AI Program Management
Dal PoC alla Produzione: Perché i Progetti AI Falliscono
La maggior parte dei progetti AI che ho visto nascere non è morta per un problema di modello. È morta nello spazio tra la demo che ha entusiasmato il board e il sistema che avrebbe dovuto girare ogni giorno in produzione. È un passaggio che si sottovaluta quasi sempre, perché il proof of concept è la parte che si mostra e la produzione è la parte che si mantiene. In questo articolo racconto perché quel salto è così difficile e cosa faccio, come Program Manager AI, per progettarlo fin dall'inizio invece di scoprirlo a pilota già fallito.
Perché un PoC che impressiona non è un sistema che regge
Un proof of concept vive in condizioni ideali: dati puliti scelti a mano, un caso d'uso ristretto, nessun vincolo di latenza o di costo per chiamata, e una persona che segue il risultato da vicino. La produzione è l'opposto: dati reali e disordinati, casi limite che nel PoC non erano stati previsti, requisiti di affidabilità e un volume che nessuno teneva d'occhio quando il modello girava su venti esempi.
La demo risponde alla domanda "questo può funzionare?". La produzione risponde a una domanda molto più dura: "questo funziona ancora fra tre mesi, con dati che nessuno ha ripulito e senza qualcuno che lo controlla a mano ogni mattina?". Chi confonde le due domande finanzia un pilota e si aspetta un prodotto.
I tre motivi per cui un progetto muore nel pilota
Nella mia esperienza il pilota si spegne quasi sempre per una di tre ragioni, e nessuna delle tre è la scelta del modello.
La prima sono i dati. Un caso d'uso brillante sulla carta, ma alimentato da dati incompleti o mai raccolti nel formato giusto, non arriva oltre la demo. È il criterio che salta più spesso in fase di pianificazione, ed è quello che uccide più piloti.
La seconda è l'ownership. Un pilota che funziona ma non ha un proprietario definito per la fase di produzione non è un pilota riuscito: è un rischio rimandato. Quando nessuno risponde della qualità dell'output dopo il rilascio, il progetto resta in un limbo finché smette di interessare.
La terza è l'integrazione. Un modello che vive in un notebook non è un sistema: diventa produzione solo quando entra nei processi e negli strumenti che le persone già usano. Se richiede un secondo sistema parallelo che nessuno vuole mantenere, il pilota resta un'isola.
Cosa insegnano il doppiaggio Enel e il podcast per Toyota e Intesa Sanpaolo
Ho portato in produzione soluzioni AI che questo salto lo hanno superato. Il doppiaggio video multilingua con AI per Enel, che ha ridotto del 75% il lavoro di localizzazione, ha funzionato in produzione perché la pipeline automatizzava la parte meccanica (trascrizione, traduzione, sincronizzazione) ma lasciava alle persone un checkpoint di revisione prima della pubblicazione. Lo stesso vale per il servizio di podcast generati con AI per Toyota e Intesa Sanpaolo: ha retto nel tempo perché avevamo deciso in anticipo chi controllava lo script, la coerenza della voce e l'ascolto finale.
In entrambi i casi la differenza tra la demo e la produzione non è stata la potenza del modello, ma il fatto di aver deciso prima chi possiede l'output, dove sta il controllo umano e cosa succede quando il sistema sbaglia.
Come progetto il passaggio a produzione fin dall'inizio
Prima di dare il via libera a un pilota mi faccio tre domande, le stesse per ogni progetto: i dati necessari esistono già nel formato giusto, o li stiamo immaginando? Chi possiede l'output in produzione, non il prompt, l'output? E cosa succede il giorno in cui il modello produce un risultato sbagliato? Se non ho una risposta a tutte e tre, il progetto non è pronto per la produzione: è ancora un esperimento, e va chiamato così davanti al board.
Questo passaggio è anche il momento in cui si definiscono le metriche. Un progetto che arriva in produzione senza sapere quali KPI seguire per capire se funziona si giudicherà con il senno di poi, quando è troppo tardi per correggere la rotta. Il metodo con cui tengo insieme queste scelte, dalla roadmap al delivery, è quello che descrivo nella guida al program management dei progetti AI.
Parliamo del tuo progetto
Ti è utile questo articolo? Vediamo come applicarlo al tuo contesto.
Articoli correlati
Business Case per l'AI: Farlo Approvare dal Board
Come costruire un business case per l'AI che il board approva: legare l'investimento a KPI credibili e a un ritorno misurabile, non a promesse tecnologiche.
KPI di un Progetto AI: Misurare in Produzione
Quali KPI seguire per capire se un progetto AI funziona in produzione, come strumentarli e come collegarli al business case che lo ha fatto approvare dal board.
Program Management Progetti AI: Guida Completa
Come si gestisce un programma AI in azienda dalla roadmap al delivery: governance, KPI, dal PoC alla produzione. La guida completa basata su programmi reali.