Basta spianare i sentieri delle vacche: perché analisi e ottimizzazione dei processi devono precedere l’implementazione dell’IA

Oggi sono pochi i consigli di amministrazione in cui non ci si pone la domanda «qual è la nostra strategia per l’IA?». La pressione ad agire è concreta e la paura di restare indietro è forte: i concorrenti annunciano progetti pilota e conquistano le prime pagine con l’IA, i fornitori promettono trasformazioni e nessuno vuole essere l’azienda che si è lasciata sfuggire l’occasione. Sotto questa pressione emerge uno schema ricorrente: le organizzazioni trattano l’implementazione dell’IA come il progetto stesso, scegliendo prima uno strumento e solo dopo cercando un ambito in cui applicarlo.

Le evidenze — provenienti dall’economia, dalla ricerca sui sistemi informativi e da una crescente raccolta di analisi post mortem sulle iniziative di IA fallite — indicano la direzione opposta. Le organizzazioni che ottengono valore dall’Intelligenza Artificiale non sono quelle che la adottano più rapidamente, ma quelle che preparano il terreno: ripensano il proprio business, mappano, analizzano e ottimizzano i processi aziendali prima che un solo modello entri in produzione. Una massima spesso attribuita a Bill Gates riassume la logica di fondo: «(...) l’automazione applicata a un’operazione efficiente ne amplifica l’efficienza, mentre l’automazione applicata a un’operazione inefficiente ne amplifica l’inefficienza». L’attribuzione potrebbe essere leggendaria; il meccanismo, come vedremo, è ben documentato.

Questo articolo sostiene — prove alla mano — una sequenza che gli operatori più rigorosi hanno sempre seguito: prima analizzare, poi ottimizzare, infine automatizzare.

 

I conti scomodi dell’IA aziendale

Partiamo dai risultati. Uno studio della RAND Corporation del 2024, basato su interviste a data scientist e ingegneri esperti, ha stimato che oltre l’80% dei progetti di IA fallisce: circa il doppio rispetto ai progetti IT che non coinvolgono l’IA [1]. Un anno dopo, il Project NANDA del MIT ha riferito un dato ancora più sorprendente per l’era dell’IA generativa: nonostante decine di miliardi di dollari investiti dalle imprese, circa il 95% dei progetti pilota di IA generativa non produceva alcun impatto misurabile sul conto economico, mentre solo circa il 5% degli strumenti aziendali personalizzati arrivava mai alla produzione su larga scala [2].

I dati dei sondaggi raccontano la stessa storia da un’altra prospettiva. S&P Global Market Intelligence ha rilevato che nel 2025 la quota di aziende che ha abbandonato la maggior parte delle proprie iniziative di IA è salita al 42%, rispetto al 17% dell’anno precedente; in media, il 46% delle prove di fattibilità è stato accantonato prima di arrivare alla produzione [3]. Gartner aveva previsto proprio questa selezione, stimando che entro la fine del 2025 sarebbe stato abbandonato almeno il 30% dei progetti di IA generativa dopo la prova di fattibilità [4]. E tutto questo non riguarda soltanto l’IA generativa: già nel 2019, prima che esistesse ChatGPT, un’indagine globale condotta da MIT Sloan Management Review e Boston Consulting Group aveva rilevato che sette aziende su dieci dichiaravano di aver ottenuto fino ad allora un impatto minimo o nullo dai propri investimenti nell’IA [5].

Il dato importante, tuttavia, non è il tasso di fallimento, ma le cause del fallimento. Quando i ricercatori della RAND hanno classificato le cause alla radice, le principali non avevano quasi nulla a che fare con gli algoritmi: mancato allineamento tra i responsabili aziendali e i team tecnici sul problema che l’IA avrebbe dovuto risolvere; indisponibilità dei dati necessari per addestrare modelli adeguati; attenzione rivolta all’uso della tecnologia più recente anziché alla risoluzione di problemi concreti degli utenti; infrastrutture e governance dei dati inadeguate [1]. Il rapporto del MIT è giunto a una conclusione complementare: i progetti pilota falliscono perché gli strumenti non si integrano nei flussi di lavoro reali e non apprendono dal contesto operativo, creando un «divario di apprendimento» radicato nelle operazioni, non nella qualità dei modelli [2].

In altre parole, l’IA aziendale fallisce soprattutto nella scelta dei problemi, nei dati e nell’integrazione nei processi. Sono esattamente gli aspetti che l’analisi dei processi serve a mettere a punto.

 

Abbiamo già visto questo film

Nulla di tutto questo dovrebbe sorprendere chi ricorda l’ultima volta che una tecnologia di uso generale si è diffusa nelle imprese. Nel 1990, dopo un decennio di ingenti investimenti aziendali nell’IT che avevano prodotto risultati deludenti in termini di produttività, Michael Hammer ne individuò la causa in uno degli articoli di management più influenti mai pubblicati: le aziende usavano la tecnologia per meccanizzare i vecchi metodi di lavoro, lasciando intatti i processi inefficienti e facendoli semplicemente eseguire più velocemente dai computer. «È ora di smettere di asfaltare i sentieri delle vacche», scrisse: anziché incorporare nei chip e nel software processi obsoleti, le organizzazioni avrebbero dovuto prima riprogettare il lavoro stesso [6].

Gli economisti quantificarono poi ciò che Hammer aveva intuito. Studiando i dati a livello di impresa degli anni Novanta, Erik Brynjolfsson e Lorin Hitt dimostrarono che i rendimenti degli investimenti nell’IT erano molto disomogenei e che la differenza dipendeva dagli investimenti organizzativi complementari: le aziende che riprogettavano i processi, decentravano le decisioni e investivano nelle competenze ottenevano forti incrementi di produttività dalla stessa tecnologia che produceva risultati modesti nelle aziende che si limitavano a installarla [7]. Due decenni dopo, la stessa tradizione di ricerca ha formalizzato questo fenomeno nella «curva a J della produttività»: le tecnologie di uso generale — elettricità, informatica e oggi IA — generano benefici solo dopo un certo ritardo, perché prima le aziende devono costruire risorse complementari intangibili, come nuovi processi, nuove competenze e flussi di lavoro riorganizzati. Se si tralasciano questi elementi complementari, la tecnologia continua a rendere meno del previsto [8].

L’IA è il seguito di questo film, con budget più elevati e cicli di entusiasmo più rapidi. La tecnologia è cambiata; l’economia della complementarità no.

Ecco perché Mourinho Solutions è il partner giusto per guidarti nel percorso verso una maggiore efficienza nella tua organizzazione e per massimizzare il rendimento del tuo investimento nell’IA. Sosteniamo che il business venga prima: la tecnologia (e l’IA) deve venire dopo. E ci sono 5 buone ragioni per farlo.

 

Motivo 1: l’automazione amplifica qualsiasi processo su cui interviene

Un algoritmo applicato a un processo ne eredita la logica, comprese le sue disfunzioni. Questo era l’avvertimento originario di Hammer sull’IT [6], e la comunità di ricerca ha lanciato esattamente lo stesso monito durante il boom della robotic process automation (RPA) alla fine degli anni 2010. Poiché i robot RPA replicano il modo in cui il lavoro viene svolto attualmente — facendo clic sulle stesse schermate e seguendo le stesse regole — automatizzare senza aver prima esaminato il processo significa rischiare di gettare una colata di cemento digitale sull’inefficienza, rendendo un processo inefficiente più veloce, più rigido e più difficile da modificare [9]. Anche una revisione sistematica della letteratura sulla RPA ha individuato nella selezione e idoneità dei processi — basati su regole, standardizzati e maturi — uno dei principali fattori determinanti del successo, e nella scelta inadeguata dei processi una causa ricorrente di fallimento delle iniziative [10].

La lezione si applica direttamente all’IA, e con rischi potenzialmente maggiori. Un modello linguistico che redige risposte all’interno di una catena di approvazione mal progettata si limita a riempire più velocemente la coda del collo di bottiglia. Un modello di machine learning che prevede la domanda per un processo di pianificazione che nessuno segue produce previsioni che nessuno utilizza. L’amplificazione è proprio lo scopo dell’automazione: ecco perché ciò che viene amplificato merita di essere esaminato per primo.

 

Motivo 2: la qualità dei dati è il risultato dei processi — ed è peggiore di quanto si pensi

Ogni sistema di IA dipende dai dati, e i dati dipendono dai processi: sono creati, inseriti, trasformati e trasferiti dalle attività quotidiane dell’azienda. La situazione di questi dati è preoccupante. In uno studio in cui i responsabili hanno valutato campioni dei dati delle proprie organizzazioni, solo il 3% dei dati aziendali rispettava gli standard di qualità di base e quasi la metà dei record appena creati conteneva almeno un errore critico, con ripercussioni sul lavoro [11]. Gli intervistati della RAND hanno annoverato la mancanza di dati adeguati e utilizzabili tra le principali cause del fallimento dei progetti di IA, osservando che le organizzazioni sottovalutano sistematicamente il lavoro di preparazione dei dati richiesto dalla tecnologia [1].

Le conseguenze di questa negligenza sono ben documentate anche tra gli operatori. Uno studio sui professionisti dell’IA in settori ad alto rischio ha rilevato che il 92% aveva sperimentato «cascate di problemi nei dati»: errori a catena a valle, innescati da problemi di qualità dei dati a monte e in genere invisibili finché non emergono sotto forma di modelli malfunzionanti e implementazioni abbandonate [12]. Già il titolo dello studio diagnostica il problema di sequenziamento del settore: «Tutti vogliono lavorare sui modelli, non sui dati».

Ecco il punto strategico: non si può risolvere il problema della qualità dei dati con una campagna di pulizia, perché i dati errati vengono continuamente riprodotti dai processi che li generano. L’analisi dei processi individua i punti in cui i dati vengono creati, duplicati, reinseriti e alterati; l’ottimizzazione dei processi corregge il difetto all’origine. Un’organizzazione che ottimizza prima i propri processi costruisce, in modo discreto e simultaneo, le fondamenta dei dati su cui poggerà la futura IA.

 

Motivo 3: senza visibilità sui processi, sceglierai i casi d’uso sbagliati

Decidere dove applicare l’IA è una scelta di portafoglio e non si può farlo con criterio senza sapere come si svolge davvero il lavoro. Davenport e Ronanki [13], dopo aver esaminato 152 progetti di tecnologie cognitive, hanno rilevato che le ambiziose iniziative «da colpo grosso» deludevano regolarmente le aspettative, mentre chi otteneva risultati seguiva un approccio incrementale: esaminava i processi attività per attività e abbinava capacità specifiche dell’IA a specifici colli di bottiglia in specifici flussi di lavoro.

La visibilità a livello di singola attività è proprio ciò che offre la disciplina del business process management (BPM) ed è una delle nostre competenze distintive. Il ciclo di vita standard del BPM prevede l’identificazione, la scoperta, l’analisi e la riprogettazione dei processi prima della loro implementazione e automazione: una sequenza consolidata da decenni di pratica, secondo cui automatizzare un processo senza averlo esaminato è un errore di categoria [14]. Il process mining moderno rafforza ulteriormente questo approccio: ricostruendo i processi a partire dai registri degli eventi dei sistemi IT esistenti, sostituisce le mappe dei processi basate sulle opinioni con evidenze, mettendo in luce il numero reale di varianti dei processi, i cicli di rilavorazione, le deviazioni e i colli di bottiglia che le sole interviste non possono rivelare [15]. È, in effetti, una radiografia prima dell’intervento chirurgico, e spesso dimostra che il processo descritto dai dirigenti non corrisponde a quello effettivamente seguito dall’organizzazione.

I classici casi di successo dell’automazione si basavano proprio su questa disciplina nella selezione. In Telefónica O2, uno dei primi e più citati progetti di RPA — che alla fine ha generato un ritorno sull’investimento di diverse centinaia di punti percentuali — gli obiettivi dell’automazione sono stati scelti con attenzione: processi ad alto volume, standardizzati e basati su regole, stabilizzati prima di applicarvi i robot software [16]. Il successo è stato costruito in fase di selezione, non nel software.

 

Motivo 4: a volte il miglior «progetto di IA» consiste nell’eliminare una fase

L’analisi dei processi ha un’abitudine scomoda: continua a trovare problemi che non richiedono affatto l’IA. Un’approvazione duplicata, un rapporto che nessuno legge, un passaggio di consegne che esiste a causa di un organigramma del 2014, dati inseriti manualmente in due sistemi che potrebbero semplicemente essere integrati: la classica dottrina dell’ingegneria industriale insegna a eliminare, combinare e semplificare prima di automatizzare, perché automatizzare gli sprechi produce soltanto sprechi più veloci. Questo era il fulcro dell’argomentazione di Hammer: «non automatizzare, ma eliminare radicalmente»; gran parte delle attività che si chiedeva alla tecnologia di velocizzare non avrebbe dovuto esistere affatto [6].

A livello personale, apprezzo molto il motto spesso attribuito a Leonardo da Vinci: «la semplicità è la massima raffinatezza». Semplificare un processo è un lavoro impegnativo: richiede solide competenze analitiche, la capacità di mettere in relazione contributi provenienti da diverse aree organizzative e di integrare conoscenze di diversi ambiti. È proprio il mestiere su cui abbiamo costruito Mourinho Solutions.

Per un’organizzazione che sta per finanziare un programma di IA, questo non è una deviazione dal percorso: significa ottenere risparmi e ridurre i rischi senza costi aggiuntivi. Le fasi eliminate non costano nulla da automatizzare, non richiedono manutenzione dei modelli, non introducono nuovi modi di fallire e generano benefici immediati. Il lavoro sui processi porta anche un secondo vantaggio: una base di riferimento misurata. Uno dei risultati principali del rapporto MIT NANDA è che la maggior parte dei progetti pilota di IA generativa non poteva dimostrare un impatto misurabile sul conto economico [2], ma l’impatto si può misurare solo rispetto a un punto di partenza noto. Un processo ottimizzato dispone di tempi di ciclo, tassi di errore e costi per transazione documentati; la successiva implementazione dell’IA eredita gratuitamente la capacità di dimostrare il proprio ROI.

 

Motivo 5: il valore dell’IA si realizza attraverso il cambiamento organizzativo, non installando un software

Infine, le ricerche sull’origine concreta del valore dell’IA convergono su una verità scomoda per le strategie che mettono gli strumenti al primo posto: il valore si materializza a livello dei processi aziendali e solo quando l’organizzazione cambia insieme alla tecnologia. Una revisione sistematica della letteratura sull’IA e sul valore aziendale ha rilevato che i primi effetti si manifestano sotto forma di maggiore efficienza dei processi e migliori decisioni al loro interno, e che il loro conseguimento dipende da fattori organizzativi abilitanti e da una trasformazione intenzionale dei processi aziendali, non dalla sofisticatezza del modello [17]. Anche gli studi basati su interviste alle aziende che adottano l’IA individuano nella preparazione organizzativa — allineamento strategico, qualità e governance dei dati, conoscenza dei processi e cultura — una condizione preliminare da valutare prima delle decisioni di adozione, non da scoprire dopo [18].

Le ricerche sul campo confermano questa conclusione. I dirigenti di McKinsey, in un articolo pubblicato su Harvard Business Review, hanno riferito che i principali ostacoli alla diffusione dell’IA non sono di natura tecnica, ma culturale e organizzativa, e che per avere successo occorre riprogettare i flussi di lavoro e gestire le iniziative di IA come cambiamenti dei processi guidati dal business, con team interdisciplinari, non come installazioni IT [19]. Inoltre, nello studio globale di MIT Sloan/BCG, le aziende che hanno effettivamente ottenuto valore dall’IA si distinguevano per il modo in cui combinavano strategia, cambiamento organizzativo e tecnologia, anziché trattare la tecnologia come se fosse la strategia [5].

L’analisi e l’ottimizzazione dei processi sono proprio questo lavoro organizzativo, svolto nell’ordine corretto. Consentono alla leadership di allinearsi sui problemi prioritari (affrontando la causa numero uno dei fallimenti individuata dalla RAND [1]), forniscono la comprensione dei processi necessaria per riprogettare i flussi di lavoro e creano operazioni stabili e standardizzate, sulle quali è possibile implementare l’IA con sicurezza.

 

Mourinho Solutions ti accompagna con l’approccio «prima i processi»

Nessuno dei motivi esposti sostiene che si debbano trascorrere anni ad analizzare prima che qualcuno possa avvicinarsi a un modello. Si tratta invece di seguire una sequenza breve e rigorosa — in sostanza, la prima metà del ciclo di vita del BPM [14] — da svolgere in settimane, non in trimestri, e proporzionata alle ambizioni del programma di IA che precede.

Mourinho Solutions adotta un approccio di consulenza su misura, basato su conoscenze all’avanguardia e anni di esperienza, che guida metodicamente la tua organizzazione lungo l’intero ciclo di vita del BPM, per garantirti il massimo rendimento dal tuo investimento.

C’è anche un effetto cumulativo da sottolineare. Le organizzazioni che fanno parte della minoranza di successo — il 5% del MIT, i «pionieri» degli studi MIT Sloan/BCG — non si sono limitate a evitare il fallimento: hanno sviluppato capacità organizzative che rendono ogni successiva implementazione dell’IA meno costosa e più rapida della precedente [5], [2]. La chiarezza sui processi, flussi di dati puliti e un approccio rigoroso alla misurazione sono infrastrutture. E acquistano valore nel tempo.

 

Conclusione: pronti per l’IA significa pronti nei processi

La corsa a implementare l’IA considera l’analisi dei processi un rallentamento. Le evidenze dimostrano il contrario: è la misura di riduzione del rischio con il maggiore impatto, perché interviene sulle cause alla radice documentate dei fallimenti dell’IA — problema sbagliato, dati inadeguati, flussi di lavoro non integrati — prima che si sommino fino a far abbandonare un progetto pilota. Asfaltare i sentieri delle mucche non creerà praticamente alcun valore e può addirittura ridurlo. Trentacinque anni di ricerche, dalla reingegnerizzazione dei processi aziendali [6] all’economia della complementarità [7], [8], fino alle analisi a posteriori dell’attuale generazione di progetti di IA [1], [2], raccontano una storia coerente: la tecnologia moltiplica ciò che trova nell’organizzazione. Ottimizzate prima l’organizzazione, e l’IA moltiplicherà qualcosa che vale la pena moltiplicare.

La domanda per i gruppi dirigenti, quindi, non è «quanto rapidamente possiamo implementare l’IA?», ma «quali dei nostri processi, una volta compresi e ottimizzati, verrebbero davvero trasformati dall’IA?». Rispondere in quest’ordine è ciò che distingue il 5% dal 95%.

Mourinho Solutions fa in modo che la vostra organizzazione appartenga al 5%.

---

In Mourinho Solutions, lavoriamo proprio seguendo questa sequenza. Aiutiamo le organizzazioni a mappare e analizzare i propri processi, a ottimizzarli per ottenere miglioramenti misurabili e solo in seguito a progettare e implementare l’IA dove offre benefici comprovabili. Se la vostra azienda sta pianificando un’iniziativa di IA, cominciate parlando dei vostri processi: contattateci per una valutazione dei processi.

 

 

Riferimenti

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Available: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, «The GenAI divide: State of AI in business 2025», MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Available: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, indagine «Voice of the Enterprise: AI & machine learning», 2025; risultati riportati in «AI project failure rates are on the rise: Report», CIO Dive, Mar. 2025. [Online]. Available: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, «Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025», comunicato stampa, Jul. 29, 2024. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, «Winning with AI», MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, Res. Rep., 2019. [Online]. Available: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, «Reengineering work: Don’t automate, obliterate», Harvard Business Review, vol. 68, no. 4, pp. 104–112, Jul.–Aug. 1990. [Online]. Available: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, «Beyond computation: Information technology, organizational transformation and business performance», Journal of Economic Perspectives, vol. 14, no. 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, «The productivity J-curve: How intangibles complement general purpose technologies», American Economic Journal: Macroeconomics, vol. 13, no. 1, pp. 333–372, Jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, «Robotic process automation», Business & Information Systems Engineering, vol. 60, no. 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., «Robotic process automation: Contemporary themes and challenges», Computers in Industry, vol. 115, Art. no. 103162, Feb. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, «Only 3% of companies’ data meets basic quality standards», Harvard Business Review, Sep. 11, 2017. [Online]. Available: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, «“Everyone wants to do the model work, not the data work”: Data cascades in high-stakes AI», in Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, Art. no. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, «Artificial intelligence for the real world», Harvard Business Review, vol. 96, no. 1, pp. 108–116, Jan.–Feb. 2018. [Online]. Available: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Fundamentals of Business Process Management, 2nd ed. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2nd ed. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, «Robotic process automation at Telefónica O2», MIS Quarterly Executive, vol. 15, no. 1, pp. 21–35, Mar. 2016. [Online]. Available: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, «Artificial intelligence and business value: A literature review», Information Systems Frontiers, vol. 24, no. 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, «Ready or not, AI comes — An interview study of organizational AI readiness factors», Business & Information Systems Engineering, vol. 63, no. 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, «Building the AI-powered organization», Harvard Business Review, vol. 97, no. 4, pp. 62–73, Jul.–Aug. 2019. [Online]. Available: https://hbr.org/2019/07/building-the-ai-powered-organization