Smettiamo di considerare l'IA come la strategia

Un amministratore delegato chiede a ogni divisione di elaborare un piano sull’intelligenza artificiale. Nel giro di poche settimane, l’azienda dispone già di un elenco di idee promettenti: servizio clienti automatizzato, contenuti di marketing generati artificialmente, rendicontazione finanziaria più rapida, ricerca intelligente e un assistente interno in grado di rispondere alle domande dei dipendenti.

L'elenco dà slancio, ma non costituisce necessariamente una strategia.

Ogni progetto può dimostrare che la tecnologia funziona, ma nessuno risponde alle domande commerciali più complesse. Quale problema dei clienti è diventato più urgente? In quali ambiti l’azienda sta perdendo margini, velocità o quote di mercato? Quale flusso di lavoro dovrebbe essere riprogettato anziché semplicemente accelerato? Quale vantaggio rimarrà una volta che i concorrenti potranno acquistare l’accesso a modelli simili?

È proprio qui che molti programmi aziendali dedicati all’IA iniziano a perdere di vista l’obiettivo. L’organizzazione considera l’adozione come una prova di progresso, conta i progetti pilota e le licenze utente e descrive l’IA come una priorità strategica. Ciò che non ha definito, però, è la strategia aziendale che l’IA dovrebbe sostenere.

Questa distinzione sta assumendo sempre maggiore importanza man mano che la sperimentazione si diffonde. L’indagine globale condotta da McKinsey nel 2025 ha rilevato che quasi nove intervistati su dieci hanno segnalato un uso regolare dell’IA in qualche ambito delle loro organizzazioni, eppure la maggior parte delle aziende faticava ancora a tradurre la sperimentazione in un impatto su larga scala a livello aziendale. Solo circa il 39% ha segnalato un effetto misurabile sull’utile al lordo degli interessi e delle imposte (EBIT), e la maggior parte di queste aziende ha attribuito all’IA meno del 5% dell’EBIT.

Questo divario non significa che l’intelligenza artificiale sia priva di valore. Dimostra piuttosto che l’accesso alla tecnologia sta diventando più facile rispetto al lavoro organizzativo necessario per sfruttarla.

L'intelligenza artificiale può supportare la strategia, modificare gli aspetti economici di un processo e, talvolta, rendere possibile un nuovo modello di business. Non può però sostituire le decisioni relative ai settori in cui l'azienda intende competere, ai clienti che intende servire o ai motivi per cui dovrebbe affermarsi.

Inizia dal vincolo aziendale

Un programma di intelligenza artificiale utile parte da un problema le cui implicazioni commerciali sono già ben comprese.

Un produttore potrebbe subire perdite in termini di tempo di produzione perché i team di manutenzione non riescono a individuare tempestivamente il deterioramento delle attrezzature. Un assicuratore potrebbe avvalersi di periti qualificati che dedicano gran parte della giornata a estrapolare informazioni dai documenti. Una società di servizi professionali potrebbe essere consapevole che i propri esperti hanno prodotto conoscenze preziose, ma non è in grado di recuperarle con sufficiente rapidità per riutilizzarle. Un rivenditore potrebbe avere scorte eccessive perché le previsioni rispondono troppo lentamente alla domanda locale.

Si tratta di vincoli strategici o operativi. L’intelligenza artificiale diventa rilevante solo dopo che l’organizzazione ha individuato quale decisione, attività o lacuna informativa contribuisca al problema.

La differenza è evidente nel servizio clienti. “Introdurre un chatbot basato sull’intelligenza artificiale” è un’iniziativa tecnologica. “Ridurre il tempo necessario per risolvere le richieste di routine relative agli account, garantendo al contempo l’accesso a un collaboratore qualificato per i clienti con esigenze complesse o particolarmente vulnerabili” è un obiettivo aziendale.

La seconda formulazione definisce l'obiettivo, i confini del cliente e uno dei rischi principali. Consente all'azienda di confrontare l'intelligenza artificiale con altri interventi, tra cui fatture più chiare, una migliore formazione del personale, una navigazione più intuitiva sul sito web o l'eliminazione di un processo che genera chiamate superflue.

Senza questo passaggio, le aziende finiscono spesso per automatizzare i sintomi. Il chatbot risponde a domande generate da politiche confuse; lo strumento di sintesi elabora report di cui nessuno ha bisogno; e l’assistente interno effettua ricerche in una base di conoscenza frammentata, le cui informazioni di fondo sono obsolete.

L'intelligenza artificiale può velocizzare un processo poco efficiente. Ciò non rende però il processo più prezioso.

Distinguere la strategia dal caso d'uso e dalla piattaforma

I team dirigenziali spesso raggruppano tre decisioni distinte in un’unica decisione.

Il strategia definisce l'obiettivo commerciale: migliorare la fidelizzazione dei clienti redditizi, ridurre le interruzioni di produzione non programmate o accorciare i tempi necessari per l'immissione di un prodotto sul mercato.

Il caso d'uso descrive le attività che l'intelligenza artificiale può svolgere: prevedere i guasti alle apparecchiature, sintetizzare i dati tecnici o elaborare un progetto iniziale di un prodotto.

Il piattaforma fornisce i modelli, l'infrastruttura dei dati e gli strumenti attraverso i quali viene realizzato quel caso d'uso.

L'ordine è importante. Quando le aziende iniziano acquistando una piattaforma di IA di ampio respiro, possono sentirsi sotto pressione nel dover trovare un numero sufficiente di applicazioni per giustificare l'investimento. Il portafoglio tecnologico finisce così per dettare le priorità aziendali, invece di sostenerle.

L'errore opposto consiste nel consentire l'uso di centinaia di strumenti non coordinati. I dipendenti risolvono rapidamente i problemi a livello locale, ma l'azienda si ritrova con contratti duplicati, controlli di sicurezza incoerenti e dati che circolano in sistemi che la direzione centrale non è in grado di monitorare.

Un'organizzazione disciplinata mantiene una base tecnologica relativamente ridotta, consentendo al contempo alle unità aziendali di proporre casi d'uso sulla base di criteri comuni. Tale base può includere modelli approvati, controlli sull'identità, accesso sicuro ai dati aziendali, standard di monitoraggio e di approvvigionamento. Dovrebbe consentire la sperimentazione senza predeterminare dove risieda il valore.

L'architettura tecnologica è importante, ma assume un valore strategico solo se collegata alle scelte dell'organizzazione in materia di clienti, aspetti economici e capacità.

Concentrare gli investimenti laddove i benefici economici siano evidenti

L'entusiasmo suscitato dall'IA generativa ha spinto le aziende a distribuire investimenti modesti su numerose funzioni. Ciò si traduce in un numero impressionante di progetti pilota e in una scarsa concentrazione.

La ricerca condotta da BCG nel 2024 ha classificato il 49% delle aziende intervistate come ancora in gran parte in fase di “proof-of-concept”, mentre solo il 4% aveva sviluppato quelli che sono stati definiti “motori di valore basati sull’IA maturi”. Le aziende che hanno riportato risultati migliori tendevano a concentrare i propri sforzi su un numero limitato di processi aziendali fondamentali, piuttosto che distribuire le risorse in modo uniforme tra numerose piccole iniziative.

Un portfolio efficace dovrebbe contenere diversi tipi di candidature, ma deve seguire una gerarchia chiara.

Alcuni utilizzi migliorano la produttività personale: redigere testi di routine, sintetizzare le riunioni o cercare documenti. Queste attività possono far risparmiare tempo a un organico numeroso, anche se il valore che ne deriva è spesso dispersivo e difficile da concretizzare, a meno che l’organizzazione non modifichi il modo in cui tale tempo viene impiegato.

Altre applicazioni ottimizzano un flusso di lavoro ben definito. Possono accelerare l'elaborazione dei sinistri, ridurre i falsi allarmi di frode o aiutare i tecnici a diagnosticare i guasti. Il loro valore può solitamente essere misurato in termini di tempo, costi, precisione, produttività o risultati per i clienti.

Le applicazioni di maggiore rilevanza strategica modificano l'economia di un prodotto o di un modello di business. L'intelligenza artificiale potrebbe consentire a un'azienda di rivolgersi a un segmento di clientela che in precedenza non era redditizio, di personalizzare un servizio su larga scala o di creare un vantaggio competitivo basato sui dati che migliora con l'uso.

L'azienda non ha bisogno che ogni iniziativa sia di tipo trasformazionale. Deve però sapere a quale categoria appartiene ciascuna iniziativa e finanziarla di conseguenza.

Un assistente informatico non dovrebbe ricevere la stessa attenzione da parte dei dirigenti riservata a un sistema in grado di modificare le decisioni di sottoscrizione relative a un intero portafoglio assicurativo.

Riprogettare il flusso di lavoro anziché aggiungere un'altra schermata

Molte organizzazioni integrano l'intelligenza artificiale in un processo esistente senza modificarne la struttura.

Un dipendente riceve un riepilogo generato dall'intelligenza artificiale, ma deve comunque copiarlo manualmente in un altro sistema. Un modello raccomanda una decisione, ma il numero di approvazioni richieste rimane invariato. Un addetto al servizio clienti propone una risposta, ma l'operatore deve consultare diversi database per verificarla.

Questa tecnologia introduce una fase aggiuntiva anziché eliminarne una.

La ricerca di McKinsey sulle organizzazioni che traggono valore dall’IA generativa individua nella riprogettazione dei flussi di lavoro una delle pratiche più strettamente associate all’impatto. Altre pratiche importanti includono l’integrazione della tecnologia nei sistemi quotidiani, la definizione di piani di adozione chiari, la formazione del personale in base al ruolo e il monitoraggio di indicatori di performance ben definiti.

La riprogettazione del flusso di lavoro inizia con l'analisi di come il lavoro viene attualmente svolto. Quali attività richiedono un giudizio? Quali sono dovute alla difficoltà di reperire le informazioni? In quali punti il processo è in attesa di approvazione e quali errori comportano un successivo rifacimento del lavoro?

L'organizzazione potrà quindi decidere quali fasi l'intelligenza artificiale debba automatizzare, quali debba supportare e quali debbano rimanere sotto il controllo umano.

Un istituto di credito ipotecario, ad esempio, può utilizzare l’intelligenza artificiale per estrarre informazioni dai documenti e segnalare incongruenze, lasciando comunque all’uomo la responsabilità delle decisioni di credito e dei casi insoliti. Il vantaggio non deriva esclusivamente da una lettura più rapida dei documenti, ma dalla riorganizzazione del flusso di lavoro, in modo che i responsabili della valutazione del rischio dedichino più tempo all’analisi del rischio e meno tempo alla preparazione dei fascicoli.

Il modello operativo deve inoltre specificare cosa succede in caso di incertezza. Un sistema di intelligenza artificiale in grado di gestire efficacemente i casi di routine può comunque fallire dal punto di vista commerciale se le sue eccezioni vengono indirizzate a una coda con personale insufficiente e senza un responsabile ben definito.

Assegnare a ogni iniziativa un responsabile

I programmi di intelligenza artificiale sono spesso guidati dai team tecnologici, poiché sono loro a conoscere bene l'infrastruttura e i fornitori. La competenza in ambito tecnologico è necessaria, ma non è sufficiente.

Il dirigente responsabile del processo commerciale dovrebbe assumersi la responsabilità del risultato.

Se l’intelligenza artificiale viene introdotta nel settore degli acquisti, il responsabile degli acquisti dovrebbe essere chiamato a rispondere del miglioramento delle decisioni relative ai fornitori. Se l’intelligenza artificiale supporta il marketing, il responsabile del marketing dovrebbe rispondere dei tassi di conversione, della qualità del marchio e dei costi di acquisizione dei clienti. La funzione tecnologica rimane responsabile dell’architettura, della sicurezza e dell’affidabilità, ma non dovrebbe essere chiamata a elaborare un business case per conto di un altro dipartimento.

Ogni iniziativa deve avere un responsabile designato che abbia l'autorità sul flusso di lavoro, sul budget e sulle decisioni relative all'adozione. Tale responsabile dovrebbe definire i parametri di riferimento prima dell'implementazione e concordare le modalità di misurazione dei benefici.

Senza un punto di riferimento, quasi qualsiasi progetto pilota può essere definito un successo. I dipendenti potrebbero dire che sembra più veloce, la dimostrazione potrebbe funzionare bene e i dirigenti di alto livello potrebbero apprezzarne l’utilizzo. Nessuna di queste osservazioni dimostra però il valore finanziario.

Il parametro di riferimento dipende dall'applicazione. Potrebbe trattarsi del costo per query risolta, dei tempi di inattività in produzione, delle perdite legate ai reclami, della durata media del ciclo di vendita o della percentuale di tempo dedicato dal personale tecnico a attività ripetitive.

L'organizzazione deve inoltre decidere in che modo concretizzare tale valore. Far risparmiare dieci minuti a un dipendente non comporta automaticamente una riduzione dei costi o un aumento dei ricavi. Il tempo risparmiato deve essere aggregato, reindirizzato verso attività di maggior valore o tradursi in una maggiore produttività.

Un business case credibile non si limita a indicare quanto tempo l'intelligenza artificiale potrebbe far risparmiare, ma spiega anche come l'azienda intende impiegare tale tempo.

La preparazione dei dati è una scelta strategica

Le aziende descrivono spesso la qualità dei dati come un ostacolo tecnico emerso durante la fase di implementazione. In realtà, essa riflette anni di decisioni aziendali.

I dati relativi ai clienti potrebbero essere duplicati, poiché alle unità regionali era consentito utilizzare definizioni diverse. I dati sui prodotti potrebbero essere incompleti, poiché nessun dirigente era responsabile del loro aggiornamento. Informazioni preziose potrebbero rimanere confinate nei file personali, poiché gli incentivi favorivano la titolarità individuale piuttosto che il riutilizzo a livello organizzativo.

L'intelligenza artificiale mette in luce queste debolezze perché i modelli richiedono informazioni accessibili, pertinenti e sufficientemente affidabili. Un sistema sofisticato alimentato da dati di scarsa qualità può fornire risposte in modo rapido e con sicurezza, ma non in modo corretto.

La soluzione non consiste nel ripulire ogni set di dati prima di iniziare. Ciò potrebbe trasformarsi in un’operazione costosa e senza una fine chiara. L’azienda dovrebbe migliorare le informazioni necessarie per i propri casi d’uso prioritari e assegnarne la responsabilità in modo permanente.

Nel caso di un'applicazione di vendita, ciò potrebbe significare definire quali interazioni con i clienti devono essere registrate, chi può modificare un record e con quale rapidità le informazioni obsolete debbano essere corrette. Nel caso di un modello industriale, ciò potrebbe comportare una calibrazione coerente dei sensori, etichette di manutenzione e identificatori delle apparecchiature in tutti i siti.

La governance dei dati dovrebbe orientarsi al valore aziendale. Le informazioni più rilevanti per la determinazione dei prezzi, la gestione dei rischi, i clienti e le operazioni meritano i controlli più rigorosi in termini di responsabilità e qualità.

Lo stesso principio vale per i dati proprietari intesi come vantaggio competitivo. Molte aziende ritengono che il possesso di grandi volumi di informazioni possa costituire un elemento di differenziazione. Ciò avverrà solo se i dati sono legalmente utilizzabili, rilevanti ai fini decisionali e organizzati in modo sufficientemente efficace da migliorare il sistema.

Non confondere l'accesso al modello con il vantaggio competitivo

La maggior parte delle aziende può acquistare l'accesso a modelli di base simili. Man mano che tali modelli migliorano e i prezzi diminuiscono, il modello stesso diventa una fonte sempre meno efficace di differenziazione duratura.

Il vantaggio deriverà probabilmente dal modo in cui l’azienda saprà combinare la tecnologia con le informazioni proprietarie, le competenze settoriali, la rete di distribuzione e i processi riprogettati.

Una banca e un’azienda del settore retail possono utilizzare lo stesso modello linguistico, ma il valore che ne deriva per la banca dipende dalla sua integrazione con le politiche di rischio, i dati dei clienti e i processi di approvazione previsti dalla normativa. Il vantaggio per l’azienda del settore retail può invece dipendere dai dati sulla domanda, dai rapporti con i fornitori e dalla capacità di modificare rapidamente le decisioni relative alle scorte.

Il lavoro più impegnativo riguarda il modello stesso: preparazione dei dati, integrazione dei sistemi, valutazione, progettazione dei flussi di lavoro e adozione da parte dei dipendenti.

Ciò significa anche che potrebbe rendersi necessario cambiare modello. I requisiti in termini di prestazioni, prezzo, normative e ubicazione dei dati sono destinati a cambiare. Un’architettura progettata intorno a un unico fornitore può rivelarsi costosa da modificare in un secondo momento, soprattutto quando i prompt, i sistemi di valutazione e le applicazioni sono strettamente legati a funzionalità proprietarie.

Le aziende non devono necessariamente evitare di avvalersi di partner tecnologici strategici, ma dovrebbero comprendere in quali ambiti si crea una situazione di dipendenza. I contratti dovrebbero disciplinare l’utilizzo dei dati, l’addestramento dei modelli, i diritti di verifica, la continuità del servizio e la possibilità concreta di effettuare la migrazione.

L'obiettivo non è una neutralità teorica rispetto ai fornitori, bensì un potere di influenza sufficiente a impedire che la piattaforma di IA diventi la strategia non verificata dell'azienda.

La governance dovrebbe allinearsi alla decisione che comporta un rischio

Alcune aziende affrontano i rischi legati all’intelligenza artificiale istituendo un comitato centrale incaricato di esaminare ogni esperimento. Il risultato è spesso un rallentamento dei lavori, elusioni informali e il ricorso da parte dei dipendenti a strumenti non approvati al di fuori del processo ufficiale.

Altri stabiliscono principi generali e lasciano che siano i singoli team a interpretarli, con il risultato di controlli incoerenti.

Un modello proporzionato parte dalla conseguenza dell'errore.

Uno strumento interno che aiuta un dipendente a riscrivere una presentazione comporta rischi diversi rispetto a un sistema che raccomanda cure mediche, determina l’accesso al credito o comunica direttamente con clienti vulnerabili. La governance dovrebbe diventare più rigorosa man mano che il sistema acquisisce autonomia, gestisce informazioni più sensibili o influisce su decisioni più rilevanti.

Il quadro di riferimento del NIST per la gestione dei rischi legati all’IA articola questo lavoro attorno a quattro funzioni continuative: governare, mappare, misurare e gestire. Il suo profilo relativo all’IA generativa affronta inoltre rischi quali la confabulazione, la privacy, la sicurezza delle informazioni, i pregiudizi dannosi, la proprietà intellettuale e l’eccessiva dipendenza umana.

In pratica, l'azienda dovrebbe documentare l'uso previsto, i dati coinvolti, il responsabile della decisione, i test di prestazione e la procedura di escalation. Dovrebbe sapere se l'esito è di natura consultiva o vincolante, chi può ignorare il sistema e come verranno registrati gli incidenti.

I modelli devono essere monitorati dopo l'implementazione, poiché il comportamento degli utenti, i dati e le condizioni operative sono soggetti a cambiamenti. Un sistema che ha funzionato bene durante la fase di test può perdere efficacia una volta che i clienti imparano a interagire con esso o i dipendenti iniziano a utilizzarlo per attività che esulano dal suo ambito originario.

La governance, quindi, non è la riunione di approvazione che si tiene prima del lancio. È la disciplina operativa che prosegue anche in seguito.

L'adozione è una responsabilità della direzione

Uno strumento basato sull'intelligenza artificiale può essere tecnicamente valido ma irrilevante dal punto di vista commerciale, perché i dipendenti non lo utilizzano o lo utilizzano in modo improprio.

L'adozione fallisce quando i dipendenti assistono a una dimostrazione generica senza comprendere in che modo cambierà il loro ruolo. Fallisce anche quando la dirigenza descrive l'IA solo come un programma di efficienza e i dipendenti interpretano, a ragione, l'efficienza come una minaccia per il proprio posto di lavoro.

I dirigenti dovrebbero illustrare con precisione il modello operativo previsto. Quali mansioni sono destinate a scomparire? Quali decisioni rimarranno di competenza umana? Come verranno valutate le prestazioni quando la produttività aumenterà? Quale supporto sarà disponibile in caso di malfunzionamento dello strumento?

Una formazione mirata alle specifiche mansioni è più efficace del semplice entusiasmo. Un avvocato deve comprendere i concetti di riservatezza, verifica delle fonti e responsabilità professionale. Un rappresentante commerciale deve sapere quando un messaggio suggerito diventa fuorviante. Un manager deve riconoscere i pregiudizi legati all’automazione e mettere in discussione una raccomandazione, anziché considerare il modello come un’autorità.

Anche i dirigenti di alto livello devono utilizzare i sistemi che promuovono. Il coinvolgimento della leadership è importante non perché ogni amministratore delegato debba diventare un esperto nella compilazione dei prompt, ma perché un utilizzo visibile mette in luce i limiti pratici e segnala che l’adozione fa parte di un cambiamento operativo piuttosto che di un’iniziativa informatica isolata.

L'azienda dovrebbe mettere a disposizione dei dipendenti un canale semplice per segnalare risultati errati, problemi di sicurezza e difficoltà nel flusso di lavoro. Il feedback deve pervenire al team di prodotto o di implementazione con sufficiente tempestività affinché il sistema possa essere migliorato.

L'adozione dell'IA non si conclude con la distribuzione delle licenze. Si conclude quando il nuovo modo di agire diventa la prassi normale con cui si svolge un lavoro di valore.

Misurare il valore a tre livelli

Il primo livello è prestazioni tecniche. Il sistema fornisce risultati sufficientemente accurati, affidabili e tempestivi in condizioni realistiche?

Il secondo è prestazioni del flusso di lavoro. Consente di ridurre i tempi di elaborazione, aumentare la produttività, migliorare l'uniformità o permettere ai dipendenti di dedicare più tempo ad attività di maggior valore?

Il terzo è andamento aziendale. Tale cambiamento comporta un miglioramento in termini di fatturato, margine, fidelizzazione dei clienti, esiti di rischio o altri indicatori strategici?

Un sistema può avere successo a un primo livello e fallire negli altri due. Uno strumento di sintesi altamente accurato crea poco valore quando i dipendenti non si fidano di esso o quando le sintesi non hanno mai rappresentato un vincolo. Un processo di gestione dei reclami più rapido può danneggiare l’azienda se comporta un aumento dei risarcimenti inappropriati o dei reclami dei clienti.

I vantaggi e i costi devono essere valutati nel loro insieme. I costi relativi al modello possono essere modesti, mentre quelli legati all’integrazione, all’ingegneria dei dati, alla revisione umana e alla gestione del cambiamento sono notevoli. Inoltre, i costi di utilizzo possono aumentare in modo imprevedibile man mano che l’adozione si diffonde.

Il modello finanziario dovrebbe includere i costi di implementazione, gestione, monitoraggio, sicurezza e correzione degli errori. Dovrebbe inoltre distinguere gli incrementi temporanei di produttività dai miglioramenti strutturali nell'economia del processo.

Il management dovrebbe chiudere le iniziative che non generano valore sufficiente. I portafogli dedicati all’intelligenza artificiale richiedono la stessa disciplina di capitale applicata agli altri investimenti. Un progetto pilota fallito ha un costo contenuto quando fornisce una risposta tempestiva; diventa costoso quando l’azienda lo mantiene in vita solo per dare l’impressione di compiere progressi.

Un programma pratico di 90 giorni per ricominciare da capo

Durante il primo mese, i dirigenti dovrebbero smettere di chiedere ai reparti idee relative all’intelligenza artificiale e concentrarsi invece sull’individuazione di un numero limitato di risultati aziendali che contano di più. Ogni priorità dovrebbe essere tradotta in un vincolo misurabile: tempo, costo, errore, capacità, conversione o esperienza del cliente.

Il mese prossimo dovrebbe essere dedicato alla mappatura dei flussi di lavoro e dei dati rilevanti. I team devono comprendere come si svolge effettivamente il lavoro, in quali punti è richiesto un giudizio e quali informazioni mancano o sono inaffidabili. I potenziali interventi basati sull’intelligenza artificiale potranno poi essere confrontati con modifiche più semplici a livello di processi, politiche o software.

Nel corso dell’ultimo mese, l’azienda dovrebbe selezionare un ristretto portafoglio di iniziative con responsabili designati, parametri di riferimento e criteri di interruzione ben definiti. Almeno una di queste dovrebbe essere in grado di generare un valore misurabile in breve tempo, mentre un’altra potrebbe servire a testare una capacità più strategica, i cui benefici richiedono un’integrazione più profonda.

L'organizzazione dovrebbe inoltre definire basi comuni in materia di tecnologia e governance: modelli approvati, controlli sull'accesso ai dati, procedure di valutazione, segnalazione degli incidenti e standard di appalto. Tali basi dovrebbero essere sufficientemente solide da ridurre i rischi senza tuttavia diventare un pretesto per centralizzare ogni decisione.

Al termine dei 90 giorni, il consiglio di amministrazione non dovrebbe chiedersi quanti progetti di IA siano in corso. Dovrebbe invece chiedersi quali ostacoli aziendali vengano rimossi, quali prove sostengano i benefici dichiarati e cosa debba cambiare nel modello operativo affinché il risultato possa essere esteso su larga scala.

L'intelligenza artificiale merita una seria attenzione strategica perché può modificare le strutture dei costi, i processi decisionali e la progettazione dei prodotti. Ciò non la rende però una strategia a sé stante.

Una strategia spiega dove l'azienda creerà valore e perché è in grado di farlo meglio dei propri concorrenti. L'intelligenza artificiale può rafforzare questa risposta, ma non può fornirla.