Ogni mese leggo una nuova ricerca che dice più o meno la stessa cosa: l'85% dei progetti di intelligenza artificiale nelle aziende non arriva mai in produzione. Li comprano, li avviano, poi si fermano. Soldi spesi, tempo perso, team demotivato.
La cosa strana è che quasi nessuno parla di quello che succede davvero. Si parla molto di quale strumento scegliere, di quanto costi una licenza, di quante cose possa fare ChatGPT. Si parla pochissimo di perché i progetti non funzionano.
Dopo 15 anni in azienda — prima come sviluppatore, poi come consulente — ho visto abbastanza fallimenti (inclusi alcuni miei) da riconoscere uno schema. Gli errori si ripetono. E la buona notizia è che si possono evitare, se sai cosa cercare.
Il problema non è la tecnologia
Il problema è il contesto in cui lo strumento viene inserito. Dati sporchi. Processi non documentati. Nessuno che si prenda la responsabilità del progetto. Aspettative irrealistiche su tempi e risultati. Questi sono i veri motivi per cui i progetti muoiono.
Pensaci così: se prendi il migliore chef del mondo e lo metti in una cucina senza ingredienti, senza strumenti e senza capire cosa vogliono i clienti, non uscirà niente di buono. Non è colpa dello chef.
Errore 1: comprare lo strumento prima di capire il problema
Esempio reale
Un'azienda di distribuzione alimentare mi ha contattato dopo aver comprato una piattaforma AI per la gestione degli ordini. Costo: 40.000€ l'anno. Problema: i loro ordini arrivavano ancora via email in formato testo libero, scritti in modi diversi da ogni cliente. La piattaforma non poteva fare niente con quei dati senza un lavoro di standardizzazione che nessuno aveva pianificato. Risultato: la piattaforma è rimasta inutilizzata per 8 mesi.
La regola
Prima di guardare qualsiasi strumento, scrivi in una frase cosa succede oggi nel processo che vuoi migliorare, e cosa dovrebbe succedere invece. Se non riesci a scriverlo in una frase, non sei ancora pronto per uno strumento.
Errore 2: nessun responsabile interno del progetto
Senza questo, il progetto diventa come un'email a cui nessuno risponde. Il consulente manda aggiornamenti, aspetta feedback, il feedback arriva in ritardo o non arriva, il progetto slitty, il budget finisce, nessuno capisce bene cosa è stato fatto. Fine.
Non serve che questa persona sia tecnica. Deve capire il processo, avere autorità per prendere decisioni e avere tempo dedicato al progetto (almeno 3-4 ore a settimana nella fase attiva).
Errore 3: dati non strutturati o inaccessibili
I segnali che i tuoi dati sono un problema
- I dati più importanti vivono in Excel che solo alcune persone sanno come aprire
- Le informazioni sui clienti sono in tre posti diversi e non sempre coincidono
- Per fare un report settimanale qualcuno deve raccogliere dati a mano
- Se una persona chiave è assente, certi dati diventano inaccessibili
- Non esiste una fonte unica di verità per le informazioni critiche
Se ti riconosci in almeno due di questi punti, il primo passo del progetto AI non è l'AI. È mettere ordine nei dati. Questo non è un problema tecnico: è un problema organizzativo.
Errore 4: voler automatizzare tutto subito
Questi progetti diventano enormi, lenti e costosi. E quando arriva il momento di misurare i risultati (spesso dopo mesi), è difficile capire cosa ha funzionato e cosa no.
Il principio che uso sempre
Identifico il processo che fa perdere più tempo ogni settimana, quello che si ripete, quello che ha il confine più chiaro. Partiamo da lì, lo costruiamo, lo facciamo girare per 4 settimane, misuriamo. Solo dopo si espande.
Errore 5: zero formazione al team
Ho visto operatori che bypassavano sistemi automatici perché «era più veloce fare a mano» (non era vero, ma lo percepivano così). Ho visto manager che non guardavano i report automatici perché non capivano da dove venivano i dati.
La formazione non è opzionale. Non deve essere un corso di ore. Bastano spesso 2-3 sessioni pratiche di 90 minuti in cui le persone usano il sistema su casi reali del loro lavoro.
Come evitarli: il metodo in 3 step
Step 1 — Analisi (1 settimana)
Prima di tutto si guardano i processi. Quali attività si ripetono ogni giorno? Dove si perde più tempo? Chi fa cosa? I dati ci sono e sono accessibili? Questa settimana produce un documento chiaro: cosa vale la pena automatizzare, in quale ordine, con quali aspettative di risultato.
Step 2 — Prototipo (2-4 settimane)
Si costruisce il caso d'uso più semplice e ad alto impatto. Non il sistema completo: il primo pezzo. Si fa girare in parallelo a come si fa oggi (senza smettere di farlo a mano). Si raccolgono dati reali.
Step 3 — Scale (da 4 settimane in avanti)
Solo quando il prototipo funziona e i risultati sono misurati, si espande. Si aggiungono altri processi, si integrano più sistemi, si forma il resto del team.
Un esempio che funziona
Prima e dopo — Ferretti Distribuzione
Prima: gli ordini arrivavano via email in formati diversi, venivano copiati a mano nel gestionale, gli errori si scoprivano solo quando il cliente chiamava. Ogni ordine richiedeva circa 18 minuti. Dopo: gli ordini vengono letti automaticamente, normalizzati e inseriti nel gestionale. Un operatore verifica solo i casi ambigui (circa il 12%). Ogni ordine richiede oggi 4 minuti. Risparmio annuale documentato: 34.000€ in costo del lavoro, più zero errori di trascrizione.
Questo risultato non è arrivato perché hanno scelto lo strumento giusto. È arrivato perché prima dell'implementazione abbiamo passato una settimana a capire esattamente come funzionava il processo, dove erano i dati, chi aveva la responsabilità del progetto interno. Lo strumento è venuto dopo.
