Se un assistente AI fa risparmiare venti minuti a una persona, l’azienda non ha ancora guadagnato venti minuti. Quel tempo diventa valore solo quando cambia un processo: più richieste gestite, meno rilavorazioni, consegne anticipate oppure ore che non devono essere acquistate altrove. Senza questo passaggio, la produttività percepita resta separata dal conto economico.

È il motivo per cui molte adozioni sembrano riuscite nelle demo e deludenti nei numeri. Si misura quanto piace lo strumento, quante persone lo aprono o quanti prompt vengono inviati. Manca il confronto con il workflow precedente e, soprattutto, manca una decisione: correggere, estendere o fermare l’esperimento.

Questa guida propone un metodo per una PMI: scegliere un solo flusso di lavoro, costruire una baseline, includere tutti i costi, misurare qualità e rischio, poi decidere sulla base di un risultato economico osservabile.

La produttività individuale non basta

Il 24 ottobre 2026 Torsten Slok, chief economist di Apollo, ha osservato che ricavi per addetto e margini risultavano in crescita per le Magnificent 7, ma piatti per il resto dell’S&P 500. È un dato aggregato statunitense, non la prova che ogni progetto AI fuori dal settore tecnologico fallisca. Segnala però un problema preciso: i benefici locali non stanno ancora diventando un miglioramento economico visibile su larga scala.

La stessa distanza emerge dal sondaggio globale 2026 di McKinsey su 1.719 partecipanti. L’80% ha dichiarato un miglioramento della produttività individuale, mentre il 37% ha attribuito all’AI almeno un impatto sull’EBIT a livello aziendale. Solo circa il 6% rientrava tra gli high performer, definiti come organizzazioni che attribuiscono all’AI almeno il 5% dell’EBIT e ne descrivono l’impatto come significativo.

Questi numeri non vanno trasformati in una previsione per la singola PMI. Servono a distinguere tre livelli che spesso vengono confusi:

  • attività: il modello produce una risposta;
  • output: una persona completa il compito più rapidamente o con meno errori;
  • risultato: il processo genera più margine, riduce un costo reale o limita un rischio quantificabile.

Il ROI comincia al terzo livello. Prima ci sono segnali utili, ma non ancora un ritorno economico.

Scegli un workflow, non una licenza

Un abbonamento aziendale non è un caso d’uso. Per misurare serve un workflow con un inizio, una fine, un responsabile e un volume osservabile. Per esempio: classificare le richieste ricevute da un form, preparare la prima bozza di risposta a un ticket, estrarre dati da fatture oppure controllare una scheda prodotto prima della pubblicazione.

La scelta migliore non è necessariamente l’attività più visibile. È quella che combina quattro caratteristiche:

  • si ripete abbastanza spesso da produrre dati in poche settimane;
  • ha input e output riconoscibili;
  • consente una verifica umana rapida;
  • ha un errore gestibile e un proprietario del processo.

Conviene evitare come primo pilot le decisioni irreversibili, i casi rari e i processi nei quali nessuno sa definire un risultato corretto. Un agente autonomo che modifica ordini, pagamenti o dati personali amplia subito la superficie di rischio. Prima è più utile costruire un flusso con gate espliciti, come nel metodo descritto in AI nei workflow: il controllo conta.

La mia regola operativa è semplice: se il processo non può essere disegnato su una pagina con input, trasformazione, controllo e output, non è ancora pronto per una valutazione economica. Prima si chiarisce il lavoro; poi si aggiunge il modello.

Costruisci la baseline prima del pilot

La baseline fotografa il processo senza AI. Va raccolta prima di cambiare strumenti, altrimenti il confronto nasce già contaminato. Non serve un sistema di business intelligence: per un primo test può bastare un foglio condiviso, purché le definizioni restino uguali dall’inizio alla fine.

Per ogni unità di lavoro registra almeno questi campi:

  • data e tipo di richiesta;
  • tempo attivo impiegato dalla persona;
  • tempo totale fino alla chiusura;
  • numero di passaggi o rilavorazioni;
  • esito corretto al primo tentativo;
  • eventuale escalation a una figura più esperta.

Tempo attivo e tempo totale non sono la stessa cosa. Un ticket può richiedere dieci minuti di lavoro ma restare fermo due giorni in coda. L’AI potrebbe ridurre la lavorazione senza incidere sull’attesa, oppure anticipare il triage e accorciare davvero la consegna. Misurare entrambe le grandezze impedisce di attribuire allo strumento un beneficio che dipende dall’organizzazione della coda.

La baseline deve comprendere un campione normale, non soltanto i casi più facili scelti per la demo. Se il flusso contiene richieste semplici, ambigue e fuori standard, il test deve mantenere questa composizione. È utile segnare la complessità con tre classi definite prima del pilot, così il confronto non premia l’AI perché le sono stati assegnati solo esempi comodi.

Calcola il costo totale del workflow AI

Il costo del modello è solo una riga. Una misurazione credibile comprende licenze, consumo API, integrazione, manutenzione, supervisione umana e gestione degli errori. Se il workflow utilizza una API che separa regole e decisioni, vanno conteggiati anche logging, monitoraggio e revisioni delle istruzioni.

Per un periodo definito si può usare questa formula:

beneficio netto = costi evitati + margine aggiuntivo - costo totale AI

Il ritorno percentuale, quando i dati sono sufficientemente stabili, diventa:

ROI = beneficio netto / costo totale AI × 100

I costi evitati devono essere reali. Se una persona risparmia cinque ore ma quelle ore non vengono riallocate, non aumenta il volume e non riducono acquisti esterni, il beneficio è capacità disponibile, non cassa. È comunque un indicatore utile, ma va tenuto distinto dal risparmio economico.

Lo stesso vale per il margine aggiuntivo. Una risposta più veloce potrebbe aumentare le conversioni, ma l’aumento va misurato. Non basta inserirlo nel business case perché sembra plausibile. La disciplina consiste nel separare tre colonne: valore osservato, valore stimato e valore ancora da verificare.

Misura qualità, rischio e rilavorazione

Un’automazione più rapida può costare di più se genera errori. Il tempo risparmiato in produzione va quindi corretto con il tempo di revisione, le rilavorazioni e il costo atteso degli incidenti.

Prima del test definisci una checklist breve e verificabile. Per una bozza di risposta commerciale potrebbe includere: dati del cliente corretti, prodotto pertinente, nessuna promessa non autorizzata, tono conforme e presenza della prossima azione. Ogni output viene valutato con gli stessi criteri, sia nella baseline sia nel flusso AI.

Non è necessario affidare la valutazione a un altro modello. Un evaluator automatico può aiutare sui grandi volumi, ma va calibrato su esempi revisionati da persone. Nei pilot piccoli è spesso più affidabile un controllo umano a campione, eseguito senza sapere se l’output proviene dal processo tradizionale o da quello assistito.

Per gli errori conviene distinguere almeno tre gravità:

  • minore: richiede una correzione, ma non raggiunge il cliente;
  • significativa: causa rilavorazione, ritardo o escalation;
  • critica: può produrre danno economico, legale, reputazionale o sulla sicurezza.

Un solo errore critico può rendere irrilevante un risparmio medio. Per questo il tasso di accuratezza complessivo non basta: un 98% può nascondere il 2% che non è accettabile automatizzare.

Esegui un pilot controllato

Un pilot utile ha una domanda che ammette una risposta. Per esempio: “Il supporto AI riduce il tempo attivo per classificare le richieste senza aumentare gli errori significativi?”. Non “vediamo cosa succede usando l’AI”.

Il piano minimo comprende:

  1. ipotesi: quale metrica dovrebbe migliorare e quale non deve peggiorare;
  2. perimetro: un tipo di richiesta, un team e un periodo definito;
  3. confronto: baseline storica oppure gruppo di casi trattati con il metodo precedente;
  4. guardrail: dati esclusi, azioni vietate e punti di approvazione umana;
  5. registro: input, output, correzioni, costo e versione del workflow;
  6. decisione finale: criteri stabiliti prima di vedere i risultati.

Gartner ha rilevato nel 2026 che il 22% delle organizzazioni intervistate aveva scalato l’AI su più unità aziendali o adottato un approccio AI-first. Nello stesso studio, gli high performer — quelli che tracciavano il ROI, gestivano i casi d’uso come un portafoglio e riallocavano o interrompevano i progetti deboli — dichiaravano ritorni positivi nell’81% delle iniziative. È un’associazione emersa da un sondaggio, non una garanzia causale. Il principio trasferibile è però concreto: un pilot deve poter essere chiuso, non soltanto esteso.

Durante il test non cambiare contemporaneamente modello, prompt, interfaccia e regole. Se modifichi tutto, non saprai quale intervento ha prodotto il risultato. Registra ogni versione e introduci una variabile alla volta quando il volume lo consente.

Un esempio numerico per una PMI

Consideriamo un esempio ipotetico, non un benchmark. Una PMI gestisce 120 richieste al mese. La classificazione manuale richiede in media dodici minuti per richiesta; con una bozza AI e verifica umana scende a sette minuti. Il risparmio lordo è di 600 minuti, cioè dieci ore.

Con un costo aziendale interno assunto per il test di 35 euro l’ora, la capacità liberata vale 350 euro. Il workflow costa 95 euro al mese tra API e strumenti. Richiede inoltre quattro ore mensili per controllo, manutenzione e analisi degli errori, pari a 140 euro con lo stesso criterio. Il beneficio netto mensile osservabile è quindi 115 euro:

350 - 95 - 140 = 115 euro

Il calcolo non dimostra ancora che l’azienda abbia incassato 115 euro. Se le dieci ore vengono assorbite senza aumentare output o ridurre altri costi, il risultato corretto è “capacità liberata al netto dei costi”. Per trasformarlo in impatto economico serve documentare la riallocazione: più richieste chiuse, minori straordinari, meno outsourcing o una consegna che genera margine prima.

Ora aggiungiamo la qualità. Se il metodo manuale produceva sei rilavorazioni al mese e quello assistito ne produce nove, bisogna sottrarre il costo delle tre rilavorazioni aggiuntive. Se invece gli errori scendono, quel beneficio entra nel calcolo con un valore documentato. L’esempio mostra perché “minuti risparmiati” e ROI non sono sinonimi.

Decidi se correggere, scalare o fermare

La decisione finale dovrebbe usare una scheda di una pagina. In alto: ipotesi, periodo, volume e responsabile. Al centro: confronto tra baseline e pilot su tempo, qualità, costi ed esito aziendale. In fondo: una delle tre decisioni, con motivazione.

  • Correggere: il beneficio esiste, ma revisione o rilavorazioni assorbono ancora troppo valore.
  • Scalare: il risultato resta positivo includendo tutti i costi, la qualità non peggiora e il team sa gestire eccezioni e incidenti.
  • Fermare: il workflow non supera la baseline, il rischio non è controllabile oppure il valore dipende da ipotesi che non si riescono a misurare.

PwC ha rilevato nel suo AI Performance Study 2026 che il 20% delle aziende concentrava tre quarti dei guadagni economici osservati dall’AI; le organizzazioni leader risultavano anche due volte più propense a ridisegnare i workflow invece di limitarsi ad aggiungere strumenti. Anche qui si tratta di dati dichiarati da grandi aziende, non di una soglia da copiare. La lezione utile è organizzativa: il valore arriva quando cambia il processo, non quando cresce il numero di licenze.

La mia scelta per una PMI è partire da un solo workflow con volume sufficiente, rischio limitato e baseline leggibile. Dopo il pilot, scalerei soltanto ciò che mantiene il vantaggio quando si sommano supervisione, integrazione ed errori. Un progetto fermato con dati chiari non è un fallimento: è capitale che non verrà speso per automatizzare il processo sbagliato.

Fonti