Nel mio lavoro di consulente vedo sempre lo stesso pattern.
Un’azienda scopre ChatGPT. Un manager entusiasta compra 500 licenze. Qualcuno in IT installa un copilot. Dopo 6 mesi, l’adoption rate è sotto il 20%. I team tornano a fare tutto come prima. Il CEO si chiede: “Ma l’AI non doveva cambiarci?”
Il problema non è la tecnologia. Il problema è che non abbiamo un framework per capire cosa stiamo facendo.
Perché un “AI Foundation Layer”
Ogni volta che entro in un’organizzazione per parlare di AI, la conversazione parte sempre dallo stesso punto: “qual è il vostro use case?” — come se l’AI fosse un martello e ogni problema un chiodo.
Ma la domanda giusta è un’altra.
Stiamo risolvendo un problema di tool, o un problema di processo, ruolo, incentivi, dati, potere decisionale o cultura?
Da questa domanda nasce l’AI Foundation Layer — un framework di 10 presupposti fondativi (P01–P10) che coprono l’intero ciclo di vita di un intervento AI, organizzati in 5 zone + sintesi.
Non è l’ennesimo framework astratto. È il distillato di interventi reali in organizzazioni che stanno navigando la trasformazione AI. La differenza tra chi fallisce e chi ci riesce non è la qualità del modello linguistico. È la qualità del sistema organizzativo che costruisci intorno.
Le 5 Zone + Sintesi
| Zona | Presupposti | Focus |
|---|---|---|
| Z1 — Diagnosis | P01–P03 | Framing del problema, diagnosi sistemica, stakeholder map |
| Z2 — Design | P04–P06 | Decision architecture, portfolio use case, task inventory |
| Z3 — Adozione & Governance | P07–P09 | Rituali e community, RACI, knowledge architecture |
| Z4 — Outcome | P10 | Sistema di metriche a 4 dimensioni |
| Z5 — Synthesis | — | Priorità, owner, timeline e verticali di integrazione |
P01 · Framing del Problema
Distinguere un problema di tool da un problema di processo, ruolo, incentivi, dati, potere decisionale o cultura.
La maggior parte dei fallimenti AI non nasce da tecnologia insufficiente, ma da un problema mal posto. Se il problema reale è che i manager non hanno potere decisionale, nessun chatbot lo risolverà.
Ho costruito una matrice Dichiarato vs Reale × Visibile vs Nascosto per aiutare i team a smontare le richieste e trovare il vero problema prima di scegliere la soluzione.
P02 · Diagnosi Sistemica
Vedere le interdipendenze tra organizzazione, tecnologia, competenze, governance e pratiche quotidiane.
L’AI non si inserisce in un vuoto. Ogni intervento ha effetti su 5 domini interconnessi. Cambiare un processo senza toccare la governance, o introdurre tecnologia senza aggiornare le competenze, produce attrito sistemico che uccide l’adozione.
Il template di diagnosi sistemica nel framework aiuta a mappare queste connessioni prima di intervenire — non quando è già troppo tardi.
P03 · Legittimazione e Neutralità
Facilitare conversazioni difficili fra HR, IT, business, legal, operations e leadership senza essere catturati da una sola funzione.
Chi parla di AI in azienda? Spesso solo IT. O solo HR. O solo un innovation team isolato. Il framework forza un tavolo di stakeholder completo, con un presidio neutrale che non appartiene a nessuna funzione. Perché l’AI non è un tema tecnico — è un tema organizzativo.
P04 · Decision Architecture
Disegnare chi decide cosa nel ciclo di vita dell’AI.
Non un comitato. Un sistema di governance decisionale: chi decide, chi raccomanda, chi supervisiona — incluso quando l’AI stessa raccomanda o agisce.
La matrice Persona / AI / Team × Decide / Raccomanda / Supervisiona che trovi nel board rende espliciti i decision rights per ogni iniziativa. Senza, l’AI resta nella terra di nessuno.
P05 · Portfolio Use Case
Trasformare entusiasmo in ipotesi testabili, metriche e apprendimento.
Non progetti isolati, ma un portfolio di use case su una griglia Valore × Fattibilità. Ogni use case ha: ipotesi → metrica → criterio stop/go → owner → scadenza.
Il portfolio include anche un processo per ritirare use case che non funzionano. Perché nell’AI, sapere quando fermarsi è importante quanto sapere quando iniziare.
P06 · Redesign del Lavoro
Ripartire le attività tra persona, AI, team, manager e agenti.
Task Inventory a 5 colonne: Eliminare / Automatizzare / Aumentare (AI-assisted) / Mantenere umano / Sottoporre a controllo.
Per ogni attività: descrizione, attore attuale, attore futuro, impatto atteso. Non si tratta di ottimizzare un processo esistente — si tratta di ridisegnare la divisione del lavoro cognitivo in un’organizzazione ibrida uomo-macchina.
P07 · Rituali, Nudges & Community
L’adozione non è un evento, ma un sistema.
Demo day settimanali. Show & tell. Nudges nei flussi di lavoro quotidiani. Una comunità di pratica AI trasversale. I fallimenti celebrati come apprendimento. Sono tutte possibili leve che trasformano l’adozione da progetto a cultura.
Nel board trovi template per progettare il tuo sistema di adozione, non solo una checklist.
P08 · Ruoli & Responsabilità
Matrice RACI per ogni iniziativa AI.
Chi decide? Come viene eseguito? Qiali stakeholder vengono consultati? Chi è informato?
Senza questa chiarezza, l’AI resta di nessuno. E quello che è di nessuno non viene adottato, mantenuto o migliorato. Il framework include un template RACI precompilato per i ruoli AI tipici.
P09 · Knowledge Architecture
Un’architettura della conoscenza accessibile, manutenibile e scalabile.
Prompt, pattern, lezioni apprese, template — tutto in un archivio strutturato che non dipende da singole persone. La conoscenza AI deve essere un patrimonio organizzativo, non un segreto artigianale.
Il presupposto P09 include criteri per valutare quanto la tua knowledge architecture è pronta per scalare.
P10 · Sistema di Metriche
Misurare ciò che conta su 4 dimensioni.
| Dimensione | Esempi |
|---|---|
| Business | Revenue, cost saving, market share |
| Operative | Efficienza, qualità, tempo ciclo |
| Organizzative | Engagement, competenze, cultura |
| Adozione | Usage rate, satisfaction, autonomia |
Ogni iniziativa AI dovrebbe avere almeno un indicatore per dimensione, misurato prima e dopo. Senza metriche organizzative, stai volando cieco.
Perché ho reso pubblico il framework
Per anni ho usato questi presupposti nei workshop con i miei clienti. Sono stati testati, rotti, ricostruiti in aziende manifatturiere, servizi, retail, PA. Funzionano perché non prescrivono soluzioni: danno un linguaggio comune per diagnosticare prima di prescrivere.
Ho deciso di pubblicare il framework perché il problema che affronta è troppo grande per restare chiuso in una consulenza. Voglio che chiunque possa usare l’AI Foundation Layer in un workshop, in uno sprint di assessment, o come check-up autonomo.
AI Readiness Check-up
Insieme al board ho creato un AI Readiness Check-up: 40 domande su scala 1–5 per autovalutare la maturità organizzativa su ogni presupposto. Ti dà uno score per zona, un readiness score complessivo e un livello di maturità (da Iniziale a Ottimizzato).
Disponibile qui: 👉 Compila l’AI Readiness Check-up
Scarica il Framework gratuitamente su Miroverse
La board contiene:
- 6 zone navigabili da sinistra a destra
- Template interattivi per ogni presupposto
- Matrici decisionali, griglie portfolio, quadranti di metriche
- Istruzioni e linee guida per il facilitatore
- Spazi sticky per workshop dal vivo o remoti
Non mi occupo di implementare AI. Progetto le condizioni perché funzioni.
L’AI Foundation Layer non è l’ennesimo framework astratto. È il risultato di interventi reali in organizzazioni che stanno navigando la trasformazione AI. La differenza tra chi fallisce e chi ci riesce non è la qualità del modello linguistico.
È la qualità del sistema organizzativo che costruisci intorno.
👉 Scarica il framework AI Foundation Layer (template Miro)
