Il 95% delle sperimentazioni AI non arriva in produzione: come stare nel 5%
3 min di lettura
Nell’estate 2025 uno studio del MIT (progetto NANDA) ha attraversato tutte le rassegne stampa del mondo con un numero brutale: circa il 95% delle sperimentazioni aziendali di AI generativa non produce ritorni misurabili e non supera la fase dimostrativa. Sul numero esatto si può discutere — il perimetro della rilevazione, cosa conti come «ritorno» — ma chiunque lavori nel settore sa che l’ordine di grandezza è quello giusto. La domanda utile non è se la statistica sia precisa: è perché succede, e cosa fa di diverso chi sta nel 5%.
Le cause vere (non quelle che si raccontano)
Non è il modello. I modelli sono la parte più matura di tutta la catena. Le cause ricorrenti stanno altrove:
- Il caso d’uso è vago. «Mettiamo l’AI sul customer service» non è un caso d’uso: è un desiderio. Un caso d’uso è: questo tipo di richiesta, questi dati per rispondere, questa metrica prima e dopo. Le sperimentazioni vaghe non falliscono nemmeno — semplicemente non si può dire se abbiano funzionato, che è peggio.
- I dati non sono pronti, e nessuno l’ha messo in conto. Il modello deve rispondere dai dati aziendali, ma i dati stanno in sette sistemi che non si parlano, con anagrafiche discordanti. La demo funziona perché usa dieci documenti scelti a mano; la produzione no, perché deve usare tutto il resto. La parte difficile — collegare i dati in un modello operativo — viene scoperta a metà progetto, quando budget ed entusiasmo sono finiti.
- Nessun processo attorno. La sperimentazione produce risposte: e poi? Chi le riceve, chi le approva, cosa cambia nel flusso di lavoro? Un sistema AI senza un processo che lo usa è un demo perenne. L’adozione è lavoro organizzativo, non tecnico — ed è quasi sempre a budget zero.
- Metriche assenti. Se non è stato misurato il costo del processo prima, nessuno potrà dimostrare il risparmio dopo. Il progetto muore alla prima revisione di budget, non per aver fallito ma per non poter provare di aver funzionato.
Cosa fa il 5%
Lo studio MIT contiene anche la parte in chiaro, meno citata: le iniziative che funzionano sono in maggioranza circoscritte, integrate nei processi esistenti e spesso costruite con partner esterni specializzati anziché improvvisate internamente su strumenti generici. Tradotto in pratica:
- Un processo solo, misurabile, che fa male. Non «trasformare l’azienda»: togliere le 12 ore a settimana che l’ufficio tecnico spende a cercare documenti. Vinta quella, si allarga.
- Prima i dati, poi il modello. La settimana uno si passa sui sistemi e sulle anagrafiche, non sul prompt. Se i dati necessari non sono raggiungibili, meglio saperlo il giorno tre che il mese quattro.
- In produzione presto, su scala piccola. Meglio venti utenti veri in tre settimane che una demo perfetta in sei mesi: solo l’uso reale rivela dove il sistema sbaglia. È il principio della nostra prova operativa: un caso d’uso vero, sui vostri dati, in produzione — e poi si cresce.
- Il conto economico scritto prima. Ore risparmiate, errori evitati, fermi previsti: numeri concordati con chi firma il budget, misurati alla stessa maniera prima e dopo.
La domanda giusta da fare a chi vi propone AI
Non «che modello usate?» ma: «qual è il primo processo, con quale metrica, e in quante settimane lo vediamo funzionare sui nostri dati?» Chi ha una risposta precisa a questa domanda sta lavorando per mettervi nel 5%. Chi risponde con una slide sta lavorando per la statistica.
Avete una sperimentazione ferma al palo, o volete evitare di aggiungerne una alla lista? Mezz’ora per fare il punto.