# padhi-mckinsey-ai-operating-system-ceos-2026-10-01

## Veille

Articolo di **Asutosh Padhi**, **Brian Elliott**, **Daniel Swan**, **Kim Baroudy** e **Vik Sohoni** (senior partner, McKinsey), presentato come espressione del punto di vista di **QuantumBlack, AI by McKinsey**, pubblicato in **ottobre 2026** (giorno esatto non specificato, datato convenzionalmente il 1°); 12 pagine, 2 exhibit, una tabella, un riquadro sull'architettura e due casi.

## Titre Article

The AI operating system: A new way for CEOs to run the enterprise

## Date

2026-10-01

## URL

https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-ai-operating-system-a-new-way-for-ceos-to-run-the-enterprise

## Keywords

sistema operativo IA, AI OS, secondo cervello, secondo cervello, sistema operativo IA, strato semantico, ontologia d'impresa, knowledge graph, contesto d'impresa, orchestrazione di agenti, riutilizzo, sovranità del contesto, possedere il contesto, vendor lock-in, economia dell'IA, costo dei token, State of AI 2026, EBIT, gestione basata sul segnale, pilotaggio continuo, delayering, diritti decisionali, McKinsey, QuantumBlack

## Authors

Asutosh Padhi, Vik Sohoni (Chicago), Brian Elliott (Carolinas), Daniel Swan (Connecticut), Kim Baroudy (Copenhague) — senior partners, McKinsey (QuantumBlack).

## Ton

Profilo: un articolo in stile consulenza indirizzato a CEO e comitati esecutivi, con un tono prescrittivo e sicuro. Il testo si apre con uno scenario narrativo ora per ora (un assicuratore alle prese con un tetto normativo sui margini, da martedì a giovedì), poi espone il paradosso adozione/valore con cifre da un'indagine interna, definisce il concetto e procede attraverso elenchi di priorità, cambiamenti e azioni. Ogni cambiamento manageriale si chiude con «Domande chiave per il CEO», il che lascia aperte le proposte organizzative più delicate (delayering, cultura, fiducia). I guadagni e i casi sono anonimi e attribuiti all'esperienza degli autori; il vocabolario (moat, vantaggio cumulativo, secondo cervello) appartiene alla strategia piuttosto che all'ingegneria. Il riquadro sull'architettura resta generico, senza nominare alcun prodotto o fornitore.

## Pense-betes

- **Paradosso**: il 40% delle grandi imprese ha agenti su scala, il 6% registra un EBIT attribuibile all'IA ≥5% (State of AI 2026, stabile anno su anno).
- **Definizione**: AI OS = strato di gestione continua — contesto, ragionamento trasversale alle funzioni, raccomandazione/esecuzione, apprendimento; una cabina di comando in tempo reale, non una dashboard retrospettiva.
- **Scenario**: assicuratore, ~140 prodotti in 7 paesi, definizioni di margine divergenti; 9 prodotti non conformi dopo la contestazione di un'ipotesi; decisioni del comitato registrate come guardrail; monitoraggio post-lancio.
- **Architettura**: stack esistente lasciato intatto (cloud proprietario o on-prem come target, dati già disponibili, LLM multi-fornitore inclusi open-weight, nessun addestramento sui dati) + strato semantico, modelli ML deterministici come tool, agenti riutilizzabili con model routing, strato di esperienza.
- **Regola**: *Possedere il contesto; noleggiare o sostituire la tecnologia*; massimo 1-3 AI OS; riprogettazione end-to-end (azienda industriale: 140-180 milioni di $/anno su vendite e operations).
- **Economia**: token −95%, spesa ×3; il modello più economico costa di più se produce errori costosi.
- **Management**: segnale > calendario; piano *always-on*, il collo di bottiglia si sposta sul campo e sulle funzioni di controllo; giudizio > trasmissione; 10-12 → 20-40 riporti diretti (questione aperta).
- **Azioni**: 3-5 ambiti, governance semantica, finanziare l'AI OS condiviso piuttosto che singoli casi d'uso, ridefinire i diritti decisionali uomo/agente.
- ⚠️ **Perimetro**: guadagni (×10, 12 settimane, −50% time-to-ROI, −90% tempi di ciclo) senza metodo né perimetro divulgati; casi anonimi.

## RésuméDe400mots

L'articolo si apre con uno scenario. L'amministratore delegato di un assicuratore internazionale apprende che le autorità di regolamentazione intendono limitare i margini su alcuni prodotti. In pochi minuti, l'AI OS dell'azienda legge le bozze delle norme, le confronta con il catalogo e identifica circa 140 prodotti interessati in sette paesi, un terzo dei quali a rischio, segnalando al contempo che ogni regolatore definisce il margine in modo diverso. I responsabili paese approvano; uno di loro contesta un'ipotesi di allocazione dei costi e riduce a nove il numero di prodotti non conformi. Il giorno successivo, il sistema modella le opzioni (repricing, riprogettazione, commissioni, ritiro), il comitato definisce un piano che il sistema registra come guardrail, dopodiché gli agenti generano design e prezzi sottoposti ad attuari, compliance e responsabili di linea. Dopo il lancio, il sistema monitora ogni prodotto; la prossima normativa sarà gestita più rapidamente.

Gli autori partono da un divario: secondo l'indagine State of AI 2026 di McKinsey, il 40% delle grandi imprese ha implementato agenti su scala, ma solo il 6% attribuisce all'IA almeno il 5% del proprio EBIT. La sfida non è più l'adozione, ma il modo in cui l'impresa opera. L'AI OS, il secondo cervello dell'impresa, mantiene il contesto, ragiona trasversalmente alle funzioni, raccomanda o esegue decisioni e apprende dai risultati. Si basa su ciò che già esiste (infrastruttura, dati già disponibili, modelli di più fornitori) e aggiunge uno strato semantico composto da ontologie e knowledge graph, modelli analitici deterministici richiamati dagli agenti, un'orchestrazione di agenti riutilizzabile e uno strato di esperienza.

Sei priorità guidano la costruzione: possedere il contesto e noleggiare o sostituire la tecnologia; limitare il numero di AI OS a uno, due o tre; riprogettare i processi end-to-end; progettare per il riutilizzo affinché il vantaggio si accumuli; tenere conto dell'economia dell'IA, poiché il costo dei token è sceso di oltre il 95% mentre la spesa è triplicata; partire dalle tecnologie già pagate.

La gestione deve cambiare: agire in base al segnale piuttosto che a un calendario, orientare l'azione in modo continuo, dedicare il tempo della leadership al giudizio e lavorare tramite collegamenti diretti piuttosto che tramite livelli, al punto da considerare da 20 a 40 riporti diretti per manager. Un OEM globale e un'azienda industriale statunitense illustrano l'approccio. Gli autori raccomandano di puntare su tre-cinque ambiti, definire una governance semantica, finanziare l'AI OS condiviso e ridefinire i diritti decisionali.

## GrapheDeConnaissance

- McKinsey —publie→ article The AI operating system (DOCUMENT, 0.97)
- QuantumBlack —fait_partie_de→ McKinsey (ORGANISATION, 0.95)
- Asutosh Padhi —travaille_chez→ McKinsey (ORGANISATION, 0.95)
- article The AI operating system —référence→ State of AI 2026 (DOCUMENT, 0.95)
- State of AI 2026 —mesure→ 40 % des grandes entreprises déclarent des agents à l'échelle, 6 % attribuent à l'IA au moins 5 % de l'EBIT (MESURE, 0.92)
- McKinsey —a_créé→ AI operating system (CONCEPT, 0.8)
- AI operating system —utilise→ Couche sémantique (CONCEPT, 0.93)
- Couche sémantique —utilise→ Ontologie (CONCEPT, 0.92)
- Couche sémantique —utilise→ Knowledge graph (TECHNOLOGIE, 0.9)
- AI operating system —utilise→ Orchestration d'agents (METHODOLOGIE, 0.92)
- AI operating system —utilise→ LLM (TECHNOLOGIE, 0.88)
- AI operating system —permet→ Management par intervention (METHODOLOGIE, 0.88)
- McKinsey —recommande→ Own the context, rent or replace the technology (CONCEPT, 0.95)
- McKinsey —recommande→ limiter l'entreprise à un, deux ou trois AI OS (AFFIRMATION, 0.92)
- McKinsey —recommande→ financer l'AI OS partagé plutôt que des cas d'usage isolés (AFFIRMATION, 0.93)
- McKinsey —mesure→ planification jusqu'à dix fois plus rapide, première valeur en environ 12 semaines, délai de ROI réduit de 50 % (MESURE, 0.8)
- McKinsey —affirme_que→ le coût unitaire du token a baissé de plus de 95 % tandis que la dépense IA a plus que triplé (AFFIRMATION, 0.88)
- McKinsey —prédit→ des managers passant de 10-12 à environ 20-40 rapports directs (AFFIRMATION, 0.75)
- AI operating system —s_applique_à→ Assurance (CONCEPT, 0.8)

---
Canonical: https://www.thekb.eu/it/fiches/padhi-mckinsey-ai-operating-system-ceos-2026-10-01/