Skip to content
Chatta con un agente AI
Fondamenti

Aziende AI-native: perché processi ripensati, harness su misura e cicli di feedback battono l'AI aggiunta a posteriori

Orange ITS — Team di ingegneria AI 10 min di lettura

Quasi tutti i titolari con cui parliamo hanno già fatto il primo giro. Qualcuno usa un assistente in chat, qualcun altro ha collegato un modello all’helpdesk, e un pilota riassume documenti che nessuno aveva chiesto di riassumere. Gli strumenti funzionano. I numeri del conto economico si muovono appena.

Le aziende che stanno prendendo il largo sembrano fare altre tre cose. Ripensano il processo prima di aggiungere il modello, costruiscono il proprio harness attorno ad esso e riportano le correzioni nel sistema, così che migliori con l’uso. Comprare un modello più potente non ti dà nessuna delle tre.

Un’azienda AI-native è un’azienda il cui modello operativo si romperebbe se le togliessi l’AI, e le prove indicano nel ripensamento dei processi, in un harness su misura e nei cicli di feedback le strade per arrivarci. In questo articolo spieghiamo ciascun elemento, mostriamo che cosa la ricerca sostiene e che cosa no, e ti diamo un test da applicare alla tua azienda. Se vuoi tradurre tutto questo direttamente nella tua realtà, il nostro servizio di strategia AI parte proprio da questo esercizio.


Che cosa significa davvero “AI-native”

Il termine non ha una definizione standard. Società di consulenza, investitori di venture capital e fornitori lo usano per due cose diverse: un’azienda fondata attorno all’AI e un’azienda che opera attorno all’AI. Diversi commenti del 2026 avvertono inoltre che l’etichetta è diventata marketing.

La definizione più difendibile tra le fonti è un test di rimozione. Togli l’AI. Se il prodotto o il modello operativo collassa, l’azienda è AI-native. Se perdi soltanto delle funzioni, è AI-enabled. Un team di assistenza con un assistente per le bozze è AI-enabled. Un servizio in cui un agente risolve i casi di routine, le persone gestiscono le eccezioni e il modello di organico presuppone entrambi è più vicino all’AI-native.

Ne derivano due conseguenze. Primo, l’età non è un criterio, quindi anche un’azienda consolidata può rientrarvi. Secondo, la maggior parte delle aziende si colloca nel mezzo. Persino i fornitori che pubblicano modelli di maturità AI dicono che la maggioranza delle imprese è ancora AI-assisted o AI-enabled.

Perché l’AI aggiunta a posteriori si ferma

Aggiungere un modello a un processo invariato automatizza i passaggi esistenti, compresi quelli nati solo perché le persone erano lente o perché i sistemi non si parlavano. Rimangono la coda, i passaggi di consegne e la catena di approvazione, e in più paghi il modello.

I numeri vanno in questa direzione. Nel sondaggio McKinsey State of AI 2025 circa il 39% degli intervistati attribuiva all’AI un qualche impatto sull’EBIT, e la maggior parte di questi indicava meno del 5%. Un piccolo gruppo di high performer, circa il 6%, ne attribuiva il 5% o più. McKinsey riferisce che il ripensamento dei flussi di lavoro è uno dei fattori più forti per ottenere un impatto significativo e che gli high performer avevano una probabilità quasi tripla di aver ridisegnato a fondo i workflow. La copertura secondaria dell’edizione 2026 riporta un quadro simile, con la quota di high performer ancora al 6% circa.

Lo studio BCG di settembre 2025 su 1.250 dirigenti senior ha trovato il 5% delle aziende “future-built”, che catturano valore dall’AI su larga scala, il 35% in fase di scalabilità e il 60% con benefici minimi. BCG vende lavoro di trasformazione, quindi leggi l’ampiezza del divario tenendone conto. La direzione resta comunque coerente con McKinsey.

Le PMI svizzere seguono lo stesso schema. Lo studio di AXA e Sotomo, con rilevazione a marzo 2026 su 336 PMI, ha rilevato che il 74% usa o sperimenta l’AI, contro il 55% del 2024. La conclusione: l’AI ottimizza i processi esistenti e non mette in discussione in modo sostanziale il modello di business. L’adozione è ampia. Il ripensamento è raro. Il quadro completo dell’adozione in Svizzera è in adozione dell’IA nelle PMI svizzere nel 2026.

Primo pilastro: ripensare prima il processo

Le prove sperimentali più solide su questo punto vengono da INSEAD. I ricercatori hanno condotto un esperimento randomizzato sul campo su 515 startup ad alta crescita. A metà di esse è stato mostrato come altre aziende avessero riorganizzato la produzione attorno all’AI. Entrambi i gruppi avevano accesso agli stessi strumenti. Il gruppo trattato ha riportato il 44% in più di casi d’uso dell’AI, il 12% in più di attività completate, una probabilità superiore del 18% di acquisire clienti paganti e ricavi circa 1,9 volte quelli del gruppo di controllo. La domanda di lavoro non è cambiata.

I limiti vanno letti con la stessa attenzione del risultato principale. Il trattamento consisteva nell’esposizione a esempi di altre aziende, quindi l’esperimento non ha testato direttamente il ripensamento, e ciò che le aziende trattate hanno fatto dopo è stato molto vario. Il campione era fatto di startup e non di PMI consolidate. È il miglior sostegno quantitativo al ripensamento che esista, ed è comunque un solo studio. Per la parte pratica, vedi mappare un flusso di lavoro prima di automatizzarlo. Per una lettura più ravvicinata dello studio, vedi come le aziende riorganizzano il lavoro attorno all’AI.

Il Digital Economy Lab di Stanford è arrivato a una conclusione qualitativa simile per un’altra strada. Il suo studio di aprile 2026 su 51 implementazioni riuscite in 41 organizzazioni ha rilevato che due aziende su tre avevano avuto tentativi falliti significativi prima di arrivare al valore, e nella prefazione si legge che la differenza non l’ha mai fatta il modello AI: è sempre stata l’organizzazione. Gli autori dichiarano una distorsione di selezione verso gli esiti positivi. Usa lo studio per capire che cosa hanno cambiato i vincitori. Non usarlo per stimare la probabilità di successo. Leggiamo il rapporto nel dettaglio in cosa hanno cambiato nell’organizzazione 51 implementazioni AI riuscite.

In pratica, ripensare significa porsi domande che il semplice rilascio di uno strumento salta:

  • Quali passaggi esistono solo per un vecchio vincolo, e possono sparire?
  • Dove una persona decide davvero, e dove si limita a inoltrare?
  • Chi risponde del risultato quando agisce l’agente, e chi controlla le eccezioni?
  • Che cosa misuri prima e dopo, in modo che il miglioramento sia visibile?

La nostra guida ai workflow agentici spiega in che cosa un agente si distingue da un’automazione con script, che è la metà tecnica di questo ripensamento.

Secondo pilastro: costruire l’harness attorno al modello

Un modello da solo è un generatore di testo. Attorno a esso c’è l’harness: il contesto che riceve, gli strumenti che può chiamare, la memoria, i guardrail, le valutazioni che controllano il suo output e l’orchestrazione tra i passaggi. Anthropic descrive il context engineering come la cura dell’insieme ottimale di informazioni a disposizione del modello a ogni passaggio, e ne indica i costi, tra cui il context rot e le informazioni perse quando le conversazioni vengono compattate in modo troppo aggressivo. L’anatomia di un agent harness passa in rassegna le sei parti una per una.

C’è un dato pubblico pulito su quanto conti questo strato. LangChain ha riportato a febbraio 2026 che il suo agente di coding è salito dal 52,8% al 66,5% su Terminal-Bench 2.0, passando da circa il trentesimo posto ai primi 5, con il modello invariato. Le modifiche sono state un ciclo di costruzione e verifica, un passaggio di verifica prima della conclusione, il rilevamento dei loop e una pianificazione dello sforzo di ragionamento. Va pesato correttamente: è il risultato di un solo fornitore su un solo benchmark, LangChain non isola quale modifica abbia contato, e gli autori si aspettano che alcuni guardrail diventino superflui con il miglioramento dei modelli. Analizziamo i numeri e la durata di questa impalcatura in harness engineering.

Quest’ultimo punto è il dibattito aperto. Una parte sostiene che questo strato, costruito con i tuoi dati, strumenti, regole e test, sia il luogo del vantaggio duraturo. L’altra sostiene che i fornitori assorbano queste funzioni nei loro prodotti e che ogni nuovo modello renda superflua parte dell’impalcatura. Nessuno studio indipendente chiude la questione. Una lettura sensata è che l’impalcatura generica diventerà una commodity, mentre le parti legate ai tuoi dati, ai tuoi sistemi, ai tuoi permessi e ai tuoi standard di qualità resteranno tue. È anche per questo che la scelta tra build e buy per gli agenti AI dipende dalla profondità di integrazione e dalla differenziazione più che dal nome del modello.

Terzo pilastro: cicli di feedback che si accumulano

Un sistema AI-native migliora perché le correzioni rifluiscono al suo interno. Nella forma più semplice, una persona corregge un output e la correzione diventa una regola, un esempio o un caso di test nel contesto condiviso. Rahul Garg di Thoughtworks descrive la raccolta di segnali di contesto, istruzione, workflow e fallimento in artefatti condivisi proprio a questo scopo, ammettendo però che l’effetto è difficile da misurare.

All’estremo opposto, Shopify Engineering ha descritto ad agosto 2026 una pipeline giornaliera per il suo assistente Sidekick. Un giudice basato su rubriche valuta le conversazioni reali, i fallimenti vengono rigiocati con suggerimenti di correzione, e il team applica reinforcement learning e fine-tuning supervisionato, ottimizzando il sistema circostante prima di toccare i pesi del modello. Il post fornisce stime dei costi di erogazione, circa $27 million all’anno su un modello di frontiera contro circa $1 million per uno con fine-tuning, e le indica come stime. Se il fine-tuning conviene ai tuoi volumi è un calcolo a parte, che facciamo nell’articolo sull’economia del fine-tuning. La qualità è giudicata dal giudice del team stesso, e rubriche e annotazione restano manuali. Per costruire un set di test di questo tipo dai tuoi ticket di supporto, vedi eval dell’IA da ticket reali.

Valgono due cautele. L‘“auto-apprendimento” in un contesto aziendale deve significare miglioramento supervisionato, con una persona che controlla che cosa cambia, e mai un sistema che si riscrive senza essere osservato. Inoltre, dati sugli esiti dei cicli di correzione umana su scala PMI non esistono ancora. Il meccanismo è solido e ampiamente raccomandato. L’entità del ritorno per un’azienda della tua dimensione non è stata misurata. Per ciò che migliora da solo e ciò che richiede ancora le persone, vedi sistemi di AI che imparano da soli; per il lato giuridico svizzero delle decisioni automatizzate, vedi decisioni automatizzate e art. 21 LPD.

Che cosa non regge

In questo dibattito circolano diverse statistiche che richiedono cautela prima di portarle davanti a un consiglio di amministrazione. Il nostro articolo su che cosa misurano davvero le statistiche sull’IA più citate le analizza una per una.

  • Tabelle di ricavo per dipendente. Cifre come quella secondo cui la maggioranza delle startup AI-native supera i $400,000 per dipendente provengono dal sondaggio di un fornitore cloud, e i tracker indipendenti divergono molto fra loro per la stessa azienda. Non funzionano come benchmark.
  • La cifra del “95%” del MIT. Definizione e campione sono riportati in modo incoerente, e un critico legato a un fornitore sostiene che il tasso di fallimento per le implementazioni in produzione volute sia più vicino al 25 o 30%. Il rapporto stesso descrive progetti pilota senza impatto misurabile sul conto economico.
  • Il 40% di Gartner. La previsione di giugno 2025 secondo cui oltre il 40% dei progetti di AI agentica verrà cancellato entro fine 2027 è una previsione e non un tasso misurato. Lo stesso comunicato mette in guardia dai fornitori che ribattezzano i chatbot come agenti: ne parliamo in agent washing.
  • I licenziamenti come prova. Il taglio di Block nel 2026, di circa 4.000 posti, è stato presentato come reso possibile dall’AI, mentre il CEO citava anche le assunzioni eccessive dell’epoca pandemica, e Oxford Economics ha rilevato l’AI come motivo dichiarato di solo il 4,5% delle perdite di posti di lavoro negli Stati Uniti nei primi undici mesi del 2025.
  • Accelerazioni degli sviluppatori. Lo studio METR del 2025 ha trovato sviluppatori esperti più lenti del 19%. L’aggiornamento 2026 dice che le stime più recenti vanno in direzione opposta e le definisce inaffidabili.

I numeri pessimisti e quelli ottimisti misurano per lo più gruppi diversi: da un lato le grandi imprese e le aspettative dei dirigenti, dall’altro startup, successi selezionati e singoli compiti. Si contraddicono meno di quanto suggeriscano i titoli.

Un test per la tua azienda

Non serve un programma di trasformazione per capire a che punto sei. Applica questo test a un solo processo.

  1. Test di rimozione. Se domani spegnessi l’AI, che cosa si fermerebbe? Se la risposta è “niente di importante”, hai una funzione.
  2. Test di ripensamento. Il processo è diverso da quello che usavi prima dell’AI, con meno passaggi, ruoli diversi o un responsabile diverso?
  3. Test dell’harness. Possiedi tu contesto, strumenti, permessi e valutazioni, o li tiene tutti le impostazioni predefinite di un fornitore?
  4. Test del ciclo. Quando una persona corregge un output, la correzione modifica quello successivo?
  5. Test della baseline. Hai registrato costi, tempi e tasso di errore prima di iniziare?

Nella maggior parte dei processi la maggior parte delle aziende non supererà il primo o i primi due test, ed è normale. L’obiettivo è scegliere il processo in cui superarli tutti e cinque vale di più, poi estendere. Il ROI degli agenti AI è più semplice da calcolare su un processo ripensato, perché la baseline e il nuovo flusso sono entrambi espliciti.

Da dove partire

Parti in piccolo. Un processo con volumi reali, un responsabile con nome e cognome, una baseline misurata e un passaggio di revisione umana ti dà in un trimestre prove tratte dalla tua azienda, che valgono più di qualsiasi sondaggio citato sopra. Riutilizza ciò che costruisci: il contesto e gli strumenti, il set di valutazione e l’abitudine alla correzione si trasferiscono al processo successivo anche quando il flusso di lavoro cambia.

Le fonti concordano sulla direzione e divergono sulla dimensione del premio. È un buon motivo per fare un piccolo esperimento misurato invece di uno grande basato su ipotesi.

Domande frequenti

Che cos'è un'azienda AI-native?

Non esiste una definizione condivisa, ma il test più utile è strutturale. Se togliessi l'AI, un'azienda AI-native perderebbe il proprio modello operativo, mentre un'azienda AI-enabled perderebbe solo alcune funzioni. Conta meno l'età dell'azienda che il fatto che processi, ruoli e misurazione siano costruiti attorno a un'AI che svolge lavoro vero.

Una PMI svizzera già avviata può diventare AI-native?

Sì, ma succede processo per processo e non con un interruttore aziendale. Scegli un flusso con volumi e costi chiari, ridisegnalo attorno a un agente con revisione umana, misuralo rispetto a una baseline e ripeti. Le prove sul ripensamento completo vengono soprattutto da startup e grandi imprese, quindi i risultati di una PMI sono da misurare in proprio.

Che cos'è un harness AI e perché conta?

L'harness è tutto ciò che circonda il modello: il contesto che riceve, gli strumenti che può chiamare, la memoria, i guardrail, le valutazioni e l'orchestrazione tra i passaggi. Conta perché decide se i risultati sono ripetibili. I risultati pubblicati dai fornitori mostrano che le sole modifiche all'harness possono spostare molto i punteggi nei benchmark, ma nessuno studio indipendente misura quanto duri questo vantaggio.

Le statistiche secondo cui il 95% dei progetti AI fallisce sono affidabili?

Vanno contestualizzate prima di citarle. La cifra del MIT, ripetuta ovunque, è contestata per definizione e campione, e la previsione di Gartner secondo cui oltre il 40% dei progetti di AI agentica verrà cancellato entro fine 2027 è una previsione e non un tasso misurato. Entrambe descrivono grandi imprese. Pianifica il budget partendo dalla tua baseline su un solo processo.

Le aziende AI-native hanno bisogno di meno personale?

Le prove sono contrastanti. Nell'esperimento sul campo di INSEAD le startup trattate non hanno cambiato la domanda di lavoro, e i dirigenti intervistati da NBER non riportano finora praticamente alcun effetto netto sull'occupazione. Block ha tagliato circa 4.000 posti nel 2026 attribuendolo in parte all'AI, ma citando anche le assunzioni eccessive del passato. Considera non dimostrate le affermazioni sugli organici.

Insights

Metti queste idee al lavoro

Bastano 30 minuti per capire se un agente AI si adatta al tuo flusso di lavoro — e quanto può rendere.