Società separata per l'AI: quando serve e le alternative

In breve: una società separata per l'AI ha senso quando l'azienda vuole sviluppare un prodotto o un modello di business nuovo, con regole, costi e talenti diversi dal core business. Per migliorare processi esistenti come ordini, assistenza o marketing basta quasi sempre un team dedicato con un progetto pilota misurabile, collegato fin dall'inizio ai dati e a chi decide.

Punti chiave

Separare l'AI dà velocità e regole proprie, ma crea un problema di integrazione con il business da risolvere dal primo giorno.
La società separata conviene quando l'AI diventa un prodotto da vendere o un'attività con costi e rischi da isolare.
Per una PMI o un'azienda B2B media l'alternativa più efficace è un team dedicato con un pilota su un processo reale.
Prima della struttura va scelto il modo: comprare, affidarsi a un partner o sviluppare in casa. Cambia il tipo di team che serve.
Separare la struttura non separa le responsabilità: governance, privacy e AI Act valgono comunque.

Perché il tema conta adesso

Secondo l'Istat, nel 2025 usa almeno una tecnologia di intelligenza artificiale il 16,4% delle imprese italiane con almeno 10 addetti, contro l'8,2% del 2024. Le grandi imprese passano dal 32,5% al 53,1%, le PMI dal 7,7% al 15,7%: l'uso raddoppia, ma il divario si allarga. Tra le imprese che non usano l'AI ma ne hanno valutato l'adozione, il primo ostacolo è la mancanza di competenze (58,6%), seguito da scarsa chiarezza normativa (47,3%) e dati insufficienti o di scarsa qualità (45,2%).

Resta una domanda organizzativa: chi se ne occupa? I grandi gruppi rispondono con strutture dedicate, a volte con società vere e proprie; un e-commerce o un'azienda B2B se la pone in scala ridotta. È uno dei temi della categoria AI in azienda.

Cos'è una società separata per l'AI e in cosa si distingue da un'unità interna?

Una società separata per l'AI è un'entità giuridica autonoma, come uno spin-off o una controllata, con bilancio, governance e a volte soci propri, che sviluppa soluzioni di intelligenza artificiale per il gruppo o per il mercato. Un'unità interna ha budget e responsabile dedicati ma resta dentro la stessa società.

Tra i due estremi ci sono formule più leggere:

Un centro di eccellenza AI (AI CoE) è un gruppo interno di esperti che definisce strategia, standard e priorità per evitare un'adozione frammentata.
Un team dedicato è un gruppo di poche persone, con una parte del tempo riservata, incaricato di portare in produzione uno o due casi d'uso.
Un progetto pilota è un test limitato nel tempo e nel perimetro, con metrica e soglia di successo decise prima di partire.

Perché un'azienda crea una società separata per l'AI?

Per lavorare con regole e tempi diversi dal core business, per isolare costi e rischi, per attrarre talenti o capitali su un progetto con una vita propria. Procedure di acquisto e rilascio pensate per il business esistente, infatti, frenano chi sperimenta con modelli che cambiano ogni pochi mesi.

I vantaggi attesi sono due. Il primo è la velocità: una struttura con regole proprie lancia pilot, test e iterazioni rapide, e un fallimento resta piccolo e circoscritto invece di pesare sul business principale. Il secondo è il focus: persone e budget dedicati non vengono assorbiti dalle urgenze quotidiane dell'operatività. Sono vantaggi reali, ma valgono solo se i risultati tornano poi nei processi dell'azienda madre.

Un caso recente: a giugno 2026 Snap ha trasformato il suo team interno di video generativo in una società separata, Dotmo, citando gli alti costi di questo lavoro svolto internamente e il fatto che l'attività non rientra nelle priorità attuali del core business. In cambio mantiene una quota rilevante della nuova società, che potrà cercare capitali esterni: una leva che una funzione interna non ha.

La separazione però non è per sempre. Ad aprile 2023 Google ha riunito DeepMind e il team Brain di Google Research in un'unica unità, Google DeepMind, per accelerare i progressi. Quando l'AI diventa centrale per il prodotto principale, avvicinarla al business conta più dell'autonomia.

Quando conviene una società separata e quando no?

Conviene quando l'AI è il prodotto, non uno strumento per migliorare il prodotto. Se l'obiettivo è ridurre il tempo di un preventivo o rispondere prima ai clienti, separare crea più problemi di quanti ne risolva.

Le linee guida del Cloud Adoption Framework di Microsoft vanno nella stessa direzione: il centro di eccellenza AI si costruisce di norma sui team esistenti, e un team AI autonomo va creato solo se quelli attuali non possono sostenere l'adozione o se esistono rischi critici.

Modello	Quando ha senso	Impegno	Rischio principale
Società separata	AI da vendere come prodotto, soci o investitori esterni, rischi da isolare	Alto	Isolamento dal business e dai dati
Business unit dedicata	AI al servizio di più marchi, linee o paesi dello stesso gruppo	Medio-alto	Conflitti di priorità e budget
Centro di eccellenza AI	Molti progetti da coordinare con standard comuni	Medio	Diventare un collo di bottiglia
Team dedicato	Primi uno-tre casi d'uso in un'azienda media	Basso-medio	Tempo riservato solo sulla carta
Progetto pilota	Verificare un caso d'uso prima di investire	Basso	Restare un esperimento senza seguito

Prima di una società separata servono quattro condizioni: un'offerta che qualcuno pagherebbe anche fuori dal gruppo, un budget che regge anni senza ritorni immediati, un team con competenze già dimostrate e una decisione chiara su chi possiede dati e tecnologia. Se ne manca una, la formula più leggera è quasi sempre quella giusta.

Sviluppare l'AI in casa, comprarla o affidarsi a un partner?

Per la maggior parte delle aziende conviene partire da strumenti esistenti o da un partner specializzato, e sviluppare in casa solo ciò che crea un vantaggio distintivo. È una scelta che pesa sulla struttura: chi compra o lavora con un partner ha bisogno di un team che integri e governi, non di una società che costruisca modelli.

Un'indicazione arriva dal rapporto The GenAI Divide: State of AI in Business 2025 del progetto NANDA del MIT, riportato da Fortune ad agosto 2025: solo il 5% circa dei pilot di AI generativa analizzati porta a una rapida crescita dei ricavi, mentre la grande maggioranza si ferma con un impatto sul conto economico scarso o nullo. Secondo gli autori il problema non è la qualità dei modelli ma l'integrazione con i processi aziendali. Gli strumenti acquistati da fornitori specializzati e le partnership vanno a buon fine circa il 67% delle volte, mentre i progetti sviluppati internamente riescono con una frequenza pari a circa un terzo. Lo studio rileva anche che oltre metà dei budget di AI generativa va a strumenti di vendita e marketing, mentre i ritorni maggiori arrivano dall'automazione del back-office. Si basa su interviste, un sondaggio e l'analisi di implementazioni pubbliche: va letto come un segnale di tendenza, non come una regola.

Scelta	Quando ha senso	Cosa serve in azienda	Esempio
Comprare software con AI integrata	Processi standard: assistenza, testi, analisi di documenti	Un responsabile che configura, forma le persone e controlla i risultati	Helpdesk con risposte suggerite per un e-commerce
Partner specializzato	Processi su misura che collegano gestionale, e-commerce e CRM	Un responsabile di business e chi conosce dati e sistemi	Lettura automatica delle richieste di offerta per un distributore B2B
Sviluppo interno	AI che diventa un vantaggio distintivo su dati propri	Un team tecnico stabile e un budget pluriennale	Previsione della domanda su anni di storico vendite
Società separata	AI venduta sul mercato, investitori esterni	Governance, contratti su dati e proprietà intellettuale	Uno spin-off come Dotmo

Esempi pratici di automazione del back-office sono nell'articolo sull'automazione dei processi aziendali.

Quali alternative più leggere ha una PMI?

Un team dedicato con un mandato scritto e un pilota misurabile: costa poco, resta vicino a dati e clienti e, se funziona, si estende ad altri processi.

Il team minimo: un responsabile di business che possiede il processo, chi conosce dati e sistemi (gestionale, e-commerce, CRM), un referente privacy ed eventualmente un partner esterno. Bastano un orchestratore come n8n o Make, un modello come quelli di OpenAI via API e i dati che l'azienda ha già. Come spiego nell'articolo sull'enterprise AI e il contesto operativo, il valore viene dal collegamento con i processi.

Due scenari ipotetici:

E-commerce. Un negozio di articoli per la casa con qualche migliaio di prodotti prepara con l'AI le bozze delle schede dai dati dei fornitori e le risposte su ordini e resi, con approvazione umana. Misura ore di redazione per scheda e tempo di prima risposta.
B2B. Un distributore di componenti industriali estrae codici e quantità dalle richieste di offerta via email, controlla la disponibilità nel gestionale e prepara la bozza di preventivo per il commerciale. Misura il tempo dalla richiesta all'offerta e gli errori di codifica.

Per le piccole imprese il percorso è più corto, come racconto nell'articolo sul futuro dell'IA nelle piccole imprese. Se il vincolo è il budget, valuta le misure di finanza agevolata per l'AI nelle PMI.

Chi deve guidare l'AI in azienda?

Il vertice, con un responsabile di business per ogni progetto. Quando l'AI diventa strategica, anche chi le dà una struttura propria la collega direttamente a chi decide.

Nel marzo 2024 Microsoft ha creato una nuova organizzazione, Microsoft AI, dedicata a Copilot e agli altri prodotti e alla ricerca di AI per i consumatori: il suo amministratore delegato è entrato nel team di vertice con riporto diretto a Satya Nadella. La struttura è autonoma, ma non lontana dalle decisioni.

In un'azienda media o in una PMI non serve un nuovo dirigente. Lo sponsor è il titolare o l'amministratore delegato, che fissa le priorità e risolve i conflitti tra reparti; per ogni progetto c'è un responsabile di business che possiede il processo e ne risponde. Coinvolgere dall'inizio le persone del core business che useranno la soluzione è la leva culturale più concreta, perché lo strumento nasce sulle loro esigenze invece di arrivare già fatto.

Meglio centralizzare o distribuire le competenze AI?

All'inizio conviene centralizzare, poi distribuire. Il Cloud Adoption Framework di Microsoft indica che le aziende nelle prime fasi traggono vantaggio da un centro di eccellenza centralizzato, che concentra competenze e pratiche di base e accelera l'adozione; con la maturità il centro dovrebbe passare a un ruolo di consulenza che supporta l'uso dell'AI nei reparti. Il modello centralizzato garantisce controllo e coerenza, quello di consulenza dà flessibilità.

Una formula intermedia diffusa è l'hub-and-spoke: un piccolo nucleo centrale (hub) gestisce standard, sicurezza, fornitori e dati condivisi, mentre referenti nei singoli reparti (spoke) propongono, usano e migliorano le soluzioni. In un'azienda B2B media l'hub può essere il team dedicato descritto sopra, e gli spoke i referenti di vendite, customer service e amministrazione.

Quali sono i rischi di separare l'AI dal business?

Il rischio principale è costruire soluzioni che il business non adotta. L'azienda guadagna solo quando cambiano tempi, costi o vendite di un processo reale, non quando nasce un prototipo. Gli altri rischi:

Accesso ai dati: se sviluppa un'altra società del gruppo servono contratti, permessi e ruoli privacy chiari, e i tempi si allungano.
Costi duplicati: amministrazione, licenze, infrastruttura e sicurezza si gestiscono due volte.
Due culture: regole e incentivi diversi rendono difficile la collaborazione con chi manda avanti l'operatività.
Responsabilità: per l'AI Act chi usa un sistema ha obblighi propri, anche se lo ha sviluppato un'altra società del gruppo.

Secondo la Commissione europea, dal 2 febbraio 2025 si applicano i divieti sulle pratiche vietate, mentre dopo l'AI Omnibus le regole per gli usi ad alto rischio, tra cui selezione e gestione del personale, si applicano dal 2 dicembre 2027. Per ordinare la governance è utile l'AI Risk Management Framework del NIST, un quadro volontario del 2023 con un profilo per l'AI generativa dal 2024. Approfondisco nell'articolo su governance e spiegabilità dell'AI; per l'uso dell'AI nella gestione del personale vedi anche l'articolo su AI, processi HR e compliance.

Come si mantiene il ponte tra la struttura AI e il core business?

Con regole decise prima di partire, non dopo. Il rischio di innovazioni isolate riguarda una società separata come una business unit o un team interno: cambia solo la lunghezza del ponte da costruire.

Un cliente interno per ogni progetto: un responsabile di business che chiede la soluzione, la usa e ne approva il risultato.
Metriche di business condivise: la struttura AI si misura su tempi, costi o vendite dei processi, non sul numero di prototipi.
Persone del core business nel progetto: chi lavora sul processo partecipa a test e revisioni, con una parte di tempo riservata.
Regole per il passaggio in produzione: chi gestisce la soluzione dopo il pilota, con quale budget e quale assistenza.
Un punto periodico con il vertice: per decidere priorità, estensioni e chiusure.

Il rapporto del MIT citato sopra va nella stessa direzione: gli strumenti generici funzionano per il singolo ma si bloccano in azienda perché non si adattano ai flussi di lavoro. Per questo il ponte va progettato dal primo giorno.

Chi possiede dati, modelli e codice se l'AI va in un'altra società?

Va deciso per contratto, prima di iniziare. Quando una società del gruppo sviluppa o gestisce l'AI per un'altra servono accordi chiari su tre punti: proprietà e licenza di codice e modelli, uso dei dati dell'azienda madre, responsabilità in caso di errori.

Sui dati personali il GDPR offre due riferimenti. Il considerando 48 riconosce che le società di un gruppo possono avere un interesse legittimo a trasmettere dati personali all'interno del gruppo per fini amministrativi interni, compresi i dati di clienti e dipendenti. Se però la società AI tratta dati personali per conto dell'azienda madre, l'articolo 28 la qualifica come responsabile del trattamento: il rapporto va regolato da un contratto o da un altro atto giuridico che indichi materia, durata, natura e finalità del trattamento, tipo di dati e categorie di interessati. Lo stesso schema vale per un partner o un fornitore esterno. Sono indicazioni generali: per la struttura concreta serve il parere di un legale e, se presente, del DPO.

Come applicarlo nella tua azienda: i primi passi

Scegli il processo, non la struttura. Fra le attività ripetitive con dati già nei sistemi, scegline una con un numero da migliorare, come il tempo di risposta a una richiesta di offerta.
Dai un mandato scritto. Nomina un responsabile di business e fissa per tre-quattro persone una quota di tempo settimanale dedicata.
Fissa metrica e soglia prima di partire. Misura il valore di partenza e decidi quale risultato giustifica l'estensione; una traccia è nell'articolo su come misurare il valore dell'AI.
Fai girare il pilota su dati reali per otto-dodici settimane, con approvazione umana di tutto ciò che arriva ai clienti.
Decidi a fine pilota: estendere, correggere o chiudere. Valuta un'unità o una società separata solo quando più progetti hanno funzionato e l'AI sta diventando un'offerta a sé.

È lo stesso approccio delle soluzioni di automazione e AI che imposto per e-commerce e aziende B2B: un processo, un numero, un responsabile.

Errori da evitare

Creare la struttura prima del caso d'uso: senza un problema concreto, un reparto cerca giustificazioni invece di risultati.
Separare senza un ponte: ogni progetto deve avere nel business una persona che lo usa e ne risponde.
Ignorare la shadow AI: la shadow AI è l'uso di strumenti di AI non autorizzati, spesso con dati aziendali incollati in chat; un team dedicato serve anche a offrire alternative sicure.

Domande frequenti (FAQ)

Cos'è una società separata per l'AI?

È un'entità giuridica autonoma, come uno spin-off o una controllata, creata per sviluppare soluzioni di intelligenza artificiale con budget, governance e a volte soci propri. Può lavorare per il gruppo o vendere la propria tecnologia sul mercato.

Quando conviene una società separata per l'AI invece di un team interno?

Quando l'AI diventa un prodotto da vendere, servono capitali esterni o costi e rischi vanno isolati dal core business. Per migliorare ordini, assistenza o marketing un team interno resta più vicino a dati e clienti e costa meno.

Una PMI ha bisogno di un reparto dedicato all'AI?

Di solito no. Basta un team di tre o quattro persone con un mandato scritto e tempo riservato, eventualmente affiancato da un partner esterno.

Quanto deve durare un progetto pilota di AI?

Di solito bastano otto-dodici settimane su dati reali per un processo con volumi regolari, come richieste di offerta o ticket. Conta di più fissare prima metrica, valore di partenza e soglia di successo.

Che differenza c'è tra centro di eccellenza AI e team dedicato?

Il centro di eccellenza coordina l'adozione in tutta l'azienda con strategia, standard e priorità. Il team dedicato porta in produzione uno o due casi d'uso. Di solito si parte dal team.

Una società separata elimina le responsabilità legate all'AI Act?

No. L'AI Act distingue chi sviluppa un sistema di AI da chi lo usa, e chi lo usa ha obblighi propri anche se il sistema viene da un'altra società del gruppo. Per gli usi ad alto rischio, come la selezione del personale, le regole si applicano dal 2 dicembre 2027.

Meglio sviluppare l'AI in casa o comprarla?

Per i processi standard conviene partire da strumenti esistenti o da un partner specializzato; lo sviluppo interno ha senso quando l'AI diventa un vantaggio distintivo o un prodotto. Secondo il rapporto del MIT riportato da Fortune, strumenti acquistati e partnership vanno a buon fine molto più spesso degli sviluppi interni.

Fonti

Se vuoi capire quale formula organizzativa e quale primo pilota hanno senso per la tua azienda, prenota una Diagnosi gratuita.