Il POC con l’IA ha funzionato. Perché non è mai arrivato in produzione?

Un POC (proof of concept o progetto pilota) di integrazione di Intelligenza Artificiale (IA) può raggiungere tutti gli obiettivi tecnici previsti e non arrivare mai in produzione.

Il modello produce risultati convincenti, il team tecnico completa le attività previste e la presentazione finale riceve l’approvazione del management. Poi arriva la domanda che avrebbe dovuto essere posta prima di cominciare: vale la pena investire per trasformarlo in un sistema operativo?

A quel punto possono mancare le informazioni necessarie per rispondere. Non è stato misurato il costo del processo attuale, nessuno ha stimato la gestione del sistema dopo il rilascio e il business non ha ancora individuato chi sarà responsabile del risultato.

Il POC è riuscito, almeno secondo gli obiettivi con cui era stato valutato. L’investimento successivo, invece, resta senza una giustificazione convincente.

Un progetto di integrazione IA dovrebbe permettere di capire se la sua adozione e integrazione convengono e portano un reale e misurabile ritorno.

È una distinzione che cambia il modo di progettare, finanziare e valutare le sperimentazioni.

Il problema non è sperimentare, ma non sapere cosa farne dopo

Un POC ha senso quando esiste un’incertezza rilevante da risolvere. Potrebbe riguardare la qualità delle risposte del servizio clienti, la capacità di trattare documenti eterogenei, il costo delle inferenze a volumi maggiori oppure la possibilità di inserire la soluzione nel processo operativo. Se l’identificazione del problema ha già portato all’individuazione dei processi aziendali e dei dati che ne fanno parte, l’integrazione dell’IA può essere vantaggiosa e scalabile.

Il voler implementare processi supportati dall’IA diventa problematico quando, questo diventa un esercizio di integrazione tecnologica senza che ci sia una domanda a cui il business vuole rispondere.

Il report di McKinsey The state of AI in 2026: On the road to ROI [1] rileva che il 44% dei rispondenti dichiara un’adozione dell’IA in azienda in espansione. Separatamente, il 37% attribuisce all’IA almeno un impatto sull’EBIT della propria organizzazione.

McKinsey osserva che le organizzazioni che ottengono i migliori risultati vanno incontro a veri e propri processi di trasformazione digitale, dove i processi vengono riprogettati e ri-immaginati. Questo suggerisce che il successo, nell’integrazione dell’IA, passa da una rimodellazione delle operazioni aziendali attorno a strumenti di IA, piuttosto che ad un’integrazione diretta con i processi già esistenti. La domanda per chi ha potere decisionale diventa quindi: “quale cambiamento operativo ed economico deve essere rivisto, per farlo diventare IA-nativo?

Prima del POC: stabilire come misurare l’ROI

Il ROI dell’intelligenza artificiale non coincide con l’accuratezza di un modello o con il numero di operazioni eseguite automaticamente. Richiede una stima dei benefici economici attribuibili al progetto, confrontati con il costo complessivo in un periodo definito.

Per un’azienda HR Tech, abbiamo realizzato un AI agent collegato alla knowledge base e al CRM esistenti. Dopo le prime settimane in produzione, circa il 30% dei ticket veniva risolto senza intervento umano. Gli operatori continuavano a gestire i casi che richiedevano una persona e supervisionavano le risposte automatizzate per controllarne qualità e deviazione rispetto allo standard definito.

La valutazione dell’ROI in questo caso è stata operativa: a fronte di una migliore performance delle metriche (tempi di risposta, standardizzazione delle risposte e aumento della risoluzione dei casi in prima risposta), un ritorno sul lungo periodo è l’ottenere possibilità di upskilling del team, dove gli operatori potevano concentrarsi in quegli ambiti a più valore aggiunto (upselling, specializzazione tecnica, etc). Il progetto è raccontato nel caso studio HR Tech.

In ambito farmaceutico e regolatorio, un nostro sistema di automazione documentale elabora oltre 1.000 documenti al mese senza estrazione manuale dei dati. Questo non equivale a eliminare ogni controllo: verifiche, eccezioni e supervisione restano aspetti da considerare ma l’automatizzazione amplifica la produttività del team.

Questi casi d’uso mostrano tre livelli distinti di lettura di un’integrazione. 1) Tecnicamente, è quasi sempre possibile misurare le performance operative del tool, tramite metriche oggettive. 2) L’aumento della produttività amplifica le potenzialità dell’individuo e quindi del team. 3) Il ritorno economico determina quanto, l’integrazione dell’Intelligenza Artificiale riduce costi effettivi, evita costi futuri o genera capacità utilizzata produttivamente.

Per una misurazione efficace, è necessario avere a disposizione sufficienti dati storici.

POC: decisioni da prendere prima di iniziare

La prima decisione riguarda cosa ha senso prototipare. Per questo dobbiamo indagare se: ha senso migliorare il processo attuale? possiamo sfruttare meglio il software già in uso? ha senso introdurre un’automazione deterministica oppure ha senso sviluppare una soluzione di Intelligenza Artificiale?

La scelta dipende dalla variabilità dei processi, dalla qualità degli input, dalle integrazioni richieste e dal costo di gestione.

La seconda decisione da prendere è come confrontare il “prima” e “dopo” dell’integrazione. Per questo serve una baseline.

Senza una baseline possiamo misurare quanto funziona il modello, ma non quanto migliora il processo. Prima del pilota dobbiamo conoscere volumi, tempi, costi ed errori del lavoro attuale, almeno nella parte che intendiamo modificare. Sopratutto sono necessari dati “standard” per validare e confrontare l’operato dell’eventuale Intelligenza Artificiale.

La terza decisione da prendere è quella di identificare ed assegnare un responsabile operativo: qualcuno che conosca il processo, coinvolga gli utenti, valuti il risultato e partecipi alla decisione d’investimento. Il team tecnico di Data Artisan Studio si prende in carico la responsabilità di definire e consegnare la soluzione tecnica, e accompagnamo i nostri partner anche nella parte decisionale e trasformazionale dei processi, ma non può stabilire quanto valga una richiesta gestita più rapidamente o quale livello di errore sia accettabile. Questo rimane una decisione aziendale.

La quarta decisione, non meno importante. Occorre verificare la disponibilità di dati rappresentativi, l’accesso ai sistemi tramite API, i permessi necessari e i vincoli di autorizzazione. Vanno testati anche errori ed eccezioni: quando la soluzione deve fermarsi, a chi viene escalato l’errore e quali informazioni servono per intervenire?

Infine, prima di partire, vanno concordati una soglia minima di qualità, un costo operativo sostenibile, un tasso di errori gestibile, le integrazioni indispensabili e chi prenderà in carico il servizio dopo il rilascio.

Questi criteri non hanno tutti lo stesso peso. Una qualità insufficiente può richiedere di rivedere il modello, l’architettura o il perimetro. Un’integrazione con strumenti di terze parti che non è gestibile può rendere inutilizzabile il sistema. Un costo per operazione troppo elevato può far preferire una funzionalità del software esistente o un’automazione deterministica.

Il livello di errore accettabile è una decisione importante e la vogliamo evidenziare. Questa decisione dipende dal processo e dalla definizione del rischio di esecuzione delle azioni durante il processo: classificare preliminarmente una richiesta non comporta gli stessi rischi di un’operazione che produce effetti su pagamenti o che interessa dati sensibili.

Decidere di non proseguire con il POC è una scelta legittima.

Saper interrompere un progetto è parte della capacità di innovare

Continuare a finanziare un POC perché il prototipo funziona, o perché si è già investito, non è una strategia.

Nell’articolo The Trap Behind AI Experimentation [2], pubblicato da INSEAD Knowledge nel gennaio 2026, Nathan Furr e Andrew Shipilov invitano a collegare le sperimentazioni di sistemi di IA a problemi reali e a una prospettiva concreta di adozione.

A volte la scelta più sensata è non usare l’AI. Il nostro marketplace TrovaStorage, il marketplace italiano del self storage, si chiamava inizialmente Metroquadro. Prima di diventare un marketplace, questo tool utilizzava un algoritmo deterministico per determinare la distanza da un punto di ingresso rispetto ad un box di self storage.

Il problema richiedeva prevedibilità e risultati spiegabili, non un modello probabilistico. Quindi avevamo deciso di non utilizzare l’Intelligenza Artificiale. Abbiamo documentato la scelta nell’articolo Il nostro prodotto non usa l’AI. È una decisione, non una mancanza se ne volete sapere di più.

Anche nel caso in cui un POC dia risultati incoraggianti, come verificare una possibilità tecnica, senza però dimostrare che sia la soluzione più utile o sostenibile per l’azienda, può avere senso decidere di interrompere, di procedere in modo diverso o di integrare più automazione.

Il team di Data Artisan Studio vede il successo di un progetto POC non esclusivamente nell’ approvazione di una fase successiva. Il nostro obiettivo è dare all’azienda elementi sufficienti per decidere se quell’investimento ha senso, anche quando non lo ha.

Nella masterclass «Dal caso d’uso al ROI: progetti AI che arrivano in produzione» approfondiamo come impostare questa valutazione.

Per chi sta valutando un progetto specifico: Prenota una call di 20 minuti

Fonti

1. McKinsey & Company, The state of AI in 2026: On the road to ROI
2. Nathan Furr, Andrew Shipilov, INSEAD Knowledge, The Trap Behind AI Experimentation, gennaio 2026