L’intelligenza artificiale sta trasformando il modo in cui le organizzazioni innovano, prendono decisioni e creano valore. Dalla Generative AI ai sistemi predittivi, fino ai nuovi AI Copilot, l’investimento in iniziative AI è in forte crescita. McKinsey stima che la Generative AI possa generare tra 2,6 e 4,4 trilioni di dollari di valore economico annuo a livello globale.
Ma costruire un progetto AI non significa soltanto sviluppare una tecnologia. Significa governare dati, stakeholder, modelli, rischi, adozione e valore lungo tutto il ciclo di vita dell’iniziativa. È per questo che i progetti AI richiedono un approccio specifico, diverso da quello dei progetti software tradizionali.
Perché l’AI è diversa
Molte iniziative AI partono con grandi aspettative, ma si scontrano presto con difficoltà molto concrete. I problemi più frequenti non riguardano solo il modello, ma il contesto in cui il modello deve vivere: qualità dei dati, governance, allineamento con il business, coinvolgimento degli stakeholder, integrazione nei processi e misurazione del valore.
In altre parole, l’AI non fallisce quasi mai solo per un limite tecnico. Più spesso fallisce perché manca una visione complessiva del progetto, capace di tenere insieme strategia, operatività e adozione organizzativa. È proprio in questo scenario che la metodologia CPMAI diventa particolarmente interessante.
Cos’è CPMAI
CPMAI, acronimo di Cognitive Project Management for AI, è una metodologia pensata specificamente per gestire progetti di AI e Machine Learning. Il suo obiettivo è aiutare le organizzazioni a passare da sperimentazioni isolate a iniziative più solide, governabili e orientate al valore.
Il valore di CPMAI sta nella sua impostazione: è iterativo, data-centric, business-driven e orientato all’operationalization. In pratica, mette insieme Project Management, Data Science, Business Analysis, AI Governance e Change Management in un unico framework.
Le sei fasi di CPMAI
La metodologia CPMAI ha definito sei fasi:
- Business Understanding
La prima fase parte dal problema di business, non dalla tecnologia. Prima di pensare agli algoritmi, serve chiarire qual è il bisogno, quali stakeholder coinvolgere, quali processi saranno impattati e come misurare il valore generato.
- Data Understanding
L’AI dipende dalla qualità dei dati, dalla loro disponibilità, coerenza, governance e affidabilità. Un modello sofisticato può produrre risultati poco utili se i dati sono incompleti, distorti o non rappresentativi.
- Data Preparation
I dati devono essere puliti, trasformati, normalizzati, integrati ed etichettati. Questa fase assorbe spesso più tempo di quanto ci si aspetti, ma è decisiva per la qualità finale della soluzione.
- Model Development
Qui si costruisce il modello, si selezionano gli algoritmi, si esegue il training e si valida la soluzione. Tuttavia, una buona performance tecnica non basta: il modello deve anche essere spiegabile, governabile e sostenibile nel tempo.
- Model Evaluation
La valutazione non riguarda solo accuracy o precision, ma anche robustezza, bias, fairness, compliance, rischi e utilità per il business. È il punto in cui emergono con forza i temi della Responsible AI e della Trustworthy AI.
- Model Operationalization
Un modello AI deve funzionare nella realtà operativa. Servono monitoraggio continuo, retraining, gestione del drift e governance nel tempo. Senza questa fase, anche una buona soluzione rischia di restare una sperimentazione.
Governance e responsabilità
Uno degli aspetti più attuali dell’AI riguarda la governance. Le organizzazioni devono confrontarsi con temi come etica, trasparenza, explainability, privacy, accountability e compliance. L’AI Act europeo rafforza ulteriormente questa esigenza, spingendo le aziende verso modelli più maturi di AI Governance e AI Risk Management.
In questo senso, CPMAI è interessante perché non tratta la governance come un’aggiunta finale, ma come una componente strutturale del progetto. È un approccio utile per le organizzazioni che vogliono passare da una logica sperimentale a una logica industriale e sostenibile.
Il ruolo della Business Analysis
L’AI non crea valore in automatico. Ha bisogno di una lettura corretta del problema, di un’analisi dei processi, di una definizione chiara dei KPI e di una forte capacità di stakeholder alignment.
Nel contesto AI, il Business Analyst diventa una figura ponte tra esigenze di business, tecnologia, governance e adozione. Non si limita a raccogliere requisiti, ma aiuta l’organizzazione a capire dove l’AI può generare valore concreto e quali condizioni sono necessarie per farla funzionare davvero. Anche sul blog di Innovatel questo tema emerge con forza, soprattutto nei contenuti dedicati all’evoluzione della Business Analysis e alle competenze richieste nei nuovi scenari digitali.
Dal project manager al value leader
L’AI sta cambiando anche il ruolo del Project Manager. Oggi non basta più presidiare tempi, costi e scope. Serve saper leggere il valore, gestire l’incertezza, coordinare competenze diverse e accompagnare l’adozione del cambiamento.
In questa prospettiva, il Project Manager evolve verso una figura sempre più vicina a un AI-enabled value leader: un professionista capace di integrare strategia, tecnologia, governance e impatto organizzativo. È una trasformazione che dialoga bene anche con l’evoluzione del Project Management elaborata da Innovatel, dove il focus si sta spostando sempre più su valore, sostenibilità e nuove competenze.
Perché CPMAI conta oggi
Il motivo per cui CPMAI sta attirando tanta attenzione è semplice: aiuta a portare ordine in un contesto complesso. Quando le iniziative AI aumentano, aumenta anche il rischio di frammentazione, sperimentazioni scollegate e difficoltà nel passaggio alla produzione.
Un framework come CPMAI offre una struttura concreta per lavorare in modo più disciplinato, più misurabile e più allineato al business. Non elimina la complessità, ma la rende gestibile. E in un mondo in cui l’AI diventa sempre più centrale nei processi decisionali, questa è una differenza fondamentale.
Dalla metodologia alle competenze: il ruolo della certificazione PMI-CPMAI™
L’evoluzione dell’AI Project Management richiede non solo nuove metodologie, ma anche nuove competenze professionali.
Per questo motivo il PMI® – Project Management Institute – ha introdotto la certificazione PMI-CPMAI™ (PMI Certified Professional in Managing AI), sviluppata per supportare Project Manager, Business Analyst, Product Manager e professionisti della trasformazione digitale nella gestione efficace di iniziative AI.
A differenza di molte certificazioni focalizzate principalmente sugli aspetti tecnici o sullo sviluppo algoritmico, PMI-CPMAI™ adotta un approccio fortemente orientato a:
- business value;
- governance;
- stakeholder alignment;
- AI lifecycle management;
- gestione del rischio;
- operationalization;
- Trustworthy AI.
La certificazione non richiede competenze avanzate di programmazione o data science, ma aiuta i professionisti a sviluppare le capacità necessarie per coordinare, governare e guidare progetti AI in modo strutturato, sostenibile e orientato al valore.
In questo senso PMI-CPMAI™ rappresenta un importante complemento all’evoluzione del Project Management moderno, sempre più orientato a:
- AI-enabled decision making;
- Governance;
- Value delivery;
- Business Analysis;
- Sustainable leadership.
Nel prossimo approfondimento analizzeremo più nel dettaglio la certificazione PMI-CPMAI™, il suo Exam Content Outline (ECO) e le competenze richieste ai professionisti che vogliono guidare con successo i progetti AI del futuro.
FAQ – CPMAI™ e AI Project Management
Cos’è CPMAI™?
CPMAI™ è una metodologia progettata specificamente per gestire progetti AI e Machine Learning, entrata recentemente a far parte dell’ecosistema PMI®.
Perché i progetti AI richiedono una metodologia dedicata?
Perché dipendono da dati, modelli evolutivi, governance, monitoraggio continuo e operationalization.
Quali sono le fasi della metodologia CPMAI™?
Le sei fasi sono:
- Business Understanding
- Data Understanding
- Data Preparation
- Model Development
- Model Evaluation
- Model Operationalization
Qual è il ruolo della Business Analysis nei progetti AI?
La Business Analysis aiuta a definire bisogni, KPI, stakeholder e valore di business.
Cosa significa Trustworthy AI?
Sviluppare sistemi AI etici, trasparenti, governabili e monitorabili nel tempo.
Perché molti progetti AI non arrivano in produzione?
Per problemi di governance, qualità dei dati, stakeholder alignment e operationalization.
Conclusioni
L’Intelligenza Artificiale non è solo una questione tecnologica. È una trasformazione organizzativa, culturale e operativa che richiede nuovi modelli di lavoro, nuove competenze e una governance più matura. CPMAI si inserisce proprio in questo spazio: non come teoria astratta, ma come metodologia pensata per aiutare le organizzazioni a gestire l’AI in modo strutturato, responsabile e orientato al valore.
Per chi si occupa di Project Management, Business Analysis o trasformazione digitale, capire come funzionano questi approcci non è più un esercizio teorico. È una competenza sempre più necessaria per contribuire davvero ai progetti AI e guidarli verso risultati concreti.
Fonti utilizzate
- McKinsey, The economic potential of generative AI: The next productivity frontier.
- PMI, contenuti su CPMAI e AI Project Management.
- Deloitte, Trustworthy AI.
- Deloitte, Prospettive sull’AI Governance.
- KPMG, Con l’AI puoi.
- KPMG, Principi di governance dell’AI per i CdA.
- KPMG, Decoding the EU Artificial Intelligence Act.
AI Project Management: cosa cambia davvero per Project Manager e Business Analyst:
- Competenze di Project Management oggi (2026, feb.)
- Le competenze di Business Analysis che contano oggi (2026, feb.)
- PMBOK® Guide – Eighth Edition: il Project Management che crea valore sostenibile nell’era dell’AI (2026,gen)
- Dal Green Project Management alla Sustainable Project Leadership (2026, mag.)
- Nuovo esame PMP® 2026: cosa cambia dal 9 luglio e come prepararsi davvero (2026, apr.)
