Il costo reale dei progetti AI falliti: sprechi, tempo e credibilità

I numeri sul fallimento dei progetti AI sono usciti tutti nel giro di pochi mesi, e messi in fila compongono un quadro che nessun comitato investimenti accetterebbe per qualunque altra classe di spesa. Il MIT Project NANDA (The GenAI Divide, luglio 2025) ha analizzato oltre trecento implementazioni enterprise: il 95% dei pilot di AI generativa non produce alcun impatto misurabile sul conto economico, a fronte di 30-40 miliardi di dollari investiti. RAND Corporation stimava già nel 2024 che oltre l'80% dei progetti AI manca il valore atteso, circa il doppio dei progetti IT tradizionali comparabili. S&P Global Market Intelligence (Voice of the Enterprise, 2025) ha registrato il dato più brusco: il 42% delle aziende ha abbandonato la maggior parte delle proprie iniziative AI, dal 17% dell'anno precedente.

La reazione più diffusa a questi numeri è archiviare il pilot fallito come "apprendimento" e ripartire con il successivo. La contabilità vera del fallimento, quella che vediamo emergere negli assessment, è molto più larga della voce di budget cancellata, e vale la pena scomporla, perché ogni componente ha un rimedio diverso.

La spesa diretta è la parte piccola

Il costo visibile, licenze, consulenze, giornate del vendor, infrastruttura di test, è quello che finisce nel post-mortem, quando un post-mortem si fa. Nella nostra esperienza rappresenta di rado più di un terzo del conto totale, ed è anche l'unica componente che l'organizzazione percepisce come persa.

Sopra ci sta il tempo delle persone migliori. Un pilot AI serio assorbe per mesi i data engineer più capaci, i process owner più esperti, ore di comitati e steering. Se il progetto muore, quel tempo qualificato non torna, e il suo costo opportunità raramente viene calcolato: cosa avrebbero prodotto quelle stesse persone su un'iniziativa con prerequisiti solidi? La ricerca RAND indica tra le cause primarie proprio gli obiettivi disallineati e le fondamenta dati inadeguate, cioè condizioni note prima di partire, il che rende il tempo bruciato un costo evitabile e non un incidente.

Il danno che si vede dopo: la credibilità interna

La componente più costosa è anche la meno contabilizzata. Ogni pilot fallito alza il prezzo del successivo, perché consuma la risorsa più scarsa di qualunque trasformazione: la disponibilità delle persone a crederci ancora. Il terzo progetto AI presentato a un management che ha visto affondare i primi due parte con uno sconto di fiducia che nessuna demo recupera, e lo stesso vale per i team operativi, che imparano in fretta a trattare l'ennesima iniziativa come una moda passeggera da lasciar sfogare.

Il report del MIT descrive questo effetto da un'angolatura rivelatrice: mentre i pilot ufficiali si fermano, in oltre il 90% delle aziende i dipendenti usano strumenti AI personali che funzionano. La domanda di AI resta alta, la fiducia nella capacità dell'organizzazione di soddisfarla crolla, e il divario tra le due curve è il costo reputazionale interno del fallimento, quello che trasforma i progetti futuri in salite.

Fallire bene, fallire male

Un chiarimento, prima delle conclusioni sbagliate: una quota di fallimenti è fisiologica e persino desiderabile, perché l'AI resta un territorio in cui si valida sperimentando. Il problema del 95% non sta nel fatto che i pilot chiudano, sta nel come. Un esperimento con ipotesi chiara, soglia di successo scritta e budget contenuto che chiude a un no ha prodotto un'informazione a basso costo, e quella è ricerca ben spesa. Un progetto partito senza criteri, cresciuto per inerzia e abbandonato per sfinimento dopo diciotto mesi ha prodotto solo il conto di cui sopra.

La differenza tra i due esiti si decide quasi interamente prima del kickoff, ed è una questione di prerequisiti misurabili: dati pronti a reggere la scala, uno sponsor con potere di firma, metriche di business definite da chi possiede il processo, un perimetro di rischio e compliance mappato. Le cause di fallimento censite da RAND e dal MIT sono in larga parte diagnosi che un assessment serio formula in poche settimane, a un costo che è una frazione di un singolo pilot.

La due diligence che manca

Se il 95% dei pilot non produce ritorno, la leva con il rendimento più alto non è migliorare l'esecuzione del prossimo, è selezionare meglio a monte. Il nostro AI Rating fa esattamente questo lavoro di due diligence interna: misura su scala 0-5 la capacità dell'organizzazione lungo quattro dimensioni e dice, prima dell'investimento, quali gap condannerebbero il progetto e quanto costa chiuderli. Chi arriva da una serie di fallimenti di solito scopre che i pilot non erano sbagliati nell'idea, erano prematuri nei prerequisiti.

Il conto dei progetti falliti, alla fine, lo si può leggere in due modi: come il prezzo pagato per imparare, o come la misura di quanto valga iniziare a misurare. Se nel vostro 2025 c'è almeno un pilot archiviato senza un perché scritto, mezz'ora su calendly.com/fabiolalli/zerofive serve a evitare che il 2026 lo replichi, oppure scrivete a hello@zerofive.ai. Quanto è costato davvero l'ultimo progetto AI che avete chiuso, contando tutto?