Nonostante le aziende stiano accelerando nell’adozione dell’intelligenza artificiale vi è ancora un’elevata percentuale di progetti che non raggiungono i risultati sperati. Una statistica diffusa dalla società di market intelligence IDC conferma che solo l’11% delle aziende che adotta soluzioni di AI riesce a ottenerne un vantaggio misurabile a livello di business. La mancanza di un ritorno dell’investimento chiaro e misurabile spinge molte aziende ad abbandonare questo tipo di progetti. 

L’ostacolo risiede nella mancanza di un approccio e una visione strategica: non si capisce che l’AI destinata al mondo consumer e l’Enterprise AI siano due concetti ben distinti.

Il tema è stato al centro del discorso di apertura del Celosphere 2025, evento annuale in cui Celonis presenta le novità della sua piattaforma. Un appuntamento dove, attraverso il contributo di figure chiave dell’azienda, partner e clienti – ma anche di figure chiave del mondo della ricerca e dell’industria –, si cerca di delineare i trend futuri che riguardano la Process Intelligence.

La visione delineata da Celonis è quella di un futuro in cui le imprese non siano più “vincolate” ai sistemi che utilizzano, ma si trasformino in organizzazioni intrinsecamente “AI-enabled” grazie a soluzioni “componibili” (composable), promuovendo quella flessibilità e velocità essenziale per uscire dall’impasse del ROI mancato e migliorare continuamente ogni aspetto delle operazioni, superando le rigidità dei processi attuali.

L’obiettivo ultimo non è semplicemente quello di ottimizzare lo strato di esperienza di consumo rivolto al cliente, ma di rendere l’AI utile e integrata lungo l’intera catena del valore aziendale, fornendo intelligenza direttamente alle operazioni.

La tesi centrale emersa al Celosphere è chiara: l’AI ha il potenziale per offrire un valore trasformativo, ma per farlo, l’Enterprise AI deve prima di tutto comprendere veramente il contesto operativo in cui opera.

Il contesto: il layer mancante che impedisce all’AI di generare valore in azienda

Cosa manca all’AI per generare davvero valore nelle aziende? Il discorso di apertura di Alex Rinke, co-CEO e co-Founder di Celonis, si è aperto proprio con questa domanda.

“Si tende a considerare l’Enterprise AI come una semplice tecnologia. In realtà, si tratta di una disciplina strategica che mette insieme molte tecnologie, come l’Operational Intelligence, in Machine Learning e il Deep Learning, fino ad arrivare all’AI generativa e l’AI agentica. L’insieme di questi elementi permette di integrare in modo intelligente l’AI in ogni aspetto delle proprie operazioni”, ha spiegato.

Per creare valore quindi l’Enterprise AI deve, in primo luogo, comprendere il contesto aziendale.

Celonis fornisce questo contesto operativo completo attraverso il Process Intelligence Graph, un vero e proprio digital twin delle operazioni aziendali. Questo gemello digitale è agnostico rispetto al sistema e alla fonte, garantendo che i dati vengano estratti da ogni punto del flusso, dai sistemi ERP ai fogli di calcolo, dai PDF fino alla conoscenza tacita dei lavoratori, raccolta attraverso le attività rilevate dal task mining. Tale approccio garantisce che il digital twin sia privo di pregiudizi, rappresentando il livello essenziale che connette le diverse fonti dati all’AI per farla funzionare davvero in azienda.

Questo approccio strategico consente all’AI di operare “nel posto giusto” e in sinergia con il resto delle risorse aziendali, dalle tecnologie alle persone.

Il ciclo virtuoso dell’Enterpirse AI: analizzare, progettare e operare

Per trasformare l’Intelligenza Artificiale da promessa teorica a motore di efficienza operativa misurabile, l’approccio Enterprise AI deve seguire un processo strutturato, sintetizzato nel ciclo virtuoso “analyse, design, and operate” (analizza, progetta e opera).

La fase di analisi è fondamentale per la Process Intelligence perché permette di scoprire il processo effettivo, mappando il flusso di lavoro e individuando i punti in cui l’AI può essere dispiegata strategicamente. L’obiettivo primario è fare in modo che l’AI comprenda come il business funziona e come può essere migliorato.

Come ha sottolineato Rinke, la funzionalità più preziosa dell’AI non è solo automatizzare o correggere un errore a valle, ma prevenire l’insorgere del problema alla radice. Sfruttando la profonda conoscenza dei flussi di lavoro, l’AI può identificare la causa radice di un’inefficienza – si pensi ad esempio a un errore nel formato di un codice postale che innesca un blocco del credito – e correggere quel punto di origine, eliminando il problema prima che si manifesti e generando un impatto significativo.

La fase successiva, quella di design, si concentra sulla riprogettazione dello stato ideale del processo, che viene definito sulla base delle insight emergenti dall’analisi. Questa è la fase di pianificazione, dove si definisce come il processo dovrebbe funzionare meglio in futuro. L’utente può impostare outcome desiderati, stabilire guard rails (barriere di sicurezza) per l’AI, definire i punti di inserimento della tecnologiaI (AI insertion points) e attingere a blueprint di best practice.

La fase operativa è il momento in cui i processi nuovi o migliorati vengono messi in funzione, attraverso l’orchestrazione delle soluzioni AI direttamente all’interno dei carichi di lavoro esistenti. L’obiettivo è assicurarsi che agenti AI, risorse umane e sistemi operino in sincronia (in sync) verso outcome condivisi, permettendo all’azienda di monitorare le performance e misurare l’impatto.

Grazie a questo ciclo l’AI ottiene il contesto di cui ha bisogno, viene implementata “nei posti giusti” e si integra perfettamente nell’organizzazione, trasformando i processi in operazioni guidate dall’AI (AI-driven operations).

L’AI Agentica (Agentic AI) emerge come un elemento fondamentale in questo ciclo, assumendosi la responsabilità di eseguire compiti specifici che altrimenti graverebbero sulle persone. L’efficacia operativa, tuttavia, si ottiene solo grazie alla comprensione del contesto fornita dalla Process Intelligence, che permette di discernere in quali task l’uso dell’AI agentica può portare maggiore valore aggiunto rispetto a un operatore e viceversa.

Liberare il processo: come Celonis supporta la creazione di valore dell’Enterprise AI

Il prerequisito per attuare questo circolo virtuoso è riassunto in quello che è stato lo slogan di Celosphere 2025, “Free the process”: liberare i processi aziendali dalle restrizioni imposte dai sistemi transazionali.

Il flusso di business deve poter operare nel modo più efficace per l’azienda, svincolandosi dalle restrizioni dei sistemi che lo “imprigionano”. Limitare l’accesso ai dati o all’intelligence di processo riporterebbe, di fatto, le aziende “nell’era del mainframe”, distruggendo la visione orizzontale e l’agilità necessaria per l’innovazione continua. Per evitare questa frammentazione, l’approccio di Celonis all’Enterprise AI si fonda su un ecosistema aperto.

In questa visione di un ecosistema aperto e libero, la componibilità (composability) assume un valore strategico. Non si tratta semplicemente di mettere insieme applicazioni separate, ma di un’architettura che permette alle aziende di costruire, riutilizzare e modificare flussi di lavoro in modo granulare e senza vincoli.

La componibilità è definita dalla capacità di creare rapidamente nuove applicazioni utilizzando blocchi riutilizzabili (reusable building blocks) – trigger, agenti AI e flussi di orchestrazione – che possono essere combinati e riconfigurati con facilità per fornire l’intelligenza operativa esattamente dove serve nel flusso di business, garantendo massima flessibilità e velocità di risposta ai cambiamenti.

Verso la “composable AI”: l’evoluzione della piattaforma di Celonis per supportare la creazione di valore dell’Enterprise AI

Per supportare i clienti nella creazione di questa Enterprise AI componibile, Celonis ha introdotto importanti innovazioni sulla sua piattaforma, focalizzate sull’apertura e la bassa latenza dei dati.

Il fulcro è l’integrazione Zero-Copy con le piattaforme data lakehouse, come la partnership con Databricks (resa possibile tramite Delta Sharing e Celonis Data Core) e l’integrazione in roadmap con Snowflake. Questo approccio elimina la necessità di spostare o duplicare i dati tra le piattaforme, superando i silos informativi e riducendo gli errori di sincronizzazione.

Le novità includono anche il potenziamento del supporto MCP Server (Model Context Protocol, o protocollo MCP) per estendere il Process Intelligence Graph e incorporare l’intelligence di processo in piattaforme AI di terze parti, come Amazon Bedrock o Azure Copilot Studio (Microsoft Copilot Studio).

Clienti e partner possono così costruire nuove applicazioni AI sulla base contestuale fornita da Celonis. Un esempio specifico è l’app Agent Miner by Bloomfilter, che applica la Process Intelligence al Software Development Lifecycle per comprendere e governare il comportamento degli Agenti AI mentre scrivono il codice.

In questo modo l’Enterprise AI diventa abilitata dal contributo di un ecosistema che costruisce e crea nuove applicazioni partendo dalla base contestuale offerta dalla Process Intelligence Platform.