Perché il 95% dei progetti di AI fallisce prima di creare valore?

Perché il 95% dei progetti di AI fallisce prima di creare valore?

Secondo l’ultimo report del Massachusetts Institute of Technology solo il 5% dei progetti di intelligenza artificiale aziendale arriva in produzione con un impatto misurabile. Il problema, però, non è tecnico, ma di approccio.

Infatti, molte aziende inseguono l’“effetto trend”, lanciando progetti AI senza obiettivi chiari. Tuttavia, l’AI non è una bacchetta magica: se i processi sono solidi, li potenzia; se sono confusi e disallineati, amplifica il caos. In altre parole, automatizzare un errore significa solo fare le cose sbagliate più velocemente.

A ciò si aggiunge un errore di impostazione iniziale: troppo spesso si parte dal software invece che dal problema. Frasi come “ci serve l’AI per le vendite” sono comuni, ma nella maggior parte dei casi i veri colli di bottiglia si trovano nei dati disorganizzati e nei processi poco strutturati.

Di conseguenza, il problema non è l’IA in sé, ma la sua applicazione. Parte della confusione deriva anche dal fatto che oggi si parla molto di IA generalista, es. ChatGPT, pensata per il grande pubblico. Questo affollamento mediatico fa credere che tutte le soluzioni di AI siano uguali, oscurando il valore delle applicazioni aziendali realmente integrate nei processi di business.

In realtà, come evidenzia il MIT, i veri ritorni economici finora sono arrivati da ambiti meno visibili ma più strategici, come l’automazione del back-office, gli acquisti, la finanza e le operations. Ciò dimostra che la corsa alla tendenza del momento spesso distoglie l’attenzione dalle opportunità più concrete e sostenibili.

Un altro elemento chiave è l’integrazione. L’AI non può semplicemente “sedersi” sopra l’infrastruttura aziendale (CRM, WMS, ERP, BI). Il vero ROI nasce solo quando l’AI diventa parte integrante del sistema operativo dell’impresa.

Il MIT sottolinea anche l’importanza delle partnership esterne: queste arrivano alla fase di implementazione circa due volte più spesso (67%) rispetto ai progetti sviluppati internamente (33%).

Se da un lato i team interni conoscono a fondo il business, dall’altro gli esperti esterni portano esperienza, metodo e competenze maturate in decine di implementazioni. Le aziende di maggior successo, infatti, combinano la conoscenza interna del contesto aziendale con il know-how tecnico e operativo dei consulenti.

In sintesi, le organizzazioni che hanno ottenuto risultati concreti non hanno semplicemente scelto i modelli di AI più avanzati, ma hanno costruito le condizioni per farli funzionare:

- dati ordinati,

- processi coerenti,

- integrazione nei sistemi core

- partnership con esperti IT

‍

Leggi la notizia completa!