La risposta breve: essere pronti per l'intelligenza artificiale non significa avere la tecnologia, significa avere dati utilizzabili, processi definiti e un problema che vale la pena risolvere. L'AI readiness è la verifica di queste condizioni prima di investire. In questo articolo trovi le domande che consiglio di farsi — e di farsi in azienda, non davanti alla demo di un fornitore.
Cosa significa davvero "essere pronti per l'AI"
Nelle PMI il percorso tipico è l'opposto di quello corretto: si parte da uno strumento visto a un convegno o proposto da un fornitore, e solo dopo si cerca il problema a cui applicarlo. È il modo più rapido per produrre un pilota che non arriva mai in produzione. La prontezza per l'AI si valuta invece su quattro piani: i dati disponibili, i processi in cui il risultato dovrà entrare, i rischi che l'azienda può accettare e governare, e la capacità organizzativa di adottare il cambiamento. Se una di queste condizioni manca, non è un motivo per rinunciare: è un'informazione su cosa fare prima.
Le domande sui dati
Quasi ogni caso d'uso di AI si regge sui dati che l'azienda già produce. Le domande da farsi sono concrete:
- I dati che servirebbero esistono? Dove si trovano: in un gestionale, in fogli di calcolo, nelle email, nella testa delle persone?
- Sono affidabili? Anagrafiche duplicate, campi compilati in modo diverso da persona a persona e storici incompleti sono la norma, non l'eccezione.
- Sono accessibili? Un dato che esiste ma è chiuso in un sistema senza possibilità di estrazione, ai fini pratici, non esiste.
- Chi ne risponde? Se nessuno è responsabile della qualità di un dato, la qualità peggiora nel tempo.
Nella mia esperienza, la risposta onesta a queste domande sposta spesso la priorità: prima di un progetto AI serve un intervento sui dati o sul processo che li genera. Non è un fallimento della valutazione — è il suo risultato più utile.
Le domande sui processi
Un modello che classifica richieste, estrae dati da documenti o prepara bozze produce valore solo se il suo output entra in un flusso di lavoro reale. Quindi:
- In quale processo entrerebbe il risultato dell'AI? Chi lo usa, in quale momento, per decidere cosa?
- Il processo è definito o dipende da come lavora la singola persona? Automatizzare un processo indefinito ne moltiplica le eccezioni.
- Cosa succede quando l'AI sbaglia? Serve un punto di controllo umano, e va deciso prima, non dopo il primo errore.
- Quanto costa oggi l'attività che si vuole migliorare? Senza una misura di partenza non sarà possibile dire se il progetto ha funzionato.
Se il processo è il vero collo di bottiglia, il primo passo utile spesso non è l'AI: è digitalizzare e semplificare il processo, e solo dopo valutare dove l'automazione intelligente aggiunge valore.
Le domande su rischi e responsabilità
L'AI introduce rischi specifici che una PMI deve poter nominare prima di partire:
- Errori e loro costo: un suggerimento sbagliato in una bozza interna costa poco; un dato sbagliato comunicato a un cliente costa molto. Il caso d'uso va scelto anche in base al costo dell'errore.
- Riservatezza: quali dati escono dall'azienda, verso quali servizi, con quali garanzie contrattuali? Dati personali e dati industriali riservati richiedono valutazioni distinte.
- Dipendenza dal fornitore: cosa succede se il servizio cambia prezzo, condizioni o smette di esistere?
- Responsabilità: chi risponde delle decisioni prese con il supporto dell'AI? La risposta corretta è sempre una persona, non uno strumento.
Le domande su persone e competenze
Ultimo piano, spesso il più trascurato: chi userà questi strumenti, e con quale preparazione? Non serve un data scientist in organico per partire, ma servono tre cose. Un referente interno che segua il tema con continuità, perché un progetto AI delegato interamente a un fornitore resta un progetto del fornitore. Una comprensione di base diffusa tra le persone coinvolte: cosa lo strumento sa fare, cosa non sa fare, quando fidarsi e quando verificare. E una disponibilità reale a cambiare il modo di lavorare, che non si ottiene per email: se il tema dell'adozione in azienda è già critico sui progetti ordinari, con l'AI lo sarà di più.
Dal caso d'uso al pilota
Se dati, processo e rischi reggono l'esame, il passo successivo non è "adottare l'AI in azienda": è scegliere un caso d'uso e verificarlo con un pilota delimitato. Un buon primo caso d'uso ha caratteristiche riconoscibili: un'attività ripetitiva e frequente, un output verificabile da una persona, dati già disponibili, un beneficio misurabile in tempo o errori evitati. Un pilota serio si definisce prima di partire: perimetro, durata, indicatori di successo e — punto quasi sempre dimenticato — i criteri per decidere di fermarsi.
Dal pilota alla produzione
È il passaggio dove la maggior parte dei progetti si perde: il pilota "funziona", ma nessuno ha previsto integrazione con i sistemi esistenti, formazione, gestione delle eccezioni e un owner che risponda del servizio nel tempo. Se il tema ti riguarda, ho dedicato un articolo intero a perché i progetti pilota non arrivano in produzione. La sintesi: la produzione va progettata quando si progetta il pilota, non dopo.
Come usare queste domande
Non serve rispondere perfettamente a tutto: serve rispondere onestamente. Tre esiti sono possibili, e tutti utili. Primo: esiste un caso d'uso maturo, e ha senso partire con un pilota ben definito. Secondo: il caso d'uso c'è ma mancano le condizioni, e allora la priorità diventa prepararle — dati, processo, competenze. Terzo: al momento l'AI non è la risposta al problema più importante dell'azienda, e averlo capito prima di spendere è un risultato, non una rinuncia.
Questa valutazione è esattamente il lavoro che faccio con il servizio di AI readiness e casi d'uso: partire dai problemi reali, non dagli strumenti. Se vuoi capire a che punto è la tua azienda, raccontami come lavorate oggi: un primo confronto basta per orientarsi.