---
title: Cosa succede davvero quando provi a scalare l'IA oltre il progetto pilota
description: La maggior parte delle aziende resta bloccata tra "abbiamo provato ChatGPT" e "l'IA fa parte di come lavoriamo". Ecco come si presenta quel caos nel mezzo e perché così tante non riescono mai a venirne fuori.
date: February 5, 2026
author: Robert Soares
category: ai-strategy
---

Qualcuno nel tuo team ha costruito qualcosa con l'IA. Magari una demo, magari una prova di concetto, magari solo un'email davvero impressionante che ha fatto entusiasmare la dirigenza. Ora tutti vogliono sapere: possiamo farlo in tutta l'organizzazione?

La risposta breve è: forse.

La risposta lunga attraversa un paesaggio pieno di progetti pilota abbandonati, budget bruciati e "iniziative di IA" che si sono richiuse, in silenzio, dentro le operazioni normali senza clamore. [La ricerca del MIT del 2025](https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/) ha rilevato che il 95% dei progetti pilota di IA generativa in ambito enterprise non riesce a produrre ritorni finanziari misurabili. Non "sotto-performare le aspettative". Non riuscire a produrre nulla di misurabile, punto.

Quella statistica merita di restare con te per un momento, perché spiega l'energia nervosa che c'è oggi intorno all'adozione dell'IA nelle organizzazioni. Tutti stanno facendo progetti pilota. Quasi nessuno sta andando in produzione.

## Lo spazio tra demo e norma

C'è una zona specifica in cui le iniziative di IA vanno a morire. Succede dopo la fase entusiasmante del pilota, quando un piccolo team dimostra che qualcosa funziona, ma prima che lo strumento si incastri davvero nel modo in cui le persone fanno il loro lavoro. Questa zona si è guadagnata un nome nei giri della consulenza: il purgatorio dei progetti pilota.

Il pilota funziona. Anzi, funziona benissimo. Qualcuno nel marketing scrive tre mesi di post social in un pomeriggio. Il team vendite genera messaggi di contatto personalizzati che suonano davvero personalizzati. Il legale dimezza i tempi di revisione dei contratti.

Poi arriva la realtà.

Il promotore del pilota viene spostato su un altro progetto. Lo strumento deve passare una revisione di sicurezza prima di poter toccare i dati dei clienti. L'IT non ha budget per integrarlo con i sistemi esistenti. Le persone che non erano nel pilota non sanno usarlo e non hanno tempo per imparare. I quadri intermedi sono scettici perché il successo potrebbe voler dire che il loro team si riduce.

Sei mesi dopo, qualcuno chiede che fine abbia fatto quella cosa di IA, e nessuno ha una buona risposta.

## Perché il salto conta

Ecco cosa cambia quando passi dal pilota alla produzione: tutto.

Un pilota coinvolge una manciata di persone motivate che si sono offerte volontarie per provare qualcosa di nuovo. Scalare significa portare dentro tutti gli altri: quelli che non hanno alzato la mano, quelli scettici, quelli troppo impegnati e quelli che, in silenzio, sono terrorizzati.

I piloti operano fuori dai processi normali. La produzione significa integrazione con qualunque sistema intrecciato di approvazioni, passaggi di consegne e flussi di lavoro che la tua organizzazione si è accumulata addosso in decenni.

I piloti tollerano l'imperfezione perché sono esperimenti. La produzione richiede affidabilità perché il lavoro vero delle persone dipende da quello.

Il cambio di mentalità è drastico. Un commentatore su Hacker News l'ha detto senza giri di parole: "Almost all of the Enterprise/Corporate AI offerings are a significant step in cost that needs to bear actual fruit in order to be worthwhile, not to mention the compliance and security requirements most places have in order to get these things approved." Quel processo di approvazione è il punto in cui l'entusiasmo incontra la burocrazia, e spesso la burocrazia vince per logoramento.

## Il paradosso del budget

Le organizzazioni mettono con costanza i soldi dell'IA nei posti sbagliati. [Lo studio del MIT](https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/) ha rilevato che più della metà dei budget per l'IA generativa va su strumenti per vendite e marketing, ma il ritorno sull'investimento più grande emerge nell'automazione delle attività di back office. Tutti vogliono le applicazioni d'effetto rivolte al cliente. Le cose noiose operative sono dove sta il valore vero.

Questo scarto crea un ciclo prevedibile. Finanzia il caso d'uso entusiasmante. Poi scopri che è più difficile del previsto, perché l'IA rivolta al cliente deve essere perfetta e i clienti sono imprevedibili. Nel frattempo, l'amministrazione continua a riconciliare manualmente le fatture perché nessuno ha allocato budget per quel flusso di lavoro.

Johnson & Johnson ha portato avanti 900 progetti di IA generativa in tre anni dopo aver incoraggiato i dipendenti a sperimentare liberamente. Hanno scoperto che [solo il 10-15% di quei casi d'uso ha prodotto l'80% del valore](https://www.deeplearning.ai/the-batch/johnson-johnson-reveals-its-revised-ai-strategy/). Ora l'azienda sta concentrando le risorse sui progetti ad alto impatto e tagliando il resto. Tre anni e 900 esperimenti per capire quali scommesse pagano davvero.

La maggior parte delle aziende non farà 900 esperimenti. Ne farà cinque o dieci, sceglierà in base a ciò che è più eccitante invece di ciò che è più prezioso, e poi si chiederà perché i risultati deludono.

## L'IA nell'ombra è già realtà

Mentre la tua iniziativa ufficiale di IA si fa strada tra acquisti e revisione di sicurezza, i tuoi dipendenti stanno già usando l'IA. Solo che lo stanno facendo in modi che non puoi vedere né controllare.

I dati qui sono impressionanti. [La ricerca di Cyberhaven](https://www.cyberhaven.com/blog/shadow-ai-how-employees-are-leading-the-charge-in-ai-adoption-and-putting-company-data-at-risk) ha rilevato che il 73,8% degli account ChatGPT usati sul lavoro sono account personali, senza controlli di sicurezza enterprise. Per Gemini di Google è il 94,4%. Per Bard, il 95,9%.

I tuoi dipendenti non ti stanno aspettando.

Stanno incollando dati dei clienti dentro strumenti di IA consumer per fare prima. Stanno usando account personali perché l'azienda non ha fornito alternative approvate. Il 27,4% dei dati aziendali che i dipendenti inviano agli strumenti di IA ora è classificato come sensibile, in aumento rispetto al 10,7% di un anno prima.

Questo crea una situazione strana: lo sforzo formale per scalare l'IA si muove lentamente nella revisione di conformità, mentre l'uso incontrollato dell'IA si espande rapidamente nell'ombra. Quando finalmente parte il rollout ufficiale, le abitudini si sono già formate intorno a strumenti non approvati. Non stai introducendo l'IA; stai chiedendo alle persone di passare a una versione diversa.

Le organizzazioni intelligenti trovano questi utenti "nell'ombra" e imparano da loro invece di punirli. Che problemi stanno risolvendo? Cosa ti dice questo su dove l'IA aiuta davvero?

## I numeri delle persone

Scalare l'IA significa passare da primi adottanti entusiasti a una maggioranza scettica. È una sfida diversa.

[La ricerca di BCG](https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain) ha rilevato che più di tre quarti tra leader e manager dicono di usare l'IA generativa più volte a settimana, ma l'uso regolare tra i dipendenti in prima linea si è fermato al 51%. Il divario non è l'accesso. La maggior parte delle organizzazioni ha già fornito strumenti. Il divario è l'adozione.

Le persone che faticano di più ad adottare l'IA non sono quelle che ti aspetteresti. I senior con competenze profonde a volte resistono perché l'IA minaccia il valore della conoscenza che hanno costruito in decenni. L'analista che sapeva sempre dove trovare i dati ora vede un collega junior ottenere risposte simili con un prompt. È destabilizzante in modi che vanno oltre la produttività.

Altra resistenza è più semplice. Le persone sono occupate. Imparare un nuovo strumento richiede tempo. Il beneficio non è ovvio. Le conseguenze degli errori sembrano alte. Aspettare di vedere se anche questa iniziativa "regge" appare ragionevole quando le ultime tre iniziative tecnologiche sono passate e scomparse.

Un modello che funziona è la rete di promotori interni. Novartis, Adobe e HSBC hanno tutti avviato programmi in cui dipendenti volontari sperimentano nuovi strumenti, condividono casi d'uso e fanno da mentor ai colleghi. Il promotore non è l'IT o la leadership che dice alla gente cosa fare. È un collega che mostra come lo usa lui, in concreto. Quell'influenza tra pari conta più dei mandati di policy.

## Quando l'IA porta davvero risultati

Le storie di successo esistono. Lumen Technologies riporta che Copilot [fa risparmiare al team vendite una media di quattro ore a settimana](https://news.microsoft.com/source/features/digital-transformation/the-only-way-how-copilot-is-helping-propel-an-evolution-at-lumen-technologies/), equivalenti a 50 milioni di dollari l'anno. Attività che richiedevano quattro ore ora richiedono quindici minuti.

Ciò che rende notevole l'esperienza di Lumen non è la tecnologia. È che hanno distribuito Copilot tra reparti e funzioni di business invece di tenerlo per sempre confinato nel pilota di un solo team. Lo strumento è diventato parte di come si lavora, non un esperimento opzionale.

La sanità offre un altro esempio. Come una persona [ha descritto su Hacker News](https://news.ycombinator.com/item?id=46109534): "I'm in the process of deploying several AI solutions in Healthcare. We have a process a nurse usually spends about an hour on, and costs $40-$70 depending on if they are offshore and a few other factors. Our AI can match it at a few dollars often less." Ha aggiunto che, nei test, l'IA individuava spesso problemi che gli infermieri non vedevano, mentre gli infermieri raramente trovavano problemi che l'IA non aveva notato.

Il filo comune nelle storie di successo non è una strategia di IA geniale. È l'esecuzione ostinata dei fondamentali noiosi: casi d'uso chiari legati a risultati misurabili, integrazione con i flussi di lavoro esistenti, formazione che prepara davvero le persone a usare gli strumenti e leadership che resta coinvolta oltre la fase dell'annuncio.

## Il problema di integrazione di cui nessuno parla

La maggior parte degli strumenti di IA non funziona in isolamento. Funziona collegandosi ai tuoi dati.

Sembra semplice finché non ti rendi conto che i tuoi dati vivono in diciassette sistemi diversi che non parlano tra loro, metà dei quali hanno proprietà poco chiare e stranezze non documentate che solo la persona andata via due anni fa capiva davvero fino in fondo.

Strumenti generici come ChatGPT eccellono per i singoli perché lavorano con qualunque cosa tu incolli dentro. Faticano nelle aziende perché non possono accedere al contesto. L'IA non conosce la tua storia clienti, il catalogo prodotti, la terminologia interna o i processi specifici. Senza quel contesto, gli output richiedono pesanti revisioni.

[La ricerca del MIT](https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/) indica questo "divario di apprendimento" come una ragione centrale per cui i piloti non riescono a scalare. Il problema non è la qualità del modello. È che gli strumenti generici non si adattano ai flussi di lavoro organizzativi. Le soluzioni di IA acquistate da fornitori specializzati hanno successo circa il 67% delle volte, mentre i sistemi costruiti internamente hanno successo solo un terzo di quella frequenza. Il vantaggio dei fornitori deriva in parte dal fatto che hanno già risolto problemi di integrazione.

## Sviluppare o acquistare

La decisione tra sviluppare e acquistare ha una posta in gioco più alta con l'IA rispetto al software tipico.

Sviluppare ti dà controllo e personalizzazione, ma richiede capacità che la maggior parte delle organizzazioni non ha. Servono persone che capiscano i limiti dell'IA, che sappiano costruire sistemi affidabili e mantenerli mentre i modelli evolvono. La tecnologia cambia più in fretta del software tradizionale, quindi ciò che costruisci oggi potrebbe richiedere un rimaneggiamento significativo tra diciotto mesi.

Acquistare significa implementazione più rapida, ma meno personalizzazione e dipendenza continua dal fornitore. Sei vincolato a ciò che lo strumento del fornitore sa fare bene, e questo potrebbe non allinearsi ai tuoi flussi di lavoro specifici.

I dati del MIT mostrano che acquistare funziona più spesso che sviluppare per le organizzazioni senza competenze di IA profonde. Ma acquistare crea i suoi problemi quando i fornitori cambiano direzione di prodotto, aumentano i prezzi o chiudono. Dipendere da un solo fornitore per flussi di lavoro critici introduce un rischio che prima non c'era.

Alcune organizzazioni provano approcci ibridi: comprano dai fornitori la capacità di IA di base, ma costruiscono livelli di integrazione personalizzati. Può catturare i benefici di entrambi, ma somma anche le sfide di entrambi. Servono capacità di gestione dei fornitori e competenza tecnica interna.

## Cosa gestiscono davvero i quadri intermedi

Le slide del top management descrivono la trasformazione IA in fasi pulite. Valutare, pilota, scalare, ottimizzare. Frecce nette verso destra. Obiettivi misurabili a ogni stadio.

L'esperienza dei quadri intermedi è più disordinata.

Gli viene chiesto di centrare gli stessi target mentre il team impara nuovi strumenti. Il tempo di formazione esce dal tempo di produttività. Gli errori iniziali generano rifacimenti. Alcune persone si adattano in fretta e altre no, creando tensione. Gli strumenti aiutano su certi compiti ma non su altri, quindi i flussi di lavoro diventano un patchwork.

Sentono dall'alto che l'adozione dell'IA è una priorità. Sentono dal basso che gli strumenti sono inaffidabili o che le persone non hanno tempo. Provano a trovare un compromesso realistico mentre le metriche si aspettano miglioramenti immediati.

I quadri intermedi spesso determinano se l'IA mette davvero radici. Sono loro a decidere se far rispettare l'uso degli strumenti, come gestire la resistenza e se i membri del team in difficoltà ricevono supporto o pressione. La sponsorizzazione dei vertici conta per allocare risorse, ma la gestione intermedia decide la realtà di tutti i giorni.

## Il 95% e il 5%

Se il 95% dei piloti non riesce a produrre ritorni misurabili, cosa fa di diverso il 5%?

Non è più "bravo" con l'IA. È più bravo nel cambiamento organizzativo.

Il 5% parte da problemi ben definiti e lega l'IA direttamente a risultati misurabili, non "migliorare l'efficienza" ma "ridurre il tempo di revisione dei contratti da 4 ore a 1 ora". Quella specificità gli permette di sapere se sta funzionando.

Mette la responsabilità operativa in mano alle persone più vicine ai flussi di lavoro, non a team di innovazione che operano in parallelo al lavoro reale. Le persone che fanno il lavoro diventano le persone che danno forma a come l'IA assiste quel lavoro.

Investe in modo sproporzionato sul lato persone e processi. La ripartizione che continua a emergere nella ricerca è qualcosa come 10% algoritmi, 20% infrastruttura, 70% persone e processi. La maggior parte delle organizzazioni ribalta questo rapporto, spendendo molto sulla tecnologia e dando per scontato che l'adozione seguirà.

Integra la governance nel piano fin dall'inizio, non come ripensamento quando emergono problemi. Tracciabilità, metriche chiare, processi di revisione definiti. Sembra burocratico, ma è proprio ciò che permette all'IA di scalare, perché è il modo in cui le parti interessate scettiche vengono convinte ad ampliare l'accesso.

## Com'è un'adozione che regge nel tempo

C'è una differenza tra lanciare l'IA e stabilire l'IA.

Il lancio è l'annuncio, le sessioni di formazione, il picco iniziale di utilizzo. Stabilita è quando le persone ricorrono agli strumenti di IA in modo naturale, quando i nuovi assunti vengono formati sui flussi di lavoro assistiti dall'IA dal primo giorno, quando la domanda cambia da "dovrei usare l'IA per questo" a "qual è il modo migliore di usare l'IA per questo".

Arrivarci richiede più tempo di quanto suggerisca il piano di progetto. Prima serve abbastanza gente che usa gli strumenti con regolarità perché l'uso diventi visibile e normalizzato. Poi servono flussi di lavoro che incorporano l'IA in modi documentati e ripetibili, invece della sperimentazione individuale. Infine, serve che l'IA diventi parte delle aspettative di performance, non come sorveglianza ma come capacità data per acquisita.

La maggior parte delle organizzazioni è ancora nella fase di sperimentazione. [BCG ha rilevato](https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain) che più dell'85% dei dipendenti resta nelle fasi iniziali dell'adozione dell'IA, mentre meno del 10% è arrivato al punto in cui l'IA è integrata nel lavoro principale. Il percorso dal primo pilota alla capacità organizzativa richiede anni, non trimestri.

## Domande oneste da farsi

Prima di pianificare di scalare l'IA, fai queste domande senza risposte ottimistiche:

Quale problema stiamo risolvendo che prima dell'IA non riuscivamo a risolvere, e come sapremo di averlo risolto? Se non sai rispondere in modo specifico, il tuo sforzo di scala non ha una direzione chiara.

Chi se ne occuperà dopo che il team di progetto si scioglie? Le iniziative senza una proprietà stabile tornano allo stato precedente.

Cosa succede quando l'IA commette un errore che colpisce un cliente? Se non lo sai, non sei pronto per la produzione.

Quali parti della nostra organizzazione sono pronte per questo e quali no? Partire dove le condizioni favoriscono il successo batte il tentativo di trasformare tutto ovunque in una volta sola.

Abbiamo il supporto dei quadri intermedi per attraversare i mesi scomodi in cui l'adozione rallenta e i risultati non sono chiari? La sola sponsorizzazione dei vertici non basta.

Cosa ci farebbe fermare questa iniziativa, e come sapremmo di essere arrivati a quel punto? Essere chiari sui criteri di fallimento aiuta a evitare il progetto zombie che non muore mai ufficialmente, ma non vive mai davvero.

## La prospettiva lunga

L'adozione dell'IA in un'organizzazione non è un progetto con una data di fine. È una capacità che evolve.

I modelli migliorano. Ciò che l'anno scorso non era possibile diventa routine quest'anno. Le organizzazioni che inseriscono meccanismi di apprendimento nel loro approccio riescono a cogliere i miglioramenti man mano che emergono. Le organizzazioni che hanno trattato l'IA come un rollout una tantum si ritrovano con capacità che invecchiano.

L'ambiente normativo continua a spostarsi. Ciò che oggi è accettabile per l'IA nel gestire dati dei clienti potrebbe non esserlo domani. Costruire la conformità nelle fondamenta batte il rattoppo quando le regole cambiano.

Il panorama competitivo si muove. Alcuni settori arriveranno a un punto in cui la capacità di IA è un requisito minimo, e non averla significa restare indietro su costi o velocità. Altri settori si muoveranno più lentamente. Sapere dove si colloca il tuo settore aiuta a calibrare l'urgenza.

Le persone nella tua organizzazione imparano. Gli scettici iniziali a volte diventano gli utenti di IA più preziosi perché mettono alla prova i limiti. I primi adottanti a volte si esauriscono per aver portato troppo peso. La storia delle persone evolve insieme alla storia della tecnologia.

Scalare l'IA in un'organizzazione è meno come installare software e più come costruire una cultura. Le culture richiedono tempo. Hanno battute d'arresto. Resistono alle iniziative formali e rispondono alle norme informali. Richiedono attenzione sostenuta, non sforzo concentrato.

Le aziende che ci riescono, nella maggior parte dei casi, saranno quelle che lo hanno trattato come lavoro continuo, non come un progetto di trasformazione con una data di completamento. Continueranno a imparare, a aggiustare, a trovare nuovi posti in cui l'IA aiuta. È meno entusiasmante della visione di una trasformazione organizzativa, ma è più vicino a ciò che fa davvero quel 5%.

Ciò che separa i piloti che scalano da quelli che non scalano, alla fine, potrebbe essere la pazienza. Pazienza per attraversare i problemi di integrazione invece di dichiararli blocchi. Pazienza per sostenere gli adottanti in difficoltà invece di sostituirli. Pazienza per misurare i risultati su trimestri invece che su settimane. Pazienza per continuare a investire quando i ritorni iniziali deludono.

Non la pazienza dell'attesa passiva. La pazienza dello sforzo sostenuto. È una risorsa più difficile da allocare del budget.