Fattibilità di un progetto IA: cosa verificare prima di scegliere la tecnologia.
Prima di investire in un progetto con l'intelligenza artificiale (IA) conviene rispondere a poche domande concrete: i dati ci sono e si possono usare? Quanto costa prepararli? Chi gestirà il servizio dopo il rilascio? Questa pagina le mette in fila. Per rispondere non servono competenze tecniche: serve conoscere la propria azienda.
Sono gli stessi punti su cui molte aziende si fermano: secondo l'Istat, nel 2025 le imprese che hanno preso in considerazione l'IA senza adottarla indicano come ostacoli la mancanza di competenze (58,6%), dati indisponibili o di scarsa qualità (45,2%), la protezione dei dati (43,2%) e i costi (43,0%).
Cosa valuta questa pagina, e cosa no
Queste verifiche dicono se il progetto è sostenibile per l'azienda. Che le risposte del sistema siano corrette e utili è un lavoro tecnico distinto, da valutare con prove sul caso reale: superare le prime non garantisce il secondo. Per entrambe deve essere chiaro quale servizio si vuole offrire.
1. L'azienda può fornire e preparare i dati?
La disponibilità dei dati e delle persone che possono prepararli è un investimento iniziale da stimare.
- Dove si trovano i dati necessari e chi può autorizzarne l'accesso e l'uso?
- Sono sufficientemente completi, aggiornati e rappresentativi del lavoro previsto?
- Chi può estrarli, correggerli e organizzarli, indicando che cosa contiene ciascun dato?
- Servono esempi già classificati a mano, o risposte corrette con cui confrontare il sistema? Chi può prepararli e verificarli conoscendo il lavoro dell'azienda?
- Quali persone, tempi e costi richiede questo lavoro? Come saranno mantenuti aggiornati i dati?
Classificare gli esempi a mano (in gergo, etichettarli) non serve in ogni progetto: dipende dal compito e dall'approccio scelto. Quando serve, l'azienda deve poterlo fare in modo affidabile. Anche quando non serve, preparare e mantenere i dati può assorbire una parte rilevante dell'investimento.
2. I dati possono uscire dall'azienda?
La prima verifica riguarda le informazioni che devono entrare nel flusso IA:
- I dati possono essere inviati a un servizio IA esterno?
- Ci sono dati personali, riservati o soggetti a vincoli contrattuali o normativi?
- Dove vengono elaborati e conservati i dati, per quanto tempo, e il fornitore può usarli per altri scopi?
- È possibile usare solo i dati necessari o renderli anonimi? Se i nomi vengono sostituiti con codici (pseudonimizzazione), che cosa permette ancora di risalire a una persona?
Sostituire i nomi con codici riduce i rischi, ma i dati ancora riconducibili a una persona restano dati personali. Se alcuni dati non possono essere inviati a un servizio esterno, il progetto resta efficace senza di essi? Si può riformulare la richiesta o tenere le informazioni sensibili in una fase separata e controllata? Se il modello ha bisogno proprio di quei dati per fornire un risultato utile, serviranno un ambiente e un flusso compatibili con i relativi vincoli.
3. Prestazioni, costi e gestione nel tempo
Definiti i vincoli sui dati, vanno stimati i requisiti pratici:
- Tempo di risposta: quanto può attendere l'utente per ogni richiesta?
- Utenti contemporanei: quante persone lo useranno nello stesso momento, nei giorni normali e nei picchi?
- Continuità: quali livelli di disponibilità e crescita servono?
- Costo complessivo: quanto pesa ogni richiesta al volume previsto? Il costo per richiesta non si ricava dal prezzo per token del listino: va misurato con prove su richieste reali (perché). Quanto incidono preparazione dei dati, integrazione, verifiche umane e gestione dell'infrastruttura?
- Gestione dopo il rilascio: chi controllerà il servizio, raccoglierà le segnalazioni e rileverà eventuali cali di qualità? Con quali dati, persone e budget si interverrà?
Questi elementi vanno considerati insieme. Una soluzione può essere troppo lenta, costosa o limitata per il carico atteso, oppure incompatibile con i dati del progetto. Il lavoro non termina con il rilascio: monitoraggio e interventi successivi sono costi e responsabilità da prevedere fin dall'inizio.
4. Servizio esterno o server proprio?
- Servizio esterno a consumo: si paga in base all'uso e non c'è nulla da gestire in casa, ma i dati escono dall'azienda.
- Risorse cloud riservate: più controllo su dati e accessi, con un costo fisso anche quando il servizio è poco usato.
- Server in azienda: il massimo controllo sul percorso dei dati, al prezzo di hardware da acquistare, aggiornare e sorvegliare.
5. Il servizio che integrate regge su tutti i vostri casi?
Non serve costruire un prodotto basato sull'IA generativa per porsi il problema: vale anche quando si integra nei propri applicativi un servizio già pronto, con o senza IA.
Un servizio esterno va valutato sui casi reali dell'azienda, non su quelli della dimostrazione. Un esempio: un servizio che trasforma indirizzi e località in coordinate (georeferenziazione) può essere molto preciso nelle grandi città e meno nei centri minori. Se i vostri utenti sono lì, è quella la qualità che riceveranno.
- Quale livello di qualità volete garantire ai vostri utenti, e su quali casi?
- Il servizio a cui vi appoggiate lo garantisce su tutti quei casi, o solo sui più comuni?
- Dove non arriva, siete in grado di rimediare con i vostri mezzi?
Se la risposta alle ultime due domande è no, c'è un problema. Va capito subito, prima di integrare il servizio e non dopo il rilascio.
In sintesi: il progetto regge se…
- È chiaro quale servizio si vuole offrire e a chi.
- I dati necessari esistono, si possono usare e c'è chi può prepararli e tenerli aggiornati.
- Tempi di risposta e numero di utenti previsti sono compatibili con la soluzione scelta.
- Il costo complessivo, compresa la gestione dopo il rilascio, è sostenibile.
- Il servizio esterno a cui ci si appoggia dà la qualità richiesta sui casi che contano, oppure c'è modo di rimediare dove non arriva.
- C'è qualcuno, in azienda o fuori, responsabile del servizio nel tempo.
Cosa chiedere a chi vi propone il progetto
- Con quali dati nostri lo avete provato, e con quali risultati?
- Quanto costa al mese con il nostro numero di utenti, e cosa succede se raddoppiano? Come lo avete stimato: con prove sui nostri casi o dal prezzo per token?
- Dove finiscono i nostri dati, e chi può vederli?
- Chi interviene se le risposte peggiorano, e quanto costa?
- Cosa succede se il fornitore del modello cambia i prezzi o ritira il servizio?
- Su quali casi il servizio funziona peggio, e cosa succede lì?
- Qual è la versione più semplice che ci darebbe già un beneficio?
Posso fare questa valutazione insieme a voi, prima di qualunque impegno di sviluppo.
Fonti a supporto
Una selezione di documenti primari a supporto dei criteri descritti:
- NIST — AI Risk Management Framework, Core (si apre in una nuova scheda): prove e misure della qualità prima del rilascio, valutazione dei dati e monitoraggio in produzione.
- OpenAI — buone pratiche per valutare i sistemi IA (si apre in una nuova scheda): criteri di successo, casi di prova, misure e verifiche ripetute per valutare la qualità delle risposte.
- Microsoft — valutazione delle risposte nei sistemi RAG (si apre in una nuova scheda): un esempio concreto di verifica di pertinenza, aderenza alle fonti e completezza delle risposte.
- Google Cloud — etichettatura dei dati (si apre in una nuova scheda): ruolo dei dati etichettati nei progetti che ne hanno bisogno.
- EDPB — sintesi delle linee guida sulla pseudonimizzazione (si apre in una nuova scheda): i dati pseudonimizzati restano personali se riconducibili a una persona.
- Cayo e Talbot — errore di posizione nella georeferenziazione degli indirizzi (si apre in una nuova scheda): studio del 2003 su 3.000 indirizzi nello stato di New York: l'errore cresce al diminuire della densità abitativa.
- Chow et al. — differenze geografiche tra servizi di georeferenziazione (si apre in una nuova scheda): confronto del 2016 tra otto soluzioni su 1.100 indirizzi in Texas: differenze significative tra aree urbane e rurali, ma non sempre nella stessa direzione.
- Istat — Imprese e ICT, anno 2025 (si apre in una nuova scheda): uso dell'IA nelle imprese con almeno 10 addetti (15,7% tra le PMI, 53,1% tra le grandi) e ostacoli indicati da chi l'ha valutata senza adottarla.