Il 95% dei progetti pilota di AI generativa in azienda non ha prodotto alcun ritorno misurabile. Il dato non dipende dalla qualità dei modelli: i pilot che falliscono usano spesso gli stessi strumenti di quelli che funzionano.
Nel marketing la differenza sta nel punto in cui l’AI viene collocata. Un pilot tipico nasce come dimostrazione: si isola un caso, si genera qualcosa che impressiona in riunione, si misura l’entusiasmo invece dell’output su un compito vero. Finita la demo, lo strumento resta scollegato dai dati, dal contesto di brand, dal resto del flusso. Non riceve correzioni, non le trattiene, non migliora.
Il punto non è “l’AI non capisce il nostro tono di voce”. È che nessuno ha definito come si misura se lo capisce. Senza un criterio di accuratezza sul compito — questo testo è pubblicabile senza riscrittura, sì o no — il pilot non ha modo di sapere se sta funzionando. Resta una sequenza di output plausibili che qualcuno sistema a mano ogni volta, da zero.
I pilot che reggono fanno l’opposto: trattano lo strumento come una parte stabile del processo, con accesso al contesto, una traccia delle correzioni ricevute, una metrica che dice quando l’output è affidabile. Non è un esperimento da chiudere, è un pezzo di flusso che si integra e si misura.
La maggior parte dei pilot non fallisce perché l’AI non era pronta. Fallisce perché è stata pensata per impressionare, non per lavorare.
