Quanto tempo serve per vedere risultati dall’AI in azienda

Prima di iniziare un progetto AI, la domanda più comune è quanto ci vuole prima di vedere qualcosa che funziona. La risposta dipende da alcuni fattori precisi, che si possono spiegare in anticipo.

Non è solo curiosità sui tempi. Dietro c’è spesso il timore di un progetto che si allunga senza arrivare a un risultato concreto, ed è una preoccupazione legittima. Nella pratica, le cause di un ritardo sono quasi sempre riconoscibili in anticipo, come un obiettivo troppo ampio all’inizio, aspettative non allineate tra chi commissiona e chi realizza, o nessuna iterazione lungo il percorso. Uno studio di Stanford su 51 implementazioni aziendali di AI andate a buon fine ha trovato un solo tratto in comune a tutte: nessuna ha seguito una pianificazione fissata all’inizio e mai più rivista, tutte sono cresciute per iterazioni successive. Riconoscere queste cause in anticipo evita la maggior parte dei problemi, e il primo passo è capire che tipo di progetto hai davvero davanti.

La tempistica dipende dal tipo di soluzione scelta. Le fasce qui sotto sono ordini di grandezza indicativi, comuni nel settore per progetti di questo tipo. Non sono un preventivo, né un impegno sul tuo caso specifico.

Nell’ordine delle settimane rientra un chatbot ben definito su un caso d’uso preciso, come rispondere alle domande frequenti, gestire prenotazioni o aprire un primo contatto su WhatsApp. Richiede poca integrazione con altri sistemi, in un processo già chiaro in partenza.

Nell’ordine di qualche mese rientra un sistema collegato ai dati aziendali reali, quello che abbiamo chiamato RAG nel post su differenze tra chatbot, LLM e agente AI, oppure un’automazione che tocca più strumenti insieme, come un CRM e un gestionale. Qui serve collegare le fonti giuste, non “mettere in ordine tutti i dati aziendali”, come si pensa spesso.

Più mesi, e quasi sempre a fasi, servono per un agente AI che gestisce un intero processo in autonomia, o per un progetto più ampio di automazione. Anche qui i primi risultati parziali arrivano molto prima della fine, perché si procede per iterazioni successive lungo tutto il progetto.

Quattro fattori concreti, che puoi valutare già oggi sul tuo caso:

• Quanto è già chiaro il processo da automatizzare. Un processo confuso richiede prima chiarezza interna, non tecnologia. Se in azienda nessuno sa descrivere per iscritto, passo per passo, come funziona oggi quel processo, quella mappatura va fatta prima di scrivere una riga di codice.
• Quanti sistemi diversi bisogna collegare. Più integrazioni significano più tempo tecnico, indipendentemente dall’AI. Collegare un solo strumento è diverso da far dialogare CRM, gestionale e magazzino nello stesso flusso.
• Quanto sono accessibili i dati che contano. Non serve un progetto di pulizia completa di tutti i dati aziendali. Serve che le informazioni rilevanti per quel caso specifico siano raggiungibili, magari già in un unico posto o esportabili senza passaggi manuali.
• Quanto velocemente l’azienda riesce a dare feedback e validare quello che viene costruito. Spesso il collo di bottiglia è interno, non tecnico, e un prototipo pronto che aspetta due settimane un via libera interno perde comunque due settimane.

La buona notizia è che quasi tutti questi fattori si possono anticipare, prima ancora che il progetto parta.

Buona parte di queste variabili dipende da come l’azienda si organizza prima di iniziare, e sono le prime cose che affrontiamo con un cliente prima ancora di stimare una tempistica:

• Individua una sola persona che può approvare le scelte principali, invece di far passare ogni decisione da un intero comitato.
• Scegli un solo caso d’uso per partire, anche se in testa hai già una lista di dieci cose che vorresti automatizzare.
• Metti a disposizione i dati utili così come sono, anche se non sono perfetti. Aspettare di “avere tutto in ordine” prima di iniziare è una delle cause più comuni di ritardo.
• Fissa un primo checkpoint nelle prime settimane, per vedere un primo risultato e correggere la direzione se serve.

Nessuno di questi punti richiede competenze tecniche. Sono scelte organizzative, e nella nostra esperienza pesano sui tempi più della tecnologia scelta.

A metà progetto, alcuni segnali aiutano a capire come sta andando, indipendentemente dalla fascia di partenza. Il primo è la presenza di qualcosa di visibile e testabile, anche se non finito: se a metà del tempo previsto non esiste ancora nulla da provare con mano, conviene capire subito il motivo. Un altro segnale riguarda il tipo di domande che emergono. Se si discute ancora di cosa deve fare il sistema invece di come rifinirlo, il progetto è probabilmente più indietro di quanto sembri. C’è poi la comunicazione di chi lo sta realizzando, che dovrebbe segnalare in anticipo eventuali slittamenti con una spiegazione concreta del motivo, invece di rassicurazioni generiche a ogni domanda.

Questi segnali valgono per qualunque fascia di tempo, non solo per i progetti più lunghi.

Un sistema tecnicamente pronto e un risultato visibile nei numeri, come tempo risparmiato o meno errori, arrivano in momenti diversi. Il secondo si vede solo dopo un periodo di utilizzo reale. Un cliente storico di Zerodivision, Nomos, ha realizzato con noi un sistema di monitoraggio e classificazione automatica delle fonti web. Il sistema tecnicamente funzionante è stato il punto di partenza, mentre i risultati misurati sull’uso quotidiano sono arrivati dopo, con il 30% di fonti monitorate in più, il 50% di tempo di monitoraggio in meno e il 20% di errori umani in meno. Un progetto non è in ritardo solo perché il giorno del lancio quei numeri non si vedono ancora. Ed è anche per questo che conviene iniziare in piccolo.

Iniziare con un progetto piccolo e ben scelto è spesso il modo più diretto per avere un primo risultato tangibile su cui costruire il resto. È l’idea alla base di quello che chiamiamo AI frugale. Si parte da un caso d’uso preciso, lo si verifica nell’uso quotidiano, e si espande in base a cosa ha funzionato.