Vito Dell'Elba

L’AI potrebbe non sostituire il manager. Potrebbe fare qualcosa di più sottile: convincerlo a continuare sulla stessa strada.

L’intelligenza artificiale sta entrando rapidamente nei processi decisionali delle imprese.

Secondo McKinsey, nel 2025 il 78% delle organizzazioni dichiarava di utilizzare l’AI in almeno una funzione aziendale. Nella stessa ricerca, il 23% dichiarava di stare già scalando sistemi di AI agentica in almeno una funzione, mentre un ulteriore 39% aveva iniziato a sperimentarli.

Il passaggio successivo è ancora più interessante. L’AI non viene più utilizzata soltanto per fornire informazioni. Gli agenti possono iniziare a:

• Analizzare → Pianificare → Decidere → Agire → Osservare il risultato → Imparare

E quindi nasce una domanda che fino a pochi anni fa sembrava quasi fantascientifica:

Cosa succede quando l’AI non si limita più ad aiutare la strategia, ma inizia a partecipare alla sua formulazione?

La ricerca pubblicata nel 2026 su Strategy Science offre una risposta sorprendente: l’AI può diventare estremamente efficace nell’ottimizzare una determinata traiettoria strategica, ma proprio questo successo può generare strategic lock-in, lasciando inesplorati modelli di business potenzialmente migliori.

È qui che nasce quello che chiameremo:

The Strategic Autopilot Trap

Il rischio non è che l’AI prenda sempre decisioni sbagliate. Il rischio è che prenda decisioni sempre migliori all’interno di una strategia che non viene più messa in discussione.

1. Dall’AI assistant allo Strategic Autopilot

Per molto tempo il rapporto tra manager e tecnologia è stato semplice:

Manager → Decisione → Software → Esecuzione

L’AI generativa ha cambiato il primo passaggio. Ora possiamo avere:

Manager → AI Analysis → Alternative → Decisione

Ma gli agenti AI spingono il processo ancora più avanti:

Obiettivo → AI analizza → AI pianifica → AI agisce → Risultato → AI apprende ↺

La differenza è enorme. Nel primo modello l’AI è uno strumento. Nel secondo diventa un componente del sistema decisionale.

McKinsey descrive proprio l’emergere di organizzazioni nelle quali esseri umani e agenti AI lavorano insieme per creare valore. E Gartner prevede che entro il 2026 fino al 40% delle applicazioni enterprise possa includere agenti AI specifici per determinati compiti, rispetto a meno del 5% nel 2025.

La rapida crescita degli AI agent

Previsione Gartner sulla quota di applicazioni enterprise con agenti AI task-specific.

• 2025: Meno del 5%
• 2026: Fino al 40%

(Nota: Il 5% rappresenta il limite superiore dell’indicazione “less than 5%” di Gartner, quindi va letto come rappresentazione semplificata, non come dato puntuale).

2. Il vero problema non è l’automazione

L’automazione tradizionale risponde a una domanda:

“Come possiamo fare meglio ciò che già facciamo?”

L’AI introduce una domanda più sofisticata:

“Quale decisione dovremmo prendere?”

Ma la strategia ne contiene una ancora più difficile:

“Stiamo cercando di migliorare la soluzione giusta?”

Questa distinzione è fondamentale:

Livello	Domanda
Automazione	Come facciamo più velocemente?
AI Optimization	Come miglioriamo ciò che facciamo?
AI Decision	Quale decisione conviene prendere?
Strategic Renewal	Dovremmo cambiare completamente ciò che stiamo facendo?

L’ultimo livello è quello più difficile da automatizzare, perché richiede di mettere in discussione il problema stesso.

3. Il paradosso dell’ottimizzazione

Immaginiamo un’azienda che vende un servizio in abbonamento. L’AI analizza:

• prezzi;
• conversion rate;
• churn;
• margini;
• advertising;
• comportamento dei clienti;
• concorrenti.

Trova una configurazione molto redditizia. L’azienda la implementa. I risultati migliorano. L’AI riceve nuovi dati. La strategia viene ulteriormente ottimizzata. I risultati migliorano ancora.

Il ciclo diventa:

Sembra il sistema perfetto. Ma manca qualcosa: l’esplorazione.

4. Optimization ≠ Strategy

Ottimizzare significa cercare una soluzione migliore all’interno di uno spazio di alternative. La strategia, invece, può richiedere di cambiare quello spazio.

Esempio:

L’AI potrebbe stabilire che il prezzo ottimale di un abbonamento è €29,90. Può testare €28,90, €29,90, €30,90, €31,90. Può trovare il prezzo che massimizza il margine.

Ma potrebbe non chiedersi:

“Perché stiamo vendendo un abbonamento?”

Forse il modello migliore sarebbe:

• Pay-per-use
• Freemium
• B2B licensing
• Marketplace
• Outcome-based pricing

Queste non sono semplicemente variazioni della strategia. Sono modelli diversi.

5. La ricerca del 2026: quando l’AI può rimanere intrappolata

Qui il tema diventa particolarmente interessante.

Neshenko e Ryall, in un articolo pubblicato online il 12 febbraio 2026 su Strategy Science, hanno modellato un sistema nel quale agenti AI scelgono tra diversi modelli di business, apprendono dai risultati e aggiornano le proprie decisioni.

Il risultato è controintuitivo. L’AI può arrivare a una situazione nella quale:

• le decisioni diventano sempre più accurate;
• le performance possono rimanere elevate;
• il sistema diventa sempre più calibrato sulla propria esperienza;
• ma nuove configurazioni di business vengono esplorate sempre meno.

Gli autori parlano di self-confirming equilibrium e strategic lock-in. In sostanza, il sistema può diventare molto bravo a ottimizzare la traiettoria che sta già seguendo, mentre alternative superiori rimangono inesplorate.

Questa è la parte davvero rivoluzionaria: il successo può diventare una trappola.

6. La Strategic Autopilot Trap

Possiamo rappresentarla così:

Più il sistema funziona, più tende a confermare il percorso. Il problema non è necessariamente l’errore. È la mancanza di esplorazione.

7. Il circolo vizioso del successo

Possiamo sintetizzarlo in una catena

Il ciclo è perfettamente razionale. Ma può produrre una conseguenza irrazionale: meno motivazione a cambiare direzione. Ed è qui che l’autopilota diventa strategico.

8. Il problema del “catalogo”

Immaginiamo che un’azienda abbia 100 possibili modelli di business. L’AI parte esplorandone 20. Ne trova uno molto efficace. Continua a ottimizzarlo.

Dopo un po’:

• Modello A: moltissimi esperimenti
• Modelli B–T: pochissimi esperimenti
• Modelli U–CV: quasi nessuno

L’azienda potrebbe quindi sapere tutto sul modello A e quasi nulla sugli altri. Il paradosso è:

Più conosciamo perfettamente una strada, meno informazioni abbiamo sulle strade che non abbiamo percorso.

È esattamente il tipo di problema che la ricerca recente sullo strategic lock-in mette in evidenza.

9. Qui entra l’uomo

La ricerca non suggerisce semplicemente che “l’uomo deve controllare l’AI.” La questione è più sofisticata.

Gli esseri umani possono introdurre nuove alternative strategiche che il sistema non avrebbe necessariamente esplorato. Lo studio di Neshenko e Ryall identifica proprio un ruolo specifico per l’intervento umano nel rompere l’equilibrio e favorire il rinnovamento strategico.

Quindi il ruolo del manager potrebbe cambiare. Non:

“Prendere tutte le decisioni”

Ma:

“Decidere quando è necessario cambiare il sistema attraverso cui le decisioni vengono prese.”

10. Optimization Engine vs Exploration Engine

Qui possiamo costruire il framework centrale dell’articolo:

Optimization Engine

• Migliora ciò che funziona.
• Analizza: performance, costi, prezzi, conversioni, processi, margini.
• Obiettivo: fare meglio.

Exploration Engine

• Cerca ciò che potrebbe funzionare meglio.
• Analizza: nuovi mercati, nuovi clienti, nuovi modelli, nuove tecnologie, nuove fonti di ricavo, scenari radicalmente diversi.
• Obiettivo: cambiare possibilità.

Il sistema completo diventa:

Questo è il modello che chiameremo: Dual-Engine Strategy.

11. Strategic Reset

Ma come si interrompe l’autopilota? Con quello che possiamo definire, a livello editoriale, Strategic Reset.

Uno Strategic Reset è un momento nel quale l’impresa sospende temporaneamente l’ottimizzazione della strategia corrente e obbliga il sistema a generare e valutare alternative radicalmente diverse.

La domanda fondamentale è:

“Se oggi partissimo da zero, costruiremmo ancora questo modello?”

• Se la risposta è sì, l’azienda può continuare a ottimizzare.
• Se la risposta è no, bisogna esplorare.

12. Non basta chiedere all’AI “trova una strategia migliore”

Perché c’è un problema. Se chiediamo:

“Migliora la nostra strategia.”

stiamo implicitamente dicendo all’AI che la strategia esistente è il punto di partenza. Quindi l’AI tende a lavorare dentro il frame esistente.

Una domanda più potente sarebbe:

“Quali assunzioni della nostra strategia potrebbero essere sbagliate?”

E ancora:

“Quali modelli di business completamente diversi potrebbero rendere irrilevante quello attuale?”

Questa è strategic exploration.

13. Il nuovo vantaggio competitivo: Frame Advantage

Da hier nasce un secondo concetto che possiamo utilizzare come framework editoriale: Frame Advantage.

Il Frame Advantage è il vantaggio che deriva dalla capacità di definire il problema strategico in modo diverso rispetto ai concorrenti.

• Non: “Come vendiamo più prodotto?”
  Ma: “Dobbiamo davvero vendere questo prodotto?”
• Non: “Come aumentiamo gli abbonamenti?”
  Ma: “L’abbonamento è ancora il modo migliore per catturare valore?”
• Non: “Come rendiamo migliore questo servizio?”
  Ma: “Il cliente ha ancora bisogno di questo servizio?”

Il vantaggio non è quindi soltanto decidere meglio. È porre domande migliori.

14. 🎾 Il tennis è il laboratorio perfetto

Il concetto diventa ancora più evidente nel tennis. Immaginiamo un giocatore con un ottimo diritto. Un sistema AI analizza migliaia di punti e scopre che:

Più utilizzo del diritto → Maggiore probabilità di vincere il punto

La raccomandazione è semplice: allenare ancora il diritto. Il giocatore migliora. L’AI raccoglie nuovi dati. Conferma il modello. Il giocatore migliora ancora.

Ma magari il problema è cambiato:

• gli avversari hanno iniziato ad anticipare il diritto;
• la superficie è diversa;
• il livello del circuito è cresciuto;
• gli avversari attaccano meglio.

Il giocatore continua però a ottimizzare la stessa strategia. Potrebbe quindi diventare un giocatore migliore senza diventare un giocatore più competitivo.

15. Il tennista in autopilota

Il ciclo diventa:

Ma manca:

“E se cambiassimo completamente il modo di giocare?”

Questa è la domanda dell’Exploration Engine.

16. Due allenatori, due funzioni

Possiamo immaginare due ruoli:

Optimization Coach

“Come rendiamo migliore il tuo gioco?”

• Lavora su parametri specifici (es. servizio $\rightarrow$ +5%).

Exploration Coach

“Quale outro gioco potresti essere in grado di giocare?”

• Opzioni: “E se cambiassimo completamente la posizione in risposta?”, “E se costruissimo il tuo gioco attorno alla variazione?”, “E se modificassimo il rapporto tra aggressività e difesa?”

Il primo migliora il giocatore. Il secondo amplia lo spazio delle possibilità.

17. Dal giocatore A al giocatore A+

L’AI è particolarmente efficace nel trasformare il Giocatore A in Giocatore A+10%.

Ma il vantaggio competitivo potrebbe nascere da:

Giocatore A → Nuovo stile → Nuovo giocatore

Questa trasformazione è molto più difficile, perché richiede:

• sperimentazione;
• fallimenti temporanei;
• nuove competenze;
• cambiamento delle abitudini;
• tolleranza dell’incertezza.

In altre parole: optimization migliora la traiettoria, exploration cambia la traiettoria.

18. Il paradosso dell’AI strategica

Più l’AI diventa potente, più questa distinzione diventa importante.

Se tutti possono utilizzare sistemi capaci di analizzare, prevedere, ottimizzare e correggere, l’ottimizzazione rischia di diventare meno differenziante. Il vero vantaggio potrebbe quindi spostarsi verso chi riesce a trovare una possibilità che gli altri non stanno ancora esplorando.

Non necessariamente l’azienda con l’AI migliore. Ma quella che utilizza l’AI per scoprire possibilità migliori.

19. Un nuovo ciclo strategico

La strategia tradizionale può essere rappresentata così:

Analisi → Decisione → Esecuzione → Risultato

L’era AI introduce:

Analisi AI → Decisione AI → Esecuzione AI → Feedback AI → ↺

Ma il modello che potrebbe diventare più importante è:

Optimization → Performance → Strategic Challenge → Exploration → Experiment → New Strategy → Optimization ↺

Questa è la vera Dual-Engine Strategy.

20. La domanda che ogni azienda dovrebbe fare all’AI

Non:

“Come possiamo migliorare questa strategia?”

Ma almeno una volta ogni ciclo strategico:

“Quale strategia completamente diversa potrebbe rendere questa strategia inutile?”

È una domanda molto più difficile. Ed è proprio per questo che potrebbe diventare una delle domande strategiche più importanti dell’era agentica.

21. Le 5 regole contro lo Strategic Autopilot

1. Automatizza l’ottimizzazione, non la curiosità: Lascia all’AI il miglioramento continuo. Mantieni però uno spazio dedicato alla ricerca di alternative.
2. Misura anche ciò che non hai scelto: Non analizzare soltanto le strategie utilizzate. Chiediti quali alternative non sono state testate.
3. Introduci periodicamente nuovi frame: Se il catalogo delle possibilità rimane invariato, anche un sistema intelligente può diventare conservativo.
4. Cerca prove che possano smentire la strategia: Non chiedere soltanto “Perché questa strategia funziona?”, ma chiedi: “Cosa dovrebbe accadere perché questa strategia fosse sbagliata?”
5. Mantieni umano il diritto di cambiare gioco: L’AI può aiutare a capire come migliorare il gioco. La domanda più importante rimane: dobbiamo continuare a giocare questo gioco?

22. Il futuro: l’AI non solo decide, simula

Il passo successivo potrebbe essere ancora più interessante. La ricerca emergente sui Business World Models esplora sistemi capaci di rappresentare lo stato di un’impresa, le sue dinamiche, i vincoli, gli obiettivi e le possibili azioni, permettendo di simulare conseguenze future prima di agire.

Questo porta l’AI da:

“Cosa dovremmo fare?”

verso:

“Cosa potrebbe succedere se facessimo A, B oppure C?”

La strategia potrebbe quindi diventare sempre più una forma di simulazione continua del futuro. Ma rimane una domanda: Chi decide quali futuri vale la pena simulare? Ed è qui che ritorna il problema del frame.

23. Il vero rischio non è l’errore

Questa è la conclusione più importante. Il rischio dell’AI strategica non è necessariamente:

AI → Decisione sbagliata

È qualcosa di più sottile:

AI → Decisioni sempre migliori → Stessa strategia → Sempre meno esplorazione → Strategic lock-in 🔒

L’azienda può quindi diventare più efficiente, più veloce, più redditizia, più precisa e contemporaneamente meno capace di cambiare direzione. Questo è il paradosso.

24. Strategic Autopilot vs Strategic Renewal

Possiamo quindi mettere a confronto i due modelli:

Strategic Autopilot	Strategic Renewal
Ottimizza il presente	Esplora il futuro
Impara dalla traiettoria	Mette in discussione la traiettoria
Riduce l’errore	Accetta esperimenti
Rafforza ciò che funziona	Cerca ciò che potrebbe funzionare meglio
Massimizza la performance attuale	Ridefinisce lo spazio delle possibilità
Riduce l’incertezza	Utilizza l’incertezza per esplorare

Il primo protegge il business. Il secondo permette al business di cambiare.

Conclusione

L’AI sta trasformando la strategia aziendale. Ma forse la rivoluzione non sarà semplicemente:

“L’AI prenderà le decisioni al posto dei manager.”

La questione più interessante è un’altra:

“L’AI potrebbe diventare così brava a ottimizzare le decisioni da rendere più difficile cambiare le domande?”

Questa è la Strategic Autopilot Trap.

E il problema non riguarda soltanto le aziende. Riguarda anche il tennis. Un giocatore può utilizzare dati, video e AI per migliorare ogni dettaglio del proprio gioco. Ma se tutti i dati confermano la stessa strategia, potrebbe diventare sempre più difficile capire quando è arrivato il momento di cambiarla.

Perché esiste una differenza fondamentale tra giocare meglio e imparare a giocare diversamente. Nel business è la differenza tra Optimization e Strategic Renewal. Nel tennis è la differenza tra diventare un giocatore migliore e diventare un giocatore diverso.

E forse il vero vantaggio competitivo dell’era AI non sarà possedere l’algoritmo più intelligente. Sarà avere il coraggio di chiedergli:

“Quale strategia stiamo evitando di considerare?”

Perché un pilota automatico può essere straordinariamente bravo a mantenere una traiettoria. Ma nessun pilota automatico può decidere da solo che la destinazione è sbagliata.

Dr. Vito Dell’Elba