Molte aziende stanno sperimentando l’intelligenza artificiale. Molte meno sono riuscite, almeno per ora, a farla entrare davvero nei processi operativi.
Le ragioni sono diverse: competenze ancora da costruire, organizzazioni che devono adattarsi, investimenti da giustificare. C’è però un punto che spesso rimane sullo sfondo e che diventa evidente proprio quando si prova a passare dalla sperimentazione alla produzione: come sono costruiti i sistemi informativi aziendali.
Finché utilizziamo l’AI per interrogare documenti o supportare attività circoscritte, possiamo muoverci anche ai margini dei sistemi core. Le cose cambiano quando vogliamo che un agente intervenga su un ordine, verifichi un assortimento, recuperi una condizione commerciale o attivi un processo.
A quel punto deve poter dialogare con il sistema che conosce davvero quelle informazioni e quelle regole.
Ne abbiamo parlato con Piero Pescangegno, COO di Aton S.p.A. Società Benefit, intervenuto durante Retail Tech 2026
Perché molte sperimentazioni di intelligenza artificiale non arrivano in produzione?
I dati della survey presentata a Retail Tech sono chiari: il 66% delle aziende ha già avviato iniziative di AI, ma solo il 14% le ha portate in produzione. Cultura aziendale e competenze contano, ma il vero nodo emerge quando si collegano i casi d’uso a sistemi informativi costruiti magari vent’anni fa. In un’azienda retail il sistema centrale convive con applicazioni nate nel tempo — casse, promozioni, logistica, CRM. Se il cuore del sistema è chiuso, ogni nuova integrazione costringe a ricostruirne parte delle logiche altrove: nascono regole duplicate e, prima o poi, incoerenze. Con l’AI, che deve capire quali dati usare e dove trovarli, questo rischio aumenta.
Perché un agente AI non dovrebbe calcolare autonomamente prezzi e sconti?
Immaginiamo un retailer con centinaia di punti vendita che introduce un agente AI per raccogliere ordini in linguaggio naturale. L’agente comprende la richiesta e la trasforma in un ordine, ma il prezzo, l’assortimento disponibile o lo sconto applicabile non possono essere inventati tramite un prompt: sono già definiti nei sistemi gestionali. Le condizioni commerciali sono regole costruite nel tempo che, a parità di condizioni, devono restituire sempre lo stesso risultato e un modello generativo, che lavora su basi probabilistiche, non può esserne la fonte ufficiale. Deve interrogare il sistema che governa quelle regole e usare il risultato ricevuto: l’AI interpreta la richiesta, le logiche di business restano del sistema aziendale.
Che cosa significa costruire un layer centrale per l’intelligenza artificiale?
Significa creare uno strato attraverso cui rendere accessibili le funzionalità aziendali senza ricostruirle ogni volta. Da un lato ERP, CRM, sistemi commerciali e logistici; dall’altro le nuove interfacce, app, portali e, sempre più, agenti AI. Il punto non è riscrivere ciò che già funziona, ma riuscire a esporlo: se una funzione calcola correttamente un prezzo da dieci anni, deve poterla richiamare anche un agente, senza creare un secondo algoritmo per il chatbot e un terzo per l’app. È questo che rende l’architettura sostenibile nel tempo.
Che cos’è il Model Context Protocol e perché è importante per l’AI?
Il Model Context Protocol (MCP) nasce per facilitare la comunicazione tra modelli AI, strumenti e sistemi esterni. Il punto interessante è il modello di interazione che introduce: un agente riceve una richiesta e capisce quali strumenti ha a disposizione, chiamando il servizio giusto per cercare un’informazione o svolgere un’operazione. Davanti alla richiesta dell’ultimo ordine di un cliente, per esempio, l’agente non ricostruisce il dato dalle proprie conoscenze: individua il servizio corretto, interroga il sistema aziendale e restituisce il risultato in linguaggio naturale. È questa separazione, tra l’AI che interpreta e il sistema aziendale che fornisce il dato reale, a fare la differenza.
Da dove dovrebbe iniziare un’azienda con sistemi legacy?
La trasformazione non deve avvenire tutta insieme: non serve passare da un sistema chiuso a un’architettura integralmente aperta in un solo progetto. Il punto di partenza sono i processi che si vogliono rendere accessibili: quali informazioni devono poter essere interrogate, quali funzioni richiamate da un’applicazione esterna o da un agente. Una volta individuate, si possono esporre progressivamente, lasciando le logiche dove sono finché ha senso, ma costruendo un modo standard per raggiungerle. È un percorso più pragmatico rispetto a rifare l’intero sistema informativo prima di poter lavorare con l’AI.
In conclusione, l’adozione dell’AI non dipende solo dalla qualità dei modelli o dalla capacità delle persone di utilizzarli, ma anche dalla possibilità di collegarla ai dati e alle regole che governano davvero l’impresa.
Come cambiano in pratica API, Model Context Protocol (MCP) e omnicanalità quando in azienda arrivano gli agenti AI? Ne parliamo nella seconda parte dell’intervista a Piero Pescangegno.