Sei mesi di strategia IA, zero righe di codice
- IA in produzione in 4 settimane
- Arretrato di eccezioni azzerato
- La demo al consiglio ha sostituito le slide
- 4 settimane Tempo dall'incarico all'IA in produzione
- 78% Accuratezza dell'instradamento delle eccezioni al lancio
- 260 a 80 Ore-persona settimanali (prima/dopo)
Cosa è cambiato
- Tempo dall'incarico all'IA in produzione
- 4 settimane
- Accuratezza dell'instradamento delle eccezioni al lancio
- 78%
- Ore-persona settimanali (prima/dopo)
- 260 a 80
- Tempo medio di gestione di un'eccezione
- 8 min a 2 min
- Personale aggiuntivo richiesto
- 0 $
- Demo dal vivo che ha sostituito le 40 pagine di slide
- 1
La situazione
Un'azienda logistica britannica con 400 dipendenti e un budget IA da 500.000 $ approvato dal consiglio aveva passato sei mesi a tentare di implementare l'IA. Aveva ingaggiato un consulente di strategia IA, valutato 12 fornitori, selezionato 3 finalisti, avviato due build di proof of concept, abbandonate entrambe, e prodotto una presentazione di strategia di 40 pagine. Nulla girava in produzione. Questa è la regola, non l'eccezione: un sondaggio di S&P Global del 2025 su oltre 1.000 aziende ha rilevato che il 42% aveva abbandonato la maggior parte delle proprie iniziative IA, rispetto al 17% dell'anno precedente, e che l'organizzazione media scartava il 46% dei propri proof of concept prima che raggiungessero la produzione. Il consiglio stava perdendo la pazienza. Il team operativo, che avrebbe dovuto beneficiare dell'investimento in IA, aveva smesso di partecipare alle riunioni del comitato IA perché non credeva che qualcosa sarebbe mai stato rilasciato.
Cosa era davvero rotto
Il problema fondamentale era l'ambito. La presentazione di strategia IA copriva sette casi d'uso in quattro dipartimenti. Ogni caso d'uso aveva una motivazione di business, una raccomandazione di fornitore e una tempistica. Ma nessuno aveva posto la domanda più importante: quale costruiamo per primo, e cosa significa "fatto" per quella singola cosa? La strategia trattava tutti e sette i casi d'uso come un portafoglio da consegnare in parallelo. In pratica, questo significava che ogni riunione diventava un dibattito sulla priorità relativa, sulla scelta del fornitore e sull'allocazione delle risorse tra sette iniziative. Nessuna singola iniziativa aveva abbastanza concentrazione o risorse per raggiungere la produzione. Il sondaggio IA di McKinsey del 2025 ha rilevato che le organizzazioni che riportavano ritorni finanziari significativi avevano il doppio delle probabilità di aver ridisegnato un flusso di lavoro end-to-end prima di scegliere una tecnica di modellazione. Questa presentazione aveva invertito quell'ordine: aveva scelto fornitori e architetture per sette flussi di lavoro che non aveva mai realmente ridisegnato.
I due proof of concept abbandonati illustravano chiaramente il problema. Il primo era un modello di previsione della domanda che richiedeva di pulire e normalizzare 18 mesi di dati storici prima di poter iniziare l'addestramento. Il team dati aveva stimato tre mesi per la sola preparazione dei dati. Il progetto fu accantonato al secondo mese, quando la pulizia dei dati si rivelò più complessa del previsto. Il secondo era un chatbot per l'assistenza clienti che richiedeva l'integrazione con sette sistemi interni. Il lavoro di integrazione era stato stimato in quattro mesi. Il progetto fu accantonato al primo mese, quando la prima integrazione richiese tre settimane invece dei tre giorni stimati. Entrambi seguirono lo schema di fallimento da manuale: una demo costruita su dati campione puliti che si rompe nel momento in cui incontra sistemi in tempo reale e record di produzione disordinati. La ricerca di settore è netta su questo divario. Tra i proof of concept di IA che raggiungono davvero la produzione, il percorso medio dal prototipo al sistema attivo dura circa otto mesi, e la maggior parte non compie affatto quel viaggio.
Il team operativo aveva il dolore più acuto. Elaborava circa 2.000 eccezioni di consegna a settimana: pacchi in ritardo, instradati male o danneggiati. Ogni eccezione richiedeva che un operatore umano esaminasse i dettagli, determinasse il flusso di risoluzione appropriato e lo instradasse manualmente al team corretto. Il processo richiedeva in media 8 minuti per eccezione, consumando circa 260 ore-persona a settimana. Il direttore operativo chiedeva l'automazione da due anni. Il lavoro era esattamente il tipo di classificazione strutturata e ripetitiva che il machine learning gestisce bene: leggere una manciata di attributi dell'eccezione e mapparli al flusso di risoluzione corretto, lo stesso triage che le piattaforme logistiche del 2026 ora automatizzano per passare dallo spegnere incendi in modo reattivo all'instradamento proattivo. La presentazione di strategia IA lo elencava come caso d'uso numero cinque su sette, previsto per il quarto trimestre. Il team operativo aveva smesso di aspettare.
Passo dopo passo
Sessione su un singolo caso d'uso
Abbiamo condotto una sessione di due ore con il direttore operativo, il responsabile del team dati e il CTO. L'obiettivo era individuare un caso d'uso che soddisfacesse tre criteri: alto impatto sul business, dati di addestramento disponibili e realizzabile in quattro settimane. L'instradamento delle eccezioni di consegna ottenne il punteggio più alto su tutti e tre. I dati erano già strutturati nel database operativo, l'impatto sul business era quantificabile (260 ore-persona a settimana) e la logica di abbinamento era basata su pattern anziché generativa, il che significava che bastava un'architettura di modello più semplice. Il limite di quattro settimane era deliberato. Un caso d'uso che non si riesce a rilasciare in un mese è di solito un caso d'uso che non è stato circoscritto abbastanza, e un pilota bloccato non insegna nulla all'organizzazione se non che l'IA qui non funziona.
Validazione dei dati e architettura del modello
Abbiamo dedicato tre giorni alla validazione dei dati delle eccezioni: 18 mesi di eccezioni risolte con note degli operatori, codici di risoluzione e decisioni di instradamento. I dati erano abbastanza puliti da consentire l'addestramento senza un'estesa pre-elaborazione. Abbiamo scelto un modello di classificazione che mappava gli attributi dell'eccezione (tipo, vettore, origine, destinazione, valore) ai flussi di risoluzione. Nessun LLM richiesto, nessuna ingegneria dei prompt, nessun costo per token che cresce con il volume. È uno schema che il settore in generale continua a riapprendere: i risultati migliori in logistica nascono dalla combinazione di metodi operativi classici con dati storici e un modello mirato, non dal ricorrere al sistema più grande disponibile. Il modello doveva essere accurato, non creativo.
Costruzione dell'integrazione funzionante
L'integrazione è stata costruita per funzionare accanto al processo manuale esistente anziché sostituirlo. Quando arrivava una nuova eccezione, il modello prevedeva il flusso di risoluzione e precompilava i campi di instradamento. L'operatore poteva accettare il suggerimento con un clic oppure sovrascriverlo. Questo è il design human-in-the-loop che i team di IA in produzione oggi considerano lo standard: il modello propone, una persona decide, e ogni sovrascrittura viene catturata come segnale di addestramento etichettato anziché perdersi nel flusso di lavoro. Significava che il modello poteva essere distribuito senza alcun rischio per le operazioni esistenti. Le previsioni errate venivano semplicemente corrette, e le correzioni rientravano direttamente nel modello nel tempo.
Distribuzione in produzione e misurazione
L'integrazione è stata distribuita in produzione nella terza settimana. Entro la quarta settimana, il modello instradava correttamente il 78% delle eccezioni senza intervento dell'operatore. Il restante 22% richiedeva una revisione manuale, ma i campi precompilati facevano comunque risparmiare tempo anche quando l'operatore modificava l'instradamento. Il team operativo è passato da 8 minuti per eccezione a meno di 2 minuti in media. Le ore-persona settimanali sono scese da 260 a circa 80, liberando all'incirca 180 ore a settimana per le eccezioni che richiedevano davvero il giudizio umano. Il direttore operativo ha presentato al consiglio una demo dal vivo invece delle solite slide.
Con le loro parole
Abbiamo passato otto mesi a parlare di IA. Voi avete rilasciato qualcosa in tre settimane. Il team operativo si è alzato in piedi e ha applaudito quando ha visto funzionare le previsioni di instradamento. Non avevo mai visto accadere una cosa simile in una riunione del comitato.
Tutto ciò che chiederesti al primo incontro
Consigliate sempre di iniziare con un solo caso d'uso?
Sì. Ogni iniziativa di IA che abbiamo visto avere successo è partita da un singolo caso d'uso ben definito che ha raggiunto rapidamente la produzione. Le strategie ampie che cercano di coprire più casi d'uso contemporaneamente si bloccano sistematicamente, il che è uno dei motivi per cui i tassi di fallimento pubblicati nelle aziende sono così alti. Rilasciate una cosa, dimostratene il valore nelle operazioni reali e poi espandetevi da una base funzionante anziché da una slide.
L'accuratezza è migliorata nel tempo?
Sì. L'accuratezza del modello è passata dal 78% al lancio all'89% dopo 8 settimane, man mano che le correzioni degli operatori fornivano ulteriori dati di addestramento. Il ciclo di feedback era integrato nel flusso di lavoro fin dal primo giorno, così ogni accettazione e ogni sovrascrittura miglioravano la previsione successiva. I modelli privi di quel ciclo tendono a derivare nella direzione opposta man mano che i dati del mondo reale cambiano; questo è migliorato proprio perché le correzioni avevano un percorso di ritorno verso l'addestramento.
E se non abbiamo dati storici puliti?
La qualità dei dati è il blocco più comune per i progetti di IA. Se i dati non sono puliti, pianifichiamo prima uno sprint di preparazione dei dati. Siamo onesti sulle tempistiche: se la preparazione dei dati richiede 8 settimane, diciamo 8 settimane, non 2. La scarsa preparazione dei dati è la ragione più citata per cui le iniziative di IA vengono abbandonate, quindi preferiamo stimarla con precisione piuttosto che scoprirla alla terza settimana. L'azienda logistica disponeva di 18 mesi di dati delle eccezioni puliti e strutturati, ed è questo che ha reso possibile la tempistica di 4 settimane.
Costruite modelli su misura o usate IA preconfezionata?
Dipende dal caso d'uso. Per questo progetto, un modello di classificazione su misura era la scelta giusta perché il problema era ben definito e i dati erano strutturati. Per altri progetti usiamo OpenAI, Anthropic o modelli open source dove si adattano meglio. Un modello generativo sarebbe stato più lento, più costoso e meno accurato per un compito di instradamento a categorie fisse come questo. La scelta della tecnologia segue la definizione del problema, non il contrario.
4 settimane Tempo dall'incarico all'IA in produzione
Contattaci
Raccontaci cosa vuoi costruire. Ti diciamo da dove partire e cosa serve.
DiKostadin StambolievFondatore e Imaginator
Pubblicato