REDAZIONE.
Indice del contenuto
Rivera lo chiama “weaponizing AI”: la tendenza a infilare algoritmi ovunque, anche dove basterebbe un buon foglio Excel o un’idea di marketing intelligente.
“Prima chiediamoci quali problemi abbiamo,” dice, “e solo dopo come l’AI può aiutarci a risolverli.”
Lo stesso errore si è già visto in altre ere tecnologiche: dal cloud computing agli smartphone. A fare la differenza non è mai la potenza della tecnologia, ma la chiarezza dello scopo. Quando Rivera lavorava in 3M, le innovazioni più di successo — come le vernici riflettenti per la sicurezza stradale — non nacquero dal desiderio di “fare ricerca”, ma dal bisogno di salvare vite sulle autostrade.
È la distinzione fondamentale tra invenzione e innovazione: la prima crea qualcosa di nuovo, la seconda crea qualcosa di utile.
La “discovery gap”: dove si perdono soldi (e tempo)
L’AI fallisce non perché sia immatura, ma perché i processi decisionali lo sono.
Le aziende saltano la fase di discovery — quella che serve a definire il problema, testare ipotesi, validare i bisogni.
Le grandi corporation possono permettersi di “sbagliare 7 progetti su 10” e considerarlo un successo. Le PMI no: hanno bisogno di un tasso di riuscita dell’80-90%, altrimenti l’AI diventa solo una perdita programmata.
E poi c’è la pressione dei board. Tutti vogliono “vedere l’AI in azione”, anche se l’unico effetto reale è far spendere di più per ottenere lo stesso risultato. Rivera lo dice con una punta d’ironia: “A volte due neolaureati con un foglio di calcolo risolvono il problema più in fretta — e con meno rischio — di un modello generativo da milioni di dollari.”
Un metodo per non farsi travolgere
Rivera propone un framework in sei passi per riportare l’AI nel mondo reale:
1 – Parti dal problema – non dal codice. Chiediti cosa non funziona davvero per i tuoi clienti.
2 – Scopri i punti ciechi – le necessità che gli utenti non sanno ancora di avere.
3 – Analizza il rischio di disruption – dove l’AI può stravolgere il tuo settore (anche in aspetti banali come la fatturazione).
4 – Valuta i tuoi dati – senza dati puliti, l’AI è cieca.
5 – Abbina soluzioni a problemi – a volte serve solo ottimizzare un processo, non addestrare un modello.
6 – Calcola l’ROI reale – includendo manutenzione, cambi organizzativi e tempi di adozione.
Quando l’AI funziona davvero
In Verra Mobility, i progetti AI di successo nascono tutti da problemi specifici:
• Gestione predittiva degli incroci: modelli che anticipano le infrazioni e segnalano i rischi ai veicoli connessi.
• Rilevamento della guida distratta: sistemi di bordo che leggono l’attenzione del conducente, riducendo incidenti e premi assicurativi.
• Manutenzione predittiva: dati dei veicoli per prevenire guasti e tagliare costi operativi.
• Gestione dei pedaggi virtuali: niente più infrastrutture fisiche, solo tariffe dinamiche basate su dati in tempo reale.
Ogni applicazione parte da un problema concreto, non da un algoritmo astratto. È qui che l’AI torna a essere utile — e “umana”.
L’AI non è una bacchetta magica, è uno strumento. E come ogni strumento, funziona solo se c’è un progetto chiaro dietro. Le aziende che sapranno fermarsi un attimo — per chiedersi non “come usare l’AI” ma “perché usarla” — saranno le uniche a creare valore vero. Tutte le altre correranno, sì, ma nella direzione sbagliata.
Parola di Eufemia.
