ADOPT (AI-Driven Optimization of Process Transformation): un framework per la trasformazione dei processi aziendali, dalla fase di discovery a quella d'implementazione.

Contemporary organizations today have access to unprecedented volumes of data about their own processes, yet struggle to translate that data into reliable understanding and action: a paradox that particularly affects process mapping and optimization, which remain largely manual despite the growing availability of generative artificial intelligence tools. This thesis addresses the question of whether, and how, it is possible to design and validate a framework that employs artificial intelligence both as the engine driving process discovery, analysis, and optimization, and as an optimization lever in its own right, explicitly distinguishing between these two roles across the entire journey from process knowledge collection to the implementation of optimizations. Following a design science research approach, this work develops ADOPT (AI-Driven Optimization of Process Transformation), a nine-phase framework grounded in the APQC classification as its reference taxonomy, in which each phase specifies an input, an output, a defined role for artificial intelligence, and a quality control criterion: a level of detail intended to make the framework not merely descriptive, but applicable and falsifiable. The framework was validated through a real consulting engagement conducted with a multi-site private healthcare organization, applied across the organization's entire process landscape. The engagement confirmed the framework's ability to translate tacit process knowledge into a structured, shared mapping, to systematically diagnose critical issues and inefficiencies otherwise scattered across the organization's informal knowledge, and to generate a portfolio of optimization opportunities, both conventional and AI-based in nature, that proved genuinely prioritizable within the given context. Finally, the thesis discusses ADOPT's positioning relative to existing vertical enterprise solutions, the European regulatory framework on artificial intelligence, and the ongoing shift toward agentic automation. Its main contribution is an operational, replicable, and falsifiable framework for integrating artificial intelligence into business process transformation, validated in a real-world case, which explicitly distinguishes AI's methodological role from its role as a solution, a distinction that existing literature still treats in largely undifferentiated terms.

Le organizzazioni contemporanee dispongono oggi di volumi di dati sui propri processi senza precedenti, ma faticano a tradurli in comprensione affidabile e in azione: un paradosso che riguarda in particolare le fasi di mappatura e ottimizzazione dei processi, ancora prevalentemente manuali nonostante la crescente disponibilità di strumenti di intelligenza artificiale generativa. Questa tesi affronta la domanda se, e come, sia possibile costruire e validare un framework che utilizzi l'intelligenza artificiale sia come motore delle fasi di discovery, analisi e ottimizzazione dei processi, sia come leva di ottimizzazione essa stessa, distinguendo esplicitamente questi due ruoli lungo l'intero percorso dalla raccolta della conoscenza di processo all'implementazione delle ottimizzazioni. Seguendo l'approccio della design science research, il lavoro sviluppa ADOPT (AI-Driven Optimization of Process Transformation), un framework a nove fasi fondato sulla classificazione APQC come tassonomia di riferimento, in cui ciascuna fase specifica un input, un output, un ruolo definito dell'intelligenza artificiale e un criterio di controllo qualità: un livello di dettaglio pensato per rendere il framework non solo descrivibile ma applicabile e falsificabile. Il framework è stato validato attraverso un progetto di consulenza reale condotto con un'organizzazione sanitaria privata multi-sede, applicato all'intero perimetro dei processi aziendali del gruppo. Il progetto ha confermato la capacità del framework di tradurre la conoscenza tacita dei processi in una mappatura strutturata e condivisa, di diagnosticare in modo sistematico criticità e inefficienze altrimenti disperse nella conoscenza informale dell'organizzazione, e di generare un portafoglio di opportunità di ottimizzazione, di natura sia tradizionale sia basata sull'intelligenza artificiale, effettivamente prioritizzabile nel contesto dato. Il lavoro discute infine il posizionamento di ADOPT rispetto alle soluzioni enterprise verticali già presenti sul mercato, al quadro regolatorio europeo sull'intelligenza artificiale e alla transizione in atto verso l'automazione agentica. Il contributo principale è un framework operativo, replicabile e falsificabile per l'integrazione dell'intelligenza artificiale nella trasformazione dei processi aziendali, validato in un caso reale, che distingue esplicitamente il ruolo metodologico dal ruolo di soluzione dell'intelligenza artificiale, una distinzione che la letteratura esistente tratta ancora in modo prevalentemente indistinto.