Da quale processo partire per introdurre l'AI in azienda

Un esempio visto da un concorrente o a una conferenza può suggerire una buona idea. Non basta però a scegliere un progetto: occorre capire se quella stessa attività ha valore, dati e condizioni adatte nella tua azienda.

Confronto quattro aspetti: il valore atteso, la fattibilità con gli strumenti disponibili, l'accessibilità dei dati e la presenza di un responsabile interno. Un punto debole non impone sempre di scartare il caso, ma richiede una risposta esplicita: cosa manca, chi può risolverlo e come verificarlo prima di investire ancora.

La domanda passa da "quale caso ci entusiasma di più" a "quale caso possiamo testare con un risultato utile e controllabile". La scelta resta un compromesso dichiarato, non una somma di punteggi che decide al posto del team.

Questa griglia è una proposta operativa di Creaitivo, non una metodologia validata da Gartner. La previsione Gartner del 2024 richiamava problemi di dati, rischio, costi e valore nei progetti GenAI. È un contesto utile per formulare domande, non la prova che questi quattro criteri coincidano con quelle cause o garantiscano il successo.

Ogni criterio risponde a una domanda diversa, e va valutato separatamente prima di essere combinato. Confonderli è il modo più comune in cui una scelta ragionevole diventa una scelta sbagliata senza che nessuno se ne accorga.

Perché il criterio di visibilità in azienda premia i casi rivolti verso l'esterno, sales e marketing, dove il risultato è facile da mostrare in una slide. Il report The GenAI Divide del MIT NANDA, uno studio del 2025 su oltre trecento iniziative AI aziendali, trova che più della metà dei budget dedicati alla AI generativa finisce su strumenti di vendita e marketing, mentre il ritorno più alto e più misurabile si osserva nell'automazione dei processi di back office: finance, procurement, operations interne.

Non è un caso isolato. È l'effetto prevedibile di un processo di selezione guidato da chi il risultato lo deve mostrare, non da chi lo deve misurare. Un caso di back office raramente entra in una demo per il consiglio di amministrazione, ma è quello con dati più puliti, un processo già documentato, e un responsabile che lo vive ogni giorno: esattamente i tre criteri che il caso vistoso di solito non ha.

Questo non significa scartare per principio i casi rivolti al cliente. Significa non lasciare che la visibilità del caso sostituisca la valutazione sui quattro criteri.

Questo confronto è illustrativo, non una valutazione di progetti reali. I giudizi cambiano con dati, sistemi e persone disponibili. In questo scenario la riconciliazione fatture appare più pronta: prima di sceglierla, bisogna verificare quelle ipotesi nell'azienda.

Un output osservabile e una metrica definita prima di scegliere lo strumento. Il report esplorativo MIT NANDA richiama le difficoltà di integrazione, ma non stabilisce una causa universale per ogni progetto. La proposta operativa è passare da "proviamo l'AI su questo" a "vogliamo migliorare questo risultato, misurato così".

La differenza è pratica, non filosofica. Se la metrica non esiste prima del progetto, verrà inventata dopo per giustificare il tempo speso, e una metrica inventata dopo il fatto conferma quasi sempre che il progetto ha funzionato, indipendentemente da cosa sia successo davvero.

Il secondo elemento che deve esistere prima è un vincolo di tempo per la decisione di andare avanti o fermarsi. Senza una data, un caso a bassa fattibilità continua ad assorbire tempo con la promessa di funzionare "appena si sistema un ultimo dettaglio", ed è il dettaglio che non si sistema mai.

Uno a tre, non di più. Non per un vincolo arbitrario di metodo, ma perché ogni caso in più diluisce l'attenzione del responsabile interno, che nella maggior parte delle organizzazioni fa questo lavoro in aggiunta al proprio, non al posto del proprio. Cinque casi paralleli in genere significano cinque casi che avanzano più lentamente di due casi in sequenza.

C'è anche una ragione di apprendimento. Il primo caso, qualunque esso sia, insegna cose sul processo di adozione dell'azienda (chi approva cosa, dove si blocca un dato, chi va convinto) che il secondo caso userà per andare più veloce. Partire con troppi casi contemporaneamente significa pagare quella curva di apprendimento più volte invece che una sola.

Si sceglie quello con il ciclo di verifica più corto. Un caso il cui esito si vede in due settimane, anche se vale meno di uno il cui esito si vede in due mesi, produce prima l'evidenza che serve per correggere la rotta o per giustificare il passo successivo davanti a chi finanzia il progetto.

È lo stesso principio, applicato al lavoro di scelta invece che al lavoro di esecuzione: un output osservabile presto batte un output più grande ma osservabile tardi, perché il tempo che passa senza segnali è il tempo in cui un progetto perde sponsor, non quello in cui matura.

Oltre alla velocità del ciclo di verifica, altri tre segnali aiutano a rompere la parità quando i quattro criteri principali restano vicini.