Carla Masperi, AD SAP Italia, e Augusta Spinelli, Regional President Emea: “L’AI crea valore quando entra nei processi”

A margine del SAP Executive Summit 2026, nel corso di un incontro con la stampa, Carla Masperi, amministratrice delegata di SAP Italia, e Augusta Spinelli, Regional President per Europa, Medio Oriente e Africa (Emea), hanno affrontato i principali temi legati all’evoluzione dell’intelligenza artificiale nei sistemi enterprise, tra architettura, dati e processi.

Augusta Spinelli ha assunto la responsabilità dell’Europa – esclusi Germania, Svizzera e Austria – insieme ad Africa e Medio Oriente dal primo agosto dello scorso anno, al termine di un percorso in SAP lungo oltre venticinque anni, iniziato nel 2000 con un orizzonte inizialmente molto più breve.

Nel corso della sua carriera ha sviluppato interamente il proprio percorso nei servizi, ricoprendo ruoli di consulenza, project management e responsabilità a livello nazionale e internazionale, fino alla guida globale della delivery dei servizi SAP negli ultimi cinque-sei anni, con la responsabilità di tutte le attività progettuali e dei servizi a valore aggiunto.

Il passaggio al nuovo incarico si inserisce in un contesto di trasformazione più ampia del modello SAP, sempre più orientato al cloud e a una logica service-based.

“Nel cloud, infatti, tutto quello che facciamo è un servizio, e questo cambia completamente anche le logiche di business e di vendita: prima si vendevano le licenze e poi il cliente decideva come utilizzarle, mentre oggi siamo in un mondo diverso, in cui è fondamentale convincere il cliente non solo della bontà della soluzione, ma del fatto che debba adottarla davvero, che debba adottare l’innovazione”.

Questo cambiamento incide direttamente anche sulla relazione con i clienti e sulla natura delle conversazioni.

“Quando mi chiedono com’è stato il passaggio dal ruolo precedente a questo, la risposta è che sì, ci sono responsabilità e visibilità diverse, ma soprattutto cambia proprio la natura del dialogo con i clienti”.

L’obiettivo diventa quindi accompagnare l’adozione, non limitarsi alla proposta tecnologica.

“La nostra missione oggi è spiegare quali risultati di business possono ottenere grazie all’innovazione – su cui investiamo moltissimo, in termini di persone e di risorse – e soprattutto come possano adottarla e consumarla su larga scala”.

Questo si riflette anche nel modo in cui SAP lavora con partner e clienti, con un’attenzione crescente alla qualità architetturale delle implementazioni, perché – come sottolinea Spinelli – senza un layer di dati unificato le capacità di intelligenza artificiale non possono essere attivate e il valore rischia di non emergere.

Accanto alla dimensione organizzativa, il ruolo comporta una forte componente operativa sul campo. Spinelli vive a Dubai da oltre dieci anni, da cui ha seguito nel tempo un’area geografica ampia e articolata, lavorando su progetti in Medio Oriente, in particolare in Arabia Saudita e Israele, oltre che in Africa.

Dubai rappresenta ancora oggi un hub centrale, anche per ragioni logistiche, consentendo una mobilità elevata verso numerose destinazioni.

“Il mio lavoro oggi prevede una presenza costante sul campo, e questo fa parte della job description: quando si assume questo tipo di ruolo, è prevista una quota molto significativa di tempo dedicata ai viaggi, che può arrivare anche al 100%”.

Il contesto operativo è però segnato da una crescente complessità geopolitica, che si riflette direttamente sull’attività.

“Mi trovo a viaggiare frequentemente tra diversi Paesi – Egitto, Arabia Saudita e altri – e in questo scenario diventa essenziale garantire continuità”.

In questo quadro, alcuni contesti – e in particolare Dubai – mostrano una capacità di resilienza elevata, mantenendo operatività anche in condizioni difficili, con effetti diretti sul business. La tecnologia, e in particolare l’intelligenza artificiale, si inserisce quindi in un contesto tutt’altro che astratto.

“Deve funzionare in condizioni reali, e per questo tutti gli elementi di cui abbiamo parlato – architettura, dati e governance – diventano ancora più rilevanti, perché sono ciò che consente di mantenere continuità operativa”.

Temi e prospettive

Su queste basi, il confronto si è sviluppato attraverso una serie di domande sui diversi livelli – strategico, tecnologico e operativo – legati all’adozione dell’intelligenza artificiale.

SAP è stata tra le prime aziende a integrare l’intelligenza artificiale nei propri sistemi e ha scelto un approccio agnostico rispetto ai modelli, lasciando al cliente la possibilità di scegliere. Oggi però il mercato sta cambiando: i modelli competono sempre più direttamente tra loro e gli agenti stanno diventando il vero terreno di confronto. Questa scelta è stata quella giusta? E soprattutto, cosa consente oggi a SAP di fare in termini di vantaggio competitivo?

Credo che ci siano due elementi da considerare. Il primo è legato alla cultura dell’azienda: SAP ha più di cinquant’anni e ha sempre cercato di concentrarsi su ciò che riteneva di saper fare molto bene, mantenendosi invece neutrale su molte altre componenti. È stato così, ad esempio, per i database, dove abbiamo sempre cercato di mantenere un’architettura aperta, e questo approccio è stato mantenuto anche oggi.

Già due o tre anni fa il nostro CEO e il board hanno compreso che la vera competizione non si sarebbe giocata sui modelli, ma sul loro utilizzo. Noi riteniamo di avere una proposta distintiva proprio su questo, perché disponiamo di una base dati unificata e siamo in grado di costruirla sui nostri prodotti, che rappresentano i processi di business: è quello che facciamo da sempre.

In questo contesto stiamo sviluppando gli agenti, e lo stiamo facendo in modo molto rapido: ne abbiamo sviluppati moltissimi, circa 400 agenti embedded all’interno delle applicazioni già a fine febbraio. Questo è un elemento importante, ma non è tanto il numero a fare la differenza quanto il fatto che possiamo essere competitivi non perché sviluppiamo modelli, ma perché conosciamo i processi di business.

Questo non è scontato, perché richiede massa critica, competenze e persone che conoscano davvero i processi industriali. È quello che ci consente, in questa fase, di capire quali applicazioni sviluppare, quali dati sono rilevanti e, quando parliamo con i clienti, di individuare dove si trovano le leve di valore nel loro business.

C’è anche un altro aspetto: possiamo supportare i clienti nello sviluppo degli agenti senza che siano necessariamente richieste competenze specialistiche su SAP. Servono soprattutto competenze di dominio, ed è un punto molto importante.

Per quanto riguarda i modelli, possiamo utilizzare ciò che è disponibile sul mercato e scegliere di volta in volta i modelli più adatti, anche in funzione delle aree geografiche o dei contesti. I modelli richiesti in Medio Oriente non sono necessariamente gli stessi richiesti in Francia, e in uno scenario geopolitico in evoluzione, in cui anche i confini tecnologici stanno cambiando, questo approccio garantisce una maggiore flessibilità.

Alla fine, però, il valore non risiede nel modello in sé, ma in ciò che il modello produce per il business: è questo l’elemento determinante.

Nei sistemi tradizionali SAP il comportamento è deterministico, mentre con l’intelligenza artificiale si entra in una logica probabilistica: come si gestisce questo passaggio in termini di governance, tracciabilità e controllo in un contesto enterprise?

Quello che vediamo, cioè le funzionalità di intelligenza artificiale, rappresenta la punta dell’iceberg, mentre sotto c’è una componente molto più ampia, che riguarda regole, controlli, tracciabilità, rispetto delle policy aziendali, processi approvativi e ruoli. È esattamente questa la differenza tra un utilizzo consumer e un utilizzo enterprise, perché quando si lavora su sistemi aziendali reali bisogna mantenere il controllo e garantire che tutto ciò che accade sia tracciabile.

I sistemi tradizionali SAP erano deterministici – input, regola, output – mentre con l’intelligenza artificiale si entra in un contesto probabilistico, in cui il sistema suggerisce e non si limita a eseguire. Questo però non significa perdere il controllo: significa gestirlo in modo diverso. Se, ad esempio, un agente suggerisce un fornitore, io devo sapere esattamente che cosa mi sta suggerendo, quali logiche ha seguito e quali dati ha utilizzato. Devo sapere che sta prendendo in considerazione fornitori con cui ho già lavorato, oppure fornitori che rispettano determinati criteri di compliance, e quindi che non mi sta proponendo soggetti con cui non posso lavorare.

Il punto è che il grosso del lavoro non è tanto quello che si vede, cioè la funzionalità, ma tutto ciò che sta sotto. In un processo aziendale reale dobbiamo comunque mantenere il controllo e la responsabilità del risultato, perché l’accountability resta sempre in capo alla persona e all’azienda.

Poi bisogna distinguere. Un conto è l’aspetto gestionale, un conto è quello, per esempio, contabile o finanziario. Quando devo dare dati certi, deterministici – penso a un bilancio, a un’azienda quotata – il rapporto causa-effetto deve dare sempre lo stesso risultato, perché il mercato lo richiede. In altri ambiti, invece, entriamo nelle variabili gestionali che sono oggetto di giudizio: qui l’AI lavora su base probabilistica, ma con tracciabilità, cioè io so quali criteri sono stati utilizzati.

Anche quando il sistema propone – per esempio, in emergenza, di trovare un fornitore alternativo a Singapore – resta sempre governato dall’utente. Non è il sistema che decide in autonomia senza controllo.

Quando si utilizzano strumenti come Joule, questo diventa ancora più evidente: introduce un’interazione conversazionale con i processi, ma non è un sistema separato, perché opera all’interno del sistema ed eredita tutte le regole esistenti. È quindi possibile formulare richieste in linguaggio naturale, ma le informazioni restituite sono limitate a ciò che il profilo utente è autorizzato a visualizzare, secondo una logica già integrata.

Questo è il punto chiave: tutte queste funzionalità funzionano perché poggiano su sistemi che già incorporano governance, regole e autorizzazioni, mantenendo controllo e tracciabilità anche in un contesto non deterministico.

Se invece si portano i dati all’esterno e si costruisce sopra un layer di intelligenza artificiale, tutta questa struttura deve essere ricostruita da zero — profili autorizzativi, controlli, semantica dei dati e processi — e si tratta di uno sforzo molto rilevante, perché la gestione delle autorizzazioni è complessa in qualsiasi azienda, indipendentemente dalle dimensioni.

È per questo che la centralizzazione dei dati in un ambiente separato, pur apparendo inizialmente più semplice, introduce in realtà un livello di complessità elevato: non si tratta solo di spostare i dati, ma di ricostruire tutto il contesto operativo in cui quei dati hanno significato.

L’approccio alternativo consiste nel lasciare i dati all’interno delle applicazioni di business e attivare l’intelligenza artificiale direttamente in quel contesto, ed è la strada che seguiamo, perché in questo modo processi, regole e autorizzazioni sono già disponibili e non devono essere ricreati.

In questo scenario, strumenti come Joule ereditano automaticamente i profili autorizzativi e restituiscono informazioni diverse in base all’utente, senza richiedere ulteriori livelli di gestione. Al contrario, quando i dati vengono estratti e portati all’esterno, tutta la parte sottostante — quella non visibile — deve essere ricostruita, con un effort significativo, anche quando l’operazione appare più rapida nella fase iniziale.

È anche per questo che insistiamo molto sul tema del clean core, perché se un sistema è stato fortemente customizzato nel tempo diventa più difficile attivare queste funzionalità, dal momento che ogni intervento deve adattarsi a un contesto modificato; al contrario, se il core è pulito, standard e aderente alle best practice, queste capacità possono essere attivate molto più rapidamente.

Il clean core, quindi, non è un concetto teorico, ma una condizione operativa necessaria per poter adottare l’intelligenza artificiale su larga scala.

Molte aziende stanno investendo in intelligenza artificiale, ma spesso faticano a misurarne il ritorno. Da dove conviene partire per adottare l’AI in modo concreto e riuscire davvero a dimostrarne il valore?

La mia risposta si basa su ciò che vedo nei clienti: si parte dai KPI di business, quindi dalla misura della produttività o dell’efficacia di un processo, che può essere la pianificazione finanziaria oppure la riconciliazione delle fatture. Esiste infatti un’area molto ampia in cui l’intelligenza artificiale può portare produttività al lavoro dei cosiddetti colletti bianchi, automatizzando attività che oggi sono ancora manuali.

Questo però è solo un primo livello, perché un conto è l’automazione e un altro è il momento in cui l’AI entra realmente nei processi: quando l’architettura è adeguata, infatti, può essere attivata in giorni o settimane, dato che i dati sono già disponibili e si opera all’interno di un ambiente coerente, e questo cambia completamente la prospettiva.

A quel punto non ha più senso considerare l’AI come qualcosa di fine a sé stesso, ma bisogna partire dalla domanda su che cosa si vuole migliorare; se questo è chiaro, allora l’AI è in grado di fornire risposte che non si limitano all’automazione, ma arrivano a modificare il modello di business.

Quando si riesce a elaborare una quantità di dati che una persona non sarebbe in grado di gestire, e lo si fa in tempo reale, si ottengono insight e raccomandazioni che aprono scenari completamente nuovi: nel retail, ad esempio, è possibile avere il prodotto giusto nel punto vendita giusto, attivare pricing dinamico, capire quando aumentare o ridurre i prezzi e intervenire sulla supply chain quando si verificano problemi.

È in questo passaggio che cambia il modo di lavorare: si parte dai KPI, ma si arriva a una trasformazione del modello operativo.

Ci sono stati anche casi in cui l’intelligenza artificiale non ha prodotto il valore atteso? E, se sì, quali sono state le cause principali?

Ci sono stati casi di insuccesso, anche se oggi sempre meno, mentre all’inizio si è vista una fase in cui molte aziende partivano con progetti pilota con l’idea di provare e vedere cosa succedeva; ed è stato proprio questo l’errore, perché il problema non era tanto tecnologico quanto metodologico, dal momento che non era chiaro l’obiettivo.

Il messaggio che oggi diamo è molto semplice: le aziende devono generare profitto ed essere competitive, non sono un’accademia, quindi fare dei pilot per comprendere le funzionalità può avere senso, ma spesso non veniva costruito un vero business case, e questo ha portato a risultati non soddisfacenti.

Quella fase è ormai in gran parte superata, perché oggi le aziende sono molto più consapevoli: partono da un ambito preciso, da una verticalizzazione, definiscono che cosa vogliono ottenere e lavorano per raggiungerlo, e con questo approccio i risultati arrivano.

Più che di insuccessi, quindi, si può parlare di un’evoluzione del metodo, in cui tutti hanno dovuto ritarare le aspettative e sviluppare una maggiore consapevolezza, soprattutto rispetto ai prerequisiti: bisogna chiedersi qual è l’obiettivo, se è misurabile – perché se non lo è diventa un problema – e come dimostrarne il valore.

A questo si aggiunge un altro elemento fondamentale, che riguarda le condizioni di partenza: è necessario verificare se esiste una base dati consistente e se si dispone di un sistema su cui sia possibile attivare queste funzionalità, perché se un cliente ha customizzato tutto nel corso degli anni, il percorso diventa molto più complesso.

Esistono infatti funzionalità che sono già embedded e si attivano facilmente, mentre altre richiedono più lavoro; per questo oggi il punto è chiaro: definire l’obiettivo, verificarne la misurabilità e assicurarsi di avere le condizioni per partire, tenendo presente che l’intelligenza artificiale offre grandi opportunità, ma non produce risultati automaticamente.

Ci sono differenze tra grandi aziende e realtà più piccole nell’adozione dell’intelligenza artificiale, oppure l’approccio è sostanzialmente lo stesso?

Osservo la stessa curiosità e la stessa attenzione, ma motivate da esigenze diverse, perché nelle aziende di dimensioni maggiori – e anche in molte realtà medie – il tema principale è quello dell’efficientamento, quindi il recupero di produttività e competitività, mentre nelle aziende più piccole emerge con maggiore forza la possibilità di crescere a parità di risorse.

Si tratta quindi di prospettive differenti, ma entrambe rilevanti, e questo si riflette anche nel modo in cui le aziende si avvicinano a queste tecnologie: lavoriamo con numerose realtà di medie dimensioni che vogliono capire concretamente come utilizzare l’intelligenza artificiale, mentre scendendo ulteriormente per dimensione, dove spesso la proprietà è più diretta e la struttura organizzativa è diversa, si nota un approccio ancora più pragmatico.

In questi contesti, infatti, non c’è interesse per la tecnologia in sé, ma per ciò che può portare al business, quindi crescita, attivazione di nuovi modelli oppure maggiore efficienza a parità di risorse, ma anche miglioramento delle capacità di governo, perché quando un’azienda cresce rapidamente – cresce il fatturato – l’organizzazione fatica a tenere il passo con strumenti tradizionali.

È proprio in queste situazioni che strumenti basati su intelligenza artificiale, in grado di supportare il governo e la generazione di insight, diventano particolarmente rilevanti.

Se devo individuare una differenza, nelle aziende più piccole vedo quindi un pragmatismo ancora più marcato, ma nel complesso non esiste una polarizzazione netta: vedo piuttosto aziende che si trovano in fasi diverse, alcune orientate all’efficienza, altre all’automazione e altre ancora impegnate a capire come trasformare in modo più profondo il proprio modello di business.

In questi ultimi casi emerge un interesse significativo per gli agenti, perché non si tratta più soltanto di automatizzare, ma di arrivare a sistemi in grado di proporre azioni e supportare le decisioni, e questo rappresenta un livello completamente diverso.

Lo osserviamo anche internamente e vediamo aziende che stanno già lavorando su questi temi.

Quanto sono davvero adottati oggi gli agenti? C’è una distanza tra l’interesse che si registra e l’implementazione reale nelle aziende?

Siamo ancora nelle fasi iniziali, anche se il livello di curiosità è estremamente elevato, perché oggi non c’è praticamente alcun CEO che non voglia capire come utilizzare l’intelligenza artificiale all’interno della propria azienda.

Accanto a questo interesse, però, emerge con grande chiarezza il tema della maturità, sia dal punto di vista organizzativo sia dal punto di vista dei dati, perché gli agenti – e più in generale l’AI – portano inevitabilmente le aziende a confrontarsi con una domanda molto concreta: quanto si è davvero pronti?

Non si tratta soltanto di tecnologia, ma anche di struttura organizzativa e qualità dei dati, e questo rappresenta spesso il vero elemento discriminante.

La direzione è comunque chiara, perché gli agenti evolveranno verso forme di collaborazione tra loro e saranno in grado di gestire attività sempre più articolate; si tratta di uno sviluppo naturale, che però deve essere calato dentro un’organizzazione reale.

Il punto critico, infatti, non è la tecnologia in sé, ma la capacità di integrare queste soluzioni all’interno di processi già esistenti, ed è per questo che è necessaria una roadmap di adozione chiara: non esistono scorciatoie.

Bisogna lavorare sull’architettura applicativa e creare le condizioni perché queste tecnologie possano funzionare in modo efficace.

Molte aziende stanno già facendo questo percorso e, rispetto al passato, si osserva una maggiore consapevolezza, con clienti che affrontano questi temi in modo più strutturato.

Il passaggio al cloud e le attività di pulizia del core rientrano pienamente in questo percorso, perché servono a costruire un’architettura più pulita e più standard, quello che noi chiamiamo clean core, ed è proprio questa condizione che consente all’intelligenza artificiale di esprimere pienamente il proprio valore.

Dove queste condizioni sono già presenti, vediamo utilizzi concreti, mentre dove non lo sono il lavoro da fare resta ancora significativo.

SAP ha recentemente riorganizzato il proprio modello, integrando prevendita, vendita, consulenza e delivery: qual è la logica di questa scelta e quali benefici può portare?

Si tratta di una riorganizzazione significativa, con cui stiamo di fatto ricostruendo il go-to-market del gruppo, integrando in un’unica struttura le diverse funzioni – prevendita, vendita, consulenza e delivery.

Questa organizzazione è guidata da Thomas Saueressig, che è una figura con un’esperienza molto ampia, perché ha guidato lo sviluppo, i servizi e le Cloud Operations, e quindi conosce molto bene tutte le componenti.

Ritengo che questa scelta sia molto efficace, perché oggi non basta più posizionare le soluzioni e venderle correttamente: è necessario assicurarsi che vengano implementate bene, adottate completamente e che possano scalare.

Il modello tradizionale – vendita, progetto e ritorno dopo anni – non è più adeguato, perché oggi portiamo soluzioni e dobbiamo verificare che il cliente le utilizzi davvero e ne tragga valore, e questo vale anche per i partner.

L’obiettivo è eliminare le barriere interne e costruire un modello realmente end-to-end orientato al cliente: parliamo di un’organizzazione molto ampia, con decine di migliaia di persone, ma l’obiettivo è aumentare l’agilità e trasferire questa agilità ai clienti.

Il punto, in definitiva, non è soltanto vendere, ma garantire che il cliente ottenga valore.