La distanza tra aula e stabilimento è il vero tema, non il programma del corso.
Frequento e seguo percorsi universitari sull’intelligenza artificiale perché mi servono per restare allineato allo stato dell’arte. Poi entro in azienda e trovo un altro mondo: sistemi gestionali datati, dati sporchi, persone che usano ChatGPT di nascosto. Il salto è netto.
In questa pagina racconto cosa porto a casa dai corsi universitari, cosa invece imparo solo sul campo, e perché tenere insieme i due piani è la parte più delicata del mio lavoro di consulente.
Cosa mi dà l’università che l’azienda non mi dà
In università studio i modelli per come sono fatti dentro. Architetture dei transformer, logiche di fine tuning, metriche di valutazione, limiti statistici. Sono cose che in azienda nessuno ti spiega, perché in azienda interessa il risultato, non la struttura matematica che lo produce.
Questo livello mi serve per leggere criticamente i fornitori. Quando un vendor mi presenta una soluzione basata su un modello generativo, capisco se sta vendendo qualcosa di solido o se sta riverniciando un’API pubblica con un’interfaccia. Senza la base teorica, il rischio di farsi raccontare favole è alto.
Cosa imparo solo entrando in un’azienda vera
In aula i dataset sono puliti. In azienda i dati sono in tre gestionali diversi, con codici prodotto disallineati e fogli Excel paralleli che nessuno ha mai consolidato. Il primo lavoro non è addestrare un modello: è capire dove sono davvero le informazioni e in che stato.
Poi c’è la parte umana, che nessun corso può simularti davvero.
Quello che imparo solo sul campo:
- Resistenze culturali: chi ha paura di essere sostituito non lo dice, ma rallenta ogni progetto in modi sottili.
- Politica interna: due reparti che non si parlano possono affossare l’AI molto prima di un problema tecnico.
- Vincoli economici reali: il budget non è quello del business case iniziale, e i tempi non sono mai quelli del Gantt.
- Processi non scritti: metà di quello che fa l’azienda non sta nelle procedure ufficiali.
- Compliance e responsabilità: chi firma cosa, quando un output AI sbaglia.
Queste cose le impari solo dopo qualche progetto andato storto. L’università ti prepara al cosa, l’azienda ti insegna il come e soprattutto il perché spesso non si fa.
Perché tengo insieme i due piani nei miei interventi
Quando faccio Formazione AI in un’azienda non porto le slide del corso universitario. Sarebbe inutile e arrogante. Ma porto il metodo: come si valuta un modello, come si misura un errore, come si decide se un caso d’uso ha senso oppure no.
Il valore della parte accademica sta nel filtro. Mi permette di dire a un imprenditore “questo progetto non sta in piedi” con argomenti tecnici, non con un’opinione. E mi permette di proporre alternative più semplici che funzionano davvero, invece di rincorrere la moda del momento.
Cosa cambia per chi mi assume come consulente
Chi cerca un AI Manager Esterno o una Consulenza AI raramente ha bisogno del ricercatore puro. Ha bisogno di qualcuno che capisca la teoria abbastanza da non farsi fregare, e l’operatività abbastanza da chiudere progetti veri con persone vere.
Per questo continuo a frequentare entrambi i mondi. Se mi chiudessi in azienda, dopo due anni sarei tagliato fuori dall’evoluzione tecnica. Se vivessi solo in università, parlerei una lingua che in fabbrica nessuno capisce. Il mio mestiere è la traduzione tra questi due ambienti.
Domande frequenti
I corsi universitari sull’AI sono utili a un imprenditore?
Dipende dall’obiettivo. Se vuole capire come funzionano davvero i modelli per scegliere meglio fornitori e progetti interni, alcuni moduli universitari sono ottimi. Se invece vuole risultati operativi nei prossimi sei mesi, l’università è la strada sbagliata: serve un percorso costruito sul caso aziendale specifico, con dati reali e obiettivi misurabili.
Quali competenze pratiche mancano del tutto nei percorsi accademici?
Gestione del cambiamento, lettura politica delle organizzazioni, negoziazione con i fornitori, valutazione realistica dei budget, comunicazione con persone non tecniche. Tutto ciò che riguarda come si porta a casa un progetto in un’azienda con risorse limitate e priorità in conflitto. Sono competenze che si costruiscono solo lavorando, sbagliando e ricalibrando.
Perché continui a seguire formazione universitaria se lavori già da consulente?
Perché l’AI cambia ogni sei mesi e i fornitori contano sul fatto che il cliente non capisca. Restare aggiornato sulla parte tecnica è l’unico modo per fare consulenza onesta. Se non studio, divento un commerciale travestito da consulente, e questo non è il mestiere che voglio fare.
Quando proponi un progetto, parti dalla teoria o dal caso aziendale?
Sempre dal caso aziendale. La teoria entra dopo, come strumento per valutare se l’idea ha senso tecnico ed economico. Partire dalla teoria significa cercare problemi per le proprie soluzioni, e in azienda è il modo più rapido per bruciare credibilità e budget. La sequenza corretta è: problema, dati disponibili, vincoli, soluzione tecnica adeguata.
Quali sono i tempi tipici di un progetto AI ben impostato?
Per un primo caso d’uso operativo, di norma servono dai due ai sei mesi tra analisi, sviluppo, test e messa in produzione. La parte di addestramento del modello è spesso la più breve. Il tempo si concentra su pulizia dati, integrazione con i sistemi esistenti e formazione delle persone che useranno lo strumento ogni giorno.
Parliamone con il tuo contesto sul tavolo
Se stai valutando un progetto di intelligenza artificiale, o se hai già provato qualcosa che non ha dato i risultati attesi, può avere senso confrontarci.
Lavoro meglio quando arrivo a un contesto definito: che tipo di azienda, quali processi, quali dati, quali tentativi precedenti. Da lì capiamo se serve davvero una consulenza strutturata o se bastano poche correzioni di rotta.
Il primo confronto serve solo a questo: capire se ha senso andare avanti insieme, senza impegni e senza vendite forzate. Se vuoi partire da qui, scrivimi dalla pagina contatti.