Il divario tra richieste del business e tenuta dei dati
L'adozione dell'intelligenza artificiale nelle imprese è ormai diffusa, ma secondo quanto illustrato da Loris Lombardo, product manager di Horsa Insight, al convegno Innovation Challenge 2026 – Soluzioni per evitare la disillusione dell'AI, promosso dagli Osservatori Digital Innovation del Politecnico di Milano, le richieste dei reparti operativi sono molto concrete: supporto sugli investimenti, sulla chiusura del mese, sulla rendicontazione economico-finanziaria. Sono esigenze pratiche che gli assistenti virtuali dovrebbero soddisfare con rapidità.
Il problema, ha spiegato Lombardo, emerge sul fronte tecnico: dietro un'interfaccia semplice si nasconde un'elaborazione analitica complessa, e quando le fonti informative sono incoerenti le risposte risultano inaccurate o incomplete. Il rischio, ha avvertito, è che la fiducia negli strumenti si incrini fino alla disillusione, frenando l'entusiasmo iniziale.
La decisione come prodotto, con l'umano al comando
La risposta proposta da Horsa Insight è un approccio decision-driven ispirato alla definizione dell'Osservatorio del Politecnico: gestire, progettare ed eseguire le decisioni come se fossero veri prodotti. In questa impostazione la conoscenza viene strutturata prima dell'elaborazione algoritmica, definendo in anticipo i requisiti di accuratezza e le responsabilità umane.
Lombardo ha precisato che gli strumenti puntano ad aumentare e supportare le decisioni, lasciando la scelta finale all'utente. La tecnologia non sostituisce quindi la componente direzionale, ma ne rafforza la capacità valutativa, mantenendo la governance umana sull'output dei sistemi.
Esploratori e decisori: due bisogni diversi
L'analisi distingue due categorie di utenti con tolleranze all'errore opposte. Gli esploratori, o power user, hanno background tecnico e conducono sessioni analitiche approfondite: possono accettare margini di approssimazione perché sono in grado di valutare criticamente l'output. I decisori, dirigenti e responsabili di funzione, devono deliberare in tempi ristretti e non hanno né tempo né competenze per verificare il processo di calcolo: per loro un'imprecisione compromette la validità della scelta.
Il caso citato riguarda un marchio globale del fashion attivo su e-commerce e digital marketing, con dati provenienti da più piattaforme pubblicitarie raccolti in silos separati, KPI incoerenti e decisioni rallentate. L'intervento si basa su due componenti: un Semantic layer che unifica regole di calcolo, KPI e modelli di attribuzione nei data product, e agenti AI specializzati per ruolo. Il materiale disponibile si interrompe proprio nella descrizione della seconda componente, senza indicare risultati misurabili del caso.
Restano quindi da verificare l'efficacia concreta dell'architettura, i numeri dell'implementazione e il dettaglio del funzionamento degli agenti: elementi che il testo fornito non documenta.
