Software che si adatta alle persone e non viceversa: il ruolo dell’AI generativa

Quando un’azienda introduce un nuovo software o ne sostituisce uno esistente, la discussione si concentra quasi sempre sulle funzionalità. È un passaggio necessario, ma, specialmente in settori maturi, spesso poco discriminante: il prodotto, in genere, fa ciò che promette.

Le difficoltà arrivano dopo, e riguardano meno la tecnologia in sé e più il rapporto quotidiano tra le persone e lo strumento di lavoro. L’interfaccia risulta familiare o costringe a ripartire da zero? Si adatta alle procedure esistenti o chiede agli utenti di adattarsi? Quanta resistenza genera nei primi mesi di utilizzo?

Sono domande che pesano sull’esito di un progetto. Per anni la risposta dell’industria è stata una sola: software verticali, costruiti per un settore specifico ed eventualmente personalizzabili. Un approccio con i suoi meriti, ma anche un limite intrinseco: più ci si specializza, meno spazio resta per chi non rientra esattamente nel profilo standard.

In questo scenario, l’intelligenza artificiale generativa ha aperto una possibilità nuova. Costruire un’interfaccia, una vista o una piccola applicazione descrivendola in linguaggio naturale è oggi alla portata di molti, e per diverse categorie di utenti è già parte del lavoro quotidiano.

Il punto di attenzione è ciò che accade dopo. Far generare piccole applicazioni a un’AI funziona bene sul singolo caso, ma può diventare problematico per l’azienda nel suo insieme. Dopo qualche mese di utilizzo non governato, si rischia di ritrovarsi con decine di strumenti che fanno cose simili in modi diversi, informazioni che vivono in archivi paralleli, regole d’accesso gestite in modo disomogeneo e soluzioni costruite in fretta, con fragilità poco visibili.

Sono effetti collaterali che vanno nella direzione opposta agli obiettivi di un’azienda strutturata, dove l’esigenza non è solo creare, ma anche tenere insieme.

Il punto, quindi, non è limitare l’uso dell’AI generativa, ma governarlo. Serve costruire un quadro tecnologico e, prima ancora, organizzativo che permetta di sfruttarne i benefici senza introdurre nuova complessità o creare soluzioni difficili da mantenere nel tempo.

Per questo diventano fondamentali framework chiari: regole, processi e strumenti condivisi che definiscano cosa può essere creato, con quali dati, secondo quali standard di sicurezza e con quali responsabilità. Senza questo livello di governo, il rischio è che l’AI generativa diventi una nuova versione di Excel: uno strumento estremamente potente, capace di risolvere problemi concreti e immediati, ma anche di favorire la proliferazione di soluzioni isolate, fogli paralleli, logiche non documentate e informazioni frammentate.

Il tema riguarda anche sicurezza, privacy e sostenibilità nel lungo periodo. Da un lato c’è il problema del codice prodotto dall’AI: chi lo verifica, chi lo mantiene, chi ne garantisce qualità e affidabilità. Dall’altro c’è il tema dei dati condivisi con i modelli linguistici: quali informazioni vengono inserite, dove vengono trattate, con quali garanzie e con quali rischi per l’azienda.

L’adozione dell’AI generativa, quindi, non può essere lasciata solo all’iniziativa dei singoli utenti o dei singoli team. Deve essere accompagnata da un modello di governance che consenta sperimentazione e velocità, ma dentro un perimetro chiaro. Solo così il software può davvero adattarsi alle persone senza trasformarsi, nel tempo, in un nuovo fattore di disordine organizzativo.

Cambia drasticamente anche lo scenario delle competenze necessarie. Il professionista chiave non è più soltanto chi conosce un linguaggio di programmazione o uno specifico prodotto software, ma chi è in grado di tenere insieme architettura dei sistemi informativi, basi dati, processi aziendali e bisogni reali delle persone.

In questo nuovo contesto diventa centrale la capacità di comprendere l’organizzazione nel suo insieme: come circolano le informazioni, quali regole governano i processi, dove si generano inefficienze e quali attività richiedono strumenti più adatti al lavoro quotidiano.

Il valore non sta solo nel chiedere a un modello di generare un’interfaccia o una piccola applicazione, ma nel saper descrivere con precisione il contesto tecnologico e organizzativo in cui quella soluzione dovrà inserirsi. Solo così gli LLM possono produrre strumenti coerenti, sicuri e realmente utili, evitando soluzioni isolate o difficili da mantenere.

Non si tratta di un cambiamento banale. L’introduzione dell’AI generativa nello sviluppo di interfacce, viste e applicazioni modifica anche il modello organizzativo e la distribuzione dei tempi all’interno dei progetti.

Le fasi di sviluppo si accorciano, così come i tempi di prototipazione. Diventa possibile passare più rapidamente da un’esigenza espressa dagli utenti a una prima soluzione funzionante, da verificare, correggere e migliorare. Questo cambia il modo in cui le aziende progettano il software: non più solo lunghi cicli di analisi, sviluppo e rilascio, ma processi più iterativi, nei quali il confronto con chi userà davvero lo strumento diventa più frequente e più rilevante.

Cambiano anche i ruoli. Il cliente interno o esterno viene coinvolto maggiormente, perché può contribuire in modo più diretto alla definizione delle soluzioni. Allo stesso tempo, le figure tecniche si spostano progressivamente da un ruolo puramente esecutivo a un ruolo di governo, validazione e integrazione. Il loro compito non è solo produrre codice, ma garantire che ciò che viene generato sia coerente con l’architettura, con i dati, con i processi e con gli standard di sicurezza dell’organizzazione.

Un altro effetto importante riguarda i costi. Se i tempi di sviluppo e prototipazione si riducono, diventano sostenibili anche soluzioni che in passato sarebbero rimaste fuori budget. Piccole applicazioni di supporto, interfacce dedicate a specifici ruoli, strumenti costruiti intorno a esigenze operative molto precise possono rientrare nel perimetro economico del progetto.

È una rivoluzione, ma anche una sfida significativa. La facilità di creazione deve essere accompagnata da una capacità di consolidamento: le applicazioni sviluppate per esigenze verticali devono poter essere integrate, mantenute, aggiornate e, quando necessario, razionalizzate. Serve quindi un nuovo ciclo di vita del software, capace di gestire non solo lo sviluppo iniziale, ma anche la governance, la manutenzione e l’evoluzione nel tempo.

Il punto non è semplicemente produrre software più velocemente. È costruire un modello in cui velocità, controllo e sostenibilità possano convivere.

È da queste considerazioni che nasce Antares Vela: un framework pensato per rendere governabile l’uso dell’AI generativa nello sviluppo di interfacce, viste e applicazioni verticali.

L’AI generativa consente di creare soluzioni in modo più veloce e flessibile, ma serve una struttura di fondo che garantisca equilibrio, sicurezza e continuità nel tempo.

Antares Vela svolge proprio questa funzione. Permette di sfruttare la velocità e la capacità adattiva dell’AI generativa senza rinunciare alla solidità dell’architettura, al controllo dei dati, alla coerenza dei processi e alla sostenibilità delle soluzioni prodotte.

Questo è possibile anche perché Antares era già stato sviluppato con una logica multi-tier, separando in modo chiaro interfaccia, logiche applicative, gestione dei dati e regole di integrazione. Questa impostazione rende naturale introdurre un nuovo livello di generazione e personalizzazione, senza compromettere la stabilità complessiva del sistema.

Il risultato non è un insieme di strumenti creati caso per caso, difficili da controllare e da mantenere, ma un ambiente in cui la generazione di nuove applicazioni avviene dentro un perimetro definito. Gli utenti possono ottenere strumenti più vicini al loro modo di lavorare, mentre l’azienda mantiene governance, sicurezza e capacità di evoluzione.

In questo senso, Antares Vela rappresenta una risposta concreta alla sfida posta dall’AI generativa: fare in modo che il software possa davvero adattarsi alle persone, senza trasformare questa flessibilità in nuova complessità organizzativa.