Stiamo costruendo tre Company Brain in questo momento: per una grande pubblica amministrazione, per un’azienda manifatturiera da oltre 160 milioni di euro di fatturato e per uno studio legale globale da circa 2.500 professionisti, con sedi in Italia e all’estero. Il 13 ottobre McKinsey ha pubblicato su QuantumBlack, la sua divisione AI, un articolo che descrive la stessa cosa e la chiama AI operating system: The AI operating system: A new way for CEOs to run the enterprise. La prima riga dice che può diventare il secondo cervello dell’azienda.
Per noi è una conferma. Le regole che McKinsey mette in fila (il contesto resta all’azienda, i modelli si cambiano, i dati restano dove sono, si parte da un problema e si allarga) sono quelle con cui costruiamo il Company Brain da mesi.
Pubblica amministrazione
Una grande PA
Il sapere degli uffici in un posto solo, interrogabile da chi ci lavora ogni giorno con i permessi del proprio ufficio.
In costruzione
Manifattura
Un'azienda dell'abbigliamento
Circa 200 dipendenti e oltre 160 milioni di euro di fatturato. Il brain si collega ai sistemi che l'azienda usa già e risponde su clienti, ordini e prodotti.
In costruzione
Legale
Uno studio legale globale
Circa 2.500 professionisti in oltre 60 giurisdizioni, con 12 sedi in Italia e 5 all'estero. Il brain mette in comune quello che oggi una sede sa e le altre no.
In costruzione
Qui sotto ci sono prima i punti di McKinsey, per come li scrivono loro. La nostra lettura viene dopo, in una sezione a parte.
Il problema: l’AI è ovunque, il margine no
L’articolo parte dal sondaggio State of AI 2026 della stessa McKinsey. Fra le aziende sopra il miliardo di dollari di fatturato il 40% dichiara di aver portato in scala gli agenti AI. Solo il 6% attribuisce all’AI almeno il 5% del margine operativo, più o meno la stessa quota dell’anno prima.
ha portato in scala gli agenti AI in almeno una funzione
attribuisce all'AI almeno il 5% del margine operativo (EBIT)
Per gli autori il collo di bottiglia ormai è un altro. Far usare l’AI alle persone è un problema risolto. Resta da cambiare il modo in cui l’azienda funziona.
Una settimana con un AI operating system
Per far capire di cosa parlano, gli autori aprono con uno scenario. Un assicuratore globale, una regola nuova sui margini e tre giorni dalla domanda alla soluzione.
Martedì, 8:00
La domanda
La CEO chiede quanto è esposta l'azienda a un tetto sui margini annunciato dai regolatori. In pochi minuti il sistema trova circa 140 prodotti in sette paesi, un terzo a rischio. Segnala anche da solo un problema che non sa risolvere: ogni regolatore definisce il margine a modo suo.
Martedì, 9:15
La verifica
Il responsabile della Germania rilancia il modello sui dati vivi e contesta un’ipotesi di costo che il regolatore difficilmente accetterebbe. I prodotti fuori soglia diventano nove. Alle 16 le analisi dei sette paesi sono nella vista della CEO, con le ipotesi dietro ogni numero.
Mercoledì, 8:00
La decisione
Prima della riunione il sistema ha già calcolato le opzioni per ogni prodotto: riprezzarlo, ridisegnare la copertura, cambiare le provvigioni o ritirarlo. I vertici provano gli scenari dal vivo e decidono. Le decisioni restano nel sistema come guardrail.
Giovedì, 8:00
L'esecuzione
Gli agenti propongono prodotti e prezzi nuovi dentro i guardrail. Attuari, compliance e responsabili di linea li rivedono e decidono. Regole, definizioni e modelli restano nel secondo cervello: la prossima regolamentazione andrà più veloce.
Secondo McKinsey non è una visione del futuro: le aziende lo stanno costruendo adesso. Il loro vantaggio più grande e meno usato sono decenni di dati proprietari, esperienza operativa e competenza nel proprio settore.
Cos’è un AI operating system
La definizione dell’articolo è questa: un livello che lavora in continuo, tiene il contesto dell’azienda (la conoscenza che dà significato ai dati), ragiona fra le funzioni, raccomanda o esegue decisioni e impara dai risultati. Ognuno, dalla CEO al front line, vede le informazioni sulle proprie responsabilità, fa domande, decide e delega. L’informazione si muove verso l’alto, verso il basso e di lato. Ogni area nuova che entra nel sistema riusa quello che c’è già.
Chi costruisce questi sistemi lo chiama spesso agentic operating system. In Italia si sente anche Company Brain. Com’è fatto e quando serve a una media impresa lo spieghiamo nella guida su cos’è un AI operating system.
Gli autori ci tengono a separarlo da una dashboard per il vertice. La dashboard racconta cosa è successo. L’AI operating system è collegato ai sistemi vivi, mostra cosa sta succedendo e cosa potrebbe succedere e funziona come una cabina di pilotaggio da cui si decide e si agisce.
Gli strati
Nel riquadro sugli elementi del sistema McKinsey divide quello che l’azienda ha già da quello che va costruito sopra. Sotto restano infrastruttura, dati e modelli. Sopra ci sono quattro strati. Quello che regge gli altri è il semantic layer.
Experience layer
Porta risposte, decisioni e azioni nei sistemi dove le persone lavorano già o in una chat.
Agenti
Costruiti per essere riusati, con il modello più adatto scelto per ogni problema.
Analytics e modelli
Modelli deterministici di machine learning, che gli agenti chiamano come strumenti.
Semantic layer
Entità, relazioni, definizioni, policy e regole dell'azienda rese esplicite con ontologie e knowledge graph. Serve ad allargare il contesto degli agenti, che così lavorano come dipendenti esperti.
Quello che l'azienda ha già
Infrastruttura
Per partire va bene il SaaS, l'obiettivo è il cloud dell'azienda o l'on-premise.
Dati
Restano nei sistemi dove sono, anche quelli vecchi.
Modelli
Da più fornitori, open-weight compresi. Senza addestrarli sui propri dati.
Sui modelli c’è un’avvertenza che vale la pena riportare intera: i modelli non devono potersi addestrare sui dati dell’azienda, altrimenti l’azienda rischia di regalare piano piano il proprio cervello e la propria conoscenza a chi fa i modelli.
Cosa cambia, riga per riga
L’articolo mette in tabella il prima e il dopo. Sono sette righe e la differenza più grande sta nell’ultima: con un sistema condiviso ogni soluzione nuova parte da quello che hanno costruito le precedenti.
Le analisi spiegano il passato
Il sistema anticipa i risultati e propone le azioni
Riunioni periodiche sui dati del mese
Risultati, rischi e opportunità sotto controllo in continuo
Decisioni eseguite lungo la linea gerarchica
Persone e agenti eseguono insieme, dentro guardrail
Si impara alle revisioni
Si impara da ogni decisione e da ogni risultato
Si tracciano le attività
Si traccia il valore generato
Ogni funzione decide per sé
Una sola intelligenza, dal vertice al front line
Ogni soluzione AI parte da zero
Contesto, modelli e agenti si riusano: ogni soluzione costa meno della precedente
L’esempio che fanno è un retailer statunitense con oltre 7.000 negozi. I district manager avevano già dati e dashboard in abbondanza. Il sistema li ha riuniti in una vista sola per ogni manager, che spiega le cause probabili dei cali, propone le azioni e dice quali negozi visitare per primi.
Le sei regole per costruirlo
Prima delle regole McKinsey indica due trappole. La prima è credere che l’AI sia così potente da rendere la trasformazione quasi gratuita. La seconda è pensare che servano anni di lavoro sulle fondamenta tecnologiche prima di vedere un risultato. Si evitano tutte e due partendo da pochi problemi di alto valore e costruendo la tecnologia strada facendo, con il vertice dentro il progetto.
1. Proteggere il vantaggio
Ogni scelta passa da una regola sola: il contesto si possiede, la tecnologia si affitta o si sostituisce. La conoscenza dell’azienda deve potersi spostare da una tecnologia all’altra. La tentazione di affidarsi a un fornitore per partire prima è forte. Se il prezzo è perdere il controllo sui propri asset o restare chiusi in un ambiente solo, scrivono, il rischio supera in fretta il beneficio.
Il modello: si affitta, si cambia
Claude
Il contesto: si possiede
La storia della tua azienda
- i clienti
- i listini
- le eccezioni
- le decisioni prese
- le regole interne
- chi sa cosa
2. Da uno a tre sistemi in tutto
Il senso di un AI operating system è avere una vista integrata dell’azienda. Se ogni funzione si costruisce il suo oppure ogni caso d’uso ha la sua tecnologia, quella vista sparisce. Le funzioni hanno maturità diverse e vanno a velocità diverse, quindi McKinsey ammette fino a tre sistemi.
3. Ridisegnare i processi da capo a fondo
La prima ondata di AI generativa ha migliorato attività che esistevano già. Il valore sul conto economico arriva quando si ridisegnano i flussi di lavoro interi, soprattutto quelli che attraversano più funzioni. Un manifatturiero ha automatizzato previsione della domanda e pianificazione della produzione su domanda, magazzino e stato delle macchine, più instradamento, pianificazione e prezzi: un’opportunità che McKinsey stima fra 140 e 180 milioni di dollari l’anno.
4. Costruire perché il vantaggio cresca
Ogni decisione e ogni risultato che il sistema registra rendono più precise le raccomandazioni successive. Chi parte adesso costruisce un distacco che un ritardatario non chiude facilmente, anche se prende in affitto gli stessi modelli. Per riusare contesto, agenti e collegamenti bisogna progettare per il riuso fin dal primo giorno.
Il punto più pratico dell’articolo sta qui: non serve un grande lavoro sui dati all’inizio. I dati si lasciano dove sono, le relazioni si costruiscono sopra man mano che si risolvono i problemi e i dati si migliorano alla fonte quando conviene.
- Gestionale
- Documenti
- CRM
- Chat
Il secondo cervello
I dati restano dove sono, le relazioni si costruiscono sopra.
5. Mettere l’economia dell’AI dentro il sistema
Il costo unitario dei token è sceso di oltre il 95%, mentre la spesa in AI di molte aziende è più che triplicata. Scelta del modello, struttura dei compiti, quanto ragionamento si consuma e quanto aiuto umano serve: tutto pesa sui costi. Il modello più economico non abbassa la spesa se sbaglia e gli errori costano.
Costo unitario dei token
−0%
Spesa in AI di molte aziende
oltre ×1
6. Partire dalla tecnologia già pagata
La maggior parte delle aziende ha già dati e piattaforme sufficienti per cominciare. L’approccio che suggeriscono è costruire abbastanza secondo cervello da risolvere i primi problemi di valore, progettandolo perché si allarghi senza fatica.
Come cambia il mestiere del manager
La seconda metà dell’articolo parla di management, perché un sistema così toglie i vincoli su cui è costruita l’organizzazione di oggi. Gli spostamenti sono quattro, ognuno con le domande che il CEO dovrebbe farsi.
Per intervento, invece che per calendario. Revisioni trimestrali e riunioni mensili esistono anche perché raccogliere e analizzare le informazioni richiedeva tempo. Con l’informazione sempre disponibile si tolgono le riunioni fisse e si definiscono i pochi segnali, soglie ed eccezioni che chiamano in causa il vertice. Si decide anche quali decisioni affidare agli agenti.
In continuo, invece che a tappe. Il piano diventa sempre aperto e i tempi di analisi e decisione crollano. Il limite si sposta sulle strozzature operative, come l’ultimo miglio o la produzione. Servono incentivi e controlli perché le decisioni passino dal sistema e non da sistemi ombra.
Per giudizio, invece che per flusso di informazioni. Quando gli agenti si prendono il lavoro esecutivo, il valore delle persone sta nell’inquadrare le domande difficili, interpretare l’ambiguità, sfidare le ipotesi e fare coaching.
Per connessione diretta, invece che per livelli. Un responsabile può vedere un problema e parlare direttamente con chi sta tre livelli sotto. Molti livelli diventano inutili e un manager può seguire molte più persone: da 10-12 a 20-40, secondo gli autori.
Persone per manager
10-12
Oggi, in una struttura a livelli.
La domanda che McKinsey lascia aperta è come tenere cultura e fiducia in un’organizzazione con meno livelli, senza che le approvazioni tornino a moltiplicarsi.
Due aziende che l’hanno costruito
Un OEM globale è partito da tre principi: conoscenza portabile, con formati aperti per architettura e ontologie; ripensare l’azienda intorno all’AI invece di aggiungerla; riuso e affidabilità alta, con modelli deterministici dove serve. L’esempio è la distinta base. Se un prodotto richiede una vite in acciaio inox, l’ufficio acquisti di solito cerca la stessa vite a un prezzo migliore. Gli agenti invece capiscono perché serve quella vite (resistenza al calore e alla corrosione, robustezza, peso) e propongono al progettista materiali e fornitori alternativi. Le persone valutano le opzioni e decidono.
Un manifatturiero statunitense voleva possedere dati, modelli, regole e conoscenza, senza una scatola nera dentro la piattaforma di un fornitore. Ha cominciato da prezzi e pianificazione, ha usato l’AI per costruire l’ontologia invece di scriverla a mano, ha collegato circa cento fonti interne ed esterne. La prima fase era operativa in circa 16 settimane.
I numeri che McKinsey dichiara
Sulle prime installazioni l’articolo riporta questi risultati, presentati come esperienza di McKinsey: cicli di pianificazione fino a 10 volte più veloci, il primo valore su una prima area in circa 12 settimane, il 50% di tempo in meno per rientrare dell’investimento nelle aree successive e fino al 90% in meno sui tempi dei flussi di lavoro.
fino a
0×
cicli di pianificazione più veloci
circa
0settimane
per il primo valore su una prima area
meno
0%
di tempo per rientrare dell'investimento nelle aree successive
fino a meno
0%
sui tempi dei flussi di lavoro
Vanno letti per quello che sono: il risultato che dichiara chi questi sistemi li vende, su gruppi molto più grandi di una media impresa.
Le prime mosse per il CEO
- 01
Scegliere le aree
Le tre-cinque aree in cui l'AI sposta davvero crescita, margini o posizione competitiva.
- 02
Fissare le regole
Quanti sistemi, chi governa il significato dei dati, quali standard perché agenti e conoscenza restino riusabili.
- 03
Finanziare il sistema condiviso
I fondi si legano agli asset riusabili che ogni area costruisce.
- 04
Ridisegnare le decisioni
Quali decide l'AI, quali richiedono il giudizio umano e quando un tema sale al vertice.
La nostra lettura
Da qui in poi è quello che pensiamo noi. L’articolo non lo dice.
È il Company Brain, con un altro nome
Secondo cervello dell’azienda. Il contesto che resta all’azienda. I modelli intercambiabili e mai addestrati sui dati. Il sistema installato sul cloud dell’azienda. I dati lasciati dove sono. Si parte da un problema e si allarga. Sono gli stessi argomenti con cui da mesi spieghiamo il Company Brain ai nostri clienti. Oggi li scrive anche McKinsey.
In pratica è un sistema collegato a posta, file condivisi, gestionale e CRM, che risponde in italiano a domande che attraversano quelle fonti, con i permessi di chi chiede. La differenza con un assistente che legge i PDF si sente sulle domande che oggi hanno una risposta solo nella testa di chi c’era. Qui sotto un esempio, con dati inventati, del tipo di domanda che fa un responsabile.
McKinsey scrive per chi fattura miliardi
L’articolo parla a gruppi con decine di paesi, interventi di quattro mesi e squadre di consulenti che ridisegnano diritti decisionali e livelli di management. Le medie imprese italiane con cui lavoriamo hanno lo stesso problema in piccolo: la conoscenza sta in quattro teste, in mail di due anni fa e in un gestionale che nessuno interroga.
L'AI operating system nell'articolo
- Aziende sopra il miliardo di dollari
- Parte dal CEO e ridisegna l'organizzazione
- Primo valore in circa 12 settimane
- Squadre di consulenti accanto al vertice
Il Company Brain che costruiamo noi
- Medie imprese italiane
- Parte da chi ha in mano l'operatività
- Sprint di due-tre settimane, ci si può fermare alla fine di ognuno
- Formazione alle persone che lo useranno
Per questo entriamo da chi tiene in mano l’operatività e portiamo la formazione AI aziendale alle persone che il brain lo useranno ogni giorno: finora ne abbiamo formate oltre 850. Un secondo cervello che nessuno interroga resta un costo.
La quarta regola che aggiungiamo: il brain sta in casa dell’azienda
Delle regole di McKinsey ne applichiamo tre ogni giorno: il contesto si possiede, i dati restano dove sono, il vantaggio si accumula. Ne aggiungiamo una. Il Company Brain si installa sul cloud dell’azienda, in Europa, su AWS, Azure o Google Cloud. I modelli girano lì dentro, sotto il contratto che l’azienda ha già. Il contenuto del brain è dell’azienda ed è esportabile in formati aperti. Il software lo costruiamo e lo manteniamo noi in licenza d’uso: resta installato e operativo sull’infrastruttura del cliente. È il loro «own the context; rent the technology» scritto in un contratto da media impresa.
È così che stiamo costruendo i tre brain di cui parlavamo all’inizio, per la pubblica amministrazione, per l’azienda manifatturiera e per lo studio legale globale. Uno già in uso è raccontato nel caso studio di Better Bookings.
Il vero vantaggio è la storia dell’azienda
I modelli AI li può avere chiunque, anche il tuo concorrente. Dopo qualche mese di uso il valore del brain sta tutto in quello che sa: i clienti, le eccezioni, le decisioni prese in trent’anni di lavoro. Quella storia ce l’ha solo la tua azienda. Conta da quando sta scritta in un posto che l’AI sa leggere.
Se vuoi capire meglio come funziona, abbiamo scritto una guida su cos’è un Company Brain e quando serve davvero.