La stagione delle demo è finita e almeno per le grandi aziende, l’intelligenza artificiale è entrata nella fase più difficile: quella in cui deve smettere di stupire e iniziare a produrre risultati misurabili. È stato questo il messaggio centrale del Process Intelligence Day 2026 organizzato da Celonis a Milano.
Il punto, però, non riguarda soltanto l’adozione dell’IA in azienda. Riguarda soprattutto il suo limite più concreto: un modello generalista può essere molto brillante ma se non conosce i processi reali dell’impresa, rischia di dare risposte corrette in teoria e poco utili nella pratica.
Celonis si fa portavoce da anni della Process Intelligence, cioè la capacità di ricostruire dai dati aziendali come funzionano davvero i processi, e dunque le imprese. Dove passa un ordine, dove si ferma una pratica, quali attività vengono ripetute a mano, quali tempi teorici non coincidono con quelli reali. È il tentativo di trasformare il lavoro quotidiano dell’azienda in una mappa leggibile anche dagli agenti IA.
La differenza è evidente in un esempio raccontato durante l’evento. Di fronte a un picco di domanda e a un rischio di rottura di stock, un’IA senza contesto può suggerire banalmente di riordinare. Un’IA alimentata con il contesto operativo dell’azienda può invece indicare quale prodotto è coinvolto, quali fornitori alternativi sono disponibili e quale modalità di trasporto conviene scegliere se uno di quei fornitori ha storicamente problemi nelle consegne (ad esempio su gomma o su ferrovia).
È qui che l’IA smette di sembrare una consulenza generica e diventa uno strumento operativo.
Celonis: dal contesto ai costi
La parola chiave dell’evento è stata “contesto”. Nel linguaggio di Celonis, il Context Model è il modello che raccoglie dati di processo, regole aziendali, eccezioni, obiettivi e vincoli, per metterli a disposizione degli agenti IA. In termini più semplici, è lo strato che si colloca tra i dati grezzi dell’impresa e l’IA che deve usarli.
Questo passaggio ha anche una conseguenza economica. Se un agente deve ricostruire ogni volta da zero il funzionamento di un processo, consuma più risorse. Deve infatti interrogare più sistemi, leggere più informazioni, fare più passaggi intermedi, usare più token. Se invece trova già pronto il contesto aziendale, può arrivare prima al punto.
Per Celonis, quindi, la Process Intelligence non serve solo a rendere gli agenti IA più affidabili ma anche a renderli più efficienti. Meno tentativi, meno calcolo sprecato, meno costi nascosti nell’uso quotidiano dell’intelligenza artificiale.
In questo quadro si inserisce anche l’accordo che portato all’acquisizione di Ikigai Labs, società nata da ricerca del MIT e specializzata in Decision Intelligence.
Anche qui il termine va tradotto: significa usare dati, simulazioni e previsioni per aiutare le aziende a prendere decisioni migliori. Non solo capire che cosa è successo in un processo, quindi, ma provare a stimare che cosa potrebbe succedere dopo e quale scelta conviene fare.
È il passaggio dal passato al presente e poi al futuro: leggere i processi, capirli mentre accadono, simulare scenari possibili.
Unipol e Zoppas: il processo diventa concreto
Il caso Unipol ha portato il discorso fuori dalla narrazione del software e dentro una situazione molto concreta: la gestione dei sinistri legati agli eventi climatici estremi. Il gruppo assicurativo ha quasi 17 milioni di clienti, circa 2.200 agenzie, oltre 4 milioni di scatole nere installate nei veicoli dei clienti e gestisce 1,5 milioni di sinistri all’anno.
Dopo le alluvioni e le grandinate che hanno colpito il Nord Italia tra il 2023 e il 2024, Unipol ha usato Celonis per analizzare le diverse fasi del processo: la denuncia del sinistro, il richiamo al cliente per capirne gravità e complessità, il sopralluogo e la liquidazione del danno. Il problema, in quei casi, non è solo gestire tante pratiche. È capire quali pratiche richiedono priorità, dove i tempi si allungano, quali periti sono sovraccarichi, quali questionari non raccolgono le informazioni giuste.
Mario De Dominicis, Head of Operations Claims di Unipol, lo ha sintetizzato con una frase che vale più di molte definizioni: “Senza contesto l’intelligenza artificiale è un bel esercizio, ma non entra nei processi”.
Zoppas ha raccontato invece una storia più industriale. L’azienda lavora in oltre 200 mercati, effettua spedizioni in 121 Paesi, ha siti produttivi in 12 nazioni e uffici in 15. Compra ogni anno circa 20.000 codici diversi da 1.000 fornitori distribuiti in 40-45 Paesi. Produce componenti molto diversi tra loro: dalle resistenze per elettrodomestici agli elementi riscaldanti per applicazioni aerospaziali. Una sua resistenza è presente anche nella missione Artemis 2, e l’azienda sarà coinvolta anche in Artemis 3 e Artemis 4.
Annamaria Bottero, Global Partner Lead di Microsoft Italia.
Nel caso Zoppas, il problema è stato rendere visibile la complessità della supply chain. Durante la demo è emerso che i fornitori non confermavano gli ordini oltre 50.000 volte e che i material planner erano costretti a modificare manualmente le date di consegna richieste 12.500 volte.
Se il sistema pensa che un materiale arrivi in 10 giorni ma nella realtà ne servono 20, la produzione rischia di fermarsi. Per proteggersi, l’azienda aumenta le scorte ma così blocca capitale in magazzino. Celonis ha permesso di vedere la differenza tra tempi teorici e tempi reali, correggere le anagrafiche, automatizzare i solleciti e dare ai buyer dati più solidi per discutere con i fornitori.
È un esempio perfetto del problema degli agenti IA in azienda: anche l’agente più sofisticato lavora male se parte da dati sbagliati o da processi che nessuno ha davvero misurato.
Danieli e il tempo delle grandi commesse
Danieli ha aggiunto un terzo livello al racconto. La multinazionale friulana, con sede a Buttrio, lavora nella progettazione e realizzazione di impianti per l’industria siderurgica, accanto alla produzione di acciai speciali attraverso ABS. È un gruppo da circa 4 miliardi di euro di fatturato, 10.000 persone nel mondo, 70 legal entity, 25 linee di prodotto e cinque impianti produttivi.
Il suo caso è diverso da quello di Unipol e Zoppas perché riguarda grandi progetti su commessa. Danieli non vende prodotti standard, ma impianti costruiti come “abiti sartoriali” sulle esigenze del cliente. Le commesse possono durare tre mesi o sei anni e valere da 10.000 euro a 1 miliardo.
Anche le esigenze cambiano da mercato a mercato. In Nord America i clienti cercano performance, automazione e riduzione del fattore umano, perché la manodopera costa ed è difficile da trovare. In Europa pesano di più le norme, la sostenibilità, la riduzione della CO2 e dei consumi energetici. In Cina il fattore decisivo resta il costo.
In questa complessità, Danieli ha individuato un elemento comune: il tempo. Ridurre la durata dei processi significa aiutare il cliente ad arrivare prima al momento in cui l’impianto entra in funzione e può iniziare a generare ritorno sull’investimento. Per questo l’azienda ha iniziato a guardare ai processi non solo in modo verticale, reparto per reparto, ma in modo orizzontale, seguendo il flusso complessivo del lavoro.
È anche qui che il concetto di Operational Intelligence, cioè la capacità di capire che cosa sta accadendo nelle operation mentre accade, diventa più comprensibile. Non è un report da guardare a fine mese. È una lettura continua dei passaggi che determinano tempi, costi, ritardi e decisioni.
La validità della proposition
Nella parte finale dell’evento, c’è stato modo di scambiare due parole con Mauro Terraneo, Regional Managing Director di Celonis Italia, che ha spiegato che la società vuole posizionarsi sempre di più come livello intermedio tra i dati aziendali e gli agenti IA. Un orchestratore, più che un semplice strumento di analisi.
La domanda che gli abbiamo posto, però, è la seguente: Celonis parlava già due anni fa di processi, contesto e valore misurabile, e oggi la sua proposition pare immutata. In un mondo dove le aziende innovano e mutano quasi trimestralmente (si pensi a qual era due anni fa la proposta di SpaceX o OpenAI), il rischio non è di sembrare immobili?
Terraneo ha risposto spostando il punto sui costi e sulla scala. Ha raccontato il caso di un cliente che, dopo tre mesi di utilizzo di soluzioni basate su agenti, aveva già superato il budget previsto per l’intelligenza artificiale proprio a causa del consumo di risorse. Il tema, quindi, non è solo mettere agenti dentro l’azienda ma farli lavorare in modo controllato, efficace ed efficiente.
Celonis vuole andare in quella direzione: arricchire il Context Model, usare anche dati esterni, collaborare con i principali attori dell’intelligenza artificiale, da Microsoft ad Anthropic fino a Mistral, e lasciare alle aziende la libertà di scegliere i modelli da usare. La promessa è fornire il contesto operativo che permette a quei modelli di lavorare meglio.
È una chiusura meno spettacolare dell’annuncio di un nuovo modello. Ma racconta il momento in cui si trova l’IA nelle imprese. Dopo l’entusiasmo iniziale, è arrivata la parte più difficile: far funzionare l’intelligenza artificiale dentro processi reali, con dati corretti, costi sostenibili e risultati che qualcuno possa misurare. E Celonis, in questo, si trova in ottima posizione.
