L'AI continua a diventare più capace. Tuttavia, usarla all'interno di un'azienda non sta necessariamente diventando più semplice.

Man mano che le aziende superano la fase sperimentale e portano l'AI in più parti del proprio business, si trovano ad affrontare una serie di sfide distinta. Le domande riguardano sempre più quali modelli dovrebbero gestire quali task, se i dati sottostanti sono abbastanza buoni, chi — e cosa — i sistemi AI possono accedere, e se la governance esistente riesca a tenere il passo.

Diversi sviluppi di questa settimana indicano la stessa conclusione: la prossima fase dell'AI aziendale potrebbe dipendere meno dall'accesso ai modelli più recenti e più dalla capacità delle aziende di gestirli effettivamente.

Le operazioni multi-modello diventano la norma

Le imprese non si limitano più a scegliere un modello AI. Eseguono più modelli, ciascuno con capacità, costi e rischi diversi. Questo significa che qualcuno deve decidere quale modello gestisce quale — e quando tali decisioni dovrebbero cambiare.

L'azienda di pagamenti e dati Deluxe, ad esempio, ha più di 50 agenti AI, con un gateway centralizzato che instrada le richieste a modelli diversi. L'azienda valuta fattori come qualità, rischio, velocità e costi quando decide quali modelli utilizzare.

Si tratta di una sfida molto diversa dalla scelta di un singolo fornitore AI. Man mano che le imprese aggiungono modelli, la selezione dei modelli stessa diventa una funzione operativa continua — che trasforma una scelta periodica di fornitore in un lavoro ricorrente: instradare le richieste, confrontare gli output e rivedere quelle decisioni man mano che i profili di qualità, costo e rischio cambiano. (Correlato: Gemini 3.8 Live trasforma l'AI conversazionale.)

La qualità dei dati continua a minare i progetti AI

Gestire i modelli è solo parte del problema. I progetti AI si scontrano anche con un ostacolo aziendale familiare: dati scadenti o frammentati.

In un recente sondaggio Collibra, il 72% dei decisori AI ha dichiarato che fondamenta dati inadeguate erano la causa principale del fallimento delle iniziative AI aziendali. La cifra ricorda che quando le iniziative AI vacillano, il problema spesso precede il modello: risiede nei dati che lo alimentano.

La governance resta indietro rispetto all'AI agentica

Le questioni operative non si fermano ai dati. Le aziende possono avere politiche di governance AI in vigore, ma le loro strategie potrebbero non tenere conto dei sistemi agentici.

Un report EY diffuso martedì ha rilevato che quasi sei intervistati su dieci nelle organizzazioni che usano AI agentica ritenevano che nessun singolo gruppo supervisionasse gli agenti dopo il deployment. Quasi la metà ha dichiarato che i propri framework di governance non erano stati aggiornati per affrontare i rischi specifici degli agenti, mentre quattro su dieci non avevano visibilità su tutti gli strumenti AI presenti nelle proprie reti.

Si tratta di un divario operativo tanto quanto di governance. Le aziende non possono gestire efficacemente i sistemi AI se non sanno cosa è in esecuzione o chi è responsabile supervisione. I risultati lasciano alle organizzazioni due domande immediate a cui rispondere: chi possiede la supervisione degli agenti una volta attivi, e come costruire un quadro completo degli strumenti AI già in esecuzione sulla rete.

La sfida organizzativa

Un modello più potente non risolverà nessuno di questi problemi. Richiedono alle aziende decisioni su architettura, dati, proprietà e supervisione man mano che l'AI si integra in più parti del business.

La parte difficile dell'AI aziendale potrebbe non essere più l'accesso a una tecnologia potente. È costruire un'organizzazione capace di gestirla — e gli indicatori da osservare sono interni: prontezza dei dati, copertura della governance e chiare linee di proprietà. (Correlato: Le richieste di rallentamento dell'AI pongono nuove sfide per i modelli open-weight.)

Anche questa settimana nelle notizie AI

• L'AI è ora il principale motore delle nuove spese per la cybersecurity: sette CISO su dieci ora classificano l'AI come priorità assoluta per le nuove spese di cybersecurity, in particolare per l'automazione della sicurezza e la gestione di identità e accessi.
• Altman, Amodei parlano del ritmo dell'AI al Dreamforce: i leader dei lab AI hanno usato la conferenza Dreamforce di Salesforce per discutere il rallentamento dello sviluppo dell'AI di frontiera, mentre cresce la preoccupazione che le capacità avancino più veloci delle salvaguardie.
• Gemini 3.8 Live trasforma l'AI conversazionale: il nuovo modello di Google aggiunge ragionamento in tempo reale, uso di strumenti ed elaborazione visiva mantenendo interazioni vocali naturali.
• Le richieste di rallentamento dell'AI pongono nuove sfide per i modelli open-weight: le richieste di rallentare lo sviluppo dell'AI di frontiera potrebbero creare nuove sfide per i modelli open-weight, lasciando potenzialmente alle imprese maggiore responsabilità per test, monitoraggio e governance.
• Il panico per l'AI crea un nuovo problema di fiducia per i CIO: l'ansia crescente attorno all'AI sta creando una nuova sfida per i CIO mentre cercano di costruire fiducia organizzativa nei deployment aziendali senza minimizzare le legittime preoccupazioni sulla tecnologia.
• «Smetteremo di parlare di AI» e altre previsioni industriali: le aziende manifatturiere si aspettano che'AI diventi meno un'iniziativa autonoma e più integrata nelle operazioni quotidiane. (Correlato: L'AI cambia l'equazione del ROI. Ecco come alcuni hanno trovato successo.)
• L'AI complica il mercato del lavoro tech: l'AI sta rimodellando il mercato del lavoro tech, con un'analisi di quasi 50.000 annunci di lavoro per ingegneri che rileva requisiti di competenze in evoluzione e un numero crescente di ruoli specializzati.

Sull'autrice

Liz Hughes è una strategist editoriale e di contenuti pluripremiata con decenni di esperienza nell'editoria giornalistica, nei media digitali e nella comunicazione executive. Ha ricoperto più di recente il ruolo di editor di AI Business e IoT World Today, guidando la strategia editoriale, la copertura quotidiana e newsletter che raggiungono oltre 1 milione di lettori al mese. Il suo lavoro si concentra sull'AI e sulle tecnologie emergenti, con particolare attenzione alla distinzione tra adozione reale e hype; ha trattato temi come AI generativa, robotica, sistemi autonomi e tecnologia aziendale. Hughes è anche fondatrice di LTH Media, una realtà editoriale strategica, e continua a collaborare con le principali pubblicazioni tecnologiche e di business.

Questo articolo, scritto dalla contributor Liz Hughes, è apparso originariamente su AI Business il 18 settembre 2026.