Quando quattro applicazioni pensano con lo stesso cervello
Le aziende costruiscono da anni portafogli tecnologici che sembrano diversificati. Strumenti diversi per le vendite, le operazioni, la conformità normativa, lo sviluppo software, la catena di fornitura. Fornitori differenti. Contratti separati. Team dedicati. L'architettura visibile trasmette un'idea di indipendenza.
Ma esiste uno strato che la maggior parte degli inventari tecnologici aziendali non riesce a rilevare: il modello di intelligenza artificiale che alimenta ciascuna di quelle applicazioni. E se quattro di quelle dieci applicazioni girano sullo stesso modello base, o sulla stessa famiglia di modelli, o sullo stesso fornitore di API, allora la diversificazione visibile nell'organigramma non esiste nel luogo in cui vengono prese le decisioni. Esiste nell'involucro, non nel ragionamento.
Questo è ciò che una recente pubblicazione del Forbes Technology Council ha denominato concentrazione cognitiva: il fenomeno per cui le organizzazioni che operano con molteplici applicazioni di intelligenza artificiale finiscono per dipendere dallo stesso sistema di conoscenza sottostante, con il rischio che un cambiamento o un guasto in quel sistema si propaghi silenziosamente attraverso processi di business apparentemente indipendenti. L'articolo, scritto da una dirigente senior di tecnologia in un istituto finanziario globale, è un avviso di gestione del rischio più che una segnalazione di crisi. Ma ciò che descrive come ipotesi plausibile trova un riscontro sufficiente nella struttura attuale del mercato da meritare di essere preso sul serio.
Il problema che non appare nel pannello operativo
La concentrazione tecnologica classica ha un vantaggio inaspettato: quando qualcosa si rompe, lo si sa subito. Se un fornitore di cloud cade, i sistemi si fermano. Se un server principale si guasta, gli alert scattano. L'interruzione è visibile, misurabile e ha un cronometro.
La concentrazione cognitiva non funziona così. Il sistema può continuare a operare con perfetta normalità sul piano tecnico mentre i giudizi che produce sono cambiati. Un aggiornamento del modello base può modificare il peso che il sistema assegna a determinate variabili in un processo di approvazione del credito, nella classificazione degli alert di cybersicurezza, nella revisione dei contratti legali o nella generazione di proposte commerciali, e nessuno di quei cambiamenti attiva un allarme. Il pannello rimane verde. Le applicazioni rispondono. Gli utenti lavorano. E l'organizzazione sta prendendo decisioni correlate basate su un ragionamento che è appena cambiato su tutti i fronti simultaneamente.
Esistono evidenze di mercato che trasformano questo scenario in qualcosa di più della semplice speculazione. Un'indagine della Bank of England e della Financial Conduct Authority del Regno Unito condotta su 118 società finanziarie nel 2024 ha rilevato che i tre principali fornitori esterni concentravano il 73% dei servizi cloud censiti e il 44% dei fornitori di modelli. In parallelo, il 55% dei casi d'uso dell'intelligenza artificiale in quelle società prevedeva un certo livello di processo decisionale automatizzato. Questi due dati insieme tracciano il contorno del rischio: molte decisioni automatizzate, pochi modelli reali sottostanti.
La struttura del mercato dei modelli linguistici rafforza questa lettura. Le stime di Menlo Ventures sulla spesa aziendale in intelligenza artificiale generativa mostrano che tre fornitori — Anthropic, OpenAI e Google — concentravano circa l'88% della spesa aziendale in modelli linguistici nel 2025. Non si tratta di un oligopolio illegale né di un comportamento anticoncorrenziale; è semplicemente lo stato di maturità del mercato in questo momento. Ma combinato con la velocità con cui le aziende stanno incorporando queste capacità, il risultato matematico è una reale concentrazione dell'intelligenza al di sotto di un'apparente diversità applicativa.
La spesa aziendale in intelligenza artificiale generativa è passata da 1,7 miliardi di dollari nel 2023 a 11,5 miliardi nel 2024 e a 37 miliardi nel 2025, secondo gli stessi dati di Menlo. Questa velocità di adozione significa che molte organizzazioni hanno incorporato dipendenze profonde senza aver avuto il tempo di mappiarle con rigore. Le architetture sono state costruite in fretta perché c'era pressione per mostrare risultati. L'inventario delle dipendenze cognitive è stato rimandato. Nella maggior parte dei casi, quel momento non è ancora arrivato.
Cosa cambia quando il guasto è silenzioso e correlato
Esiste una distinzione operativa che vale la pena articolare con precisione, perché è quella che determina se questo rischio merita attenzione esecutiva o può essere delegato al team di architettura.
La concentrazione tradizionale di fornitori produce guasti di disponibilità. La concentrazione cognitiva produce guasti nella qualità delle decisioni. Sono categorie di rischio distinte con profili di rilevamento completamente diversi.
Un guasto di disponibilità viene rilevato in pochi minuti. Un guasto nella qualità delle decisioni può vivere in produzione per settimane o mesi prima che qualcuno lo identifichi, e solo se esiste qualche meccanismo di valutazione comparativa capace di rilevare derive. La maggior parte delle organizzazioni dispone di protocolli robusti per il primo tipo. Per il secondo, la copertura è scarsa o inesistente.
L'articolo menziona uno scenario che merita attenzione specifica: gli aggiornamenti dei modelli. Quando un fornitore rilascia una nuova versione del proprio modello base, le applicazioni che girano su quella API ereditano il cambiamento, a volte in modo trasparente, a volte senza una notifica chiara. Se quattro applicazioni critiche condividono quel fornitore, quattro processi di business cambiano simultaneamente. Alcuni cambiamenti saranno neutri o benefici. Ma se il nuovo modello presenta una calibrazione diversa rispetto a categorie di rischio, tipi di transazioni o contesti specifici, l'impatto può essere significativo prima che chiunque lo abbia misurato.
Questo non è uno scenario a bassa probabilità. È la meccanica ordinaria di come funzionano i modelli come servizio. I fornitori aggiornano i propri modelli con una certa periodicità. Le organizzazioni che consumano quei modelli via API ereditano quegli aggiornamenti entro i termini contrattuali negoziati, che in molti casi sono minimi. Il rischio non risiede nella malafede del fornitore; risiede nell'architettura della dipendenza e nell'assenza di controlli di valutazione continua che rilevino le derive.
Il Comitato di Politica Finanziaria della Bank of England ha pubblicato nell'aprile 2026 un'analisi in cui ha rilevato che l'intelligenza artificiale avanzata non era ancora stata adottata in misura tale da presentare un rischio sistemico nel settore finanziario, ma ha avvertito che quei rischi potrebbero aumentare rapidamente con l'espandersi dell'implementazione. La sequenza è importante: i controlli si costruiscono più facilmente prima che le dipendenze siano profondamente radicate. Una volta che otto unità di business dipendono dallo stesso modello per decisioni ad alto impatto, il costo di strumentare una validazione indipendente è considerevolmente più alto rispetto a farlo mentre il sistema viene progettato.
Perché la maggior parte degli inventari tecnologici non rileva questo problema
Un'indagine dell'IBM Institute for Business Value condotta nel 2026 su mille dirigenti senior in 16 paesi ha rilevato che il 91% ammetteva di non comprendere completamente le proprie dipendenze di intelligenza artificiale tra fornitori, modelli e infrastrutture. Il 71% ha dichiarato che cambiare il proprio principale fornitore o modello di intelligenza artificiale sarebbe difficile. Questi due percentuali insieme descrivono una situazione specifica: organizzazioni che hanno costruito dipendenze che non comprendono del tutto e che sarebbero costose da invertire.
Parte della spiegazione è strutturale. Gli inventari tecnologici tradizionali sono organizzati per applicazione o per fornitore di software. Rilevano bene lo strato visibile: quale piattaforma, di quale azienda, con quale contratto. Ciò che non rilevano è lo strato di intelligenza sottostante: quale modello base, di quale famiglia, con quale fornitore di calcolo, con quali dati di addestramento, con quale politica di aggiornamento. È quello strato che determina come ragiona il sistema, ed è quello che può risultare concentrato anche quando le applicazioni visibili sembrano diversificate.
L'altra parte della spiegazione riguarda la velocità organizzativa. La pressione per mostrare casi d'uso dell'intelligenza artificiale operativi in produzione è stata, in molte organizzazioni, maggiore della pressione per documentare le dipendenze. I team hanno distribuito rapidamente. I controlli di governance sono arrivati dopo, quando sono arrivati. Il risultato è che l'inventario delle applicazioni è abbastanza completo nella maggior parte delle medie e grandi imprese, ma l'inventario delle dipendenze cognitive — modelli, famiglie di modelli, fornitori di API, fonti di dati, sistemi di recupero — non esiste con lo stesso livello di dettaglio.
Questa non è una critica ai team che hanno preso quelle decisioni. Dati i vincoli di tempo, risorse e pressione competitiva esistenti tra il 2023 e il 2025, muoversi rapidamente è stata spesso la scelta giusta. Il problema è che muoversi in fretta senza registrare le dipendenze che si creano produce esattamente la situazione descritta dal 91% dei dirigenti intervistati da IBM: dipendenze che non si comprendono del tutto e che sarebbero difficili da cambiare.
La domanda che i consigli di amministrazione dovrebbero porre
L'articolo di Forbes propone uno strumento analitico denominato Indice di Concentrazione Cognitiva, una metrica che non ha ancora uno standard di settore ma la cui logica è diretta: mappare quali modelli, quali fornitori di API, quali fonti di calcolo e quali repository di dati condividono le applicazioni di intelligenza artificiale dell'organizzazione, incrociare quelle informazioni con la criticità dei processi di business che dipendono da ciascuno strato, e valutare quanto tempo occorrerebbe per effettuare un cambiamento in uno scenario di guasto o degradazione.
Il valore dello strumento non risiede nel numero che produce, ma nel processo che forza. Un'organizzazione che tenta di costruire quella mappa per la prima volta scopre rapidamente cosa sa e cosa presumeva di sapere sulle proprie dipendenze. Quella differenza — tra ciò che è documentato e ciò che è dato per scontato — è dove il rischio tende a nascondersi.
Tre variabili determinano quando la concentrazione cognitiva passa dall'essere un'inconvenienza architettonica a diventare un problema di governance esecutiva. La prima è la criticità del processo: la concentrazione in applicazioni di marketing a basso rischio con alternative disponibili è un problema minore; la concentrazione in sistemi di sottoscrizione, approvazione del credito, rilevamento delle frodi o decisioni sui prezzi è una priorità di tutt'altra natura. La seconda è la velocità di sostituzione: quanto tempo occorre effettivamente per cambiare modello o fornitore in un processo di business reale, non in teoria, ma verificato in un esercizio di continuità operativa. La terza è la capacità di rilevamento delle derive: se l'organizzazione dispone o meno di meccanismi per identificare che un modello ha modificato il proprio comportamento prima che quel cambiamento produca un danno misurabile.
McKinsey ha riportato nella sua indagine globale del 2026 che il 28% delle organizzazioni destinava più del 10% del proprio budget tecnologico e informatico all'intelligenza artificiale. Quando l'investimento raggiunge quel livello, la dipendenza smette di essere sperimentale e diventa strutturale. Una dipendenza strutturale che non è mappata, valutata e dotata di protocolli di continuità è esattamente il tipo di rischio che i consigli di amministrazione sono tenuti a comprendere, anche se la maggior parte non dispone ancora del quadro concettuale per formularlo con precisione.
La diversificazione delle applicazioni è stata una decisione di acquisto. La resilienza cognitiva è una decisione di architettura. Sono due decisioni diverse che molte organizzazioni hanno confuso perché una era visibile e l'altra no. Correggere quella confusione in tempo — mentre le dipendenze sono ancora modificabili — è considerevolmente meno costoso che farlo dopo che un cambiamento di modello propagato attraverso otto processi di business simultanei costringe a farlo in modalità di crisi.
