La firma è il momento più frainteso di tutto un progetto di intelligenza artificiale. Il contratto è chiuso, il budget approvato, e nella testa di chi ha firmato si accende un’immagine precisa: da domani c’è un agente che lavora. Quello che succede davvero è un’altra cosa, ed è la parte che nessuno racconta perché non è dimostrabile in una demo. Un discovery workshop agente AI è la fase in cui il fornitore smette di vendere e comincia a capire: due settimane di interviste, mappe di processo, punteggi e confini, al termine delle quali si sa esattamente cosa costruire, o si scopre che la cosa da costruire era un’altra.
Questo articolo racconta quelle due settimane giorno per giorno, con i formati che il mercato propone a confronto e i numeri che spiegano perché questa fase è quella che decide il destino del progetto. Non è la fase di valutazione che viene prima della firma: quella è un’altra cosa, e vale la pena distinguerle subito.
In questo articolo scoprirai:
- Perché la discovery comincia dopo la firma e non prima
- Giorni 1-2: il kickoff che fissa obiettivi, vincoli e metriche
- Giorni 3-6: le interviste ai process owner e la mappatura del lavoro reale
- Giorni 7-8: come si mappano i casi d'uso ad alto ROI
- Giorni 9-10: i confini dell'agente, i gate umani e la governance
- Giorni 11-12: il prototipo dimostrativo e il pacchetto per chi decide
- Quanto dura un discovery workshop per un agente AI: i formati a confronto
- Il 70% che nessun modello risolve: perché la discovery è un servizio
Perché la discovery comincia dopo la firma e non prima
Prima di firmare, un fornitore serio fa domande, ma le fa da fuori. Un assessment AI aziendale serve a capire se ha senso lavorare insieme: maturità dei dati, esistenza di un processo aggredibile, sponsorship interna. È una diagnosi rapida, spesso gratuita, ed è per forza superficiale, perché nessuna azienda apre i propri sistemi a un fornitore che non ha ancora scelto. Un discovery workshop agente AI ha un altro scopo ancora: verificare che il perimetro sia sensato. Lì raccontiamo la prima settimana in dettaglio, qui il percorso completo delle due.
Dopo la firma cambia tutto: cambiano gli accessi, cambia chi risponde alle mail, cambia soprattutto il fatto che le persone dell’azienda hanno un motivo per dire la verità sui propri processi. È lì che la discovery diventa possibile. E serve, perché Gartner prevede che oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027, non per limiti dei modelli, ma per costi in crescita, valore di business poco chiaro e controlli sul rischio inadeguati.
Le tre cause di cancellazione che una discovery intercetta
Il punto interessante è la diagnosi delle cause. Secondo l’analisi di everyWAN sui dati Gartner, i tre colpevoli ricorrenti sono l’automazione di processi rotti senza averli prima mappati, la confusione fra le prestazioni di una demo e la realtà di produzione dove dominano i casi limite, e una governance binaria che o ingabbia l’agente o gli lascia troppa autonomia. Sono esattamente le tre cose che una discovery fatta bene intercetta. Lo stesso studio ricorda un dato che dovrebbe rendere prudenti: fra le migliaia di fornitori che si presentano come agentici, Gartner ne stima autentici circa 130, il resto è “agent washing”, chatbot, RPA e assistenti riverniciati.
Discovery workshop agente AI e assessment: la differenza pratica
La distinzione operativa è semplice. L’assessment risponde a “conviene farlo?”, la discovery risponde a “cosa esattamente costruiamo, con quali confini e con quale metrica di successo?”. Confonderle è il modo più rapido per ritrovarsi con un progetto approvato e nessuno che sappia dire quando sarà finito. Se stai ancora scegliendo a chi affidarti, i criteri per valutare un partner vengono logicamente prima di tutto questo, e la consulenza sugli agenti AI per PMI descrive cosa aspettarsi dal rapporto una volta avviato.
Giorni 1-2: il kickoff che fissa obiettivi, vincoli e metriche
La fase di apertura non serve a raccogliere idee. Serve a definire tre cose: il perimetro, il risultato atteso e i vincoli. Nella scansione documentata da Parallel Minds, i primi due giorni sono dedicati ad “allineamento e mappatura dei vincoli”: si stabiliscono metriche di successo, tempo di ciclo, qualità, volume gestito, e si fanno emergere i blocchi nascosti, tipicamente la frammentazione dei dati e i requisiti di conformità.
Il vincolo che emerge qui è quasi sempre più importante dell’obiettivo. Un obiettivo si negozia, un vincolo no: se i dati di cui l’agente ha bisogno vivono in tre sistemi che non si parlano, o se il settore impone tracciabilità su ogni decisione automatica, il progetto ha già una forma diversa da quella immaginata in fase commerciale. Scoprirlo al giorno due costa una riunione; scoprirlo alla settimana dieci costa il progetto.
C’è una regola di conduzione che vale la pena rubare ai facilitatori esperti. Il blueprint di Prometheus Agency insiste su un punto: scegliere un solo intento per la sessione, prioritizzare casi d’uso, oppure scoprire problemi, oppure pianificare un pilota, e non tutti e tre insieme. Un kickoff che prova a fare tutto produce un documento che non decide niente.
Chi deve essere in stanza al kickoff
La composizione della stanza determina la qualità dell’output più di qualunque metodologia. Flux Technology indica tipicamente 3-5 persone: chi possiede le operations o il miglioramento di processo, almeno una persona che conosca lo stack tecnologico, e qualcuno della leadership che possa decidere. Prometheus è più granulare e aggiunge due figure che spesso mancano: l’operatore di prima linea, che vede l’attrito quotidiano, e il proprietario dei dati. La loro avvertenza è netta e merita di essere presa alla lettera: se inviti solo i senior, ottieni linguaggio strategico e dettaglio operativo debole.
È il primo momento in cui si capisce se il fornitore vende un prodotto o un servizio. Chi vende un prodotto vuole in stanza chi firma. Chi vende un servizio vuole in stanza chi lavora. È anche uno dei segnali più concreti da usare quando si tratta di scegliere un partner AI in Italia.
Giorni 3-6: le interviste ai process owner e la mappatura del lavoro reale
Questa è la parte che occupa più tempo ed è quella che il cliente percepisce meno come “lavoro sull’AI”. Sono colloqui: interviste trasversali alle funzioni e attraversamenti guidati dei sistemi, per individuare i punti di attrito. Parallel Minds sottolinea una scelta metodologica che distingue una discovery seria da un brainstorming: si cercano passaggi di consegna, code di attesa e decisioni ad alta densità documentale, perché è lì che si concentra il valore recuperabile, non nelle idee che emergono da una lavagna.
Le domande sono meno tecniche di quanto si immagini. Gauss Algorithmic, che struttura la sua discovery in due sessioni da quattro ore per 4-8 partecipanti, dedica interamente la prima a capire: quali sono gli obiettivi strategici, chi è il cliente e cosa gli serve, com’è fatta una giornata tipo, quali attività divorano tempo, dove si raccolgono e dove finiscono i dati, dove il processo si inceppa. Prometheus consiglia interviste brevi, 10-20 minuti a testa, fatte prima della sessione plenaria, insieme alla raccolta degli artefatti che già esistono: mappe di processo, procedure operative, inventario dei sistemi.
Le domande che un partner fa ai process owner
Le quattro che contano davvero, secondo lo stesso blueprint, sono: dove fa male, in linguaggio operativo e non manageriale; quali scorciatoie usate oggi per aggirare il problema; qual è lo stato reale dei dati; su quali criteri decidete. L’ultima è la più sottovalutata, perché un agente che deve decidere ha bisogno di criteri espliciti, e nella maggior parte delle aziende quei criteri vivono nella testa di due persone e non sono mai stati scritti.
In Italia esiste una scuola metodologica su questo. Il Discovery Workshop di Ammagamma struttura la raccolta in cinque fasi, user stories, clustering, research questions, matrice impatto/effort, asset mapping, con un gruppo ideale di 3-10 persone da unità diverse, alternando un momento divergente e uno convergente. La fase di asset mapping è quella che conta di più per chi deve poi costruire: mappa dati, persone, processi e tecnologia per ciascuna domanda di ricerca. Se manca uno dei quattro asset, il caso d’uso non è pronto, per quanto sia attraente.
Giorni 7-8: come si mappano i casi d’uso ad alto ROI
Arrivati a metà percorso c’è una lista di opportunità e va ordinata. Qui le metodologie convergono in modo sorprendente. Parallel Minds assegna un punteggio su quattro dimensioni, valore, fattibilità, attrito di adozione e prerequisiti, e produce una sequenza ordinata, non un elenco piatto: la differenza è che una sequenza evita di partire da un caso d’uso ad alta visibilità che dipende da un problema a monte non ancora risolto. Prometheus semplifica a tre assi su scala 1-5: impatto di business, fattibilità tecnica, prontezza dei dati. Ammagamma usa la classica matrice impatto/effort.
Quello che aiuta a tarare le aspettative sono i dati aggregati di chi ha condotto molte di queste sessioni. OutSystems, analizzando i propri workshop, riporta che l’efficienza operativa rappresenta il 45% dei casi di successo e rischio e conformità un altro 20%. I punti di partenza che funzionano più spesso sono tre: assistenti di recupero della conoscenza che deviano le richieste banali e riducono il volume di ticket, ingestione intelligente di documenti con guadagni di efficienza intorno al 90% nell’estrazione dati, e valutazioni automatiche dei sistemi IT che tagliano l’analisi manuale dell’80-85%. Non sono casi d’uso spettacolari: sono casi d’uso misurabili, ed è una virtù diversa.
I casi d’uso che sembrano buoni e non lo sono
L’errore più frequente che OutSystems documenta è proporre all’agente compiti che richiedono precisione deterministica invece di ragionamento cognitivo: un motore di raccomandazione prodotti basato su categoria e prezzo, per esempio, è servito meglio da un filtro di query o da una ricerca full-text che da un agente. È una distinzione che un fornitore onesto fa in fase di discovery, anche quando toglie perimetro al proprio contratto.
Sempre da quell’analisi emerge il pattern architetturale ricorrente: la RAG, la generazione aumentata dal recupero, perché ancora le risposte a fonti verificabili, evita di riaddestrare modelli su dati sensibili e permette di aggiornare la conoscenza in tempo reale. Se in fase di discovery nessuno nomina il modo in cui l’agente accederà alla conoscenza aziendale, manca un pezzo. Su questo terreno il tema più ampio è noto: quando l’AI generativa non genera ROI, il problema non è la tecnologia.
Giorni 9-10: i confini dell’agente, i gate umani e la governance
Definire cosa l’agente non fa è più difficile che definire cosa fa, ed è la parte che protegge il progetto dal fallimento in produzione. In questa fase il primo caso d’uso viene specificato con confini di perimetro, punti di integrazione, gate di revisione umana e requisiti di controllo del contesto. Parallel Minds lo dice con una formula utile: la governance smette di essere un tema di compliance e diventa uno strato di produzione, cioè una cosa che si costruisce, non una policy che si scrive.
Il gate umano è la decisione più delicata. Un agente che chiede conferma su tutto non fa risparmiare tempo a nessuno; un agente che non chiede conferma mai produce, prima o poi, l’errore che chiude il progetto. La scelta corretta non è un principio generale ma dipende dal costo dell’errore in quel singolo passaggio: rispondere a una domanda interna e inviare una comunicazione a un cliente non hanno lo stesso profilo di rischio, e vanno trattati diversamente anche dentro lo stesso agente.
Perché i confini si decidono prima del codice
Perché dopo diventano una riscrittura. Un agente costruito senza confini espliciti finisce per essere ricostruito quando il primo caso limite lo mette in difficoltà, ed è precisamente il meccanismo per cui i POC si bloccano prima della produzione. La governance binaria che everyWAN indica fra le cause di cancellazione nasce quasi sempre da qui: quando non si è deciso caso per caso, si finisce per decidere una volta sola, per tutto, e sbagliando in una delle due direzioni.
In questa fase si definisce anche chi risponde di cosa a regime, un tema che nel framework a cinque fasi dell’adozione ha un nome preciso: chi firma cosa. Un agente senza un proprietario nominato è un agente che nessuno manutiene.
Giorni 11-12: il prototipo dimostrativo e il pacchetto per chi decide
La chiusura standard di una discovery è un documento. Parallel Minds la chiama “executive readiness package”: piano sequenziato, note di rischio, mappa delle responsabilità, calendario delle milestone. Prometheus aggiunge un dettaglio che vale più di molte pagine, ogni caso d’uso deve avere un proprietario di business e un proprietario tecnico con nome e cognome, la prossima consegna attesa e la sua data. Vention arriva a un pacchetto più ampio, con lettura dello stato attuale, prontezza di dati e infrastruttura, stima dei costi di costruzione ed esercizio, proiezione di ROI e KPI di monitoraggio.
Perché quasi nessuno consegna un prototipo
Vale la pena notare una cosa, guardando il mercato con onestà: nella maggior parte delle offerte di discovery il prototipo non c’è. Fra i percorsi che abbiamo esaminato, Parallel Minds, Vention, Gauss Algorithmic, Collana, nelle pagine di servizio pubbliche che abbiamo consultato il prototipo non compare fra i deliverable della fase; quando compare, è il passo successivo da concordare. Collana lo dice esplicitamente: alla fine del workshop si sceglie fra implementazione interna, sviluppo di un proof of concept o partnership completa.
È qui che una discovery si distingue davvero. Chiudere le due settimane con qualcosa che gira, anche minimo, anche su un solo passaggio del processo, anche con dati parziali, cambia la natura della conversazione con chi deve decidere: si smette di discutere un’ipotesi e si comincia a discutere un comportamento osservato. È l’antidoto più diretto alla seconda causa di cancellazione indicata da Gartner, quella confusione fra demo e produzione, perché un prototipo costruito sui processi reali dell’azienda mostra i casi limite invece di nasconderli.
È il criterio con cui in MIMIR chiudiamo la fase di discovery. In concreto: prendiamo il passaggio che nelle interviste è emerso come il più costoso, di solito un handoff fra due funzioni, dove un documento arriva, qualcuno lo legge, decide e lo inoltra, e costruiamo un agente che esegue solo quello, sui documenti veri dell’azienda e non su esempi di comodo, con il gate umano già al posto in cui abbiamo deciso che vada. Non è un pilota e non copre il processo intero: gira su un singolo passaggio, e serve a far vedere come si comporta sui casi che in azienda si considerano difficili. Alla riunione di chiusura consegniamo le due cose insieme, il documento decisionale e l’agente che gira davanti a chi deve firmare, con i casi limite mostrati e non nascosti, così che la discussione sul passo successivo parta da un comportamento osservato. È anche il motivo per cui trattiamo questa fase come parte del servizio e non come un preventivo travestito da consulenza.
Quanto dura un discovery workshop per un agente AI: i formati a confronto
Chi cerca questa risposta trova numeri che vanno da un’ora a un mese e mezzo, e ha ragione a essere confuso. La dispersione è reale e riflette ambizioni diverse, non qualità diverse:
- 60-90 minuti / 3 ore, sessione singola di sensibilizzazione e prima mappatura. Utile per orientarsi, insufficiente per progettare.
- Due sessioni da 2-4 ore, è il formato di Gauss Algorithmic e di Ammagamma: la prima raccoglie, la seconda propone e prioritizza. Produce una lista di progetti ordinata.
- Una giornata, Flux Technology la vende a 2.500 sterline con briefing di 30 minuti il giorno prima, mattina di mappatura, pomeriggio di analisi su build-vs-buy, disponibilità dei dati, complessità di integrazione e rischio di adozione, più relazione scritta entro tre giorni e roadmap a 90 giorni con range di costo indicativi.
- Circa tre giorni, il percorso in quattro fasi di Collana, dall’inquadramento alla roadmap con raccomandazioni tecniche.
- Due settimane, la scansione completa che abbiamo seguito qui: interviste, mappatura, punteggi, confini, governance, pacchetto decisionale.
- Da due a sei settimane, Vention, con project manager, business analyst, AI engineer e CTO impegnati sulla fattibilità tecnica e sul modello economico.
Due settimane: quando sono troppe e quando troppo poche
Dipende da una sola variabile: quante persone devono essere intervistate. Una sessione da mezza giornata funziona quando il processo è già mappato e il decisore è uno solo. Le due settimane servono quando il processo attraversa più funzioni, ed è la norma nei processi che valgono la pena di essere automatizzati, perché il valore sta nei passaggi di consegna, che per definizione coinvolgono almeno due reparti. Sul rapporto fra questa fase e il resto del progetto, i tempi reali di implementazione per una PMI mettono la discovery nella giusta proporzione, e le prime otto settimane di onboarding mostrano cosa viene subito dopo.
Il 70% che nessun modello risolve: perché la discovery è un servizio
C’è un dato che spiega meglio di ogni altro perché queste due settimane esistono. Il Boston Consulting Group ha formalizzato quella che oggi si chiama regola 10-20-70: nell’adozione dell’AI, il 10% del successo dipende dagli algoritmi, il 20% da tecnologia e dati, il 70% da persone e processi. Come ricostruisce Trust Insights, quel 70% è fatto di cose molto concrete: che le persone capiscano perché uno strumento esiste e quando va usato, formazione continua e non un onboarding singolo, integrazione nel flusso di lavoro esistente senza aggiungere strati, tempo dedicato alla sperimentazione.
Quando il rapporto si inverte, e la stessa analisi osserva che molte organizzazioni spendono l’80% del budget in piattaforme, i modi di fallire sono tre e sono prevedibili: rifiuto, con le persone che tornano al processo manuale; aggiramento, con team che sembrano usare il sistema mentre rifanno il lavoro altrove; e shadow AI, con dati riservati che finiscono in strumenti esterni non autorizzati. Nessuno dei tre è un problema di modello.
Dove si lavora davvero sul 70%
È questa la ragione per cui queste due settimane non sono un preliminare burocratico ma la fase in cui si lavora davvero sul 70%: le interviste sono il modo in cui le persone entrano nel progetto, la mappatura è il modo in cui i processi vengono guardati prima di essere automatizzati, i confini sono il modo in cui si costruisce fiducia. La tecnologia, quale modello, quale SDK, quale architettura, è la parte che si decide dopo, e in fondo è la più semplice. Su cosa sia un agente e cosa sappia fare davvero, la guida completa agli agenti AI copre il perimetro tecnico; qui il tema è un altro, ed è organizzativo.
Da questo discende una conseguenza pratica per chi valuta fornitori: un agente si può comprare, un’adozione no. Ed è per questo che in MIMIR trattiamo l’onboarding come parte dell’offerta e non come un extra, la stessa logica che continua nella formazione del team dopo il go-live, quando l’agente esiste e il lavoro vero è farlo usare. Chi vende solo lo strumento consegna il 10% e lascia al cliente il 70%; chi vende un servizio si prende carico anche della parte difficile, che è quella che decide se il progetto sopravvive al primo trimestre.
Se in azienda avete un processo che vi sembra un candidato, molti passaggi di consegna, molti documenti, molte code, la cosa utile da fare non è scegliere un modello, ma sottoporlo a una discovery seria e scoprire se regge. In MIMIR lavoriamo esattamente su questo: mappare il processo con le persone che lo eseguono, definire i confini dell’agente e mettere in mano a chi decide qualcosa che funziona prima che il budget di costruzione sia impegnato. Se avete un’esigenza di questo tipo, parlarne è il modo più economico per capire se ha senso.
Fonti:
- Gartner — previsione sulla cancellazione di oltre il 40% dei progetti di AI agentica entro il 2027
- everyWAN — analisi delle cause di cancellazione sui dati Gartner
- Parallel Minds — cosa aspettarsi da un AI discovery workshop
- Prometheus Agency — come si conduce un AI discovery workshop
- Flux Technology — agent discovery workshop di una giornata
- Gauss Algorithmic — struttura in due sessioni del discovery workshop
- Ammagamma — il Discovery Workshop in cinque fasi
- OutSystems — lezioni apprese dai workshop di agentic AI discovery
- Vention — workshop AI da due a sei settimane
- Collana — AI discovery workshop in quattro fasi
- Trust Insights — la regola 10-20-70 nell’adozione dell’AI
