Generative AI: le sette sfide dell’implementazione

Nel corso del 2025, l’AI ha confermato il suo ruolo come l’ambiente in cui la maggior parte delle altre tecnologie si sviluppa e opera (v. l’articolo di apertura di questo servizio).

La nostra prospettiva per il prossimo anno amplia questa evidenza: mentre la Generative AI (GenAI) entra sempre più nel mondo corporate, le organizzazioni si troveranno ad affrontare diversi punti aperti rilevanti dal punto di vista dell’esecuzione.

Tra i molti nodi ancora irrisolti, individuiamo due aree in cui le aziende potrebbero trovarsi in difficoltà:

• Capire la reale struttura del mercato della Gen AI.
• Gestire le sfide pratiche legate alla customizzazione della Gen AI per generare valore di business.

Entrambi i temi si basano su nostri studi recenti: uno che esamina oltre 248 modelli open e uno basato su 18 interviste cross-industry con practitioner. Nei paragrafi seguenti offriamo una panoramica delle principali considerazioni per le aziende.

La confusione dell’“Open Source”: com’è davvero il mercato open-source della Gen AI

Per anni, nel software il concetto di open source è stato relativamente chiaro. Con la GenAI, questa chiarezza si è affievolita. I provider promuovono sempre più modelli come “open” pur mantenendo componenti critiche opache o soggette a vincoli legali.

La nostra analisi di 248 modelli reali mostra che, con la Gen AI, l’apertura non è una scelta binaria. Si articola lungo tre dimensioni, ciascuna con implicazioni strategiche molto diverse:

• Apertura tecnica (pesi, codice e dati di training sono davvero accessibili?).
• Governance (chi controlla lo sviluppo e l’evoluzione del modello?);
• Licenze e diritti d’uso (cosa è legalmente consentito fare?).

Quando abbiamo raggruppato questi modelli, sono emersi sei archetipi distinti. Ognuno riflette un diverso equilibrio tra trasparenza, controllo e diritti d’uso, da soluzioni Corporate Open e Corporate Restrictive a modelli della comunità open-science e derivati di nicchia. Questa diversità mostra che non esiste un singolo approccio “migliore”: configurazioni diverse servono scopi differenti, e comprendere tali differenze è essenziale per prendere decisioni tecnologiche informate.

Per esempio, i modelli Corporate Restrictive dominano la quota di mercato, sebbene impongano limiti sull’uso commerciale, sulla creazione di derivati o sul miglioramento del modello. Il punto non è stabilire che una categoria sia “buona” e un’altra “cattiva.” Diverse configurazioni di apertura risultano adatte a scopi strategici differenti. Ciò che conta è che le aziende dispongano degli strumenti per valutare le scelte tecnologiche in modo maturo e informato. Alcuni modelli sono ideali per sperimentazione e trasparenza; altri, pur con restrizioni, possono offrire stabilità, performance o strutture di supporto in linea con esigenze specifiche. Il vero rischio emerge quando le decisioni vengono prese senza considerare i trade-off.

Chiarendo le dimensioni tecniche, di governance e di licensing alla base di ciascun archetipo, abbiamo voluto aiutare i manager a orientarsi in un panorama Gen AI sempre più complesso e a selezionare soluzioni coerenti con obiettivi, vincoli e strategie di business.

Customizzare la GenAI: dove le aziende potrebbero andare in difficoltà

Sebbene l’adozione cresca rapidamente nei diversi settori, molte organizzazioni faticano a tradurre la Gen AI in valore di business concreto. Il problema principale non è la mancanza di strumenti, ma la necessità di contestualizzare modelli general-purpose affinché funzionino nelle specifiche realtà, nei workflow e nei vincoli di ciascuna azienda. È questa traduzione da capacità generica a esecuzione pratica che rappresenta la vera sfida.

Le aziende in genere personalizzano la GenAI su tre livelli, ciascuno con potenziali criticità:

Data layer (es. RAG, prompting);

Model layer (es. fine-tuning);

Infrastructure layer (es. integrazione della GenAI in workflow e sistemi legacy).

Nei vari settori, sono emerse sette sfide ricorrenti, insieme a potenziali strategie di mitigazione.

Sfida 1: “Data overload” dovuto a contenuti destrutturati e disordinati. Alcune aziende alimentano la Gen AI con vasti archivi di PDF, report, email e documenti tecnici, assumendo che più dati significhino maggiore valore. In realtà, i dati non strutturati sono spesso sovrabbondanti, gestiti in modo informale, contraddittori e con formati incoerenti. Il coinvolgimento precoce di esperti di dominio per curare ciò che è davvero rilevante è essenziale per mitigare il rischio e sviluppare casi d’uso pratici.

Sfida 2: Contraddizioni nascoste nei dati. La GenAI può mascherare incoerenze di contenuto, producendo output fluenti ma errati, e le aziende rischiano di scoprire tali contraddizioni solo dopo la messa in produzione. Valutazioni guidate da esperti di dominio e controlli automatici di coerenza basati sulla GenAI possono attenuare il problema. Insieme alla sfida 1, questi elementi evidenziano la necessità di un approccio consapevole alla preparazione e governance dei dati non strutturati.

Sfida 3: Il trade-off tra controllo e performance. Più le aziende vincolano un modello (guardrail, prompt restrittivi, formati di input stretti), più scambiano prevedibilità con le capacità generative della Gen AI. Per trovare il giusto equilibrio, si può applicare un modello di governance basato sui livelli di rischio. Non tutti i casi d’uso richiedono lo stesso livello di restrizione: un caso d’uso creativo interno e un chatbot medico rivolto ai clienti non possono essere controllati allo stesso modo.

Sfida 4: Risultati imprevedibili. Anche modelli ben personalizzati occasionalmente allucinano, interpretano male o si comportano in modo inatteso. L’implementazione di test strutturati e multifase sugli output, con il coinvolgimento di esperti di business prima del roll-out e durante il funzionamento in produzione, può aumentare la fiducia e ridurre i rischi.

Sfida 5: Performance incoerente tra sotto-task. La Gen AI può eccellere in una parte di un processo ma fallire in alcuni casi, eccezioni o varianti del task. Una strategia più matura consiste in una combinazione pragmatica di Gen AI con componenti rule-based, validatori o logiche deterministiche, invece di aspettarsi che un unico modello faccia tutto. Occorre usare lo strumento giusto per il problema giusto, o per la parte giusta del problema.

Sfida 6: Rapida obsolescenza tecnologica. Il tasso di obsolescenza nella Gen AI è molto elevato. Costruire uno stack GenAI modulare che consenta di sostituire componenti senza ricostruire l’intera soluzione protegge dal rischio tecnologico.

Sfida 7: “Shadow customization” guidata dai dipendenti. Strumenti come Copilot Agents e Custom GPTs permettono ai dipendenti di creare workflow Gen AI senza supervisione. Definire confini chiari per l’autonomia accettabile e applicare una governance per tutto ciò che tocca i sistemi core consente di sperimentare in sicurezza.

Considerazioni finali

La Gen AI sta diventando un’infrastruttura aziendale in molte aree applicative, e le organizzazioni con maggiori probabilità di catturare valore sono quelle in grado di mettere in campo procedure e controlli adeguati per trasformare il suo potenziale in un’esecuzione ben contestualizzata. In un mondo ricco di sollecitazioni su AI e Gen AI, i nostri due filoni di ricerca convergono in una considerazione molto pragmatica: le aziende devono comprendere su cosa stanno costruendo e come lo stanno adattando alle proprie organizzazioni per estrarne valore.

Questo significa sviluppare la capacità di valutare quali scelte tecnologiche in ambito Gen AI compiere e costruire la maturità organizzativa per contestualizzare tecnologie general purpose all’interno dei propri dati, workflow e ambienti di rischio.