AI(uto), chi decide?
Nelle sale riunioni delle aziende manifatturiere italiane si sta consumando una trasformazione silenziosa. Non è una rivoluzione fragorosa, annunciata da proclami e conferenze stampa: è qualcosa di più sottile e più profondo. Il modo in cui si decide sta cambiando. I dati stanno prendendo il posto dell’intuizione, con gli algoritmi che lavorano fianco a fianco con i manager. I sistemi di Intelligenza Artificiale Generativa (AI Gen) producono report, simulano scenari, tracciano previsioni. E qualcuno comincia a fidarsi un po’ troppo di ciò che la macchina suggerisce.
Quali sono i vantaggi reali, i rischi nascosti, e il confine tra il supporto algoritmico e la responsabilità umana alla luce delle tecnologie di AI? Attraverso le voci di questa frontiera la attraversa ogni giorno – ricercatori, manager, imprenditori e sviluppatori di software industriale – la nostra inchiesta prova a dare risposte agli interrogativi. Non ci sono però posizioni univoche. Ma c’è una certezza che emerge da ogni conversazione: decidere è ancora un atto di coraggio umano. La vera questione è per quanto tempo ancora potremo ragionarci sopra, prima che gli esseri umani non abbiano più voce in capitolo. Ma questa sarebbe un’altra storia…
AI Gen e pianificazione industriale: dai dati all’azione
Per capire dove si annida davvero la decisione, conviene partire dal luogo in cui questa trasformazione è già realtà concreta: la pianificazione industriale. È qui, nel passaggio dai dati all’azione, che la domanda di fondo – chi decide? – smette di essere una questione filosofica e diventa pratica quotidiana. L’automazione industriale è da sempre un terreno di trasformazione continua. Ma l’ingresso dell’AI Gen nei sistemi ERP, nei software di pianificazione e negli strumenti di Supply chain management segna qualcosa di qualitativamente diverso rispetto a quanto visto in precedenza. Non si tratta più solo di automatizzare i compiti ripetitivi: si tratta di assistere – e in alcuni casi di sostituire – il ragionamento umano nella fase più delicata del ciclo produttivo, che poi è quella in cui si decide.
Dal punto di vista di chi produce software industriale, il quadro è quello di una tecnologia ad alto potenziale ma ancora in fase di maturazione. Giorgio Mini, Vicepresidente e Responsabile della Business Unit ERP di Zucchetti, uno dei principali player italiani del settore, descrive con pragmatismo lo stato dell’arte: “L’utilizzo dell’AI Gen all’interno dei prodotti ERP è un processo in corso; è un grande cantiere dove abbiamo intravisto grandi possibilità: piani produttivi più stabili, previsioni più affidabili, decisioni più tempestive. L’AI ci dà un boost notevole: mette a disposizione dati più freschi e rielaborati, pronti per prendere decisioni. Decisioni che, però, stanno comunque in capo all’essere umano”. Il modello che emerge dalla visione di Zucchetti è dunque quello di un ciclo virtuoso in quattro fasi: raccolta, elaborazione, proposizione e – sempre e comunque – decisione in capo all’essere umano.
L’approccio sull’essere umano che decide riflette anche la visione di Filippo Torriani, Senior Product Manager di sedApta, parte di Elisa Industriq, software house specializzata in soluzioni di Supply chain management e pianificazione integrata: “La svolta avviene quando le aziende collegano i layer decisionali, cioè le decisioni strategiche sono informate in modo continuo dai segnali operativi a breve termine e viceversa. Lavoriamo esattamente su questo collegamento verticale, dal S&OP fino al dettaglio produttivo, perché è lì che si sfrutta il valore strategico dell’AI, non tanto nella singola decisione, ma nella coerenza tra decisioni che riguardano orizzonti temporali diversi”.
Nella pianificazione industriale, i benefici dell’AI sono oggi misurabili su più fronti: dalla simulazione di scenari produttivi all’ottimizzazione della Supply chain, dalla manutenzione predittiva all’analisi dei Kpi. La velocità con cui i dati sono elaborati e trasformati in informazioni azionabili rappresenta, secondo tutti gli interlocutori, il vantaggio più immediato e concreto.
Se l’AI impara da un mondo che non esiste più
Per comprendere i modelli di AI è bene sapere che questi ultimi sono addestrati attraverso dati storici. Ed è proprio qui che si annida uno dei rischi più insidiosi dell’adozione dell’AI nei processi decisionali industriali: il rischio di bias, ovvero le distorsioni strutturali che i sistemi non solo ereditano dai dati, ma che addirittura amplificano. I mercati evolvono, la struttura organizzativa si trasforma; eppure, i modelli continuano a imparare da fotografie di un passato che non esiste più.
Alessandro De Biasio, CEO di Cefriel, centro d’innovazione digitale del Politecnico di Milano, inquadra il problema con precisione: “I dati storici fotografano ciò che l’azienda è stata. Contengono conoscenza preziosa, ma inglobano anche errori, eventi del passato non ripetibili, dati di processi o prodotti che nel frattempo sono cambiati. I mercati evolvono, la struttura organizzativa si trasforma; se prendiamo i dati storici così come sono, esiste il rischio di leggere in modo distorto la realtà presente”.
La questione è tecnica, ma ha radici profonde nella statistica di base. Luca Mari, docente presso Liuc – Università Cattaneo e membro della faculty ESTE – Scuola d’Impresa, è impegnato da tempo nello studio dei processi di misura e di conoscenza dell’AI: con gli studenti usa un esempio che ha il dono dell’immediatezza. “Se volessimo stimare l’altezza media degli italiani e andassimo a raccogliere dati fuori da una palestra di basket, non dovremmo stupirci di trovare risposte sbagliate. Se il training set è distorto, il sistema impara da quella distorsione. Vale per le reti neurali, come vale per noi esseri umani: se impariamo l’italiano e poi ci aspettassimo di capire chi parla inglese, qualcosa andrà storto”, è la tesi del docente.
Nelle aziende manifatturiere, la questione sollevata da Mari si traduce in problemi molto concreti: dati di domanda ‘sporcati’ da stockout passati, lead time registrati in condizioni eccezionali, stagionalità distorta da eventi irripetibili. Torriani descrive così il modo con il quale sedApta – parte di Elisa Industriq affronta il tema: “Nella Supply chain i bias storici sono spesso presenti. Il nostro approccio si basa su due principi: l’analisi sistematica per identificare outlier e distorsioni nei dati; la presentazione di scenari alternativi. Le nostre soluzioni non forniscono un output singolo come risposta definitiva, ma comparazioni tra scenari differenti, perché è nel confronto che emergono i presupposti nascosti e i punti di fragilità di un piano”.
De Biasio sintetizza il framework teorico che applica nei propri progetti: il ciclo di vita del dato, dalla materia grezza all’informazione azionabile: “Si parte dai dati grezzi. Solo dopo essere stati ripuliti, ordinati e validati, diventano informazione strutturata. Quando questa è collocata nel contesto del business, diventa conoscenza. Applicando capacità analitiche, questa conoscenza diventa predittiva o prescrittiva. Infine, quando tutto questo è messo nelle mani di esperti di dominio, diventano dati actionable: capacità di decidere meglio, più in fretta, con maggiore consapevolezza. La vera differenza la fa la capacità di far collaborare chi conosce il business e chi sa come lavorare con i dati”.
Sycophancy, overconfidence e il rischio del manager che si fida troppo
A proposito di bias, c’è un fenomeno meno noto, ma ugualmente insidioso, che i ricercatori chiamano sycophancy (alla lettera: “adulazione servile”). È la tendenza dei modelli linguistici ad allinearsi al tono e alle aspettative di chi formula le domande, restituendo risposte che confermano ciò che l’interlocutore sembra voler sentire. Per un manager che usa l’AI per supportare decisioni già prese, il rischio è di costruire una cassa di risonanza digitale piuttosto che uno strumento di analisi critica.
Alfonso Fuggetta, Professore Ordinario di Informatica al Politecnico di Milano, mette in guardia proprio da questo aspetto, e lo fa con parole nette: “È un rischio gravissimo, anche perché i modelli sono addestrati a riflettere, in qualche modo, il pensiero e il tono di chi formula domande e prompt. È ciò che si chiama sycophancy o, in italiano discorsivo, adulazione servile. C’è un rischio di bias di conferma molto elevato. Inoltre, il tema delle allucinazioni non è affatto stato eliminato. Quindi serve una grande maturità e consapevolezza nell’uso dei risultati generati dall’AI generativa”.
Per il docente del Politecnico, riconoscere il rischio è solo il punto di partenza. Usare l’AI generativa in modo responsabile richiede un profilo manageriale preciso, che Fuggetta scompone in tre caratteristiche complementari: “Un manager che voglia usare questi strumenti in modo responsabile deve possedere diverse caratteristiche. In primo luogo, essere consapevole dei rischi di cui parlavo. In secondo luogo, deve essere capace di confrontare ciò che l’AI produce con le proprie conoscenze, sapendo valutare con grande attenzione la qualità e l’affidabilità delle fonti utilizzate per generare una risposta. In terzo luogo, deve imparare a formulare domande e richieste nel modo più neutro possibile, per evitare i problemi di sycophancy”.
Il punto è cruciale: la qualità della risposta dipende dalla qualità — e dalla neutralità — della domanda. Un prompt che incorpora già la conclusione desiderata otterrà, con ogni probabilità, una conferma. È il rovescio speculare della competenza critica che Fuggetta colloca al centro del lavoro manageriale: non basta interrogare la macchina, occorre saperlo fare con disciplina e saper soppesare ciò che restituisce.
A tutto questo si aggiunge un secondo rischio, che Mirko Menecali, Responsabile Service Line BI e EPM di Sinfo One, definisce in modo originale, spostando il quadro concettuale dalle ‘allucinazioni’ alla governance: “Quando un LLM produce informazioni false, non sta ‘allucinando’ come un umano che vede cose inesistenti; sta facendo esattamente ciò per cui è stato progettato, cioè generare la sequenza di parole più plausibile e non la più vera. Le allucinazioni non sono bug accidentali, sono caratteristiche intrinseche dell’architettura. Questo sposta radicalmente la responsabilità che ricade su chi usa questi strumenti senza predisporre adeguati meccanismi di verifica”.
Nel contesto aziendale, l’impatto di questo problema è amplificato dalla difficoltà di riconoscerlo. Un report finanziario ‘plausibile, ma sbagliato’ può superare indisturbato i controlli interni, proprio perché la sua forma è impeccabile. Mari identifica un cambio di paradigma rispetto ai sistemi digitali tradizionali: “Non conosco una persona che, usando una calcolatrice o Excel, rifaccia due volte lo stesso conto. Abbiamo sviluppato in decenni un’attitudine per cui se faccio una domanda a un sistema digitale quello che ottengo è corretto. Il cambio di paradigma con l’AI è che questi sistemi, avendo un comportamento che deriva non da programmazione ma da addestramento, commettono errori. Dall’altra parte non c’è una calcolatrice: c’è un sistema che cerca di capire cosa stiamo chiedendo. E a volte non capisce bene”.
Se il singolo manager deve attrezzarsi sul piano delle competenze, resta aperta una domanda di livello superiore: chi, dentro l’organizzazione, è responsabile della qualità dei dati su cui questi sistemi vengono addestrati e interrogati? Per Fuggetta la questione rimanda a un tema più ampio e per molti versi irrisolto, quello del ruolo del CIO nella trasformazione digitale dell’impresa: “Il CIO non può più essere semplicemente colui che compra prodotti e servizi IT su richiesta e li fa funzionare. Il CIO deve diventare un attore centrale nelle strategie e nella governance aziendali. È un tema di cui si parla da anni, ma che non è mai davvero decollato, o quantomeno non in modo diffuso come dovrebbe”.
La responsabilità, osserva il docente, è doppia: “È colpa sia dei CEO e dei COO che ancora vedono l’IT come una commodity, con tutte le conseguenze del caso, sia dei manager IT che non hanno compiuto quel salto qualitativo per diventare un partner credibile nello sviluppo e nella governance della strategia aziendale”. L’AI, in questo quadro, non è un’eccezione ma un acceleratore: “L’AI deve divenire parte di questo scenario, con una governance della funzione IT solida, in allineamento con le diverse direzioni di business e con i CXO”. In altre parole, per Fuggetta la qualità del dato non è un problema tecnico da delegare verso il basso, ma una posta in gioco strategica che chiama in causa il vertice dell’azienda.
È su questo crinale che si innesta la proposta di Menecali, che sposta l’accento dalle competenze individuali alle policy aziendali strutturate: quali output richiedono verifica obbligatoria? Quali decisioni l’agente può prendere in autonomia? La tesi del manager di Sinfo One è netta: un’azienda con policy chiare e competenze medie sarà sempre più protetta di un’impresa senza regole, ma con il miglior data scientist sul mercato.
Dove inizia la responsabilità umana
La domanda che attraversa ogni conversazione sull’AI applicata ai processi decisionali è sempre la stessa: fino a dove si può delegare? La risposta, come emerge dalle voci che abbiamo raccolto, non è tecnica: è etica, organizzativa, e profondamente umana. Fuggetta è il primo a riconoscere che il confine è mobile: “È ancora presto per definire confini netti”. Ma proprio per questo propone un criterio guida che ricorda più la filosofia che l’informatica: il discriminante non è il contenuto della decisione, bensì la disponibilità ad assumersi la responsabilità delle sue conseguenze. “La chiave di lettura risiede nell’usare come criterio guida quello della responsabilità: sono disposto ad accettare la responsabilità derivante dalle scelte fatte insieme con gli strumenti di AI? L’impatto delle scelte non sarà mai imputato alla tecnologia, né a chi la produce: sarà sempre il manager che dovrà risponderne, nel bene e nel male”.
A sostegno di questa tesi, il docente recupera un riferimento che colloca la questione su un piano apertamente etico. “Sto riscoprendo un saggio letto alcuni anni fa, Managing in the Gray di Joseph Badaracco”, racconta. “Discute cinque criteri per prendere una buona decisione in situazioni complesse, nelle quali non è facile caratterizzare tutto come bianco o nero: da qui il riferimento al grigio”. È in quelle zone grigie, sostiene Fuggetta, che si misura la qualità della leadership. E cita il passaggio che apre il saggio, nella sua traduzione dall’inglese: “Quando si affrontano decisioni davvero difficili, non c’è modo di sfuggire alla responsabilità personale di scegliere, impegnarsi, agire e convivere con le conseguenze”. È un criterio — quello della responsabilità non delegabile — che finisce per funzionare da bussola anche per le altre voci raccolte in questo approfondimento.
De Biasio traduce quel principio in una distinzione operativa basata sulla natura delle decisioni: “Tutto ciò che è ripetitivo, standardizzabile e totalmente misurabile può essere delegato in modo efficace a un sistema di AI. Tutto ciò che implica responsabilità, valori e che definisce la direzione futura di un’azienda deve invece rimanere in controllo delle persone. Anche quando si delegano parti del processo decisionale, la supervisione umana non può mai venire meno: bisogna progettare sistemi che rendano osservabile il comportamento dell’AI”.
Torriani articola uno schema a tre livelli di autonomia differenziata: le decisioni operative routinarie (potenzialmente delegabili all’AI); le decisioni tattiche (AI come acceleratore, ma con supervisione umana importante); le decisioni strategiche (AI come simulatore di scenari, giudizio finale sempre e comunque umano). È un ragionamento che fotografa bene la realtà operativa delle fabbriche italiane più avanzate. Menecali introduce infine un concetto che merita particolare attenzione: il rischio di path dependency. Come spiega il manager di Sinfo One, le decisioni operative automatizzate, anche quando ciascuna appare innocua, possono creare dipendenze che vincolano le scelte strategiche future. È per questo, sottolinea, che le dashboard devono mostrare le traiettorie, non solo le fotografie: la direzione conta quanto la posizione
C’è un vantaggio (nascosto) per le PMI
Se nelle grandi aziende l’adozione dell’AI nei processi decisionali è ancora frammentata, nelle PMI il quadro è ancora più variegato: cultura del dato spesso assente, infrastrutture digitali carenti, competenze rare. Eppure, le imprese con dimensioni più limitate hanno un potenziale vantaggio inatteso. Fuggetta invita però alla prudenza, partendo da una fotografia d’insieme che definisce in movimento ma profondamente disomogenea: “La situazione è molto dinamica e, per certi versi, caotica. È caratterizzata al tempo stesso da interesse, paura, prudenza ed entusiasmo. AI e AI generativa sono tecnologie dalle caratteristiche così dirompenti da non poter non incidere sui pensieri e sui comportamenti delle persone: molti ne sono spaventati, altri entusiasti. È fisiologico”.
I dati, ricorda il docente, raccontano un’adozione in crescita ma a velocità diverse, e su questo punto Fuggetta non nasconde una convinzione di lungo corso: “I dati Istat confermano un’adozione in aumento. Le PMI fanno più fatica, com’è per molti versi ovvio. Ciò riflette ciò che credo da sempre: che ‘piccolo’ non sia bello. Per adottare tecnologie così complesse servono competenze, risorse e capacità organizzative spesso difficili da sviluppare nelle aziende troppo piccole o poco strutturate”.
È una posizione che funziona da contrappunto critico rispetto all’ottimismo di chi vede nelle PMI un terreno privilegiato. Perché — ed è qui il paradosso che anima il dibattito — proprio le imprese che Fuggetta giudica più fragili sul piano delle risorse potrebbero rivelarsi, secondo altri interlocutori, le più agili nell’adozione. De Biasio individua, infatti, un paradosso positivo: “Le PMI italiane hanno un punto di forza straordinario: competenze molto profonde, spesso concentrate in pochissime persone. Queste figure chiave rappresentano un patrimonio prezioso, ma anche una vulnerabilità. L’AI può fare una grande differenza, perché permette di amplificare e rendere scalabili queste competenze; le rende disponibili lungo tutta la catena del valore, trasformando il sapere individuale in un asset dell’intera impresa”, dice il CEO di Cefriel.
Anche Menecali, la cui attività lavorativa avviene proprio a stretto contatto con le PMI della Manifattura, contraddice l’assunto comune per cui la maturità digitale sia un prerequisito indispensabile: “La premessa è sbagliata; il predominio cognitivo non è più complesso e costoso, è più semplice e sostenibile. Il paradosso è che le PMI sono spesso più adatte delle grandi aziende a questo approccio, perché hanno meno burocrazia, decisori più vicini all’operatività e possono muoversi velocemente. Il predominio cognitivo non richiede maturità digitale avanzata, bensì richiede chiarezza su chi decide che cosa”.
Quando l’AI cancella i giovani dall’apprendistato del sapere
C’è un rischio che nessuno — di solito — nomina mai. Non riguarda i bias nei dati né le allucinazioni dei modelli linguistici. Riguarda qualcosa di più lento, più silenzioso e, alla lunga, potenzialmente devastante per le organizzazioni: il mancato passaggio generazionale delle competenze. Mari lo propone come una domanda che non ha ancora una risposta e che per questo risulta ancora più inquietante: “Nel momento in cui il senior non ha più bisogno di chiedere le cose da fare a un essere umano più giovane, ma le fa fare a una macchina, questo passaggio di competenze come si realizza? I giovani come imparano?”. Secondo il docente, uno dei contesti più a rischio è la consulenza: “È un settore che ha molto dell’artigianale, si impara facendola, si impara con il senior che fa vedere come si fa. Se il senior non insegna più perché lavora con i chatbot, che succede ai junior?”.
Una parte della risposta, suggerisce Fuggetta, spetta alle istituzioni formative, chiamate a presidiare più fronti contemporaneamente. Interrogato sul compito del Politecnico di Milano di fronte a una tecnologia che evolve più in fretta di quanto le istituzioni riescano a seguire, il docente non sceglie tra formare i tecnici che progettano questi sistemi, i manager che li utilizzano e chi contribuisce a definire le regole del gioco: “Tutte e tre le cose. Non è superbia, ma una valutazione oggettiva che deriva dalle competenze e dalle strutture che l’ateneo è in grado di mettere a disposizione”.
E ricostruisce una storia lunga: “Il dipartimento a cui appartengo, il Deib, si occupa di tecnologie ICT e ha un gruppo molto competente dedicato all’AI, nato già negli anni Sessanta e Settanta grazie al lavoro pionieristico del compianto professor Marco Somalvico. Oggi conta decine di colleghi che studiano queste tematiche e le loro ramificazioni applicative. Il Dipartimento di Ingegneria Gestionale aiuta i manager a comprendere come utilizzare queste tecnologie e a valutarne l’impatto sulla vita delle imprese. Altri colleghi, in altri dipartimenti, studiano la relazione tra l’AI e i principali settori scientifico-disciplinari del nostro ateneo, e il contesto sociale in cui operiamo. È la ricchezza della cultura politecnica”. È una risposta che ricongiunge i due fili: formare chi costruisce i sistemi e, insieme, chi dovrà usarli con discernimento. Perché il passaggio generazionale delle competenze — il timore sollevato da Mari — non si gioca soltanto dentro le aziende, ma anche nei luoghi in cui quelle competenze nascono.
Il tema si interseca con quello della qualità del giudizio manageriale nel tempo. De Biasio identifica un doppio livello di risposta: da un lato la formazione critica che permette di non trasformare i manager in tecnologi, ma di metterli in condizione di interpretare le raccomandazioni dell’AI; dall’altro la progettazione responsabile dei sistemi, con guardrail incorporati e piena sovranità dell’azienda sui dati e sui modelli. Mari aggiunge una nota che merita la riflessione: la competenza non è più necessariamente di realizzazione, ma di comprensione. Anche se non fai più le cose da solo, devi poter valutare ciò che qualcuno o qualcosa ha prodotto. Essere responsabile in modo consapevole richiede di non svuotarsi di conoscenza, anche mentre si delega.
Il futuro dell’AI nei processi decisionali
La domanda sul futuro dell’AI nei processi decisionali è, nella sua essenza, una domanda sul futuro del lavoro manageriale. Sarà l’AI un co-pilota che prende il comando oppure è lecito immaginarla come uno strumento sofisticato che rimane nelle mani del pilota umano? Le aziende di software industriale convergono su una visione comune, anche se con sfumature diverse. Torriani la esprime con chiarezza: “Il vero co-pilota non è un sistema che decide al posto delle persone: è un sistema che permette alle persone di decidere meglio, più velocemente e con più consapevolezza dei trade off. È questo che abbiamo costruito nella nostra proposizione commerciale”.
Mini sottolinea il valore dell’AI su ciò che è oggettivamente misurabile, e la necessità che la componente soggettiva, fatta di volontà aziendale, istinto imprenditoriale e variabili non codificabili, rimanga saldamente umana: “Ci sono molte variabili soggettive, sia nel mondo delle M&A sia degli investimenti industriali, che integrano le variabili oggettive che l’AI può aiutare a elaborare. Il cambio generazionale all’interno di un’azienda concorrente può essere un’opportunità di investimento: queste sono informazioni non scientificamente rilevabili dai dati. L’AI è importantissima perché ci dà la vita, ci dà la pancia. Ma i dati sono la fotografia del passato”.
De Biasio aggiunge un criterio di misura per valutare se un progetto di AI stia davvero migliorando la qualità delle decisioni, e non solo la velocità di produzione: “Attraverso survey strutturate, valutiamo se l’uso dell’AI ha aumentato la comprensione profonda del problema e la consapevolezza dei trade off. Se un manager si sente più sicuro e meno sovraccarico cognitivamente nel prendere una decisione complessa, allora l’AI ha smesso di essere un semplice software ed è diventata un vero moltiplicatore di valore per l’intera organizzazione”.
Menecali offre, invece, una sintesi più provocatoria, con un richiamo che suona come un monito per l’intero sistema manageriale italiano. La governance dell’AI, sostiene il manager, non è altro che il punto di arrivo naturale di qualcosa che le aziende avrebbero dovuto fare da tempo: diventare organizzazioni data driven (con o senza AI): “L’AI Act europeo chiede una cosa molto semplice: governance dei processi e costruzione di aziende data driven. Quante aziende manifatturiere italiane oggi lo sono realmente? Non molte. La maggioranza gestisce ancora budget su Excel, ha dati dispersi in molteplici sistemi che non si parlano, prende decisioni strategiche basandosi su intuito ed esperienza più che su evidenze strutturate. Il predominio cognitivo è esattamente questo: rifiutarsi di delegare la responsabilità insieme con la decisione”.
L’AI generativa non sta per sostituire i manager. Li sta mettendo davanti a uno specchio. Mostra ciò che le aziende fanno bene e ciò che non hanno mai fatto: strutturare i dati, documentare le decisioni, distribuire le competenze, costruire una cultura dell’evidenza. Il vero cambiamento che l’AI chiede non è tecnologico. È culturale. La responsabilità, come ripetono con voce unanime tutti gli interlocutori coinvolti in questo approfondimento, non si delega né a un algoritmo né a una rete neurale né al migliore modello linguistico disponibile sul mercato. E forse è proprio questo il contributo più prezioso che l’AI sta offrendo al management: ricordare che decidere è ancora e sempre un atto di… coraggio umano.
L’articolo AI(uto), chi decide? proviene da Parole di Management.
