Consulenza AI per aziende: dal progetto al sistema che lavora in produzione

Per un'azienda, la consulenza AI ha valore solo se si conclude con un sistema che lavora ogni giorno sui processi reali, con dati reali e utenti reali. Workshop, analisi di maturità e prototipi sono passaggi utili, ma non costituiscono il risultato: sono costi sostenuti in vista di un risultato.

La distinzione sembra ovvia, eppure molte proposte commerciali la sfumano. Si vendono roadmap, studi di fattibilità e dimostrazioni, mentre si rimanda a una fase successiva, spesso mai finanziata, il lavoro che produce effetti misurabili: l'integrazione con i sistemi esistenti, la gestione delle eccezioni, la formazione degli utenti, il monitoraggio nel tempo.

Il criterio che Le proponiamo è semplice. Ogni proposta di consulenza va giudicata dal sistema che lascerà in esercizio e dalla metrica con cui se ne misurerà l'effetto. Se una delle due cose manca, la proposta descrive un'attività, non un investimento.

Nelle sezioni che seguono trova il contesto del mercato italiano, i motivi per cui molti progetti si fermano prima della produzione, un caso con numeri verificabili, gli obblighi normativi da mettere in conto e un metodo pratico per valutare un fornitore prima di firmare.

Secondo i dati dell'Osservatorio Artificial Intelligence del Politecnico di Milano, riportati in una guida di settore, il mercato italiano dell'intelligenza artificiale ha raggiunto 1,8 miliardi di euro nel 2025, con una crescita del 50% sul 2024. Nel 2024 il valore era di 1,2 miliardi, con un aumento del 58% sull'anno precedente.

La composizione della spesa è significativa: il 46% del valore riguarda soluzioni di AI generativa o progetti ibridi, mentre il 54% resta AI tradizionale basata su machine learning. In altre parole, gli assistenti basati su modelli linguistici non hanno sostituito i sistemi predittivi e di classificazione, ma si affiancano a essi.

Il dato più rilevante per chi guida una piccola o media impresa è però un altro. Secondo l'Istat, nel 2025 il 15,7% delle PMI italiane con almeno 10 addetti utilizzava almeno una tecnologia di intelligenza artificiale, contro il 53,1% delle grandi imprese. Il divario è superiore a tre volte.

Questi numeri indicano due cose. La prima è che la spesa cresce rapidamente, quindi l'offerta di consulenza si moltiplica e diventa più difficile distinguere tra fornitori. La seconda è che la maggior parte delle PMI non ha ancora un sistema AI in uso: per loro la domanda utile non è se sperimentare, ma come arrivare al primo sistema in produzione senza disperdere il budget in fasi preliminari.

Fra le imprese italiane che hanno valutato l'AI senza adottarla, secondo i dati Istat citati nella stessa guida, la mancanza di competenze adeguate è l'ostacolo più indicato, dal 58,6%. Seguono la carenza di chiarezza legislativa, al 47,3%, e i costi elevati, al 43,0%. A livello europeo, Eurostat rileva le competenze come ostacolo nel 70,9% delle imprese nella stessa condizione e la scarsa chiarezza normativa nel 52,5%.

Questi ostacoli spiegano perché molti progetti si arenano dopo la prima dimostrazione. Un proof of concept, cioè un prototipo che permette di verificare la fattibilità tecnica e il valore di business con un investimento contenuto prima di un'implementazione su larga scala, è uno strumento legittimo. Il problema nasce quando il prototipo diventa il prodotto finale della consulenza.

Anche fornitori che vendono consulenza strategica riconoscono il rischio: senza una visione e una roadmap chiara si investe in progetti che non portano valore o non si integrano con gli obiettivi aziendali. Ma una roadmap, da sola, non risolve la carenza di competenze interne. La risolve un sistema costruito insieme al fornitore, consegnato con documentazione e affidato a persone che sanno gestirlo.

Per questo conviene definire fin dall'inizio un criterio di uscita dal prototipo: quale soglia di risultato giustifica il passaggio in produzione e chi decide.

Nelle pagine commerciali sulla consulenza AI circolano spesso percentuali molto precise di aumento dell'efficienza o di riduzione dei costi, presentate senza indicare fonte, campione o periodo di misurazione. Lo stesso accade per i presunti miglioramenti nella precisione dell'analisi dei dati, espressi con cifre tonde e senza riferimenti verificabili.

Numeri di questo tipo non sono necessariamente falsi, ma non sono verificabili e non dicono nulla sulla Sua azienda. Non indicano il processo, il campione, il periodo di misurazione né il punto di partenza. Una media di settore, anche se corretta, non sostituisce una misura fatta sul Suo flusso di lavoro.

Quando valuta un fornitore, chieda risultati con tre caratteristiche:

• Attribuibili: un cliente con nome e cognome, che accetta di essere citato.
• Specifici: una metrica legata a un processo preciso, non un indice generico di efficienza.
• Pubblicati: un documento consultabile, non una slide mostrata in riunione.

Un solo caso con queste caratteristiche vale più di dieci statistiche aggregate, perché Le consente di capire che cosa è stato costruito, su quali sistemi e con quale risultato.

Un esempio concreto è il service desk IT che abbiamo realizzato per Asset Services Group (Message Direct): un assistente basato su Claude che lavora dentro Microsoft Teams, davanti a Zoho Desk, e instrada correttamente al primo tentativo il 99,7% dei ticket, con un guadagno di efficienza del 40%. I dati sono riportati nel caso di studio pubblicato sul service desk in Teams, con la dichiarazione del loro Head of Technology e l'approvazione scritta del cliente.

Il punto interessante non è la tecnologia in sé, ma il tipo di problema scelto. L'instradamento delle richieste è un'attività ripetitiva, ad alto volume e con un esito verificabile: il ticket arriva al gruppo giusto oppure no. Quando arriva al gruppo sbagliato, viene riassegnato, il richiedente aspetta e qualcuno spende tempo solo per spostarlo.

Un problema con queste caratteristiche si presta bene a un primo sistema in produzione per tre ragioni. La metrica è naturale e si misura ticket per ticket. Il sistema di registrazione esiste già, in questo caso l'help desk, quindi l'AI non sostituisce nulla ma si inserisce davanti. Gli utenti non devono imparare un nuovo strumento, perché scrivono dove già lavorano.

La lezione generale è che un buon progetto di consulenza parte da un processo con esito misurabile, non dalla domanda astratta su dove applicare l'intelligenza artificiale.

Un prototipo dimostra che qualcosa è possibile. Un sistema in produzione dimostra che qualcosa funziona tutti i giorni, anche quando i dati sono incompleti e gli utenti scrivono in modo imprevisto. Le differenze pratiche sono quattro.

Vive dove lavorano le persone

Se gli utenti devono aprire un'applicazione separata, l'adozione cala. Un assistente dentro lo strumento di collaborazione già in uso, o dentro il CRM, riduce l'attrito a quasi nulla.

È collegato al sistema di registrazione

L'AI deve leggere e scrivere nel sistema che fa fede: l'help desk, il gestionale, il CRM. Un assistente che produce testo da copiare a mano in un altro sistema è una dimostrazione, non un'integrazione.

Ha una metrica definita prima

La soglia di successo si stabilisce prima dello sviluppo, con una misura di partenza. Senza questa base qualunque risultato può essere presentato come un miglioramento.

Ha un responsabile e un piano per gli errori

Ogni sistema sbaglia in una percentuale di casi. In produzione deve esistere un percorso chiaro per quei casi: chi li riceve, come vengono corretti, come la correzione migliora il sistema nel tempo.

La tabella seguente riassume come cambiano le domande di verifica passando da un prototipo a un sistema in esercizio. È utile come traccia per la negoziazione del contratto.

Per un processo di assistenza, gli indicatori tipici sono la percentuale di richieste instradate correttamente al primo tentativo, il numero di riassegnazioni, il tempo di presa in carico e il tempo di chiusura. In ambito commerciale si misurano, per esempio, i tempi di risposta ai contatti e la completezza dei dati inseriti nel CRM.

Qualunque sia l'indicatore, conviene misurarlo per alcune settimane prima dell'avvio. Senza la base di partenza non è possibile attribuire al sistema alcun miglioramento, e la discussione sul ritorno dell'investimento resta un confronto tra opinioni.

Un sistema in produzione è soggetto a obblighi più ampi di un prototipo di laboratorio, ma anche un prototipo che tratta dati personali reali deve rispettare il GDPR. L'AI Act, il Regolamento UE 2024/1689, è in vigore dal 1 agosto 2024 e si applica in modo progressivo. Dal 2 febbraio 2025 sono operativi i divieti sulle pratiche a rischio inaccettabile e l'obbligo di alfabetizzazione AI per il personale; dal 2 agosto 2025 si applicano gli obblighi per i modelli di AI per finalità generali.

Gli obblighi per i sistemi ad alto rischio dell'Allegato III sono stati rinviati al 2 dicembre 2027 dal regolamento (UE) 2026/1744, il cosiddetto Digital Omnibus, pubblicato il 24 luglio 2026 ed entrato in vigore il 27 luglio 2026. Le sanzioni massime arrivano a 35 milioni di euro o al 7% del fatturato mondiale annuo per le pratiche vietate, a 15 milioni o al 3% per gli altri obblighi e a 7,5 milioni o all'1% per informazioni false fornite alle autorità; per le PMI si applica il minore dei due importi.

Sul piano nazionale, la Legge 23 settembre 2025, n. 132 è entrata in vigore il 10 ottobre 2025 e designa AgID e ACN come Autorità nazionali per l'intelligenza artificiale. La stessa legge autorizza inoltre investimenti fino a 1 miliardo di euro, tramite strumenti di venture capital, in PMI e startup innovative attive nell'intelligenza artificiale e in settori collegati.

In attuazione della delega dell'articolo 24, il Governo ha adottato il decreto legislativo 9 settembre 2026, n. 160, pubblicato in Gazzetta Ufficiale il 15 settembre 2026, che introduce tra l'altro nuove ipotesi di responsabilità degli enti ai sensi del D.Lgs. 231/2001; un secondo decreto, sui poteri delle Autorità nazionali e sull'uso dell'AI nella formazione, era ancora in esame alla data di questo articolo. Per una panoramica aggiornata può consultare la nostra pagina sul quadro normativo AI in Italia.

In pratica, chi mette un sistema AI nelle mani dei propri dipendenti deve adottare misure a sostegno della loro alfabetizzazione in materia di AI, come prevede l'articolo 4 dell'AI Act nella versione modificata dal Digital Omnibus: la formazione degli utenti è il modo più diretto per farlo e fa parte del progetto, non è un extra.

Prima di firmare, conviene porre al fornitore alcune domande precise e chiedere risposte scritte. Le risposte dicono molto più delle presentazioni.

1. Quale sistema resterà in esercizio alla fine dell'incarico? La risposta deve nominare un processo, uno strumento di lavoro e un sistema di registrazione.
2. Con quale metrica si misurerà il risultato, e qual è la base di partenza? Un fornitore serio propone di misurare prima di sviluppare.
3. Quali integrazioni sono incluse nel prezzo? Collegamenti a CRM, help desk o gestionale sono spesso la voce più onerosa e la più rimandata.
4. Chi gestisce gli errori dopo l'avvio? Serve un percorso definito, con tempi di intervento.
5. Quali casi pubblicati, con cliente nominato, può mostrare? Contano i casi attribuibili, non le statistiche aggregate.
6. Come viene gestita la formazione degli utenti? Oltre che utile, è il modo più diretto per adottare le misure a sostegno dell'alfabetizzazione in materia di AI del personale previste dall'articolo 4 dell'AI Act.

Il settore conta. Un'azienda manifatturiera ha processi e sistemi diversi da uno studio professionale: se opera nell'industria, può partire dagli esempi raccolti nella pagina sull'intelligenza artificiale per aziende di produzione, mentre per gli studi contabili sono più pertinenti i casi d'uso per commercialisti. Un fornitore che non chiede come funziona il Suo processo prima di proporre una soluzione sta vendendo uno strumento, non una consulenza.

Se sta valutando un progetto di intelligenza artificiale, può procedere in questo ordine, anche prima di contattare qualunque fornitore.

1. Scelga un processo con esito verificabile. Richieste in entrata da smistare, documenti da classificare, dati da estrarre: attività ripetitive in cui il risultato è giusto o sbagliato.
2. Misuri la situazione attuale. Per alcune settimane registri volumi, tempi ed errori. Sarà la base per valutare qualunque proposta.
3. Identifichi il sistema di registrazione. Stabilisca dove i dati devono essere letti e scritti, e dove lavorano gli utenti ogni giorno.
4. Verifichi il livello di preparazione interna. La valutazione di prontezza all'AI aiuta a capire quali competenze e quali dati mancano prima di iniziare.
5. Definisca la soglia di uscita dal prototipo. Metta per iscritto quale risultato giustifica il passaggio in produzione e chi prende la decisione.
6. Pianifichi formazione e gestione degli errori. Sono parte del progetto e, per la formazione, il modo più concreto di adottare le misure a sostegno dell'alfabetizzazione in materia di AI già richieste dall'articolo 4 dell'AI Act.

Per un quadro più ampio sulle aree in cui l'AI si applica con maggiore probabilità di risultato, può consultare la guida su come ogni azienda può usare l'AI. Con questi elementi in mano, ogni proposta di consulenza potrà essere confrontata sullo stesso metro: il sistema che lascia in esercizio e la metrica che lo misura.