Quando l'AI conviene davvero: nove numeri da guardare prima di firmare

Quando un imprenditore mi chiede se un progetto di AI conviene, la prima domanda che faccio non è quale programma ha in mente, ma come pensa di capire dopo se ha funzionato. Nove volte su dieci la risposta è un silenzio imbarazzato. Il problema non è la tecnologia: oggi funziona. Il problema è che la maggior parte dei progetti parte senza aver scritto da nessuna parte i numeri di partenza, e arriva in fondo senza poterli confrontare con niente.

Il dato è duro. Una ricerca di RAND, ripresa dall’MIT nel suo studio sulle aziende che adottano l’AI, dice che otto progetti su dieci non producono un risparmio misurabile. Il 34% viene fermato prima di andare in produzione, il 28% arriva in fondo ma non sposta i numeri di bilancio, il 18% non riesce a giustificare i costi. Solo uno su cinque produce valore tracciabile. Il dato italiano di Deloitte va nella stessa direzione: il 35% delle aziende che usa AI ha effettivamente calcolato un risparmio, gli altri si fermano a percezioni di produttività.

Questo articolo mette in fila i numeri da decidere prima di firmare un budget AI, da seguire durante il lavoro e da verificare dopo. È pensato per chi deve giustificare la spesa di fronte a un consiglio di amministrazione o a un socio, e per gli imprenditori che vogliono evitare di buttare cifre importanti su un progetto che poi nessuno saprà valutare.

Perché senza numeri di partenza non c’è risparmio da misurare?

Il dato che mi colpisce di più dello studio MIT è questo: il 61% dei progetti AI viene approvato sulla base di un risparmio promesso che poi nessuno misura dopo il lancio. Vuol dire che il numero serve a ottenere il via libera, ma una volta che il sistema è in produzione si passa subito al progetto successivo. Risultato: nessuno saprà mai se quel progetto ha pagato.

Le aziende che fissano criteri di successo prima dell’approvazione portano a casa il progetto nel 54% dei casi. Chi non lo fa si ferma al 12%. Quattro volte di più. Non è una questione di tecnologia migliore o di squadra più brava: è disciplina sui numeri da guardare.

Quali sono i tre tipi di risparmio da tenere distinti?

Mettere tutto sotto la voce “ritorno dell’investimento” porta confusione. Conviene separare tre piani, perché si misurano con strumenti diversi e su tempi diversi.

1. Il risparmio in euro. Il taglio di costo o il fatturato in più che il sistema produce. Si misura confrontando quanto costa fare una pratica prima e quanto costa dopo, oppure il fatturato per dipendente. È la voce che il commercialista o il direttore finanziario chiederanno per primi.

2. Gli errori evitati. Pratiche sbagliate non commesse, lavori da rifare risparmiati, segnalazioni intercettate prima che diventassero un problema. Si misura sommando i costi che sarebbero stati pagati senza il sistema. Per chi lavora in settori controllati (banche, sanità, gestione del personale, assicurazioni) questa voce vale spesso più del risparmio diretto. Esempio concreto: in una società che gestisce gare d’appalto, intercettare un errore formale prima dell’invio vale tra cinquecento e diecimila euro per ogni gara salvata.

3. Il vantaggio nel tempo. I dati aziendali messi in ordine, i processi documentati, le competenze interne che crescono. Si misura sulla velocità con cui l’azienda riesce ad aggiungere nuovi progetti sopra quello che già ha costruito. Un primo progetto fatto bene oggi rende possibili tre nuovi progetti l’anno prossimo a costo marginale, uno fatto male li blocca tutti.

Le aziende che guardano solo il primo piano sottovalutano i progetti dei settori controllati. Quelle che guardano solo l’ultimo si raccontano una storia rassicurante senza numeri.

Quali nove numeri concreti controllare in un progetto AI?

Questi sono i numeri che uso con i clienti, divisi per fase. Non servono tutti sempre, ma almeno uno per fase va previsto.

Prima di partire

1. Costo della prova rapida contro costo del progetto pieno. Una prima prova ben fatta consuma fra le cento e le duecento ore di lavoro e costa una piccola parte del progetto vero. Se la prova va male, hai bruciato cinque o diecimila euro invece di centomila. Se va bene, hai la base per chiedere il budget vero. Saltare la prova rapida è l’errore più caro che vedo fare.

2. Soglia minima di precisione richiesta. Quanto deve essere preciso il sistema per essere usabile? Se un programma che legge fatture indovina il 90% dei campi, vuol dire che uno su dieci va comunque controllato a mano, e il guadagno crolla. Per un suggerimento di prezzo, l’85% può bastare se c’è sempre un commerciale che decide. Il numero va deciso prima del test, non dopo.

Durante il lavoro

1. Quanti passaggi del processo spariscono. Prima dell’AI, quante persone toccano quella pratica? Dopo, quante? Il guadagno vero spesso non sta nel sostituire un dipendente ma nel togliere tre passaggi inutili nel mezzo. Su un processo che fa otto passaggi, scenderne a quattro vale più che velocizzarne uno del 90%.

2. Tempo per ogni unità di lavoro. Cronometra venti casi reali prima dell’AI, venti dopo, e prendi il valore centrale. Non la media: il valore centrale è meno influenzato dai casi estremi. Per un servizio clienti può essere il tempo medio per chiudere una richiesta. Per una lettura documenti, i secondi per ogni documento.

3. Quante volte il lavoro va rifatto. Quanti risultati del sistema richiedono un intervento umano per essere corretti? Se sono sopra il 20%, il guadagno si dimezza, perché il revisore deve comunque leggere tutto. Questo è il numero che fa la differenza fra un progetto che funziona sulla carta e uno che funziona davvero in produzione.

Dopo il lancio

1. Ricavo per dipendente. Se l’AI fa fare a un commerciale il lavoro che prima richiedeva due persone, il ricavo per dipendente di quel reparto sale. È un numero aggregato che parla al consiglio di amministrazione meglio di qualsiasi tabella di efficienza.

2. Costo per singola operazione. Quanto costa oggi processare una fattura, gestire una richiesta di assistenza, generare un’offerta? E dopo sei mesi di AI? La differenza in euro, moltiplicata per il volume mensile, è il risparmio diretto del progetto.

3. Margine di guadagno. Variazione del margine sui prodotti o servizi che hanno a che fare con i processi toccati dall’AI. Si misura sul prodotto finale, non sull’attività intermedia. È la voce più importante perché taglia attraverso tutte le altre: se il margine sale, il progetto funziona; se non sale, qualcosa non torna anche se i tempi sembrano scesi.

4. Errori importanti intercettati. Per i settori controllati conta il numero di segnalazioni che il sistema ha bloccato prima che diventassero un problema. Vale anche fuori dai settori controllati quando il costo dell’errore è alto: un ordine sbagliato a un cliente importante, una fattura inviata due volte, una scadenza persa.

Come funziona un metodo in sei fasi per misurare il ROI dell’AI?

I numeri da soli non bastano se non c’è un calendario per usarli. Questo è il percorso che funziona meglio nelle PMI italiane, settimana per settimana (il punto di partenza — chi è “mature”, chi “in sperimentazione”, chi “alle prime armi” — è raccontato in adozione AI nelle PMI italiane: il paradosso del 2026).

1. Settimane 1 e 2: misurare la situazione attuale. Cronometra il processo che già esiste, conta gli errori, calcola il costo per caso. Niente AI, niente strumenti nuovi: solo misurazione. Se non hai questi numeri, qualsiasi confronto futuro sarà inventato. Le aziende che saltano questa fase sono le stesse che dopo sei mesi non sanno dire se il progetto è andato bene.

2. Settimana 2: decidere il ruolo dell’AI. L’AI è il cuore del prodotto o un aiuto a un processo che esiste già? Cambia tutto. Se è il cuore (per esempio un assistente conversazionale che è il prodotto stesso), serve un investimento alto fin dall’inizio. Se è un aiuto (lettura fatture collegata al gestionale che già usi), conviene partire piccolo e collegare il sistema a quello che c’è.

3. Settimane dalla 3 alla 6: prova rapida a budget chiuso. Cento o duecento ore di lavoro, costo deciso in anticipo. L’obiettivo è verificare se la tecnologia regge e se la precisione è sufficiente, non costruire la versione finale. Tre risultati possibili: il sistema raggiunge la precisione minima e si va avanti, ne è lontano e si ferma, è in mezzo e si valuta caso per caso.

4. Settimana 6: il momento della decisione. Una riunione formale con chi deve decidere. Confronto fra la precisione misurata e quella richiesta, valutazione dei costi del progetto pieno, decisione “andiamo avanti” o “fermiamo qui”. Se ci si ferma, hai speso un decimo del budget pieno e hai imparato qualcosa. Se si va avanti, hai i dati per chiedere l’investimento principale con cognizione di causa.

5. Settimane dalla 7 alla 14: costruzione del sistema vero. Realizzazione, collegamento con i programmi aziendali, formazione delle persone che lo useranno. Importante: buona parte di questa fase non è AI ma flussi di lavoro, schermate, regole. La tecnologia è il 30%, il resto è organizzazione.

6. Dopo 30, 60 e 90 giorni dal lancio. Tre controlli formali con i numeri di partenza alla mano. Cosa è migliorato, cosa no, cosa va aggiustato. A novanta giorni si decide se allargare il sistema ad altri reparti o fermarlo dov’è.

Fase	Durata	Numero principale da fissare
Misurazione situazione attuale	2 settimane	Tempo, costo ed errori del processo di oggi
Decisione sul ruolo dell’AI	1 settimana	Investimento totale previsto
Prova rapida	3-4 settimane	Precisione raggiunta vs precisione minima richiesta
Decisione formale	1 settimana	Costo pieno vs risparmio previsto
Costruzione	6-8 settimane	Passaggi del processo eliminati, tempo per unità di lavoro
Verifica dopo il lancio	30, 60 e 90 giorni	Costo per operazione, margine, precisione che tiene nel tempo

Dove sono le aziende italiane oggi nel misurare il ROI dell’AI?

Il Politecnico di Milano nel report 2026 divide le aziende italiane in tre gruppi. Il 26% sono quelle che chiamano “mature”: hanno integrato l’AI nei processi che contano per il bilancio, hanno regole interne, numeri da controllare e persone dedicate. Il 49% sono quelle “in sperimentazione”: progetti pilota in corso, qualche integrazione parziale, ma niente di strutturale. Il 25% sono quelle “alle prime armi”: uso individuale di ChatGPT o simili, senza una strategia aziendale.

Quello che distingue le aziende mature da quelle in sperimentazione non è il budget. È che hanno deciso di misurare. Il 51% delle aziende italiane mature ha fissato indicatori specifici di performance, il 49% segue le variazioni di produttività dei dipendenti, il 43% misura i benefici non finanziari, il 35% calcola un risparmio vero. Sono i dati Deloitte 2026.

Tradotto: se la tua azienda è ancora in fase di sperimentazione, il limite probabilmente non è la tecnologia. È che nessuno sta misurando in modo sistematico cosa funziona e cosa no. La buona notizia è che è il problema più facile da risolvere, perché non richiede tecnologia in più ma disciplina in più.

Quattro esempi pratici: come misurare il ROI per tipologia di azienda?

Per chiudere il cerchio, ecco come si traducono i numeri generici in quattro situazioni concrete che ho visto in clienti italiani negli ultimi mesi.

Studio professionale (commercialisti, avvocati, consulenti del lavoro). Numeri utili: tempo medio per pratica, numero di pratiche per professionista al mese, errori formali intercettati prima del cliente. Esempio reale: uno studio di 12 persone ha automatizzato l’estrazione dati da fatture e bilanci. Il tempo per pratica è sceso da 45 a 18 minuti, gli errori formali dimezzati. Investimento iniziale: ottomila euro. Ritorno in cinque mesi.

Servizio clienti di un’azienda che vende ai consumatori. Numeri utili: tempo medio per chiudere una richiesta, percentuale di richieste risolte al primo contatto, costo per richiesta. Un cliente del settore retail ha messo un assistente AI sulle richieste ricorrenti. Il 42% delle richieste si chiude senza intervento umano, e quelle che restano si risolvono in un tempo medio sceso del 35%. Costo per richiesta dimezzato, soddisfazione del cliente in linea con prima.

Produzione industriale. Numeri utili: ore di fermo macchina, percentuale di pezzi scartati al controllo qualità, costo della manutenzione. La manutenzione predittiva con AI riduce i fermi imprevisti del 20-35% nei settori dove i dati di funzionamento delle macchine esistono già. Senza dati storici, il sistema non parte. Investimento iniziale alto, ritorno fra il dodicesimo e il diciottesimo mese.

E-commerce e servizi digitali. Numeri utili: percentuale di visitatori che acquistano, valore medio dell’ordine, costo per acquisire un cliente, percentuale di carrelli abbandonati. Personalizzazione dei suggerimenti di prodotto, gestione automatica delle promozioni, prezzi che cambiano in base alla domanda. Qui i ritorni sono veloci ma vanno misurati confrontando due gruppi di clienti messi a paragone: senza un gruppo di confronto, l’effetto dell’AI si confonde con la stagionalità e le campagne pubblicitarie.

In conclusione

Misurare se un progetto AI conviene non è un esercizio da fare alla fine. È una disciplina che inizia prima di approvare il budget e accompagna il progetto per dodici mesi. Le aziende italiane che lo fanno chiudono progetti che pagano. Quelle che non lo fanno si raccontano una storia che il bilancio poi non conferma. La differenza fra un risparmio vero e una sensazione di produttività sta nei numeri di partenza: senza misurazione iniziale, niente confronto; senza confronto, niente risparmio dimostrabile.

Tre cose da fare la settimana prossima, anche se non hai nessun progetto AI in corso:

• Scegli un processo aziendale che vorresti automatizzare e cronometralo su dieci casi reali. Avrai il numero di partenza.
• Conta quanti errori o lavori da rifare quel processo produce oggi. Avrai il punto di riferimento sulla qualità.
• Decidi la precisione minima che un sistema dovrebbe avere per essere usabile. Avrai il criterio per dire “andiamo avanti” o “fermiamo qui”.

Con questi tre numeri in mano, qualsiasi conversazione con un fornitore di AI cambia tono. Smetti di valutare presentazioni e cominci a confrontare proposte sul terreno dei dati che già conosci.

Se vuoi capire quali numeri controllare per il tuo specifico processo, scriveteci: la prima call è gratuita e serve per inquadrare il problema, non per proporvi una piattaforma.

Fonti e approfondimenti

Fonte	Argomento	Link
MIT NANDA via Fortune	Report “State of AI in Business 2025”: 95% dei progetti pilota GenAI non producono ricavi	fortune.com
RAND Corporation	Report “Why AI Projects Fail and How They Can Succeed”	rand.org/RRA2680-1
Gartner	Comunicato 2026 sui progetti AI fermi prima di produrre risparmio	gartner.com
Deloitte Italy	State of AI in the Enterprise 2026, dati su misurazione del valore in Italia	deloitte.com
Osservatori Polimi	Report 2026: aziende italiane mature, in sperimentazione e alle prime armi sull’AI	osservatori.net
AI4Business	Dati Osservatorio Polimi sulle PMI italiane e l’AI	ai4business.it