capinorium · Articolo · IA
Non mancano le idee, manca la traduzione: che cosa frena davvero le medie imprese sull'IA
Per individuare casi d'uso dell'IA esistono da tempo metodi collaudati. Alle medie imprese manca altro: la traduzione di una capacità generale dell'IA in un passo concreto del proprio processo o prodotto. Chi parte dal problema invece che dallo strumento, verifica presto i dati e considera seriamente il software tradizionale come alternativa arriva in cinque passi gestibili a una decisione solida.
Anche KfW arriva a questa conclusione nella sua ultima analisi: individuare le prime applicazioni di IA praticabili è «un ostacolo centrale» (KfW Research, Fokus n. 554, 29/07/2026). Gli stessi dati mostrano lo schema: il 14 % delle medie imprese usa la generazione di linguaggio, ma solo il 5 % automazione e supporto decisionale. KfW definisce queste applicazioni «molto specifiche per ogni impresa». Gli strumenti di uso generale vengono adottati. Dove una soluzione va adattata al proprio flusso di lavoro, l'adozione si assottiglia.
Il metodo è noto, applicarlo è il lavoro
Le guide della Plattform Lernende Systeme (2021), di KI-Transfer BW (2022) e del Fraunhofer IIS (2025) sono liberamente disponibili e seguono quasi lo stesso schema. Il problema, dunque, non è conoscere il metodo. Impegnativo è applicarlo al proprio processo. KI-Transfer BW descrive il nocciolo del problema: agli esperti di dati e agli esperti di dominio spesso manca un linguaggio comune su che cosa siano buoni dati e buoni risultati.
Cinque passi dal processo alla prova di fattibilità
1. Capire il problema e il processo. All'inizio c'è un collo di bottiglia con un valore di partenza misurabile: tempo di attraversamento, tasso di errore, onere di lavorazione. Il Fraunhofer IIS raccomanda di fissare già in questa fase criteri di successo e indicatori. Senza valore di partenza, in seguito non si potrà dimostrare se un pilota ha migliorato qualcosa. La Plattform Lernende Systeme consiglia inoltre di cercare in modo mirato nel core business, perché lì i casi d'uso vengono facilmente trascurati.
2. Associare la capacità di IA adatta. Il canvas dei casi d'uso di IA del Fraunhofer IAO rende la «capacità di IA rilevante» un campo obbligatorio accanto alla definizione del problema: ad esempio riconoscimento di immagini, elaborazione del linguaggio, previsione o pianificazione. Un esempio illustrativo: un produttore classifica finora a mano le richieste dei clienti. La capacità adatta è allora la classificazione di testi, non un chatbot. Questa associazione obbliga a dire che cosa debba davvero fare la tecnologia.
3. Verificare i dati prima di costruire. Ci sono dati sufficienti, sono accessibili, sono rappresentativi e l'impresa può usarli? KI-Transfer BW cita un professionista secondo la cui esperienza l'algoritmo rappresenta solo circa il dieci per cento e il resto è reperimento e pulizia dei dati. Diverse guide consigliano quindi di iniziare dove esistono già dati storici.
4. Valutare insieme beneficio e fattibilità. Il canvas del Fraunhofer IAO assegna punti per valore aggiunto, situazione dei dati, know-how e tempo fino a una prova di fattibilità verificata. Importante è un'ulteriore domanda: esistono già soluzioni note per problemi simili? Un grande beneficio con bassa fattibilità è un progetto di ricerca, non un avvio rapido. Entrambi possono essere giusti, ma richiedono budget e aspettative diversi. Come orientamento, la Plattform Lernende Systeme indica per le medie imprese un obiettivo di ritorno sull'investimento inferiore a due anni.
5. Dimostrare in piccolo e con una scadenza. Un prototipo deve dimostrare la fattibilità e, secondo il Fraunhofer IIS, si realizza «tipicamente in poche settimane». Prima vanno fissati criteri di accettazione e un criterio di interruzione. Altrettanto importante è il percorso di integrazione: chi gestisce il sistema, chi monitora i risultati, che cosa succede se i dati cambiano? Nel 2024 Gartner aveva previsto che entro la fine del 2025 almeno il 30 % dei progetti di IA generativa sarebbe stato abbandonato dopo la prova di concetto, tra l'altro per un valore di business poco chiaro (Gartner, 29/07/2024). È una previsione globale, non una misurazione nelle medie imprese, ma mostra dove i progetti falliscono tipicamente.
Quando il software tradizionale è la scelta migliore
Un risultato onesto della traduzione può essere: niente IA. Secondo il Fraunhofer IIS, i sistemi basati su regole continuano a funzionare bene quando la conoscenza specialistica si può tradurre in regole stabili. La People + AI Guidebook di Google PAIR cita altri casi in cui l'IA probabilmente non è migliore: quando conta la prevedibilità, gli errori sono molto costosi, si richiede piena trasparenza o serve una soluzione rapida ed economica. L'IA esprime invece la sua forza con dati variabili e non strutturati, come il linguaggio in molte varianti, le immagini, le previsioni o modelli che cambiano.
La stessa logica vale per l'attuale ondata di agenti. Gartner osserva che molti casi d'uso oggi commercializzati come «agentici» non richiedono un'implementazione agentica e prevede che oltre il 40 % di questi progetti sarà interrotto entro la fine del 2027 (Gartner, 25/06/2025). Spesso basta una regola, un'automazione del flusso di lavoro o una ricerca migliore.
La conoscenza c'è, i traduttori scarseggiano
KfW osserva una correlazione moderata: le imprese per cui riviste specializzate, fiere o consulenza sono fonti di conoscenza importanti usano l'IA un po' più spesso. Che l'una cosa causi l'altra non si può dedurre. Ma rafforza l'ipotesi che il contatto con esempi e competenze aiuti nel primo passo. Secondo KfW, scienza e fornitori specializzati sono invece le fonti di conoscenza meno importanti per le medie imprese. La traduzione deve quindi partire con una soglia bassa: con esempi, un breve assessment e una domanda di verifica chiara.
In pratica significa: parta da un processo concreto, non da uno strumento, e stabilisca prima del primo prototipo che cosa deve dimostrare. Se cerca un assessment strutturato con metodo esterno, un breve colloquio con capinori può essere un buon punto di partenza.
Domande frequenti sui casi d'uso dell'IA nelle medie imprese
Come trovano le medie imprese casi d'uso di IA adatti?
Le medie imprese trovano casi d'uso di IA adatti in modo più affidabile partendo da un problema di processo misurabile. Poi associano una capacità di IA adatta, verificano i dati, valutano beneficio e fattibilità e testano l'idea in una prova di fattibilità piccola e a termine. Le guide di Fraunhofer IIS, Plattform Lernende Systeme e KI-Transfer BW descrivono questo approccio in modo concorde.
Che cosa significa associare una capacità di IA a un processo?
Associare una capacità di IA significa indicare, per un problema di processo concreto, quale prestazione tecnica serve: ad esempio riconoscimento di immagini, classificazione di testi, previsione, pianificazione o generazione di contenuti. Il canvas dei casi d'uso di IA del Fraunhofer IAO prevede questa capacità come campo obbligatorio accanto alla definizione del problema. Così si vede se uno strumento corrisponde davvero al bisogno.
Quando il software tradizionale è migliore dell'IA?
Il software tradizionale basato su regole è di solito la scelta migliore quando la conoscenza specialistica si può tradurre in regole stabili, i risultati devono essere prevedibili e pienamente tracciabili o gli errori sarebbero molto costosi. L'IA conviene di più con dati variabili e non strutturati come linguaggio, immagini o previsioni. I criteri sono indicati dal Fraunhofer IIS e dalla Google PAIR Guidebook.
Perché la verifica dei dati deve avvenire prima del prototipo?
La verifica dei dati va fatta prima del prototipo perché disponibilità, qualità e diritti d'uso dei dati decidono la fattibilità di un progetto di IA. Il white paper di KI-Transfer BW cita un professionista secondo cui reperimento e pulizia dei dati costituiscono la maggior parte dello sforzo. Se i dati vengono verificati tardi, i progetti falliscono spesso per problemi che si sarebbero potuti riconoscere prima.
Quanto dura una prova di fattibilità di IA?
Secondo una guida per le PMI del Fraunhofer IIS, un prototipo di IA per una prova di fattibilità si realizza tipicamente in poche settimane. Non è ancora integrato nell'esercizio produttivo. Decisivi sono criteri di accettazione e di interruzione fissati in anticipo e un percorso di integrazione pianificato, affinché la prova porti a una decisione solida sul passo di budget successivo.
Perché molti progetti di IA falliscono dopo la prova di concetto?
Molti progetti di IA falliscono dopo la prova di concetto per un valore di business poco chiaro, costi crescenti, scarsa qualità dei dati o un controllo dei rischi insufficiente. Nel 2024 Gartner aveva previsto che entro la fine del 2025 almeno il 30 % dei progetti di IA generativa sarebbe stato abbandonato dopo questo passo (Gartner, 2024). È una previsione globale, non una misurazione nelle medie imprese tedesche.
Fonti (8)
- KfW Research: Fokus Volkswirtschaft n. 554, 29/07/2026 (Dr. Volker Zimmermann) (in tedesco). PDF
- Fraunhofer IIS: Schritt für Schritt zur eigenen KI-Lösung. Ein Leitfaden für KMU, aprile 2025 (in tedesco). PDF
- Fraunhofer IAO (KODIS): canvas dei casi d'uso di IA, modello (in tedesco). PDF
- Plattform Lernende Systeme: Künstliche Intelligenz im Mittelstand, giugno 2021 (in tedesco). PDF
- KI-Transfer BW: Wie gelingt KI im Mittelstand?, white paper, 2022 (in tedesco). PDF
- Google PAIR: People + AI Guidebook, capitolo «User Needs + Defining Success» (in inglese). Sito
- Gartner: comunicato del 29/07/2024 sull'IA generativa (in inglese). Sito
- Gartner: comunicato del 25/06/2025 sull'IA agentica (in inglese). Sito
Rudy Winklhofer è titolare e Director R&D di capinori GmbH.
Altri articoli di Rudy Winklhofer
