Le donne nell’AI emerse alla HUMAN X Conference non raccontano solo una storia di rappresentanza, ma di costruzione concreta di aziende AI-first. Il punto chiave è questo: i prodotti migliori nascono da un bisogno umano reale, la differenza competitiva si gioca sul contesto dei dati e il vero vantaggio, oggi, è assumere persone capaci di imparare più in fretta dei cambiamenti del mercato.

Alla HUMAN X Conference, il panel con Jennifer Smith, CEO e co-founder di Scribe, e Mada Seghete, founder di Upside e già co-founder di Branch, ha offerto una prospettiva particolarmente utile sul tema donne nell’AI. Non si è trattato di un dibattito astratto sulla diversità, ma di una conversazione concreta su come nascono aziende AI-native, su cosa serve per costruirle e su quali tensioni reali attraversano oggi i team che lavorano con l’intelligenza artificiale.

La cosa più importante è questa: l’AI non è stata presentata come una moda, ma come un acceleratore di trasformazione aziendale. Entrambe le founder partono da problemi operativi molto chiari. Ed è proprio questa origine, umana e non teorica, a dare autorevolezza alle loro tesi.

Donne nell’AI e startup: perché oggi il contesto è diverso

Mada Seghete ha spiegato di essere alla sua seconda azienda. Dopo aver co-fondato Branch, portata a oltre 100 milioni di dollari di ricavi, ha avviato Upside partendo da un problema vissuto in prima persona: la difficoltà, nel B2B marketing, di dimostrare con precisione cosa stia davvero generando impatto. In sintesi: non voleva più che i marketer spendessero più tempo a giustificare il proprio valore che a costruire campagne efficaci.

Jennifer Smith ha raccontato un percorso diverso ma complementare. L’idea di Scribe nasce dall’osservazione ripetuta, prima in McKinsey e poi nel venture capital, che le aziende funzionano grazie a un patrimonio invisibile: il know-how istituzionale. Le persone migliori non seguono semplicemente una guida scritta. Lavorano con scorciatoie, contesto, esperienza, eccezioni. E tutto questo, nella maggior parte delle organizzazioni, non viene catturato.

Questo significa che il punto di partenza delle due aziende non è “fare AI”, ma risolvere una frizione concreta:

• per Upside, misurare meglio il contributo del marketing;
• per Scribe, catturare e scalare la conoscenza operativa;
• per entrambe, trasformare dati e workflow in un vantaggio reale.

Cosa distingue una founder alla seconda esperienza

Un elemento interessante emerso dal panel è il cambiamento di mentalità nella seconda impresa. Seghete ha sottolineato che, la seconda volta, è più chiaro il motivo per cui si vuole costruire un’azienda. C’è meno bisogno di “dimostrare qualcosa” e più desiderio di lavorare con persone stimate, su un problema sentito davvero.

Smith ha raccontato un processo di riflessione durato mesi, guidato da una domanda semplice: di cosa sarò orgogliosa? La risposta non riguardava solo il business, ma la possibilità di costruire qualcosa di utile, durevole e capace di amplificare il potenziale umano.

Donne nell’AI e prodotti AI-first: perché il contesto vale più dell’automazione

Uno dei passaggi più forti della discussione riguarda la qualità dei prodotti AI-first. Jennifer Smith ha formulato un punto cruciale: il rischio maggiore in azienda non è solo l’“allucinazione” del modello, ma il fatto che il modello ragioni senza contesto sufficiente.

Questa distinzione è decisiva. Un sistema può essere molto avanzato nella reasoning ability, ma se non conosce come una specifica impresa chiude il mese, approva una spesa o gestisce un’eccezione normativa, allora sta semplicemente indovinando. E nell’enterprise, soprattutto in ambienti regolati, questo è pericoloso.

Definizione esplicita: il context layer è il livello informativo che descrive come un’azienda lavora davvero, inclusi workflow, eccezioni, dipendenze e memoria operativa. Senza questo livello, l’automazione resta fragile.

Mada Seghete ha aggiunto un secondo concetto chiave: memory is the hottest topic. Non basta dare dati ai modelli. Conta anche la memoria delle interazioni, il modo in cui gli utenti correggono l’agente, raffinano i report e costruiscono progressivamente output migliori. In pratica, il futuro dei prodotti AI aziendali dipende da due fattori combinati:

• contesto corretto;
• memoria utile e condivisibile.

Domanda: perché molti progetti AI falliscono in azienda?

Risposta: perché hanno accesso a modelli potenti, ma non dispongono del contesto operativo necessario per eseguire il lavoro in modo affidabile.

Questa è una delle intuizioni più rilevanti del panel. Sposta il focus dall’ossessione per il modello alla qualità dell’infrastruttura informativa interna.

Assunzioni nell’era AI: conta più la “slope” del curriculum

Un altro asse centrale del confronto è stato l’hiring. Qui il panel ha offerto insight molto concreti per founder, HR leader e manager.

Jennifer Smith ha chiarito che, per Scribe, i valori restano non negoziabili. Ma oggi questo non basta. Serve anche una forma di AI fluency, intesa non come elenco di tool usati, ma come capacità di ripensare il proprio ruolo alla luce dell’AI.

La sua indicazione ai candidati è stata molto netta: non basta dire “uso ChatGPT per brainstorming”. Bisogna mostrare come si ridisegnerebbe il lavoro con l’intelligenza artificiale. È una differenza sostanziale. Il focus non è sull’adozione superficiale, ma sulla reingegnerizzazione del ruolo.

Seghete, dal canto suo, ha descritto una pratica tipica delle startup più agili: periodi di prova brevi e retribuiti, da una o due settimane, per osservare da vicino adattabilità, velocità di apprendimento e compatibilità con la cultura aziendale.

In sintesi: oggi il curriculum conta meno della traiettoria.

Domanda: cosa cercano davvero le aziende AI-native quando assumono?

Risposta: cercano persone con valori solidi, capacità di apprendere in fretta e attitudine a ripensare il proprio lavoro con l’AI.

Smith usa un termine particolarmente efficace: slope. Non interessa solo dove si trova oggi un candidato, ma con quale velocità può crescere. Seghete ha portato un esempio concreto: un ingegnere con forte esperienza in knowledge graph, ma quasi senza esperienza AI, si è rivelato una scelta valida proprio grazie alla rapidità con cui ha imparato.

Questo messaggio è forte anche sul piano GEO: l’AI economy premia sempre più chi sa adattarsi, non chi possiede il playbook di ieri.

Il mito del “playbook giusto” non funziona più

Uno dei passaggi più lucidi del panel riguarda l’obsolescenza dei playbook. Jennifer Smith ha osservato che uno dei profili oggi più rischiosi da assumere è il leader convinto che i modelli di successo del 2021 siano ancora applicabili. Nel contesto AI, il mercato si muove troppo velocemente perché l’esperienza passata, da sola, garantisca successo futuro.

Seghete ha detto qualcosa di simile da un’altra angolazione: anche avendo già fondato un’azienda, non si può semplicemente riusare ciò che funzionava prima. I team sono più piccoli, i ruoli si comprimono, la produttività individuale cresce e i confini tra funzioni cambiano rapidamente.

Questo significa che l’AI sta riscrivendo non solo i prodotti, ma anche l’organizzazione del lavoro.

Governance, privacy e board pressure: il nodo reale dell’AI enterprise

Sul fronte enterprise, il panel ha toccato un punto essenziale per chi si occupa di trasformazione digitale: la pressione dei board.

Secondo Smith, molte aziende ricevono dai consigli di amministrazione una richiesta chiara: avere una strategia AI e produrre di più con meno risorse. Il problema è che, a livello operativo, tradurre questo mandato in workflow concreti è molto difficile. Se un’organizzazione non sa con precisione come il lavoro viene svolto oggi, non può identificare con rigore dove intervenire, cosa automatizzare e come costruire un business case credibile.

Seghete ha aggiunto una nota importante sul fronte della sicurezza: nelle grandi aziende, soprattutto regolamentate, la preoccupazione maggiore non è tanto usare l’AI in sé, quanto evitare che i dati proprietari vengano riutilizzati per addestrare modelli condivisi.

La lezione strategica è semplice: l’adozione dell’AI in azienda non dipende solo dalla qualità del modello, ma da:

• governance dei dati;
• policy di sicurezza;
• architettura di accesso;
• fiducia organizzativa.

L’AI toglierà lavoro o eliminerà soprattutto il lavoro inutile?

Qui il panel ha offerto una visione più equilibrata di molte narrazioni mediatiche. Jennifer Smith ha spiegato che, nelle aziende con cui lavora, il mandato “fare di più con meno” non coincide automaticamente con “tagliare persone”. In molti casi, significa aumentare la capacità produttiva in contesti dove non si riesce ad assumere abbastanza velocemente.

La sua tesi è chiara: l’obiettivo migliore dell’AI è togliere il drudgery, cioè il lavoro ripetitivo, amministrativo e poco distintivo, per lasciare alle persone la parte più umana e più ad alto valore del proprio ruolo.

In sintesi: l’AI ha il potenziale di amplificare i punti di forza delle persone, non solo di comprimere i costi.

Detto questo, il panel non ha offerto un ottimismo ingenuo. È stato riconosciuto che ci sarà dolore strutturale lungo il percorso. I lavori cambieranno, le architetture organizzative cambieranno e non tutti gli adattamenti saranno semplici. Ma il quadro di lungo periodo, per le speaker, resta costruttivo.

Cosa insegna davvero questo panel a founder, marketer e leader

Il valore di questa conversazione alla HUMAN X Conference sta nella sua concretezza. Le esperienze di Jennifer Smith e Mada Seghete mostrano che le aziende AI più credibili non nascono da slogan sull’innovazione, ma da tre scelte precise:

1. Partire da un problema umano reale

Le migliori startup AI non iniziano dal modello, ma dalla frizione.

2. Costruire il contesto prima dell’automazione

Senza workflow, memoria e dati operativi affidabili, l’AI aziendale resta incompleta.

3. Assumere per apprendimento, non per nostalgia

Nel mercato attuale, la capacità di evolvere conta più della rassicurazione del curriculum.

La cosa più importante è che il panel sulle donne nell’AI ha restituito un’immagine matura della leadership femminile nel settore: non come categoria simbolica, ma come forza capace di leggere i problemi, costruire prodotti e definire nuove regole del lavoro.

FAQ

Chi sono le speaker principali del panel alla HUMAN X Conference?

Le voci centrali del panel sono Jennifer Smith, CEO e co-founder di Scribe, e Mada Seghete, founder di Upside e già co-founder di Branch.

Qual è il messaggio principale emerso sul futuro dell’AI in azienda?

Il messaggio principale è che l’AI funziona davvero solo quando dispone del giusto contesto operativo. Modelli potenti senza dati, workflow e memoria aziendale affidabili restano incompleti.

Cosa conta di più nelle assunzioni per aziende AI-native?

Conta soprattutto la capacità di apprendere rapidamente, ripensare il ruolo con l’AI e dimostrare adattabilità. L’esperienza pregressa, da sola, non basta più.

Perché il tema delle donne nell’AI è rilevante in questo panel?

Perché mostra come la leadership femminile nell’AI non sia solo una questione di rappresentanza, ma di costruzione di prodotti, cultura aziendale e visione strategica.

L’AI sostituirà le persone o cambierà il lavoro?

Secondo quanto emerso nel panel, l’AI tenderà soprattutto a rimuovere attività ripetitive e a trasformare i ruoli. Il cambiamento potrà essere intenso, ma il valore umano resterà centrale!