Home · Blog

Come scegliere i casi d'uso AI ad alto ROI: il metodo Discovery

26 luglio 2026 · Strategia AI · Discovery

Molte PMI arrivano a un progetto AI con una lista di dieci idee e la stessa domanda: da dove iniziamo? Non è una domanda banale. Il primo progetto che un'azienda porta a termine decide se ci sarà un secondo, un terzo, un intero percorso di adozione, oppure se il tema finisce archiviato dopo un progetto pilota deludente. Scegliere bene il primo caso d'uso non è una questione di intuito: è un metodo, e si può applicare passo per passo.

Il problema non è la mancanza di idee

Nella nostra esperienza il problema raramente è trovare idee per applicare l'AI in azienda. Il problema è averne troppe e nessun criterio per confrontarle. Il commerciale vuole un assistente per le proposte, la produzione vuole controlli di qualità automatici, l'amministrazione vuole liberarsi dalla digitazione delle fatture. Ognuna di queste idee sembra ragionevole, ma senza un metodo di confronto si finisce per scegliere in base a chi ha parlato più forte in riunione, non in base al valore reale che l'AI può portare a quel processo specifico.

Mappare i processi prima di scegliere qualsiasi cosa

Prima di decidere dove applicare l'AI, dedichiamo tempo a mappare i processi candidati così come sono oggi, non come qualcuno immagina che siano. Per ogni processo raccogliamo alcune informazioni di base:

• Chi lo esegue e quante ore, a settimana o al mese, gli dedica.
• Quante volte si ripete e quanto varia da un caso all'altro.
• Dove nascono gli errori e cosa costano quando accadono, in tempo o in correzioni.
• Che dati servono per eseguirlo e dove si trovano davvero oggi.

Questa fase sembra scontata, ma è quella che quasi sempre viene saltata. Le aziende che partono direttamente dalla soluzione, un assistente conversazionale o un copilot deciso a tavolino, spesso scoprono a metà progetto che il processo scelto non era quello con più valore: era solo quello più visibile in quel momento.

La matrice valore/fattibilità

Una volta mappati i processi candidati, li mettiamo a confronto su due assi: il valore atteso, cioè quanto tempo, quanti errori o quanti ritardi genera oggi quel processo, e la fattibilità, cioè quanto è realistico automatizzarlo con i dati e le competenze che l'azienda ha adesso.

• Alto valore, alta fattibilità: qui parte il primo progetto. Beneficio chiaro e percorso realistico in tempi brevi.
• Alto valore, bassa fattibilità: processo interessante ma da preparare, spesso servono prima dati più puliti o un'integrazione che oggi manca.
• Basso valore, alta fattibilità: un quick win utile per costruire fiducia interna, ma non deve diventare l'unico progetto dell'anno.
• Basso valore, bassa fattibilità: si accantona, almeno per ora, e si torna a valutarlo quando cambiano le condizioni.

Una logica simile la applichiamo quando aiutiamo un'azienda a scegliere quale processo agentizzare per primo: i criteri cambiano leggermente a seconda che si parli di un agente autonomo o di un progetto di automazione più tradizionale, ma il principio di fondo resta lo stesso, si confronta il valore atteso con quanto è davvero pronta l'azienda a realizzarlo.

Tre errori che vediamo ripetersi

Partire dal progetto più ambizioso. Un sistema che copre l'intero ciclo attivo, dal preventivo alla fatturazione, con integrazione su più gestionali diversi, sembra la scelta più efficiente perché risolve tutto in un colpo solo. In pratica allunga i tempi, moltiplica i rischi tecnici e rende difficile misurare cosa ha funzionato e cosa no. Un progetto compatto, con un perimetro chiaro, dà risultati prima e insegna cosa serve per il progetto successivo.

Automatizzare un processo che è già rotto. Se un flusso di approvazione ha passaggi ridondanti, responsabilità poco chiare o eccezioni continue, mettere l'AI sopra non lo sistema: lo velocizza così com'è, difetti compresi. Prima di automatizzare conviene chiedersi se quel processo, oggi, ha davvero senso così come funziona, o se va prima semplificato.

Ignorare la qualità dei dati. Un processo può sembrare un ottimo candidato sulla carta, ma se le informazioni che servono sono sparse tra fogli Excel non aggiornati, email e sistemi che non comunicano tra loro, il progetto rallenta ancora prima di iniziare. Buona parte del lavoro di Discovery serve esattamente a questo: capire quanto sono pronti i dati, non solo quanto è promettente l'idea.

Il metodo Discovery in Latentia: quattro passi

Per evitare questi errori seguiamo un percorso strutturato in quattro passi, che chiamiamo Discovery, prima di scrivere una riga di codice.

• Analisi dei processi: interviste con chi lavora il processo ogni giorno, non solo con chi lo gestisce, per capire tempi reali, eccezioni e colli di bottiglia.
• Stima del ROI: per ogni processo candidato quantifichiamo il beneficio atteso in ore risparmiate, errori evitati e tempi di risposta.
• Prioritizzazione: posizioniamo i processi sulla matrice valore/fattibilità e concordiamo con il cliente da dove partire.
• Proof-of-concept: costruiamo una versione minima e funzionante sul primo processo scelto, la misuriamo su dati reali, e solo dopo decidiamo se e come estenderla.

Il proof-of-concept è volutamente piccolo. Se il caso d'uso riguarda la ricerca di informazioni interne, per esempio, costruiamo prima un prototipo ristretto del nostro servizio di RAG e copilot aziendali su un solo dominio di conoscenza, come i copilot che abbiamo raccontato per il caso dei dati aziendali interrogabili in linguaggio naturale, prima di estenderlo a tutta l'azienda.

Come stimare il ROI in modo onesto

La fase di stima è quella dove si gioca la credibilità di tutto il progetto. Un numero gonfiato per convincere chi decide si ritorce contro al primo controllo. Per questo preferiamo una stima prudente, costruita su tre voci concrete.

• Ore risparmiate per costo orario: quante ore, a settimana o al mese, quel processo assorbe oggi, moltiplicate per il costo orario di chi lo esegue. È la voce più semplice da misurare e la più difficile da gonfiare, perché si basa su dati che l'azienda già possiede.
• Errori evitati: ogni errore che oggi genera un reso, una contestazione, un ordine sbagliato o una fattura da correggere ha un costo, anche se raramente viene registrato come tale. Ricostruirlo, anche in modo approssimativo, spesso cambia la priorità di un processo rispetto a un altro.
• Tempi di risposta: in alcuni processi il valore non sta nel tempo risparmiato internamente, ma nella rapidità con cui il cliente riceve una risposta. Un preventivo che arriva in un'ora invece che in qualche giorno può significare l'ordine, non solo un guadagno di efficienza.

Una stima onesta usa numeri che l'azienda può verificare da sola, non proiezioni ottimistiche prese da un caso altrui. Nella nostra esperienza le stime più prudenti sono anche quelle che, mesi dopo, si sono rivelate più vicine alla realtà, ed è quello il momento in cui chi decide inizia davvero a fidarsi del percorso AI dell'azienda.

Articoli correlati

← Tutti gli articoli