E-I-D Framework

Molti progetti di intelligenza artificiale falliscono.

Spesso non per mancanza di tecnologia, ma per approccio errato. Secondo uno studio dell’MIT, circa il 95% dei progetti AI non raggiunge gli obiettivi prefissati.

La differenza tra il successo e il fallimento non è solo nelle competenze tecniche, ma nel modo in cui un progetto viene strutturato e gestito.

Ma quali sono le differenze chiavi allora tra progetti AI e lo sviluppo di un software tradizionale?

A differenza dello sviluppo software tradizionale, che segue un approccio "top-down" con una soluzione chiara fin dall'inizio, i progetti di IA sono intrinsecamente più complessi e incerti. Essi adottano un approccio "bottom-up", basato sull'esplorazione e la sperimentazione con grandi set di dati. Questa natura sperimentale può comportare costi di sviluppo più elevati e tempi più lunghi. I progetti di IA richiedono algoritmi complessi, elaborazione di dati di alta qualità e training di modelli, superando la complessità dei progetti software convenzionali.

Metodologia Agile e Pilastri Fondamentali

L'approccio Agile è ideale perché la sua flessibilità, adattabilità e sviluppo iterativo si adattano bene all'incertezza dei progetti di IA, permettendo di testare e affinare rapidamente algoritmi e modelli.

Il successo di un progetto di IA si basa su due pilastri fondamentali:

• Persone: È essenziale creare team multidisciplinari che includano data scientist, ingegneri, sviluppatori e altri specialisti.
• Dati: I dati sono il fondamento di ogni progetto di IA. Lavorare con dati di bassa qualità, incompleti o distorti è una causa comune di fallimento. La preparazione dei dati (pulizia, trasformazione e standardizzazione) può rappresentare fino all'80% del lavoro in un progetto di IA.

Per evitare che le difficoltà comuni diventino ostacoli insormontabili, è fondamentale adottare un approccio strutturato che trasformi le complessità dell’AI in un percorso chiaro e gestibile.

Il framework E-I-D nasce proprio per questo: guida le aziende passo dopo passo, dall’idea iniziale alla realizzazione concreta, assicurando che il team sia preparato, che gli use case siano realmente strategici e che le soluzioni sviluppate abbiano un impatto misurabile sul business.

La fase di Education serve a:

• Allineare tutti i membri del team sul significato, le potenzialità e i limiti dell’AI.
• Rimuovere confusione e FOMO legate alle tendenze tecnologiche.
• Creare un linguaggio comune per discutere strategie e obiettivi.

Questa fase è fondamentale perché un team non formato rischia di prendere decisioni basate su hype o soluzioni “da copia e incolla”, aumentando le probabilità di fallimento.

La formazione quindi parte rispondendo in prima istanza alle seguenti domande:

• cosa può fare l'AI oggi? come funziona?
• quali sono i casi d'uso realistici nel mio settore?
• qual è la differenza tra un workflow deterministico e un agente non deterministico (probabilistico)?
• come valuto il potenziale ritorno di valore dal mio progetto AI?

La fase di Identification consiste in un’analisi approfondita dei processi aziendali, con l’obiettivo di:

• Comprendere i veri colli di bottiglia e le aree di inefficienza.
• Identificare dove l’AI può avere un impatto reale.
• Prioritizzare gli use case strategici rispetto a quelli “nice to have”.

Questa fase di esplorazione, tipicamente di 2-3 settimane, permette di costruire una roadmap chiara e realistica e deve coinvolgere necessariamente tutto il team.

Una buona pratica è quella di procedere con un process mapping indicando:

• Descrizione del processo (es. inviare email)
• Frequenza (es. giornaliera)
• Tempo richiesto (es. 2h/giorno)

Una volta chiariti i processi, posizionarli in una Priority Matrix:

Solo dopo Education e Identification si passa al Development, ovvero alla realizzazione concreta di soluzioni AI.

• Si sviluppano strumenti e applicazioni realmente utili, seguendo la roadmap definita.
• Il rischio di sviluppare progetti inutili o inefficaci si riduce drasticamente.

L'obiettivo? Validarne l'efficacia misurando i primi risultati.

Il framework E-I-D aumenta le probabilità di successo perché:

• Garantisce che il team abbia le competenze necessarie.
• Focalizza gli sforzi su problemi reali.
• Impone di conseguenza una strutturazione defenita delle priorità.
• Riduce sprechi di tempo e risorse nello sviluppo di soluzioni non strategiche.

Quindi, un approccio strutturato trasforma l’AI da un rischio potenziale a un investimento strategico, aumentando le probabilità di rientrare nel ristretto 5% di progetti/prodotti AI realmente efficaci.

Per costruire una strategia di IA sostenibile, lo studio di Scalable Systems suggerisce diverse considerazioni critiche e passaggi, tra cui:

• Definire obiettivi chiari: Allineare gli obiettivi del progetto di IA con gli obiettivi di business generali.
• Ottenere supporto esecutivo: Assicurarsi che ogni iniziativa abbia uno sponsor a livello dirigenziale e un budget adeguato.
• Valutare le risorse: Comprendere le competenze interne e, se necessario, collaborare con partner esterni esperti.
• Focus sulla qualità dei dati: Stabilire una solida strategia di governance dei dati per garantirne qualità, integrità e sicurezza.

Cause Comuni di Fallimento ed Errori da Evitare

Molti progetti di IA falliscono (secondo Gartner, solo il 54% passa dalla fase pilota alla produzione). Le ragioni principali includono:

• Mancanza di un business case definito: Non identificare chiaramente il problema da risolvere e il valore atteso.
• Dati di scarsa qualità: Utilizzare dati errati o non rappresentativi che portano a risultati inaffidabili.
• Scelta del partner sbagliato: Affidarsi a fornitori (nel caso fosse necessario) senza l'esperienza necessaria.
• Budget inadeguato o mancanza di talenti: Sottostimare i costi e le competenze richieste per l'implementazione.
• Aspettative irrealistiche: Non comunicare efficacemente cosa l'IA può realisticamente raggiungere.

Un esempio di progetti falliti? Watson for Oncology di IBM, che ha fornito raccomandazioni di trattamento non sicure, e il Face ID di Apple, che è stato ingannato con maschere stampate in 3D.

Fattori Critici di Successo

La pratica fondamentale che distingue i progetti di successo da quelli fallimentari è trattare i progetti di IA come progetti di dati piuttosto che come progetti di sviluppo software. L'efficacia di un sistema di IA dipende dalla qualità dei dati, non dalla programmazione.

Esempi di successo citati includono:

• Amazon Fresh: Utilizza telecamere e sensori per creare un'esperienza di acquisto senza cassa.
• PathAI: Sfrutta algoritmi di Machine Learning per migliorare l'accuratezza delle diagnosi patologiche.
• Drift: Impiega chatbot basati su IA per la lead generation e l'automazione del marketing.

References

• https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo
• https://scalableai.com/assets/pdf/whitepapers/SS_WP_AI_Project_Success_A_Guide_to_Avoiding_Common_Mistakes_and_Achieving_Breakthrough_Results.pdf