Perché non tutti i processi devono utilizzare l'AI

Cosa si intende per AI washing

L'AI washing consiste nel presentare come "basati sull'intelligenza artificiale" prodotti o funzionalità che in realtà utilizzano logica a regole semplice, corrispondenza di parole chiave o automazione di base. Non è una pratica rara: è diventata sistemica in un mercato dove "AI-powered" è diventato un attributo di marketing pressoché obbligatorio, indipendentemente dal contenuto tecnico reale.

Le cause sono diverse. La pressione di mercato a sembrare innovativi spinge i team prodotto a usare il termine anche quando non è giustificato. La mancanza di competenze tecniche interne rende difficile valutare le dichiarazioni dei fornitori. Il marketing si impone sulle specifiche tecniche. Il risultato è che molte aziende acquistano soluzioni "AI" che sotto la superficie sono decision tree statici, filtri regex o workflow a condizioni fisse — strumenti utili, ma non AI.

Le conseguenze dell'AI washing sono concrete: soluzioni costose che sottoperformano rispetto alle aspettative, perdita di credibilità interna quando i risultati non corrispondono alle promesse, e spreco di budget che avrebbe potuto essere investito in automazione tradizionale più semplice ed efficace. Esempi tipici: un chatbot "intelligente" che è in realtà un albero di decisione FAQ; un sistema "predittivo" che usa solo soglie di data; un classificatore "intelligente" che è in realtà corrispondenza di pattern testuali.

I costi reali dell'AI che spesso non vengono calcolati

Quando si valuta l'integrazione dell'AI in un processo, il costo apparente — tipicamente il prezzo dell'API o del servizio — è solo una parte del totale. I costi nascosti sono spesso più significativi e raramente vengono inclusi nell'analisi preliminare.

• Costo per chiamata API: ogni richiesta a un modello LLM ha un costo variabile in base al volume di token. A titolo indicativo, modelli di fascia alta come GPT-4 costano dell'ordine di $0,02-0,06 per 1.000 token di output. Per 10.000 operazioni al giorno, i costi mensili diventano significativi e devono essere pianificati.
• Latenza: i modelli AI cloud aggiungono tipicamente da 0,5 a 5 secondi per operazione, a seconda del modello e del volume di dati. In processi time-sensitive — risposta in real-time, verifica sincrona, completamento di form — questa latenza è un problema concreto di usabilità.
• Comportamento non deterministico: lo stesso input può produrre output diversi tra chiamate successive. Nei processi che richiedono precisione assoluta — calcoli fiscali, output legali, conformità normativa — questo è inaccettabile senza misure aggiuntive di validazione.
• Lock-in tecnologico: dipendenza da un fornitore specifico comporta il rischio di variazioni di prezzo, cambi di API non retrocompatibili o interruzioni di servizio non pianificate che interrompono il processo aziendale.
• Manutenzione del prompt: i modelli AI vengono aggiornati nel tempo. Un prompt che produce risultati accurati oggi potrebbe produrre output diversi dopo un aggiornamento del modello, richiedendo test e ricalibrazione continua.
• Supervisione aggiuntiva: ogni punto AI nel processo richiede un meccanismo di revisione umana, che ha un costo di personale che spesso non viene conteggiato nella valutazione economica iniziale.

Quando l'automazione tradizionale è meglio dell'AI

L'automazione tradizionale — basata su regole deterministiche, trigger, condizioni if-then, macchine a stati — è spesso la scelta migliore per una classe ampia di processi aziendali. Non è una tecnologia di ripiego in attesa dell'AI: è uno strumento appropriato per problemi con caratteristiche specifiche.

È preferibile all'AI quando le regole del processo sono stabili, esplicite e documentabili: "invia una notifica quando la pratica rimane nello stato 'in attesa' per più di 48 ore"; "assegna la richiesta al responsabile area geografica in base al CAP del cliente"; "genera il documento PDF al completamento di tutti i campi obbligatori". Queste logiche non richiedono generalizzazione su input variabili — richiedono esecuzione precisa di regole note. L'AI qui aggiunge complessità senza valore.

È preferibile all'AI anche per volumi bassi (meno di 100 operazioni simili al giorno), per dati strutturati (numeri, codici, date — non testo libero), quando è richiesta tracciabilità passo per passo con regole esplicite, e quando il processo deve essere manutenibile da persone senza competenze AI. Un processo di onboarding che invia email al giorno 1, al giorno 3 e al giorno 7 non ha bisogno di AI. Ha bisogno di un buon scheduler e di un workflow configurato con cura.

Quando l'AI giustifica la sua presenza

Esistono contesti specifici in cui l'AI produce un vantaggio che l'automazione tradizionale non può replicare, e in cui i costi aggiuntivi sono giustificati dal beneficio concreto:

• Volume alto di input non strutturati (>500/giorno) che non è possibile classificare con regole fisse perché il significato varia in base al contesto e alle sfumature linguistiche.
• Contenuto testuale variabile dove la stessa parola o frase può indicare cose diverse a seconda del contesto circostante, rendendo impossibile una mappatura rigida tramite keyword.
• Estrazione di informazioni da documenti eterogenei e non standardizzati: fatture di fornitori diversi con layout differenti, moduli scansionati di varia provenienza, contratti con struttura variabile.
• Generazione di bozze di risposta che vengono sempre validate da un operatore prima dell'invio: l'AI accelera la produzione, l'umano garantisce la qualità e l'appropriatezza della risposta finale.
• Analisi di pattern su grandi volumi di dati storici per identificare anomalie, tendenze o correlazioni che sarebbero invisibili a un'analisi manuale per ragioni di scala.

L'approccio di Flusso: AI selettiva

Flusso è progettato per integrare l'AI solo nei punti del processo dove crea valore misurabile rispetto all'alternativa. L'approccio di progettazione segue una sequenza precisa: prima si disegna il workflow del processo nella sua interezza, senza AI; poi si identificano i passi specifici dove l'AI potrebbe aggiungere valore reale — classificazione di input non strutturati, estrazione da documenti, suggerimento contestuale; infine si valuta se il volume, il tipo di contenuto e il beneficio atteso giustificano l'integrazione del modello.

Ogni punto AI in Flusso ha un fallback umano integrato: se il modello restituisce una risposta con confidenza bassa o produce un output anomalo, il passo torna automaticamente alla revisione manuale. Questo evita che un singolo punto di instabilità blocchi l'intero processo o produca output inaccettabili senza supervisione.

Il risultato di questo approccio è un sistema ibrido in cui l'AI lavora dove è utile, e l'automazione tradizionale lavora dove è sufficiente. I costi sono prevedibili, il comportamento è controllabile, la manutenzione è accessibile. Non è una limitazione architettuale: è una scelta che produce sistemi più robusti e manutenibili nel tempo.

Conclusione

L'adozione selettiva dell'AI non è una posizione conservativa: è una scelta ingegneristica che produce sistemi più robusti, più economici e più manutenibili di quelli costruiti integrando l'AI ovunque per principio. La domanda corretta non è "come possiamo aggiungere AI a questo processo?" ma "questo passo specifico ha un problema che l'AI risolve meglio delle alternative disponibili?"

Le organizzazioni che adottano questo approccio critico ottengono di più dai propri investimenti in AI e evitano i costi nascosti dell'adozione indiscriminata. Evitano anche il ciclo della delusione: aspettative eccessive, implementazione frettolosa, risultati deludenti, abbandono. L'AI funziona bene nei contesti giusti. Il lavoro è identificare quei contesti con rigore.