“Per la vera trasformazione aziendale ci vuole ‘l’AI del fare’. E le PMI italiane hanno un grande vantaggio”, l’intervista a Mauro Arte di Aramix | AI Talks #26

Dati confusi, processi non strutturati, governance assente: in un panorama spesso fragile, aziende piccole e medie (ma talvolta anche quelle grandi) faticano a cogliere le opportunità di integrazione di un’AI che evolve sempre più velocemente. Cosa devono fare le aziende per risolvere problemi di dispersività e di organizzazione? Ne abbiamo parlato con Mauro Arte, CEO della deep-tech company Aramix.

Il 95% dei progetti AI fallisce e all’AI Week di quest’anno abbiamo chiaramente capito che il problema è soprattutto culturale. Da dove devono partire le aziende per evolversi e strutturarsi attorno alle nuove tecnologie?

“Io partirei da un punto molto semplice: oggi il problema non è più la disponibilità della tecnologia. La tecnologia c’è, è accessibile, le infrastrutture sono sempre più potenti e gli strumenti sono ormai sufficientemente maturi per essere applicati a casi d’uso concreti. Il punto vero è la capacità delle aziende di trasformare questa disponibilità tecnologica in valore concreto.

Anche le ricerche più recenti vanno in questa direzione. McKinsey, nel report Superagency in the Workplace, evidenzia un forte gap tra intenzione e maturità: molte aziende prevedono di aumentare gli investimenti in AI, ma pochissime si considerano realmente mature nell’integrazione dell’AI nei propri workflow.

Lo stesso concetto è espresso molto bene dal report del MIT Project NANDA, The GenAI Divide: State of AI in Business 2025. Il “GenAI Divide” è proprio il divario tra le aziende che sperimentano l’AI e quelle che riescono davvero a trasformarla in impatti misurabili su produttività, ricavi o conto economico. Il punto centrale è che il problema non è tanto la qualità dei modelli, quanto la capacità di integrarli nei workflow aziendali, adattarli al contesto operativo e farli diventare parte del modo in cui l’organizzazione lavora.

Quindi, quando diciamo che il problema è culturale, non dobbiamo intendere la cultura in modo astratto. Cultura AI significa conoscere i propri dati, capire quali processi possono essere trasformati, definire responsabilità chiare, introdurre regole di governance e misurare i risultati con KPI economici e operativi. Senza questi elementi l’AI resta una sperimentazione, magari interessante, ma difficilmente scalabile.

Per questo credo che siamo entrati in una fase nuova: non più quella dell’AI vista solo come laboratorio o sperimentazione, ma quella dell’AI che deve andare in produzione. Questo significa portarla dentro processi reali, con utenti reali, dati affidabili, responsabilità definite e metriche di risultato. È esattamente qui che molte aziende incontrano la difficoltà maggiore: non nel provare uno strumento, ma nel trasformarlo in una soluzione operativa.

Le aziende devono partire da tre elementi: qualità e conoscenza del proprio patrimonio dati, formazione delle persone e approccio graduale. Bisogna capire la tecnologia, testarla su casi d’uso concreti, misurarne l’impatto e poi scalarla all’interno dell’organizzazione. È qui che si gioca la differenza tra un progetto AI che resta un esperimento e un progetto AI che diventa una leva di trasformazione industriale”.

Le PMI rappresentano la quasi totalità delle aziende del nostro Paese. Nell’ultimo anno in generale è aumentata la consapevolezza attorno all’AI o c’è ancora una conoscenza superficiale o stereotipata?

“La consapevolezza è sicuramente aumentata, soprattutto da quando l’AI generativa è arrivata nelle mani degli utenti finali. Fino a pochi anni fa l’intelligenza artificiale era percepita come qualcosa di distante, riservato a grandi aziende, laboratori di ricerca o team altamente specializzati. Oggi, invece, moltissime persone la utilizzano quotidianamente, anche solo per scrivere, sintetizzare documenti, analizzare informazioni o supportare attività operative.

Questo ha avuto un effetto positivo: ha reso evidente il potenziale dell’AI. Allo stesso tempo, però, ha creato anche un rischio: pensare che usare uno strumento equivalga ad aver adottato l’intelligenza artificiale in azienda. Per le PMI questo è un passaggio delicato.

Molte PMI credono infatti di aver adottato l’AI perché usano gli LLM. In realtà hanno semplicemente introdotto un nuovo strumento individuale, non una trasformazione aziendale.

Altre invece hanno capito che devono aumentare il proprio livello di competenza, ma spesso non sanno da dove partire, quali processi affrontare per primi, quali dati servano e come misurare i risultati.

È qui che diventa centrale il tema della formazione, ma non una formazione astratta o solo teorica. Serve una formazione sul campo, legata ai processi reali dell’azienda, ai dati disponibili, agli obiettivi economici e alle responsabilità organizzative. Accanto alla formazione serve anche governance, soprattutto sull’AI day by day: l’utilizzo quotidiano di strumenti AI da parte delle persone in azienda deve essere accompagnato da regole chiare, consapevolezza dei rischi, tutela dei dati e capacità di distinguere tra sperimentazione individuale e adozione aziendale strutturata.

È quello che noi chiamiamo “AI del fare”: soluzioni che non restano in laboratorio, ma entrano in produzione, si integrano nei processi aziendali e vengono utilizzate dalle persone nel lavoro quotidiano. Il valore dell’AI non si misura dalla sperimentazione in sé, ma dalla capacità di generare impatti concreti: automatizzare attività, migliorare decisioni, aumentare efficienza, qualità e controllo.

Le PMI italiane hanno anche un vantaggio importante: sono spesso più veloci, più flessibili e più vicine ai processi decisionali rispetto alle grandi organizzazioni. Se accompagnate nel modo corretto, possono adottare l’AI in modo molto pragmatico, partendo da casi d’uso mirati e scalando progressivamente”.

Rispetto agli altri Paesi d’Europa, l’Italia come si colloca realmente nell’integrazione dell’AI nelle organizzazioni?

“Più che ragionare in termini di classifica tra Paesi, credo che oggi la domanda vera sia un’altra: quante aziende stanno davvero integrando l’AI nei processi, nei prodotti, nei servizi e nei modelli organizzativi?

In Italia abbiamo eccellenze molto forti, sia nella ricerca sia in diverse filiere industriali, finanziarie e tecnologiche. Il punto non è l’assenza di competenze. Il punto è che queste competenze devono essere rese più strutturate, distribuite e operative dentro le organizzazioni. L’AI non cambia un’azienda semplicemente perché viene adottato uno strumento: cambia un’azienda quando modifica un processo, migliora un servizio, abilita un prodotto, riduce un rischio o rende più efficiente una decisione.

Mi sembra una dinamica molto simile a quella che abbiamo visto anni fa con il digitale. Per molto tempo tutti dicevano “dobbiamo fare il digitale”, ma spesso questo si traduceva in iniziative superficiali: un sito, qualche contenuto, magari un blog, senza una vera trasformazione dei processi, dei dati e del modello operativo. Con l’AI il rischio è lo stesso: tutti dicono che bisogna “fare AI”, ma se non si capisce dove applicarla, con quali dati, con quali responsabilità e con quali KPI, si resta alla superficie.

Per questo credo che il tema dei competence center sia centrale. Le aziende non hanno bisogno solo di formazione generica sull’AI, ma di un presidio operativo capace di collegare business, tecnologia, dati, compliance e governance. Un competence center non deve essere un comitato teorico: deve aiutare le funzioni aziendali a identificare i casi d’uso, scegliere le priorità, definire le regole, misurare i risultati e accompagnare il passaggio dalla sperimentazione alla produzione.

Questo è il punto su cui l’Italia deve accelerare: non solo usare l’AI, ma imparare a portarla dentro il modo in cui le aziende lavorano. Servono formazione sul campo, strumenti comprensibili, soluzioni pronte all’uso e capacità di execution.

È qui che realtà come Aramix possono avere un ruolo importante: fare da ponte tra la tecnologia disponibile e l’applicazione concreta nei processi aziendali. Questo significa portare in produzione soluzioni verticali come EnerMind per l’ottimizzazione energetica, o applicazioni di Intelligent Document Management, Data Quality e Knowledge Management, dove l’AI non è generica, ma lavora su processi specifici, con dati, utenti, obiettivi e risultati misurabili”.

Quanto tempo richiede mediamente risanare il patrimonio dati di un’azienda media prima di iniziare con l’AI?

“Dipende molto dalla complessità dell’azienda e dall’obiettivo del progetto. Però secondo me è importante chiarire un concetto: non sempre è necessario risanare tutto il patrimonio informativo prima di iniziare. Anzi, se un’azienda pensa di dover rimettere in ordine tutti i dati prima di fare qualunque cosa con l’AI, rischia di non partire mai.

L’approccio più efficace è lavorare per fasi, per funzioni e per casi d’uso. Se voglio applicare l’AI a un processo di onboarding documentale, parto dai documenti, dalle anagrafiche e dai controlli che servono per quel processo. Se voglio lavorare sull’ottimizzazione energetica, parto dai dati di consumo, dagli impianti, dalle variabili operative e dai sistemi di monitoraggio e così via.

Oggi la tecnologia consente di accelerare molto questa fase. Esistono strumenti e agenti AI in grado di automatizzare attività che fino a poco tempo fa erano quasi interamente manuali: profilare i dati, individuare anomalie, riconoscere duplicazioni, segnalare incoerenze, classificare campi, estrarre informazioni da documenti non strutturati, suggerire regole di normalizzazione e monitorare la qualità nel tempo. Le piattaforme tecnologiche oggi disponibili, stanno mettendo a disposizione capacità impressionanti.

E qui arriviamo a un punto importante: può un’azienda di medie dimensioni prendere direttamente queste tecnologie e metterle a terra da sola? Nella maggior parte dei casi no, o comunque non in modo efficace. Non basta avere accesso alla tecnologia: serve un lavoro di traduzione e integrazione. Bisogna capire il potenziale degli strumenti, adattarlo al processo aziendale, collegarlo ai dati disponibili, definire regole di governance e misurarlo rispetto a obiettivi concreti. Questo è lo spazio in cui si colloca una realtà come Aramix: trasformare capacità tecnologiche molto avanzate in applicazioni operative, sostenibili e realmente utilizzabili dalle aziende.

Un tema molto interessante è quello dei dark data, cioè informazioni presenti in azienda ma non mappate, non utilizzate o non valorizzate: documenti, report, allegati, note operative, archivi storici, log, file condivisi. Naturalmente vanno trattati con criteri di sicurezza, permessi e governance, ma gli agenti AI possono aiutare a far emergere questi contenuti, classificarli, renderli ricercabili e trasformarli in conoscenza utile per i processi aziendali. In termini di tempi, un assessment serio può partire in poche settimane e in pochi mesi può produrre una roadmap progressiva su un perimetro specifico, senza pretendere di bonificare tutta l’azienda prima di iniziare”.

Spesso si integra l’AI a partire dai processi e ci si accorge solo dopo che non ha creato reale valore e non ha scalato. Come fa un’azienda a capire se la sua integrazione dell’AI sta portando vantaggi concreti?

“La prima cosa è definire il valore prima di partire, non dopo. Sembra banale, ma molte sperimentazioni AI falliscono proprio perché nascono come semplici POC o test tecnologici, e non come progetti di business. Si prova uno strumento, si sviluppa un prototipo, si genera entusiasmo, ma poi manca la domanda più importante: quale metrica stiamo migliorando?

Un progetto AI deve avere una baseline e dei KPI. Se lavoro su un processo documentale, devo sapere quanto tempo richiede oggi, quanti errori genera, quanti controlli manuali servono, qual è il costo operativo e quale livello di tracciabilità garantisce. Se introduco un sistema di Intelligent Document Management, posso misurare la riduzione dei tempi di lettura e classificazione, la diminuzione degli errori, l’aumento della coerenza nei controlli, la capacità di gestire volumi maggiori senza aumentare proporzionalmente le risorse. In questo caso l’AI crea valore non perché “risponde”, ma perché migliora un processo operativo.

Lo stesso vale nei progetti di governance dell’AI all’interno di grandi organizzazioni. Quando un’azienda ha molte applicazioni AI, o molte sperimentazioni in corso, il valore non deriva solo dal singolo algoritmo. Deriva dalla capacità di avere un framework: censire i casi d’uso, classificarli per rischio e impatto, definire owner, regole di controllo, logiche di human oversight, metriche economiche, requisiti di compliance e criteri di scalabilità. Senza questo livello, l’AI resta frammentata; con questo livello, diventa un portafoglio di iniziative governabile.

Qui il ruolo dei CFO e delle funzioni finance diventa centrale. L’AI non può essere solo un tema dell’IT o dell’innovation. Deve essere letta anche in termini di ROI, payback, costo evitato, rischio ridotto, ricavi incrementali, qualità del servizio, efficienza e compliance. In un progetto energetico posso misurare consumi e saving; in un progetto documentale posso misurare tempi, errori e capacità di controllo; in un progetto di data quality posso misurare duplicazioni eliminate, anomalie intercettate, affidabilità dei dataset e riduzione delle attività manuali.

In sintesi, un’azienda capisce se l’AI sta portando vantaggi concreti quando riesce a collegare tre elementi: processo, dato e KPI. Se manca uno di questi tre, il rischio è fare una demo interessante ma non trasformare davvero il business”.

C’è chi dice che l’AI eliminerà posti di lavoro, chi dice che ne creerà. Quindi cosa devono sapere i giovani che entrano oggi nel mercato? Come devono approcciarlo?

“Di base eviterei le due posizioni estreme. Dire che l’AI eliminerà semplicemente il lavoro è una semplificazione. Dire che non cambierà nulla è altrettanto sbagliato. La storia dell’innovazione ci dice che le grandi rivoluzioni tecnologiche trasformano il lavoro: alcune attività si riducono, altre cambiano profondamente, altre ancora nascono da zero.

Il World Economic Forum stima che entro il 2030 il mercato del lavoro sarà attraversato da una forte riallocazione: 170 milioni di nuovi ruoli creati, 92 milioni di ruoli sostituiti o trasformati, con un saldo netto positivo di 78 milioni. Ma il dato più importante, secondo me, è un altro: quasi il 40% delle competenze richieste sul lavoro è destinato a cambiare.

Questo significa che il tema non è solo quanti lavori nasceranno o spariranno, ma quanto rapidamente persone e aziende sapranno aggiornare competenze, processi e modelli organizzativi.

Lo vediamo anche dentro Aramix e, più in generale, nel Gruppo Datrix. Negli ultimi anni abbiamo integrato figure professionali che prima semplicemente non esistevano o non erano così centrali: AI product manager, AI governance specialist, prompt manager, AI workflow designer, specialisti capaci di collegare business, dati, tecnologia e compliance. Non sono ruoli “fantascientifici”: sono già ruoli operativi, nati perché l’AI deve essere progettata, governata, spiegata, messa in produzione e monitorata.

Allo stesso tempo, non cambieranno solo le professioni tecnologiche. Cambieranno anche molte professioni tradizionali. Un medico, ad esempio, non dovrà diventare necessariamente un programmatore, ma dovrà comprendere sempre di più come usare dati storici, immagini diagnostiche e modelli predittivi a supporto delle decisioni cliniche. Lo stesso varrà per avvocati, ingegneri, CFO, responsabili HR, manager commerciali e molte altre figure.

Il punto centrale è il connubio uomo-macchina. L’AI può aumentare la capacità di analisi, velocizzare attività ripetitive, far emergere pattern e suggerire decisioni. Ma è l’uomo che deve definire obiettivi, regole, contesto, responsabilità e valutazione finale. È il concetto di human in the loop: la tecnologia supporta, amplifica e accelera, ma la responsabilità resta umana.

Ai giovani direi quindi di non avere paura dell’AI, ma di non sottovalutarla. Devono sviluppare una competenza pratica sull’AI: capire come funziona, dove può essere utile, quali limiti ha e come può essere applicata al proprio mestiere. Chi entrerà nel mercato del lavoro con questa consapevolezza avrà un vantaggio enorme”.