Il CEO di IBM ha detto la cosa più scomoda sull'AI

Negli ultimi tre anni il dibattito sull'intelligenza artificiale si è concentrato quasi ossessivamente su quale modello fosse il più potente. GPT contro Claude, Claude contro Gemini, chi vince il prossimo benchmark, chi arriva prima sul nuovo rilascio, chi produce la risposta più convincente. È una conversazione comprensibile, perché i modelli sono la parte più visibile dell'AI e quella più facile da confrontare. Arvind Krishna, CEO di IBM, ha detto però qualcosa che rende questa domanda meno strategica di quanto sembri. Secondo Krishna, i foundation model tenderanno a diventare beni intercambiabili, sostituibili l'uno con l'altro con un certo lavoro di adattamento. Non perché perderanno importanza, ma perché diventeranno progressivamente meno distintivi tra loro, soprattutto nelle applicazioni enterprise. Le aziende più mature, nella sua lettura, dovrebbero evitare di legarsi a un unico modello e mantenere la disciplina di lavorare con più opzioni, scegliendo di volta in volta quella più adatta al caso d'uso. È una dichiarazione interessante non solo per chi la pronuncia, ma per il punto da cui viene pronunciata. IBM non è un osservatore esterno dell'AI. È un'azienda che vende infrastrutture, software e servizi enterprise a organizzazioni complesse, e quindi osserva un pezzo della trasformazione che nel dibattito pubblico si vede meno, ovvero cosa succede davvero quando l'AI entra nei processi, nei dati, nei sistemi e nelle decisioni aziendali.

Se il modello diventa intercambiabile, il valore si sposta

Se Krishna ha ragione, il vantaggio competitivo non può più essere cercato solo nel modello. Può esserci una differenza tra sistemi diversi, e per alcuni casi d'uso quella differenza può essere rilevante, ma è difficile immaginare che la scelta del modello resti a lungo l'unico elemento decisivo della strategia AI di un'azienda. Quando una tecnologia diventa più accessibile, più economica e più sostituibile da un fornitore all'altro, il valore tende a spostarsi verso ciò che la rende utile dentro un contesto specifico. Nel caso dell'AI, questo significa dati, integrazione, governance, processi e capacità di trasformare il funzionamento reale dell'azienda in una struttura leggibile dai sistemi. La domanda non è più soltanto quale intelligenza affittare. La domanda è cosa l'azienda è in grado di farle vedere. Questa è la parte meno visibile e più importante della trasformazione. Un modello può essere sostituito. Un'infrastruttura di conoscenza costruita bene è molto più difficile da replicare.

Il punto cieco è confondere dati e conoscenza

Qui però c'è un passaggio che spesso viene semplificato. Dire che il valore si sposta sui dati è corretto, ma non basta. Anche i dati, se non sono organizzati, interpretati e collegati ai processi reali, possono diventare a loro volta un bene generico, o peggio una fonte di distorsione. Il punto non è avere tanti dati. Il punto è avere una rappresentazione digitale attendibile di come l'azienda funziona davvero. Questo include dati strutturati, documenti, workflow, regole operative, eccezioni, relazioni tra reparti, responsabilità decisionali, conoscenza tacita dei team, storico delle decisioni e contesto che normalmente non entra nei sistemi ma che determina il modo in cui l'organizzazione opera. È qui che molte aziende rischiano di fraintendere l'AI pensando di dover scegliere quale sia il modello migliore, quando spesso non hanno ancora costruito le condizioni perché qualsiasi modello possa produrre valore stabile. Se i processi sono frammentati, i dati incoerenti e la conoscenza aziendale dispersa nelle persone o nei silos, cambiare modello non risolve il problema. Lo rende soltanto più sofisticato.

L'AI enterprise non si vince nei benchmark

La competizione tra modelli continuerà a essere importante. I benchmark servono, le differenze tecniche contano, la qualità degli output non è irrilevante. Ma dentro le aziende il problema principale non è quasi mai ottenere la risposta più elegante in una demo. Il problema è portare l'AI dentro processi end-to-end che funzionano davvero. Un assistente interno può essere molto avanzato, ma se interroga documenti obsoleti produrrà risposte precise su procedure sbagliate. Un sistema di supporto commerciale può usare un modello eccellente, ma se i dati sul cliente sono incompleti o classificati male suggerirà priorità fragili. Un agente operativo può automatizzare passaggi complessi, ma se il workflow reale dell'azienda non coincide con quello disegnato nei sistemi, automatizzerà una rappresentazione sbagliata del lavoro. In tutti questi casi il limite non è il modello. È l'organizzazione che non è stata resa leggibile.

Il vero vantaggio è quello che resta quando cambi modello

La parte più interessante della riflessione di Krishna è questa: se un'azienda può passare da un modello all'altro senza perdere capacità operativa, allora il valore non era nel modello. Era nel modo in cui aveva costruito il proprio layer di integrazione, nei dati che aveva reso affidabili, nei processi che aveva ripensato, nella governance che aveva definito e nella conoscenza organizzativa che era riuscita a codificare. Questa è una distinzione cruciale per chi deve decidere dove investire. Se tutto il valore di un progetto AI dipende dal modello scelto, quel valore è fragile. Dipende da un fornitore, da un rilascio, da una variazione di prezzo, da una performance che domani potrebbe essere superata. Se invece il valore dipende da come l'azienda ha reso accessibile, governabile e utilizzabile la propria conoscenza interna, allora il modello diventa una componente importante ma sostituibile di un sistema più ampio. È probabilmente qui che si giocherà la parte più seria dell'adozione AI nei prossimi anni. Non nella scelta del modello più potente, ma nella capacità di costruire organizzazioni che possano usare modelli diversi senza perdere coerenza, controllo e continuità operativa.

La domanda che conta davvero

La domanda da fare non è solo quale modello usare ma cosa succederebbe se domani quel modello venisse sostituito. Se tutto si blocca, l'azienda non ha costruito una strategia AI, ha costruito una dipendenza. Se invece il sistema continua a funzionare, significa che il valore è stato messo nel posto giusto ovvero nei dati, nei processi, nella governance e nella conoscenza organizzativa. È questa la parte scomoda dell'osservazione di Krishna che evidenzia come i modelli possono diventare intercambiabili mentre la conoscenza profonda di come funziona davvero un'azienda no. Quando l'intelligenza diventa affittabile, il vantaggio competitivo si sposta su ciò che l'azienda possiede davvero.