Il tempo risparmiato è solo una parte del ROI dell’AI. Se misuri solo le ore, rischi di dichiarare successo progetti che non cambiano i risultati di business e di abbandonare quelli che invece stanno creando valore reale.
Perché misurare solo le ore non basta
Molte aziende contano i minuti risparmiati su un task e fermano lì la valutazione. È un inizio utile, ma incompleto.
Secondo McKinsey – State of AI 2025, solo il 39% delle organizzazioni riporta un impatto sull’EBIT a livello enterprise, e la maggior parte di queste parla di un contributo inferiore al 5%. Allo stesso tempo, i high performer (circa il 6%) che vedono valore significativo combinano efficienza con obiettivi di crescita e innovazione.
Il rischio è chiaro: progetti che “fanno risparmiare tempo” ma non migliorano qualità, riduzione errori, soddisfazione o ricavi restano invisibili o vengono giudicati fallimentari in modo sbagliato.
Un framework a cinque livelli (semplificato per PMI)
Un approccio pratico distingue cinque strati di misura:
- Salute del sistema – disponibilità, latenza, tasso di errore tecnico, costo per query/token.
- Qualità dell’output – accuratezza, citabilità delle fonti, tasso di correzione umana.
- Adozione – utenti attivi, frequenza d’uso, percentuale di task che passano dallo strumento.
- Impatto sul processo – tempo ciclo, errori, rimbalzi, throughput.
- Impatto economico – costi evitati, ricavi abilitati, rischio ridotto, margine.
Non serve misurare tutto dal giorno uno. Serve scegliere 2-4 metriche per livello e collegarle al caso d’uso.
Metriche concrete per casi d’uso tipici
Ricerca su documenti / knowledge
- % risposte citabili e verificate
- Tempo medio per trovare l’informazione corretta
- Tasso di “devo chiedere al collega”
Classificazione / routing ticket o email
- Accuratezza di classificazione
- Tempo medio di gestione
- % ticket risolti al primo passaggio
Generazione report o riassunti
- Tempo di produzione
- Tasso di correzione
- Uso effettivo del report da parte dei decisori
Supporto customer care
- Tempo medio di risposta
- CSAT / NPS correlato
- Escalation rate
Esempi anonimizzati: numeri da usare come baseline
Questi non sostituiscono un case study completo. Servono a fissare ordini di grandezza prima/dopo, allineati a progetti Zendata tipici e a benchmark di mercato.
1) Assistente knowledge (ente / azienda con wiki e procedure)
| Indicatore | Baseline tipica | Target credibile a 60–90 giorni |
|---|---|---|
| Tempo per trovare l’info corretta (domande ricorrenti) | 15–30 min | 2–5 min |
| Risposte con fonte citabile | non sistematica | >70% delle interazioni utili |
| Utenti target attivi / settimana | basso o Shadow AI | 30–50% se lo strumento è nel canale di lavoro |
| Tempo recuperato per utente attivo | — | spesso 40–60 min/giorno in contesti AI enterprise (OpenAI 2025) |
Corpus di riferimento in progetti reali: migliaia di pagine (anche 6.000+). Senza baseline su tempo e citabilità, “abbiamo un chatbot” non è ROI.
2) Riconciliazione fatture/ordini (fattibilità su ~16.500 documenti)
| Indicatore | Valore osservato in fattibilità |
|---|---|
| Match con sole regole | ~41% |
| Match con regole + AI | ~61% |
| Copertura stimata con proposte assistite + ricerca documentale | 70–74% |
| Accuratezza con riferimento d’ordine leggibile | ~96% |
Qui il ROI si traduce in: ore di back-office evitate × costo fully loaded, meno tempo di revisione umana sulle eccezioni. Se il 30–40% resta in coda umana, non è un fallimento: è il disegno corretto (human-in-the-loop).
3) Contenuti formativi da slide/documenti (pilota tipico)
Perimetro tipico: 2 percorsi da alcune ore ciascuno, con copy, audio/video e test. Metriche sensate: ore di instructional design ridotte (spesso 40–60% sul primo draft), tasso di correzione SME, tempo di pubblicazione. Il valore non è “video generato”, è ciclo di produzione più corto a qualità accettata dal dominio.
Senza baseline e senza ownership della misura, qualsiasi percentuale è marketing.
- Contare solo i costi diretti e dimenticare formazione, integrazione, monitoraggio e costo opportunità.
- Misurare troppo presto (prima che l’adozione si stabilizzi) o troppo tardi (quando il pilot è già morto).
- Non avere un baseline chiaro prima di introdurre lo strumento.
Senza baseline e senza ownership della misura, qualsiasi numero è discutibile.
Come partire in pratica (anche in PMI)
- Scegli un solo processo.
- Definisci 3-5 metriche (almeno una di qualità, una di adozione, una di processo).
- Raccogli il baseline per 1-2 settimane.
- Lancia il pilot con le stesse metriche.
- Rivedi a 30 e 60 giorni: se non c’è movimento osservabile, rivedi o ferma.
Il ROI non è una formula magica. È la disciplina di collegare lo strumento a risultati che l’azienda riconosce come importanti.
FAQ
Qual è un buon orizzonte per vedere i primi numeri?
Su un perimetro ristretto, 30-60 giorni possono bastare per segnali di adozione e qualità. L’impatto economico chiaro spesso richiede più cicli.
Serve un data scientist per misurare?
No. Bastano metriche semplici, un foglio di calcolo o un dashboard leggero e ownership chiara da parte del processo.
Cosa fare se il ROI non compare?
Verificare adozione, qualità delle fonti, usabilità dello strumento e se le metriche scelte sono davvero collegate al valore. A volte il problema non è l’AI, ma il disegno del caso d’uso.
Il tempo risparmiato non conta?
Conta, ma solo se si traduce in capacità reale (più lavoro di qualità, meno errori, più attenzione ai clienti) e non in tempo disperso altrove.
Fonti
- McKinsey: The State of AI (Global Survey 2025): impatto EBIT e profilo dei high performer.
- McKinsey: From promise to impact – five-layer measurement framework: framework a livelli.
- OpenAI: The State of Enterprise AI 2025: tempo recuperato tipico per utenti AI enterprise.
- Istat: Imprese e ICT 2025: contesto adozione Italia.
Approfondisci nella serie
- Dal pilot alla produzione
- Da dove partire con l’AI in azienda
- Non quale AI scegliere: quale conoscenza rendere utilizzabile
Se vuoi definire metriche e baseline per un caso d’uso concreto, organizziamo una sessione di 90 minuti su processo, indicatori e piano di misura. Scrivici a info@zendata.it o visita zendata.it.
Pietro Ciattaglia, CEO di Zendata AI, Roma