Agenti AI da riprogettare per garantire la tracciabilità, strumenti tecnologicamente validi che faticano a entrare nell’operatività quotidiana, un ROI ancora difficile da dimostrare: dall’Advisory Board di COO Day 2027 emergono le questioni che i responsabili Operations sono chiamati ad affrontare.
Un agente AI può arrivare a replicare una parte significativa delle analisi svolte dagli operatori e, nonostante questo, richiedere una revisione della propria architettura. È quanto può accadere nei processi regolamentati, come quelli di antiriciclaggio, dove l’accuratezza del risultato non è sufficiente se non è possibile ricostruire le informazioni e le logiche alla base di ogni valutazione. La tracciabilità è un requisito imprescindibile, che deve orientare la progettazione fin dall’inizio.
È uno degli esempi discussi durante l’Advisory Board di COO Day 2027, organizzato da iKN Italy, che ha riunito Marco Zaffaroni, COO – Direzione Centrale Operations di Mediobanca Premier, Clara Fabiola Oliva, Head of Data Analytics, Artificial Intelligence & Customer Insight di TIM, e Marina Matrone, Compliance Process Improvement di Leonardo. Tre prospettive provenienti dai servizi finanziari, dalle telecomunicazioni e dall’industria ad alta complessità, per individuare le priorità operative al centro del confronto del 23 marzo 2027 a COO Day.
Ne è emerso un quadro chiaro: al COO non basta più garantire continuità ed efficienza. Il suo ruolo si estende alla scelta dei processi da trasformare, delle tecnologie da adottare, delle modalità con cui coinvolgere le persone e degli indicatori necessari a dimostrare il valore economico degli investimenti.
Non un esperto di AI, ma un committente consapevole
I vertici aziendali devono avere competenze sufficienti per valutare le proposte tecnologiche, confrontarsi con gli specialisti e distinguere un’applicazione realmente utile da una soluzione più complessa del necessario. L’attenzione è richiamata anche sulle condizioni operative che rendono possibile l’adozione dell’AI: costi, infrastrutture, fornitori, qualità e controllo dei dati.
Da qui un secondo nodo: il processo viene prima della tecnologia. Anche all’interno della stessa organizzazione possono convivere livelli di maturità molto diversi. Aree già pronte per applicazioni avanzate si affiancano a funzioni in cui è ancora necessario completare la digitalizzazione e l’automazione. Introdurre l’AI su procedure prevalentemente manuali o su sistemi legacy non integrati rischia di aggiungere complessità anziché ridurla.
Non esiste, inoltre, una tecnologia valida per ogni esigenza. L’RPA resta efficace sulle attività ripetitive e strutturate, il Machine Learning sulle analisi e classificazioni, la Generative AI sulla sintesi, sulla gestione delle informazioni e sull’interazione con gli utenti. La decisione operativa riguarda cosa eliminare, cosa semplificare, cosa automatizzare e dove introdurre componenti AI senza perdere il controllo dei processi.
Dalla disponibilità degli strumenti all’adozione effettiva
Uno strumento può superare tutti i test tecnici e produrre comunque benefici limitati se le persone continuano a lavorare come prima.
Il confronto ha evidenziato l’importanza di superare modelli di innovazione esclusivamente top-down, nei quali le soluzioni vengono sviluppate centralmente e successivamente proposte alle funzioni aziendali. Sta acquisendo maggiore rilevanza un approccio che parte dai bisogni degli utilizzatori, coinvolge referenti delle diverse aree e costruisce i requisiti insieme a chi dovrà utilizzare gli strumenti.
La domanda di applicazioni AI nasce sempre più spesso dalle esigenze operative, anziché dalla sola disponibilità di nuove tecnologie.
Resta la necessità di accompagnare le persone nell’utilizzo, superando diffidenza, abitudini consolidate e differenze nelle competenze digitali. Anche quando le soluzioni raggiungono la fase di produzione, il loro inserimento stabile nei flussi di lavoro non è automatico e richiede un percorso di adozione dedicato.
Per le Operations, quindi, la misura del successo non è quanti strumenti vengono messi a disposizione, ma quanti entrano stabilmente nel lavoro quotidiano e con quali risultati.
Controllo e compliance: una questione di progetto, non di collaudo
Le esperienze discusse durante l’Advisory Board mostrano che le prestazioni tecniche non sono l’unico criterio con cui valutare un’applicazione AI.
Nei processi soggetti a vincoli regolamentari particolarmente stringenti, la possibilità di ricostruire ogni passaggio dell’analisi può rendere necessario ripensare la distribuzione dei compiti tra le diverse tecnologie. Un approccio possibile consiste, ad esempio, nell’affidare al Machine Learning l’elaborazione analitica e riservare alla Generative AI la presentazione finale dei risultati, mantenendo separati i livelli di analisi e di generazione del linguaggio.
Il tema va ben oltre il settore finanziario. La centralità di sicurezza e digital sovereignty è evidente, così come il ruolo degli ambienti di sperimentazione controllati nella protezione delle informazioni sensibili. Infine, è emersa la necessità di garantire provenienza dei dati, tracciabilità delle analisi e verificabilità dei risultati.
Per il COO, governance e compliance non intervengono soltanto nella fase finale di validazione, ma condizionano fin dall’inizio la progettazione del processo, la scelta dei fornitori e la ripartizione delle responsabilità tra Operations, IT e funzioni di controllo.
Il ROI dell’AI non si misura in utenti attivi
Come dimostrare che un investimento in AI sta generando valore per l’azienda? È una delle questioni centrali emerse dal confronto.
È fondamentale collegare le iniziative AI a indicatori economici riconoscibili, come marginalità, costi e ricavi, attraverso un monitoraggio che coinvolga non solo le funzioni tecnologiche, ma anche il business e il vertice aziendale.
È anche utile condividere una differenza importante tra le tecnologie. Per RPA e Machine Learning esistono metriche operative relativamente consolidate; per la Generative AI applicata alla produttività individuale, invece, la misurazione tende spesso a concentrarsi sull’utilizzo degli strumenti e sui costi sostenuti.
Ma il numero di utenti attivi non dimostra, da solo, un aumento della produttività. Servono indicatori in grado di collegare l’adozione ai risultati: tempi di esecuzione, volumi gestiti, qualità, riduzione degli errori, costi operativi e, dove possibile, impatto sui ricavi.
È su questi dati che il COO può costruire un confronto concreto con il CFO, distinguendo il successo tecnologico di un progetto dalla sua capacità di produrre benefici economici misurabili e sostenibili.
Dall’Advisory Board a COO Day 2027
Dal confronto è emersa anche l’esigenza di creare occasioni di dialogo diretto tra professionisti di settori diversi, per condividere non soltanto le esperienze di successo, ma anche gli ostacoli incontrati, le scelte progettuali da rivedere e le condizioni necessarie per trasformare la sperimentazione in risultati concreti.
È su questo terreno che si muoverà COO Day 2027, il 23 marzo a Milano: come scegliere i processi su cui intervenire, quando ha senso adottare l’Agentic AI, come favorire un utilizzo effettivo delle soluzioni, quali controlli prevedere e come misurare il ritorno degli investimenti.
Una discussione che sposta l’attenzione dalla tecnologia in sé alla capacità delle Operations di governare il cambiamento e tradurlo in valore per l’organizzazione.