Perché i progetti di AI falliscono nelle aziende (e come stare nel 5% che riesce)
Il 95% dei progetti di AI generativa nelle aziende non porta risultati misurabili. Il motivo non è la tecnologia. Ecco le cause reali del fallimento e come costruire un progetto AI che arriva in produzione.
Il numero è di quelli che fermano una riunione: 95%. È la quota di progetti di AI generativa che, secondo lo studio del MIT del 2025, non porta alcun risultato misurabile sul conto economico. Non "risultati deludenti". Nessun impatto. Solo un progetto su venti accelera davvero l'azienda che lo ha avviato.
Prima di spaventarsi conviene leggere bene la parte più importante della ricerca: il fallimento non nasce dalla qualità dei modelli. I modelli funzionano. Nasce da come le aziende li mettono al lavoro. È una notizia scomoda e insieme incoraggiante, perché vuol dire che la parte che fallisce è quella su cui puoi intervenire.
Le cause vere, una per una
Il MIT parla di un "divario di apprendimento", il modo in cui l'organizzazione impara a usare lo strumento. Dietro questa formula ci sono errori concreti che si ripetono ovunque.
Il primo è il caso d'uso vago. «Vogliamo usare l'AI» non è un progetto, è un desiderio. I progetti che riescono partono da un problema stretto e misurabile, non da una tecnologia in cerca di applicazione. Chi comincia dallo strumento invece che dal problema costruisce soluzioni a domande che nessuno ha fatto, lo stesso schema che ho descritto in «si vede che è AI», dove l'energia va sul dettaglio sbagliato.
Il secondo sono i dati. Gartner stima che entro il 2026 il 60% dei progetti AI verrà abbandonato perché i dati aziendali non erano pronti. Un modello brillante nutrito con dati sporchi, sparsi in dieci file diversi e aggiornati a mano, produce risultati inaffidabili. E l'azienda dà la colpa all'AI, quando il problema era in casa da prima.
Un modello brillante nutrito con dati sporchi produce risultati inaffidabili. Poi l'azienda dà la colpa all'AI, quando il problema era in casa da prima.
Il terzo è la mancanza di misura. Senza numeri di partenza scritti prima, nessuno saprà mai se il progetto ha funzionato. Si va a sensazione, e la sensazione, dopo l'entusiasmo iniziale, vira sempre verso «mah, non è cambiato molto». È lo stesso motivo per cui tanti ROI dell'AI restano invisibili: non perché il valore non ci sia, ma perché non lo si è mai contato.
Il "fai da te" che raddoppia il rischio
C'è un dato che merita attenzione da solo. Comprare da fornitori specializzati e lavorare in partnership riesce circa nel 67% dei casi. Lo sviluppo tutto interno riesce circa la metà. La voglia di costruirsi tutto in casa, spesso per orgoglio o per un malinteso senso di risparmio, è una delle cause più sottovalutate di fallimento. Su come scegliere tra le due strade ho scritto la regola pratica in fare o comprare l'AI.
Anche Gartner spinge nella stessa direzione: oltre il 40% dei progetti di AI ad agenti verrà cancellato entro fine 2027 per costi fuori controllo e valore poco chiaro, e già entro fine 2025 il 30% dei progetti di AI generativa verrà mollato dopo il proof of concept. La zona di mezzo, tra la dimostrazione che "funziona" e l'uso quotidiano che "serve", è dove muore la maggior parte dei progetti.
Cosa fa diversamente il 5% che riesce
Nessuna di queste quattro mosse è tecnologica. Sono scelte di metodo, ed è per questo che il fallimento è evitabile. Il 5% che riesce non ha modelli migliori degli altri. Ha progetti impostati meglio.
Aggiungi un ingrediente che non compare nei report ma pesa: qualcuno in azienda che capisca sia il problema sia lo strumento, e faccia da ponte. Su come formare questa figura interna abbiamo scritto la roadmap per diventare l'esperto AI della propria azienda. Senza quel ponte, il progetto resta un esperimento tecnico che nessuno usa.
La parte che nessuno ti dice
Il 95% che fallisce non è una condanna della tecnologia. È lo specchio di come tante aziende affrontano qualsiasi cambiamento: senza obiettivo chiaro, senza mettere ordine nei dati, senza misurare, e con la fretta di dimostrare invece della pazienza di far funzionare. L'AI non crea questi problemi, li rende visibili.
Se vuoi che il tuo progetto stia nel 5% e non nel 95%, il primo passo non è scegliere il modello. È scegliere un problema piccolo e vero, e decidere come misurarlo. Una consulenza IT specializzata serve proprio a questo, a impostare il progetto in modo che arrivi in produzione invece di morire nella cartella dei proof of concept. Il resto, i modelli, sono già abbastanza bravi. Il problema, quasi sempre, sei tu che li usi male. E questa è la migliore notizia possibile, perché è l'unica parte che puoi cambiare.
Tag
Articolo scritto da
Consulente IT & AI per PMI italiane · Prato
Founder di Unicorn Digital. Consulente IT e AI per PMI italiane, basato a Prato. Scrive di intelligenza artificiale applicata alle imprese dal 2015.
Letture correlate
Fare o comprare l'AI: quando svilupparla in casa e quando usare un servizio pronto
Il 70% dei casi d'uso aziendali è coperto da soluzioni AI pronte, e chi parte comprando ottiene un ROI più alto. Ecco quando conviene davvero costruire un'AI su misura e quando no, per una PMI italiana.
ROI dell'intelligenza artificiale: come calcolarlo davvero, senza raccontarsela
Il 94% dei CEO tiene gli investimenti in AI anche senza ritorno immediato, ma solo l'8% dichiara un ROI consolidato. Ecco la formula onesta per misurare il ritorno dell'AI in azienda, costi nascosti inclusi.
«Si vede che è AI»: l'obiezione che ti costa l'unica risorsa che conta
«Sembra finto, si vede che è intelligenza artificiale.» È l'obiezione più comune ai lavori fatti con l'AI. I dati dicono che il pubblico quasi non se ne accorge, e che il vero prezzo lo paghi in tempo perso.