Prima gli obiettivi di business e le metriche, poi la scelta tecnologica. Solo così un progetto innovativo può avere un impatto reale
Molti progetti di intelligenza artificiale falliscono non per carenze tecnologiche, ma per un vuoto strategico fondamentale: la mancanza di un collegamento diretto tra sofisticazione tecnica e obiettivi di business. Troppo spesso si decide come misurare il successo solo a progetto avviato, quando le scelte architetturali sono ormai difficili da correggere. L’innovazione autentica richiede invece di invertire la rotta, definendo prima il traguardo economico e le metriche di performance, per poi scegliere le tecnologie più adatte. Questo approccio, definibile come “backward engineering from impact”, pone al centro il risultato desiderato piuttosto che lo strumento utilizzato.
“Un caso esemplare” ci dice Marco Appetito, Digital Innovation & Architetture Applicative Competence Center Director di Aubay, “è rappresentato da un’azienda del settore energetico che ha affrontato il problema del churn, ovvero l’abbandono dei clienti. Invece di limitarsi a implementare un algoritmo, l’azienda ha stabilito un obiettivo numerico preciso: ridurre il churn volontario del 15% in un anno”. La soluzione tecnica, basata su un “gemello digitale” del cliente che raccoglie segnali da ogni canale di contatto, è stata costruita interamente attorno a questa necessità, trasformando i dati in suggerimenti operativi personalizzati che evolvono con l’esperienza.
La costruzione di un modello predittivo non è un esercizio accademico, ma il completamento di una serie di scelte strategiche basate su calcoli economici. “Ad esempio, decidere la soglia di probabilità per intervenire su un cliente a rischio dipende dal bilanciamento tra il costo del contatto e il valore del cliente recuperato. Nel caso energetico citato, il sistema monitora i risultati su tre livelli: quotidianamente si analizzano i dati operativi, settimanalmente la salute dell’algoritmo e mensilmente l’impatto reale sul tasso di abbandono rispetto a un gruppo di controllo”.
Quest’ultimo elemento è cruciale per isolare l’effetto dell’IA da altri fattori esterni, come campagne marketing concomitanti. Senza un gruppo di esclusione, è impossibile attribuire con certezza il merito dei miglioramenti alla tecnologia. Il dialogo tra competenze tecniche e di business deve quindi vertere su domande scomode: meglio disturbare un cliente che non se ne sarebbe andato o rischiare di perderne uno certo? “La risposta non risiede nel codice, ma nella strategia aziendale e nella conoscenza profonda dei costi operativi” continua Appetito.
“È facile innamorarsi di numeri impressionanti”, continua il manager, “ma se il modello poi non sposta i numeri del business a cosa serve? Ho visto sistemi di raccomandazione con performance tecniche eccellenti che non hanno generato un euro in più di fatturato, perché raccomandavano prodotti che i clienti avrebbero comunque comprato. La metrica giusta non è quella che fa colpo nelle presentazioni ma quella collegata direttamente all’obiettivo di business”.
È evidente come il successo della trasformazione digitale si misuri con i numeri del bilancio, non con la complessità dell’architettura. “Un errore frequente è la sovra-ingegnerizzazione, ovvero l’utilizzo di sistemi real-time o distribuiti estremamente complessi dove basterebbero elaborazioni notturne o modelli statistici classici”. La complessità va giustificata dal valore aggiunto che produce, poiché comporta costi elevati di manutenzione e competenze. Inoltre, è fondamentale considerare l’invecchiamento dei modelli: un sistema addestrato su dati passati perde efficacia se i comportamenti del mercato evolvono, richiedendo un piano di aggiornamento costante. “Un modello addestrato su dati del 2023 potrebbe funzionare male su dati del 2025. I comportamenti cambiano, i mercati evolvono, i contesti mutano”.
Per Aubay, prima di investire, ogni organizzazione dovrebbe chiedersi se l’obiettivo è spiegabile in una frase, se è misurabile in modo continuo e se si sta cercando la soluzione più semplice possibile. Partire dai KPI garantisce che, indipendentemente dall’esito, l’azienda acquisisca una comprensione profonda dei propri processi, distinguendo l’innovazione reale dal semplice “teatro dell’innovazione”, privo di impatto concreto. Se è importante guidare investimenti significativi in tecnologie emergenti, “l’unico modo sostenibile per farlo è costruire una cultura dove ogni progetto deve dimostrare il proprio valore. Non nelle slide ma nei risultati. Non nelle promesse ma nelle misure”.
