Il 95% dei modelli di IA che le aziende costruiscono non arriva mai in produzione
Il direttore tecnologico di una grande corporation globale ha raccontato di recente ad Abhijit Kakhandiki, vicepresidente senior di BMC Software, qualcosa che riassume lo stato del mercato con una precisione scomoda: i suoi team di data science avevano costruito più di 200 modelli di intelligenza artificiale. Meno di dieci erano in produzione.
Un tasso di conversione inferiore al cinque per cento. Non in una piccola impresa che sperimenta con nuova tecnologia, ma in un'organizzazione dotata delle risorse, del talento e della pressione competitiva necessari per farlo bene. Il numero non è un'anomalia: è il pattern.
McKinsey lo ha confermato nella sua indagine globale del 2025: sebbene l'uso dell'IA fosse diffuso, appena un terzo delle organizzazioni aveva iniziato a scalare i programmi di intelligenza artificiale in modo trasversale. Gartner, nel frattempo, proiettava una spesa globale in IA di circa 2,59 bilioni di dollari nel 2026, un incremento del 47 per cento rispetto all'anno precedente. Il denaro continua a fluire. La produzione, no.
Questa contraddizione è il caso di studio che merita attenzione, perché non indica un problema di talento né di tecnologia. Indica qualcosa di più difficile da ammettere per chi guida questi investimenti.
L'esperimento più costoso del mercato non ha un responsabile del risultato
La narrativa dominante sull'IA aziendale continua a ruotare attorno ai modelli: quanto sono precisi, quale architettura utilizzano, quanti parametri hanno. Le conversazioni tecniche sono sofisticate. Ciò che manca, spesso, è una risposta chiara a una domanda molto più elementare: quale indicatore di business migliorerà questo sistema e di quanto?
Kakhandiki documenta un caso che si ripete senza variazioni: un team costruisce una soluzione di IA generativa con pipeline di recupero aumentata, database vettoriali con aggiornamento periodico e modelli messi a punto. Quando viene chiesto quale metrica di business stia migliorando, non c'è una risposta concreta. Mesi dopo, con un investimento significativo accumulato, il sistema è ancora in fase pilota.
Il problema non è la tecnologia. È che nessuno ha definito la soglia di successo prima di costruire alcunché.
"Migliorare la produttività" è la risposta che si sente più spesso quando si chiede quella soglia. Ma un modello che aumenta la precisione di una classificazione di cinque punti percentuali non ha valore di per sé. Quel valore emerge quando lo si può tradurre in tempo di ciclo ridotto, in costo operativo evitato, in un tasso di inadempienza degli accordi di servizio che smette di verificarsi. Senza questa traduzione, il pilota non ha argomenti per diventare un'operazione.
Gartner ha identificato una correlazione rilevante: le organizzazioni con maggiore maturità nell'IA sono, in modo costante, quelle che definiscono le proprie iniziative in funzione del valore di business e della fattibilità tecnica prima di costruire, non dopo. Questa inversione dell'ordine delle decisioni — prima il risultato, poi l'architettura — è ciò che distingue chi scala da chi accumula progetti stagnanti.
Il divario tra il modello che funziona in un ambiente controllato e il sistema che gira in produzione non è prevalentemente tecnico. È organizzativo. Manca un responsabile del risultato. Manca una metrica che obblighi a prendere una decisione. Manca, in molti casi, la domanda se qualcuno pagherebbe per quel risultato se dovesse farlo.
Fidarsi di un sistema che non sa spiegare se stesso ha un limite operativo preciso
Esiste un secondo meccanismo di blocco che opera in parallelo e che non ha una soluzione tecnica semplice: le organizzazioni non distribuiscono ciò che non riescono a controllare.
Quando un modello nega una richiesta di credito, la banca deve essere in grado di rispondere con precisione quali dati ha utilizzato, quale versione del modello era in esecuzione in quel momento, come si è arrivati a quella raccomandazione e chi ha approvato quel processo. Non come esercizio di trasparenza volontaria, ma perché framework come la Legge sull'IA dell'Unione Europea e il Framework di Gestione del Rischio IA del NIST lo richiedono in modo esplicito. La tracciabilità e la spiegabilità hanno smesso di essere caratteristiche opzionali e sono diventate condizioni operative.
L'errore che si ripete è trattare la governance come uno strato da aggiungere quando il modello è pronto per la produzione. Questo non funziona. La lineage di dati e modelli, il monitoraggio della deriva statistica, i meccanismi di rilevamento dei bias: nulla di tutto ciò può essere costruito retroattivamente con la stessa solidità che avrebbe se facesse parte del progetto fin dall'inizio.
Gartner sottolinea che le organizzazioni con elevata maturità nell'IA hanno maggiori probabilità di riferire che le loro unità di business si fidano dei sistemi distribuiti e sono disposte a utilizzarli. La fiducia non è una conseguenza automatica del fatto che il modello funzioni bene nelle metriche di prestazione. È il risultato della possibilità di verificare ogni decisione presa da quel modello.
Un fornitore di servizi sanitari con cui ha lavorato il team di BMC ha scelto deliberatamente un modello meno preciso perché era spiegabile ai medici che dovevano agire in base alle sue raccomandazioni. Quella decisione ha accelerato l'adozione e ha consentito il dispiegamento completo. I modelli più precisi ma opachi sono rimasti in fase pilota. La precisione tecnica ha perso di fronte alla capacità di essere verificata.
La vera soglia di produzione non è l'accuratezza del modello. È se qualcuno all'interno dell'organizzazione può firmare sotto ogni decisione che quel modello prende, con le informazioni disponibili per farlo.
Questo richiede che il monitoraggio della produzione giri in parallelo con l'inferenza. Che il rilevamento della deriva statistica e dei bias non sia un processo periodico ma continuo. Che ogni esecuzione lasci un registro collegato ai dati di addestramento e al processo di sviluppo che l'ha originata. Quando questa catena si spezza, il sistema cessa di essere affidabile indipendentemente dalle sue prestazioni medie.
Integrare un modello nel business non significa collegare un'API
L'ultima barriera è quella che sorprende di più chi proviene dal mondo dello sviluppo di modelli, perché si manifesta quando tutto il resto già funziona. Il modello è preciso, sa spiegarsi, supera i controlli di governance. Eppure il business continua a non migliorare.
Un'organizzazione di servizi finanziari ha implementato un modello di IA all'interno del proprio flusso di elaborazione delle transazioni. Il modello ha operato esattamente come era stato progettato. Ma il servizio di IA non era incorporato nel framework degli accordi sul livello di servizio dell'azienda. Le scadenze concordate con i clienti non sono state rispettate. Il modello ha avuto successo. Il sistema ha fallito.
Questo caso illustra il problema con chiarezza: introdurre l'IA come una capacità autonoma invece di integrarla nella struttura operativa dell'impresa produce esattamente questo risultato. Il modello fa la sua parte. L'azienda non riesce a sostenere l'operazione intorno a esso.
I leader che sono arrivati alla produzione su larga scala formulano fin dall'inizio un insieme diverso di domande. Come orchestra il sistema di IA con i processi batch e i sistemi di business che già sostengono l'operazione. Come si garantiscono la disponibilità, il ripristino da guasti e la chiara titolarità sui processi concatenati. Come si gestiscono costo, prestazioni e scala quando l'inferenza e gli agenti autonomi girano senza interruzione.
La risposta che funziona tratta l'IA in produzione esattamente come si tratta qualsiasi altra capacità critica del business: con le stesse discipline di orchestrazione, gestione degli accordi di servizio, governance, monitoraggio e controllo dei costi. Non come qualcosa di separato che si collega al business, ma come un'estensione dell'infrastruttura di automazione di cui l'organizzazione si fida già.
Questo diventa ancora più urgente man mano che i sistemi di IA evolvono da modelli passivi verso agenti in grado di raccomandare, avviare ed eseguire azioni. Ogni incremento di autonomia eleva il requisito di supervisione, capacità di verifica e meccanismi di controllo. Un agente che può eseguire non può operare senza le stesse garanzie di qualsiasi sistema che tocca denaro, dati di clienti o impegni esterni.
Il vantaggio competitivo sta nell'operazione, non nel modello
Il pattern che separa le organizzazioni che scalano da quelle che accumulano piloti non è il modello più sofisticato né il team di data science più numeroso. È la decisione di trattare l'IA come infrastruttura di business con le stesse esigenze di qualsiasi altro sistema su cui poggia l'operazione.
Deloitte ha riportato che l'accesso dei lavoratori all'IA è cresciuto del 50 per cento nel 2025 e ha proiettato che il numero di aziende con almeno il 40 per cento dei propri progetti di IA in produzione si sarebbe raddoppiato nei successivi sei mesi. Ma avere un sistema in produzione e avere un sistema integrato nel tessuto operativo del business sono due condizioni distinte. La prima è relativamente facile da raggiungere. La seconda è il luogo in cui il ritorno sull'investimento viene generato o distrutto.
Con una spesa globale in IA proiettata a 3,49 bilioni di dollari per il 2027 secondo Gartner, la pressione per giustificare quell'investimento con risultati misurabili è destinata solo a crescere. Le organizzazioni che hanno più di 200 modelli costruiti e meno di dieci in produzione non hanno un problema di capacità tecnica. Hanno un problema di assegnazione della responsabilità sui risultati, di governance integrata al progetto e di gestione operativa dei sistemi critici.
La conversazione ancora in sospeso in molti C-level non riguarda quale modello scegliere. Riguarda cosa occorre cambiare nel modo in cui l'organizzazione assume titolarità, definisce il successo e sostiene le operazioni, affinché i modelli che già possiede smettano di vivere in fase pilota e comincino a muovere i numeri che contano.
