Da quale processo partire per introdurre l'AI in azienda

Nella maggior parte delle aziende la scelta non è un metodo, è un riflesso: si parte dal caso più discusso in quel momento, quello che qualcuno ha visto fare a un competitor o dimostrare a una conferenza. È un criterio di visibilità, non di valore, e i due non coincidono quasi mai.

Un caso è prioritario quando regge su quattro assi insieme: quanto vale se funziona, quanto è realistico che funzioni con i dati e gli strumenti che hai oggi, se i dati necessari esistono e sono accessibili, e se esiste una persona interna disposta a mettere il proprio nome sul risultato. Un caso che vince su tre di questi assi e perde sul quarto non è un compromesso accettabile: è un caso che si ferma, e si ferma tardi, dopo aver consumato settimane.

La sequenza corretta non è "quale caso ci entusiasma di più", è "quale caso sopravvive a tutti e quattro i filtri". Cambia l'ordine delle domande e cambia il risultato finale.

Che siano proprio questi quattro assi non è una convenzione arbitraria: sono gli stessi punti su cui i progetti si fermano. Gartner, prevedendo che almeno il 30% dei progetti di AI generativa sarebbe stato abbandonato dopo il proof of concept entro fine 2025, indica quattro cause: scarsa qualità dei dati, controlli di rischio inadeguati, costi crescenti e valore di business poco chiaro. Sono i quattro criteri di questa lista, osservati dal lato del fallimento invece che da quello della scelta.

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.

Un confronto qualitativo su tre casi tipici rende visibile perché l'intuizione fallisce così spesso. Nessuno dei tre è vincente su tutto: il confronto serve a vedere dove ciascuno perde, non a incoronare un vincitore assoluto.

Un output osservabile e una metrica già definita, scritti prima che qualcuno tocchi uno strumento. Lo stesso report MIT NANDA indica che la causa più comune di fallimento non è la qualità del modello, ma l'assenza di un risultato definito prima dell'avvio: il progetto parte da "proviamo l'AI su questo" invece che da "vogliamo ridurre questo numero specifico, 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.