Il cliente voleva un Claude in casa

In queste settimane vedo colleghi frustrati. Hanno passato mesi su un progetto di AI on-premise: dati interni ripuliti, un modello che gira sui server del cliente, un assistente che risponde sui documenti aziendali senza che nulla esca dal perimetro. Funziona, e chi l'ha costruito lo sa: è un lavoro di cui andare fieri. Poi arriva la presentazione e in mezz'ora il cliente smonta tutto. Non perché il sistema sbagli, ma perché "non è come quello che uso sul telefono". In realtà si aspettava un Claude in casa.

Questo tipo di fallimento non finisce nelle statistiche con il suo nome, ma le alimenta. Secondo il rapporto del MIT NANDA pubblicato nell'agosto 2025, il 95% dei progetti pilota di AI generativa nelle aziende non ha prodotto un impatto misurabile sui conti. Già nel 2024 Gartner prevedeva che entro la fine del 2025 almeno il 30% dei progetti sarebbe stato abbandonato dopo la prova di fattibilità. Sono numeri da maneggiare con cautela, perché riguardano l'AI generativa in generale e non solo quella installata in azienda. Ma raccontano la stessa cosa: raramente il problema è la tecnologia.

Il metro di paragone sbagliato

I grandi assistenti che usiamo tutti i giorni girano su data center enormi, con modelli addestrati con budget che nessuna azienda italiana può avvicinare. Un modello che gira su uno o due server nel rack del cliente è un'altra cosa: più piccolo, più lento, meno brillante nella conversazione libera. Può essere eccellente su un compito preciso, con i dati giusti e i controlli giusti. Ma se nessuno lo ha detto all'inizio, il confronto è perso prima ancora di cominciare.

E se nessuno lo ha detto, la responsabilità non è del cliente. È di chi ha venduto il progetto: fornitori, system integrator, consulenti. Anche noi.

Dove si perde davvero

Ho visto questo copione molte volte, anche prima dell'AI generativa. Il fornitore presenta una scatola pronta all'uso e minimizza integrazione, manutenzione e qualità dei dati. Il management compra la demo, spinto dalla paura di restare indietro, senza aver scelto un processo preciso da migliorare. Il team tecnico, a quel punto, ottimizza il modello invece del flusso di lavoro: si discute di parametri e di benchmark mentre l'integrazione con l'ERP, i permessi e i documenti duplicati restano sullo sfondo, finché non bloccano tutto.

Cosa farei diversamente

Prima di tutto, dire subito cosa il sistema non sarà. Nel documento di avvio, accanto agli obiettivi, scriverei i limiti: non è un assistente generalista, non conosce il mondo, conosce i nostri documenti e su quelli deve essere affidabile. E fisserei criteri di successo misurati sul processo, come tempi di lavorazione ed errori evitati, non sull'effetto della demo.

Poi, ribaltare il budget. Boston Consulting Group la chiama regola 10-20-70: il 10% dello sforzo agli algoritmi, il 20% a tecnologia e dati, il 70% alle persone e ai processi. Nella maggior parte dei progetti che vedo la proporzione è rovesciata.

Infine, progettare il sistema perché proponga e lasci decidere. Il modello prepara una bozza o suggerisce un'azione; una persona approva; tra la proposta e l'esecuzione ci sono regole deterministiche che verificano che quell'azione sia consentita. Un sistema così sbaglia ancora, ma i suoi errori costano poco e si vedono subito.

E la demo la farei con i dati del cliente, accanto al processo di oggi, non accanto a ChatGPT.

La promessa giusta

L'AI on-premise ha senso: riservatezza dei dati, costi prevedibili, controllo. Ma va venduta per quello che è. Non un Claude in casa, ma un collega specializzato che conosce i nostri documenti e sa quando fermarsi a chiedere.

A chi ha passato mesi a costruirla e oggi si sente dire che non basta, vorrei dire questo: il lavoro non era sbagliato. Era sbagliata la promessa.