Dimostrare che un modello AI funziona è la parte facile. È anche la parte su cui si concentra quasi tutto il budget, ed è lì che nasce il problema.
Un pilot è costruito per fare bella figura in un contesto controllato: dati puliti, caso d’uso scelto, qualcuno che lo segue a mano. La produzione chiede l’opposto. Chi risponde quando l’output è sbagliato. Cosa decide la macchina e cosa resta alla persona. Come si misura l’affidabilità quando nessuno la sta più guardando.
Quasi nessun pilot pianifica questo dall’inizio. Così, quando finiscono i fondi, il progetto non muore perché la tecnologia non reggeva: muore perché il percorso dalla prova al lavoro quotidiano non l’aveva disegnato nessuno.
La radice è un errore di categoria: trattare l’AI come un esperimento con una data di scadenza invece che come un ruolo dentro il flusso di lavoro. Un esperimento finisce. Un ruolo si integra, si documenta, ha qualcuno che ne risponde e ha un modo definito per dire quanto è accurato.
Non a caso l’adozione cresce dove le persone sanno con precisione cosa la macchina decide e cosa no. Non è fiducia generica: è la condizione che rende l’output utilizzabile. Senza quel confine ogni risultato va ricontrollato a mano, e allora il pilot non ha tolto lavoro, ne ha aggiunto.
La parte che decide se un sistema AI sopravvive non è il modello. È tutto il lavoro poco spettacolare che nessuno mette a budget.
