💡 Manager AIlluminato Cap. 28 · Stato dell'arte aziendale

Puntata 309

Puntata 309 — Time-to-value realistico

Livello: 💡 Manager AIlluminato · Capitolo 28 · Stato dell’arte aziendale

“Tre mesi e siamo live.” Frase tipica del pitch. Storia di tre PoC reali, tre tempistiche reali, e cosa li ha distinti — tra chi consegna in tempo e chi è ancora “live” tre anni dopo.

tre orologi a parete in una sala riunioni. Su ognuno è impressa una targhetta: “PoC A — 4 mesi”, “PoC B — 12 mesi”, “PoC C — abbandonato”. Sotto ogni orologio, una scatola di risultati: piena (A), mezza piena (B), vuota (C). Una mano segna su un foglio le 3 differenze chiave

Le promesse vs la realtà

I vendor AI nel 2026 dicono regolarmente:

  • “PoC in 4 settimane.”
  • “Production-ready in 3 mesi.”
  • “ROI dimostrato nel primo trimestre.”

A volte è vero. Più spesso non lo è. Lo “scarto” tra promessa e realtà non dipende dal tool — dipende dall’azienda che lo adotta.

Ecco tre storie reali (anonimizzate), tre tempistiche reali, e i tre fattori che hanno fatto la differenza.

PoC A: chatbot interno HR — 4 mesi al go-live, scalato

Azienda: PMI manifatturiera italiana, ~800 dipendenti.

Use case: chatbot interno per FAQ HR (ferie, permessi, benefit, procedure).

Stack scelto: Microsoft Copilot Studio + Azure OpenAI + Azure AI Search.

Tempistica reale:

  • Settimane 1-3: discovery, mapping FAQ, definizione metriche.
  • Settimane 4-8: build chatbot v1 con 50 FAQ caricate.
  • Settimane 9-12: pilota in 3 stabilimenti, feedback, fix.
  • Settimane 13-16: rollout aziendale.

Risultato a 6 mesi:

  • 70% delle domande gestite autonomamente.
  • HR resource saved: ~2 FTE su task ripetitivi.
  • ROI positivo dal mese 5.

Cosa ha funzionato:

  1. Scope stretto: solo FAQ HR, niente altri use case in parallelo.
  2. Sponsor chiaro: HR Director come owner, accountability su ROI.
  3. Stack già in casa: Microsoft 365 enterprise esistente. Niente nuovi vendor.
  4. Misurazione settimanale: dashboard adoption + qualità risposte.
  5. Iterazione rapida: ogni 2 settimane release con miglioramenti.

PoC B: AI per contract review legale — 12 mesi, in produzione parziale

Azienda: studio legale italiano top-tier, 200 avvocati.

Use case: AI assistant per due diligence + contract drafting.

Stack scelto: Harvey + integrazione DMS interno (iManage).

Tempistica reale:

  • Mesi 1-2: vendor selection (Harvey vs CoCounsel vs build interno).
  • Mesi 3-4: legal procurement (DPA, sicurezza, deontologia con CdO).
  • Mesi 5-6: integrazione con DMS, setup access control.
  • Mesi 7-9: pilota con 30 avvocati selezionati. Feedback misti.
  • Mesi 10-12: fix accuracy, training, espansione progressiva.

Risultato a 12 mesi:

  • 50% degli avvocati usa Harvey settimanalmente.
  • Tempo medio per due diligence: -35%.
  • ROI ancora in costruzione (break-even atteso mese 18).

Cosa ha rallentato:

  1. Vendor selection lunga: hanno valutato 5 soluzioni in 2 mesi (poteva essere 4 settimane).
  2. Compliance complessa: privacy + segreto professionale + assicurazione → 2 mesi di lavoro avvocato-procurement.
  3. Resistenza avvocati senior: “io scrivo come ho sempre scritto”. Change management sotto-stimato.
  4. Accuracy iniziale: prime versioni avevano allucinazioni di precedenti. Trust dei senior persa, recuperata con difficoltà.

Cosa ha funzionato (alla fine):

  1. Owner senior partner dedicato.
  2. Investimento serio in formazione (non one-shot, programma di 6 mesi).
  3. Misurazione qualità output + correzione prompt nel tempo.

PoC C: AI agent per supply chain — 18 mesi, abbandonato

Azienda: media impresa logistica italiana, ~300 dipendenti.

Use case: AI agent multi-step per ottimizzazione approvvigionamento e forecasting.

Stack scelto: build custom con LangChain + GPT-4 + integrazione SAP + custom UI.

Tempistica reale:

  • Mesi 1-3: discovery, architettura, scelta tecnologia.
  • Mesi 4-9: build agent multi-step. Sfide multiple su:
    • Tool use affidabile (le funzioni SAP venivano chiamate male).
    • Hallucination management.
    • Costo per query alto (chain di 8-15 chiamate LLM).
  • Mesi 10-12: pilota con 2 buyer. Risultati inconsistenti.
  • Mesi 13-15: tentativo di refactoring. Costi cumulativi €600k.
  • Mesi 16-18: decisione abbandono. Si torna a Excel-based forecasting con ML classico.

Costo totale: ~€800k tra licenze, build, tempo manager.

Cosa è andato storto:

  1. Categoria sbagliata (vedi puntata 304): use case era ML predictive, hanno scelto AI generativa. Modello sbagliato per il problema.
  2. Maturità tecnologica: agent autonomi nel 2024 erano (e ancora sono nel 2026) in valle della disillusione per task production-grade complessi.
  3. Vendor lock-in non gestito: GPT-4 deprecato in corso d’opera, migrazione costosa.
  4. Mancanza di sponsor C-level: il progetto era partito da IT, no CFO/COO accountable.
  5. Scope troppo ambizioso: 8 funzioni in un agent invece di 1 funzione ben fatta.

Cosa hanno imparato:

  • Avrebbero dovuto fare 1 use case di ML predictive (forecasting basic) come fase 1.
  • Solo dopo aver capito i workflow, valutare AI generativa su sotto-task linguistici.
  • Mai scegliere “agent autonomous multi-step” come primo progetto AI di un’azienda.

I 5 fattori che predicono il time-to-value

Estraendo i pattern dai tre casi (e da decine di altri che ho osservato):

1. Scope stretto = time-to-value rapido

PoC con un use case ben definito vanno in 3-6 mesi. PoC con scope ampio “AI per tutto” diventano progetti zombie a 18+ mesi.

2. Stack maturo > stack cutting-edge

Tecnologie consolidate (RAG + LLM mainstream) in produzione in 2-6 mesi. Tecnologie sperimentali (multi-agent, complex orchestration) in produzione in 12-24+ mesi, alta probabilità abbandono.

3. Sponsor C-level fa la differenza

Con sponsor: rimozione barriere rapida, decisioni veloci, allocazione risorse. Senza sponsor: PoC vive in IT come progetto secondario, muore di indifferenza.

4. Change management ≠ formazione

Formazione = 2 giorni di workshop. Change management = 6-12 mesi di processo: comunicazione, campioni interni, ridisegno processi, KPI revisti, sponsor visibile.

Sotto-stimare change management = doppia il time-to-value.

5. Misurazione esplicita dal giorno 1

Senza metriche: “sembra funzionare”, “alla gente piace”, “in produzione”. Tutto vago. Decisione finale impossibile. Con metriche: dati settimanali, soglie chiare, decisioni binarie. Time-to-value misurabile.

Le 3 timeline realistiche per categoria

Per la tua pianificazione:

Tipo di progettoTime-to-PoCTime-to-ProductionTime-to-ROI
Quick win (coding assistant, MJ per marketing, chatbot FAQ)4-8 sett.2-4 mesi3-6 mesi
Strategic (customer service, knowledge mgmt, sales enablement)6-12 sett.4-9 mesi9-15 mesi
Transformative (custom AI platform, agentic workflow, AI-native product)3-6 mesi9-18 mesi18-36 mesi

Se il vendor ti dice mai più di 6 mesi per un Transformative, sta promettendo troppo. Se ti dice 18 mesi per un Quick Win, qualcosa non va nella tua proposta o nel tuo approccio.

La domanda da porsi prima di lanciare

Per ogni PoC AI in roadmap:

  1. A che categoria appartiene? Quick win / Strategic / Transformative.
  2. Quale time-to-value realistico? (Vedi tabella sopra.)
  3. Abbiamo sponsor C-level dedicato?
  4. Abbiamo metriche definite, settimanali, con soglie?
  5. Il budget include change management (15-25% del totale)?

Se anche solo a una di queste rispondi no/non lo so, ferma il PoC. Risolvi prima. Lanci dopo.

Sembra noioso. Risparmia mesi.

TEST cognitivo (15 min)

Per i tuoi 3 progetti AI più importanti in pipeline:

  1. Classifica ognuno in: Quick win / Strategic / Transformative.
  2. Confronta il time-to-value promesso/atteso internamente con i benchmark sopra.
  3. Identifica quale dei 5 fattori (scope, stack, sponsor, change mgmt, metrics) è più debole per ciascuno.
  4. Decidi: cosa fai per rafforzare quel fattore? O scegli un PoC più piccolo?

Onestà: spesso il progetto ambizioso senza sponsor + senza metriche è da rifare in versione “Quick win con sponsor”, piuttosto che essere lanciato com’è.

Glossario lampo

  • Time-to-value: tempo da inizio progetto a primo valore di business misurabile.
  • Time-to-production: tempo a deploy stabile (non più PoC).
  • Time-to-ROI: tempo a recupero dell’investimento totale.
  • Multi-agent system: architettura con più AI agent coordinati. Promettente, ancora immatura per molti casi production.

Take-away in una riga

Il time-to-value reale è il doppio o triplo della promessa del vendor — non per loro malafede, ma per fattori interni: scope, sponsor, change management, metriche. Conoscerli ti salva mesi e mette il tuo PoC dalla parte dei vincenti.

➡️ Prossima puntata: TEST — il livello di maturità AI della tua azienda. Self-assessment in 15 domande, scoperta in 20 minuti.