Assessment AI aziendale: cosa valuta un partner prima del progetto

Quando un’azienda decide di mettere un agente AI dentro un processo reale, la parte che sembra burocrazia è quasi sempre quella che decide l’esito. Prima del contratto, prima del kickoff, prima di scegliere un modello, un fornitore serio chiede due-tre settimane per guardare dentro: come lavorano le persone, dove stanno i dati, con quali sistemi bisogna parlare, chi risponde quando qualcosa va storto. Quella fase si chiama assessment AI aziendale, e ha una funzione precisa: capire se il progetto che stai comprando può funzionare, prima che tu lo paghi.

Questo pezzo è scritto dal lato di chi compra, non di chi vende l’assessment. Le pagine che si trovano cercando questo tema sono quasi tutte pagine servizio di fornitori che descrivono il proprio metodo. Manca la cosa che serve al compratore: sapere che cosa gli verrà chiesto, quanto durerà, e, soprattutto, come riconoscere un assessment fatto male mentre ce l’hai davanti.

In questo articolo scoprirai:

• Assessment AI aziendale: che cosa controlla un partner prima di dirti sì
• I processi: perché il partner vuole vedere il lavoro, non lo strumento
• I dati: che cosa il partner guarda per capire se sono pronti
• Sistemi e integrazioni: dove l’agente si attacca davvero
• Persone e ruoli: chi decide, chi usa, chi risponde quando l’agente sbaglia
• Rischi, governance e AI Act: la parte che si guarda prima o si paga dopo
• Quanto dura un assessment, cosa ti consegna e come si paga
• Come si legge il documento che ti consegnano: i segnali di un assessment fatto male

Assessment AI aziendale: che cosa controlla un partner prima di dirti sì

Un assessment non è una presentazione commerciale con qualche domanda in mezzo. È una raccolta strutturata di informazioni su quattro fronti, processi, dati, sistemi, persone, che serve a rispondere a una domanda sola: esiste un perimetro in cui questo agente produce un risultato misurabile entro un tempo ragionevole? Se la risposta è no, un partner onesto lo dice e non firma.

Il riferimento più esplicito su cosa si guarda arriva da Microsoft, che nel suo AI Readiness Assessment struttura la valutazione su sette pilastri: strategia di business, governance e sicurezza, fondamenta dati, strategia AI ed esperienza, organizzazione e cultura, infrastruttura, gestione dei modelli. Non è un elenco esotico: è la stessa griglia che ritorna, con nomi diversi, in tutte le metodologie enterprise. Cambia il vocabolario, non le domande.

Perché questa fase esiste: i numeri dei progetti cancellati

La ragione per cui questa fase esiste è brutalmente statistica. Gartner prevede che oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027, per costi in crescita, valore di business non chiaro e controlli di rischio inadeguati, e osserva che la maggior parte delle iniziative attuali sono esperimenti «alimentati più dall’hype che da una pianificazione strategica» (RCR Wireless). Tre cause su tre sono cose che un assessment fatto prima intercetta. Nessuna è un problema di modello.

Vale la pena tenere insieme questa fase con quelle che vengono dopo: l’assessment è il gradino zero di un percorso più lungo, che abbiamo descritto in le cinque fasi dell’adozione AI in azienda e chi firma cosa.

I processi: perché il partner vuole vedere il lavoro, non lo strumento

La prima cosa che un assessment serio mappa non è la tecnologia: è il processo che vorresti automatizzare, nella sua versione reale. Non quella del manuale operativo, non quella del diagramma su Confluence aggiornato nel 2023. Quella che fanno le persone il martedì mattina, comprese le eccezioni, i workaround, i fogli Excel paralleli e la mail che qualcuno gira sempre a mano perché «altrimenti non arriva».

Concretamente il partner cerca quattro cose. Il volume: quante volte al mese avviene questo processo, perché sotto una certa frequenza nessun agente ripaga il proprio setup. La variabilità: quante forme diverse assume lo stesso caso, perché è lì che si nasconde il costo vero. Il punto di decisione: dove un essere umano sceglie e su quale base, perché quella base va resa esplicita o l’agente la inventerà. E l’esito osservabile: cosa cambia, in un numero, se il processo funziona meglio.

Le metriche da fissare prima del progetto

Quest’ultimo punto è quello che si salta più spesso, e si paga sempre. Google Cloud, nella sua guida ai KPI per la generative AI, insiste che le metriche vanno definite prima del deployment, non dopo, e le articola su cinque livelli distinti: qualità del modello, qualità del sistema, operatività di business, adozione e valore di business. Un assessment che non chiude con almeno un indicatore per livello sta consegnando un’opinione, non una base contrattuale.

Se il tema è convincere chi firma, la mappatura dei processi è anche la materia prima del business case da portare alla direzione: senza volumi e senza esito osservabile, il business case è un desiderio.

I dati: che cosa il partner guarda per capire se sono pronti

Qui l’assessment fa una cosa specifica e limitata: non bonifica i dati, li giudica. Il lavoro di preparazione, normalizzare, deduplicare, arricchire, costruire la pipeline, è il progetto, non l’assessment. In questa fase si stabilisce solo quanto grande sia quel lavoro, perché è la voce di costo che fa saltare più preventivi, e perché la qualità del dato è una delle ragioni ricorrenti per cui i progetti AI non arrivano in produzione.

Le domande sui dati che un assessment AI aziendale deve porre

Il partner chiede dove risiedono i dati che l’agente dovrà leggere, in quale formato, con quale frequenza di aggiornamento e con quale grado di duplicazione. Chiede se esiste una fonte considerata autorevole quando due sistemi dicono cose diverse, e nella maggioranza dei casi la risposta è che non esiste. Chiede chi ha il diritto di vedere cosa, perché un agente che risponde a tutti con i dati di tutti è un incidente in attesa di data. E chiede quanto storico è disponibile, perché senza storico non c’è modo di valutare la qualità di una risposta.

Che questo sia il collo di bottiglia principale non è un’impressione di mestiere. Informatica, citando la propria survey CDO Insights 2025, riporta qualità e prontezza del dato al 43% fra gli ostacoli dichiarati, alla pari con la maturità tecnica, e ricorda il dato Gartner secondo cui solo il 48% dei progetti AI arriva in produzione (Informatica). Sul mercato italiano il segnale è coerente: fra le imprese che valutano l’AI senza adottarla, Istat registra la disponibilità e qualità dei dati come ostacolo per il 45,2%.

Un assessment che sui dati si limita a scrivere «da verificare in fase di progetto» ti ha appena spostato il rischio addosso.

Sistemi e integrazioni: dove l’agente si attacca davvero

Un agente AI che non tocca i sistemi aziendali è una demo. Il valore compare quando legge dal CRM, scrive sul gestionale, apre un ticket, aggiorna un ordine, e ogni singolo verbo di quella lista è una integrazione da verificare prima, non da scoprire dopo. È la parte più noiosa dell’assessment e quella che sposta di più il preventivo.

Il partner inventaria i sistemi coinvolti e per ciascuno stabilisce tre cose: se esiste un’API documentata, chi la controlla e in quanto tempo si ottiene un accesso di test. La terza è quella che le aziende sottovalutano: un gestionale con API perfette ma gestito da un fornitore terzo che risponde in tre settimane è, ai fini della pianificazione, un sistema senza API. Va scritto nel documento con quel nome.

Gli standard di integrazione da verificare

Sul piano tecnico, il modo in cui gli agenti si collegano ai sistemi si è standardizzato negli ultimi due anni, e conoscere quello standard cambia il perimetro di ciò che è realistico: ne abbiamo scritto nella guida a MCP Server e Model Context Protocol. Allo stesso modo, se l’agente deve rispondere su documenti aziendali, l’architettura di riferimento è il RAG, e le sue esigenze sui dati sono diverse da quelle di un’automazione tradizionale.

C’è poi una domanda di assessment che non è tecnica ma contrattuale: quanto di questo lavoro lo fa il fornitore e quanto resta a te. È il discriminante fra due modelli di acquisto molto diversi, che abbiamo confrontato in agente AI chiavi in mano o self-service.

Persone e ruoli: chi decide, chi usa, chi risponde quando l’agente sbaglia

Questa è la sezione che i fornitori tagliano quando hanno fretta di firmare, ed è quella che decide se il progetto sopravvive al terzo mese. L’assessment qui non misura l’entusiasmo: assegna nomi a tre ruoli. Chi ha l’autorità di dire che il progetto è finito e funziona (uno, non un comitato). Chi userà l’agente ogni giorno e quanto tempo può dedicargli in fase di rodaggio. E chi interviene quando l’agente produce un output sbagliato, perché lo produrrà.

Perché le competenze interne sono il vincolo più duro in Italia

Il dato italiano su questo punto è netto. Istat, nel report Imprese e ICT 2025, rileva che le imprese con almeno 10 addetti che usano almeno una tecnologia AI sono il 16,4%, raddoppiate rispetto all’8,2% del 2024; ma fra chi valuta l’AI senza adottarla la mancanza di competenze interne è l’ostacolo dichiarato dal 58,6%, prima dell’incertezza normativa (47,3%) e dei costi (43%). E il divario dimensionale è ampio: 53,1% di adozione fra le grandi imprese contro 15,7% nelle PMI, uno scarto di circa 37 punti che, come nota Key4biz, non ha equivalenti negli altri indicatori di digitalizzazione.

Un assessment che rileva questo vincolo e non prevede nulla per colmarlo sta pianificando un fallimento educato. È esattamente la ragione per cui la formazione del team è parte del lavoro del partner e non un extra, e per cui conviene trattare l’introduzione dell’agente come un problema di adozione organizzativa e non di installazione: la sequenza pratica è nella nostra guida all’onboarding degli agenti AI in azienda.

Se invece vuoi farti un’idea prima di chiamare qualcuno, la valutazione che puoi condurre da solo è un esercizio diverso da questo, e l’abbiamo messa in AI agent readiness: come capire se la tua azienda è pronta: là il soggetto che valuta sei tu, qui è il fornitore che si assume un rischio contrattuale.

Rischi, governance e AI Act: la parte che si guarda prima o si paga dopo

Un assessment che non tocca la conformità non è un assessment, è un preventivo travestito. Il quadro europeo è in vigore e ha date: il regolamento sull’AI classifica i sistemi in quattro livelli di rischio, ha reso applicabili i divieti dal 2 febbraio 2025 e le regole sui modelli general purpose dal 2 agosto 2025, con l’applicazione generale fissata al 2 agosto 2026 e gli obblighi sui sistemi ad alto rischio dell’Allegato I, quelli incorporati in prodotti già soggetti a normativa settoriale, fissati al 2 agosto 2027. Il calendario completo, con le scadenze intermedie, lo teniamo aggiornato nella nostra pagina dedicata: AI Act, cosa prevede e chi deve adeguarsi.

Per chi compra un agente AI la posizione rilevante è quella di deployer: sorveglianza umana sul sistema, segnalazione di incidenti e malfunzionamenti, trasparenza verso chi interagisce con l’agente. C’è poi un obbligo che sorprende molte aziende perché non riguarda la tecnologia: l’articolo 4 impone a fornitori e utilizzatori di assicurare «un livello sufficiente di alfabetizzazione in materia di AI» del proprio personale, ed è in vigore dal 2 febbraio 2025. La formazione, in Europa, non è una cortesia del fornitore: è un adempimento.

Il framework di rischio tradotto in controlli

Sul metodo, il riferimento più usato per strutturare i controlli è l’AI Risk Management Framework del NIST, volontario e sviluppato con contributo pubblico e privato, nato per «incorporare considerazioni di affidabilità nella progettazione, sviluppo, uso e valutazione» dei sistemi AI. Un partner che lo cita e ti mostra come lo applica al tuo caso sta lavorando; uno che lo cita in slide e non lo traduce in controlli sta facendo marketing.

Quanto dura un assessment, cosa ti consegna e come si paga

Sulla durata va detta una cosa onesta: non esiste una misura indipendente. I numeri che circolano vengono da pagine commerciali di fornitori, quindi sono dichiarazioni di parte. Nella nostra esperienza, su un perimetro circoscritto, un processo, due o tre sistemi, due-quattro settimane sono sufficienti; diversi vendor italiani dichiarano quattro-sei settimane, e la differenza si spiega quasi sempre col perimetro, non col metodo. Se qualcuno ti promette tre giorni su un’azienda multi-sede con quattro gestionali, non sta comprimendo il lavoro: sta togliendo pezzi.

I deliverable che devi pretendere

Alla fine dell’assessment devi avere in mano quattro documenti, non uno. Una mappa del processo as-is con volumi e punti di decisione. Un referto sui dati e sui sistemi che dica, per ciascuna integrazione, se è pronta, condizionata o bloccata, con il nome di chi la sblocca. Un perimetro del primo rilascio con i KPI di accettazione già scritti e la soglia oltre la quale il progetto si considera riuscito. E una lista dei rischi con le contromisure, inclusi quelli su cui il fornitore non ha controllo. Se il documento finale non contiene una soglia numerica di accettazione, il POC non potrà mai essere dichiarato fallito, e un POC che non può fallire non misura niente.

Sul pagamento le prassi sono due, ed entrambe sono legittime: assessment a corpo fatturato a parte, oppure incluso e scontato dal progetto se si procede. Quello che non è legittimo è un assessment gratuito e vincolante, cioè un documento che ti costa zero ma che puoi usare solo con chi l’ha scritto: in quel caso stai comprando un lock-in, non un’analisi. Il ragionamento sui costi delle fasi successive lo abbiamo aperto in quanto costa l’affiancamento su un agente AI.

Come si legge il documento che ti consegnano: i segnali di un assessment fatto male

Le domande da fare al fornitore prima di firmare le abbiamo già raccolte in dieci domande da fare al partner prima di firmare. Qui il verso è opposto: hai il documento davanti, e devi capire se vale.

Il primo segnale è l’assenza di un no. Un assessment che dice sì a tutto quello che hai chiesto non ha guardato niente: ogni azienda ha almeno un processo su cui l’agente conviene meno di un’automazione tradizionale, e trovarlo è parte del lavoro. Il secondo è il documento riutilizzabile: se togliendo il logo della tua azienda il testo funziona per qualsiasi altra, hai comprato un template. Il terzo sono i nomi mancanti, ruoli descritti per funzione («il referente IT») e non per persona significa che nessuno si è ancora impegnato.

Il quarto segnale è più insidioso: l’assessment che valuta la tecnologia e non il lavoro. Se metà del documento confronta modelli e l’altra metà è generica sui tuoi processi, l’ordine delle priorità è invertito, ed è la ragione più frequente per cui un progetto AI non produce ritorno, un tema che abbiamo affrontato di petto in se l’AI generativa non genera ROI, il problema non è la tecnologia. Il quinto è il vocabolario gonfiato: Gartner parla esplicitamente di «agent washing», il rebranding di assistenti, chatbot e RPA esistenti come agentici, e stima che fra le migliaia di vendor che si dichiarano tali solo circa 130 offrano capacità agentiche reali (BigDATAwire). Se nel documento «agente» significa «chatbot con qualche automazione», meglio saperlo prima. Per capire dove passa il confine, la nostra guida di riferimento è agenti AI: cosa sono e cosa sanno fare davvero.

Come Mimir struttura la fase pre-kickoff

Noi trattiamo il pre-kickoff come una fase con un esito possibile negativo. Prima settimana: mappatura del processo con le persone che lo fanno, non con chi lo descrive. Seconda: verifica su dati e integrazioni, con accessi di test richiesti subito perché è quello che rallenta. Terza: perimetro, KPI di accettazione, rischi e piano di formazione, che teniamo dentro il progetto anche per la ragione normativa vista sopra. Poi la consegna, che può anche dire di non procedere ora e cosa sistemare prima. È lo stesso principio che guida i primi trenta giorni di onboarding: un servizio, non solo un prodotto consegnato e lasciato lì.

Se stai valutando un agente AI su un processo aziendale e vuoi capire se ha senso prima di impegnarti, questa è esattamente la conversazione che facciamo volentieri: puoi scriverci da mimir.bot e partiamo dal processo, non dallo strumento. Se dall’analisi emerge che non è il momento, te lo diciamo, costa meno a entrambi. E se vuoi prima farti un’idea di cosa aspettarti da un fornitore, abbiamo raccolto i criteri in come scegliere il partner AI giusto in Italia.

Fonti:

• Microsoft — AI Readiness Assessment (i sette pilastri)
• Informatica — The Surprising Reason Most AI Projects Fail
• RCR Wireless — Gartner: oltre il 40% dei progetti di AI agentica sarà cancellato entro il 2027
• BigDATAwire — Gartner: over 40% of agentic AI projects will be canceled by end of 2027
• Commissione europea — Regulatory framework on AI
• AI Act — Articolo 4, alfabetizzazione in materia di AI
• NIST — AI Risk Management Framework
• Google Cloud — Measuring gen AI success: KPIs deep dive