Il direttore di un’azienda di logistica con 150 collaboratori approva un pilota AI per l’elaborazione delle fatture. Il reparto IT sceglie un modello valido, costruisce in sei settimane una demo funzionante, e alla riunione di verifica tutti annuiscono. Sei mesi dopo la demo gira ancora, ma in amministrazione nessuno la usa, la responsabile finanziaria dice che i numeri non tornano e il responsabile compliance non ha mai visto il flusso dei dati.
Il modello funzionava. L’organizzazione attorno a lui non è mai stata toccata. Il nostro lavoro come forward-deployed AI engineer parte da questa osservazione, e un recente studio di Stanford su 51 implementazioni funzionanti la sostiene in modo insolitamente concreto.
Nelle implementazioni esaminate da Stanford, le differenze decisive stavano in responsabilità, processo, accesso ai dati e misurazione, mentre il modello pesava meno di quanto molti acquirenti si aspettino. In questo articolo vediamo cosa hanno cambiato le organizzazioni, fin dove arrivano le prove e cosa puoi verificare prima di impegnare il budget.
Ambito: questo articolo legge un solo studio alle sue condizioni e non riprende il dibattito più ampio sulle statistiche di fallimento dell’AI, che trattiamo in sei statistiche sull’AI citate dal tuo consiglio di amministrazione. Quando un’affermazione è un’interpretazione degli autori e non un risultato misurato, lo diciamo.
Cos’è lo studio di Stanford e quanto può dimostrare
“The Enterprise AI Playbook: Lessons from 51 Successful Deployments” è stato pubblicato nell’aprile 2026 da Elisa Pereira, Alvin Wang Graylin ed Erik Brynjolfsson della Stanford Digital Economy Lab. Puoi consultare il rapporto completo o la pagina della pubblicazione.
Lo studio copre 51 implementazioni in 41 organizzazioni di sette paesi, nove settori e 13 funzioni nominate più un gruppo “altro”. Per rientrarvi, un sistema doveva essere attivo e integrato, usato dai team da almeno tre mesi e in grado di mostrare un valore quantificato. Le prove dietro ogni caso sono per lo più almeno un’intervista strutturata di 60 minuti, integrata dove possibile da documenti interni.
Quattro limiti chiariti dagli autori e dalla documentazione
- Il campione è selezionato sui successi. Gli autori scrivono che lo studio presenta una “selection bias toward positive outcomes” (distorsione di selezione verso i risultati positivi) e che non pretendono di fornire dati rappresentativi sulla frequenza del successo nell’economia in generale.
- I dati sono autodichiarati. Il rapporto indica nell’affidamento ai partecipanti alle interviste il suo limite principale, e le cifre su produttività e valore provengono dalle organizzazioni stesse. Molte percentuali sono riportate senza una base dichiarata, quindi vanno lette come proporzioni indicative.
- I casi sono anonimi. Non puoi cercare un’azienda e verificare cosa sia successo.
- La dimensione aziendale resta aperta. Il rapporto non indica la dimensione per la maggior parte delle sue 41 organizzazioni, ma solo un organico complessivo superiore a un milione e qualche indicazione di dimensione nelle schede dei casi. Le schede che la riportano parlano di mid-market o enterprise, quindi la trasferibilità a un’azienda da 20 a 200 collaboratori è una domanda a cui lo studio non risponde.
Va aggiunta un’ulteriore informazione. Secondo le biografie dei contributori nel rapporto, Brynjolfsson ha cofondato Workhelix, un’azienda che si occupa di individuare e misurare i benefici dell’AI. Il rapporto non dice se uno dei suoi 51 casi abbia usato Workhelix, e lo studio dà molto peso alla misurazione: un lettore attento tiene conto di questa sovrapposizione.
Niente di tutto questo rende lo studio inutile. Significa che i risultati funzionano al meglio come elenco di ipotesi fondate su casi reali, e non come prova che fare X aumenti le probabilità di successo.
La lezione sta nel secondo tentativo
Secondo il rapporto, nel 61% dei casi un progetto AI era fallito prima di quello oggi in produzione. Un’altra sezione, dedicata al modo in cui gli autori hanno trattato il fallimento, dice che due terzi delle aziende avevano avuto tentativi falliti rilevanti. Il rapporto riporta entrambe le cifre.
Più del numero è interessante lo schema. Gli autori descrivono una società di servizi professionali il cui primo tentativo, guidato dal CTO, è fallito. Un secondo tentativo è riuscito quando CEO e Head of Talent lo hanno portato avanti insieme al CTO. In otto casi complessivi, dicono gli autori, a fare la differenza è stato il lavoro congiunto di dirigenti di business e tecnici.
Un dirigente citato nel rapporto lo dice senza giri di parole: quando l’AI è guidata dalla tecnologia e parte dalla tecnologia, raramente funziona. È l’opinione di un solo intervistato. Corrisponde comunque a ciò che vediamo nelle revisioni dei progetti. Quando il team tecnico possiede il risultato, nessuno sul lato business si sente responsabile di cambiare il modo di lavorare.
Per un approfondimento sul perché i progetti si bloccano a questo punto, leggi perché i progetti di agenti AI falliscono.
Sponsorizzare significa più che firmare il budget
Il rapporto scompone la sponsorizzazione esecutiva in quattro comportamenti nei 51 casi: allocare risorse (59%), integrare l’AI negli obiettivi strategici come gli OKR (49%), comunicare in tutta l’organizzazione (32%) e rimuovere gli ostacoli (20%).
L’affermazione più solida riguarda un gruppo ristretto. Secondo il rapporto, i sette casi che hanno raggiunto una trasformazione estesa a tutta l’organizzazione sono arrivati tutti a quella che gli autori chiamano integrazione strategica. Gli autori osservano anche che gli studi esterni sulla sponsorizzazione da loro citati stabiliscono una correlazione ma non affrontano ciò che gli sponsor fanno davvero. L’elenco dei comportamenti è la loro codifica del materiale delle interviste.
Cosa significa in un’azienda di 100 persone? Lo sponsor è probabilmente il titolare o un direttore, e la domanda è molto concreta. Chi decide quando il nuovo workflow sostituisce il vecchio? Chi risponde quando la responsabile finanziaria solleva obiezioni? Se la risposta sincera è “se ne occuperà l’IT”, hai trovato la lacuna che lo studio descrive.
Il workflow è cambiato prima dell’AI
I casi del rapporto mostrano che il lavoro sul processo viene per primo. In un progetto di elaborazione delle fatture presso un’azienda logistica statunitense che il rapporto descrive come $1B+, il team ha ridotto migliaia di modelli di fattura a poche centinaia prima di costruire qualsiasi AI, sempre secondo il rapporto. Un progetto di recruiting presso una società di servizi di traduzione è partito mappando come lavoravano davvero i recruiter.
Due avvertenze. Il rapporto non conta quanti dei 51 casi abbiano ridisegnato i workflow, quindi “la maggior parte delle implementazioni riuscite lo ha fatto” è un’affermazione che lo studio non sostiene. Inoltre i risultati riportati (l’azienda logistica descrive il passaggio da sette a due equivalenti a tempo pieno e un valore superiore a un milione di dollari) sono cifre autodichiarate, senza una metrica definita.
Ciò che i casi sostengono è una sequenza: mappare il lavoro, eliminare ciò che non dovrebbe esistere e solo dopo decidere dove inserire un modello. Il nostro articolo sulla riprogettazione dei processi con l’AI ne spiega i meccanismi, mentre la roadmap di implementazione mostra dove si colloca la riprogettazione in un piano a fasi.
Tra i casi in cui gli autori hanno potuto identificare il metodo di sviluppo, tutti hanno usato un approccio iterativo, secondo il rapporto. Il rapporto nota anche che casi d’uso simili hanno richiesto settimane in un’azienda e anni in un’altra. I tre esempi alla base di questo confronto sono aneddoti.
Dove stavano i costi nascosti
Alla domanda su cosa fosse stato più difficile da risolvere, gli intervistati hanno indicato più spesso il change management (33% delle risposte), seguito da qualità dei dati e architettura (17%), riprogettazione del processo (10%), qualità dell’output (10%) e ROI o business case (7%). Gli autori raggruppano le prime tre voci, più le ultime due, come “costi invisibili” e le riportano al 77%, contro il 23% dei problemi tecnici visibili. Non è chiaro se gli intervistati potessero citare più di una difficoltà. Collocare il business case tra i costi invisibili è una scelta degli autori.
Anche con queste cautele, la direzione è plausibile. I budget di solito coprono licenze, integrazione e sviluppo. Raramente coprono le settimane che le persone di operations, finanza e area legale dedicano a rispondere alle domande, testare i casi limite e cambiare abitudini. Se il preventivo di un progetto AI non contiene una voce per questo tempo, il costo reale è più alto del preventivo.
L’accesso ai dati viene prima della perfezione dei dati
Il rapporto afferma che solo il 6% delle implementazioni aveva dati pienamente pronti per l’AI. Riporta inoltre che l’88% ha usato modelli linguistici per raggiungere dati prima difficili da sfruttare, come i documenti in testo libero. Gli autori riconoscono che un campione di soli successi probabilmente sottorappresenta i casi in cui la qualità dei dati si è rivelata insormontabile.
La lettura pratica è limitata. Nei casi studiati dati perfetti non erano un prerequisito, l’accesso ai dati giusti sì. Verifica chi può esportarli e con quale autorizzazione.
Chi ti rallenta è diverso da chi ti aspetti
Nei 51 casi, le funzioni di staff (legale, HR, rischio e compliance) sono state la fonte di resistenza più frequente, con il 35%. Seguono gli utenti finali con il 23%, le parti esterne con il 23%, il C-level con il 15% e nessuna resistenza con l’8%. Le cifre sommano leggermente più di 100% e il rapporto non spiega perché.
Il rapporto aggiunge che la paura di essere sostituiti, tra chi lavora in prima linea, è comparsa in soli due casi. Almeno in questo campione, è un dato che smentisce l’immagine diffusa di lavoratori che sabotano l’automazione.
Per un’azienda svizzera la conseguenza pratica è chiara. Il tuo consulente per la protezione dei dati, l’equivalente della commissione del personale o il responsabile compliance dovrebbe vedere il progetto prima dell’avvio dello sviluppo, ben prima del lancio. I casi dello studio non riguardano la normativa svizzera o europea, quindi ciò che queste funzioni chiederanno dipende dal tuo settore e dai dati coinvolti.
Il rapporto registra anche cosa è successo all’organico: nel 45% dei casi una riduzione, nel 19% nessuna riduzione, nel 17% una riassegnazione e nel 19% assunzioni evitate. Sono dati autodichiarati, e gli autori osservano che una responsabilità centrata sui costi tende verso la riduzione. Ogni titolare dovrebbe decidere in anticipo quale di questi esiti vuole, perché i collaboratori lo chiederanno. Per i ruoli che cambiano e le regole sull’organico che si ritorcono contro, vedi i ruoli nel team di un’azienda AI-first.
Cosa dice lo studio sul modello e cosa no
Per il 42% delle implementazioni, gli autori valutano la scelta del modello come del tutto commodity. Il 39% la ritiene di importanza moderata e il 19% un elemento di differenziazione critico. I compiti di routine erano molto più spesso commodity di quelli avanzati.
Gli autori concludono poi che il vantaggio duraturo sta nel livello di orchestrazione e non nel modello di base. È una loro interpretazione, sostenuta da esempi di casi ma senza gruppo di confronto. È comunque coerente con la sequenza vista sopra: sponsor, processo, dati e poi tecnologia.
Due affermazioni del rapporto vanno lasciate stare. Descrive i guadagni di autonomia e produttività in un modo che riflette in parte quali compiti sono stati scelti, come notano gli stessi autori. E sostiene che KPI chiari prima dell’implementazione rendano più probabile la scalabilità, ma non confronta organizzazioni con e senza KPI. Offre invece un catalogo di metriche riportate da almeno un caso, utile per scegliere cosa misurare. Per un insieme operativo, vedi i KPI degli agenti AI.
Un test di quattro settimane prima di impegnare il budget
Se le lezioni sono ipotesi, mettile alla prova a basso costo su un solo processo. Scegli un’attività ricorrente in cui ritardi o errori hanno un costo visibile.
- Nomina un responsabile di business. Questa persona ha autorità sul processo, a differenza di chi segue la tecnologia, e accetta di partecipare a ogni revisione.
- Mappa il workflow attuale. Scrivi i passaggi, le eccezioni e i passaggi di consegne. Segna quali passaggi esistono solo a causa di un vecchio sistema.
- Verifica l’accesso ai dati. Individua i documenti o i record di cui il processo ha bisogno, chi può esportarli e quali autorizzazioni servono.
- Coinvolgi presto le funzioni di staff. Mostra a legale, compliance o HR il flusso di dati previsto e chiedi cosa potrebbe fermarlo.
- Registra una baseline. Tempo di ciclo, tasso di errore e costo per pratica, misurati per alcune settimane prima che cambi qualsiasi cosa.
Se non riesci a completare questi passaggi in circa quattro settimane, l’ostacolo è organizzativo e un modello migliore non lo rimuoverà. È già un risultato utile e costa meno di uno sviluppo fallito.
Cosa lo studio non può dirti
Il rapporto non può dirti quali probabilità ha la tua implementazione di riuscire. Non può dirti se i tuoi concorrenti che si sono fermati dopo un tentativo fallito ce l’avrebbero fatta con uno sponsor diverso. E non può dirti se un’azienda di 40 persone abbia bisogno della stessa governance di una mid-market con un team AI dedicato.
Può invece descrivere, in 51 casi documentati, cosa hanno fatto le organizzazioni dopo aver smesso di considerare l’implementazione un acquisto di tecnologia. Una parte varrà anche per la tua azienda, una parte no. Per scoprirlo, applica le lezioni a un processo e misura il risultato rispetto alla tua baseline, poi decidi cosa scalare in base ai tuoi numeri. Per come gestire il sistema una volta in funzione, vedi gestire gli agenti AI in produzione.
Domande frequenti
Che cosa studia davvero l'Enterprise AI Playbook di Stanford?
Studia 51 implementazioni AI in 41 organizzazioni, già in produzione, usate dai team da almeno tre mesi e con un valore quantificato. Gli autori Pereira, Graylin e Brynjolfsson hanno intervistato le organizzazioni e reso anonimi i casi. Poiché ogni caso è un successo, il rapporto descrive cosa hanno fatto le implementazioni riuscite e non può dire con quale frequenza un'implementazione riesca.
Perché molte implementazioni AI falliscono prima di riuscire?
Secondo il rapporto di Stanford, nel 61% dei 51 casi c'era stato prima un tentativo AI fallito, mentre un'altra sezione dice che due terzi delle aziende avevano avuto tentativi falliti rilevanti. Gli autori collegano la svolta a cambiamenti organizzativi, come uno sponsor di business che lavora con il team tecnico e un workflow ridisegnato. È un'interpretazione ricavata dalle interviste e non è stata verificata come relazione di causa.
Queste lezioni valgono anche per una piccola o media impresa?
Probabilmente in parte, ma le prove sono aperte. Il rapporto non indica la dimensione per la maggior parte delle 41 organizzazioni, oltre a un organico complessivo superiore a un milione, e le schede dei casi che riportano una dimensione parlano di mid-market o enterprise. Sponsorizzazione, mappatura dei processi e accesso ai dati sono idee valide a ogni dimensione. Trattale come ipotesi da verificare su un processo prima di scalare.
Chi si oppone alle implementazioni AI dentro un''azienda?
Nel campione di Stanford le funzioni di staff come legale, HR, rischio e compliance sono state la fonte di resistenza più frequente, nel 35% dei 51 casi, davanti agli utenti finali con il 23%. Gli autori segnalano la paura di essere sostituiti, tra chi lavora in prima linea, in soli due casi. Secondo gli autori, superare la resistenza ha richiesto mandati legati agli obiettivi aziendali e un ruolo di governance per quelle funzioni, più che opera di persuasione. Mostrare loro il progetto fin dall'inizio è un nostro suggerimento pratico.
La scelta del modello decide se un''implementazione AI riesce?
Il rapporto suggerisce che conti meno di quanto molti acquirenti credano. Per il 42% delle implementazioni gli autori hanno giudicato la scelta del modello del tutto commodity, e per i compiti di routine contava meno che per quelli avanzati. Gli autori ritengono che il vantaggio duraturo stia nel livello di workflow e orchestrazione attorno al modello.