Ogni consiglio di amministrazione, oggi, ha una voce di budget dedicata all’intelligenza artificiale. Eppure, quando si passa dalla presentazione al risultato, i numeri raccontano una storia scomoda: la maggior parte dei progetti AI non arriva mai in produzione, o ci arriva senza generare valore misurabile. Le stime oscillano tra il 70% e il 95% a seconda di come si definisce “fallimento”, ma il punto non cambia. Non è un problema di modelli: è un problema di come le aziende disegnano, guidano e integrano questi progetti.
Capire perché falliscono è la premessa per far parte della minoranza che invece ottiene ritorni concreti. In questo approfondimento analizziamo le cause strutturali, i dati più recenti e le contromisure che distinguono i progetti che sopravvivono al pilota da quelli che muoiono nel cassetto.
In questo articolo scoprirai:
- Quanto è grande davvero il problema
- La “trappola dell’esperimento scientifico”
- Le cause ricorrenti dietro il fallimento
- Il vero problema non è la tecnologia
- Come evitare il fallimento: un metodo in cinque mosse
Quanto è grande davvero il problema
Il dato che ha fatto più rumore arriva dal progetto NANDA del MIT: secondo il report, il 95% dei pilot di AI generativa nelle aziende non genera ritorni misurabili. Non significa che la tecnologia non funzioni, ma che il valore non attraversa il confine tra sperimentazione e conto economico. Forbes ha analizzato lo stesso fenomeno chiedendosi cosa dovrebbero fare i leader al posto dell’ennesimo pilota isolato.
Le cifre variano perché variano le metriche. CIO parla dell’80%, la RAND Corporation stima oltre l’80% di progetti che falliscono, il doppio dei progetti IT tradizionali, e le statistiche aggregate sui fallimenti confermano un range coerente. In Italia, EconomyUp ha ripreso lo studio MIT sul 95% che non genera valore. Comunque lo si misuri, il fallimento è la norma, non l’eccezione.
La “trappola dell’esperimento scientifico”
IBM descrive bene una delle cause più insidiose: la trappola dell’esperimento scientifico (ripresa anche nell’edizione italiana di Think). I team trattano l’AI come una curiosità da laboratorio: costruiscono un modello elegante, dimostrano che “funziona” su un dataset controllato e poi si fermano. Manca l’obiettivo di business, mancano i vincoli operativi, manca chi risponde del risultato in produzione.
Il problema, spesso, non è nemmeno il modello. Informatica individua nella qualità e nell’accessibilità dei dati la causa sorprendentemente banale di gran parte dei fallimenti: senza dati puliti, governati e integrati, anche il miglior modello produce risultati inaffidabili. È la ragione per cui un’architettura solida conta più di un modello all’ultimo grido, un tema che approfondiamo nella nostra analisi sull’architettura AI enterprise oltre l’hype.
Perché i progetti AI falliscono nelle aziende: le cause ricorrenti
Incrociando le analisi di APQC, MIT Sloan e Project Management Institute, emergono alcuni schemi ricorrenti:
- Nessun problema di business chiaro. Si parte dalla tecnologia (“usiamo l’AI”) invece che dal bisogno. Senza un KPI da spostare, non c’è modo di dichiarare il successo.
- Dati inadeguati o non governati. Frammentati, incompleti, non accessibili: il collo di bottiglia numero uno.
- Aspettative gonfiate dall’hype. Si promettono trasformazioni radicali in trimestri; quando non arrivano, il progetto perde sponsorship.
- Divario tra pilota e produzione. Ciò che regge in demo non regge su scala, sotto carico reale e con dati sporchi.
- Fattore umano trascurato. Se le persone non adottano lo strumento, il ROI resta teorico.
Su quest’ultimo punto WorkOS individua pattern operativi che funzionano, mentre Iris.ai insiste sul legame diretto con il ROI e Trullion sul disallineamento tra IT e business. La prospettiva italiana è coerente: ZeroUno, Soft Strategy e Agenda Digitale raccontano le stesse lezioni di successo e fallimento nel contesto delle imprese europee.
Perché i progetti AI falliscono nelle aziende: il vero problema non è la tecnologia
Il filo conduttore di tutte queste analisi è uno: quando l’AI non produce ritorno, la causa raramente è il modello. È il contorno, dati, processi, governance, persone, obiettivi. Lo abbiamo raccontato nella nostra guida su perché, se l’AI generativa non genera ROI, il problema non è la tecnologia. La stessa logica emerge quando si guardano i fattori strutturali che frenano i risparmi reali dell’AI nelle aziende: non basta adottare uno strumento, serve ridisegnare il modo in cui il lavoro viene svolto.
Come evitare il fallimento: un metodo in cinque mosse
Le contromisure non sono misteriose, ma richiedono disciplina più che budget.
- Partire dal problema, non dallo strumento. Definire un KPI concreto (tempo di risposta, costo per pratica, tasso di conversione) prima di scegliere la tecnologia.
- Investire sui dati prima che sul modello. Governance, pulizia e accessibilità dei dati sono il 70% del lavoro reale.
- Progettare per la produzione dal giorno uno. Un pilota deve nascere già pensando a scala, monitoraggio e manutenzione, non come demo usa e getta.
- Gestire il cambiamento sulle persone. L’adozione non è automatica: serve un percorso di change management per far accettare gli agenti AI al team.
- Affidarsi a competenze esperte. La curva di apprendimento è ripida e gli errori costano: un partner di consulenza sull’intelligenza artificiale accorcia i tempi e riduce il rischio.
Sul piano tecnico, tecniche come il RAG (Retrieval-Augmented Generation) e un buon prompt engineering aiutano a colmare il divario tra potenzialità del modello e affidabilità in produzione, ancorando le risposte a dati aziendali reali.
Conclusione
Il 70% (o l’80%, o il 95%) dei progetti AI fallisce non perché la tecnologia sia immatura, ma perché troppe organizzazioni la trattano come un esperimento invece che come un’iniziativa di business con obiettivi, dati e persone al centro. La buona notizia è che le cause del fallimento sono note e prevenibili. Chi parte dal problema, mette in ordine i dati, progetta per la produzione e accompagna le persone entra nella minoranza che dall’AI ottiene un ritorno reale. Non è questione di fortuna: è questione di metodo.
Fonti:
- IBM Think — Why AI projects fail: the science experiment trap
- Informatica — The surprising reason most AI projects fail
- Forbes — Why 95% of AI pilots fail and what business leaders should do instead
- CIO — Why 80% of AI projects fail and how smart enterprises get it right
- Iris.ai — Why enterprise AI projects fail: the ROI gap
- Soft Strategy — Perché l’AI fallisce
- APQC — Why most enterprise AI projects fail and what to do about it
- Agenda Digitale — Progetti di IA: lezioni di successo e fallimento
- Project Management Institute — Why most AI projects fail
- WorkOS — Why most enterprise AI projects fail: patterns that work
- IBM Think (IT) — Perché i progetti AI falliscono: la trappola dell’esperimento
- EconomyUp — Il 95% dei progetti di AI generativa non genera valore: lo studio del MIT
- ZeroUno — Perché i progetti di AI falliscono
- MIT Sloan — Why most AI projects fail and how to set yours up for success
- Trullion — Why AI fails in the enterprise
- RAND Corporation — The Root Causes of Failure for AI Projects
- MIT NANDA — Project home
- Fullview — AI failure statistics
- VentureBeat — MIT report: 95% of generative AI pilots at companies are failing
