Il problema per i leader del 2026 non è la mancanza di idee sui casi d’uso dell’IA. Ne hanno fin troppe. Quello che manca è il filtro che separa il progetto che vale sei mesi di lavoro da quello che non sopravviverà alla prima demo interna. Ecco le tre domande che pongo durante la riunione di scoping. Trenta minuti per ogni caso d’uso, non di più. Se una sola delle tre domande rimane senza una risposta precisa, non si parte.

Quale problema specifico risolve l’IA?

Non “come l’IA potrebbe migliorare la nostra produttività”. Quale problema specifico, in quale processo, con quale volume attuale, quale tempo di elaborazione, quale qualità, quale costo?

“Ridurre il tempo di elaborazione delle richieste di assistenza ai clienti” è una direzione. “Ridurre del 40% il tempo di elaborazione delle richieste di categoria B (semplici problemi tecnici), che rappresentano il 60% del volume e che attualmente vengono elaborate in 48 ore” è un problema.

La differenza non è di dettaglio. Un problema specifico permette di definire un criterio di successo misurabile. Un criterio di successo misurabile consente di decidere se il progetto ha funzionato. Senza di esso, non sarete in grado di valutare il ROI e non saprete quando fermarvi.

Perché l’intelligenza artificiale e non qualcosa di più semplice?

Questa è la domanda più scomoda. Prima di lanciare un progetto di IA, chiedetevi se il problema non può essere risolto con un algoritmo deterministico (regola aziendale, ordinamento, filtro, regex). In caso contrario, con un cruscotto e un processo decisionale umano più chiaro. A volte si tratta di una riorganizzazione dei processi che risolve il problema senza toccare la tecnologia. A volte si tratta solo di uno strumento aziendale esistente meglio configurato.

L’IA ha i suoi vantaggi: si generalizza su input non strutturati, si adatta alle variazioni, lavora su volumi elevati senza un aumento proporzionale dei costi. Ma è probabilistica (e quindi fallibile), opaca, difficile da verificare e più costosa da mantenere rispetto a una regola deterministica. L’ordinamento dei documenti per parole chiave con regole aziendali chiare è più economico, più prevedibile e più spiegabile di LLM per lo stesso compito, se le categorie sono ben definite.

Chi gestisce i casi in cui l’IA è sbagliata?

Questa è la domanda che le demo non si pongono mai. In una demo, tutto funziona. In produzione, dal 3 al 20% dei casi (a seconda dell’attività e del modello) non funziona come previsto. Qualcuno deve occuparsene.

Chi rileva gli errori? Come vengono segnalati? Chi li corregge? Chi è responsabile delle decisioni basate su un output AI non corretto?

Se non riuscite a rispondere a queste domande, il vostro processo di distribuzione è incompleto. Non si tratta di un problema tecnico. È un problema di organizzazione e di responsabilità. L’intelligenza artificiale non elimina la responsabilità. La sposta.

Su griglie di punteggio

Una matrice di punteggio promette di trasformare la decisione in un’addizione. Ma non è così. La decisione va presa caso per caso, considerando il contesto dell’organizzazione, la maturità del team e il costo opportunità del non progetto. Qualsiasi griglia che pretenda di decidere per voi è una semplificazione pericolosa.