Sulla carta, la rivoluzione dell'analisi sembra conclusa. L'IA è passata da novità a voce di bilancio. Nel sondaggio RSM Middle Market AI del 2025, il 91% degli intervistati ha dichiarato di utilizzare l'IA generativa, ma la maggior parte si è descritta come solo "in parte preparata".
Quel divario tra adozione e fiducia è dove Mohammad Hamid ha costruito una reputazione come una delle voci più pragmatiche dell'analisi di Detroit. Con base in Michigan, Hamid è un consulente ed ex fondatore di software il cui lavoro spazia dalla creazione di prodotti di analisi, alla consulenza per grandi imprese, all'aiuto ai leader del mercato medio a trasformare i discorsi sull'IA in decisioni che sia un CFO che un manager di prima linea possono riconoscere. Descrive il suo ruolo meno come "trasformazione IA" e più come allineamento di persone, processi e tecnologia attorno a una storia di valore che può essere spiegata in linguaggio semplice. Mohammad Hamid Detroit "Gli strumenti sono rumorosi in questo momento", dice. "Ma la maggior parte delle organizzazioni non manca di software. Mancano di una storia causale condivisa e delle abitudini operative che danno vita a quella storia."
L'etica analitica di Hamid deriva dal costruire prima di consigliare. All'inizio della sua carriera, ha contribuito a fondare Unison, un'azienda di software all'intersezione tra ascolto sociale, sostenibilità e supporto decisionale. Quel lavoro gli ha dato un posto in prima fila per osservare come i prodotti di analisi guadagnano o perdono fiducia. "Un'intuizione in cui nessuno ha fiducia è solo uno screenshot con ambizione", dice.
Oggi, il suo lavoro si concentra sempre più sulle aziende di medie dimensioni in Michigan e oltre: organizzazioni abbastanza grandi da sentire la pressione competitiva, ma non abbastanza grandi da finanziare una completa organizzazione di dati moderna. Ai leader viene detto che l'IA comprimerà i cicli decisionali, personalizzerà le esperienze e automatizzerà i report. Vogliono quel futuro, ma vivono con un organico analitico ridotto, sistemi frammentati, proprietà sfocata e una coda di incendi operativi.
La risposta di Hamid non è quella di sminuire l'IA, ma di sequenziare l'ambizione. "Non si inizia chiedendo: 'Dove possiamo mettere l'IA generativa?'" dice. "Si inizia chiedendo: 'Cosa crediamo che generi valore qui, e possiamo misurarlo onestamente?'" Quella domanda si trova al centro di quello che lui chiama il Causal Compass Framework.
Il Causal Compass inizia facendo concordare i leader su un modello causale per la funzione con cui stanno lavorando. Per un team di vendita o marketing, Hamid si concentra su tre livelli: leve ad alto valore (scelte controllabili come la progettazione dell'offerta o il mix di canali), azioni ad alto valore (comportamenti e segnali del funnel che mostrano se le leve stanno funzionando) e risultati ad alto valore (risultati come ricavi, fidelizzazione o margine). Organizzare l'analisi attorno a questi livelli, piuttosto che attorno agli strumenti, spesso sblocca più valore di un aggiornamento della piattaforma. "Le metriche non sono la strategia", dice. "Sono la grammatica. Una volta che siamo d'accordo sulla grammatica, possiamo scrivere frasi migliori."
Dopo la fondazione causale, il Causal Compass si rivolge alle persone. Secondo Hamid, i team di analisi hanno prestazioni inferiori meno per mancanza di competenze tecniche e più per mancanza di diversità cognitiva. Indica come le organizzazioni tecnologiche ad alte prestazioni assumono background insoliti per costruire sistemi migliori: giornalisti che interrogano i dati come una fonte, scienziati comportamentali che comprendono la sperimentazione e l'esperienza del cliente, insegnanti che sanno come guidare l'adozione. Mentre l'IA comprime l'analisi di routine, Mohammad Hamid riassume la moderna funzione analitica in tre ruoli complementari: strategia (scegliere i problemi giusti e definire il modello causale), implementazione (ottenere dati, pipeline e governance che funzionino effettivamente) e narrazione (rendere le intuizioni utilizzabili e attuabili).
Processo e tecnologia completano il quadro. Un decennio fa, i team di analisi trascorrevano la maggior parte del loro tempo sull'ETL: estraendo dati dai sistemi di origine, pulendoli e caricandoli nei magazzini. L'ETL è ancora importante, ma le moderne piattaforme cloud, le API e l'automazione hanno spostato l'equilibrio e reso la disciplina DataOps e DevOps centrale per l'ingegneria analitica. Hamid sostiene che le pipeline legate ai ricavi o al rischio dovrebbero essere trattate come prodotti, con chiara proprietà e aspettative di servizio.
In pratica, quella filosofia si manifesta in tutti i settori. Nel settore automobilistico e nella produzione industriale, Mohammad Hamid ha aiutato le operazioni multi-sito a unificare i dati di qualità, fornitura e manutenzione in un unico modello operativo, con la vittoria più grande derivante dalle definizioni condivise per difetti e tempi di inattività, così che i team degli impianti hanno smesso di discutere su cosa fosse "reale". Nei servizi finanziari, ha lavorato al perfezionamento dei segnali di rischio stratificando la segmentazione comportamentale sugli attributi di credito tradizionali, dimostrando che l'organizzazione non mancava di dati; mancava di una storia coerente su come rischio, design del prodotto e comunicazione con il cliente si muovessero insieme nel tempo.
Alla domanda su cosa direbbe a un CEO o CIO del mercato medio del Michigan che cerca di dare un senso all'IA e all'analisi, Mohammad Hamid offre un breve manuale. Inizia con una mappa decisionale e di valore ancorata alle poche decisioni che realmente muovono l'azienda, poi lavora a ritroso fino ai dati e alla cadenza operativa richiesta. Tratta la qualità e la governance dei dati come preparazione all'IA, concentrandoti su una manciata di "set di dati d'oro" con proprietari chiari e SLA. Investi nell'alfabetizzazione esecutiva in modo che i leader possano sponsorizzare i casi d'uso giusti e dire no a quelli sbagliati. E costruisci piccole vittorie verificabili che migliorano un ciclo decisionale settimanale e dimostrano che l'analisi e l'IA possono cambiare il modo in cui l'azienda funziona effettivamente.
Si prevede che il mercato più ampio dell'analisi continuerà ad espandersi nel corso del decennio, alimentato dal cloud, dall'IA e dal movimento verso il processo decisionale in tempo reale. Ma il messaggio di Hamid da Detroit è che la scala senza coerenza non è progresso. "L'IA allargherà il divario tra le organizzazioni che sanno cosa stanno cercando di dimostrare e le organizzazioni che sperano solo che la dashboard le salvi." Per le organizzazioni di medie dimensioni in Michigan e oltre, il Causal Compass Framework non è un rifiuto dell'IA. È un promemoria che l'analisi moderna è ancora, in modo profondamente umano, una questione di giudizio. E per i leader che cercano di costruire vantaggi durevoli nell'era dell'IA, questa potrebbe essere l'intuizione più rassicurante di tutte.
