C’è una frase che gira da cinquant’anni e non smette di essere vera. Arthur C. Clarke, scrittore di fantascienza e divulgatore scientifico britannico, formulò le sue tre leggi tra gli anni ’60 e ’70. La terza, la più citata, nasce da una riflessione sulla percezione umana della tecnologia:
“qualunque tecnologia sufficientemente avanzata è indistinguibile dalla magia”.
Questa frase descrive con precisione il modo in cui diverse aziende si avvicinano oggi all’intelligenza artificiale. Un modello che genera testo, analizza documenti, risponde a domande complesse in pochi secondi, per chi non ne comprende limiti e funzionamento operativo, può sembrare in un certo senso “magico”.
Il punto è che la magia affascina, ma non si governa.
Quando la meraviglia diventa un rischio
C’è un momento preciso in cui la percezione dell’AI come fenomeno straordinario smette di essere innocua e diventa un problema strategico: quando un’organizzazione inizia ad adottare soluzioni AI senza capirle davvero, senza chiedersi come si è arrivati a un determinato output, con quali dati, con quale margine di errore.
Nelle conversazioni con chi deve decidere se e come adottare l’AI in azienda, quella sensazione di incomprensibilità è spesso ancora presente — e si traduce in progetti avviati sull’onda dell’entusiasmo.
Prima il problema, poi lo strumento
Molti progetti AI falliscono perché si parte dalla soluzione prima ancora di aver definito il problema e cosa si considera un risultato accettabile.
“Vogliamo implementare un modello di forecasting” o “Vogliamo un assistente interno”, invece di:
- Quale processo vogliamo migliorare?
- Quanto costa oggi il problema in termini di tempo, errori, ritardi, opportunità mancate?
- Quale livello di accuratezza è sufficiente?
- Come misureremo il successo, con quale metrica e in quale arco temporale?
- Chi sarà responsabile del monitoraggio (non dell’implementazione iniziale, ma della supervisione continua)?
Quando questi criteri non ci sono dall’inizio, aggiungerli a posteriori è complicato: nel frattempo si sono già accumulate aspettative, si sono coinvolte persone, si sono spesi budget.
Lo confermano anche i dati: secondo il Global CDO Insights 2025 di Informatica, i principali ostacoli al successo dei progetti AI sono la qualità e la prontezza dei dati (43%), la mancanza di maturità tecnica (43%) e la carenza di competenze (35%). Nessuno di questi problemi riguarda il modello. Tutti riguardano ciò che si è saltato all’inizio.
Dall’incantesimo all’ingegneria
La percezione di Clarke era corretta: incomprensibilità funzionale, non misticismo.
L’AI è un insieme di modelli, dati, architetture e decisioni progettuali. Come ogni infrastruttura critica, non serve comprenderne ogni dettaglio matematico, ma servono obiettivi, governance, metriche e consapevolezza di limiti e implicazioni operative.
Chi sviluppa o adotta AI con serietà costruisce sistemi comprensibili nei risultati, misurabili nelle performance e integrabili nei processi aziendali reali. Sistemi che un CIO può spiegare al board, che un responsabile operativo può monitorare, che un team può usare senza dipendenza cieca.
La fase che cambia tutto
Ogni tecnologia attraversa una fase iniziale di fascinazione. Poi arriva il momento in cui smette di stupire e inizia semplicemente a funzionare o a non funzionare.
Con l’AI quel momento per molte organizzazioni deve ancora arrivare. Nel frattempo, Clarke continua ad avere ragione: la tecnologia resta percepita come magia, di conseguenza non si governa, non si misura e non si integra in un processo aziendale.
La tua azienda sta governando l’AI o si sta ancora chiedendo cosa farne davvero?
