Mentre il 2025 volge al termine, il conto del boom dell’intelligenza artificiale è ufficialmente arrivato a scadenza. Mentre le roadmap aziendali rimangono piene di progetti pilota generativi, il divario tra “magia” e “margine” nella generazione di entrate derivanti dall’intelligenza artificiale si sta ampliando.
I dati recenti dipingono un quadro drammatico di questo “ROI Gap”. Secondo uno studio del MIT del dicembre 2025, quasi Il 95% dei progetti di intelligenza artificiale aziendale attualmente non riesce a fornire rendimenti misurabili. Allo stesso modo, Forrester segnala solo questo Il 15% dei dirigenti ha notato miglioramenti nei margini di profitto dai loro investimenti in IA nell’ultimo anno.
Lo scomodo silenzio nelle sale riunioni non riguarda più se la tecnologia funziona, ma riguarda il motivo per cui non paga.
Passare da una demo promettente a un motore generatore di entrate richiede molto più che semplici dati puliti e buoni modelli; richiede un cambiamento fondamentale nella strategia, che colmi il divario tra ambizione esecutiva e realtà ingegneristica.
Per superare questo divario, ci rivolgiamo a Vladyslav ČekryzhovDirettore di Data Science & AI presso AUTODOC. Operando in 27 mercati europei distinti, Chekryzhov si trova nel raro punto di intersezione tra la proprietà di prodotti esecutivi e l’architettura di sistema pratica. A differenza dei futuristi teorici che spesso dominano i titoli dei giornali, il suo mandato è radicato nella realtà ad alto rischio dei principali e-commerce: fornire sistemi di livello produttivo che influenzano direttamente i prezzi, la fidelizzazione e la fedeltà dei clienti.
Rappresenta una disciplina che potremmo chiamare “Revenue Realism”: la comprensione che un modello di intelligenza artificiale ha valore tanto quanto la sua capacità di sopravvivere in natura e di fornire un impatto commerciale misurabile.
Ecco cinque perni strategici necessari per trasformare l’hype sull’intelligenza artificiale in realtà in termini di profitti e perdite.
Il “filtro utilità”: definizione spietata delle priorità
La prima trappola in cui cadono molte organizzazioni è la “soluzione alla ricerca di un problema”. Con la barriera all’ingresso per l’intelligenza artificiale generativa più bassa che mai, la tentazione di creare funzionalità “interessanti” è alta. Tuttavia, la generazione di entrate richiede un rifiuto disciplinato di inseguire tendenze che non muovono l’ago della bilancia.
Per Chekryzhov, la distinzione tra una caratteristica e un driver aziendale è netta. Non inizia con il codice, ma con la modellazione finanziaria.
“In definitiva, dare priorità a qualsiasi iniziativa AI/ML si riduce alla disciplina di costruire ipotesi. Non fare affidamento sull’intuizione; modella prima l’impatto e guadagna con Excel prima ancora che il codice venga scritto.”
Classifica le iniziative in tre livelli: ottimizzazione dell’economia attuale (livello 1), sblocco dell’economia di nuovi prodotti (livello 2) e rimodellamento dell’ecosistema aziendale (livello 3). La zona di pericolo, osserva, è solitamente il livello 3, dove le storie strategiche spesso mascherano ipotesi deboli.
“La modalità di fallimento comune è costruire un giocattolo costoso… impongo un test del fornitore: pagheremmo per questa capacità alle tariffe del fornitore (ad esempio, OpenAI) e manterremmo comunque i margini? Se non esiste un percorso difendibile per la crescita dei ricavi o un cambiamento radicale nelle spese operative, è solo un esperimento costoso.”
Bilanciamento dell’algoritmo: prezzi e fidelizzazione
Nell’e-commerce, l’intelligenza artificiale ha spesso il compito di ottimizzare. Ma l’ottimizzazione raramente è a somma zero. Un modello progettato per massimizzare il margine immediato (Dynamic Pricing) potrebbe inavvertitamente penalizzare la fedeltà a lungo termine (Retention).
Chekryzhov sostiene che gestire questa tensione non significa trovare l’architettura perfetta della rete neurale, ma stabilire i confini organizzativi adeguati.
“Il minimo che funziona sorprendentemente bene è la cultura, non l’architettura: sperimentazione rigorosa con i giusti guardrail. Ogni modifica dei prezzi o delle promozioni viene misurata non solo sull’efficienza immediata ma anche sugli “effetti alone”: come cambia il comportamento tra coorti e segmenti… Definiamo in anticipo quali parametri possono muoversi, in quale direzione e in che misura. Se una vittoria sul margine arriva con una fidelizzazione o un CLV raggiunto al di fuori di questi limiti, non è una vittoria.”
Per implementare questo dal punto di vista tecnico, suggerisce di evitare i monoliti “scatola nera” a favore di un approccio a più livelli che offra il controllo ai leader aziendali senza richiedere una riqualificazione completa del modello.
“Un modo pratico per farlo è una cascata di modelli: un modello di prezzo propone prezzi candidati, poi modelli leggeri prevedono i risultati degli utenti e agiscono come un filtro o un riclassificatore di ponderazione. Il vantaggio è il controllo: puoi adattare la logica aziendale modificando la configurazione finale invece di riqualificare il modello pesante ogni volta che cambiano le priorità.”
Il “gap produttivo”: dove muore il ROI
Un Proof of Concept (POC) è un esperimento controllato; la produzione è una zona di guerra. Molte proiezioni dei ricavi falliscono perché sottostimano i costi tecnici necessari per mantenere un modello funzionante su larga scala.
Chekryzhov avverte che l’intelligenza artificiale introduce un tipo specifico di debito tecnico che spesso gli ingegneri del software tradizionali non notano: il non determinismo.
“La risposta onesta è che un PoC di successo non dimostra che si dispone di un prodotto scalabile… Il modello non è deterministico: una ripetizione può produrre risultati diversi. Ciò fa esplodere i costi di debug, rende gli incidenti più difficili da riprodurre e alza il livello del monitoraggio. Il debito tecnico si manifesta prima nei sistemi di intelligenza artificiale che nel software tradizionale, diventando una tassa sulla velocità di sviluppo dell’intero team.”
Strategicamente, ciò significa che il calcolo del ROI deve includere il costo dell’affidabilità. Se stabilisci un budget solo per lo sviluppo e non per la “tassa” di manutenzione, i tuoi margini evaporeranno.
“I migliori investimenti che ho visto qui non sono esotici… Io spingo per l’igiene di base (Cultura MLOps e processo continuo di progettazione di sistemi ML)le parti che non passano di moda: qualità misurabile, possibilità di debug e reversibilità.”
Isolare il segnale: la sfida dell’attribuzione
Forse la domanda strategica più complessa a cui rispondere è: “L’intelligenza artificiale ha fatto questo?” In un ecosistema complesso che coinvolge decine di mercati, stagionalità e spese di marketing, attribuire le entrate a fonti specifiche è statisticamente complicato. Tuttavia, senza una chiara attribuzione, è impossibile giustificare il proseguimento degli investimenti nei confronti dei vertici aziendali.
Chekryzhov affronta questo problema con il rigore di uno scienziato, rifiutando l’idea che modelli complessi generino fiducia. Si affida invece a controfattuali, dimostrando cosa sarebbe successo in assenza dell’intelligenza artificiale.
“L’unico modo per affermare che ‘l’intelligenza artificiale ha guidato X’ con la faccia seria è ancorarsi a un controfattuale credibile. Mi affido a due famiglie di prove: esperimenti randomizzati (A/B) quando fattibili e metodi quasi-sperimentali quando non lo sono. Se la decisione conta oltre la finestra di test, aggiungiamo un ostacolo globale alla configurazione A/B: un gruppo di controllo persistente che non vede mai la funzionalità. È doloroso: stai letteralmente perdendo denaro. Ma spesso è l’unico collegamento affidabile con la realtà.”
“Per i dirigenti, il messaggio è coerente: la fiducia non deriva da un modello complesso. Deriva da un approccio trasparente e da un disegno di misurazione che si può spiegare chiaramente.”
Barriere di sicurezza: fidarsi della macchina
Infine, automatizzare le decisioni relative alle entrate, come offerte o prezzi, comporta rischi intrinseci. Un chatbot “allucinato” è imbarazzante; un algoritmo di determinazione dei prezzi che vende l’inventario con una perdita del 90% è catastrofico.
L’implementazione strategica richiede una filosofia “human-in-the-loop” che si evolve in una governance “human-over-the-loop”. Chekryzhov consiglia di valutare il costo dell’errore prima di concedere l’autonomia.
“Inizio con la progettazione di sistemi ML/AI e qui un elemento conta di più: il costo dell’errore. Se lo svantaggio è elevato e difficile da invertire, non inseguo la piena autonomia… Quando il profilo di rischio è accettabile, mi piace un “cursore dell’autonomia”. Le prime iterazioni sono convalidate dall’uomo. Man mano che accumuli dati e sicurezza, sposti il cursore verso l’automazione in passaggi controllati.”
Anche quando un sistema è completamente autonomo, deve operare entro limiti rigorosi definiti dall’azienda, non dal modello.
“L’autonomia deve essere vincolata dalla policy-as-code. Il sistema dovrebbe avere vincoli espliciti, interruttori automatici e fallback sicuri… Non stai discutendo di autonomia in teoria; te la stai guadagnando.”
I ricavi dell’intelligenza artificiale necessitano di un aggiornamento della maturità
Il passaggio dalla sperimentazione dell’IA alle entrate dell’IA non è un aggiornamento tecnologico; è un aggiornamento della maturità. È necessario allontanarsi dal fascino della novità e abbracciare il rigore dell’ingegneria, la complessità delle attribuzioni e la disciplina della definizione delle priorità.
Come dimostra l’esperienza di Chekryzhov ad AUTODOC, le aziende che vinceranno non saranno necessariamente quelle con i modelli più avanzati, ma quelle con i collegamenti più solidi tra scienza dei dati e strategia aziendale.
