Il 95% dei pilot AI che non arriva in produzione viene letto come prova che l’AI sia gonfiata. È la diagnosi sbagliata. Nelle stesse settimane in cui circolava quel numero, quattro tra i maggiori fornitori di modelli hanno impegnato circa 9 miliardi di dollari: non per addestrare qualcosa di più potente, ma per mettere persone dentro le aziende dei clienti.
Se il collo di bottiglia fosse la qualità del modello, quel denaro andrebbe in ricerca. Va invece nel deployment: workflow reali, storico delle decisioni, i giudizi impliciti che non compaiono in nessun dataset di training. È lì che il pilot muore, non nel modello.
Un sistema che non sa come lavora davvero quell’azienda produce output plausibili e inutili. La distanza tra un progetto che regge e uno che viene spento non è la brillantezza delle risposte in astratto, ma quanto contesto specifico l’AI porta con sé: come gira il business, che aspetto ha una risposta corretta su quei sistemi, come si innesta in ciò che esiste già. È questo che rende un’AI affidabile, non il benchmark del modello.
Le installazioni che oggi funzionano sono pod da tre o quattro persone per cliente. Non scala. E quando Accenture, il più grande system integrator al mondo, rilancia la propria offerta attorno a ingegneri “forward-deployed”, il segnale è che il valore si è spostato: fuori dal modello, ormai commodity, dentro lo strato che lo installa e il contesto su cui gira.
La direzione quindi non è cercare le persone dieci volte più brave, la caccia degli ultimi cinquant’anni. È dare a ciascuno l’agente che quel contesto se lo porta dietro, documentato e riusabile. Il modello non è mai stato il vantaggio.
