Innovaway, l’AI non è la soluzione per ogni processo

L’intelligenza artificiale non è la soluzione universale per ogni processo aziendale

L’intelligenza artificiale è ormai una tecnologia irrinunciabile per le organizzazioni, ma il suo utilizzo indiscriminato rischia di produrre più danni che benefici. È questa la tesi al centro di una riflessione firmata da Sergio Ajani, Service & Solution Design Director di Innovaway, che invita le aziende a un approccio più selettivo e maturo nell’adozione dell’AI, superando la fase di hype che ne ha caratterizzato la diffusione iniziale.

Secondo Ajani, l’adozione dell’intelligenza artificiale è ancora troppo spesso guidata dalla paura di restare indietro rispetto ai concorrenti, più che da una reale valutazione del valore che può generare in uno specifico caso d’uso. “Non adottarla viene percepito come un rischio reputazionale, quasi un segnale di arretratezza”, si legge nella riflessione, che punta il dito anche contro una narrazione di mercato che presenta l’AI come tecnologia universale, capace di risolvere ogni tipo di esigenza.

Il cambio di prospettiva necessario: dal “quanta AI” al “dove serve”

Il punto di partenza per un’implementazione consapevole, spiega Ajani, richiede un cambiamento radicale nell’approccio: non bisogna chiedersi “quale e quanta AI si può integrare”, ma “serve l’AI, quale AI serve, dove, e per fare cosa”. Un principio che, per quanto semplice da enunciare, risulta complesso da applicare perché richiede alle organizzazioni di ragionare per processi prima ancora che per tecnologie, resistendo alla pressione del mercato.

Gli effetti collaterali di un’adozione indiscriminata

Applicare l’intelligenza artificiale senza criterio comporta conseguenze concrete su più livelli, spesso invisibili fino a quando non si manifestano economicamente. Il primo effetto riguarda l’efficacia stessa della soluzione: un modello di AI generativa applicato a un processo per cui non è lo strumento adeguato non produce un beneficio ridotto, ma introduce complessità, richiede verifica umana e allunga i tempi anziché comprimerli.

I dati confermano questa tendenza. Secondo lo studio “The GenAI Divide: State of AI in Business 2025” del MIT, condotto su oltre 300 implementazioni aziendali, il 95% dei progetti pilota di AI generativa non ha prodotto un impatto misurabile sul conto economico, non per la qualità dei modelli, ma per un approccio di adozione errato.

Ajani porta un esempio emblematico: impiegare un modello generativo per ordinare centomila nominativi in un database, quando un algoritmo di sorting risolverebbe il problema in una frazione di secondo, con consumo computazionale irrisorio e risultato deterministico. “Applicarvi un LLM significa introdurre latenza, costo di inferenza e un margine di errore che un algoritmo classico non conosce, per un’operazione che non richiede alcuna comprensione del linguaggio né alcuna capacità generativa”, si legge nel testo.

Il caso degli agenti AI e le previsioni di Gartner

Lo stesso errore di prospettiva si ripete, amplificato, con gli agenti AI, la cui capacità di orchestrare autonomamente più passaggi di un processo viene spesso applicata a flussi di lavoro lineari e prevedibili, gestibili con la stessa efficacia da un’automazione tradizionale. Un esempio citato riguarda l’estrazione e l’inserimento di dati da documenti standard in un gestionale: un compito sequenziale per cui un flusso RPA tradizionale garantirebbe lo stesso risultato con tempi inferiori ed esito completamente deterministico.

Non sorprende quindi che Gartner preveda la cancellazione di oltre il 40% dei progetti di AI agentica entro la fine del 2027, per costi fuori controllo, valore di business poco chiaro o controlli di rischio inadeguati. Come osserva l’analista Anushree Verma, molti casi gestiti con agenti AI non richiederebbero affatto un’implementazione agentica.

In questi scenari il ritorno sull’investimento si rivela spesso inferiore alle attese, quando non negativo, perché ai costi di implementazione si sommano quelli, meno visibili ma concreti, della gestione di errori ed eccezioni che il sistema non è progettato per trattare. Un fenomeno che alimenta quella che Gartner definisce fase della “Disillusione”, ovvero il momento in cui l’AI non riesce a soddisfare aspettative iniziali eccessivamente enfatizzate.

I costi economici e ambientali di un’AI applicata senza criterio

Il secondo effetto collaterale evidenziato da Ajani è di natura economica. Ogni istanza di AI attivata senza una reale necessità applicativa genera costi di elaborazione, storage e manutenzione che si accumulano secondo logiche di consumo difficili da prevedere, a differenza di un investimento infrastrutturale tradizionale il cui costo è noto fin dal primo giorno.

Il terzo effetto, sempre più al centro del dibattito, riguarda l’impatto ambientale. L’addestramento e l’inferenza dei modelli di intelligenza artificiale richiedono potenza di calcolo che si traduce in consumo energetico, idrico e di suolo legato alla costruzione dei data center, con impatti destinati a crescere in proporzione diretta a un uso non selettivo della tecnologia.

Un criterio di selezione, non un limite all’innovazione

Ajani chiarisce che affermare che l’AI vada usata “solo dove serve” non significa frenarne l’adozione, ma renderla sostenibile nel tempo, selezionando con metodo un numero limitato di casi d’uso ad alto impatto, misurandone gli effetti con indicatori chiari fin dall’inizio e ampliandone il perimetro solo dopo aver validato il ritorno.

Il criterio fondamentale, secondo l’esperto, è chiedersi se un processo abbia davvero un problema che l’intelligenza artificiale, in una qualunque delle sue forme, dal machine learning classico agli algoritmi predittivi fino ai modelli generativi e agli agenti autonomi, possa risolvere meglio di un’automazione tradizionale, di un algoritmo, di una riorganizzazione delle attività o semplicemente di una persona.

“Nell’era dell’AI, partire dalla tecnologia in cerca di un problema da risolvere, o peggio, pensare che queste tecnologie possano generare benefici a qualsiasi processo, resta un errore di metodo diffuso”, sottolinea Ajani. “È lo use case a dover guidare la scelta tecnologica, non il contrario. Quando in un progetto la prima domanda che ci si pone è ‘quale AI vogliamo usare’ anziché ‘l’AI può risolvere questo problema’, il progetto parte già con il piede sbagliato”.

La conclusione della riflessione è netta: non tutto ciò che può essere digitalizzato e automatizzato con un modello, generativo o agentico, deve esserlo, e non sempre il costo di implementazione, manutenzione e governance di una soluzione AI viene ripagato dal beneficio atteso. “La capacità di dire anche ‘no’ a queste tecnologie, oltre che saperle usare, è oggi il vero indicatore di maturità digitale di un’organizzazione”, conclude Ajani.