L’automazione con intelligenza artificiale viene spesso presentata partendo dagli strumenti: assistenti virtuali, agenti AI, piattaforme no-code, sistemi capaci di leggere documenti o generare contenuti. Per una PMI, però, la domanda utile non è quale tecnologia acquistare. È più concreta: quale processo conviene migliorare, con quale obiettivo e con quali rischi?
La distinzione è importante perché un’attività tecnicamente automatizzabile non è necessariamente un buon investimento. Può assorbire poco tempo, dipendere da dati disordinati oppure contenere eccezioni che richiedono esperienza e responsabilità umana. In questi casi aggiungere l’AI non elimina la complessità: rischia di nasconderla dentro un sistema più difficile da controllare.
I dati italiani mostrano bene questa fase di transizione. Secondo Istat, nel 2025 utilizzava tecnologie di intelligenza artificiale il 15,7% delle PMI italiane con almeno 10 addetti, rispetto al 7,7% del 2024. Tra le imprese utilizzatrici, gli ambiti più frequenti erano marketing e vendite, processi amministrativi, ricerca e innovazione. Il dato più significativo, tuttavia, è che il 33,4% delle imprese che dichiaravano di usare l’AI non indicava una finalità aziendale specifica. La grande maggioranza di questo gruppo era composta da aziende con 10-49 addetti.
È un segnale da non ignorare: sperimentare è utile, ma senza un processo, una responsabilità e una metrica si rischia di accumulare prove che non diventano mai un miglioramento operativo.
Partire dal lavoro reale, non dalla promessa dello strumento
Un processo è un buon candidato all’automazione quando ricorre con una certa frequenza, segue regole almeno in parte riconoscibili e utilizza informazioni accessibili. Deve inoltre essere possibile confrontare il prima e il dopo: tempo impiegato, errori, tempi di risposta, pratiche completate oppure qualità dei dati.
In una PMI B2B queste condizioni si trovano spesso in attività poco visibili ma costose nel loro insieme. Pensiamo alla classificazione delle richieste ricevute via email, all’inserimento delle informazioni nel CRM, alla preparazione di riepiloghi, alla lettura preliminare di ordini e offerte o al passaggio di un lead dal marketing alle vendite.
Non significa affidare all’AI l’intero processo. Nella maggior parte dei primi progetti è più prudente costruire un’automazione assistita: il sistema estrae, classifica, prepara o segnala; una persona verifica i risultati, gestisce le eccezioni e conserva la responsabilità della decisione.
Questo approccio è meno spettacolare di un sistema completamente autonomo, ma spesso è più adatto alla realtà aziendale. Permette di raccogliere dati sugli errori, capire dove il processo è ambiguo e interrompere il test senza conseguenze difficili da recuperare.
Come valutare un processo prima di automatizzarlo
Una griglia di valutazione evita che la scelta dipenda soltanto dall’entusiasmo per una demo. Per ogni processo si può assegnare un valore da 1 a 5 ai criteri seguenti, accompagnando il punteggio con una breve motivazione.
| Criterio | Domanda da porre | Indicazione favorevole |
|---|---|---|
| Frequenza | Quante volte si ripete l’attività? | Il volume è stabile e abbastanza elevato |
| Tempo assorbito | Quante ore richiede ogni mese? | Il costo operativo è misurabile |
| Standardizzazione | Input, regole ed eccezioni sono riconoscibili? | Esistono passaggi ripetibili |
| Dati | Le informazioni sono digitali, aggiornate e accessibili? | I dati non richiedono una lunga bonifica preliminare |
| Misurabilità | È disponibile una situazione iniziale di confronto? | Tempo, errori o qualità possono essere misurati |
| Reversibilità | Un errore può essere intercettato prima di produrre effetti? | È previsto un controllo prima dell’azione finale |
| Responsabilità | Chi approva risultati ed eccezioni? | Esiste un responsabile interno identificato |
| Integrazione | Quanti sistemi devono comunicare? | Il test può partire con poche integrazioni controllabili |
| Rischio | Sono coinvolte persone, dati riservati o decisioni significative? | Le conseguenze di un errore sono limitate |
| Valore atteso | Quale problema operativo viene risolto? | Il beneficio è concreto e collegato a un obiettivo aziendale |
Il punteggio totale è solo un supporto. Non dovrebbe compensare un rischio grave: un processo molto frequente e costoso non diventa automaticamente un buon progetto pilota se un errore può incidere su un contratto, un lavoratore o un cliente senza una verifica umana.
Serve inoltre distinguere il problema di processo dal problema di dati. Se il CRM contiene record duplicati, campi compilati in modi diversi e informazioni non aggiornate, collegargli un sistema AI può rendere più veloce la propagazione degli errori. In quel caso il primo intervento non è l’automazione, ma la revisione delle regole di raccolta e gestione delle informazioni.
Quali automazioni hanno senso come primo progetto
Per molte PMI B2B i candidati più ragionevoli sono attività circoscritte, ripetitive e verificabili. Alcuni esempi:
- classificare email, ticket e richieste commerciali e indirizzarli al referente corretto;
- estrarre dati da ordini, fatture, offerte o moduli, lasciando a una persona la validazione;
- normalizzare le informazioni nel CRM e segnalare record incompleti o incoerenti;
- preparare bozze di report periodici a partire da fonti definite;
- riassumere documenti e conversazioni senza sostituire la lettura dei passaggi decisivi;
- cercare informazioni all’interno di procedure e documentazione aziendale autorizzata;
- controllare preliminarmente la completezza di una pratica;
- rendere più ordinato il passaggio dei lead tra marketing, vendite e assistenza.
Una parte del valore deriva dalla generazione o dalla classificazione effettuata dall’AI; un’altra, spesso altrettanto importante, deriva dal workflow che collega persone e applicazioni. È la differenza tra usare occasionalmente un modello e progettare un sistema di lavoro. Nell’articolo dedicato a cosa significhi essere un esperto o un creatore AI ho approfondito proprio il ruolo di prove, modelli e workflow nella costruzione di applicazioni concrete.
Sono invece candidati deboli i processi che cambiano continuamente, non hanno un responsabile, dipendono da informazioni non disponibili o comportano decisioni immediate su persone e contratti. Anche un’attività apparentemente semplice può essere inadatta se nessuno sa definire quale risultato sia corretto.
Un progetto pilota deve poter dire anche “non conviene”
Il primo risultato utile non dovrebbe essere l’acquisto di una piattaforma. Dovrebbe essere una scheda di progetto comprensibile anche senza competenze tecniche, nella quale indicare:
- il processo interessato e il problema da risolvere;
- il risultato atteso e la situazione iniziale;
- i dati utilizzati e i sistemi coinvolti;
- le operazioni affidate all’AI e quelle che restano alle persone;
- il responsabile del processo e chi effettua i controlli;
- le metriche del test;
- le condizioni per estendere, correggere o interrompere il progetto.
Le metriche dipendono dal caso. Possono riguardare il tempo medio necessario per gestire una richiesta, la percentuale di dati estratti correttamente, il numero di pratiche da correggere, i tempi di risposta o le ore restituite a un’attività a maggior valore. Sarebbe invece prudente non promettere un ritorno economico prima di avere misurato il processo attuale.
Il principio è vicino all’approccio “test before invest” promosso dagli European Digital Innovation Hub: valutare la maturità digitale e sperimentare prima dell’investimento sostanziale. Anche il framework NIST per la gestione del rischio AI insiste sulla necessità di definire contesto, responsabilità, metriche, supervisione umana e componenti di terze parti prima di gestire e monitorare il sistema nel tempo.
Privacy, sicurezza e AI Act non vanno aggiunti alla fine
La conformità non è una casella da spuntare quando il sistema è già pronto. Influenza la scelta dei dati, del fornitore, dei permessi e dei controlli fin dall’inizio.
Occorre chiarire, per esempio, quali informazioni vengono inviate a un servizio esterno, dove sono conservate, per quanto tempo, con quali garanzie e se possono essere utilizzate dal fornitore per ulteriori finalità. Se sono coinvolti dati personali restano applicabili le regole del GDPR, comprese le tutele relative alle decisioni basate esclusivamente su trattamenti automatizzati che producono effetti giuridici o analogamente significativi.
Il livello di attenzione deve aumentare quando l’AI interviene nella selezione, assegnazione dei compiti, valutazione o monitoraggio dei lavoratori. Lo stesso vale per i sistemi che preparano decisioni significative su clienti e persone. L’analisi delle emozioni nei luoghi di lavoro, salvo le limitate eccezioni previste dalla normativa, rientra inoltre tra gli impieghi vietati.
Alla data di aggiornamento di questo articolo, l’AI Act è generalmente applicabile dal 2 agosto 2026, mentre l’obbligo di adottare misure adeguate di alfabetizzazione sull’AI per il personale si applica dal 2 febbraio 2025. Le misure formative non devono essere identiche per tutte le aziende: vanno commisurate ai ruoli, agli utilizzi e ai rischi. Per un quadro più ampio rimando all’approfondimento su AI Act, responsabilità e comunicazione digitale.
Norme e scadenze possono evolvere e non tutte le automazioni ricadono nello stesso livello di rischio. Nei casi più delicati è opportuno coinvolgere competenze legali, privacy e di sicurezza, oltre a chi conosce il processo aziendale.
Quando serve una consulenza specialistica
Non tutte le prove richiedono un progetto complesso. Un test interno su informazioni non riservate, senza integrazioni e con controllo puntuale può essere utile per capire possibilità e limiti della tecnologia. La consulenza diventa però opportuna quando occorre collegare CRM, ERP, email e archivi; quando vengono trattati dati personali o documenti riservati; quando il processo presenta numerose eccezioni; oppure quando non sono chiare responsabilità, metriche e condizioni contrattuali del fornitore.
È particolarmente importante farsi affiancare se il sistema influenza lavoratori o clienti, se un errore è difficilmente reversibile o se l’azienda non dispone di una baseline con cui valutare il risultato. In questi casi la consulenza non serve necessariamente a costruire subito una soluzione avanzata. Serve prima di tutto a evitare di automatizzare il processo sbagliato.
Un buon confronto iniziale dovrebbe produrre una mappa delle attività, individuare uno o due candidati realistici e definire un test limitato. Solo dopo i risultati ha senso decidere se integrare il sistema, estenderlo ad altri reparti o fermarsi.
La sequenza più prudente è quindi semplice: mappare il lavoro, scegliere un problema circoscritto, misurare la situazione attuale e sperimentare con supervisione umana. L’AI diventa utile quando entra in un processo governato; non quando viene aggiunta nella speranza che trovi da sola il problema da risolvere.
Se vuoi valutare quali attività della tua azienda possono diventare un progetto pilota concreto, puoi contattarmi per un primo confronto. Il punto di partenza non sarà una piattaforma da vendere, ma il processo da capire.