Categoria: AI

Negli ultimi giorni si è tornato a discutere dei rischi legati allo sviluppo dell’intelligenza artificiale. Jacob Coxon, ricercatore con esperienze in OpenAI e Anthropic, ha lasciato l’azienda dichiarandosi preoccupato dalla velocità con cui vengono sviluppati sistemi sempre più potenti e autonomi.  Secondo Coxon, la competizione nel settore potrebbe far crescere le capacità dell’AI più rapidamente della nostra capacità di comprenderne e controllarne i rischi.  A rafforzare il dibattito è intervenuto Evan Hubinger, responsabile dell’Alignment Science di Anthropic. Hubinger ha dichiarato di attribuire personalmente una probabilità superiore al 10% a uno scenario catastrofico per l’umanità nel prossimo decennio. Si tratta, però, di una valutazione personale e non di una previsione certa o di una posizione ufficiale dell’azienda.  Quali sono i rischi dell’intelligenza artificiale?  Il timore non riguarda necessariamente robot “cattivi”, ma sistemi capaci di operare con crescente autonomia, scrivere codice, utilizzare strumenti informatici e coordinare attività complesse.  La domanda è quindi se le capacità dell’AI possano crescere più rapidamente dei controlli, delle regole e delle misure di sicurezza necessarie per gestirle.  L’AI di oggi è già molto più avanzata rispetto a pochi anni fa: lavora con testo, immagini, video, voce e codice, analizza grandi quantità di dati e può svolgere sequenze di attività con una supervisione limitata.  Questo non significa che una superintelligenza sia imminente, ma rende difficile prevedere l’evoluzione futura basandosi soltanto sui limiti attuali.  Perché la governance è importante  Rallentare completamente lo sviluppo dell’AI non sembra una soluzione realistica. La tecnologia offre benefici concreti, ma deve essere accompagnata da regole e controlli adeguati.  Anche nelle aziende è fondamentale stabilire:  La sicurezza dell’intelligenza artificiale non riguarda quindi soltanto scenari estremi. Comprende anche la protezione dei dati, la trasparenza dei processi e la capacità di mantenere il controllo sugli strumenti adottati.  L’AI potrebbe davvero eliminare l’umanità?  Oggi non lo sappiamo.  Alcuni esperti considerano plausibili scenari molto gravi, mentre altri ritengono queste previsioni troppo speculative. Trasformare una valutazione personale in una certezza sarebbe sbagliato, così come ignorare completamente il problema.  La vicenda Anthropic ricorda però un principio importante: più l’AI diventa potente, più è necessario sviluppare sistemi di controllo, sicurezza e governance capaci di tenere il passo con la sua evoluzione. 

Durante i World Humanoid Robot Games di Pechino, alcuni robot umanoidi impegnati nella corsa sono caduti o hanno finito contro le barriere, incapaci di fermarsi correttamente.  Le immagini hanno fatto sorridere molti: “Possiamo stare tranquilli”, “Altro che sostituire gli esseri umani”.  I limiti sono reali. Per un robot, correre, mantenere l’equilibrio e frenare richiede sensori, calcoli e una coordinazione molto complessa.  Ma forse ci siamo concentrati sulla cosa sbagliata.  Il punto non è soltanto che un robot sia finito contro una barriera. Il punto è che, prima di finirci contro, stava correndo.  Il dato più interessante  Un anno prima, il miglior tempo sui 100 metri era stato di circa 21,5 secondi. Nell’edizione successiva, alcuni robot sono scesi sotto i 10 secondi. TianGong Ultra ha completato la gara in 8,64 secondi.  Il confronto con gli esseri umani va preso con cautela: robot e persone hanno caratteristiche fisiche molto diverse. Il dato importante è però il miglioramento in appena dodici mesi.  Passare da oltre venti secondi a meno di dieci non significa che i robot siano diventati perfetti. Significa che stanno avanzando rapidamente.  E anche i problemi cambiano. Prima la difficoltà era riuscire a correre senza cadere. Ora diventa fondamentale frenare, mantenere l’equilibrio e controllare il corpo ad alta velocità.  Guardiamo la traiettoria, non solo l’errore  Quando una tecnologia sbaglia, tendiamo a concentrarci sull’errore.  Un’IA dà una risposta assurda? Non è intelligente. Un robot cade? Siamo ancora lontani.  Ma una singola scena racconta solo una parte della storia. Se guardiamo il momento della caduta, vediamo un sistema fragile. Se guardiamo il percorso che lo ha portato a correre così velocemente, vediamo un sistema in rapido miglioramento.  La domanda non dovrebbe essere soltanto “cosa non riesce ancora a fare?”, ma anche “cosa non riusciva a fare un anno fa?”.  Non devono diventare uguali a noi  Un robot non deve saper fare tutto ciò che sappiamo fare noi per essere utile.  Per lavorare in una fabbrica, movimentare materiali o operare in ambienti pericolosi, potrebbe bastare che svolga bene un compito specifico, con sufficiente precisione e sicurezza.  La vera soglia non è la perfezione. È l’affidabilità.  Naturalmente, correre cento metri in un ambiente controllato non significa essere pronti a lavorare per otto ore in una fabbrica. Restano da risolvere problemi enormi: autonomia, robustezza, sicurezza, costi e capacità di reagire agli imprevisti.  Ma le gare servono proprio a misurare i progressi. E spesso i dati raccolti durante una caduta sono più importanti della caduta stessa.  La vera domanda  Forse dovremmo smettere di chiederci quando i robot diventeranno perfetti. Probabilmente non succederà mai.  La domanda più utile è: quando diventeranno abbastanza affidabili per un determinato compito?  Un anno fa il miglior tempo sui 100 metri era superiore ai venti secondi. Oggi alcuni robot sono scesi sotto i dieci.  Quindi sì, possiamo anche ridere quando un robot non riesce a fermarsi.  Ma mentre noi guardiamo la caduta, ricercatori e ingegneri guardano i dati, correggono gli errori e preparano la versione successiva.  La domanda interessante è un’altra: se questo è il miglioramento visto in un solo anno, cosa commenteremo tra altri dodici mesi? 

Sempre più piccole e medie imprese italiane stanno introducendo l’intelligenza artificiale nei propri processi. Software con funzionalità AI integrate, automazioni intelligenti, assistenti virtuali, sistemi di analisi predittiva, soluzioni di generazione contenuti. Eppure, una parte significativa di questi progetti si ferma prima di generare valore reale. I budget sono stati allocati, gli strumenti sono stati attivati, le persone hanno fatto formazione. Ma i risultati attesi non arrivano. Il problema, quasi mai, è la tecnologia in sé. È il contesto aziendale in cui viene inserita. E finché questo contesto non viene affrontato, qualunque investimento in AI rischia di trasformarsi in un costo senza ritorno. Il paradosso dell’AI nelle PMI italiane L’intelligenza artificiale è oggi una delle tecnologie più accessibili della storia recente. Strumenti che fino a pochi anni fa richiedevano team di data scientist e budget milionari sono oggi disponibili in abbonamento, integrati nei principali software gestionali, accessibili anche alle imprese più piccole. Eppure, secondo dati emersi nel corso del 2025-2026, una percentuale rilevante di progetti AI nelle aziende — incluse molte PMI — non raggiunge gli obiettivi prefissati. Si parla di tassi di insuccesso che, a seconda delle fonti, oscillano tra il 60% e l’80%. La cosa più sorprendente è che le ragioni di questi fallimenti, nella stragrande maggioranza dei casi, non hanno nulla a che vedere con la tecnologia. Hanno a che vedere con: L’AI, in altre parole, non risolve i limiti dell’organizzazione che la adotta. Li rende semplicemente più visibili. Perché molti progetti AI nelle PMI si fermano prima di generare risultati I motivi per cui un progetto AI non decolla seguono pattern ricorrenti. Riconoscerli è il primo passo per evitarli. Dati disordinati o di scarsa qualità L’intelligenza artificiale lavora con i dati. Senza dati buoni, anche il sistema AI più sofisticato produce risultati inaffidabili. In molte PMI, però, i dati sono frammentati tra software diversi, salvati in formati non omogenei, duplicati su più sistemi, incompleti o aggiornati con frequenza variabile. Quando l’AI viene inserita in questo contesto, fa quello che sa fare: analizza ciò che trova. E ciò che trova, troppo spesso, è disordine. Il risultato è un’AI che produce report con dati incoerenti, previsioni poco accurate, automazioni che si bloccano alla prima eccezione. Senza dati ordinati, l’AI non può funzionare. Non è un limite della tecnologia: è una sua caratteristica strutturale. Processi poco chiari o non formalizzati Il secondo punto di rottura più diffuso riguarda i processi. L’AI è particolarmente efficace quando viene inserita in processi ben definiti, ripetibili e misurabili. Quando invece i processi sono informali, dipendono dalle singole persone o cambiano da caso a caso, l’intelligenza artificiale fatica a generare valore. In molte PMI, i processi reali non corrispondono a quelli formalizzati nei software. Le persone hanno sviluppato nel tempo “modi di lavorare” che funzionano, ma che non sono documentati né standardizzati. Quando si introduce un’AI che dovrebbe automatizzare o supportare questi processi, ci si accorge che non esistono — o meglio, esistono solo nella testa di chi li ha sempre eseguiti. L’AI non si adatta ai processi informali. Ha bisogno di processi chiari per poter dare il proprio contributo. Sistemi che non comunicano tra loro Il terzo limite è tecnico, ma le sue radici sono organizzative. Per generare valore reale, un sistema AI deve poter accedere ai dati di diversi software aziendali: CRM, gestionale, magazzino, marketing, contabilità. Quando questi sistemi non sono integrati — e in molte PMI italiane non lo sono — l’AI si ritrova a lavorare su una porzione molto limitata di informazione. Il risultato sono analisi parziali, previsioni meno affidabili, automazioni che si fermano al primo bivio. La potenza dell’AI è proporzionale alla qualità e alla quantità dei dati a cui ha accesso. Sistemi scollegati = AI dimezzata. Obiettivi di business non definiti Il quarto motivo è il più sottile, ma anche il più frequente. Molti progetti AI nelle PMI partono da una domanda sbagliata: “Come possiamo usare l’AI in azienda?” La domanda giusta è esattamente opposta: “Quale problema concreto vogliamo risolvere, e l’AI è lo strumento più adatto?” Quando si parte dalla tecnologia anziché dal problema, si rischia di introdurre strumenti potenti senza un obiettivo misurabile. Il progetto si avvia, ma nessuno sa davvero cosa misurare per capire se sta funzionando. E senza una metrica chiara, anche i risultati positivi passano inosservati. Competenze interne insufficienti Infine, c’è il tema delle competenze. Non parliamo di data scientist o esperti di machine learning — quelle sono competenze specialistiche. Parliamo delle competenze diffuse necessarie perché l’AI venga usata bene da chi lavora ogni giorno nei processi aziendali. Saper formulare le domande giuste a un sistema AI. Saper interpretare i risultati. Saper riconoscere quando un’analisi è affidabile e quando no. Saper integrare l’AI nei flussi di lavoro quotidiani, invece di usarla come strumento separato. Senza queste competenze diffuse, l’AI resta uno strumento sottoutilizzato — o peggio, usato male. L’AI non risolve i problemi: li mette in evidenza Una delle convinzioni più diffuse sull’intelligenza artificiale è che possa compensare le inefficienze esistenti. In realtà, accade esattamente il contrario. Se i dati sono disordinati, l’AI produce analisi inaffidabili. Se i processi sono frammentati, l’automazione crea ulteriore complessità. Se gli obiettivi sono confusi, gli output dell’AI non si capisce dove dovrebbero portare. L’AI è uno specchio amplificato dell’organizzazione che la adotta. Le aziende organizzate ottengono da essa risultati straordinari. Le aziende disorganizzate ottengono problemi più visibili e più veloci. Questo non è un difetto dell’intelligenza artificiale. È la sua natura. Ed è il motivo per cui il vero vantaggio competitivo, oggi, non è adottare l’AI prima degli altri. È essere pronti a integrarla nel modo giusto quando si decide di farlo. Cosa serve davvero per far funzionare l’AI nelle PMI Le aziende che riescono a ottenere valore reale dall’AI lo fanno seguendo un approccio molto diverso da quello “compriamo lo strumento e vediamo cosa succede”. Mettono in atto quattro precondizioni, prima ancora di scegliere la tecnologia. 1. Mettere ordine nei dati Prima di introdurre AI, le aziende che ottengono risultati investono tempo nel migliorare la qualità

Perché molti progetti di AI nelle PMI non funzionano? Spesso, si pensa che possa essere la tecnologia il problema, invece di di porre attenzione al modo in cui viene introdotta.
Senza coinvolgimento e visione chiara dei processi l’AI resta uno strumento poco utilizzato, per tanto la vera sfida è guidare il cambiamento e accompagnare le persone. Leggi l’articolo e scopri di più sull’argomento.