Il 95 % dei piloti di IA non arriva in produzione: che cosa fa di diverso il 5 %

Le cifre: che cosa dicono MIT e Gartner

Il titolo più ripetuto dell'ultimo anno viene dal rapporto The GenAI Divide: State of AI in Business di MIT NANDA, costruito su oltre trecento iniziative esaminate, una cinquantina di interviste e circa centocinquanta risposte di dirigenti. La conclusione: il 95 % delle organizzazioni non ha ottenuto un ritorno misurabile dai propri piloti di IA generativa.

Va letto con precisione, perché la sfumatura è tutto. Non dice che gli strumenti non funzionano. Dice che non si sono tradotti in una cifra visibile a bilancio. La maggior parte si è fermata a miglioramenti di produttività individuale — che qualcuno scriva prima la propria e-mail non compare in nessun indicatore — senza mai arrivare al processo che fattura, incassa o consegna.

Gartner arriva allo stesso punto da un'altra angolazione. Nel giugno 2025 ha previsto che oltre il 40 % dei progetti di IA agentica sarà cancellato prima della fine del 2027, per costi crescenti, valore di business poco chiaro o controlli del rischio insufficienti. Due mesi dopo ha stimato che il 40 % delle applicazioni aziendali incorporerà agenti specializzati entro la fine del 2026, contro meno del 5 % nel 2025.

Le cinque ragioni per cui muore un pilota

Nessuna riguarda la qualità del modello. Tutte riguardano l'ambiente in cui gli è stato chiesto di lavorare.

1. Viveva accanto al processo, non dentro. Il pilota era una schermata a parte in cui caricare i documenti a mano e da cui copiare il risultato. Regge con venti casi di prova e viene abbandonato a duecento, perché il travaso si mangia il risparmio.
2. Nessuno ha deciso che cosa fare dei casi anomali. L'IA azzecca il caso standard; il valore sta in che cosa succede all'8 % che non lo è. Senza una regola esplicita — a chi va, con quale priorità, entro quale termine — l'eccezione torna nella posta e il processo smette di essere tale.
3. Non c'era un valore di partenza. Se non si è misurato quanto durava e quanto costava il processo prima, il miglioramento non si può dimostrare. E ciò che non si dimostra non viene messo a budget l'anno dopo. È l'errore più economico da evitare e il più frequente.
4. Il responsabile era tecnico. I piloti che sopravvivono li chiede chi subisce il problema — amministrazione, acquisti, personale — perché è chi difende il budget al momento della decisione. Uno sponsor dei sistemi può costruirlo, ma non giustificarlo.
5. Il costo per pratica non è stato calcolato su scala. Consumo del modello, revisione umana, ripetizioni e manutenzione sono irrilevanti con cento documenti al mese e determinanti con centomila. Quel calcolo va fatto prima di firmare, non dopo.

La ricerca del MIT aggiunge una causa di fondo che si accorda con tutte e cinque: i sistemi messi in campo non imparano dall'uso. Non trattengono il giudizio di chi rivede, non si adattano al contesto dell'azienda e non migliorano nel tempo. Partono da un tasso di successo ragionevole e lì restano, mentre il team si aspettava una curva in salita.

Che cosa separa una demo da un processo in produzione

La distanza tra le due colonne è il punto in cui si perde il 95 %. Vale la pena leggerla prima della demo, non dopo.

Nessuna delle sei righe si risolve con un modello migliore. Tutte si risolvono con un processo attorno al modello: instradamento, eccezioni, permessi, registro e misurazione. È esattamente ciò che fa un BPM, ed è il motivo per cui l'IA che rende è di solito costruita sopra uno.

Agent washing: agente o chatbot ribattezzato?

Gartner ha dato un nome al fenomeno: agent washing, la pratica di rietichettare come agenti di IA prodotti già esistenti — assistenti, robot RPA, chatbot a regole. La sua stima, nella stessa nota in cui anticipa le cancellazioni, è netta: delle migliaia di fornitori che si presentano come agentici, solo circa 130 lo sono davvero.

Quattro domande bastano, in una riunione commerciale, a separare la sostanza dalla confezione:

• Decide o si limita a rispondere? Un agente sceglie tra più percorsi in base allo stato della pratica. Se il tragitto è fissato in anticipo, è un flusso con linguaggio naturale sopra — utilissimo, ma non è la stessa cosa e non dovrebbe costare uguale.
• Agisce su un sistema reale? Scrivere nell'ERP, generare la registrazione, creare il fascicolo. Se restituisce solo testo da ricopiare, il risparmio se lo prende la ricopiatura.
• Lascia traccia del perché ha fatto ciò che ha fatto? Senza registro delle decisioni non c'è audit possibile, e senza audit non c'è messa in esercizio in un processo regolamentato.
• Dov'è il freno? Che cosa non può fare mai, quale importo attiva una validazione umana, chi revoca i suoi permessi. Se la risposta è vaga, il controllo del rischio non esiste — una delle tre cause di cancellazione citate da Gartner.

Il percorso pratico di messa in opera lo raccontiamo in come ridurre i tempi di implementazione di un BPM con IA.

Comprare o costruire: il dato scomodo

È la decisione che consuma più tempo nei comitati e quella a cui lo studio del MIT risponde con meno ambiguità: le implementazioni appoggiate a fornitori specializzati hanno avuto circa il doppio del tasso di successo rispetto agli sviluppi interni.

Non è una questione di talento, ma di perimetro. Quando un'azienda decide di costruire, non sta costruendo «una chiamata a un modello»; si sta assumendo anche la valutazione continua, la gestione delle versioni, il controllo degli accessi, la tracciabilità, la gestione delle eccezioni e la migrazione quando il modello in uso sarà obsoleto fra diciotto mesi. Nulla di tutto ciò compare nella stima iniziale, ed è proprio ciò che finisce per assorbire il team.

La regola pratica: costruisci ciò che ti differenzia, compra ciò che ti costa. Un modello di rischio proprietario basato su dati che hai solo tu può giustificare lo sforzo. Classificare fatture fornitori, estrarre campi da una bolla o instradare la corrispondenza in ingresso no: è già una funzione di prodotto e costa meno del primo mese di sviluppo.

Sette filtri prima di approvare il prossimo pilota

Se un pilota non li supera tutti e sette, il rischio non è che vada male: è che non si possa dimostrare che è andato bene. Il che è peggio.

1. Un responsabile di business con nome e cognome. La persona che subisce il problema oggi e difenderà il budget domani.
2. Un valore di partenza misurato. Pratiche al mese, minuti per pratica, costo per pratica e tasso di errore attuale. Prima di toccare qualsiasi cosa.
3. Un criterio di successo concordato per iscritto. Un numero e una data: «portare la chiusura della pratica da 9 a 3 giorni entro il 30 novembre».
4. Dati reali e brutti. Le pratiche dell'ultimo trimestre così come sono arrivate, inclusi i tre fornitori che mandano la fattura in formati impossibili.
5. Un percorso definito per le eccezioni. A chi va, entro quale termine, con quale priorità. Senza questo non c'è produzione possibile.
6. Integrazione concordata dal primo giorno. Da dove entra la pratica e dove esce il risultato. Se la risposta è «lo vediamo in fase due», la fase due non arriva.
7. Una data di chiusura. Da quattro a otto settimane, con decisione binaria: produzione con budget, oppure chiusura con gli apprendimenti documentati.

Il settimo filtro è il più scomodo e il più prezioso. Un pilota senza data di chiusura non fallisce mai: resta in un limbo indefinito consumando attenzione. Che è esattamente ciò che descrive il 95 %.

Come lo risolve Dokuflex: l'IA come passo del processo, non come progetto

La nostra posizione è quella che i dati sostengono: il problema non è quasi mai il modello, è tutto ciò che gli sta attorno. Per questo in Dokuflex BPM low-code l'IA non è un prodotto a parte, è un tipo di attività dentro il flusso.

• La pratica entra da sola. E-mail, portale, integrazione o acquisizione dalla gestione documentale. Non c'è nessuno che carica file in una schermata a parte, che è la prima causa di abbandono.
• L'eccezione ha già un percorso. Se la confidenza non raggiunge la soglia o l'importo supera il limite, il fascicolo passa alla persona competente con il suo termine. L'instradamento fa parte del flusso, non è un'attività in sospeso.
• La misurazione è nativa. Ogni passo resta registrato con la sua marca temporale, quindi il confronto tra prima e dopo non va costruito: si legge. È la stessa traccia che sfrutta il process mining.
• Cambiare significa configurare. Regolare una soglia, aggiungere una validazione o cambiare il destinatario di un'eccezione significa modificare il processo e pubblicare la versione. Quel ciclo breve è ciò che permette di arrivare all'ottava settimana con risultati invece che con un rapporto sullo stato.

E l'elaborazione intelligente dei documenti risolve la riga più ingrata della tabella: i documenti davvero brutti, quelli che affondano i piloti costruiti su venti PDF perfetti.

Richiedi una demo con i tuoi documenti, non con i nostri →

Come scegliere il primo caso

L'istinto porta a scegliere il processo più vistoso. Conviene resistere: il primo caso non serve a impressionare, serve a dimostrare che il ciclo completo funziona nella tua organizzazione. Quattro condizioni:

• Volume alto e ripetitivo. Senza volume non c'è risparmio visibile, per quanto buona sia la tecnologia.
• Regole chiare. Se due esperti interni non concordano su che cosa sia corretto, il problema non è di IA.
• Errore tollerabile e reversibile. Un campo estratto male che si corregge in revisione, non una decisione che arriva al cliente senza filtro.
• Storico disponibile. È ciò che consente di confrontarsi con il valore di partenza e chiudere la discussione con i dati.

Registrazione delle fatture fornitori, smistamento della corrispondenza, verifica documentale di un'apertura anagrafica. Casi noiosi, ed è per questo che vincono.

Domande frequenti

Fonti

• MIT NANDA — The GenAI Divide: State of AI in Business 2025 (PDF): assenza di ritorno misurabile nel 95 % delle organizzazioni, divario di apprendimento e vantaggio delle implementazioni con fornitore specializzato.
• Gartner, 25 giugno 2025: oltre il 40 % dei progetti di IA agentica sarà cancellato entro la fine del 2027; definizione di agent washing.
• Gartner, 26 agosto 2025: il 40 % delle applicazioni aziendali con agenti specializzati entro la fine del 2026.