L’intelligenza artificiale è ormai entrata stabilmente nelle strategie di investimento delle imprese. Dopo una prima fase dominata dall’entusiasmo e dalla sperimentazione, oggi la domanda è più concreta e riguarda come si misura il valore che l’AI genera realmente. Come ogni investimento aziendale, anche l’intelligenza artificiale deve produrre risultati economici verificabili. Non basta contare licenze acquistate, utenti attivi o documenti generati. Questi indicatori misurano l’utilizzo della tecnologia, non il valore creato. Prendiamo un esempio semplice. Un professionista che, grazie all’AI, prepara una relazione in tre ore anziché in cinque ha certamente aumentato la propria produttività. Ma le due ore risparmiate sono state impiegate in altre attività o sono rimaste capacità inutilizzata?

È questa la distinzione fondamentale. Il tempo risparmiato riguarda la singola attività, la capacità liberata rappresenta risorse disponibili a parità di costo, il beneficio economico nasce solo quando quella capacità viene trasformata in maggiori ricavi, minori costi o migliore qualità. Il dibattito sull’AI tende spesso a confondere questi tre livelli. Le evidenze sperimentali dimostrano che l’intelligenza artificiale migliora significativamente l’esecuzione di molte attività. Un working paper del Mit, basato su un esperimento condotto su 444 professionisti, ha rilevato che l’uso di ChatGPT nella scrittura professionale ha ridotto mediamente del 37% i tempi, migliorando anche la qualità degli elaborati.

Il dato è rilevante, ma riguarda la singola attività, non l’intero processo aziendale. Un processo comprende infatti autorizzazioni, passaggi tra funzioni, controlli, attese e rilavorazioni. Se un’attività rappresenta il 20% del tempo complessivo e viene accelerata del 50%, il processo migliora, a parità di condizioni, soltanto del 10%. Per questo il beneficio va misurato lungo tutta la catena del valore: AI, attività, processo, risultato operativo, risultato economico. Pensiamo all’analisi di un capitolato nel processo commerciale. L’AI può individuare rapidamente i requisiti e predisporre una prima bozza dell’offerta. Il valore, però, non deriva dal tempo risparmiato nella lettura dei documenti, ma dalla capacità dell’impresa di preparare più offerte, ridurre il ciclo commerciale, migliorarne la qualità o aumentare il tasso di successo.

Lo stesso vale nello sviluppo software. Accelerare la produzione del codice è importante, ma il beneficio dipende dall’impatto sull’intero ciclo di delivery: riduzione dei tempi, meno errori e rilavorazioni, migliore qualità del software e possibilità di destinare le risorse liberate ad altri progetti. Per stimare il ritorno dell’investimento bisogna partire dai processi. Una metodologia semplice consiste nel calcolare il costo delle attività interessate dall’AI, la quota realmente automatizzabile e la riduzione attesa dei tempi.

Supponiamo che le attività coinvolte valgano 100.000 euro l’anno. Se l’AI interviene sul 60% di esse riducendone del 30% il tempo di esecuzione, la capacità potenzialmente liberata è pari a 18.000 euro. Ma questo non è ancora il beneficio economico. Occorre considerare il reale livello di adozione della soluzione e verificare quanta della capacità liberata venga effettivamente trasformata in maggiore produttività, nuovi ricavi, minori costi, riduzione di consulenze o straordinari, oppure nel rinvio di nuove assunzioni. Solo dopo aver sottratto i costi di licenze, integrazione, infrastrutture, formazione, sicurezza e manutenzione è possibile determinare il beneficio netto.

Questa impostazione suggerisce anche un diverso approccio ai progetti di AI. Il punto di partenza non dovrebbe essere lo strumento, ma il processo. I candidati migliori sono quelli ad alto volume, ripetitivi, documentali, frammentati tra più funzioni o caratterizzati da errori e rilavorazioni. Prima di intervenire è indispensabile definire una baseline: tempi, volumi, costo per transazione, backlog, livelli di servizio ed errori. Senza una fotografia iniziale non è possibile dimostrare il miglioramento.

Ogni iniziativa dovrebbe inoltre avere un responsabile del beneficio, un obiettivo quantitativo e un metodo di verifica. L’IT abilita la tecnologia, ma il risultato deve restare responsabilità della funzione operativa, con il coinvolgimento del Finance o del Controllo di gestione. Un altro elemento decisivo è l’integrazione. Un’applicazione isolata produce soprattutto vantaggi individuali; il valore cresce quando l’AI lavora direttamente nei processi, dialogando con Erp, Crm, sistemi di project management e repository documentali.

Fondamentale è anche la qualità della conoscenza aziendale. I modelli non conoscono automaticamente procedure, offerte, contratti o documentazione tecnica: queste informazioni devono essere organizzate, aggiornate e rese disponibili in modo affidabile e controllato. Misurare il valore significa infine governare il rischio. Occorre monitorare contemporaneamente adozione, performance operative, risultati economici e qualità, verificando periodicamente tempi, produttività, costi, errori e livelli di servizio.

In questo percorso possono essere utili sia il framework del Nist, che propone un approccio volontario per la gestione dei rischi dell’AI, sia l’AI Act europeo, che introduce obblighi differenziati in funzione del livello di rischio e del ruolo dell’organizzazione. La conformità, tuttavia, non può essere affrontata alla fine del progetto. Inventario dei sistemi, classificazione dei casi d’uso, supervisione umana, qualità dei dati, tracciabilità, sicurezza e formazione devono entrare fin dall’inizio nel business case. Una governance preventiva riduce i rischi e rende più semplice estendere all’intera organizzazione le sperimentazioni che hanno funzionato.

Per molte imprese il punto di partenza può essere rappresentato da processi concreti, come la preparazione delle offerte, la gestione delle commesse, l’assistenza ai clienti, lo sviluppo software o la ricerca delle informazioni interne. L’obiettivo, però, non è introdurre l’intelligenza artificiale in modo diffuso. È ottenere risultati misurabili: meno tempo, meno errori, più attività gestite e maggiore redditività. In definitiva, l’AI non crea valore perché produce più rapidamente testi, analisi o codice. Lo crea quando trasforma i processi e l’impresa è in grado di convertire la capacità liberata in risultati economici misurabili.