La spinta di Anthropic e Salesforce per l'AI enterprise mette in luce il divario nell'adozione

I leader di Anthropic e Salesforce hanno lanciato un messaggio netto al Dreamforce: le aziende sfruttano solo dal 5% al 10% del potenziale attuale dell'AI. L'iniziativa di Anthropic e Salesforce per l'AI enterprise punta ora a colmare questo divario, non ad attendere un ulteriore salto nei modelli.

Il CEO di Anthropic Dario Amodei e il CEO di Salesforce Marc Benioff hanno descritto un'adozione disomogenea durante il loro intervento del 15 settembre a San Francisco. La loro argomentazione introduce un'importante inversione di prospettiva. Le aziende di AI continuano a produrre sistemi più capaci, ma la maggior parte delle imprese fatica ancora a trasformare le capacità già disponibili in lavoro affidabile.

Questo divario colloca Salesforce in una posizione insolita. Le aziende che sviluppano modelli di frontiera possono minacciare le piattaforme software tradizionali, ma hanno anche bisogno di quelle piattaforme per accedere ai dati e ai workflow aziendali. Salesforce, dal canto suo, ha bisogno di modelli come Claude, pur difendendo il proprio ruolo di livello operativo per le informazioni sui clienti e i processi aziendali.

Anthropic e Salesforce spostano l'AI enterprise dai modelli ai workflow

Il messaggio principale non era che le imprese abbiano bisogno di un'AI più intelligente. Era che abbiano bisogno di maggiore supporto per usare l'intelligenza già disponibile.

Amodei ha affermato che solo dal 5% al 10% del valore attuale dell'AI si è diffuso nell'economia. La sua stima della diffusione economica era una valutazione, non una statistica economica misurata in modo indipendente. Ciononostante, ha inquadrato la questione centrale per i fornitori di AI enterprise.

Le aziende possono aprire un chatbot e generare testo utile in pochi minuti. Distribuire l'AI in un'operazione regolamentata di vendite, assistenza, finanza o supporto presenta una sfida diversa.

Un sistema in produzione necessita di un contesto aziendale accurato, accessi controllati, azioni prevedibili e revisione umana. Serve inoltre un responsabile in grado di stabilire se il sistema abbia prodotto un risultato di valore.

Benioff ha descritto una notevole “disomogeneità” nell'adozione aziendale. Alcuni team hanno integrato l'AI nelle operazioni quotidiane, mentre altri restano bloccati nella fase pilota. Ha detto ai clienti del Dreamforce che Salesforce deve fare di più per accelerarne la trasformazione.

Le aziende hanno accompagnato questo messaggio con un rilascio concreto di prodotto. Anthropic ha introdotto Salesforce in Claude, un plugin beta che collega Claude ad account, opportunità e informazioni sulla pipeline.

Il plugin Salesforce in Claude include 37 competenze per le attività di vendita più comuni. Tali competenze coprono la ricerca sugli account, la preparazione degli incontri, le revisioni della pipeline e gli aggiornamenti del CRM.

Il plugin è supportato da due connettori. Uno porta i dati Salesforce in Claude nel rispetto delle autorizzazioni esistenti. L'altro collega Agentforce Sales a Claude, secondo Anthropic.

Claude può preparare un briefing mattutino contenente riunioni, trattative prossime alla conclusione, opportunità a rischio e messaggi senza risposta. Può anche redigere modifiche al CRM, ma un venditore deve approvare tali aggiornamenti prima che raggiungano Salesforce.

Questo passaggio di approvazione è importante. Mostra come le aziende stiano posizionando l'AI come assistente operativo anziché come decisore senza restrizioni.

Anthropic ha indicato GitLab, Siemens e Legora come clienti che stanno implementando l'integrazione. Benioff ha inoltre affermato che 7.000 dipendenti Salesforce utilizzano già strumenti integrati con Claude.

Queste implementazioni forniscono esempi concreti, ma non dimostrano ampi guadagni di produttività per i clienti. Anthropic non ha pubblicato risultati comparativi che mostrino come il plugin modifichi ricavi, cicli di vendita o qualità dei dati.

Il rilascio cambia comunque la conversazione sull'AI enterprise. Sposta l'attenzione dai prompt isolati alle attività complete nei sistemi in cui i dipendenti lavorano già.

Un venditore non ha bisogno di un'altra dimostrazione generica di generazione di testo. Ha bisogno di accedere in modo affidabile all'account corretto, all'ultima conversazione e alle regole di approvazione dell'azienda.

La partnership tenta di combinare questi elementi. Claude fornisce capacità generali di ragionamento e linguaggio. Salesforce fornisce record dei clienti, logica dei workflow, autorizzazioni e azioni.

Questa combinazione definisce la strategia di Anthropic e Salesforce per l'AI enterprise. Il modello resta importante, ma il sistema operativo circostante determina se un dipendente possa affidargli lavoro reale.

Perché l'adozione dell'AI enterprise resta indietro rispetto alle capacità

L'adozione enterprise rallenta quando una dimostrazione convincente incontra dati frammentati, responsabilità poco chiare e workflow che non possono tollerare l'improvvisazione.

I modelli di AI sono migliorati più rapidamente di quanto la maggior parte delle aziende riesca a riprogettare le proprie operazioni. Le imprese devono collegare più sistemi, classificare le informazioni sensibili, definire le azioni accettabili e formare i dipendenti prima che un agente possa operare in sicurezza.

Anche una domanda di base può richiedere informazioni da più fonti. Un cliente può chiedere se un ordine possa essere spedito oggi. Per rispondere correttamente potrebbero servire record CRM, inventario, contratti, policy e comunicazioni precedenti.

Un modello potrebbe comprendere subito la domanda. Tuttavia, non può fornire una risposta operativa affidabile senza accesso aggiornato e autorizzato a ogni fonte pertinente.

Questa distinzione spiega perché i progetti pilota avanzano spesso più rapidamente delle implementazioni in produzione. Un progetto pilota può usare un set di dati ristretto e tollerare correzioni manuali. Un sistema in produzione deve gestire eccezioni, autorizzazioni, audit e regole aziendali in evoluzione.

La ricerca condotta dal CIO di Salesforce illustra questa contraddizione. Il suo sondaggio sull'adozione tra i CIO ha rilevato che l'implementazione completa dell'AI è salita dall'11% nel 2024 al 42% nel 2026.

Lo stesso sondaggio ha rilevato che il 93% dei CIO considerava l'integrazione dei workflow essenziale per un'adozione di successo degli agenti. Tuttavia, meno della metà ha segnalato la collaborazione interfunzionale necessaria per una distribuzione più ampia.

Anche le preoccupazioni relative ai dati restano irrisolte. Sicurezza e privacy si sono classificate come il timore principale tra gli intervistati, seguite da vicino dall'assenza di dati affidabili.

Solo il 23% dei CIO intervistati si è detto completamente sicuro che i propri investimenti in AI includessero una governance dei dati integrata. Salesforce ha condotto il sondaggio in doppio cieco con 200 CIO in 24 Paesi.

Il sondaggio proviene da un'azienda che vende soluzioni per questi problemi, quindi i suoi risultati meritano questo contesto. Tuttavia, gli ostacoli all'implementazione corrispondono a uno schema noto nella tecnologia enterprise.

Le organizzazioni spesso acquistano una capacità tecnica prima di risolvere i processi che la circondano. L'AI amplifica questo errore perché il suo output può apparire plausibile anche quando il contesto è incompleto.

Un calcolo errato in una dashboard può innescare un'indagine evidente. Una risposta AI fluida può nascondere una fonte mancante, un record obsoleto o un'istruzione fraintesa.

Le imprese hanno quindi bisogno di sistemi di valutazione, non solo di accesso ai modelli. Devono verificare se un agente selezioni i dati corretti, segua le policy e affidi i casi incerti alle persone.

Hanno inoltre bisogno di misure chiare del successo. Il tempo risparmiato può essere importante, ma non si traduce automaticamente in ricavi o in un servizio migliore.

Un agente di vendita che redige email più velocemente può creare poco valore se i dipendenti impiegano lo stesso tempo per verificare il suo lavoro. Un'interazione automatizzata con il servizio clienti può ridurre i tempi di gestione danneggiando al contempo la soddisfazione dei clienti.

Le misurazioni più utili collegano l'attività dell'AI a un risultato aziendale. Gli esempi includono meno casi abbandonati, una preparazione alle vendite più rapida, una maggiore completezza del CRM e tassi di escalation più bassi.

È qui che l'architettura della conoscenza enterprise diventa centrale. I team hanno bisogno di una base di conoscenza ricercabile che preservi il contesto e renda il materiale di origine disponibile agli utenti autorizzati.

Senza questa base, un modello capace resta separato dai fatti di cui i dipendenti hanno bisogno. Il divario nell'adozione è quindi in parte un problema di dati e organizzazione.

È anche un problema di gestione del cambiamento. I dipendenti devono capire quando fidarsi di un agente, quando esaminarne le fonti e quando ignorarne la raccomandazione.

I manager devono decidere chi sia responsabile dei fallimenti che attraversano più reparti. I team di sicurezza necessitano di visibilità, mentre i team operativi hanno bisogno di sufficiente libertà per migliorare i propri workflow.

Questi requisiti richiedono tempo. Spiegano inoltre perché un altro rilascio di modello non possa, da solo, trasformare un promettente progetto pilota in un sistema enterprise.

La partnership trasforma un potenziale rivale in infrastruttura

Anthropic e Salesforce competono per il controllo dell'esperienza utente, eppure ciascuna azienda ha bisogno di risorse che l'altra già possiede.

Gli assistenti AI fungono sempre più da interfacce per il software aziendale. Un utente può chiedere a Claude di esaminare una pipeline invece di navigare attraverso una sequenza di schermate CRM.

Questo cambiamento minaccia la posizione tradizionale dei fornitori di applicazioni. Se i dipendenti iniziano a lavorare all'interno di un assistente AI generalista, l'assistente può diventare l'interfaccia principale.

Salesforce controlla ancora importanti risorse sotto quell'interfaccia. Archivia relazioni con i clienti, autorizzazioni, definizioni dei processi e registri delle attività aziendali.

Anthropic controlla un modello e un assistente che molti utenti considerano già un luogo in cui ragionare, scrivere e analizzare. Integrare Salesforce in Claude collega quell'interfaccia ai dati operativi.

L'accordo assomiglia a una divisione del lavoro negoziata. Claude gestisce la conversazione e il ragionamento generale, mentre Salesforce resta il sistema che governa record e azioni.

Non è garantito che questa divisione resti stabile. Anthropic potrebbe ampliare i propri connettori e le funzionalità applicative. Salesforce potrebbe dare maggiore enfasi ai propri modelli o offrire assistenti concorrenti.

Salesforce ha annunciato Koa, il suo primo modello di ragionamento CRM, nello stesso periodo del Dreamforce. L'azienda afferma che Koa è stato addestrato su scenari enterprise sintetici e opera all'interno del suo perimetro di fiducia.

Secondo Salesforce, il suo benchmark interno ha mostrato che Koa eguagliava o superava i modelli leader nelle azioni CRM con un numero di errori tre volte inferiore. Si tratta di un benchmark aziendale, non di una valutazione indipendente.

Il design del modello Koa rivela comunque la strategia di Salesforce. L'azienda vuole un'intelligenza specializzata per le attività CRM, mantenendo al contempo il supporto per modelli esterni.

Koa utilizza i modelli aperti Nvidia Nemotron come base. Salesforce afferma di controllare i pesi e di eseguire il post-training e l'inferenza all'interno della propria infrastruttura.

Questo approccio offre ai clienti un'altra strada. Possono usare Claude per il ragionamento generale, un modello ospitato da Salesforce per il lavoro CRM specializzato oppure modelli diversi per attività separate.

Salesforce definisce questa scelta di modelli parte di un'architettura aperta. L'interesse commerciale dell'azienda è chiaro. Vuole che il livello applicativo e di governance resti prezioso anche quando cambia la leadership nei modelli.

Anthropic ha un interesse corrispondente. L'integrazione diretta con Salesforce avvicina Claude a workflow aziendali di valore senza richiedere ad Anthropic di ricostruire una piattaforma CRM completa.

Questo crea una tregua pratica, non un accordo permanente. Entrambe le aziende ne traggono vantaggio finché le imprese hanno bisogno di un ponte tra i modelli e le applicazioni esistenti.

Secondo il rapporto Bloomberg, Salesforce deteneva inoltre una partecipazione in Anthropic valutata circa 5 miliardi di dollari all'inizio di giugno. Questa relazione finanziaria aggiunge un ulteriore livello al loro allineamento tecnico.

Tuttavia, i clienti dovrebbero valutare l’integrazione come una decisione di prodotto, non come prova che gli incentivi delle aziende coincidano perfettamente con i loro.

Un’azienda può apprezzare la comodità di un workflow unificato. Può anche preoccuparsi della concentrazione dei fornitori, dell’evoluzione dei confini dei prodotti e del costo di migrare gli agenti in futuro.

La portabilità dei modelli può ridurre questo rischio. Metodi di valutazione condivisi, interfacce stabili e autorizzazioni chiaramente definite possono rendere più semplice cambiare fornitore.

La portabilità dei dati è ancora più importante. Un’impresa che non riesce a separare il proprio contesto proprietario da un modello o da una piattaforma può riprodurre il familiare lock-in del software.

La questione competitiva è quindi più ampia di Claude contro Agentforce. Riguarda quale livello cattura il valore duraturo dell’AI aziendale.

I fornitori di modelli sostengono che un ragionamento superiore attirerà utenti e carichi di lavoro. I fornitori di applicazioni sostengono che dati governati e workflow integrati creino una differenziazione durevole.

La partnership Anthropic Salesforce per l’AI aziendale combina queste affermazioni. Il suo successo dipende dal fatto che i clienti ritengano il sistema combinato più utile di ciascun livello preso singolarmente.

Salesforce scommette che il livello mancante sia il controllo

Salesforce ritiene che le imprese pagheranno per i sistemi che circondano l’AI, perché il ragionamento deve connettersi a regole, identità, dati e azioni verificabili.

L’azienda chiama la sua base proposta Enterprise AI Harness. Un harness è un livello architetturale che fornisce contesto condiviso, sicurezza, governance, modelli e azioni.

L’enterprise AI harness di Salesforce contiene sei capacità dichiarate. Riguardano contesto, agentività, azione, governance, sicurezza e selezione dei modelli.

L’azienda ha inoltre annunciato un AI Control Plane. Salesforce afferma che consentirà agli amministratori di registrare agenti, applicare policy di identità, osservare il comportamento, valutare le prestazioni e gestire i costi.

Questa architettura affronta un problema reale. Le aziende spesso iniziano con progetti AI separati che utilizzano connettori, autorizzazioni e processi di valutazione diversi.

La frammentazione crea rischi operativi. Un agente può accedere a documenti obsoleti, mentre un altro segue una regola di approvazione diversa per la stessa azione aziendale.

Un livello di controllo condiviso può rendere le policy riutilizzabili. Può anche offrire ai team di sicurezza e dati una visione più chiara di ciò che gli agenti stanno facendo.

Salesforce vuole che questo livello supporti i propri strumenti e sistemi di terze parti. Afferma che le imprese possano accedere alle funzionalità tramite API, Model Context Protocol, skill e plugin.

Model Context Protocol, o MCP, è un’interfaccia standard che consente alle applicazioni AI di connettersi a strumenti e dati esterni. Può ridurre la necessità di un’integrazione personalizzata per ogni combinazione.

L’architettura supporta anche Claude, Slack, Microsoft Teams e altre interfacce. Questa ampiezza riflette la decisione di Salesforce di raggiungere i dipendenti nei luoghi in cui già lavorano.

La proposta appare sensata, ma i diagrammi architetturali non dimostrano l’affidabilità operativa. Le imprese hanno bisogno di prove provenienti da implementazioni complesse tra reparti e sistemi.

Dovrebbero chiedersi se gli amministratori possano tracciare ogni azione degli agenti. Dovrebbero inoltre esaminare quanto rapidamente possano revocare gli accessi, aggiornare le policy e indagare sui guasti.

Anche la valutazione richiede pari attenzione. Un control plane dovrebbe misurare più della qualità delle risposte del modello.

Dovrebbe mostrare se un agente ha usato le fonti corrette, seguito il workflow previsto e prodotto un risultato aziendale approvato. Dovrebbe anche evidenziare i modelli di errore nelle attività ripetute.

I controlli dei costi sono importanti perché i workflow degli agenti possono coinvolgere più chiamate al modello e azioni sugli strumenti. Un processo che sembra conveniente durante un piccolo progetto pilota può comportarsi diversamente su scala aziendale.

Salesforce riconosce il routing dei modelli come uno dei controlli. Il suo sistema può indirizzare il lavoro in base ad accuratezza, prestazioni, costo e requisiti aziendali.

Questo crea un’altra domanda. I clienti devono sapere chi stabilisce queste priorità di routing e come possano verificare i risultati in modo indipendente.

Un fornitore può ottimizzare per una combinazione che supporta le proprie relazioni commerciali. Un cliente può privilegiare la localizzazione dei dati, la latenza o una specifica soglia di accuratezza.

La trasparenza sul routing e sulla valutazione determinerà se un’architettura aperta offre una scelta significativa. Un catalogo di modelli garantisce una libertà limitata quando cambiarne uno richiede un’ampia ricostruzione dei workflow.

L’interpretazione più forte della strategia di Salesforce non è che i modelli siano diventati irrilevanti. È che i modelli diventano sempre più componenti intercambiabili all’interno di sistemi governati.

L’interpretazione più debole è che un’azienda software già affermata stia proteggendo la propria posizione aggiungendo un ulteriore livello di gestione. Entrambe le spiegazioni possono essere vere allo stesso tempo.

I clienti dovrebbero giudicare la strategia attraverso i risultati delle implementazioni. Se l’harness accorcia l’implementazione, migliora gli audit e riduce le integrazioni duplicate, risolve un problema misurabile.

Se si limita principalmente a riconfezionare componenti della piattaforma esistenti, gli acquirenti potrebbero faticare a collegare la sua ampia promessa ai risultati aziendali.

La fase successiva dell’iniziativa Anthropic Salesforce per l’AI aziendale deve quindi dimostrare il controllo senza aggiungere complessità non necessaria.

La storia dell’adozione manca ancora di prove indipendenti

Le aziende hanno mostrato integrazioni e implementazioni interne, ma le ampie affermazioni sul valore economico restano in attesa di risultati verificati in modo indipendente.

La stima dal 5% al 10% di Amodei crea un quadro convincente di valore non sfruttato. Non rivela come quel valore sia stato calcolato né come vari tra i settori.

La stima può descrivere una capacità tecnica non realizzata piuttosto che un beneficio economico recuperabile. Queste categorie non sono la stessa cosa.

Un modello può svolgere un compito in un contesto controllato senza rendere quel compito adatto a un’automazione affidabile. L’uso in produzione introduce casi limite, policy e responsabilità.

La stessa cautela si applica alle statistiche di adozione dei fornitori. Il numero di dipendenti che utilizzano uno strumento non rivela la profondità di utilizzo, la fidelizzazione, la qualità dell’output o il ritorno finanziario.

I 7.000 utenti interni di Salesforce forniscono un ambiente di test significativo. Tuttavia, i clienti devono sapere quali workflow completino tali utenti e cosa sia cambiato dopo l’implementazione.

Anthropic afferma che il plugin può ridurre la preparazione manuale e le attività di follow-up. Non ha pubblicato confronti controllati a sostegno di queste affermazioni.

Anche gli esempi dei clienti richiedono un’interpretazione attenta. Le implementazioni nominate confermano che le organizzazioni stanno sperimentando la tecnologia. Non dimostrano che uno schema di implementazione funzioni in ogni impresa.

Le grandi aziende differiscono per qualità dei dati, strutture di accesso, esposizione normativa e debito tecnico. Queste differenze aiutano a spiegare l’adozione disomogenea descritta da Benioff.

Esiste anche una tensione tra il messaggio sull’adozione e i recenti avvertimenti di sicurezza di Amodei. Egli ha sostenuto che il ritmo dello sviluppo frontier richiede maggiore cautela.

Il presidente di Salesforce Patrick Stokes ha presentato quel potenziale rallentamento come utile per chi sviluppa applicazioni. Ha affermato che gli sviluppatori hanno “molto da recuperare” sul fronte dei modelli.

Il suo commento rivela il ribaltamento centrale dell’articolo. Rilasci frontier più lenti potrebbero dare alle imprese il tempo di assorbire capacità già esistenti.

Potrebbero inoltre avvantaggiare i fornitori di applicazioni già affermati. Un ciclo dei modelli più lento dà loro più tempo per sviluppare integrazioni, governance e prodotti specializzati.

L’economia più ampia potrebbe continuare a investire anche se i progressi frontier rallentassero. I modelli esistenti richiedono comunque preparazione dei dati, riprogettazione organizzativa e infrastruttura.

Una recente analisi ha evidenziato gli investimenti a livello aziendale in strategia e dati come una componente sottovalutata della spesa per l’AI. Questa prospettiva sostiene l’attenzione di Salesforce all’implementazione.

Tuttavia, un rallentamento non produrrebbe automaticamente un’adozione di successo. Le imprese possono spendere molto per l’integrazione senza risolvere le esigenze degli utenti o la progettazione dei processi.

C’è anche una questione legata al lavoro. I fornitori di AI spesso presentano l’automazione amministrativa come un vantaggio, ma i dipendenti potrebbero viverla come un monitoraggio più ravvicinato o uno spostamento occupazionale.

Un agente che aggiorna i record CRM può eliminare il lavoro ripetitivo. Può anche standardizzare la supervisione manageriale e modificare il modo in cui vengono misurate le prestazioni.

Le aziende hanno bisogno di una governance per questi effetti umani, non solo per gli accessi tecnici. I lavoratori dovrebbero capire cosa gli agenti registrano, raccomandano e sottopongono a escalation.

Le imprese devono inoltre definire il confine tra assistenza e azione autonoma. Tale confine dovrebbe variare in base alle conseguenze di un errore.

Redigere gli appunti di una riunione presenta un rischio minore rispetto alla modifica di un contratto con un cliente. Aggiornare un record di vendita è diverso dall’approvare uno sconto o impegnare l’inventario.

L’approvazione umana può ridurre il rischio, come suggerisce il flusso di aggiornamento CRM del plugin Claude. Tuttavia, l’approvazione diventa superficiale quando i dipendenti devono affrontare troppe azioni generate.

Un sistema efficace deve indirizzare l’attenzione verso i casi incerti o rilevanti per le conseguenze. Richiedere una revisione manuale di ogni passaggio ordinario può annullare il promesso guadagno di produttività.

Le prove indipendenti dovrebbero quindi esaminare il workflow completo. Studi utili confronterebbero accuratezza, tempo di revisione, risultati aziendali e recupero dagli errori.

Fino all’arrivo di tali prove, la conclusione più prudente è circoscritta. Anthropic e Salesforce hanno identificato un autentico divario di implementazione e costruito prodotti mirati ad affrontarlo.

Non hanno ancora dimostrato che il loro approccio combinato colmi costantemente quel divario nelle grandi organizzazioni.

Tre segnali metteranno alla prova la tesi dell’AI aziendale

Il prossimo test sarà stabilire se gli agenti connessi producano miglioramenti operativi misurabili senza indebolire la governance né intrappolare i clienti in un unico stack.

Il primo segnale è l’uso continuativo di Salesforce in Claude dopo il periodo beta. I numeri iniziali di attivazione conteranno meno del coinvolgimento ricorrente a livello di attività.

Anthropic dovrebbe riportare con quale frequenza i venditori completino la ricerca sugli account, la preparazione delle riunioni, la revisione della pipeline e gli aggiornamenti CRM approvati. La fidelizzazione nell’arco di diversi mesi rafforzerebbe la tesi dell’adozione.

I risultati dei clienti renderebbero le prove più utili. Tempi di preparazione più brevi, record più completi e meno follow-up mancati collegherebbero l’attività del prodotto al valore aziendale.

Un calo dell’uso dopo le prime sperimentazioni indebolirebbe l’argomento. Suggerirebbe che l’accesso conversazionale da solo non risolve l’attrito nei workflow.

Il secondo segnale è il rendimento dell’architettura di controllo di Salesforce nelle implementazioni dei clienti. Le imprese dovrebbero cercare resoconti indipendenti sull’applicazione delle policy, la verificabilità e la risposta agli incidenti.

Un risultato positivo dimostrerebbe che le aziende possono governare diversi modelli e agenti tramite controlli comuni. Dovrebbe inoltre mostrare che i team possono cambiare fornitore senza ricostruire le proprie operazioni.

Un esito più debole rivelerebbe una forte personalizzazione, lavoro di valutazione duplicato o visibilità limitata sul routing dei modelli. Questi problemi trasformerebbero il livello di controllo in un’ulteriore fonte di complessità.

Il terzo segnale è la relazione tra la spesa per l’AI e i risultati operativi divulgati. Salesforce e i suoi clienti dovrebbero andare oltre il conteggio di agenti, conversazioni o utenti abilitati.

Gli acquirenti hanno bisogno di misure legate alle vendite, al servizio e al lavoro dei dipendenti. Gli esempi includono qualità della risoluzione, tempi di ciclo, accuratezza dei record, fidelizzazione e tassi di escalation.

Queste misure dovrebbero includere il costo della revisione umana e della manutenzione dei sistemi. Il tempo lordo risparmiato può essere fuorviante quando i dipendenti devono correggere gli errori altrove.

I prossimi cicli di risultati trimestrali forniranno prove utili. Salesforce potrà riferire se i prodotti AI espandano la spesa dei clienti e se le implementazioni vadano oltre team isolati.

Anthropic può rafforzare questa tesi pubblicando valutazioni aziendali dettagliate. Tali valutazioni dovrebbero distinguere le prestazioni del modello dai livelli di integrazione e di workflow.

I clienti dovrebbero inoltre confrontare questa partnership con le alternative di Microsoft, Google, OpenAI e dei fornitori enterprise specializzati. La pressione competitiva può chiarire quali scelte architetturali contano davvero.

La principale sfida non è una semplice classifica dei modelli. È la sfida tra la rapida crescita delle capacità e la capacità di un’organizzazione di assorbirle in modo responsabile.

Per gli sviluppatori, l’opportunità risiede nell’integrazione, nella valutazione, nell’osservabilità e negli strumenti consapevoli delle autorizzazioni. Queste aree diventano più preziose quando i modelli gestiscono già compiti di ragionamento ampi.

Per gli acquirenti enterprise, la lezione è iniziare con un workflow delimitato e un risultato misurabile. Un ampio mandato sull’AI crea attività, ma raramente crea responsabilità.

Per i knowledge worker, la domanda chiave è se l’AI possa accedere al contesto giusto senza eliminare un controllo significativo. La sola comodità non basta per il lavoro con conseguenze rilevanti.

La strategia AI enterprise di Anthropic e Salesforce sostiene che la prossima fase appartenga ai sistemi che collegano l’intelligenza ad azioni affidabili. Questa proposta necessita ora di prove operative.

Occorre osservare se i dipendenti continuano a usare i workflow integrati, se gli amministratori riescono a governarli tra modelli diversi e se i clienti riportano vantaggi aziendali duraturi. Questi segnali mostreranno se l’AI enterprise si sta finalmente diffondendo o se sta semplicemente acquisendo un’interfaccia più rifinita.