FONDO PER LA TRANSIZIONE INDUSTRIALE: DAL 17 SETTEMBRE 2025 AL VIA LE DOMANDE
3 Settembre 2025L’Innovazione Digitale e l’IA: Un Piano per Invertire la Rotta del Fallimento e Generare Valore Concreto
Un recente report del MIT ha gettato un’ombra sulle rosee aspettative che circondano l’intelligenza artificiale: il 95% delle aziende non ha ottenuto alcun risultato positivo dai propri investimenti in AI generativa.[1][2][3]
Partendo dal documento MIT (frammenti recuperati su internet) e da altre analisi internazionali (vedi riferimenti in coda) ho provato a sintetizzare il tutto focalizzandomi su alcuni aspetti riscontrabili anche nel nostro mercato.
Il dato, emerso dallo studio “The Generative AI Chasm: The State of Business AI in 2025”, non mette in discussione la potenza della tecnologia in sé, quanto piuttosto la sua implementazione e integrazione all’interno delle realtà aziendali.[1] Il problema, evidenzia il MIT, non risiede nella qualità dei modelli di intelligenza artificiale, ma in un “divario di apprendimento” interno alle aziende e in strategie di integrazione errate.[1] Da tempo evidenziamo come le aziende sono attratte dal fenomeno IA ma non hanno ancora associato il mondo IA alle proprie esigenze. Il bombardamento continuo sulle potenzialità dei nuovi algoritmi vengono percepite, da molti, come un sistema capace, da solo, di generare valore per l’azienda.
Per invertire questa tendenza negativa e sbloccare il potenziale dell’innovazione digitale guidata dall’IA, è necessario un piano documentale strategico che affronti le cause profonde di questi insuccessi. Studio basato su quattro fasi cruciali riscontrabili in tutti i progetti IA. Risolvendo le problematiche emerse dall’analisi delle quattro fasi è possibile definire e portare a compimento progetti AI. In ogni caso bisogna fare prima cultura nelle aziende degli obiettivi poi si passa alla realizzazione degli strumenti IA.
Fondamenta Strategiche e Allineamento al Business
Il primo e più critico passo è allontanarsi da un approccio puramente tecnologico per abbracciare una visione strategica. I progetti di IA non devono essere “una soluzione in cerca di un problema”.[4] Al contrario, devono nascere da precise esigenze di business e puntare a risultati misurabili. Quello che al contrario oggi il mercato ha ipotizzato.
Documenti Chiave:
- Business Case per l’IA: Ogni progetto deve essere supportato da un documento che ne definisca chiaramente gli obiettivi di business, i Key Performance Indicator (KPI) per misurarne il successo, il potenziale ritorno sull’investimento (ROI) e l’allineamento con la strategia aziendale complessiva.[5][6][7] Questo documento deve rispondere alla domanda fondamentale: “Perché stiamo facendo questo progetto e quale valore ci aspettiamo che generi?”. Questo è la mancanza principale che riscontriamo nelle aziende.
- Mappa delle Opportunità di IA: Un’analisi approfondita dei processi aziendali per identificare le aree a più alto potenziale per l’applicazione dell’IA. Questo documento dovrebbe concentrarsi sui casi d’uso in base all’impatto potenziale e alla fattibilità, partendo da progetti “quick win” per dimostrare il valore e ottenere il consenso.[8]
- Framework di Governance dell’IA: Stabilire fin da subito un quadro di regole e responsabilità per la gestione dei progetti di IA.[4][9] Questo include la definizione di chi ha la proprietà dei dati, chi è responsabile della validazione dei modelli e come verranno gestite le questioni etiche e di conformità.[6] Anche su questo fronte riscontriamo nel mercato scelte che demandano ai consulenti esterni il tutto per mancanza interna di una cultura alle nuove metodologie. Ovviamente questo tipo di approccio svincola il risultato del progetto stesso dall’azienda che l’ha commissionato. Alla fine il progetto non è dell’azienda.
Qualità e Gestione dei Dati
L’intelligenza artificiale si nutre di dati. La scarsa qualità dei dati è una delle principali cause di fallimento dei progetti di IA.[4][10][11] Senza dati puliti, integrati e accessibili, anche i modelli più sofisticati produrranno risultati inaffidabili.[4] Mi permetto di aggiungere alle considerazioni delle varie ricerche internazionali utilizzate che spesso la mole di dati presente in aziende è molto ampia ma manca la scelta di quelle buone ed utili al progetto stesso. Di qui nei progetti, non solo legati al mondo IA, troviamo dati inutili oppure dannosi mentre quelli buoni sono andati persi.
Documenti Chiave:
- Strategia e Governance dei Dati: Un piano dettagliato per la raccolta, la pulizia, l’archiviazione e la gestione dei dati aziendali.[8][9] Questo documento deve definire standard di qualità dei dati, politiche di accesso e sicurezza, e processi per garantire la conformità normativa (es. GDPR).[6][12]
- Catalogo Dati e Dizionario dei Dati: Documenti che descrivono le fonti di dati disponibili, il loro significato, il loro formato e le modalità di accesso. Questo è fondamentale per garantire che i team di sviluppo dell’IA possano trovare e comprendere i dati di cui hanno bisogno.
- Piano di Preparazione dei Dati per l’IA: Un documento tecnico che descrive le procedure per la trasformazione e la preparazione dei dati grezzi in un formato utilizzabile per l’addestramento dei modelli di IA. Questo include tecniche di pulizia, normalizzazione e arricchimento dei dati.
Sviluppo, Integrazione e Scalabilità
Superate le fasi strategiche e di preparazione dei dati, è il momento di concentrarsi sullo sviluppo e sull’integrazione delle soluzioni di IA. L’errore comune è quello di rimanere bloccati in una fase di “purgatorio dei progetti pilota” senza mai arrivare a una vera e propria implementazione su larga scala.[10][13] Il problema ancora una volta in alcuni ambiti e aver legato il progetto non ad un obiettivo preciso di creazione valore bensì perché proposto da qualche consulente. Se l’azienda non partecipa attivamente alla definizione della fase iniziale questo fenomeno si ripeterà sempre.
Documenti Chiave:
- Roadmap di Implementazione dell’IA: Un piano d’azione dettagliato che definisce le fasi del progetto, le scadenze, le risorse necessarie e le dipendenze.[8] La roadmap dovrebbe prevedere test e valutazioni continue dei modelli per garantirne l’accuratezza e l’affidabilità.[6]
- Architettura della Soluzione di IA: Un documento tecnico che descrive l’infrastruttura tecnologica necessaria per supportare la soluzione di IA, compresa la potenza di calcolo, lo storage e le piattaforme software.[4] L’architettura deve essere scalabile per supportare la crescita futura.[4][8]
- Piano di Integrazione con i Sistemi Esistenti: L’IA non opera nel vuoto. Questo documento deve delineare come la nuova soluzione si integrerà con i sistemi e i flussi di lavoro aziendali esistenti per garantire un’adozione fluida e minimizzare le interruzioni. [5]
- Documentazione del Modello di IA: Una descrizione dettagliata del modello di intelligenza artificiale, inclusi gli algoritmi utilizzati, i dati di addestramento e i parametri del modello. Questa trasparenza è fondamentale per la manutenibilità e per la comprensione dei risultati del modello.
Cultura, Competenze e Gestione del Cambiamento
L’innovazione digitale e l’IA non sono solo una questione tecnologica, ma anche e soprattutto un cambiamento culturale.[13][14] La resistenza al cambiamento, la mancanza di competenze e una comunicazione inefficace possono far fallire anche il progetto tecnicamente più solido.[15] Tempo addietro in altri articoli abbiamo evidenziato come prima dell’innovazione tecnologica e di processo andava attivata, nelle aziende, una innovazione culturale.
Documenti Chiave:
- Piano di Gestione del Cambiamento: Una strategia per comunicare i benefici del progetto di IA a tutti i livelli dell’organizzazione, gestire le aspettative e affrontare le resistenze.[9][14]
- Programma di Formazione e Sviluppo delle Competenze: Un piano per colmare il divario di competenze interne, attraverso la formazione del personale esistente e, se necessario, l’assunzione di nuovi talenti con esperienza in ambito IA.[5][6][9]
- Framework Etico per l’IA: Un documento che definisce i principi etici che guideranno lo sviluppo e l’utilizzo dell’IA in azienda, affrontando temi come il bias algoritmico, la trasparenza e la responsabilità.[6]
- Piano di Comunicazione Interna ed Esterna: Una strategia per comunicare i successi e gli apprendimenti dei progetti di IA, sia all’interno dell’azienda per promuovere l’adozione, sia all’esterno per posizionare l’azienda come innovatrice.
Invertire la tendenza evidenziata dal MIT è possibile. Richiede un cambio di paradigma: dall’entusiasmo per la tecnologia alla disciplina nell’esecuzione, dalla sperimentazione isolata a un’integrazione strategica. Un piano documentale solido e ben articolato è la bussola indispensabile per navigare la complessità dell’innovazione digitale e trasformare la promessa dell’intelligenza artificiale in un reale e misurabile vantaggio competitivo.
Fonti utilizzate
