Il 95% delle organizzazioni non vede ROI dalla GenAI (MIT NANDA, 2025). E la parte interessante è il perché: i modelli sono più che sufficienti. Il collo di bottiglia si è spostato su due cose profondamente umane. La comunicazione con chi conosce il dominio, e la capacità di riprogettare un processo.
Il vincolo di ieri (la qualità del modello) oggi è un non-problema. I fallimenti che vedo in produzione sono fallimenti di design, non di capacità. Questo cambia dove vive il vantaggio competitivo: nel workflow, nell'expertise e nell'infrastruttura che costruisci intorno al modello. Mai nella scelta del modello.
Lo stack giusto è al contrario
Persone → Workflow → Agenti → Infrastruttura. Le persone (competenza di dominio + giudizio) stanno in cima. Il modello è un componente dentro il layer Agenti, non la fondazione. Progetta agent-first, non model-first.
I principi che uso davvero
- Model ≠ Problem. Se l'agente fallisce, il difetto è nel design.
- Il tesoro è quello che gli esperti non articolano: le pratiche sub-ottimali che hanno normalizzato. La domanda diagnostica è una sola: cosa ti cambierebbe la vita che abbiamo dato per impossibile?
- Ogni dato che porti dentro e modelli bene è un mattone che resta tuo.
- Riprogetta il processo da zero con il vincolo: una persona + questi strumenti AI. Automatizzare l'organigramma umano è la ricetta per fallire con stile.
- Qualità predicibile via eval e pass^k, non review a posteriori. Lo standard dell'esperto va dentro il sistema.
- L'harness è l'asset durevole. Tool, contratti, eval, observability: tuoi. Il modello: sostituibile.
- Parti da un deliverable ad alto valore. Giorni invece di settimane, e misura il guadagno di qualità, non solo la velocità.
- Moltiplicatore, non sconto sul margine. L'AI serve a sbloccare lavoro prima impossibile.
La versione lunga di questo metodo è l'articolo di punta su yempik.com. Questa è la versione che tengo in tasca quando parlo con un CEO. Funziona in entrambe le stanze.
// più sei tecnico, meno la tecnologia è il tuo lavoro.