Il dato del MIT NANDA circola da mesi e continua a fare impressione: a fronte di investimenti stimati tra 30 e 40 miliardi di dollari in AI generativa, circa il 95% delle organizzazioni non registra un ritorno misurabile. La spiegazione più diffusa, cioè che i modelli non siano ancora abbastanza buoni, è quasi certamente sbagliata.
Il problema sta nella costruzione dei business case. La stragrande maggioranza calcola il costo del progetto come costo delle licenze, eventualmente sommando qualche giornata di consulenza iniziale. È una stima che ignora sistematicamente le voci che poi determinano l'esito.
Le più pesanti sono quattro. L'integrazione con i sistemi esistenti, che raramente è configurazione e quasi sempre è sviluppo. La preparazione dei dati, cioè trovarli, ripulirli, strutturarli e mantenerli aggiornati: nelle esperienze reali è la voce dominante. La gestione del cambiamento, perché uno strumento che nessuno usa ha ROI negativo per definizione. E la manutenzione continuativa, dato che modelli, prompt e integrazioni invecchiano rapidamente.
Sul lato dei benefici l'errore speculare è contare le ore risparmiate come se fossero denaro. Un'ora liberata a un professionista diventa valore solo se quell'ora viene reinvestita in qualcosa di più utile. Se il tempo risparmiato si disperde, il beneficio esiste sulla slide e non nel conto economico.
Un business case AI credibile misura poche cose e le misura davvero: baseline prima dell'introduzione, indicatori definiti insieme a chi svolge il lavoro, rilevazione a tre e sei mesi. Meno ambizioso di quelli che circolano nelle presentazioni, molto più difficile da smentire.