Molti progetti pilota di IA non vanno oltre la fase di test perché la complessità dell’implementazione viene sottovalutata. Un percorso più chiaro in avanti inizia con l’identificazione delle parti interessate, la comprensione di dove si sposta la complessità e la definizione di metriche per il valore creato.
Quando l’IA viene integrata nei modelli operativi, nei processi e nel processo decisionale, la trasformazione più ampia viene talvolta chiamata trasformazione dell’IA o AX.

Perché così tanti progetti pilota di IA non riescono a scalare?
Le organizzazioni sperimentano con l’IA, testano alcuni casi d’uso e vedono risultati promettenti. Poi l’iniziativa rimane nella fase pilota:
- Non diventa parte del modello operativo.
- Non crea un impatto aziendale misurabile su scala.
Deloitte ha riportato che solo il 25% dei rispondenti aveva spostato il 40% o più dei propri esperimenti di IA in produzione.1
McKinsey ha descritto una situazione simile: quasi due terzi delle organizzazioni dovevano ancora scalare l’IA oltre alcuni progetti pilota.2
A mio avviso, uno dei motivi principali è che le parti interessate senior spesso sottovalutano la complessità del problema:
Un’iniziativa di IA viene presentata come una soluzione che eliminerà la complessità. In pratica, sposta la complessità da un’altra parte.
Un semplice esempio: un chatbot basato su IA
Considera un chatbot su un sito web. Il chatbot risponderà automaticamente alle domande dei clienti e ridurrà il carico di lavoro del team di supporto. Una grande percentuale di richieste verrà gestita senza coinvolgimento umano.
Dal punto di vista del cliente, questo funziona bene. Un utente riceve una risposta immediatamente e non ha bisogno di contattare il supporto.
La complessità viene rimossa dal percorso del cliente.

Allo stesso tempo, parte di quella complessità viene trasferita al team di supporto e al team di IA che mantiene il sistema.
Cosa cambia per gli utenti finali?
Per gli utenti finali, la domanda principale è: il chatbot ha risolto il problema?
Una metrica di partenza è il tasso di risoluzione al primo contatto. Mostra quante richieste vengono risolte senza escalation a uno specialista del supporto.
Cosa cambia per il team di supporto?
Il team di supporto riceve le richieste che il chatbot non è in grado di risolvere. Talvolta, il chatbot effettua l’escalation troppo tardi. Il Cliente ha già dedicato tempo a cercare di risolvere il problema ed è frustrato quando uno specialista si unisce alla conversazione.
Talvolta, il chatbot effettua l’escalation troppo presto. Trasferisce il caso prima di aver raccolto informazioni sufficienti. Lo specialista del supporto riceve una richiesta incompleta e deve porre nuovamente le stesse domande.
Questo può essere quantificato tramite:
- Tasso di escalation. Misurare la percentuale di richieste trasferite al team di supporto.
- Tasso di escalation tardiva. Monitorare i casi in cui il Cliente ha sperimentato attriti evitabili prima dell’escalation.
- Contesto mancante. Misurare con quale frequenza gli specialisti devono richiedere informazioni che avrebbero potuto essere raccolte in precedenza.
- Carico di lavoro del supporto. Monitorare le variazioni nel volume e nella difficoltà delle richieste di supporto.
L’effetto a lungo termine sul team di Supporto
C’è anche una questione di più lungo periodo:
- Come dovrebbero essere formati gli specialisti del Supporto?
Prima dell’introduzione del chatbot, gli specialisti junior imparavano rispondendo a domande semplici. Nel tempo, sviluppavano l’esperienza necessaria per i casi più difficili.
Una volta automatizzate le richieste di routine, il team di Supporto riceve una maggiore concentrazione di casi complessi. Il vecchio modello di formazione non funziona più.
L’organizzazione ha bisogno di un nuovo modo per sviluppare competenze.

Cosa cambia per il team IA?
In produzione, il chatbot diventa un sistema che richiede manutenzione continua.
Emergono nuove domande dei clienti. La base di conoscenza necessita di aggiornamenti. Le risposte esistenti devono rimanere accurate dopo ogni modifica. I protocolli di sicurezza devono essere riesaminati.
Possiamo quantificare questo tramite:
- Tempo per aggiungere un nuovo caso d’uso. Misurate quanto tempo occorre per supportare un nuovo scenario del cliente.
- Test di regressione. Verificate se le nuove modifiche influiscono sui casi d’uso precedentemente supportati.
- Manutenzione della base di conoscenza. Monitorate lo sforzo necessario per mantenere le informazioni aggiornate.
- Copertura del protocollo di sicurezza. Confermate che gli argomenti sensibili dispongano di regole chiare e percorsi di escalation.
Le domande su rimborsi, finanza, accesso all’account o modifiche dell’ordine complicano ulteriormente il caso… Il chatbot dovrebbe rispondere direttamente alla domanda? Dovrebbe fornire indicazioni generali? Dovrebbe trasferire la richiesta a uno specialista?
Qualcuno deve definire queste regole, testarle e aggiornarle quando cambia il contesto aziendale.
Abbiamo davvero bisogno di metriche per le iniziative di IA?
Una domanda ragionevole è se tutto questo sforzo di misurazione sia necessario. La mia risposta è “Sì!” La discussione stessa crea valore. Costringe il gruppo a essere più specifico:
- Cosa intendiamo esattamente per chatbot di successo?
- Che tipo di escalation è accettabile?
- Quanta attività di manutenzione può gestire il gruppo di IA?
- Come formeremo gli specialisti del supporto?
Anche quando i valori esatti per i KPI non sono disponibili, queste domande migliorano la qualità dell’implementazione.
McKinsey ha analizzato 12 pratiche di adozione e scalabilità per l’IA generativa. Ogni pratica presentava una correlazione positiva con l’impatto sull’EBIT. Tra le pratiche incluse nello studio, il monitoraggio di KPI ben definiti per le soluzioni di IA generativa ha avuto un forte impatto sul risultato economico.3
Il monitoraggio continuo delle metriche relative a ciascun progetto pilota di IA richiede disciplina. La piattaforma BSC Designer può facilitare significativamente questo processo, garantendo coerenza nella misurazione delle prestazioni e allineando i KPI al contesto aziendale richiesto.
Inizia con le metriche di complessità
Ogni progetto di IA necessita del proprio insieme di indicatori. Tuttavia, esistono alcune aree comuni che vale la pena rivedere in quasi ogni implementazione. La prima è la complessità.
La complessità è difficile da quantificare: consideri le aree in cui l’attività investe tempo, impegno e budget. Cerchi comunicazioni ripetute, revisioni manuali, decisioni ritardate ed eccezioni.
Buoni candidati sono:
- Tempo di gestione delle eccezioni. Misuri l’impegno richiesto per risolvere i casi che il sistema di IA non è in grado di gestire.
- Comunicazione ripetuta. Tracci le interazioni aggiuntive causate da contesto mancante o risposte poco chiare.
- Revisioni manuali. Misuri il volume dei casi che richiedono una validazione umana.
- Impegno di manutenzione. Tracci le risorse necessarie per aggiornare e testare il sistema.
- Costi di controllo. Monitori l’impegno richiesto per gestire i rischi di sicurezza e conformità.
Queste metriche mostrano dove si è spostata la complessità dopo l’automazione.
Misura la fiducia empiricamente
La seconda area è la fiducia. Le parti interessate chiederanno se l’output dell’IA è affidabile. Questa domanda diventa difficile quando il risultato finale dipende dai dati di input, dal modello, dalla base di conoscenza, dai controlli e dal processo di escalation.
La fiducia può essere misurata empiricamente. Il team può testare il sistema con dati noti, identificare modalità di guasto tipiche e verificare cosa accade se combiniamo vari sistemi che si guastano in modi diversi.
Passa dai progetti pilota all’implementazione
Per passare dai progetti pilota di IA all’implementazione su larga scala, riesamina le iniziative di IA esistenti attraverso le lenti delle parti interessate, della complessità e della fiducia.
Un workshop strutturato può aiutare i gruppi a rispondere ad alcune domande pratiche:
- Parti interessate. Chi è interessato dall’iniziativa di IA?
- Valore previsto. Quale miglioramento dovrebbe sperimentare ciascuna parte interessata?
- Complessità trasferita. Dove compare il nuovo carico di lavoro?
- Capacità. Quali sistemi, risorse e competenze sono necessari?
- Rischi. Cosa può andare storto durante l’implementazione?
- Metriche. In che modo il gruppo monitorerà i progressi e i risultati?
Lo Strategy Execution Canvas può essere utilizzato come punto di partenza per questa discussione. Aiuta a collegare le esigenze delle parti interessate con obiettivi, capacità, rischi, ipotesi e metriche.
- The State of AI in the Enterprise, Deloitte, 2026 ↩
- Are Your People Ready for AI at Scale?, Alex Camp, Drew Goldstein, Laura Pineault, Holly Price, and Nicolette Rainone, McKinsey & Company, 2026 ↩
- The State of AI: How Organizations Are Rewiring to Capture Value, Alex Singla, Alexander Sukharevsky, Lareina Yee, and Michael Chui, with Bryce Hall, McKinsey & Company, 2025 ↩
Alexis Savkín è il fondatore di BSC Designer, un software per l’esecuzione della strategia e la gestione delle prestazioni che collega obiettivi, Indicatori chiave di prestazione, iniziative, rischi e dati sulle prestazioni. Con oltre 20 anni di esperienza, il suo lavoro si concentra sull’architettura di esecuzione della strategia — ovvero su come le organizzazioni integrano strategia, misurazione, responsabilità, rischi e processi di revisione in un sistema di esecuzione coerente. Ha creato lo Strategy Execution Canvas e il sistema KPI in 10 passaggi e ha scritto due libri e più di 100 articoli sulla strategia e la gestione delle prestazioni. Collegati con Alexis su LinkedIn.
