# stackpole-mit-sloan-ai-decision-matrix-2026-09-22

## Veille

Articolo di **Beth Stackpole** su *Ideas Made to Matter* (**MIT Sloan**), pubblicato il **22 settembre 2026** (~5 min), che presenta il *research briefing* « Designing Decision Rights for AI » di **Ina Sebastian**, **Peter Weill**, **Thomas Haskamp** e **Jan vom Brocke** (**MIT CISR**), basato su interviste a **30 dirigenti**.

## Titre Article

A framework for determining when AI can make decisions

## Date

2026-09-22

## URL

https://mitsloan.mit.edu/ideas-made-to-matter/a-framework-determining-when-ai-can-make-decisions

## Keywords

diritti decisionali, diritti decisionali, AI Decision Matrix, ambiguità, rischio, framing acting learning, framing, acting, learning, decisione di routine, decisione consequenziale, decisione esplorativa, decisione strategica, supervisione umana, human in the loop, agenti IA, One New Zealand, centro di eccellenza per l'IA, owner dell'agente, portfolio di decisioni, MIT CISR, governance dell'IA

## Authors

Beth Stackpole — rédactrice, *MIT Sloan Ideas Made to Matter* ; recherche de Ina Sebastian, Peter Weill, Thomas Haskamp, Jan vom Brocke (MIT CISR).

## Ton

Articolo di divulgazione di una ricerca accademica destinato a un pubblico dirigenziale. Si apre con un riquadro "What you need to know", definisce le due dimensioni e le tre componenti, poi illustra i quattro tipi, ciascuno con un esempio tratto da una singola azienda, One New Zealand. Il registro è prescrittivo senza essere perentorio: la supervisione umana è mantenuta in tutte le categorie, e l'autonomia dell'IA si amplia man mano che si costruisce la fiducia. Citazioni dei ricercatori inquadrano il pezzo. Il testo non fornisce dati aggregati sulle 30 interviste e rimanda i lettori al briefing originale per la metodologia.

## Pense-betes

- **Bassa ambiguità** = decisioni ripetibili, prevedibili; **alta** = molteplici interpretazioni possibili.
- **Basso rischio** = impatto limitato, reversibile; **alto** = impatto finanziario, operativo o reputazionale, difficile da correggere.
- **Framing**: problema, ipotesi, stakeholder, vincoli, criteri di successo. **Acting**: raccolta, valutazione, raccomandazione, autorizzazione, esecuzione. **Learning**: monitoraggio dei risultati, reazione ad essi, aggiornamento del sistema.
- **Routine**: framing codificato in anticipo, action e learning automatizzati; gli esseri umani restano vicini mentre si costruisce la fiducia. Esempio: segmentazione marketing in SQL da parte di un agente, **−60%** di tempo, revisione umana prima del lancio.
- **Consequential**: esseri umani su esecuzione, eccezioni, learning. Esempio: servizio clienti; informazioni di prezzo inaccurate sono un *"vincolo non negoziabile"* → human in the loop per qualsiasi cosa riguardi il pricing.
- **Exploratory**: framing co-costruito da esseri umani e IA; la governance diventa prioritaria man mano che la sperimentazione si sposta verso casi più rischiosi. Esempio: creazione di contenuti di marketing.
- **Strategic**: gli esseri umani guidano framing e learning, l'IA facilita l'action. Esempio: rete, **15 agenti di task** + agenti di orchestrazione; decisioni umane (affidabilità, esperienza del cliente, costo).
- **Pratiche**: le business unit definiscono il framing di ogni caso; centro di eccellenza per IA e dati (piattaforma unificata, livello di orchestrazione orizzontale, politica di IA responsabile); owner umano nominato per agente; gestire l'IA come un **portfolio di decisioni**.
- Collegato a [[chen-reneau-flansburg-clef-decision-models-2026-10-01]] sulla modellazione delle decisioni.

## RésuméDe400mots

Quali compiti affidare all'intelligenza artificiale, e quando gli esseri umani devono restare coinvolti? Per Beth Stackpole, che scrive su MIT Sloan Ideas Made to Matter a proposito dei lavori del MIT Center for Information Systems Research, progettare questi diritti decisionali è una delle sfide principali che le aziende devono affrontare. Ina Sebastian, Peter Weill, Thomas Haskamp e Jan vom Brocke hanno costruito la AI Decision Matrix a partire da interviste a 30 dirigenti, partendo da una premessa: non tutte le decisioni sono uguali.

La matrice incrocia due dimensioni. L'ambiguità misura in che misura i dati determinano la risposta e in che misura le persone sono d'accordo su di essa. Il rischio misura le conseguenze di un errore e la difficoltà di correggerlo. Ogni decisione ha tre componenti: framing (problema, ipotesi, vincoli, criteri di successo), acting (raccolta, valutazione, raccomandazione, autorizzazione, esecuzione) e learning (monitoraggio dei risultati, reazione ad essi, evoluzione del sistema).

I quattro tipi risultanti richiedono ruoli diversi per l'IA, con una supervisione umana costante. Le decisioni di routine si prestano all'automazione: presso l'operatore telecom One New Zealand, un agente traduce le richieste dei marketer in query SQL per creare segmenti, riducendo il tempo impiegato del 60%, con revisione umana prima del lancio. Le decisioni consequenziali richiedono un equilibrio tra automazione e intervento: nel servizio clienti, qualsiasi decisione che riguarda il pricing mantiene un essere umano nel ciclo (human in the loop), poiché un errore di prezzo è considerato inaccettabile. Le decisioni esplorative permettono al framing di evolversi tra esseri umani e IA, come nella creazione di contenuti di marketing, con una governance monitorata man mano che la sperimentazione si sposta verso casi più rischiosi. Le decisioni strategiche richiedono una leadership umana: quindici agenti analizzano i dati di rete e agenti di orchestrazione li coordinano, ma i compromessi tra affidabilità, esperienza del cliente e costi restano umani.

L'articolo trae quattro pratiche da One New Zealand: affidare alle business unit la responsabilità del framing per ciascun caso d'uso, creare un centro di eccellenza per IA e dati (piattaforma unificata, livello di orchestrazione, politica di IA responsabile), nominare un owner umano per ogni agente distribuito, e gestire l'IA come un portfolio di decisioni aziendali. Le decisioni di routine e consequenziali generano rapidi guadagni di efficienza, mentre quelle esplorative e strategiche generano valore a più lungo termine. Gli autori riassumono il cambiamento: passare dalla domanda "dove si dovrebbe usare l'IA?" alla gestione delle decisioni che essa plasma.

## GrapheDeConnaissance

- Beth Stackpole —publie→ article A framework for determining when AI can make decisions (DOCUMENT, 0.98)
- article A framework for determining when AI can make decisions —est_basé_sur→ Designing Decision Rights for AI (DOCUMENT, 0.96)
- Ina Sebastian —a_créé→ AI Decision Matrix (METHODOLOGIE, 0.96)
- Peter Weill —a_créé→ AI Decision Matrix (METHODOLOGIE, 0.96)
- MIT CISR —publie→ Designing Decision Rights for AI (DOCUMENT, 0.95)
- Peter Weill —dirige→ MIT CISR (ORGANISATION, 0.92)
- MIT CISR —mesure→ AI Decision Matrix construite à partir d'entretiens avec 30 dirigeants (MESURE, 0.92)
- AI Decision Matrix —utilise→ droits de décision (CONCEPT, 0.92)
- AI Decision Matrix —s_applique_à→ agents IA (TECHNOLOGIE, 0.9)
- Ina Sebastian —affirme_que→ la même capacité IA peut être sûre dans un contexte et risquée dans un autre (AFFIRMATION, 0.95)
- AI Decision Matrix —recommande→ automatiser les décisions routinières et garder un leadership humain sur les décisions stratégiques (AFFIRMATION, 0.94)
- One New Zealand —utilise→ agents IA (TECHNOLOGIE, 0.95)
- One New Zealand —mesure→ plus de 50 agents IA en production début 2026 (MESURE, 0.94)
- One New Zealand —mesure→ −60 % de temps de segmentation marketing via un agent text-to-SQL (MESURE, 0.93)
- One New Zealand —observé_dans→ AI Decision Matrix (METHODOLOGIE, 0.88)
- MIT CISR —recommande→ nommer un propriétaire humain pour chaque agent IA déployé (AFFIRMATION, 0.93)
- MIT CISR —recommande→ gérer l'IA comme un portefeuille de décisions métier plutôt que de cas d'usage (AFFIRMATION, 0.93)
- centre d'excellence IA —permet→ droits de décision (CONCEPT, 0.8)

---
Canonical: https://www.thekb.eu/it/fiches/stackpole-mit-sloan-ai-decision-matrix-2026-09-22/