Lo stesso modello, dentro due aziende, produce risultati opposti. Non è un paradosso: è la prova che il collo di bottiglia dell’adozione non sta nella tecnologia.
Quando un progetto AI fallisce, raramente fallisce il modello. Falliscono le condizioni intorno: un problema definito male, processi che nessuno ha mai mappato, dati che non esistono o di cui non ci si fida, persone messe davanti allo strumento senza essere coinvolte. Sono problemi di pianificazione, non di intelligenza artificiale.
La differenza tra chi ottiene risultati e chi no è una sola: aver ridisegnato il modo in cui il lavoro viene fatto, invece di appoggiare l’AI sopra il processo esistente e sperare. Aggiungere uno strumento senza toccare il flusso non sposta l’ago.
C’è poi una ragione strutturale. Il software tradizionale dà output prevedibili; un sistema AI dà probabilità. Cambia come lo testi, come misuri se funziona, quanto dura il progetto. Non c’è una riga d’arrivo: c’è l’accuracy che misuri e correggi di continuo, perché è quella a decidere se il sistema è affidabile.
E le eccezioni non spariscono man mano che il modello migliora. Anomalie, casi limite, decisioni che richiedono giudizio restano lì. Tenere una persona nel ciclo non è una toppa in attesa di un modello migliore: è il punto in cui il giudizio umano pesa più dell’automazione.
Comprare la licenza è la parte facile. Il lavoro vero è ridisegnare i processi intorno allo strumento, ed è la parte che quasi nessuno fa.
