Come si misura il ritorno di un progetto AI? KPI, metriche e aspettative realistiche

È la domanda che ogni imprenditore e ogni dirigente pubblico fa prima di approvare un investimento in AI, e ha tutto il diritto di farla. Il problema è che nella maggior parte dei casi non viene posta nel momento giusto, cioè prima di iniziare, ma dopo, quando il progetto è già avviato e qualcuno chiede conto dei risultati.

Misurare il ritorno di un progetto AI non è complicato. È scomodo, perché obbliga a essere precisi su cosa si vuole ottenere prima ancora di sapere se si otterrà. Ma è esattamente questa precisione che distingue i progetti che producono valore da quelli che producono solo attività.

Il problema della vaghezza degli obiettivi

La maggior parte dei progetti AI parte con obiettivi vaghi. Migliorare l’efficienza. Ridurre i tempi. Ottimizzare i processi. Sono obiettivi che nessuno può contestare e che nessuno può misurare. Se alla fine del progetto l’efficienza è migliorata, di quanto? Rispetto a cosa? Misurata come?

La vaghezza non è innocente. Protegge chi propone il progetto dal rischio di fallire, ma protegge anche chi lo approva dal rischio di dover decidere se ha funzionato. Il risultato è che i progetti vaghi tendono a sopravvivere indefinitamente senza mai produrre un impatto verificabile, e quando vengono chiusi nessuno sa dire con certezza se valeva la pena farli.

Gli indicatori di successo vanno definiti prima di iniziare, nel momento in cui si analizzano i processi e si decide dove intervenire. Non è burocrazia, è la condizione perché il progetto abbia senso.

Come si costruisce un sistema di misurazione

Il punto di partenza è la baseline: la fotografia del processo così com’è oggi, prima che l’AI intervenga. Quanto tempo richiede questa attività? Quante persone coinvolge? Quanti errori produce? Qual è il costo unitario? Senza una baseline, qualsiasi miglioramento successivo è aneddotico.

Dalla baseline si derivano gli indicatori target: i valori che il progetto si propone di raggiungere entro una data definita. Non obiettivi generici, ma numeri specifici. Il tempo medio di gestione di una pratica passa da quattro ore a quarantacinque minuti. Il tasso di errore nella classificazione documentale scende dal dodici per cento al due per cento. Il tempo di risposta alle richieste dei clienti si riduce da ventiquattro ore a due ore.

Questi indicatori devono essere misurabili con i dati già disponibili nell’organizzazione, o con dati che è realistico raccogliere senza un investimento sproporzionato. Un indicatore che richiede un sistema di monitoraggio complesso per essere misurato è un indicatore sbagliato.

I tre livelli di ritorno di un progetto AI

Il ritorno di un progetto AI si manifesta su tre livelli, con tempi e caratteristiche diverse.

Il ritorno operativo è il più immediato e il più facile da misurare. Meno tempo su attività ripetitive, meno errori, meno costi di gestione. Si manifesta nelle settimane successive all’implementazione e si misura direttamente sui processi ottimizzati. È il livello su cui costruire la business case iniziale, perché è verificabile in tempi brevi.

Il ritorno organizzativo è meno immediato ma spesso più significativo. Liberare le persone dal lavoro a basso valore significa che possono dedicare più tempo al lavoro ad alto valore, quello che richiede giudizio, relazione, creatività. Questo impatto si misura in modo diverso: qualità delle decisioni, soddisfazione del personale, capacità di gestire volumi maggiori senza aumentare l’organico.

Il ritorno strategico è il più difficile da misurare ma il più importante nel lungo periodo. Un’organizzazione che ha costruito una capacità AI interna, con processi ottimizzati, personale formato e governance in funzione, è un’organizzazione più competitiva, più resiliente e più capace di adattarsi ai cambiamenti del mercato e della normativa. Questo valore non si misura in ore risparmiate, si misura nella posizione competitiva nel tempo.

Le aspettative realistiche: cosa succede davvero nei primi mesi

È importante essere onesti su questo punto, perché le aspettative irrealistiche sono una delle cause più frequenti di delusione nei progetti AI.

Nei primi mesi dopo l’implementazione il ritorno è quasi sempre inferiore alle aspettative. Le persone stanno imparando a usare gli strumenti, i processi si stanno adattando, emergono problemi che l’analisi iniziale non aveva previsto. È normale, è parte del processo di adozione. Chi si aspetta un ritorno immediato e lineare si trova a gestire una delusione che non riflette il reale andamento del progetto.

Il ritorno pieno di un progetto AI si vede tipicamente tra i sei e i dodici mesi dall’implementazione, quando le persone hanno interiorizzato i nuovi strumenti e i processi si sono stabilizzati. La curva di adozione non è lineare: c’è una fase iniziale di rallentamento, poi un’accelerazione quando il sistema entra a regime.

Perché gli indicatori vanno definiti nella fase di analisi

In MVF Consulting la definizione degli indicatori di successo è parte integrante della prima fase del metodo MVF, quella di analisi dei processi. Non è un passaggio burocratico, è la condizione perché tutte le scelte successive siano coerenti con l’obiettivo.

Sapere dall’inizio come si misurerà il successo cambia il modo in cui si progetta la soluzione, cambia le priorità nell’implementazione e cambia il modo in cui si gestisce l’adozione. Un progetto che nasce con indicatori chiari ha una direzione. Un progetto senza indicatori va dove porta il vento.

Questo vale per le aziende private così come per gli enti pubblici, con la differenza che nella PA gli indicatori devono anche essere rendicontabili rispetto agli obiettivi del piano di digitalizzazione dell’ente e, dove applicabile, agli impegni assunti con i finanziamenti PNRR.

Il prossimo passo

Se stai valutando un progetto AI e vuoi costruire fin dall’inizio un sistema di misurazione che funzioni, prenota una call gratuita. Partiamo dall’analisi dei tuoi processi e definiamo insieme gli indicatori che hanno senso per la tua organizzazione specifica.