Come portano l’IA nelle partecipate i fondi di private equity?
Si parte da una sola partecipata e da un collo di bottiglia legato al piano di creazione del valore, si dimostra lì il cambiamento e poi si porta il metodo nella società successiva, che riparte con il suo responsabile e la sua baseline.
Al fondo serve una vista di portafoglio su dove l’IA può spostare il piano, e un modo unico di riportarlo. Alla partecipata serve qualcuno che scelga il problema, costruisca la soluzione con le sue persone e racconti il cambiamento in termini che il CdA riconosce. Pochi fondi del mid-market hanno in squadra un responsabile IA, e quasi tutti per ora non ne hanno bisogno in pianta stabile.
Un AI Operating Partner copre i due lati per un periodo definito: la vista di portafoglio per il fondo, la realizzazione sul campo nelle prime società. Da una società all’altra viaggiano il metodo, i punti di revisione e i componenti riutilizzabili. Dati, accessi e baseline restano a ciascuna società.
Sviluppate voi la soluzione o fate solo consulenza?
Tutte e due le cose: Javier disegna il flusso di lavoro con il tuo team e lo sviluppa in prima persona, lavorando su architettura e codice insieme ai tuoi tecnici.
Il motivo per cui lavoriamo così è semplice: una consulenza che si ferma alla roadmap lascia la parte più difficile, sviluppo e rilascio, a chi ha meno tempo. L’applicazione CPQ (configurazione, prezzi e preventivi) del caso raccontato sul sito l’ha sviluppata Javier in circa sei settimane, tra architettura, codice, test e design.
Gli strumenti di IA accelerano lo sviluppo. Cosa gira in produzione si decide passo per passo: un modello dove porta valore, regole esplicite dove il risultato deve essere esatto. Se l’azienda ha già un team di ingegneria solido, il ruolo si sposta su progettazione, revisione e scelta tra comprare, integrare o sviluppare.
Quali risultati concreti avete ottenuto con l’IA?
L’esempio più chiaro sono i preventivi commerciali in una SaaS europea di circa 300 persone partecipata da private equity, dove la preparazione di un preventivo è scesa da circa due giorni a due ore.
Ogni preventivo passava tra vendite, prevendita e finanza con passaggi manuali. Javier ha mappato il processo con i tre team, insieme si è deciso cosa automatizzare e dove resta il controllo umano, poi ha sviluppato l’applicazione. I prezzi restano deterministici, con regole e punti di revisione concordati con la finanza.
Nella stessa società la preparazione della business review trimestrale è passata da sei ore a una, attingendo a sei fonti, e l’impegno per ogni RFP (richiesta di offerta) da 25 a 10 ore, su circa 60 richieste l’anno. Prima ancora, la funzione di Sales Engineering che Javier ha creato da zero aveva portato il tasso di successo sulle trattative complesse dal 14% al 27%.
Come funziona un incarico e quanto impegna il nostro team?
Di solito si parte da una diagnosi breve, di due o tre settimane, su un solo collo di bottiglia, e poi si passa alla realizzazione con un progetto mirato oppure con un incarico interim o fractional.
Dalla tua azienda servono uno sponsor che possa prendere decisioni, le persone che gestiscono il processo per qualche sessione di lavoro e l’accesso ai sistemi coinvolti. Il peso maggiore lo portano i responsabili del processo: un’ora o due a testa durante la diagnosi, poi brevi revisioni di ciò che viene sviluppato. Nessuno deve scrivere documenti di requisiti.
Contenuti, tempi e costi si definiscono dopo una prima conversazione, quando il problema è chiaro.
Da dove si comincia con l’IA in azienda?
Si comincia da un processo che gira ogni settimana e perde tempo o denaro, con un team che vuole il cambiamento e un risultato che il CdA riconoscerebbe.
Un audit IA esteso a tutte le funzioni tende a produrre un lungo elenco e poco movimento. Un solo flusso di lavoro, misurato prima e dopo, produce un risultato e un metodo che il team successivo può riusare. Sul fronte commerciale gli esempi tipici sono preventivi, offerte, preparazione degli incontri con i clienti e follow-up. Sul fronte operativo, reporting, controlli pieni di documenti e lavoro che passa a mano da un sistema all’altro.
Le prime due settimane chiariscono tre cose: dove si perde, quanto varrebbe risolverlo e chi ne risponderà quando sarà in uso.
Dove gira il modello di IA e i nostri dati sono al sicuro?
Il lavoro gira sui sistemi e sugli account della tua azienda, con fornitori di modelli a condizioni business che escludono l’addestramento sui tuoi dati, e codice, istruzioni e dati restano tuoi.
Prima di sviluppare qualsiasi cosa si concorda quali dati il workflow può leggere, quali azioni può compiere, quali richiedono l’approvazione di una persona e chi se ne accorge quando qualcosa va storto. Per materiale riservato o coperto da segreto professionale può voler dire tenere un passaggio del tutto fuori dal modello, oppure usare un modello installato nel tenant cloud dell’azienda.
I responsabili della sicurezza e dei dati partecipano al disegno dalla prima settimana.
Si può controllare e spiegare cosa fa l’IA?
Sì, se lo si prevede dall’inizio: i passaggi che devono essere esatti girano su regole esplicite e leggibili, e ogni output del modello che conta ha un revisore con nome e cognome e una fonte tracciabile.
Una scatola nera che nessuno può validare ti riporta al punto di partenza. Il disegno separa ciò che un modello fa bene, cioè leggere materiale disordinato e scriverne una bozza, da ciò che deve essere esatto: prezzi, cifre, approvazioni.
L’applicazione dei preventivi ne è un esempio: per costruirla si sono usati strumenti di IA, e la logica dei prezzi con cui funziona è deterministica.
Cosa succede quando l’incarico finisce?
Al tuo team resta una funzione che lavora già, con configurazione, istruzioni, metriche e un responsabile per ogni workflow, così chi viene assunto in pianta stabile eredita qualcosa che funziona invece di un foglio bianco.
Il passaggio di consegne si pianifica dal primo giorno: formazione, documentazione e verifiche sull’uso reale procedono insieme allo sviluppo, e ogni workflow ha un responsabile interno prima di andare in produzione. Il supporto continua solo dove serve, con la cadenza che scegli tu.
Come si misura il valore dell’IA in azienda?
Lo si misura come il CdA legge già l’azienda, con tre misure: capacità, impatto economico e impatto commerciale.
La capacità sono le ore restituite a ogni team, al netto di revisione e manutenzione. L’impatto economico sono le variazioni reali di costo, compresi implementazione ed esercizio. L’impatto commerciale è l’effetto sui ricavi, tenuto separato da pipeline e metriche di attività. La baseline si misura prima, sul lavoro reale, prima di ogni cambiamento.
Le ore risparmiate contano quando sai cosa ne fa il team. In un’azienda che fattura a ore, il tempo risparmiato può ridurre i ricavi se prezzi o capacità non cambiano, quindi la questione si chiude prima dello sviluppo.
Cosa fa un interim manager dell’IA nei primi 90 giorni?
Entro il novantesimo giorno ci devono essere priorità concordate, responsabili designati, una baseline per ogni priorità e almeno un miglioramento in uso tutti i giorni.
Il primo mese è dedicato alla diagnosi: dove si perdono tempo e valore, cosa è già in uso, di cosa il team si fiderà. Nel secondo si sviluppa il primo miglioramento con le persone che lo useranno. Nel terzo lo si rilascia, si avvia la routine che lo tiene vivo, con un AI champion in ogni team, un forum settimanale e una revisione mensile con il vertice, e si mette in fila ciò che viene dopo.
Se è in arrivo un’assunzione definitiva, la nuova persona eredita quel piano e un risultato.
Quanto tempo serve per portare un pilot di IA in produzione?
Un workflow circoscritto, con un responsabile chiaro, può essere in uso quotidiano in sei-dieci settimane, e la maggior parte dei pilot che ci mettono di più è ferma in attesa di decisioni.
Lo sviluppo in sé di rado è la parte lenta: l’applicazione dei preventivi ha richiesto circa sei settimane. I pilot si arenano quando nessuno ha concordato com’è un buon risultato, chi risponde del workflow o quali casi deve gestire. Allora il team usa lo strumento per i casi facili e tiene il vecchio metodo per quelli importanti, mentre i dati di utilizzo restano identici in entrambi gli scenari.
Se la definizione di buon risultato, il responsabile e i punti di revisione si fissano prima di sviluppare, i tempi tengono.
Da quando si applicano gli obblighi dell’AI Act per l’IA ad alto rischio?
Gli obblighi per i sistemi ad alto rischio dell’allegato III si applicano dal 2 dicembre 2027 e quelli per l’IA ad alto rischio integrata nei prodotti dell’allegato I dal 2 agosto 2028, dopo che il Digital Omnibus definitivo ha spostato in avanti entrambe le date.
Alcune parti si applicano già: le pratiche vietate e l’obbligo di alfabetizzazione sull’IA da febbraio 2025, il regime sanzionatorio e gli obblighi per i fornitori di modelli di IA per finalità generali da agosto 2025. Nelle aziende del mid-market la maggior parte degli usi dell’IA rientra nel rischio minimo.
Il lavoro utile adesso è un inventario dei sistemi in uso, una prima classificazione e un responsabile per i casi dubbi. La classificazione vincolante e la valutazione di conformità spettano a un avvocato esperto di AI Act e, dove richiesto, a un organismo notificato.
Il calendario completo per prepararsi all’AI Act (in inglese)