Consulenti e professionisti ai tempi dell’AI: saloon, balistica difensiva, colleghi e clienti AI-powered

Giancarlo Puddu — LinkedIn personale | Seed Capital Pro su LinkedIn | MINDS Lab su LinkedIn

Analisi su consulenza e intelligenza artificiale (Artificial Intelligence, AI) applicata ai servizi professionali: cliente AI-powered, orchestrazione LLM, HITL e distinzione tra valutazione informatica e valutazione informativa.

Questo articolo affronta due scenari operativi distinti: il consulente che adotta l’AI rischiando il falso adattamento, e il rapporto con un cliente che arriva già equipaggiato di propri LLM. Per entrambi propone criteri, metodo e regole operative.

Con questa chiosa di commento a un brillante post di Alberto Giusti si è chiusa la sintesi di un’analisi che portiamo avanti da tempo, come MINDS Lab attraverso AKSIR Team, sull’impatto e i trend dell’AI e degli LLM per i consulenti in generale e, in particolare, nei cosiddetti KIBS (acronimo di Knowledge-Intensive Business Services, ovvero Servizi Aziendali ad Alto Contenuto di Conoscenza).

Quanto segue è una sintesi disseminativa che si ricollega al commento e contestualizza quanto, come e perché l’AI impatta sul ruolo del consulente.
Useremo una scenografia metaforica che strizza l’occhio al cinema western per condensare e rendere accessibile in un post di blog aziendale un’analisi tecnica senza impoverirla. In questa metafora la scena è rappresentata da due saloon, distinti in parte per attori, per geometria del rischio, per tipo di danno producibile. Eppure, condividono una radice comune: il ruolo del consulente e il rischio dell’assenza di governo della traiettoria nell’uso tattico e non adeguato di AI.

La metafora del Far West applicata all’AI spiega una dinamica di frontiera: un territorio in cui potenza, velocità e disponibilità dell’arma sono cresciute più in fretta della disciplina necessaria a governarle. Ed è proprio in questa frontiera che troviamo i due saloon. Uno riguarda il consulente AI-powered alle prese con la propria mutazione e il proprio change management, l’altro, per me ancora più insidioso e stimolante, riguarda il rapporto tra consulente e cliente quando entrambi sono AI-powered.

Il primo errore è pensare che il problema sia soltanto tecnico o tecnologico. È tecnico, cognitivo, relazionale e competitivo allo stesso tempo. Per questo la distinzione che trovo più utile, in pratica, è tra valutazione informatica e valutazione informativa. La prima misura prestazione computazionale, velocità, costo, scalabilità. La seconda misura pertinenza, affidabilità, asimmetrie cognitive, qualità decisionale ed effetti di potere. Confondere i due piani è l’origine di molte cattive decisioni sull’AI.

Due casi dalla pratica, dichiaratamente semplificati

Un terzo caso — il paziente che arriva dal medico con la diagnosi da LLM già in tasca — lo incontreremo nel secondo saloon, dove è più calzante.

Ma prima, un po’ di contesto per chi fosse interessato a comprendere meglio sia le basi condivise, sia ciò che lo sviluppo e l’adozione dell’AI hanno in comune con altri momenti di rivoluzione o transizione in ambito tecnico e tecnologico, con le relative resistenze e opportunità del caso, così come quali siano le peculiarità di questa rivoluzione di paradigma che l’AI ha portato e i cui effetti più pervasivi iniziano a farsi sentire, in particolare nel mondo consulenziale, KIBS, T-KIBS e P-KIBS.
Chi non fosse invece interessato a questo approfondimento di contesto può saltare la prossima parte e andare direttamente al ↓ primo saloon per il consulente AI-powered.

La delega operativa che cambia categoria

Ogni salto tecnologico rilevante produce due effetti simultanei: amplia la capacità operativa di chi lo adotta e ridefinisce il valore di competenze che sembravano consolidate. Il luddismo, in questo senso, ha avuto ragione sulla disruption ma torto sull’esito. Il contadino non è morto con il trattore: ha posato la zappa ed è salito in cabina. Il rifornimento del lavoro si è spostato dalla robusta colazione al costo della nafta. Agricoltura e agricoltori ci sono ancora, come ci sono ancora i braccianti, quelli regolari e ben organizzati, così come gli schiavi contemporanei finiti nel giogo criminale del caporalato: la tecnologia non risolve le asimmetrie di potere ma le sposta.

C’è però una differenza strutturale tra questo salto e i precedenti, e vale la pena nominarla con precisione invece di diluirla nel generico “questa volta è diverso”.

Ruota, macchina a vapore, motore elettrico, linea di montaggio, computer: tutti i disaccoppiamenti o, meglio, tutte le deleghe operative precedenti hanno riguardato la materialità del fare umano. Forza, distanza, velocità fisica, ripetibilità meccanica. Il monopolio cognitivo dell’umano, uno dei fattori distintivi dell’evoluzione umana, è rimasto intatto per tutta quella stagione. L’intelligenza, la produzione linguistica, il giudizio contestuale, la costruzione argomentativa: tutto questo rimaneva, per definizione, sul lato umano, con un’evoluzione potente e che ha permesso di avere tecniche esecutive superiori, fino a sviluppare supporti fisici che hanno fissato nel tempo anche il suono e non solo le immagini.

Con gli LLM e i sistemi AI generativi, la delega raggiunge per la prima volta il dominio cognitivo in senso stretto: porzioni rilevanti dell’elaborazione linguistica, della strutturazione argomentativa, della sintesi informativa, della produzione consulenziale ora sono coperte anche da non-umano. La differenza tra questo e i salti precedenti, le rivoluzioni e le transizioni di cui si faceva cenno prima, è categoriale, non graduale. Ciò significa che chi approccia o governa questo salto con gli strumenti concettuali del salto precedente, misurando la fatica invece della traiettoria, sbaglia metro prima ancora di sbagliare scelta.

Una distinzione che per noi di Seed Capital Pro è nevralgica

Prima di entrare nei due saloon, vale la pena introdurre uno strumento analitico sistematicamente assente nel dibattito pubblico sull’AI, eppure tra i più utili in pratica.

La valutazione informatica riguarda prestazione computazionale: velocità, costo, scalabilità, disponibilità, integrazione tecnica. È il piano su cui confrontiamo modelli, API, stack, benchmark. Necessario, certo, ma non sufficiente.

La valutazione informativa riguarda tutt’altro: pertinenza contestuale, affidabilità epistemica, asimmetrie cognitive, qualità decisionale, effetti di potere di chi produce e di chi riceve l’output. È il piano su cui dovremmo valutare l’AI applicata alla consulenza, e raramente tutto questo si trova affrontato con rigore al di fuori di ambiti accademici.

Confondere i due piani è la fonte principale di cattive decisioni sull’AI, nelle organizzazioni come nelle pratiche professionali. Chi sopravvaluta l’AI usa quasi sempre il metro informatico su questioni informative: “risponde veloce, risponde bene, è scalabile”. Chi la sottovaluta fa spesso lo stesso errore in senso inverso: “ha allucinato una volta, quindi non è affidabile”. Entrambi ignorano il piano su cui la questione è realmente posta.

Questa distinzione sarà utile nei due scenari che seguono: finalmente, arso in gola dal sole caldo della necessità di cambiamento, impolverato dal percorso storico e dalla cavalcata fatta, il consulente ora entra nei saloon, nel primo.

Primo saloon: il consulente AI-powered e la tentazione della sola potenza di fuoco

Il consulente, professionista magari super senior, entra nel primo saloon dove trova altri come lui: colleghi, competitor, management: è il saloon dell’AI con i suoi consulenti più o meno AI-powered. Il consulente “disarmato” che entra e incontra l’AI si guarda circospetto intorno e ha davanti una serie di scelte che sembrano tecniche ma sono epistemiche: cosa delego e cosa governo, dove finisce lo strumento e dove inizia il giudizio, quale porzione del valore che produco per il cliente è codificabile e delegabile.

L’errore più comune non è resistere disarmato in piena verve di luddismo. Il luddismo, infatti, è almeno onesto nella sua resistenza: dichiara il conflitto, prende posizione, e alla lunga perde perché lo strumento non viene distrutto, ma circonda e cinge l’assedio a morsa attraverso l’adozione altrui finché, sfiancato, si cede. Accade anche stavolta.

Il rischio più insidioso è il falso adattamento: adottare l’AI come amplificatore di velocità, volume e sicurezza apparente, senza modificare il metro con cui si valuta l’output. In questo primo saloon, il consulente che cade nell’errore di falso adattamento mette in fondina l’AI con uno o più LLM e sceglie la sua pistola perché ne guarda la velocità di volata, i colpi al minuto, la scioltezza apparente dell’output. Vuole sopravvivere ai tempi dell’AI e, proprio per questo, rischia di scambiare potenza di fuoco per superiorità professionale. Il risultato è una consulenza più rapida, più liscia, più “convinta”, più apparentemente strutturata. Anche più entropica, più povera di giudizio, più esposta all’illusione di competenza.

Quando l’occhio clinico degli altri avventori consulenti AI-powered si fa più allenato, si arriva presto a individuare il consulente che ha scelto male la sua pistola AI e quanto produce: consulenza “Made in LLM”. La consulenza “Made in LLM” è riconoscibile grazie a marcatori espressivi precisi: epanortosi enfatiche, em dash compulsivi, aperture del tipo “in un contesto sempre più complesso…”, binari falsi presentati come insight strategici, conclusioni che arrivano esattamente dove il lettore si aspettava, in perfetto stile “sindrome d’Elettra”.

Per un occhio clinico abituato alla balistica e alla medicina legale in contesti di intelligence, questi marcatori sono leggibili quanto una compatibilità balistica o un referto autoptico: la provenienza si vede.

Nei nostri protocolli e nelle nostre suite proprietarie come Prima della Risposta, cioè la suite di governance della domanda e dell’interrogazione a monte, prima che la risposta produca tracce, inferenze e leakage, e EST4ESG, cioè Etica, Sostenibilità e Tecnologia per ESG, qui soprattutto nella componente “T”, noi di Seed Capital Pro definiamo STUB test uno strumento operativo di lettura forense per rilevare marcatori espressivi LLM.

Su questo abbiamo già descritto altrove un metodo base, operativo low-compute, per il
rilevamento forense di contenuti AI-generated su LinkedIn,
con un’analogia che chi ha visto Inglourious Basterds troverà immediatamente leggibile.

Il punto peggiore, quindi, si tocca quando il consulente, per convinzione o per sfinimento, decide di armarsi di LLM; e decide di puntare sulla sola potenza, con pericolo per gli altri e per sé, per confrontarsi con altri colleghi/competitor o manager con cui si finisce per competere su chi ha l’LLM più grosso. Non c’è limite al peggio se poi lo sfoggio è selvaggio, senza governo della traiettoria: si rischia di spararsi in un piede prima ancora che arrivi il cliente.

E il cliente, come vedremo, oggi molto probabilmente arriva già armato.

Secondo saloon: il cliente AI-powered e la nuova geometria della relazione

Nel secondo saloon cambiano gli attori e cambia la geometria della relazione.

Questo è lo scenario meno tematizzato e, proprio per questo, il più rilevante per chi opera nella consulenza professionale di tipo KIBS.

La letteratura sui KIBS identifica nella co-produzione il meccanismo generatore di valore: il servizio consulenziale emerge dall’interazione tra competenze, informazioni e capacità di elaborazione di fornitore e cliente. Il cliente non è un destinatario passivo, ma un co-produttore strutturale di valore. È questa caratteristica strutturale che distingue i KIBS dai servizi standardizzabili e li rende, almeno in parte, resistenti alla riduzione a mera commodity.

Quando l’AI entra in questo schema, la geometria della co-produzione incide profondamente sull’asse della governance.

In questo saloon il cliente entra già equipaggiato di LLM propri, già capace, o persuaso di esserlo, di produrre analisi, sintesi, benchmark e simulazioni di scenario. In alcuni casi precede persino il consulente sul piano degli strumenti, pur senza raggiungerlo sul terreno del giudizio contestuale e dell’esperienza di dominio. Il cliente arriva già istruito e già tentato dall’idea di accorciare o saltare il passaggio consulenziale, oppure di ridurlo a semplice validazione di output generati con i propri modelli. L’AI non è più soltanto nella fondina del consulente, ma è anche in quella del cliente.

Quando questo accade, il consulente rischia di reagire con sovraesibizione di arsenale, jargon, stack e “potenza”. Il cliente, a sua volta, risponde con una nuova sicurezza, spesso più apparente che reale. Più potenza di fuoco su entrambi i lati, meno fiducia reciproca, e così le posture si irrigidiscono o salgono di tono, il discernimento cala, la carta aumenta: ora il saloon ha molto più rumore. Da consulenza a frizione il passo è breve, e da lì è altrettanto breve il passo che porta entrambi a competere su chi ha l’LLM più grosso, fino a portare la mano sulla fondina con il cane armato e il dito troppo vicino al grilletto. Di nuovo, il punto critico è lo sfoggio di potenza senza governo della traiettoria. Consulente e cliente rischiano di spararsi in un piede dentro questa danza degli scorpioni.

Prima regola balistica multiscenario: evitare la balistica… con la HUMINT da de-escalation

Dal saloon al medico, l’ulteriore passo è breve. 😊

Ma siamo arrivati al medico, più che per curare i danni prodotti nei due saloon, per portare in concreto un caso che chiarisce la geometria meglio di qualsiasi metafora: il paziente che arriva dal medico con la diagnosi già in tasca.

Ha descritto i sintomi a ChatGPT, o a Claude, o a Perplexity, se poi è francese a Mistral, se è antisistema a Grok, se è smanettone a Kimi. Ha ricevuto una lista di possibili cause, ordinata per probabilità. Ha cercato la più plausibile su PubMed tramite un secondo modello. Arriva allo studio con una diagnosi formulata, una terapia ipotizzata, e un livello di certezza che non corrisponde al suo grado di competenza clinica ma al grado di confidenza espressiva del modello che ha usato. Il modello scrive con la stessa sicurezza sintattica una cosa corretta e una cosa sbagliata.

Se il medico accetta la diagnosi del paziente senza esaminarla, cede la propria funzione professionale. Se la sfida frontalmente, attiva una resistenza difensiva che chiude il canale informativo: il paziente smette di raccontare ciò che non conferma la sua ipotesi. Se la ignora e procede per protocollo standard, perde il punto di ingresso che il paziente ha comunque fornito, buono o cattivo che sia.

La situazione ottimale è quella in cui il medico sa leggere il ragionamento del paziente: ne estrae ciò che è informativo, segnala dove il modello ha prodotto confidenza artificiale, integra con l’esame obiettivo. Non come correzione paternalistica, ma come co-produzione diagnostica dove i ruoli restano distinti pur nel rispetto della competenza reciproca. Vale per i medici con i pazienti, vale altrettanto per i professionisti con le aziende: questo è HUMINT da de-escalation nella tensione armata di pistole LLM pronte a essere sfoderate.

Seconda regola balistica multiscenario: orchestrazione

Se la HUMINT vale con le persone nei due saloon, c’è però anche il modo di evitare i saloon o di gestire al meglio sé stessi in quei contesti, preparandosi bene prima. E non parlo di allenamento per affrontare la dialettica con gli altri, ma della dialettica verso di sé. Nella mia pratica, una regola fondamentale è l’orchestrazione: una sorta di divide et impera operativo tra LLM. Se nasce storicamente come insieme di strategie e tattiche atte a dividere persone o popoli, qui si applica invece all’uso degli LLM, nel senso di scomporre funzioni e traiettorie tra modelli diversi, invece di concentrare e delegare tutto a un’unica potenza di fuoco.

Un modello struttura, un altro stressa, un altro controbatte e un altro rifinisce: questa è la configurazione più basica. L’orchestrazione può avere le più diverse configurazioni che mescolano flussi a volte solo in serie, a volte in parallelo, con varie possibilità di dosaggio. La persona rimane al centro anche qui, c’è comunque lo Human In The Loop (HITL) che non può abdicare dal decidere: filtro, criterio, scarto, bersaglio. Certo, è un processo iterativo e non certo rapido ed è anche dispendioso: senza performance aumentata, infatti, il rischio di inefficienza è reale. Ma il punto è che questa spesa ha senso quando riduce l’errore, alza la qualità della diagnosi e protegge la traiettoria decisionale.

Questo flusso non è affatto esotico, ma è già stra-noto nell’architettura di produzione di app e codice dei T-KIBS, dove la T sta per technology, come nello sviluppo software, nelle architetture di app e nella produzione di codice: multi-agent pipelines, review umana sistematica, adversarial testing automatizzato.

Nei P-KIBS, dove P sta per professional e cioè nella consulenza professionale di tipo gestionale, strategico, legale, finanziario, lo stesso schema è ancora raro. Questo è il vantaggio competitivo reale per chi lo adotta prima che diventi standard di settore: la frontiera è padroneggiare questa orchestrazione e applicarla nella consulenza professionale di tipo KIBS, dove il rischio non è solo sbagliare una risposta, ma degradare relazione, fiducia e valore.

La prova pratica: il metodo coincide con il messaggio

Questo testo è stato prodotto esattamente con la pratica che descrive.

Quattro LLM, funzioni diverse, iterazioni con HITL attivo per tutta la durata.

Inception, contenuti e contesti sempre governati umanamente.

• Una prima istanza per struttura e ancoraggio concettuale.
• Una seconda per diagnosi delle debolezze sintattiche e logiche.
• Una terza per trasformare il punto critico da frase difensiva in dichiarazione.
• Una quarta per il raffinamento del registro.

Nessuna istanza aveva da sola la versione finale. La versione finale è emersa dalla sequenza, con governo umano su traiettoria, bersaglio, scarto e priorità lungo tutto il processo.

Il costo di questo metodo non coincide con il solo tempo macchina, né con il numero di chiamate o con la mera latenza. È un costo cognitivo e decisionale che richiede presidio umano continuo, criteri di scarto espliciti, capacità di tornare indietro, di rifare, di rinunciare anche a soluzioni apparentemente buone quando risultano epistemicamente deboli. Non scala in modo lineare e non promette scorciatoie. Chiede, al contrario, una disciplina del giudizio che oggi molti evocano e pochi praticano.

Se quel costo sia ripagato dal risultato, spetta a chi legge giudicarlo.

Per questo non è secondario che un testo sul governo dell’AI sia stato costruito proprio attraverso una pratica di governo dell’AI. Qui il metodo non accompagna il messaggio come un semplice supporto: lo espone, lo verifica, lo rende osservabile. La distanza tra descrivere una disciplina e metterla in atto è la stessa che passa tra una tesi e una prova.

Chiusura

C’è una struttura di dipendenza che si forma lentamente e spesso si vede solo quando la decisione è già stata presa. Chi porta l’AI nel rapporto consulenziale senza governo della traiettoria non cede soltanto qualità di output: cede sovranità decisionale. È la differenza tra un errore correggibile e una struttura di dipendenza difficilmente reversibile.

Per questo il blackout dell’AI non mi inquieta. Andare in bicicletta, una volta imparato, non si dimentica. La competenza che conta non risiede nell’accesso allo strumento, ma nel giudizio che lo governa, nel criterio che ne disciplina l’uso e nella qualità epistemica di ciò che entra davvero in decisione.

Da qui in avanti conterà sempre meno chi ha “più AI”. Conterà chi governa meglio traiettoria, rinculo, bersaglio, fuoco amico e colpi di ritorno nei saloon che si stanno riempiendo.

E anche dal medico.