Molti progetti AI nelle aziende italiane partono con entusiasmo e si fermano a metà. “L’AI ce l’hanno tutti. Il pilota no.” È il titolo di una breve clip pubblicata da Raffaele Gaito a metà ottobre, tratta dall’intervista a Paolo Fontana, managing director di Alkemy Data Tech AI. Il concetto è semplice e chi lavora con le aziende lo vede ogni giorno: quasi tutte hanno attivato licenze, nominato referenti e avviato qualche sperimentazione. Solo una piccola parte vede un impatto reale sul conto economico.
I dati italiani confermano il quadro. Secondo la rilevazione Istat sulle imprese e le ICT, la quota di imprese con almeno 10 addetti che usano tecnologie di intelligenza artificiale è raddoppiata in un anno, ma con un divario enorme tra grandi imprese e PMI. E i progetti AI che partono non sempre arrivano in fondo: a livello internazionale, un rapporto del MIT ripreso da Fortune nel 2025 stimava che la grande maggioranza dei progetti pilota di AI generativa non producesse un impatto misurabile.
In questa guida vediamo perché i progetti si bloccano tra la sperimentazione e la produzione, quali sono le cause più frequenti nelle PMI italiane e un metodo concreto per arrivare a risultati misurabili.
In breve
- L’adozione dell’AI nelle imprese italiane cresce, ma il divario tra grandi imprese e PMI si allarga e molte sperimentazioni non arrivano alla produzione.
- Le cause principali raramente sono tecnologiche: processo non ridisegnato, dati non pronti, nessun responsabile, obiettivi non misurabili, competenze e conformità affrontate troppo tardi.
- Un pilota utile è progettato per arrivare in produzione: perimetro stretto, dati reali, utenti reali, indicatori definiti prima di iniziare.
- L’autonomia dell’AI cresce per gradi: prima tutto supervisionato, poi controlli a campione, infine intervento umano solo sulle eccezioni.
- Il passaggio in produzione richiede integrazione, sicurezza, monitoraggio e formazione: vanno messi a budget dall’inizio.
- Per chi decide: misura i progetti AI su processi e risultati economici, non su licenze attive o entusiasmo. Un pilota che non ha un percorso verso la produzione è un costo, non un investimento.
I numeri dell’AI nelle imprese italiane
Secondo i dati Istat della rilevazione Imprese e ICT 2025, la quota di imprese con almeno 10 addetti che usano tecnologie di AI è passata dall’8,2% del 2024 al 16,4% del 2025. La sintesi del Centro Studi di Assolombarda evidenzia però il divario: oltre la metà delle grandi imprese usa l’AI, contro circa una PMI su sei, e la distanza si è allargata in un anno. Tra le imprese che hanno valutato l’AI senza investire, la mancanza di competenze adeguate è l’ostacolo citato più spesso, seguito da disponibilità e qualità dei dati, privacy e costi.
L’Osservatorio Artificial Intelligence del Politecnico di Milano stima, come riportato da Quotidiano.net e nel white paper dedicato, un mercato italiano dell’AI di circa 1,8 miliardi di euro nel 2025, in forte crescita, trainato dall’AI generativa e da soluzioni pronte all’uso. Il titolo del white paper è già una diagnosi: adozione diffusa, trasformazione ancora incompleta. Agenda Digitale sintetizza: cresce l’adozione, ma resta il divario di competenze.
In altre parole: usare uno strumento di AI è diventato facile. Trasformare un processo con l’AI, no.
Perché i progetti si fermano al pilota
1. Il processo resta com’era
È la causa più frequente. Si aggiunge un assistente AI a un processo invariato e si spera in un miglioramento. Qualche persona risparmia tempo, ma il processo nel suo insieme non cambia e il beneficio non si vede a livello aziendale. Fontana, nell’intervista completa Tante aziende usano l’AI, poche vedono risultati, lo dice chiaramente: per passare dalla sperimentazione a una soluzione che funziona servono processi da ridisegnare, dati in ordine e persone che adottano davvero lo strumento. Ne abbiamo parlato nella guida alle agentic app.
2. I dati non sono pronti
Il pilota funziona su un campione di documenti selezionati a mano. In produzione arrivano dati veri: incompleti, duplicati, contraddittori, sparsi tra sistemi diversi. Le PMI, osserva Fontana, sono spesso più veloci delle grandi aziende ma senza un ambiente dati adeguato. È l’ostacolo citato da molte imprese anche nei dati Istat.
3. Nessun responsabile di business
Il pilota è nato dall’iniziativa di una persona entusiasta o del reparto IT. Quando si tratta di cambiare il modo di lavorare di un reparto, serve qualcuno con l’autorità per farlo. Senza, il progetto resta un esperimento tollerato.
4. Obiettivi non misurabili
“Sperimentare l’AI nel servizio clienti” non è un obiettivo. “Ridurre il tempo medio di risposta del 30% mantenendo la soddisfazione” lo è. Senza un indicatore e un valore di partenza, alla fine del pilota nessuno può dire se ha funzionato, e la decisione di andare avanti diventa una questione di opinioni.
5. Il pilota non è progettato per la produzione
Prototipi costruiti con strumenti e scorciatoie che non reggerebbero in produzione: nessuna integrazione con i sistemi reali, nessun controllo dei permessi, nessun monitoraggio. Quando si decide di andare avanti, si scopre che bisogna ricominciare quasi da capo, e il budget non c’è.
6. Conformità e sicurezza affrontate tardi
Il pilota usa dati veri senza aver valutato privacy e sicurezza. Al momento del passaggio in produzione, la verifica dei responsabili legali o della sicurezza blocca tutto. Al Chen di Cisco, nel talk Shipping AI Into 5 Major Banks, racconta come le banche non adottino software di AI finché non supera le verifiche di sicurezza e conformità. Vale, in scala, anche per una PMI.
7. Le persone non lo usano
Uno strumento che funziona ma che le persone non usano, perché non si fidano, perché non è comodo o perché nessuno ha spiegato come cambia il loro lavoro, non produce risultati. La formazione e il coinvolgimento non sono un dettaglio finale.
8. L’infrastruttura frammentata
Strumenti diversi per reparti diversi, ognuno con la sua licenza, i suoi dati e le sue regole. Krish Naik, in un video realizzato con Dell, Why Enterprise AI Gets Stuck in Pilot Mode, indica proprio la frammentazione degli strumenti tra i motivi per cui le idee migliori non arrivano in produzione.
Come progettare un pilota che arriva in produzione
Un pilota ben fatto non è un esperimento libero: è la prima fase di un progetto, con l’obiettivo esplicito di arrivare in produzione o di dimostrare che non conviene.
Scegli il processo giusto
Volume costante, costo per pratica stimabile, regole abbastanza chiare, una parte che richiede giudizio su casi vari, un responsabile disponibile. Evita i processi rari, quelli con altissimo rischio legale e quelli in cui nessuno ha tempo di seguire il progetto. La guida sul primo caso d’uso dell’AI in azienda approfondisce come scegliere.
Definisci il successo prima di iniziare
Un indicatore principale (tempo per pratica, costo, errori, tempo di risposta), il valore di partenza misurato oggi, l’obiettivo, e la soglia sotto la quale il progetto si ferma. Scriverlo prima evita di cambiare i criteri a posteriori.
Usa dati e utenti reali
Un pilota su dati selezionati e con utenti entusiasti dice poco. Meglio un perimetro più piccolo ma reale: un reparto, una tipologia di pratiche, un periodo.
Costruisci per durare
Integrazione con i sistemi veri, gestione dei permessi, tracciabilità delle decisioni, monitoraggio dei costi. Non tutto al massimo livello, ma nessuna scorciatoia che andrà rifatta.
Affronta subito conformità e sicurezza
Una valutazione dei dati trattati, dei fornitori coinvolti e dei rischi fin dall’inizio, con il coinvolgimento del responsabile della protezione dei dati quando serve. La guida alla governance dell’AI nelle PMI e quella alla sicurezza degli agenti AI indicano i punti da coprire.
Metti a budget la fase successiva
Il passaggio in produzione costa: integrazioni complete, formazione, monitoraggio, manutenzione. Se il budget copre solo il pilota, il pilota resterà tale.
Autonomia per gradi: supervisionato, a campione, solo eccezioni
Una delle paure che bloccano il passaggio in produzione è perdere il controllo. La soluzione è aumentare l’autonomia dell’AI per gradi, sulla base dei dati. Evan Kormos di Coinbase, nel talk How to Know When an AI Agent Can Work Unsupervised, descrive tre fasi:
| Fase | Cosa fa l’AI | Cosa fanno le persone | Quando passare alla successiva |
|---|---|---|---|
| 1. Supervisionata | Propone ogni decisione | Approvano o correggono tutto | Quando la quota di proposte accettate è stabilmente alta |
| 2. A campione | Decide nei casi standard | Controllano un campione e gestiscono i casi segnalati | Quando gli errori nel campione sono sotto la soglia concordata |
| 3. Solo eccezioni | Gestisce il flusso ordinario | Intervengono sulle eccezioni e rivedono gli indicatori | Si resta qui, con controlli periodici |
Kormos sottolinea un principio: un ciclo automatico è affidabile quanto il controllo che lo chiude. Valutazioni sistematiche e tracce delle decisioni diventano il nuovo strumento con cui l’azienda guadagna fiducia nell’AI, al posto delle impressioni. Approfondiremo il tema nell’articolo dedicato all’autonomia degli agenti.
Due piloti a confronto
Due storie illustrative, con lo stesso obiettivo e risultati opposti. Due aziende di distribuzione vogliono usare l’AI per gestire le email del servizio clienti.
La prima attiva un assistente AI per tutto il reparto e chiede alle persone di “provarlo”. Alcuni lo usano per riformulare le risposte, altri non lo aprono mai. Dopo tre mesi qualcuno dice che è utile, qualcuno che è inutile. Non esiste un dato di partenza, quindi nessuno può dire se i tempi di risposta sono migliorati. Il rinnovo delle licenze viene discusso in riunione a colpi di opinioni, e il progetto si spegne lentamente.
La seconda parte dal processo. Misura per due settimane tempi di risposta e categorie di richieste: il 40% sono domande sullo stato degli ordini. Decide un obiettivo preciso: ridurre il tempo di risposta su quella categoria. Collega l’assistente al gestionale in sola lettura, così che possa recuperare lo stato reale dell’ordine e preparare la risposta. Le persone approvano ogni risposta per le prime tre settimane, poi passano a controlli a campione. Il responsabile del servizio clienti segue il progetto e decide alla data fissata. I dati mostrano un miglioramento netto sulla categoria scelta; il progetto passa in produzione e si allarga alla categoria successiva.
La tecnologia era la stessa. Cambiavano processo, obiettivo, dati collegati, responsabile e metodo di decisione.
Gli indicatori che contano
Per valutare un progetto AI servono indicatori di processo ed economici, non di utilizzo dello strumento.
- Tempo per pratica o per attività, prima e dopo.
- Costo per pratica, comprese licenze, consumo dei modelli e tempo delle persone.
- Qualità: errori, reclami, rilavorazioni.
- Quota gestita automaticamente e quota che richiede intervento umano.
- Adozione reale: quante persone usano lo strumento nel lavoro quotidiano, non quante hanno una licenza.
- Impatto sui clienti: tempi di risposta, soddisfazione.
Fontana insiste anche su un punto: l’efficienza e il taglio dei costi prima o poi incontrano un tetto. I progetti più interessanti nel medio periodo sono quelli che usano l’AI come leva di crescita e di esperienza del cliente, sfruttando dati che molte aziende hanno già senza saperlo.
Il fattore persone
Il divario di competenze è il primo ostacolo citato dalle imprese italiane. DeepLearning.AI, nel video Give your team AI skills you can trust, cita un sondaggio BCG del 2026 secondo cui il 72% dei lavoratori ritiene che l’AI abbia cambiato i requisiti del proprio lavoro, ma solo il 36% si sente adeguatamente formato.
Per un progetto che deve arrivare in produzione significa tre cose:
- Coinvolgere chi fa il lavoro fin dalla mappatura del processo: conoscono le eccezioni e saranno gli utenti.
- Formazione pratica sul processo specifico, non corsi generici sull’AI.
- Chiarire come cambia il ruolo: meno lavoro ripetitivo, più controllo e gestione delle eccezioni. L’incertezza genera resistenza.
Il ruolo della direzione
Molti progetti di AI si fermano perché vengono trattati come iniziative tecniche, quando in realtà cambiano il modo di lavorare. Il contributo della direzione è decisivo in quattro momenti.
Nella scelta dei progetti
La direzione conosce le priorità dell’azienda: dove si perde margine, dove i clienti si lamentano, dove la crescita è bloccata da attività ripetitive. I progetti AI con più probabilità di successo sono quelli collegati a queste priorità, non quelli più interessanti dal punto di vista tecnologico.
Nella definizione degli obiettivi
Un obiettivo misurabile, un valore di partenza e una soglia di stop vanno concordati con chi ha l’autorità per decidere. Così, alla data di revisione, la decisione è rapida e basata sui numeri.
Nel cambiamento organizzativo
Ridisegnare un processo significa cambiare compiti, responsabilità e talvolta ruoli. Solo la direzione può prendere queste decisioni e comunicarle in modo credibile alle persone coinvolte.
Nell’allocazione delle risorse
Il passaggio in produzione richiede tempo delle persone del processo, budget per integrazioni e formazione, pazienza per la fase supervisionata. Se la direzione non protegge queste risorse, il progetto viene schiacciato dall’operatività quotidiana.
Un formato semplice che funziona in molte PMI: una revisione mensile di mezz’ora sui progetti AI in corso, con tre numeri per progetto (indicatore principale, costo, stato rispetto al piano) e una decisione esplicita per ciascuno: proseguire, correggere o fermare. Non serve un comitato: serve continuità e la disponibilità a fermare ciò che non funziona per concentrare le risorse su ciò che funziona.
Infine, la direzione dà l’esempio. Quando chi guida l’azienda usa gli strumenti, conosce i risultati dei progetti e ne parla con i numeri, il messaggio all’organizzazione è chiaro: l’AI non è un esperimento dell’IT, è un modo diverso di lavorare.
Errori comuni
Tanti piloti, nessuna produzione
Dieci sperimentazioni in dieci reparti, nessuna portata a termine. Meglio un progetto completato e misurato che dieci a metà.
Partire dallo strumento
“Abbiamo comprato le licenze, ora troviamo come usarle.” Il percorso inverso, dal processo allo strumento, funziona molto meglio.
Misurare l’entusiasmo
Sondaggi di gradimento e numero di conversazioni dicono poco. Contano tempo, costi, qualità.
Delegare tutto all’IT
L’AI cambia processi di business. Senza un responsabile di business, l’IT può costruire, ma non può cambiare il modo di lavorare di un reparto.
Ignorare i costi di esercizio
Consumo dei modelli, manutenzione, monitoraggio. Un progetto che funziona ma costa più di quanto fa risparmiare va ripensato. La guida al consumo di token aiuta a stimare questa voce.
Pretendere l’autonomia totale dal primo giorno
Un sistema che deve decidere tutto da solo subito spaventa e sbaglia. L’autonomia per gradi costruisce fiducia con i dati.
Portarlo in produzione
- Un portafoglio piccolo: pochi progetti, ciascuno con responsabile, obiettivo e budget fino alla produzione.
- Una scheda per progetto: processo, indicatore, valore di partenza, obiettivo, soglia di stop, rischi, conformità.
- Revisione a date fisse: alla fine del pilota si decide di andare avanti, correggere o fermarsi, sulla base degli indicatori.
- Piattaforma e regole comuni per evitare la frammentazione tra reparti.
- Formazione legata ai progetti, per le persone che useranno davvero gli strumenti.
Hai avviato sperimentazioni con l’AI che non stanno producendo risultati? Nella consulenza AI rivediamo i progetti esistenti, scegliamo quelli da portare in produzione e definiamo indicatori e percorso; con la formazione aziendale prepariamo le persone che li useranno.
Da dove partire questa settimana
- Elenca le sperimentazioni di AI in corso o concluse, con chi le segue e cosa hanno prodotto.
- Per ciascuna, verifica se esiste un indicatore misurabile e un valore di partenza.
- Scegli quella con il processo più chiaro e un responsabile di business disponibile.
- Scrivi la scheda: obiettivo, indicatore, soglia di stop, dati, rischi, budget fino alla produzione.
- Fissa una data di revisione e decidi in anticipo chi prenderà la decisione.
Checklist per portare un progetto AI in produzione
- Il progetto riguarda un processo preciso con un responsabile di business.
- Esistono un indicatore principale, un valore di partenza e una soglia di stop.
- Il processo è stato ridisegnato, non solo affiancato da uno strumento.
- I dati reali sono stati verificati per qualità e disponibilità.
- Privacy, sicurezza e conformità sono state valutate all’inizio.
- Il pilota usa integrazioni e controlli che reggono in produzione.
- Il budget copre il passaggio in produzione e la manutenzione.
- L’autonomia dell’AI cresce per gradi sulla base dei dati.
- Le persone che useranno lo strumento sono coinvolte e formate.
- La decisione di proseguire si basa su indicatori, a una data fissata.
Domande frequenti
Perché tanti progetti di AI non arrivano in produzione?
Raramente per limiti tecnologici. Le cause più comuni sono processi non ridisegnati, dati non pronti, assenza di un responsabile di business, obiettivi non misurabili, piloti costruiti con scorciatoie e conformità affrontata troppo tardi. Sono problemi organizzativi che si prevengono in fase di progettazione.
Quanto deve durare un pilota di AI?
Abbastanza da raccogliere dati affidabili sull’indicatore scelto, di solito alcune settimane di uso reale. Più importante della durata è avere una data di revisione fissata e criteri di decisione scritti prima di iniziare.
Le PMI possono davvero ottenere risultati con l’AI?
Sì, partendo da processi con volume costante e costi misurabili. Le PMI sono spesso più veloci delle grandi aziende nel decidere; il loro limite tipico è la qualità e l’organizzazione dei dati, che va affrontata come prima cosa.
Come si misura il ritorno di un progetto AI?
Confrontando tempo, costo e qualità del processo prima e dopo, includendo tutti i costi: licenze, consumo dei modelli, sviluppo, manutenzione e tempo delle persone. Il numero di utenti o di conversazioni non misura il valore prodotto.
Chi deve guidare un progetto AI in azienda?
Un responsabile del processo coinvolto, affiancato da competenze tecniche interne o esterne. L’IT può costruire la soluzione, ma solo chi guida il reparto può cambiare il modo di lavorare e rispondere dei risultati.
Quando conviene fermare un progetto?
Quando, alla data di revisione, l’indicatore non raggiunge la soglia concordata e non ci sono correzioni ragionevoli in vista. Fermare un progetto che non funziona è un successo del metodo, non un fallimento: libera risorse per quelli che possono riuscire.
Fonti e approfondimenti
- Istat: Imprese e ICT, anno 2025
- Assolombarda: utilizzo dell’intelligenza artificiale nelle imprese
- Osservatorio AI Politecnico di Milano: adozione diffusa e trasformazione incompleta
- Fortune: il rapporto MIT sui piloti di AI generativa
- Raffaele Gaito con Paolo Fontana: Tante aziende usano l’AI, poche vedono risultati
- Evan Kormos, Coinbase: quando un agente può lavorare senza supervisione
Vuoi trasformare le sperimentazioni in risultati misurabili? Raccontaci a che punto siete: partiamo dai progetti che avete già avviato.
Consulenza AI
L’AI che ti fa risparmiare tempo.
Troviamo i lavori ripetitivi che può fare al posto tuo e li proviamo in piccolo prima di investire.