Quando un pilot di AI “fallisce”, quasi sempre ha funzionato: ha fatto l’unica cosa utile, cioè misurare quanto sono pronti i tuoi dati, e la risposta non è piaciuta.
Il modello raramente è la variabile. Prendi un pilot che non rende, sostituisci il modello con uno di frontiera, e il risultato non si muove: il collo di bottiglia non era lì. Era nei dati che il sistema legge — tagging incoerente, versioni non tracciate, la “versione buona” di un file che vive nella testa di qualcuno e in nessun campo strutturato.
Per questo la diagnosi pesa più dello strumento. Un modello lo cambi in un pomeriggio. Una disciplina del dato — chi possiede cosa, quale versione è quella corrente, come si nomina — è il lavoro che nessuno ha fatto per anni, perché le persone “sapevano e basta”.
Un agente non sa e basta. Legge quello che è scritto. Nel momento in cui gli affidi un compito ti costringe a rendere esplicito e documentato ciò che prima era conoscenza tacita: la versione corrente diventa un campo, non un’intuizione condivisa a voce. È qui che il pilot fa male — non perché il modello è debole, ma perché mostra quanto poco del tuo processo è leggibile da qualcosa che non sei tu.
L’accuratezza non è una proprietà del modello, è una proprietà della catena: dato strutturato, ownership chiara, standard costanti. Il modello è l’ultimo anello, non il primo. Chi tratta l’AI come aggiornamento tecnologico sta misurando la cosa sbagliata.
