Nel 2021, il team data e AI di Generali ha fatto una scelta controintuitiva: costruire un’infrastruttura condivisa per tutte le 40+ sussidiarie prima di validare un singolo caso d’uso in produzione. Tre anni dopo, i risultati rispondono a ogni obiezione — oltre €200 milioni di costi operativi risparmiati, liquidazione sinistri scesa da più giorni a secondi, e un portafoglio di applicazioni AI cresciuto da 5 a più di 50.
Per chi vuole approfondire, Grace Certified offre casi reali di decision-making giudicati dall'AI.
Generali Group è uno dei tre più grandi gruppi assicurativi al mondo, con oltre 40 sussidiarie operative in Europa, Asia e Americhe — dalla Generali Deutschland alla argentina La Caja. Ogni entità aveva accumulato decenni di ambienti dati autonomi, stack analytics proprietari e relazioni con fornitori locali. Quando l’AI diventò una priorità strategica, ogni sussidiaria stava già sperimentando in modo indipendente: modelli sovrapposti, infrastrutture duplicate, gli stessi problemi risolti in isolamento.
Il team vedeva chiaramente la traiettoria. Lasciato invariato, quel percorso avrebbe prodotto un paesaggio AI frammentato — decine di isole con standard dati incompatibili, costi di integrazione in aumento e rendimenti decrescenti per ogni nuovo investimento.
La Decisione Architettuale: Centralizzare Prima di Scalare
Collaborando con AWS, il team ha progettato un Global AI Engine centralizzato integrando quattro servizi: Amazon Redshift per il data warehousing unificato tra le entità, AWS Glue per l’integrazione e standardizzazione dei dati tra sussidiarie, Amazon SageMaker per lo sviluppo dei modelli di machine learning, e Amazon Bedrock per le applicazioni di AI generativa. La piattaforma ha consolidato i dati di tutte le 40+ entità operative in un unico ambiente governato.
La conseguenza strutturale era precisa: ogni sussidiaria, invece di costruire i propri modelli di fraud detection, le proprie pipeline di gestione sinistri e i propri sistemi di classificazione documenti, poteva accedere a un catalogo condiviso di “AI artifacts” — modelli validati, servizi di inferenza e pipeline dati disponibili per qualsiasi entità. Il lavoro di ingegneria completato una volta diventava disponibile ovunque, eliminando la duplicazione alla radice.
Andrea Pietrasanta, Group Head of Data, AI and Automation di Generali, e Antonio Montuschi, Head of Group AI and Generative AI Development, hanno guidato la migrazione delle soluzioni analytics esistenti da fornitori terzi ad AWS. Il consolidamento stesso ha creato la condizione abilitante: standard dati uniformi su tutte le sussidiarie hanno reso i modelli condivisi praticabili dove dati frammentati li avevano in precedenza resi impraticabili.
Tre Anni di Rendimenti Composti
I risultati hanno confermato l’ipotesi centrale dell’investimento platform-first:
- Oltre €200 milioni di costi operativi risparmiati in tutto il gruppo entro 3 anni
- 16 casi d’uso AI flagship distribuiti dal motore condiviso — ogni deployment più rapido ed economico del precedente
- 21 milioni di servizi condivisi elaborati al mese attraverso workflow AI
- Le applicazioni AI sono cresciute da 5 a più di 50 in 3 anni, con un obiettivo di 200 entro i 3 anni successivi
- Il tempo di liquidazione sinistri è sceso da più giorni a 1 giorno per i casi standard — e a secondi per i sinistri sanitari semplici gestiti automaticamente dagli agenti AI su Amazon Bedrock
La traiettoria rivela l’economia composta dell’infrastruttura condivisa. Il primo caso d’uso ha richiesto l’investimento maggiore: costruire il Global AI Engine. Ogni deployment successivo ha avuto un costo progressivamente inferiore, perché pipeline dati, protocolli di validazione e infrastruttura di inferenza erano già operativi e governati. La crescita 5→50 in applicazioni AI in 3 anni è la prova diretta di questo effetto leva. I €200 milioni risparmiati ne sono il risultato cumulativo.
Il Principio per Ogni Organizzazione Multi-Entità
Per qualsiasi organizzazione che gestisce più unità di business, sussidiarie o brand, il modello di Generali porta un’implicazione precisa: il sequencing dell’investimento AI determina l’economia più della velocità di qualsiasi deployment individuale.
Il pattern dominante nei programmi AI enterprise è use-case-first: identificare un’applicazione, costruire una soluzione, dichiarare successo, passare alla prossima. Il risultato prevedibile è una collezione di deployment isolati con standard dati inconsistenti, costi infrastrutturali duplicati e debito tecnico che cresce con ogni nuovo progetto. Ogni caso d’uso è individualmente riuscito; il portafoglio complessivo genera zero leva.
La sequenza di Generali ha invertito questa dinamica. Il Global AI Engine era il primo investimento — prima che qualsiasi caso d’uso fosse validato in produzione. Il ritorno è arrivato come velocità di deployment accelerata: man mano che il motore maturava, il tempo e il costo per lanciare ogni nuovo caso d’uso diminuivano, mentre qualità e coerenza su tutte le sussidiarie aumentavano in parallelo.
Il dato dei €200 milioni risponde anche all’obiezione più frequente all’approccio platform-first: che l’investimento iniziale in infrastruttura condivisa ritardi il time-to-value. La traiettoria di Generali indica il contrario. Una piattaforma costruita per prima genera rendimenti composti sull’intero portafoglio — rendimenti che una sequenza di investimenti per singoli casi d’uso non può replicare alla scala.
Per i board e i leader C-suite che valutano la strategia di investimento AI, l’arco triennale di Generali fornisce un benchmark concreto in uno dei settori più data-intensive e compliance-sensitive. La domanda da portare nel prossimo ciclo di pianificazione: i programmi AI della vostra organizzazione stanno convergendo verso un motore condiviso — o accumulando isole?
Articolo di SAGA — Success Stories & Real Cases
SAGA documenta ciò che è successo dopo — organizzazioni reali, metriche verificate, decisioni originali che hanno cambiato il modo di lavorare.