Negli ultimi due anni abbiamo visto decine di progetti di AI in azienda: alcuni nostri, altri raccontati da chi è venuto da noi dopo un primo tentativo fallito. Ci sono pattern di errore che si ripetono. Cinque su tutti.
Se sei alle prime armi con il vocabolario, può aiutare partire dal nostro glossario AI per imprenditori: molti errori in questa lista nascono da incomprensioni su cosa siano davvero RAG, fine-tuning o agenti.
1. Partire dalla tecnologia, non dal problema
Tipico inizio sbagliato: "Vogliamo usare ChatGPT in azienda". Domanda corretta: "Quale problema specifico ti rallenta abbastanza da giustificare un investimento?". La differenza è enorme. Nel primo caso compri uno strumento e cerchi dove applicarlo. Nel secondo identifichi un costo o un'inefficienza e scegli lo strumento giusto.
Caso reale: un cliente ha speso 8 mesi a integrare un LLM nel call center. Risultato: nessuno lo usava. Dopo l'analisi che avremmo fatto al day-1, è emerso che il vero collo di bottiglia non era nel call center ma nel back office: la soluzione era diversa, più piccola, e costava un quinto.
Come riconoscere il sintomo: se la prima slide del progetto si chiama "Strategia AI" invece di "Riduzione dei tempi di onboarding cliente del 40% entro Q4", sei già su una pista sbagliata. La tecnologia è una conseguenza del problema, non l'inverso.
Antidoto pratico: prima di firmare un preventivo, scrivi una pagina che risponda a tre domande. Quale processo specifico vuoi cambiare? Quanti euro o ore costa oggi? Cosa cambia per il cliente finale? Se non riesci a scriverle, il progetto non è ancora maturo.
2. Voler automatizzare il 100% al day-1
"L'agente deve gestire tutte le richieste in autonomia." No. Un agente che gestisce il 60-70% delle richieste e fa escalation sul resto è un successo, non un fallimento. La trappola del 100% porta a sistemi rigidi, che provano a coprire ogni edge case e finiscono per sbagliare anche i casi facili.
Strategia migliore: punta al 60% nel primo trimestre, sali al 70-80% iterando. Il 100% non lo raggiungi mai e va bene così.
Caso comune: un'azienda di e-commerce voleva un agente che gestisse "tutto il customer care". Sei mesi dopo, il sistema rispondeva in modo accettabile al 90% delle richieste banali, ma sbagliava in modo grossolano sul 10% che riguardava resi e contestazioni. Quel 10% però rappresentava il 40% del valore in gioco. La soluzione: tagliare l'ambito a "domande pre-vendita + tracking ordini" e fare escalation immediata sul resto. La customer satisfaction è schizzata in alto.
Il pattern "agente con guardrail + escalation" è quello che funziona meglio in azienda. Lo spieghiamo nel dettaglio in agente AI: cos'è, come funziona, esempi e casi d'uso.
3. Ignorare il costo dei dati
Un agente AI è bravo quanto i dati che ha disposizione. Se il tuo CRM è sporco, il tuo gestionale frammentato, e le procedure non scritte, l'agente eredita il caos. La gente lo capisce in teoria ma in pratica salta il passo: vuole risultati prima di aver sistemato la base.
Regola pratica: il 30-40% del budget di un progetto AI serio se ne va in pulizia dati, integrazione sistemi, e formalizzazione delle procedure. Se il preventivo che ricevi non lo include, c'è un problema.
Tre segnali che la tua base dati non è pronta:
- I prodotti hanno descrizioni in tre formati diversi a seconda dell'anno in cui sono stati caricati.
- Il CRM ha campi liberi compilati a piacimento dai sales: "stato cliente" può essere "attivo", "active", "ATT", "ok" o vuoto.
- Le FAQ ufficiali sono dentro un file Word del 2019, ma le procedure reali stanno nelle teste delle persone in customer care.
Antidoto: prima di costruire l'agente, fai un'audit di 1-2 settimane sui dati e procedure. Se emergono problemi gravi, decidi se risolverli prima del progetto o restringere l'ambito a un dominio dove i dati sono puliti.
4. Saltare la fase pilota
"Facciamolo subito su tutta l'azienda." Mai. Un pilota su un dipartimento, un caso d'uso, 30 utenti, ti dice in 4-6 settimane se il progetto funziona. Senza pilota, scopri i problemi quando sono già 200 persone a lamentarsi.
Il pilota costa il 10% del progetto totale e fa risparmiare il 100% delle volte in cui il progetto sarebbe stato un disastro.
Cosa deve includere un pilota serio:
- Scope ridotto ma realistico: un caso d'uso, un canale, un team, KPI definiti.
- Dataset di test: 30-100 conversazioni o richieste reali (anonimizzate) per validare le risposte prima del go-live.
- Soglie di accettazione: tasso di risoluzione ≥X%, errori critici ≤Y%, soddisfazione ≥Z. Sotto soglia, non si scala.
- Confronto baseline: misura le stesse metriche nel processo attuale senza AI. Senza baseline non puoi dire se hai migliorato.
- Piano di scale-up: cosa succede se il pilota va bene, e cosa succede se va male. Decidi prima, non dopo.
5. Non misurare nulla
"Sembra che funzioni." "Sembra che gli utenti siano contenti." "Sembra che si risparmi tempo." Sembra non basta. Un agente AI senza KPI è invisibile alla direzione, e quando arriva il taglio di budget cade per primo.
Cosa misurare almeno:
- Volume di richieste gestite (con e senza escalation a umano).
- Tempo medio di risoluzione.
- Tasso di errore (richieste finite male o ripetute).
- Customer satisfaction su un campione.
- Costo per richiesta gestita (vs. baseline pre-AI).
Le metriche tecniche sono interessanti per il team che lo costruisce, ma quelle che salvano il budget sono di business: euro risparmiati, tempi tagliati, NPS migliorato. Mappa esplicitamente le metriche tecniche sui KPI di business prima del go-live.
Per gli ordini di grandezza dei costi e come si calcola un ROI realistico, abbiamo dedicato una guida a parte: quanto costa davvero un agente AI.
Bonus: come riprendere un progetto AI fallito
Capita spesso che ci venga chiesto di intervenire dopo un primo tentativo andato male. La tentazione è ripartire da zero. Quasi mai è la mossa giusta. Cosa funziona invece:
- Ricostruisci la storia: perché era stato avviato, cosa funziona oggi, cosa non funziona, quali costi sono già sostenuti.
- Distingui errori di metodo da errori tecnici. I primi richiedono di ripensare scope e KPI. I secondi spesso sono fixabili senza buttare via il lavoro fatto.
- Identifica un "isola sicura": un sotto-caso d'uso dove il sistema può funzionare con poco lavoro: e portala live in 4-6 settimane. Serve a ricostruire fiducia interna prima di affrontare il resto.
- Solo a quel punto pianifica il rollout completo, con KPI chiari e una cadenza di review.
Il filo comune
Gli errori non sono tecnici. Sono di metodo. La tecnologia AI di oggi è più che sufficiente per gestire l'80% dei casi d'uso aziendali. Quello che manca, quasi sempre, è il rigore nell'inquadrare il problema, definire l'obiettivo, e costruire un percorso a tappe misurabili.
Se stai per partire con un progetto AI, fai questa cosa: scrivi una pagina con problema specifico, KPI di successo, dataset di test, fasi del rollout. Se non riesci a scriverla, il progetto non è ancora pronto per partire.
E se i requisiti normativi ti spaventano, ricorda che molti obblighi dell'AI Act 2026 sono di fatto buon metodo: documentare provider, dati, sorveglianza umana e limiti di azione è quello che separa un progetto serio da una demo abbandonata.