Perché l’AI da sola non basta per le decisioni critiche

Chiedi a tre assistenti AI qual è stato il margine del mese scorso, sugli stessi dati, e puoi ottenere tre risposte plausibili e diverse: 18,4%, 21,1%, 16,9%. Non è un problema di modello: la definizione di “margine”, la regola su cosa includere, la logica con cui si sceglie non sono scritte da nessuna parte. Vivono nella testa delle persone e nei fogli di calcolo.

Un’AI, per quanto potente, può solo lavorare su ciò che trova: se la conoscenza decisionale non è formalizzata, non c’è nulla su cui ragionare in modo affidabile. È il motivo per cui, prima di parlare di modelli, conviene guardare a tre strati che l’azienda deve preparare.

Primo strato: formalizzare e documentare la conoscenza decisionale

La maggior parte delle decisioni critiche si basa su conoscenza tacita: esperienza, regole non scritte, criteri impliciti che i manager applicano senza esplicitarli. La ricerca sul knowledge management la inquadra da tempo come la distinzione tra conoscenza tacita ed esplicita, e il punto è noto: ciò che resta tacito non è trasferibile, né a una persona nuova né a un sistema.

Il primo lavoro, quindi, non è tecnologico ma cognitivo: rendere esplicito come si decide. Quali informazioni entrano in una scelta, quali vincoli e obiettivi la governano, quali alternative si considerano e con quale criterio si sceglie. Esistono standard nati per questo, come la Decision Model and Notation (DMN), che descrivono la logica di una decisione in una forma leggibile da persone e macchine. È lavoro lento e poco glamour, ma è la base su cui poggia tutto il resto.

Secondo strato: il layer semantico, definire i numeri una volta

Formalizzata la logica, servono dati che significhino la stessa cosa per tutti. Qui entra il layer semantico (o metrics layer), un concetto ormai consolidato nell’ingegneria dei dati: un livello in cui metriche, dimensioni e relazioni sono definite una volta e valgono per ogni strumento e ogni utente. “Margine”, “cliente attivo”, “ordine” smettono di essere interpretazioni e diventano definizioni uniche.

Per l’AI il beneficio è doppio: ragiona su concetti di business invece che su tabelle, e ha un perimetro esplicito che riduce le allucinazioni, perché ogni risposta è ancorata a una definizione condivisa e alla fonte da cui viene.

Terzo strato: il layer decisionale, dai numeri alle scelte

Sapere cosa è il margine non dice ancora cosa fare. Il terzo strato, il layer decisionale, collega le metriche agli obiettivi, ai vincoli e alle leve su cui si agisce: è il territorio di quella che gli analisti chiamano decision intelligence. Qui si esplicitano i trade-off (margine contro volume, cassa contro crescita), le soglie oltre le quali una situazione richiede un’azione, gli scenari alternativi con probabilità e impatto.

È lo strato che trasforma un cruscotto in una decisione: non “ecco i numeri”, ma “date queste condizioni, queste sono le opzioni, con questi effetti attesi”.

Solo a questo punto entra l’AI agentica

Con questi tre strati in ordine, l’AI agentica può fare il salto che conta: non più automatizzare compiti, ma sostenere decisioni critiche. Un agente che poggia su conoscenza formalizzata, definizioni condivise e logica decisionale esplicita può simulare scenari, segnalare quando una soglia è superata e proporre un’azione con la fonte citata, lasciando la scelta a chi ne ha la responsabilità.

È anche ciò che i dati suggeriscono. Nella survey Oliver Wyman 2026 su 200 vertici aziendali, solo il 4% indica l’accesso al miglior modello come vantaggio durevole, contro il 74% che lo colloca nella reingegnerizzazione dei processi e il 64% nei dati e nel contesto proprietari. Il vantaggio non è il modello: è la conoscenza che gli fai usare.

Da dove partire

Non serve un programma pluriennale per iniziare. Il modo più concreto è scegliere una sola decisione critica e ricorrente, per esempio quando rivedere i prezzi o quando reintegrare le scorte, e documentarla per intero: le informazioni che la alimentano, i vincoli, i criteri, le alternative. Da lì si definiscono le poche metriche che contano, si esplicita la logica, e solo allora si mette l’AI a supportare quella decisione, con una persona che approva.

È un percorso che parte dalla conoscenza, non dalla tecnologia, ed è precisamente questo ordine a fare la differenza tra un’AI che riduce l’incertezza e una che aggiunge rumore.

PUNTI CHIAVE

• Prima di usare AI e AI agentica per le decisioni critiche servono tre strati: conoscenza decisionale formalizzata, layer semantico, layer decisionale.
• Gran parte della conoscenza decisionale è tacita: va resa esplicita (informazioni, vincoli, criteri, alternative). Standard come DMN aiutano a formalizzarla.
• Il layer semantico definisce i numeri una volta: l’AI ragiona su concetti di business e ancora ogni risposta a una definizione, riducendo le allucinazioni.
• Il layer decisionale collega metriche a obiettivi, vincoli, trade-off e soglie: trasforma un cruscotto in una decisione (decision intelligence).
• Solo dopo questi strati l’AI agentica può supportare decisioni critiche. Nei dati, solo il 4% vede nel modello un vantaggio durevole, contro 74% processi e 64% dati e contesto proprietari.

DOMANDE FREQUENTI (FAQ)

Cosa serve a un’azienda prima di usare l’AI per le decisioni critiche?

Tre cose, in ordine: formalizzare e documentare come si decide (conoscenza decisionale), definire le metriche in modo condiviso (layer semantico) ed esplicitare la logica di scelta con obiettivi e vincoli (layer decisionale). Solo dopo l’AI ha qualcosa di affidabile su cui lavorare.

Perché formalizzare la conoscenza decisionale è così importante?

Perché la maggior parte è tacita e non trasferibile. Ciò che non è esplicito non può essere usato né spiegato da un sistema di AI, che finirebbe per reinventare criteri e definizioni a ogni sessione.

Cos’è il layer semantico e cosa c’entra con l’AI?

È un livello in cui metriche e definizioni sono stabilite una volta e valgono per tutti gli strumenti e gli agenti. Dà all’AI concetti di business chiari e un perimetro esplicito, riducendo errori e allucinazioni.

Quando conviene introdurre l’AI agentica nelle decisioni?

Dopo aver preparato i tre strati, partendo da una singola decisione critica e ricorrente, con l’agente che propone e una persona che approva.