L’intelligenza artificiale generativa sta accelerando la trasformazione delle imprese, ma molte iniziative non riescono a scalare. Il limite non è solo tecnologico: riguarda la capacità delle organizzazioni di decidere, integrare innovazione e governare vincoli nei sistemi complessi.
Con la diffusione dell’intelligenza artificiale generativa, l’accelerazione delle piattaforme digitali e l’evoluzione continua dei modelli di business, il lavoro manageriale sta cambiando natura. Non si tratta più solo di gestire organizzazioni, ma di prendere decisioni in sistemi instabili, interdipendenti e spesso imprevedibili.
Le recenti applicazioni dell’AI nelle imprese italiane rendono evidente una tensione crescente: da un lato, possibilità tecnologiche sempre più ampie; dall’altro, una capacità decisionale che fatica a tenere il passo. Secondo analisi di McKinsey & Company e Gartner, oltre il 70% delle aziende ha avviato sperimentazioni sull’AI, ma meno del 30% riesce a portarle a scala.
Il problema non è principalmente tecnologico. È, sempre più spesso, decisionale e organizzativo. Eppure, proprio mentre la complessità aumenta, la leadership è stata progressivamente riscritta come un percorso interiore. Autenticità, purpose, mindset, resilienza: il lessico dominante dei programmi di sviluppo invita i leader a lavorare prima di tutto su sé stessi.
Questa evoluzione ha avuto un merito importante: ha riportato al centro la dimensione umana del lavoro. Allo stesso tempo, ha introdotto un rischio critico: trasformare la leadership in un esercizio di auto-esplorazione scollegato dall’azione reale nei sistemi digitali e organizzativi.
È questo il punto evidenziato da Richard Claydon: una parte rilevante della leadership contemporanea ha perso il legame con il ruolo e con il sistema, concentrandosi quasi esclusivamente sull’individuo.
Le evidenze sull’adozione dell’AI mostrano un quadro ricorrente, fatto insieme di risultati promettenti e criticità strutturali. Dove funziona davvero, l’AI produce benefici concreti:
- automazione di attività ripetitive
- aumento della produttività individuale
- miglioramento dell’analisi dei dati
Sempre più spesso però emergono criticità strutturali:
- progetti pilota che non scalano
- difficoltà di integrazione nei processi
- resistenze organizzative
- gap di competenze
In molti casi, l’AI non fallisce perché non funziona, ma perché il sistema organizzativo non è in grado di assorbirla e integrarla nei processi reali.
Le tecnologie non trasformano le organizzazioni: amplificano ciò che le organizzazioni sono già in grado — o non in grado — di fare.
Per interpretare questo scenario si sono diffusi diversi framework:
- VUCA ha descritto un mondo instabile e imprevedibile
- BANI ha evidenziato fragilità e ansia sistemica
- Theory U, sviluppata da Otto Scharmer, ha invitato i leader a sviluppare una maggiore capacità di percezione
A questi si affiancano altri contributi rilevanti, come il framework Cynefin di Dave Snowden e il concetto di antifragilità di Nassim Nicholas Taleb.
Questi approcci hanno migliorato significativamente la capacità di leggere la realtà organizzativa contemporanea. Tuttavia, condividono un limite.
Capire la complessità non equivale a saper decidere dentro la complessità. Leggere il contesto non significa saperlo trasformare, e riconoscere l’incertezza non libera dalla responsabilità di scegliere. Nei sistemi complessi, la differenza non sta in chi comprende meglio il problema, ma in chi sa assumersi il costo delle decisioni.
Complessità e vincoli
Contrariamente a una narrativa diffusa, il digitale non elimina i vincoli: li rende più articolati.
- architetture tecnologiche legacy, cioè sistemi informativi esistenti spesso difficili da integrare
- dipendenze da piattaforme e fornitori
- regolazioni normative su dati e AI
- limiti di competenze e risorse
- tensioni tra funzioni aziendali e stakeholder
La complessità non riduce i vincoli: li rende meno visibili e più difficili da governare. Questo spiega perché molte iniziative AI si bloccano: non per limiti tecnologici, ma per incapacità di prendere decisioni coerenti dentro vincoli reali.
Una leadership che decide nei sistemi
Per affrontare questo scenario serve un cambio di prospettiva. La leadership non può essere ridotta a sviluppo personale o consapevolezza. Come suggerisce anche la riflessione di Byung-Chul Han sulla società della performance, il rischio è quello di spostare problemi sistemici sull’individuo.
Serve invece una leadership capace, prima di tutto, di decidere nei sistemi complessi. In questa prospettiva, ogni decisione rilevante deve rispondere a quattro domande fondamentali:
- Quali sono i vincoli che limitano questa decisione?
- Che valore genera per l’organizzazione?
- Che effetti ha sull’equilibratura del sistema?
- Come posso governare il passaggio da sperimentazione all’implementazione?
Per passare dalla comprensione all’azione serve un criterio decisionale chiaro. La leadership sistemica diventa utile solo quando aiuta a scegliere, non quando si limita a interpretare.
Il framework che segue traduce questa esigenza in quattro funzioni operative: dimensioni che ogni decisione deve tenere insieme, perché è nel loro equilibrio che si gioca la qualità dell’azione manageriale.
La funzione adattativa
Riguarda la capacità di partire dai vincoli reali, non dalle intenzioni. Significa comprendere con precisione ciò che il contesto consente — e ciò che impedisce — evitando di costruire decisioni su ipotesi astratte.
- vincoli tecnologici, qualità dei dati, integrazione con i sistemi esistenti, limiti delle infrastrutture IT
- limiti organizzativi, competenze disponibili, tempo, risorse, priorità operative
- dinamiche di potere, chi decide, chi influenza, quali interessi sono in gioco
Senza questa funzione, i progetti AI rischiano di nascere su presupposti irrealistici e restare confinati a sperimentazioni isolate. Quando la realtà non è letta correttamente, ogni decisione successiva è solo un’ipotesi ben argomentata.
La funzione generativa
Riguarda la capacità di trasformare i vincoli in spazio d’azione. Non si limita a identificare ciò che è possibile, ma lavora per espandere il campo del possibile in modo concreto e sostenibile.