Machine learning per aziende: guida pratica 2026

2026-08-13 · Tommaso Maria Ricci

Nel 2025 l'88% delle organizzazioni dichiarava di usare l'intelligenza artificiale in almeno una funzione aziendale, ma solo il 39% riusciva ad attribuire all'AI un impatto misurabile sull'EBIT. È il dato più scomodo del rapporto McKinsey State of AI, e spiega perché il machine learning per aziende resta, nella maggior parte dei casi, una promessa non incassata. Non perché la tecnologia non funzioni. Perché quasi nessuno la applica dove produce margine.

Ho passato gli ultimi anni a costruire e vendere aziende, non a scrivere paper. Da Miami vedo società americane che mettono modelli predittivi in produzione in otto settimane, e dall'Italia vedo aziende con dati migliori che discutono per otto mesi quale piattaforma comprare. La differenza non è il talento. È il metodo con cui si sceglie il primo problema da risolvere.

Questa guida è operativa. Niente teoria degli algoritmi, niente lista di tool. Cosa è il machine learning applicato a un'impresa reale, quali casi d'uso ripagano per primi, quanto costa davvero, come si misura il ritorno, e come si arriva in produzione senza bruciare un budget e la credibilità interna.

Cosa significa davvero machine learning per aziende

Il machine learning è un metodo statistico che estrae regole da dati storici per fare previsioni su dati nuovi. Nient'altro. Non ragiona, non capisce il contesto del tuo mercato, non ha intuizioni. Prende esempi passati, trova pattern ricorrenti, li applica a casi mai visti e restituisce una probabilità.

Detto in termini di conto economico: il machine learning trasforma dati che già possiedi in decisioni ripetibili che oggi prendi a occhio. Quale cliente sta per andarsene. Quale preventivo ha probabilità reali di chiudersi. Quale macchina si romperà nelle prossime due settimane. Quanto stock ordinare per il negozio di Verona a settembre.

La domanda corretta non è "cosa può fare il machine learning". È: quali decisioni prendiamo più di cento volte al mese, con dati incompleti, e con un costo dell'errore misurabile in euro? Quelle sono le uniche candidate serie. Una decisione presa tre volte l'anno da un direttore esperto non ha bisogno di un modello. Una decisione presa quattrocento volte al giorno da persone diverse, con criteri diversi, sì.

Le tre famiglie che contano in azienda

Modelli predittivi supervisionati. Hai esempi storici etichettati, il modello impara a prevedere l'etichetta su casi nuovi. Previsione di abbandono cliente, scoring dei lead, previsione della domanda, stima dei tempi di consegna, rilevazione frodi. È qui che si concentra oltre l'80% del valore economico generato in azienda, ed è la famiglia più noiosa e meno raccontata.

Modelli non supervisionati. Nessuna etichetta, il modello raggruppa. Segmentazione clienti reale (non quella fatta a mano per fasce di fatturato), rilevazione anomalie nei pagamenti, clustering di prodotti per assortimento. Valore alto, ma richiede interpretazione umana per diventare azione.

Modelli generativi e linguistici. Producono testo, immagini, codice. Sono la parte visibile del fenomeno, quella su cui si concentra la stampa. In azienda risolvono un problema diverso: il costo del lavoro cognitivo ripetitivo, non l'accuratezza della previsione. Ne ho scritto in dettaglio nella guida sull'intelligenza artificiale generativa per le aziende.

Confondere le tre famiglie è l'errore che vedo più spesso nei consigli di amministrazione. Si compra un abbonamento a un assistente conversazionale e si pensa di aver risolto un problema di previsione della domanda. Sono strumenti diversi, con dati diversi, ROI diverso e rischi diversi.

Machine learning e AI generativa: la differenza che decide il budget

Questa sezione vale, da sola, la lettura dell'articolo. La confusione tra machine learning predittivo e AI generativa è responsabile di una quota enorme dei progetti falliti.

| Dimensione | Machine learning predittivo | AI generativa |

|---|---|---|

| Input | Dati storici strutturati della tua azienda | Prompt, documenti, conoscenza pubblica |

| Output | Una probabilità, un numero, una classe | Testo, immagini, codice |

| Valore economico | Decisioni migliori su volumi alti | Meno ore per attività cognitive ripetitive |

| Misurazione | Diretta: uplift su un gruppo di controllo | Indiretta: ore risparmiate, qualità percepita |

| Costo tipico primo progetto | 25.000 a 90.000 euro | 8.000 a 40.000 euro |

| Rischio principale | Dati sporchi, modello che degrada | Allucinazioni, fughe di dati, dipendenza dal fornitore |

| Tempo al primo valore | 8 a 16 settimane | 3 a 8 settimane |

Il punto pratico: l'AI generativa dà soddisfazione prima, il machine learning predittivo dà margine più a lungo. Un'azienda seria fa entrambe le cose, ma con due budget separati e due metriche separate. Metterle nello stesso progetto significa non riuscire ad attribuire il risultato a nessuna delle due.

Gartner prevede che almeno il 30% dei progetti di AI generativa venga abbandonato dopo il proof of concept, per qualità dei dati insufficiente, controlli di rischio inadeguati, costi in crescita o valore di business poco chiaro. La stessa società stima che oltre il 40% dei progetti di AI agentica venga cancellato entro fine 2027. Non sono previsioni pessimiste. Sono la descrizione statistica di cosa succede quando si parte dalla tecnologia invece che dal problema.

I cinque casi d'uso di machine learning che ripagano per primi

Ho selezionato questi cinque perché hanno tre caratteristiche in comune: i dati necessari esistono già nella maggior parte delle aziende, il valore è quantificabile in euro entro un trimestre, e non richiedono di riorganizzare l'azienda per funzionare.

1. Previsione dell'abbandono cliente

Un modello che assegna a ogni cliente una probabilità di non riacquistare nei prossimi novanta giorni. Dati necessari: storico transazioni, frequenza di acquisto, ticket medio, canale, eventuali ticket di assistenza. Sono dati che ogni gestionale contiene.

Il valore non sta nel modello. Sta in cosa fai con la lista. Se il commerciale chiama i primi cinquanta della lista ogni lunedì con un'offerta pertinente, il recupero è misurabile in due mesi. Se la lista finisce in un report che nessuno apre, il ROI è zero. Il modello è il 20% del progetto, il processo di ingaggio è l'80%.

2. Scoring dei lead e priorità commerciale

Il commerciale medio lavora la lista in ordine di arrivo. Un modello di scoring la riordina per probabilità di chiusura, usando dati di comportamento, settore, dimensione e fonte. Nelle aziende con oltre trecento lead al mese, il guadagno tipico è tra il 10% e il 25% di tasso di conversione a parità di persone. Il tema si incrocia con quanto ho scritto sull'intelligenza artificiale per la lead generation.

3. Previsione della domanda e gestione scorte

Il caso d'uso più antico e più sottovalutato. Prevedere quanto si venderà per referenza, per punto vendita, per settimana. Riduce contemporaneamente rotture di stock e capitale immobilizzato. In retail e distribuzione ho visto riduzioni di scorte tra il 12% e il 20% con livello di servizio invariato, che su un magazzino da tre milioni significa liberare quattrocentomila euro di cassa.

4. Manutenzione predittiva

Se hai macchine con sensori, o anche solo storico interventi e ore di funzionamento, puoi prevedere i guasti. Il valore è la differenza tra fermo pianificato e fermo improvviso, che in una linea produttiva è un rapporto da uno a cinque. Ho trattato l'argomento in modo esteso nella guida sull'intelligenza artificiale per la manutenzione predittiva.

5. Pricing dinamico e ottimizzazione dei margini

Prevedere l'elasticità al prezzo per segmento e categoria. È il caso d'uso con il ROI più alto in assoluto quando i volumi sono significativi, perché ogni punto di margine recuperato scende intero a valle. Anche il più delicato: un errore di pricing è visibile ai clienti in ventiquattro ore.

Nota su cosa non ho messo in lista: chatbot generici, riassunti automatici delle riunioni, generatori di post. Sono utili, costano poco, e non spostano il conto economico. Se il tuo primo progetto di machine learning è un chatbot, non stai facendo un progetto di machine learning. Stai comprando un abbonamento.

Quanto costa un progetto di machine learning in azienda

Le cifre che seguono derivano da progetti reali su aziende italiane tra i 2 e i 60 milioni di fatturato. Sono ordini di grandezza, non preventivi.

Fase di valutazione dati (2 a 4 settimane): 5.000 a 12.000 euro. Si verifica se i dati esistono, se sono affidabili, se il caso d'uso è tecnicamente fattibile. Chi salta questa fase paga il doppio dopo.

Primo modello in produzione (8 a 14 settimane): 25.000 a 70.000 euro. Include preparazione dati, addestramento, integrazione nel processo esistente e formazione delle persone che useranno l'output.

Manutenzione annuale: 15% a 25% del costo iniziale. I modelli degradano. Il mercato cambia, i clienti cambiano comportamento, i dati cambiano formato. Un modello lasciato solo per dodici mesi perde in media una quota significativa della sua accuratezza iniziale, e nessuno se ne accorge finché non produce un danno.

Infrastruttura: 200 a 2.000 euro al mese. Il costo computazionale è crollato. Secondo il Stanford HAI AI Index Report 2025, il costo di inferenza per un modello di livello GPT 3.5 è passato da circa 20 dollari per milione di token a fine 2022 a circa 0,07 dollari a fine 2024. Il collo di bottiglia economico non è più il calcolo. Sono le persone e i dati.

Il totale realistico per il primo anno di un'azienda che parte da zero: tra 45.000 e 110.000 euro per un caso d'uso serio, portato in produzione, con impatto misurabile. Se il preventivo che hai sul tavolo è di 300.000 euro per una "piattaforma AI aziendale", non stai comprando un risultato. Stai comprando un progetto. Ho scritto un'analisi dettagliata dei costi dell'intelligenza artificiale per le aziende con le voci disaggregate.

Se stai valutando il primo investimento e vuoi una lettura onesta di quale caso d'uso ha senso per la tua struttura prima di firmare qualsiasi contratto, una sessione di confronto sulla tua situazione specifica costa meno di una settimana di lavoro sprecato su un progetto sbagliato.

I dati: il vero collo di bottiglia

Gartner stima che, fino al 2026, le organizzazioni abbandoneranno il 60% dei progetti di AI non supportati da dati pronti per l'uso. È la statistica che dovrebbe guidare ogni consiglio di amministrazione, e invece è quella che nessuno cita nelle presentazioni.

Dati pronti non significa dati perfetti. Significa quattro cose concrete.

Esistono nella quantità minima. Per un modello di churn servono almeno dodici mesi di storico e qualche centinaio di casi di abbandono osservati. Con trenta clienti persi in due anni non si addestra nulla di affidabile, e nessun fornitore serio dovrebbe dirti il contrario.

Sono collegabili. Il problema italiano tipico: il CRM ha i clienti con un codice, il gestionale con un altro, l'e-commerce con l'email. Nessuna chiave comune. Metà del budget del primo progetto se ne va qui, e va messo a preventivo dall'inizio.

Hanno una definizione condivisa. Cosa significa "cliente attivo"? Se marketing e amministrazione rispondono in modo diverso, il modello imparerà da un'etichetta ambigua e produrrà previsioni ambigue.

Sono accessibili senza chiedere permesso ogni volta. Se ogni estrazione richiede un ticket al fornitore del gestionale con due settimane di attesa, il progetto è morto prima di iniziare. Questo è un punto organizzativo, non tecnico.

Il test dei quattro file

Prima di qualsiasi preventivo, chiedi al tuo IT di produrre quattro file CSV: anagrafica clienti, transazioni degli ultimi ventiquattro mesi, interazioni di assistenza, storico campagne. Se li ottieni in cinque giorni lavorativi, sei pronto. Se ci vogliono sei settimane, il primo progetto non è il modello. È l'accesso ai dati. Il tema è trattato più a fondo nella guida sull'intelligenza artificiale per l'analisi dati.

Scorecard di autovalutazione: la tua azienda è pronta?

Assegna il punteggio indicato a ogni affermazione vera. Massimo 100.

Dati (40 punti)

• Abbiamo almeno 24 mesi di storico transazionale accessibile: 12 punti
• Esiste una chiave univoca che collega cliente tra CRM, gestionale e e-commerce: 10 punti
• Qualcuno in azienda sa estrarre dati senza passare da un fornitore esterno: 10 punti
• Le definizioni di cliente attivo, ordine e margine sono scritte e condivise: 8 punti

Processo (25 punti)

• Esiste una decisione ripetuta almeno 100 volte al mese oggi presa a intuito: 10 punti
• Sappiamo quanto costa in euro un errore su quella decisione: 8 punti
• C'è una persona che agirebbe sull'output del modello domani mattina: 7 punti

Organizzazione (20 punti)

• C'è uno sponsor con budget proprio, non un comitato: 8 punti
• Il team operativo è stato coinvolto prima della scelta tecnologica: 7 punti
• Abbiamo già portato in produzione almeno un'automazione, di qualsiasi tipo: 5 punti

Governance (15 punti)

• Sappiamo quali dati personali trattiamo e con quale base giuridica: 6 punti
• Abbiamo una policy scritta su cosa può essere caricato su servizi esterni: 5 punti
• Qualcuno è responsabile nominalmente della qualità dei dati: 4 punti

Lettura del punteggio. Sopra 75: puoi partire con un caso d'uso a impatto diretto sul conto economico. Tra 50 e 75: parti, ma metti a budget sei settimane di lavoro sui dati prima del modello. Tra 30 e 50: il primo progetto è di data engineering, non di machine learning, e chiamarlo con il nome giusto ti salva il budget. Sotto 30: il problema non è l'AI. È che l'azienda non misura sé stessa, e nessun modello risolve quello.

Roadmap 30, 60, 90 giorni

Il ciclo che uso con le aziende che partono da zero. Novanta giorni, un solo caso d'uso, un solo numero da spostare.

Giorni 1 a 30: scegliere e verificare

Settimana 1 e 2. Elenca le decisioni ripetitive dell'azienda e stimane il costo dell'errore. Non serve precisione, serve ordine di grandezza. Scegline una sola, quella con il rapporto migliore tra valore e disponibilità dei dati.

Settimana 3. Esegui il test dei quattro file. Verifica volume, qualità e collegabilità. Se fallisce, fermati e risolvi questo prima. Non è un fallimento del progetto, è il progetto.

Settimana 4. Definisci la metrica di successo in una frase con un numero dentro. Esempio corretto: "riduciamo del 15% i clienti persi nel segmento premium entro sei mesi dall'attivazione". Esempio sbagliato: "miglioriamo la customer experience con l'AI".

Giorni 31 a 60: costruire e validare

Settimane 5 e 6. Preparazione dati e primo modello baseline. Il primo modello deve essere volutamente semplice, perché serve come metro di paragone. Se una regola scritta a mano batte il modello complesso, hai imparato una cosa preziosa a costo quasi zero.

Settimane 7 e 8. Validazione su dati che il modello non ha mai visto, e soprattutto validazione con le persone che useranno l'output. Mostra al commerciale la lista dei clienti a rischio e chiedigli se ha senso. Se scuote la testa su metà dei nomi, hai un problema di dati o di etichette, non di algoritmo.

Giorni 61 a 90: mettere in produzione e misurare

Settimane 9 e 10. Integrazione nel flusso di lavoro esistente. Regola non negoziabile: l'output deve comparire dove la persona lavora già, non in un cruscotto nuovo. Un cruscotto in più è un cruscotto che nessuno apre.

Settimane 11 e 12. Attivazione con gruppo di controllo. Metà dei casi trattati con il modello, metà con il processo attuale. È l'unico modo per dimostrare l'impatto in modo non contestabile. Chi ti dice che il gruppo di controllo non serve, ti sta chiedendo di credergli sulla parola.

Alla fine dei novanta giorni hai un numero difendibile davanti a un consiglio di amministrazione, oppure hai la prova che quel caso d'uso non funziona. Entrambi gli esiti valgono l'investimento. Quello che non vale nulla è arrivare al mese dodici senza sapere quale dei due sia vero. La stessa logica di sequenza vale per l'automazione dei processi aziendali con l'AI.

Come si misura il ROI, e come quasi tutti lo sbagliano

L'errore più comune è misurare l'accuratezza del modello invece dell'effetto sul business. Un modello di churn accurato all'85% non produce un euro se nessuno chiama i clienti segnalati. Un modello accurato al 68% che alimenta una routine commerciale disciplinata produce margine ogni settimana.

La formula minima. Valore netto annuo uguale a: numero di decisioni all'anno, moltiplicato per il miglioramento del tasso di successo, moltiplicato per il valore unitario, meno il costo totale di proprietà.

Esempio concreto. Azienda di servizi B2B, 2.400 clienti, tasso di abbandono annuo del 14%, margine medio annuo per cliente 3.200 euro. Il modello identifica correttamente il 40% degli abbandoni con almeno sessanta giorni di anticipo. Il processo di recupero converte il 25% dei contattati. Clienti salvati: 2.400 per 0,14 per 0,40 per 0,25, uguale a 33 clienti. Valore lordo: 105.600 euro annui. Costo del progetto primo anno: 60.000 euro. Ritorno netto primo anno: 45.600 euro, con base ricorrente dagli anni successivi.

Nota cosa non c'è in questo calcolo: nessuna stima di "produttività aumentata", nessun "risparmio di tempo" convertito in euro con un moltiplicatore inventato. Solo clienti, margine e tassi osservati. Ogni volta che un business case ha bisogno di ore risparmiate per stare in piedi, il valore vero non c'è. Ho sviluppato il metodo completo nella guida sul ROI dell'intelligenza artificiale.

Le tre metriche che devono stare sulla stessa slide. Uplift misurato contro gruppo di controllo. Costo totale di proprietà a dodici mesi. Tasso di adozione dell'output da parte delle persone. La terza è quella che uccide i progetti, ed è quella che nessuno misura.

Gli errori che uccidono i progetti di machine learning

Partire dalla piattaforma. La domanda "quale software AI compriamo" precede sempre il fallimento. La domanda giusta è quale decisione vogliamo migliorare. Il software arriva ultimo, e spesso è meno importante di quanto costi.

Il progetto orfano. Nessuno sponsor con budget proprio, un comitato che si riunisce ogni tre settimane, nessuno che risponde del risultato. Muore in fase di integrazione, sempre, e la causa dichiarata sarà "i dati non erano pronti".

Confondere il pilota con il prodotto. Un modello che gira sul portatile di un consulente non è in produzione. In produzione significa: gira da solo, ha un responsabile, è monitorato, e qualcuno se ne accorge se smette di funzionare.

Ignorare il degrado. Il mondo cambia e il modello no. Senza un controllo mensile delle prestazioni, un modello eccellente diventa dannoso in dodici o diciotto mesi, e continua a produrre numeri che sembrano credibili.

Automatizzare un processo rotto. Se il processo commerciale non funziona senza il modello, il modello lo farà fallire più velocemente e con più precisione. Prima si sistema il processo.

Comprare accuratezza inutile. Passare dall'82% all'87% di accuratezza costa spesso quanto tutto il progetto iniziale, e nel 90% dei casi non cambia una singola decisione operativa. La domanda da porre sempre: questa precisione in più cambia cosa facciamo lunedì mattina?

Non coinvolgere chi userà l'output. È il motivo per cui la ricerca MIT sui progetti di AI generativa trova che il 95% dei piloti non produca alcun ritorno misurabile: il problema non è la qualità dei modelli, è l'integrazione organizzativa e l'apprendimento sul campo.

Il team: chi serve davvero, e chi no

Per il primo progetto non serve assumere un data scientist. Serve questo assetto.

Uno sponsor di business. Direttore commerciale, direttore operations, CFO. Ha un numero da migliorare e il potere di cambiare un processo. Senza questa figura non si parte.

Un referente dati interno. Non deve essere un ingegnere. Deve sapere dove stanno i dati, cosa significano davvero e chi ha le chiavi. Spesso è la persona che costruisce i report da otto anni, ed è la risorsa più sottovalutata dell'azienda.

Competenza tecnica, comprata prima e assunta dopo. Per il primo caso d'uso conviene un partner esterno con obiettivo definito. Ha senso assumere internamente dal terzo modello in produzione, non prima. Ho analizzato il confronto tra le due strade nella guida sull'intelligenza artificiale per le PMI.

Un utilizzatore finale nel gruppo di lavoro dal primo giorno. Il commerciale, il magazziniere, l'operatore che riceverà la previsione. Se entra al lancio invece che alla progettazione, il tasso di adozione crolla, e con esso il ROI.

Attenzione a una figura che si vede spesso e serve raramente nelle aziende sotto i 100 milioni: il responsabile AI senza budget e senza mandato operativo. Produce roadmap, non risultati.

Governance, AI Act e rischio modello

Dal 2 agosto 2026 si applicano gli obblighi principali del regolamento europeo sull'intelligenza artificiale per i sistemi ad alto rischio. Per un'azienda che usa machine learning su clienti e dipendenti questo significa tre adempimenti concreti.

Classificazione. Determinare in quale categoria di rischio ricade ogni sistema. Un modello di previsione della domanda ha requisiti minimi. Un modello che seleziona candidati o valuta l'affidabilità creditizia è ad alto rischio, con obblighi molto più pesanti.

Tracciabilità. Documentare quali dati sono stati usati per l'addestramento, con quale base giuridica, e conservare i log delle decisioni automatizzate. È lavoro che costa poco se fatto durante il progetto e moltissimo se ricostruito a posteriori.

Supervisione umana. Per le decisioni che producono effetti giuridici o significativi sulle persone serve un intervento umano reale, non una casella spuntata. Ho dettagliato gli obblighi nella guida sull'AI Act per le aziende.

Il rischio meno discusso e più concreto resta il bias sui dati storici. Un modello addestrato su dieci anni di decisioni commerciali riproduce anche le distorsioni di quelle decisioni. Se storicamente il commerciale ha ignorato un segmento, il modello imparerà che quel segmento non converte, e la profezia si autoavvera. Il controllo è semplice: verificare le prestazioni del modello separatamente per ogni segmento rilevante, non solo sul totale.

Tre casi reali, con i numeri

Anonimizzo dove serve, ma i numeri sono quelli osservati.

WSB Sport, marketing predittivo su base clienti. Applicazione di modelli di segmentazione e previsione della risposta sulle campagne, con riallocazione del budget verso i segmenti a più alta probabilità di conversione. Risultato: aumento delle vendite del 30%. La leva non è stata la creatività delle campagne, è stata la scelta di chi contattare e quando.

Struttura alberghiera, revenue da 9 a 10 milioni. Previsione della domanda per data e canale, con pricing rivisto settimanalmente invece che a stagione. Un milione di euro di ricavi aggiuntivi senza aumentare né camere né spesa pubblicitaria. Il modello non ha creato domanda, ha smesso di vendere sotto prezzo nelle date piene e sopra prezzo in quelle vuote.

Centro medico, più 20% di capacità. Previsione delle mancate presentazioni e ottimizzazione dell'agenda con overbooking calibrato per fascia oraria. Venti per cento di visite in più con lo stesso personale e le stesse sale. Il valore era già dentro l'organizzazione, immobilizzato in slot vuoti che nessuno contava.

Agriturismo, raddoppio degli ospiti. Caso più semplice e più istruttivo: segmentazione dei canali di provenienza e concentrazione della spesa su due canali su sette. Nessun modello sofisticato, solo lettura disciplinata dei dati esistenti. A volte il progetto giusto di machine learning è scoprire che non ti serve machine learning.

Il filo comune di tutti e quattro: nessuno partiva da dati perfetti, nessuno ha comprato una piattaforma, tutti avevano una persona con potere decisionale che agiva sull'output entro sette giorni.

Come valutare un fornitore di machine learning

Il mercato italiano è pieno di società che hanno aggiunto la parola AI al proprio listino nell'ultimo triennio. Distinguerle richiede sei domande, tutte poste prima della firma.

Su quale nostro dato girerà il modello, e lo avete già visto? Un fornitore serio chiede accesso ai dati prima di fare un preventivo, oppure quota esplicitamente una fase di valutazione separata. Chi manda un'offerta chiusa senza aver visto un file sta vendendo ore, non un risultato.

Qual è la baseline contro cui misureremo? Se non sanno rispondere, non hanno intenzione di misurare. La baseline è il processo attuale, con i suoi numeri attuali, scritti prima di iniziare.

Chi possiede il modello e i dati al termine del contratto? Domanda contrattuale, non tecnica. Modelli addestrati sui tuoi dati che restano proprietà del fornitore sono una forma di dipendenza costosa da sciogliere al terzo anno.

Cosa succede quando il modello degrada? La risposta corretta contiene una frequenza di controllo, una soglia di allarme e un responsabile. Le risposte vaghe qui anticipano problemi seri al mese dodici.

Quante persone nostre dovranno cambiare abitudini? Se la risposta è zero, il progetto non produrrà impatto. Se è cinquanta, il progetto non partirà. La zona sana è tra tre e dieci persone per il primo caso d'uso.

Possiamo parlare con un cliente vostro dello stesso settore che ha il sistema in produzione da almeno un anno? In produzione da un anno è il filtro che elimina la maggior parte dei fornitori. I piloti li fanno tutti, il mantenimento pochi.

Un ultimo criterio, meno tecnico ma più predittivo di tutti: se in due riunioni non hai mai sentito nominare il tuo conto economico, stai parlando con qualcuno che risolverà un problema tecnico interessante e non il tuo.

Machine learning per settore: dove il ritorno arriva prima

Gli stessi cinque casi d'uso hanno rendimenti molto diversi a seconda della struttura di costo dell'azienda. Questa è la mappa che uso per stabilire le priorità.

Manifattura e produzione. Prima leva: manutenzione predittiva e controllo qualità visivo. Il valore è nel costo del fermo linea e nello scarto, entrambi già misurati in modo affidabile in quasi tutti gli stabilimenti. È il settore dove il business case si costruisce più in fretta, perché i dati di produzione esistono e sono puliti.

Distribuzione e retail. Prima leva: previsione della domanda per punto vendita e referenza. Ogni punto percentuale di rottura di stock recuperato vale più di qualsiasi campagna, e il capitale liberato dalle scorte è cassa immediata.

Servizi B2B e software. Prima leva: previsione dell'abbandono e scoring dei rinnovi. Il margine è nella base installata, non nella nuova acquisizione, e il costo di sostituire un cliente perso è tipicamente da cinque a sette volte quello di trattenerlo.

Sanità privata e studi professionali. Prima leva: previsione delle mancate presentazioni e ottimizzazione dell'agenda. La capacità produttiva è il vincolo, e recuperarla non richiede né personale né spazi aggiuntivi.

Turismo e ospitalità. Prima leva: previsione della domanda per data e canale, con pricing rivisto ad alta frequenza. È il settore con il rapporto più alto tra impatto e complessità tecnica, perché la domanda ha stagionalità forte e quindi prevedibile.

Servizi finanziari e assicurativi. Prima leva: rilevazione anomalie e priorità nelle istruttorie. Attenzione: è anche il settore con i vincoli normativi più stringenti, quindi la governance va progettata insieme al modello e non dopo.

La regola trasversale: parti dal vincolo che limita oggi la crescita. Se il vincolo è la capacità produttiva, non ha senso partire dal marketing predittivo. Se il vincolo è la domanda, non ha senso ottimizzare il magazzino.

Da dove partire lunedì mattina

Tre azioni, nessuna richiede budget.

Prima. Scrivi su un foglio le cinque decisioni che la tua azienda ripete più spesso e stima quanto costa sbagliarne una. Bastano ordini di grandezza.

Seconda. Chiedi i quattro file al tuo IT e cronometra quanti giorni ci vogliono. È la misura più onesta della tua maturità sui dati, e non costa nulla.

Terza. Identifica la persona che agirebbe sull'output entro una settimana. Se non esiste, il progetto non è pronto, per quanto buoni siano i dati.

Chi arriva a questo punto con risposte chiare in genere non ha bisogno di una piattaforma. Ha bisogno di scegliere il primo caso d'uso e di eseguirlo in novanta giorni con disciplina. Se vuoi una valutazione esterna e diretta di quale sia quel caso d'uso nella tua azienda, prima di spendere in software o assunzioni, è esattamente il tipo di confronto che ha senso fare adesso e non tra un anno.

FAQ

Che differenza c'è tra machine learning per aziende e intelligenza artificiale?

Intelligenza artificiale è il termine ombrello, machine learning è la tecnica che oggi produce quasi tutto il valore economico applicato. Il machine learning impara regole da dati storici per prevedere casi nuovi: quale cliente abbandona, quanto si venderà, quale macchina si guasterà. Per un'azienda la distinzione pratica è questa: se un fornitore parla di intelligenza artificiale senza dire quali tuoi dati userà e quale numero migliorerà, sta vendendo una categoria, non una soluzione.

Quanto costa il primo progetto di machine learning in un'azienda italiana?

Su progetti reali in aziende tra 2 e 60 milioni di fatturato, la valutazione iniziale dei dati costa tra 5.000 e 12.000 euro, il primo modello portato in produzione tra 25.000 e 70.000 euro, l'infrastruttura tra 200 e 2.000 euro al mese, e la manutenzione annuale il 15 a 25% del costo iniziale. Un primo anno completo si colloca quindi tra 45.000 e 110.000 euro. Preventivi da centinaia di migliaia di euro per una piattaforma generica raramente corrispondono a un risultato misurabile.

Quanti dati servono per addestrare un modello utile?

Dipende dal caso d'uso, ma per la previsione di abbandono servono almeno dodici mesi di storico e qualche centinaio di casi di abbandono realmente osservati. Per la previsione della domanda servono almeno due cicli stagionali completi. Il vincolo più frequente non è la quantità: è la collegabilità tra sistemi diversi e la coerenza delle definizioni. Se il cliente ha tre identificativi diversi in tre sistemi, quello è il primo problema da risolvere, prima di qualsiasi modello.

In quanto tempo un progetto di machine learning genera ritorno?

Con un caso d'uso ben scelto e dati già accessibili, il primo modello va in produzione in otto a sedici settimane e il ritorno diventa misurabile entro il secondo trimestre. Se i dati richiedono lavoro di integrazione, si aggiungono sei a dodici settimane. Chi promette risultati misurabili in trenta giorni sta contando ore risparmiate stimate, non margine reale.

Serve assumere un data scientist per iniziare?

No, e assumerlo troppo presto è uno degli errori più costosi. Per il primo caso d'uso servono uno sponsor di business con un numero da migliorare, un referente interno che sappia dove stanno i dati, e competenza tecnica comprata all'esterno con obiettivo definito. L'assunzione interna ha senso dal terzo modello in produzione, quando esiste un flusso continuo di lavoro da mantenere e non un singolo progetto.

Come si capisce se un progetto di machine learning sta funzionando?

Con un gruppo di controllo, non con l'accuratezza del modello. Si tratta metà dei casi con il nuovo sistema e metà con il processo attuale, e si confronta il risultato di business dopo otto o dodici settimane. Le tre metriche da guardare insieme sono: uplift contro il gruppo di controllo, costo totale di proprietà a dodici mesi, e tasso di adozione dell'output da parte delle persone. Quest'ultima è la causa di fallimento più frequente e la meno misurata.

Il machine learning è utile anche per una PMI sotto i 5 milioni di fatturato?

Sì, ma con vincoli precisi. Sotto una certa soglia di volumi il modello ha pochi dati per imparare e il costo fisso pesa troppo. La regola pratica: se una decisione viene presa meno di cento volte al mese, quasi sempre conviene una regola scritta bene invece di un modello. Sopra quella soglia, e con almeno due anni di storico, anche un'azienda piccola ottiene ritorni chiari, specialmente su previsione della domanda e recupero clienti.

L'AI Act cambia qualcosa per chi usa modelli predittivi?

Sì, in modo differenziato. Un modello di previsione della domanda o di gestione scorte ha obblighi minimi. Un modello che seleziona candidati, valuta merito creditizio o incide su diritti delle persone rientra nella categoria ad alto rischio, con obblighi di documentazione, tracciabilità e supervisione umana reale. Il costo di conformità è basso se la documentazione viene prodotta durante il progetto, ed è alto se va ricostruita a posteriori sotto verifica.