sono la stessa cosa. Anche quando non può imporre le condizioni, l’impresa deve sapere chi può osservare, conservare e riutilizzare le informazioni generate durante l’uso, e scegliere architettura e fornitori anche su questa base.

Come si agisce mentre il mercato è ancora instabile?

Occorre agire senza aspettare che il mercato si stabilizzi e senza costruire l’impresa attorno a una previsione sul vincitore. Gli investimenti devono preservare la capacità di cambiare. Nei business knowledge-intensive vale la formula di Jeff Bezos: “Your margin is my opportunity”. Se un nuovo operatore AI-native può catturare i margini del modello legacy offrendo lo stesso valore con una struttura migliore, prima o poi lo farà. Meglio costruire il proprio AI twin del business — e cannibalizzarsi da soli — che lasciare a qualcun altro l’opportunità di farlo conquistando i propri clienti.

L’autore

Marcello Vena è Chief Strategy and Growth Officer di Datrix Group, Managing Partner e Owner di All Brain, e Adjunct Professor di Strategia presso IE Business School. Da circa 30 anni opera tra strategia, innovazione e AI applicata, con esperienza internazionale in diversi settori. La sua ricerca e attività professionale si concentrano su strategia nell’era dell’AI, open innovation, real options, ecosistemi e design di modelli di business AI-powered. È laureato con lode in Ingegneria Elettronica, ha conseguito un MBA all’INSEAD con Dean’s List Distinction e un Master of Research Methodology in Management Science presso IE University. È inoltre PhD e DBA Candidate in Business Administration presso IE University.

Riferimenti e approfondimenti

Vena, Marcello. “L’intelligenza artificiale non vi renderà più competitivi (se non cambiate l’azienda).” Wired Italia, 7 aprile 2026. Inquadra l’AI come problema di design dell’impresa, con attenzione a modularità, governance e autonomia strategica.

Vena, Marcello. “L’impresa ingegnerizzata nell’era dell’AI.” MIT Technology Review Italia, maggio 2026. Introduce il concetto di impresa ingegnerizzata e il passaggio dall’adozione tecnologica al design del sistema impresa.
Vena, Marcello. “Le prime scelte dell’impresa ingegnerizzata nell’era dell’AI.” MIT Technology Review Italia, settembre 2026. Approfondisce le sei decisioni strategiche, il routing, i diritti sulle informazioni operative e la modularità dell’architettura AI.