ROI agente AI: come misurarlo davvero oltre il pilot

Chi cerca come misurare il ROI degli agenti AI di solito non ha bisogno di capire cosa sia un agente: ha bisogno di un numero da portare in un comitato investimenti, e di sapere che quel numero regge se qualcuno lo contesta. È un problema diverso, e molto più scomodo. Perché il numero del pilot, quello bello, quello che ha sbloccato il budget, è quasi sempre costruito su un perimetro che in produzione non esiste più.

Questo pezzo non elenca le metriche da guardare: quelle le abbiamo già trattate negli 8 KPI per misurare il ROI di un agente AI in azienda. Qui il problema è l’operazione successiva, che è quella dove i business case si rompono: come si trasformano quelle metriche in euro, quale denominatore si usa, e su quale orizzonte temporale il risultato ha diritto di essere chiamato ROI.

In questo articolo scoprirai:

• Perché il numero del pilot non sopravvive al passaggio in produzione
• La formula del ROI di un agente AI e il denominatore che tutti dimenticano
• Un mini-modello di calcolo del ROI, svolto in euro
• Il costo variabile per chiamata: la voce che cresce quando l'agente funziona
• Su quale orizzonte si misura il ROI di un agente AI

Perché il numero del pilot non sopravvive al passaggio in produzione

Il dato più citato del settore è anche il più frainteso. Il report The GenAI Divide del progetto NANDA del MIT Media Lab, su oltre 300 iniziative pubbliche, 52 interviste strutturate e 153 risposte di senior leader, misura una cascata precisa: il 60% delle organizzazioni valuta sistemi enterprise, solo il 20% arriva al pilot e appena il 5% arriva in produzione. Il famoso «95% che fallisce» non è un giudizio sulla tecnologia: è la misura di un collo di bottiglia fra pilot e produzione. Va anche detto che è uno studio preliminare, con finestra di misurazione breve, non sottoposto a peer review: va citato per quello che è.

La fotografia si ripete su campioni più grandi. Nel State of AI in the Enterprise 2026 di Deloitte, su 3.235 business e IT leader in 24 Paesi, solo il 25% delle organizzazioni ha portato in produzione il 40% o più dei propri pilot, e appena il 21% di chi pianifica agenti dichiara un modello maturo di governance. Gartner, dal suo canto, prevede che oltre il 40% dei progetti di AI agentica venga cancellato entro la fine del 2027, e le tre ragioni che indica sono costi in escalation, valore di business non chiaro e controlli di rischio inadeguati: due su tre sono problemi di misurazione, non di modello.

Perché il tasso di successo del pilot falsa il calcolo del ROI

La conseguenza pratica è una sola. Il pilot misura un agente che lavora su un sottoinsieme di casi scelti, con i dati più puliti dell’azienda, seguito a vista da chi l’ha costruito. La produzione gli manda addosso la coda lunga, i casi ambigui, gli utenti che non hanno letto le istruzioni. I modelli organizzativi che superano questo scarto sono pochi e ricorrenti: li abbiamo mappati nei tre pattern di adozione che portano in produzione, e se non sai perché i POC si fermano il tema è trattato a parte nelle quattro cause per cui i POC si bloccano. Ai fini del calcolo conta questo: il tasso di successo del pilot non è un’assunzione utilizzabile nel modello di produzione, e usarlo è il singolo errore che manda fuori bersaglio la maggior parte dei business case.

La formula del ROI di un agente AI e il denominatore che tutti dimenticano

La formula in sé è la stessa di qualunque investimento: ROI = (beneficio − costo totale) ÷ costo totale, sullo stesso periodo. Non c’è nulla di specifico dell’AI. Tutto il lavoro sta nel popolare i due termini senza barare, e la letteratura vendor bara quasi sempre per sottrazione: gonfia il numeratore con risparmi teorici e alleggerisce il denominatore riducendolo alla licenza.

Sul numeratore, il framework più solido disponibile è quello che Microsoft pubblica nella documentazione di Copilot Studio, che organizza il valore in quattro driver, ognuno con la sua regola di prezzatura: efficienza (ore produttive restituite × valore pieno dell’ora), qualità (delta del tasso di errore × volume × costo per errore), ricavo (delta di conversione × volume × ricavo unitario × sconto di attribuzione) e valore strategico. La nota importante è la terza voce del loro elenco di avvertenze, che chiamano the time-savings trap: rivendicare valore sulla base del solo risparmio teorico di tempo distrugge la credibilità del business case. Serve una catena di evidenza che parta dall’adozione, passi per i KPI operativi e arrivi all’outcome.

Le voci di costo che vanno nel denominatore del ROI

Sul denominatore, il TCO reale di un agente ha strati che non compaiono nei preventivi. Una rassegna di CX Today sul problema dei costi dell’AI agentica ne elenca nove, e i due più sottovalutati sono la preparazione dei dati, che nei settori regolamentati assorbe il 30-40% della spesa di progetto, e la manutenzione con il drift, stimata al 15-20% annuo del costo di build iniziale. Lo stesso lavoro cita uno studio su 127 implementazioni enterprise in cui il 73% ha sfondato il budget, alcune di oltre 2,4 volte.

Un denominatore onesto contiene quindi: build e integrazione, preparazione dei dati, licenze e consumi, osservabilità e QA, governance, formazione, manutenzione annua. Chi vuole capire quanto pesa la parte di build prima di modellarla trova i tempi reali su PMI nell’analisi su quanto dura implementare un agente AI.

Un mini-modello di calcolo del ROI, svolto in euro

Quello che segue è un modello illustrativo con assunzioni dichiarate, non un benchmark: serve a mostrare la meccanica e i punti dove il numero è fragile. I valori sono volutamente conservativi rispetto ai default pubblicati dai vendor.

Le assunzioni di partenza e il calcolo del beneficio

Ipotesi: un agente su un processo di back-office con 4.000 pratiche al mese. Baseline misurata prima del go-live: 12 minuti di lavoro umano per pratica, costo pieno del personale 32 €/ora. L’agente chiude in autonomia il 62% delle pratiche (2.480) e ne inoltra il 38% (1.520), sulle quali però istruisce la pratica e fa risparmiare 3 minuti a testa.

Un’avvertenza sul 62%, perché è la voce da verificare per prima: in questo modello quel valore è già netto delle riaperture entro 7 giorni, cioè viene da una baseline misurata sui contatti ripetuti e non dal dashboard di containment. Se il numero che hai in mano non lo è, va scontato prima di monetizzarlo: con un 8% di ripetizione il beneficio lordo scende da 18.304 € a circa 16.900 € al mese, e con esso payback e ROI. È esattamente il motivo per cui più avanti insistiamo sul fatto che il containment è un input, non un outcome.

Ore restituite al mese: (2.480 × 12) + (1.520 × 3) = 34.320 minuti, cioè 572 ore. A 32 €/ora fanno 18.304 € di beneficio lordo mensile. Per confronto, la formula Agent Assisted Hours che Microsoft pubblica userebbe un moltiplicatore di default di 6 minuti e una tariffa oraria di 72 $ ricavata dai dati BLS sul costo pieno del lavoro: assunzioni legittime per il mercato USA, generose per una PMI italiana. È il tipo di scelta che va dichiarata, perché è lì che il ROI si gonfia o si sgonfia.

Costi, payback period e ROI a 12 e 24 mesi

Costi: build una volta sola 55.000 € (integrazione, preparazione dati, governance); run 3.500 €/mese, di cui 1.400 € di costo variabile per sessione (4.000 × 0,35 €), 1.200 € di piattaforma e 900 € di osservabilità e QA.

Netto mensile: 18.304 − 3.500 = 14.804 €. Payback period: 55.000 ÷ 14.804 ≈ 3,7 mesi. ROI a 12 mesi: beneficio 219.648 €, costo totale 97.000 € (55.000 di build + 42.000 di run), quindi (219.648 − 97.000) ÷ 97.000 = circa 126%. Anno 2, senza build e con manutenzione al 15% del build: costo 50.250 €, ROI intorno al 337%. Lo stesso agente, due numeri completamente diversi, e nessuno dei due è sbagliato.

Il costo variabile per chiamata: la voce che cresce quando l’agente funziona

Qui c’è l’asimmetria che quasi nessun modello italiano mette in conto. In un’automazione classica il costo è quasi tutto fisso: costruisci una volta, poi il volume è gratis. Un agente AI no. Ogni sessione consuma token, embedding, ricerche vettoriali, chiamate a tool: il costo variabile cresce in proporzione al successo dell’agente. Se l’adozione raddoppia, e l’adozione è esattamente ciò che stai cercando di ottenere, quella riga di budget raddoppia con lei.

Gli ordini di grandezza pubblicati da CX Today per i deployment di volume medio parlano di 1.000-8.000 $ al mese di soli token, embedding e ricerca vettoriale, più 1.000-10.000 $ di compute di base. Sul fronte del prezzo unitario, i modelli commerciali si stanno spostando verso l’outcome: Shelf riporta benchmark di 0,30-2,00 $ per interazione risolta dall’AI contro 2,50-8,00 $ per quella umana, con pricing per azione intorno ai 0,10 $. Fin.ai, su 12.000 clienti, dichiara 0,99 $ per esito e un ticket umano fra 6 e 12 $. Sono numeri di parte venditrice: il margine unitario resta ampio, ma è un margine, non un risparmio secco.

Il ROI di un agente AI si esprime come costo per pratica risolta

Le due conseguenze pratiche sul modello sono queste. Primo: il ROI di un agente non va espresso come importo assoluto ma come costo per pratica risolta, l’unica forma che resta valida quando il volume cambia. Secondo: bisogna calcolare dove sta il punto in cui il costo variabile mangia il margine unitario, perché a volume alto quel punto esiste. È anche il motivo per cui il presidio tecnico non è un extra: senza osservabilità con metriche, log e SLO non sai quanto ti costa una singola sessione, e quindi non sai se stai scalando un margine o una perdita.

Su quale orizzonte si misura il ROI di un agente AI

Chiedere «qual è il ROI di questo agente» senza dire su quanti mesi è una domanda incompleta, perché la curva del valore non è piatta. I benchmark di Fin.ai per il customer service indicano un ritorno medio del 41% al primo anno, dell’87% al secondo e superiore al 124% al terzo, con un ritorno medio di 3,50 $ per dollaro investito. Sono dati vendor, e la metodologia non è pubblicata: valgono come indicazione di forma della curva, non come promessa. Ma la forma è coerente con il modello svolto sopra, e la ragione è strutturale: il build si paga una volta, i benefici ricorrono.

Tre orizzonti, tre domande diverse

Conviene separare tre misurazioni invece di mediarle. A 90 giorni si misura l’efficienza operativa contro la baseline: costo per pratica risolta, tasso di risoluzione autonoma, handle time. È la misura che dice se l’agente funziona, e Microsoft raccomanda esattamente un ritmo trimestrale, misura contro la baseline per 90 giorni, rivedi con lo sponsor, decidi se scalare o ritirare. A 6-12 mesi si misura la qualità: first-contact resolution, tasso di escalation, errori evitati. A 18 mesi e oltre si misura la trasformazione, ed è il tier dove Shelf colloca i ritorni da 5x-10x, quelli che arrivano dal ridisegno del processo e non dall’automazione del processo esistente.

L’errore da evitare è il più naturale: misurare a 90 giorni e usare quel numero per decidere il destino di un investimento la cui curva si esprime su tre anni. È lo stesso errore, rovesciato, di chi promette al comitato il ROI del terzo anno per farsi approvare il primo. Il punto di partenza, in ogni caso, è avere una baseline registrata prima del go-live: senza quella non c’è ROI, c’è un’opinione. Se il processo non è ancora pronto per essere misurato, il tema è la readiness dell’azienda, non il calcolo.

Effetti indiretti e KPI che mentono: containment, latenza decisionale, capacità liberata

Il containment rate, la quota di interazioni chiuse senza intervento umano, è la metrica preferita dai dashboard e una delle più ingannevoli quando la si converte in euro. L’argomento di Parloa è netto: il containment misura solo che un contatto umano non è avvenuto, «un esito binario che ti dice cosa non è successo, non cosa è successo». Una conversazione può risultare contenuta perché il cliente ha riattaccato esasperato e richiamerà domani, moltiplicando le interazioni invece di ridurle. Il containment è un input, non un outcome: va incrociato con la ripetizione del contatto entro 7 giorni, altrimenti il modello conta come risparmio ciò che è un costo differito.

Latenza decisionale e capacità liberata nel calcolo del ROI

Sul lato opposto ci sono effetti reali che i modelli classici non vedono. Inteq Group sostiene che le metriche tradizionali di automazione sottovalutano gli agenti perché guardano la velocità del task invece della latenza: nei processi enterprise il tempo di attesa di un giudizio umano rappresenta il 70-90% del cycle time totale, e la gestione delle eccezioni diventa la fonte dominante di valore nei processi con tasso di eccezione dal 35% in su. Un’istruttoria che passa da 3-7 giorni lavorativi a minuti sposta il ricavo in avanti nel tempo: è un effetto di cassa, non un risparmio di ore.

Terzo effetto indiretto, il più delicato: la capacità liberata vale solo se viene riallocata. Ore restituite a un team che le riassorbe in attività a basso valore non sono un beneficio. Vale la pena ricordare la tesi già discussa qui, se l’AI generativa non genera ROI, il problema non è la tecnologia, perché è precisamente il punto: la riallocazione è una decisione organizzativa, e va scritta nel business case con un nome e un responsabile, non data per scontata.

Perché il ROI cresce quando il partner resta dopo il go-live

C’è una frase, nella documentazione Microsoft, che vale più di molti white paper: «La licenza non è l’investimento. L’adozione lo è». E la diagnosi che segue è che un ROI irregolare indica quasi sempre lacune di formazione, di modeling manageriale o di allineamento al workflow, non un problema tecnologico. Nello stesso elenco: gli agenti ancorati a un workflow specifico e ad alto volume mostrano un ritorno più rapido di quelli che inseguono la produttività generica.

Le tre leve che spostano il ROI dopo il go-live

Questo è il punto in cui il ROI diventa una questione di servizio e non di prodotto. Le tre leve che spostano il numero dopo il go-live, mantenere la strumentazione attiva quando il pilot finisce, tenere aggiornata la base di conoscenza (che Shelf identifica come la leva di ROI più grande, perché un agente che interpreta male una policy vede il proprio tetto di automazione crollare) e presidiare il drift che costa il 15-20% annuo del build, sono tutte attività continuative. Nessuna si compra con una licenza, e nessuna si esaurisce alla consegna. È la stessa ragione per cui la manutenzione post-deployment richiede un partner e per cui i primi 30 giorni pesano sul risultato di tre anni.

Dal calcolo del ROI al presidio continuativo

È la logica con cui lavoriamo in MIMIR: accanto all’agente offriamo un servizio di onboarding dedicato e un accompagnamento continuativo, perché la baseline va registrata prima, la strumentazione va tenuta viva dopo e la revisione trimestrale con lo sponsor va fatta davvero. Chi vuole andare a fondo sul percorso trova la guida su come scalare un agente AI dal pilot alla produzione.

Se stai costruendo il business case di un agente AI e ti serve capire quale baseline misurare, quali costi mettere nel denominatore e su quale orizzonte impegnarti davanti a un comitato, parlane con noi in MIMIR: partiamo dal processo e dai numeri che hai già, non da una demo. Una consulenza iniziale serve esattamente a questo, capire se il ritorno c’è, prima di spendere per scoprirlo.

Fonti:

• Microsoft Learn — Measure the impact of your agents (formula Agent Assisted Hours, quattro value driver)
• Deloitte — State of AI in the Enterprise 2026 (3.235 leader, 24 Paesi)
• MIT Media Lab, Project NANDA — The GenAI Divide (sintesi e metodologia)
• Gartner — Oltre il 40% dei progetti di AI agentica sarà cancellato entro fine 2027 (comunicato)
• U.S. Bureau of Labor Statistics — Employer Costs for Employee Compensation, tabella 4 (costo pieno del lavoro)
• CX Today — The Agentic AI Cost Problem: calcolare il TCO
• Parloa — The containment trap: why your AI CX metrics are lying to you
• Shelf.io — Agentic AI ROI: how to measure the return on your AI agent investment
• Fin.ai — ROI of AI customer service: 2026 benchmarks & data
• Inteq Group — How do you measure the ROI of AI agents