Come preparare un progetto AI prima di chiedere un preventivo: le 11 domande

Chi arriva da una software house con un'idea vaga riceve preventivi vaghi. Tre fornitori, tre cifre lontanissime tra loro, e nessun modo serio di confrontarle: ognuno ha immaginato un progetto diverso partendo dalle stesse due righe di descrizione.

Nei progetti AI il problema è ancora più marcato. L'AI è facile da provare e difficile da portare in produzione, e quasi sempre il motivo non è il modello: è quello che succede prima. Questo articolo spiega cosa chiarire prima della prima call, con le undici domande che usiamo in Gorilli nella fase di discovery.

Perché molti progetti AI si fermano prima della produzione

Le ricerche più citate raccontano la stessa storia. Secondo alcune stime riportate da RAND Corporation (2024), oltre l'80% dei progetti AI fallisce: il doppio dei progetti IT che non usano l'AI. Il report The GenAI Divide di MIT NANDA (2025) indica che il 95% dei progetti pilota di AI generativa nelle aziende non ha prodotto un impatto misurabile sul conto economico.

RAND individua cinque cause ricorrenti:

• Problema mal definito. Chi decide non chiarisce cosa risolvere o sceglie la metrica sbagliata, e il team ottimizza per l'obiettivo sbagliato.
• Dati insufficienti. Mancano dati di qualità, accessibili e compresi da chi conosce il dominio.
• Tecnologia prima del problema. Si insegue lo strumento più nuovo invece del valore per il business.
• Infrastruttura trascurata. Pipeline dati, monitoraggio e messa in produzione arrivano tardi.
• Aspettative oltre i limiti attuali. Alcuni problemi non sono ancora risolvibili con l'AI, a prescindere dall'impegno.

La buona notizia è che le prime tre cause si affrontano prima di scrivere una riga di codice. Serve solo mettere per iscritto le risposte giuste.

Cosa cambia rispetto a un progetto software tradizionale

Un progetto AI si pianifica in modo diverso da un gestionale o da un sito. Conoscere le differenze evita le sorprese più comuni su tempi, costi e risultati.

In pratica: definisci il margine di errore prima di vedere la demo, porta dati reali il prima possibile (anche un campione piccolo ma vero vale più di un dataset perfetto che arriva tra tre mesi) e chiedi una stima dei costi mensili di utilizzo, non solo del costo di sviluppo.

Le 11 domande da chiarire prima della prima call

Non servono documenti perfetti. Bastano risposte brevi, scritte con chi vive il problema ogni giorno. "Non so" è una risposta valida: segnala dove bisogna approfondire.

Il punto di partenza

1. Il problema. Cosa non funziona oggi, chi ne soffre e quanto costa, in tempo, soldi o clienti persi? "Vogliamo un chatbot" non è un problema; "rispondiamo tardi ai clienti" sì.

2. L'obiettivo. Cosa cambia se il progetto riesce? Serve un risultato misurabile entro sei mesi dal lancio, per esempio dimezzare il tempo medio di risposta.

3. Gli utenti. Chi userà il software: team interni, clienti, partner? Quanti sono e con quali competenze? Un tool per dodici operatori poco tecnici è un progetto diverso da un assistente per tremila clienti.

Il perimetro

4. Cosa deve fare. Elenca le funzionalità e segna quelle indispensabili al primo rilascio. Le indispensabili definiscono l'MVP; il resto viene dopo.

5. Dove entra l'AI. Cosa ti aspetti che faccia: rispondere, cercare nei documenti, classificare, estrarre dati, generare testi, suggerire decisioni? E soprattutto: quanto errore è accettabile e chi controlla il risultato? Un'AI che suggerisce una risposta a un operatore, che la approva prima dell'invio, ha requisiti molto diversi da una che risponde da sola.

Il contesto

6. I dati. Quali dati esistono, dove sono e chi ne è responsabile? Ci sono dati personali o sensibili? È spesso la domanda che sposta di più tempi e costi.

7. Le integrazioni. Con quali sistemi deve parlare il software: gestionale, CRM, e-commerce, email, WhatsApp, login aziendale?

8. I vincoli. Tempi, budget e requisiti da rispettare. Se c'è una scadenza, spiega perché: una fiera, una stagione, un bando. Il budget indicativo serve a proporre la soluzione giusta, non a gonfiare il preventivo. Valgono anche i requisiti tecnici o normativi, come hosting in UE, GDPR o accessibilità.

Le regole del gioco

9. Cosa il progetto non deve fare. Cosa resta fuori, almeno nella prima versione? Dirlo esplicitamente evita che ogni fornitore immagini un perimetro diverso.

10. Come misuri il successo. Quali numeri guarderai a tre e a sei mesi dal lancio? Senza un numero di partenza, non saprai dire se il progetto ha funzionato.

11. Chi decide. Chi è il referente operativo, chi decide e chi approva il budget? Aiuta a capire i tempi di decisione e chi coinvolgere nelle call.

Dall'idea alla produzione, per passi

Un buon progetto AI riduce l'incertezza un passo alla volta. Ogni fase risponde a una domanda e decide se ha senso investire nella successiva.

1. Discovery: cosa risolviamo, con quali dati? Problema, utenti, dati e vincoli chiariti per iscritto. Si esce con un perimetro e una stima. Le undici domande sono il lavoro di questa fase.
2. Proof of concept: funziona sui nostri dati? Si testa la parte più incerta su casi reali. Si esce con un sì, un no o un "sì, ma".
3. MVP: gli utenti lo usano davvero? La versione minima, usata da un gruppo ristretto nel lavoro di tutti i giorni.
4. Pilota e produzione: regge su scala? Estensione a più utenti, monitoraggio di qualità e costi, integrazioni complete.

Tre errori da evitare

• Partire dallo strumento. La tecnologia si sceglie dopo aver capito il problema, non prima.
• Saltare il test sui dati reali. Le demo su dati di esempio funzionano quasi sempre.
• Non avere una metrica di partenza. Senza un numero di oggi, il risultato di domani non si può valutare.

Come confrontare i preventivi

Con le stesse risposte in mano, i preventivi diventano confrontabili. Prima di scegliere, verifica:

• Partono tutti dallo stesso documento?
• Includono la preparazione dei dati e i test di qualità?
• Stimano i costi mensili di utilizzo dei modelli?
• Chi possiede codice, dati e istruzioni a fine progetto?
• Cosa è previsto dopo il lancio, tra monitoraggio e manutenzione?

Per i criteri con cui valutare il fornitore stesso, abbiamo scritto una guida dedicata: come scegliere una software house AI in Italia.

Domande frequenti

Quanto tempo serve per rispondere alle 11 domande?

Circa trenta minuti, meglio se insieme a chi vive il problema ogni giorno. Frasi brevi valgono più di un documento perfetto.

Devo sapere già quale tecnologia usare?

No. Le domande riguardano problema, dati, utenti e vincoli. La scelta di modelli e architettura spetta al fornitore, e dovrebbe arrivare dopo.

Quanto costa un progetto AI?

Dipende soprattutto da dati, integrazioni e margine di errore accettabile, cioè dalle domande 5, 6 e 7. Per questo un budget indicativo aiuta: permette al fornitore di proporre la soluzione adatta invece di una generica. Ricorda di chiedere anche i costi mensili di utilizzo, non solo lo sviluppo.

E se non so rispondere a una domanda?

Scrivi "non so". È un'informazione utile: indica dove serve approfondire durante la discovery.

Posso usare le risposte con qualsiasi fornitore?

Sì, ed è il modo migliore per usarle: lo stesso documento a tutti i fornitori, così i preventivi partono dalle stesse basi.

Vuoi la versione da compilare?

Le undici domande, con esempi pratici e spazio per le risposte, sono nella guida gratuita Cosa devi sapere prima di sviluppare un progetto AI, in PDF e Word. Se invece hai già un'idea chiara, puoi prenotare un AI Check-up gratuito di 30 minuti.