Come l’AI genera possibilità e previsioni, mentre un processo decisionale strutturato le trasforma in scelte, azioni e risultati.

Autore: Salvatore Martino

---

Introduzione

Il rapporto tra intelligenza artificiale e decisioni sta entrando in una nuova fase.

L’intelligenza artificiale generativa può oggi produrre testi, analisi, ipotesi, scenari, codice e alternative con una velocità impensabile fino a pochi anni fa. I sistemi di AI possono inoltre elaborare grandi quantità di informazioni e, in determinati contesti, contribuire a formulare previsioni.

Ma generare possibilità non significa ancora decidere.

E prevedere ciò che potrebbe accadere non significa automaticamente sapere cosa sia opportuno fare.

Si apre così una questione che potrebbe diventare centrale nell’economia dell’AI:

Come trasformare una quantità crescente di possibilità, informazioni e previsioni in decisioni coerenti, responsabili e verificabili?

La domanda non riguarda soltanto la tecnologia.

Riguarda il processo che collega la tecnologia all’azione umana.

---

1. L’AI genera possibilità, ma non decide

L’intelligenza artificiale generativa ha ridotto drasticamente il costo della produzione di possibilità.

Di fronte a un problema, un sistema può proporre rapidamente:

• alternative;
• strategie;
• scenari;
• vantaggi e svantaggi;
• possibili rischi;
• conseguenze ipotetiche;
• modalità operative.

Questo rappresenta un enorme cambiamento.

Ma una lista di alternative non è una decisione.

Un’analisi non è un’azione.

Una previsione non è una garanzia.

Il passaggio fondamentale rimane quello che porta da:

molte possibilità

a:

una scelta.

Questa riduzione richiede criteri, priorità, vincoli, valutazioni e responsabilità.

Per questo l’aumento della capacità generativa dell’AI non elimina la necessità del processo decisionale.

Può addirittura renderla più importante.

---

2. Il problema nascosto: la qualità della domanda

Un sistema di AI può produrre una risposta sofisticata a una domanda formulata male.

Questa osservazione porta a una distinzione fondamentale:

qualità della risposta ≠ qualità della decisione.

Prima di chiedere quale sia la soluzione, occorre comprendere il problema.

Qual è lo stato attuale?

Qual è l’obiettivo?

Quali sono i vincoli?

Quali alternative sono realmente disponibili?

Quali criteri devono essere utilizzati per confrontarle?

Quali rischi comportano?

Chi dovrà assumersi la responsabilità della scelta?

Come sarà verificato il risultato?

Senza questa struttura, l’AI può diventare estremamente efficace nel rispondere a problemi che non sono stati realmente definiti.

Il rischio non è soltanto ottenere una risposta sbagliata.

È ottenere una risposta apparentemente corretta a una domanda sbagliata.

---

3. Dall’intelligenza artificiale all’intelligenza decisionale

Diventa quindi utile distinguere due livelli.

Intelligenza artificiale

Produce, elabora, organizza e trasforma informazioni.

Intelligenza decisionale

Organizza il processo attraverso il quale quelle informazioni diventano una scelta.

Le due dimensioni possono lavorare insieme, ma non sono equivalenti.

Un sistema di AI può generare cinque strategie.

Un processo decisionale deve stabilire:

• quali strategie sono ammissibili;
• quali rispettano i vincoli;
• quali sono coerenti con l’obiettivo;
• quali rischi comportano;
• quali conseguenze sono plausibili;
• quale alternativa risulta preferibile;
• quale azione deve seguire;
• come verificare l’esito.

Questo secondo livello può diventare particolarmente importante man mano che l’AI entra nei processi organizzativi.

---

4. Dalla previsione alla decisione

Qui emerge una distinzione ulteriore.

L’AI generativa risponde soprattutto alla domanda:

“Che cosa possiamo produrre o immaginare?”

L’AI predittiva cerca invece di rispondere a una domanda diversa:

“Che cosa potrebbe accadere?”

Ma rimane una terza domanda:

“Dato ciò che potrebbe accadere, che cosa dovremmo fare?”

È qui che entra il processo decisionale.

Possiamo rappresentare la relazione in questo modo:

AI generativa → genera possibilità

AI predittiva → stima conseguenze

processo decisionale → confronta possibilità e conseguenze

decisore → sceglie

Questa distinzione è importante perché evita di confondere la previsione con la decisione.

Un sistema può stimare che una determinata conseguenza abbia una probabilità maggiore di un’altra.

Non significa automaticamente che l’alternativa associata a quella previsione debba essere scelta.

La decisione dipende anche da obiettivi, vincoli, costi, rischi, priorità e responsabilità.

---

5. Il rischio non è soltanto nel modello

Il dibattito sull’AI risk management si concentra naturalmente anche sulla qualità e sull’affidabilità dei sistemi.

Il NIST AI Risk Management Framework, per esempio, è stato sviluppato per aiutare organizzazioni e individui a gestire i rischi dell’AI e favorire sistemi affidabili e responsabili. Il framework considera il ciclo di vita dei sistemi, dalla progettazione all’utilizzo e alla valutazione.

Ma esiste un ulteriore livello di rischio:

il rischio del processo decisionale che utilizza il modello.

Un modello può essere tecnicamente valido e la decisione può comunque essere sbagliata.

Un’organizzazione potrebbe:

• utilizzare il modello per il problema sbagliato;
• attribuire troppo peso a una previsione;
• ignorare un vincolo;
• confrontare male le alternative;
• confondere probabilità con opportunità;
• non verificare successivamente il risultato.

La domanda quindi non è soltanto:

«Il modello funziona?»

Ma anche:

«Il processo nel quale il modello viene utilizzato funziona?»

Questa seconda domanda amplia il problema dall’affidabilità della tecnologia alla qualità della decisione.

---

6. La decisione come infrastruttura

Un’infrastruttura normalmente rimane invisibile mentre la utilizziamo.

Non pensiamo continuamente alla rete elettrica quando accendiamo una lampada.

Non pensiamo ai protocolli quando inviamo un messaggio.

Non pensiamo alla rete stradale ogni volta che utilizziamo un’automobile.

L’infrastruttura serve a rendere possibile un’attività complessa attraverso una struttura sottostante.

Qualcosa di analogo potrebbe emergere nel campo delle decisioni.

Le organizzazioni potrebbero avere bisogno di una infrastruttura decisionale capace di collegare:

informazioni → alternative → criteri → rischio → scelta → azione → verifica.

In questo scenario l’AI rappresenterebbe uno dei motori del sistema.

Non necessariamente il sistema stesso.

---

7. Un’architettura possibile

Un processo decisionale strutturato può essere rappresentato attraverso una sequenza semplice:

STATO → OBIETTIVO → OPZIONI → VINCOLI → VALUTAZIONE → DECISIONE → AZIONE → VERIFICA

Questa sequenza non pretende di sostituire il decisore.

Serve a rendere esplicito il percorso attraverso il quale una decisione viene costruita.

L’AI può intervenire in diverse fasi.

Può aiutare a:

• analizzare lo stato;
• individuare informazioni mancanti;
• generare alternative;
• simulare scenari;
• stimare conseguenze;
• individuare rischi;
• confrontare opzioni;
• produrre elementi utili alla valutazione.

Ma una distinzione rimane essenziale:

generare una possibilità non significa autorizzare una decisione.

La responsabilità della scelta rimane legata al processo e al soggetto che decide.

---

8. Quando un metodo diventa un’infrastruttura

Un metodo può essere utile senza necessariamente avere un valore economico autonomo.

La situazione cambia quando diventa trasferibile, applicabile, misurabile e verificabile.

Un framework decisionale potrebbe essere utilizzato in contesti differenti se permette di:

• definire problemi diversi attraverso una struttura comune;
• confrontare alternative;
• documentare le motivazioni di una scelta;
• rendere espliciti i rischi;
• verificare gli esiti;
• apprendere dagli errori;
• migliorare progressivamente il processo.

A quel punto un metodo potrebbe evolvere lungo una possibile traiettoria:

metodo → metodologia → standard operativo → assessment → formazione → consulenza → licensing → piattaforma.

Non significa che ogni framework debba necessariamente percorrere tutte queste fasi.

Significa che la sua trasferibilità può trasformare una conoscenza individuale in una capacità organizzativa.

Ed è in questo passaggio che una questione concettuale può diventare anche economica.

---

9. Quando la generazione diventa abbondante

Se l’AI rende sempre più economica la produzione di possibilità, dove si sposta il valore?

Una possibile risposta è:

verso la capacità di selezionare e utilizzare correttamente ciò che viene generato.

Se molte persone possono ottenere rapidamente dieci strategie da un sistema generativo, il vantaggio competitivo non sarà necessariamente possedere quelle dieci strategie.

Potrebbe essere sapere:

• quale scartare;
• quale approfondire;
• quale rischio accettare;
• quale vincolo rispettare;
• quale scegliere;
• quando fermarsi;
• come verificare il risultato.

In altre parole:

quando la generazione diventa abbondante, la selezione diventa preziosa.

E quando la selezione diventa critica, anche il processo che la governa può acquisire valore.

---

10. PENSAI: un possibile modello di intelligenza decisionale

È in questo spazio concettuale che può essere collocato PENSAI.

PENSAI non nasce per competere con l’intelligenza artificiale nella generazione delle risposte.

Parte da una premessa diversa:

l’AI può generare possibilità; il processo decisionale deve governare il passaggio da quelle possibilità alla scelta.

Il paradigma può essere sintetizzato così:

PROBLEMA → STATO → OBIETTIVO → OPZIONI → VINCOLI → VALUTAZIONE → DECISIONE → AZIONE → VERIFICA

La funzione del framework non è sostituire il decisore.

È rendere il processo:

• esplicito;
• confrontabile;
• verificabile;
• riproducibile;
• criticabile;
• migliorabile.

In questa prospettiva PENSAI può essere considerato un possibile modello operativo di intelligenza decisionale assistita dall’AI.

La sua componente predittiva non consiste nel pretendere di conoscere il futuro.

Consiste nel valutare le conseguenze plausibili delle alternative e utilizzarle all’interno del processo di scelta.

---

11. Il passaggio dalla previsione alla scelta

La differenza può essere rappresentata attraverso un esempio astratto.

Supponiamo di avere tre alternative:

A — costo basso, rischio elevato

B — costo medio, rischio medio

C — costo elevato, rischio basso

Un sistema predittivo può contribuire a stimare la probabilità di determinati risultati.

Ma la previsione da sola non stabilisce quale alternativa scegliere.

Per farlo occorre conoscere:

• l’obiettivo;
• il budget;
• la tolleranza al rischio;
• il tempo disponibile;
• i vincoli;
• le conseguenze accettabili;
• le priorità.

La decisione nasce quindi dall’interazione tra previsione e criteri.

PENSAI si colloca proprio in questo passaggio.

Non:

«La previsione dice B, quindi scegli B.»

Ma:

«Date queste previsioni, questi vincoli e questo obiettivo, come cambiano la valutazione delle alternative?»

È una differenza sostanziale.

---

12. Dalla decisione alla memoria organizzativa

Una decisione strutturata produce anche un altro risultato: può diventare memoria.

Se ogni scelta viene registrata attraverso:

problema → alternative → criteri → scelta → azione → risultato

l’organizzazione può iniziare a confrontare le proprie decisioni nel tempo.

Può osservare:

• quali ipotesi si sono dimostrate corrette;
• quali previsioni hanno fallito;
• quali rischi sono stati sottovalutati;
• quali criteri hanno funzionato;
• quali errori si sono ripetuti;
• quali decisioni hanno prodotto risultati migliori.

Nasce così una possibile memoria decisionale.

L’organizzazione non conserva soltanto il risultato.

Conserva anche il percorso che ha portato a quel risultato.

Questo può trasformare la decisione in una fonte di apprendimento cumulativo.

---

13. Dalla decisione alla responsabilità

Esiste però un elemento che nessuna tecnologia elimina automaticamente:

la responsabilità della scelta.

Un sistema può suggerire.

Può classificare.

Può prevedere.

Può simulare.

Può confrontare.

Può automatizzare determinate attività.

Ma quando una decisione produce conseguenze rilevanti rimangono domande fondamentali:

Chi ha definito il problema?

Quali criteri sono stati utilizzati?

Quali alternative sono state escluse?

Quale rischio è stato accettato?

Chi ha autorizzato l’azione?

Come è stato verificato il risultato?

Queste domande trasformano la decisione da semplice output a processo documentabile e verificabile.

Ed è proprio questo uno dei punti di contatto tra gestione del rischio, governance dell’AI e qualità del processo decisionale.

---

14. Una possibile nuova categoria economica

Da questa prospettiva potrebbe emergere una categoria più ampia della semplice consulenza AI.

Non soltanto:

implementare l’intelligenza artificiale.

Ma:

progettare il sistema decisionale nel quale l’intelligenza artificiale viene utilizzata.

Questo spazio potrebbe comprendere:

• framework decisionali;
• sistemi di assessment;
• strumenti di AI governance;
• metodologie di risk management;
• piattaforme di supporto alle decisioni;
• audit dei processi decisionali;
• formazione;
• certificazioni;
• knowledge system;
• licensing di metodologie;
• sistemi di verifica delle decisioni.

Non è necessario affermare oggi quale di queste forme avrà maggiore successo.

La questione preliminare è capire se esista realmente una domanda per una capacità organizzativa di questo tipo.

Se esiste, il valore non sarebbe necessariamente nella produzione dell’output.

Sarebbe nella governance del percorso che porta dall’output alla scelta.

---

15. Il vero obiettivo non è automatizzare l’uomo

Una parte della narrazione sull’AI tende a concentrarsi sulla sostituzione o sull’automazione.

Ma esiste una domanda alternativa:

Come aumentare la capacità dell’essere umano di prendere decisioni migliori utilizzando sistemi artificiali sempre più potenti?

La differenza è sostanziale.

Un sistema che fornisce semplicemente una risposta può creare dipendenza.

Un sistema che rende visibili:

• possibilità;
• criteri;
• vincoli;
• rischi;
• conseguenze;
• motivazioni;

può invece aumentare la capacità di valutazione.

L’obiettivo non sarebbe quindi automatizzare l’uomo.

Sarebbe aumentare la qualità del suo processo decisionale.

---

16. La verifica completa il ciclo

Una decisione non termina quando viene presa.

Termina quando possiamo confrontare:

ciò che pensavamo sarebbe successo

con

ciò che è realmente successo.

Questo permette di costruire un ciclo:

DECISIONE → AZIONE → RISULTATO → VERIFICA → APPRENDIMENTO → NUOVA DECISIONE

La verifica è essenziale perché senza di essa non possiamo sapere se il processo ha funzionato.

L’errore diventa semplicemente un fallimento.

Con la verifica può invece diventare informazione.

Il processo decisionale diventa così potenzialmente cumulativo:

decidere → osservare → imparare → decidere meglio.

---

17. La nuova infrastruttura della decisione

Possiamo quindi immaginare un’organizzazione nella quale l’AI non opera isolatamente.

Da una parte esistono sistemi capaci di:

cercare → elaborare → generare → prevedere.

Dall’altra esiste un processo capace di:

definire → filtrare → valutare → decidere → agire → verificare.

Il valore nasce dall’interazione tra i due livelli.

L’AI amplia lo spazio delle possibilità.

L’infrastruttura decisionale contribuisce a ridurre quello spazio secondo:

• obiettivi;
• vincoli;
• rischi;
• priorità;
• responsabilità.

Non si tratta quindi di contrapporre uomo e macchina.

La questione è costruire un rapporto nel quale la potenza generativa dell’AI sia accompagnata da una struttura capace di governarne l’utilizzo.

---

Conclusione

L’intelligenza artificiale sta rendendo sempre più economica la produzione di possibilità e, attraverso sistemi predittivi, può contribuire a stimare scenari e conseguenze.

Ma tra prevedere ciò che potrebbe accadere e decidere cosa fare rimane uno spazio fondamentale: quello della valutazione.

È in questo spazio che può collocarsi PENSAI.

Non come un sistema che pretende di prevedere il futuro e neppure come un sostituto del decisore, ma come un framework decisionale capace di integrare informazioni, previsioni, alternative, vincoli e rischi per trasformarli in una scelta consapevole e verificabile.

La sua ipotesi è semplice:

L’AI può generare possibilità, l’AI predittiva può stimarne le conseguenze; PENSAI può aiutare a confrontarle e trasformarle in decisioni.

Se questa distinzione si dimostrerà valida nella pratica, potrebbe emergere una nuova categoria di valore nell’economia dell’intelligenza artificiale: l’infrastruttura decisionale.

Non si tratterebbe soltanto di rendere le macchine più intelligenti, ma di costruire sistemi che permettano alle persone e alle organizzazioni di decidere meglio quando l’AI moltiplica ciò che è possibile fare.

La questione economica, allora, non sarebbe soltanto:

«Quanto vale un’altra AI?»

Ma:

«Quanto vale una capacità organizzativa che permette di decidere meglio quando l’AI moltiplica le possibilità?»

PENSAI parte da questa domanda.

Non promette di eliminare l’incertezza.

Propone di rendere il processo decisionale abbastanza strutturato da poter essere osservato, valutato, verificato e migliorato.

Se la decisione diventerà una delle infrastrutture fondamentali dell’economia dell’AI, costruire quella infrastruttura potrebbe rappresentare un valore ancora oggi difficile da misurare.

---

Disclaimer sull’utilizzo dell’AI

Questo saggio è stato elaborato con il supporto di sistemi di intelligenza artificiale generativa nell’ambito del processo PENSAI. L’AI è stata utilizzata come strumento di elaborazione, confronto e organizzazione delle idee. L’impostazione concettuale, le scelte editoriali e la responsabilità finale dei contenuti appartengono all’autore umano.

Bibliografia essenziale

• European Union, Regulation (EU) 2024/1689 — Artificial Intelligence Act. Il regolamento stabilisce un quadro armonizzato di regole sull’intelligenza artificiale nell’Unione Europea.
• NIST, Elham Tabassi, Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023. Il framework propone un approccio volontario e orientato alla gestione dei rischi e all’affidabilità dei sistemi AI.
• NIST, Artificial Intelligence Risk Management Framework — Generative Artificial Intelligence Profile, 2024.
• Kahneman, Daniel, Thinking, Fast and Slow, Farrar, Straus and Giroux, 2011.
• Russell, Stuart, Human Compatible: Artificial Intelligence and the Problem of Control, Viking, 2019.
• Simon, Herbert A., The Sciences of the Artificial, MIT Press.

one applicata al risk management e all’AI.