Lo studio MIT più citato di quest’anno dice che il 95% dei pilot AI non arriva in produzione. Il dettaglio che quasi nessuno riporta è dove si fermano: non sul modello, ma prima, sui dati.
Intanto il capitale si muove nella direzione opposta. Miliardi impegnati per mettere ingegneri dentro i team dei clienti, come se il collo di bottiglia fosse l’integrazione. Ma chi collega il modello non è il punto debole della catena. Lo è lo stato dei dati che quel modello dovrebbe leggere: sparsi, non etichettati, senza un ground truth su cui misurare se una risposta è giusta o inventata.
Un pilot si blocca per due cause che vengono prima di qualsiasi scelta tecnologica. Dati non pronti. E use case scelti perché reggono in una demo, non perché spostano un numero che qualcuno in azienda guarda davvero.
Da qui la domanda che andrebbe fatta per prima e che di solito arriva ultima: chi mette in ordine i dark data? Senza dati misurabili non c’è accuracy da valutare, e senza accuracy misurata non c’è affidabilità. C’è una demo che regge finché non la guardi da vicino.
Il lavoro vero non è il deploy. È la bonifica lenta dei dati e il trasferimento di competenze che la accompagna: mesi, non uno sprint. Chi vende integrazione ha l’incentivo a chiudere un traguardo e passare oltre. L’adozione, invece, o gira come un ciclo che si alimenta o non gira.
Nessuna strategia AI parte dal modello. Parte da cosa sai misurare.
