Esistono tecnologie la cui adozione non è opzionale, ma un must have. L’intelligenza artificiale (AI), oggi, appartiene senza dubbio a questa categoria, anche se l’onda dell’hype che ne ha accompagnato l’ascesa, sembra essersi ridimensionata, lasciando spazio a un’implementazione più selettiva e matura nelle organizzazioni.
Osservata più da vicino, tuttavia, l’adozione dell’AI è ancora spesso guidata non tanto dalla concreta capacità di generare valore in uno specifico caso d’uso, quanto dalla pressione a non restare indietro. In molti contesti, non adottarla viene percepito come un rischio reputazionale, quasi un segnale di arretratezza. A questa dinamica si aggiunge una narrazione di mercato che continua a presentare l’AI come una tecnologia trasversale e quasi universale, capace di rispondere indistintamente a esigenze molto diverse. Il risultato è un’adozione che, troppo spesso, parte dalla tecnologia anziché dal problema e rinuncia alla domanda più importante: dove, concretamente, l’AI è in grado di generare valore?
Un’implementazione consapevole richiede al contrario un cambio di prospettiva: non “quale e quanta AI si può integrare”, ma “serve l’AI, quale AI serve, dove, e per fare cosa”. Un principio elementare da enunciare, molto più arduo da mettere in pratica in quanto impone alle organizzazioni di resistere alla pressione del mercato e soprattutto di ragionare per processi, prima ancora che per tecnologie.
Gli effetti collaterali dell’AI ovunque
Applicare l’AI in modo indiscriminato non è mai una scelta innocua, al contrario genera ricadute che si distribuiscono su più livelli e che, nella maggior parte dei casi, restano invisibile fino a quando non “presentano il conto”.
Il primo effetto collaterale riguarda l’efficacia della soluzione stessa. Un modello di AI generativa, applicato a un processo per cui non è lo strumento più adeguato, non produce semplicemente un beneficio ridotto, introduce complessità dove prima non ce n’era, genera output che richiedono comunque una verifica umana, allunga i tempi invece di comprimerli. I dati confermano questa affermazione: secondo lo studio “The GenAI Divide: State of AI in Business 2025” del MIT su oltre 300 implementazioni aziendali, il 95% dei progetti pilota di AI generativa non ha prodotto un impatto misurabile sul conto economico, non tanto per la qualità dei modelli, ma per un errato approccio di adozione.
È il caso emblematico di chi impiega un modello generativo per ordinare centomila nominativi in un database, quando un algoritmo di sorting risolverebbe il problema in una frazione di secondo, con un consumo computazionale irrisorio e un risultato deterministico. Applicarvi un LLM significa, diversamente, introdurre latenza, costo di inferenza e, paradosso non trascurabile, un margine di errore che un algoritmo classico non conosce, per un’operazione che non richiede alcuna comprensione del linguaggio né alcuna capacità generativa.
Lo stesso errore di prospettiva si ripete, amplificato, con gli agenti AI. La loro capacità di orchestrare autonomamente più passaggi di un processo viene applicata sempre più spesso a flussi di lavoro lineari e prevedibili, che un’automazione tradizionale gestirebbe con la stessa efficacia e un controllo molto più stretto sull’esito. È il caso, ad esempio, di un agente introdotto per gestire l’estrazione e l’inserimento di dati da documenti standard in un gestionale: un compito sequenziale, privo di reali alternative decisionali, per cui un flusso RPA tradizionale garantirebbe lo stesso risultato con tempi di esecuzione inferiori e, soprattutto, un esito completamente deterministico.
Non stupisce che Gartner preveda la cancellazione di oltre il 40% dei progetti di AI agentica entro la fine del 2027, per costi fuori controllo, valore di business poco chiaro o controlli di rischio inadeguati. E come osserva l’analista Anushree Verma, molti casi gestiti con agenti AI non richiederebbero affatto un’implementazione agentica.
Inoltre, in tutti questi scenari il ROI del progetto si rivela inferiore alle attese, quando non diventa negativo, dal momento che ai costi di implementazione si sommano quelli, meno visibili ma altrettanto concreti, della gestione degli errori e delle eccezioni che il sistema non è progettato per trattare. Non è un dettaglio tecnico, è la prova che l’efficacia stessa dell’AI, se applicata fuori contesto, smette di essere confermata per alimentare invece quella fase che Gartner ha denominato della “Disillusione” che si verifica quando l’AI non riesce a soddisfare le aspettative iniziali, eccessivamente enfatizzate.
Il secondo effetto collaterale è economico, risultato che peraltro si somma al primo. Ogni istanza di AI attivata senza una reale necessità applicativa genera costi di elaborazione, storage e manutenzione che si accumulano nel tempo secondo logiche di consumo difficili da prevedere, a differenza di un investimento infrastrutturale tradizionale, il cui costo è noto fin dal primo giorno. Moltiplicare i punti di applicazione senza un criterio di selezione significa moltiplicare una spesa sempre più difficile da far quadrare e giustificare a consuntivo, soprattutto quando il ritorno ottenuto resta sotto le aspettative dell’investimento sostenuto.
Il terzo effetto, sempre più centrale nei dibattiti, è quello ambientale. L’addestramento e, soprattutto, l’inferenza dei modelli di intelligenza artificiale richiedono una potenza di calcolo che si traduce in consumo energetico, idrico e di suolo legato alla costruzione dei data center. Impatti tutt’altro che marginali e destinati a crescere in proporzione diretta a un uso non selettivo della tecnologia.
Un criterio, non un freno
Va chiarito un aspetto centrale: dire che l’AI va usata “solo dove serve” non significa frenarne l’adozione, ma renderla sostenibile nel tempo, selezionando con metodo un numero limitato di casi d’uso ad alto impatto, misurandone gli effetti con indicatori chiari fin dall’inizio e, solo dopo aver validato il ritorno, estendendone il perimetro.
Il primo criterio che deve guidare l’introduzione dell’AI in un processo è chiedersi se quel processo abbia davvero un problema che l’intelligenza artificiale, in una qualunque delle sue forme – dal machine learning classico agli algoritmi predittivi fino ai modelli generativi e agli agenti autonomi – possa risolvere meglio di un’automazione tradizionale, di un algoritmo, di una riorganizzazione delle attività o, semplicemente, di una persona.
Purtroppo, nell’era dell’AI, partire dalla tecnologia in cerca di un problema da risolvere, o peggio, pensare che queste tecnologie possano generare benefici a qualsiasi processo, resta un errore di metodo diffuso. Diversamente bisognerebbe ricordare che è lo use case a dover guidare la scelta tecnologica, non il contrario. Motivo per cui, quando in un progetto la prima domanda che ci si pone è “quale AI vogliamo usare” anziché “l’AI può risolvere questo problema”, il progetto parte già con il piede sbagliato.
Non tutto ciò che può essere digitalizzato e automatizzato con un modello, generativo o agentico, deve esserlo e non necessariamente il costo di implementazione, manutenzione e governance di una soluzione AI viene ripagato dal beneficio atteso. La capacità di dire anche “no” a queste tecnologie, oltre che saperle usare, è oggi il vero indicatore di maturità digitale di un’organizzazione.
di Sergio Ajani, Service & Solution Design Director di Innovaway
