AI in azienda: come scegliere il modello giusto per ogni problema

Introduzione: dalla disponibilità alla selezione consapevole

La presenza di una gamma sempre più ampia di modelli AI ha trasformato il problema principale per le imprese. Non si tratta più di accedere alla tecnologia, ma di scegliere il modello più idoneo al problema da risolvere. La frase della pittrice Angela Grimoldi, “Stiamo ancora un po’ prima della domanda”, risuona oggi più che mai: prima di chiedersi quale modello sia migliore (GPT, Claude, Gemini o il prossimo in arrivo), occorre definire chiaramente il problema, i dati disponibili, i rischi e i costi di un eventuale errore.

Un nuovo passaggio nell’adozione dell’AI

All’inizio, l’ostacolo era l’accesso alla tecnologia; poi è venuta la competenza operativa per usarla. Ora, con più modelli disponibili nello stesso ambiente di lavoro, emerge una terza competenza fondamentale: saper abbinare modello, dati e vincoli al caso d’uso specifico. Non esiste un modello universalmente “migliore”; esistono vantaggi specifici che, in certe circostanze, giustificano una scelta diversa dallo standard aziendale.

Il valore della governance nella scelta del modello

Tradizionalmente l’innovazione è associata alla rimozione dei vincoli: più potenza, più autonomia, più accesso. Con l’AI enterprise, il fenomeno può essere invertito. Più modelli diventano disponibili, più diventa cruciale sapere quando non utilizzarli. Un modello può eccellere nell’analisi di grandi quantità di fonti, ma risultare inutile per attività banali come la stesura di una email. La libertà di scegliere senza criteri rischia di creare una frammentazione incontrollata, con ogni funzione che adotta lo strumento preferito e ogni benchmark che alimenta continui cambi di piattaforma.

Governance: oltre la semplice autorizzazione

La governance non può limitarsi a stabilire quali strumenti sono ammessi. Deve definire quando la differenza prodotta da uno strumento giustifica la complessità aggiuntiva necessaria per utilizzarlo. In pratica, la governance deve collegare in modo esplicito problema – modello – dati – condizioni d’uso, creando una relazione che può essere valutata, monitorata e, se necessario, revocata.

Il caso Sidel: un esempio concreto

Sidel ha reso disponibili i modelli Anthropic Claude all’interno di Microsoft 365 Copilot, ma l’accesso non è automatico. Gli utenti devono presentare una richiesta dettagliata che includa:

• Il caso d’uso specifico
• Le fonti dati coinvolte e il loro livello di confidenzialità
• Una motivazione chiara sul perché i modelli OpenAI GPT standard non soddisfino la necessità

L’autorizzazione è così limitata al singolo caso d’uso, non al modello in sé. Questo approccio consente di valutare concretamente la relazione tra problema e modello senza aprire una porta indiscriminata all’intera tecnologia.

Confronto interno tra Claude e GPT

Nel progetto storico di Sidel, il lavoro richiedeva l’analisi di grandi quantità di fonti pubbliche eterogenee, il confronto di ricostruzioni differenti, l’individuazione di contraddizioni e omissioni, e la tracciabilità delle evidenze. Prima dell’autorizzazione, è stato condotto un confronto interno tra i modelli disponibili. Al 27 agosto 2026, le conclusioni erano:

• Claude Opus 5 mostrava un vantaggio credibile in lavori di knowledge work complessi e di lungo respiro, dove la sintesi multi‑source, il ragionamento approfondito e la qualità del deliverable professionale erano critici.
• Non emergeva una superiorità generale di Claude rispetto a GPT‑5.6 su tutti i fronti.
• Claude Sonnet 5 risultava competitivo, ma i benchmark pubblici indicavano performance comparabili a GPT‑5.6, con vantaggi e svantaggi variabili a seconda del caso d’uso.

Questi risultati hanno permesso di definire una soglia di evidenza sufficiente a giustificare un’eccezione allo standard.

Definizione della soglia di evidenza

Una eccezione non si autorizza perché il modello è “migliore in assoluto”, ma perché, per quel problema specifico, esiste evidenza concreta di un vantaggio. Nel caso Sidel, l’autorizzazione è limitata a sei mesi, vale solo per informazioni pubbliche e materiali con diritto di trattamento, e non si estende a attività generiche come riscrittura, traduzioni o proofreading, dove i modelli standard rimangono la scelta predefinita.

Modalità di sperimentazione e raccolta evidenza

Durante la sperimentazione, le attività rappresentative prevedono un confronto diretto tra Claude Opus 5 e GPT‑5.6, valutando dimensioni tangibili quali:

• Completezza della risposta
• Capacità di individuare contraddizioni
• Qualità nell’uso delle evidenze
• Tracciabilità delle fonti
• Omissioni rilevate
• Quantità di intervento umano necessario per rendere il risultato utilizzabile

Questo approccio consente di trasformare l’eccezione in un’ipotesi sperimentale, raccogliere evidenza e decidere, al termine del periodo, se confermare, ampliare, modificare o chiudere l’eccezione.

Benefici di una governance “evidenza‑first”

Il modello proposto evita due estremi pericolosi:

• Una standardizzazione assoluta, che blocca l’adozione di alternative potenzialmente più vantaggiose.
• Un mercato permanente dell’AI, in cui ogni nuovo modello viene provato per moda o per un singolo benchmark senza valutare il valore reale per l’organizzazione.

Tra questi poli si colloca uno spazio più produttivo: uno standard forte con eccezioni deboli all’inizio, le quali devono produrre evidenza per diventare più robuste.

Il ruolo integrato della governance

In questo contesto la governance non è più una semplice barriera protettiva. Il processo di apprendimento coinvolge:

• Security e