Prima del 2023, l'AI in azienda era gestita da team centralizzati di data science. Oggi entra nelle organizzazioni attraverso tre canali distinti: software commerciale con AI integrata (come Microsoft 365 Copilot o Salesforce Einstein), soluzioni specializzate adottate autonomamente dalle business unit per esigenze specifiche, e modelli fondazionali sviluppati o personalizzati internamente dai team IT centrali.
Questa frammentazione è una buona notizia — porta i casi d'uso più vicini a chi conosce i problemi operativi — e un problema al tempo stesso. Chi coordina tutto in modo sicuro ed efficiente? Come si evita che scelte locali non coordinate creino rischi sistemici o sprechi di risorse?
Dalle conversazioni con oltre 200 CIO emerge un pattern ricorrente: le organizzazioni che ottengono più valore dall'AI non sono quelle che trovano il caso d'uso più innovativo. Sono quelle che fanno i cambiamenti strutturali necessari per supportare l'innovazione distribuita in modo coerente.
Un consiglio esecutivo AI come punto di partenza
Poche onde tecnologiche in passato hanno richiesto il coinvolgimento dell'intero team di leadership. L'AI lo richiede, perché le sue implicazioni toccano ogni funzione aziendale. Verizon ha strutturato un AI Council cross-funzionale in cui ogni executive porta la competenza della propria area per costruire una strategia AI coesa. I partecipanti includono il CIO globale, il Chief Data Officer, il Chief CX Officer, il CISO, il General Counsel, la funzione HR, il controlling finanziario, i team di marketing e sviluppo business.
Il consiglio si riunisce con agendas strutturate, verbali e follow-up formali — come un board meeting — e tratta temi che vanno dall'adozione e sviluppo delle competenze AI alla governance responsabile, fino all'infrastruttura necessaria per sperimentare e scalare. I manager esecutivi riportano poi le discussioni alle proprie aree operative, garantendo allineamento tra strategia e esecuzione.
Center of Excellence e Community of Practice: due strumenti diversi per due problemi diversi
Il GenAI Center of Excellence (COE) di Verizon ha 15-20 esperti che dedicano tra il 30% e il 50% del loro tempo alla struttura, con competenze che spaziano da AI scientist e engineer a enterprise architecture, responsible AI, piattaforme, sviluppo applicativo, gestione del rischio, legal/privacy, compliance e comunicazione. Il COE opera come interfaccia tra i team distribuiti che sviluppano use case AI e i team centrali di piattaforma, garantendo che l'esecuzione GenAI sia allineata alla strategia enterprise, costruendo design pattern standard e sviluppando servizi riutilizzabili con controlli embedded.
Vizient, provider di servizi sanitari, ha scelto un approccio complementare con una Community of Practice (CoP) GenAI. Una CoP è una struttura meno formale e volontaria, che coinvolge individui interessati a un dominio senza che siano necessariamente esperti dedicati. Non è "governata" dall'IT, anche se il personale IT vi partecipa. La CoP di Vizient include AI application specialist del team centrale e "champion" per segmenti specifici di dipendenti — ingegneri software, analisti dati, staff sales e services — che lavorano con un ricercatore di digital employee experience per mappare le implicazioni dell'AI sui ruoli esistenti e ridefinire le relazioni uomo-macchina.
Misurare il valore, non solo i costi
I team distribuiti tendono a innamorarsi di un caso d'uso o di una demo senza valutarne le implicazioni economiche. I costi di sviluppo, integrazione, deployment e operazione di soluzioni GenAI possono essere significativi quando si scala, generando quello che i CIO chiamano "value leakage".
Verizon ha costruito un curriculum FinOps integrato per la GenAI, destinato a tutti i leader e dipendenti, che insegna come bilanciare costi e valore degli LLM, come scegliere tra diversi approcci di deployment e hosting, e come ottimizzare il consumo di token attraverso tecniche come il prompt tuning, il caching e il riutilizzo. Un'osservazione concreta emersa dall'esperienza: almeno il 50% delle ricerche sulle interfacce chat GenAI sono duplicati. Il semantic caching — che riconosce quando due prompt comunicano lo stesso significato e restituisce la risposta già calcolata — riduce i costi API in modo significativo senza impatto sulla qualità.
Il framework di valore di Verizon per i casi d'uso GenAI si articola su tre domande: la soluzione viene usata? Fa quello che vogliamo? Crea valore? Le metriche di risposta coprono adoption monitoring, performance monitoring e leading indicator di business outcome.
Partnership di ecosistema invece di build o buy
Deutsche Telekom ha riconosciuto che fare fine-tuning di modelli AI generici per applicazioni industry-specific è costoso e spesso produce risultati subottimali se fatto in isolamento. Ha sviluppato un framework di decisione che valuta quando e perché il partnership è una alternativa migliore all'acquisto o allo sviluppo interno, poi ha costruito un'alleanza AI con peer del settore telecomunicazioni. L'obiettivo è offrire un'esperienza più uniforme ai clienti telco globali, condividere i costi dei vendor LLM e accedere collettivamente a capacità che singolarmente sarebbero proibitive. I team di delivery di ciascun partecipante collaborano per fare fine-tuning dei modelli sulle specifiche esigenze del settore.
Design pattern e TRiSM: la governance embedded nel codice
İşbank, la più grande banca privata turca, ha strutturato una "foundational AI product line" con squad AI allineati a capacità critiche come retail pricing e marketing. Ogni squad include data translator che agiscono come customer success manager delle piattaforme AI centrali, intercettando i bisogni emergenti dei team di business e aiutandoli a massimizzare il valore delle capacità disponibili.
Verizon gestisce la governance non solo attraverso policy, ma incorporando i controlli appropriati in workflow e template pre-approvati: i design pattern. Ogni pattern è calibrato per una famiglia di casi d'uso che eseguono task simili. Il pattern per customer/employee engagement, ad esempio, fornisce guidance comune a tutti i casi d'uso che rispondono a domande via Q&A — customer support, onboarding assistant — includendo specifiche di input/output, raccomandazioni di modello, best practice di prompting, linee guida per il quality assurance, requisiti di integrazione e standard di compliance.
Il livello successivo è la meccanizzazione delle policy AI attraverso tecnologie Trust, Risk and Security Management (TRiSM): "guardian agent" o AI policy engine — come l'AI shield di Bosch — che applicano automaticamente policy complesse su tutti i casi d'uso, senza richiedere implementazione manuale per ciascuno.
Il messaggio per i CIO è chiaro: l'AI non si scala ottimizzando i singoli use case. Si scala cambiando come l'organizzazione decide, impara, misura e costruisce.
