Le metriche AI vogliono mappe dei denominatori

L’adozione dell’AI è facile da gonfiare perché la metrica più comoda è spesso la meno utile. Una dashboard dice che il 42 percento dell’azienda ha adottato l’AI. Una slide mostra 300 persone che hanno usato un assistente nell’ultimo mese. Un aggiornamento di trasformazione racconta che dieci team sono live. Tutte queste frasi possono essere vere, ma nessuna dice con precisione cosa fare dopo.

Il problema non è solo il numeratore. È il denominatore. Chi avrebbe potuto usare lo strumento ma non era mai eleggibile? Chi lo ha provato una volta durante una demo e poi non è tornato? Chi lo usa ogni settimana per bozze a basso rischio, ma non dentro un workflow governato? Chi voleva adottarlo ma è rimasto bloccato da competenze mancanti, qualità dei dati, privacy, incertezza normativa, costi o questioni etiche? Senza queste categorie, una metrica di adozione premia accesso ed entusiasmo, ma nasconde l’attrito operativo.

Il rapporto ISTAT 2025 su imprese e ICT offre un buon promemoria. Tra le imprese italiane con almeno 10 addetti, l’uso dell’AI è passato dall’8,2 percento del 2024 al 16,4 percento del 2025. Le grandi imprese arrivano al 53,1 percento, mentre le PMI si fermano al 15,7 percento. Lo stesso rapporto segnala che l’83,6 percento delle imprese non usa ancora alcuna tecnologia AI e che, tra chi ha valutato ma non adottato, gli ostacoli includono competenze, incertezza legislativa, dati, privacy, costi ed etica: ISTAT, Imprese e ICT 2025.

L’adozione non è un solo numeratore

Una percentuale unica mescola stati molto diversi. Una product manager che usa un assistente AI per riscrivere note di riunione, un analista finance che estrae dati da fatture dentro un processo approvato, e una persona sales che ha aperto un chatbot una volta dopo il webinar di lancio possono finire nello stesso numeratore. La metrica sembra più grande, ma diventa meno azionabile.

La prima correzione è trattare l’adozione come una sequenza di popolazioni. Si parte dalla popolazione che potrebbe davvero beneficiare della capacità. Poi si separa l’eleggibilità dall’accesso. Un team può essere nel perimetro del business case, ma escluso per restrizioni sui dati, regione, ruolo, compatibilità con i sistemi o tempi di procurement. Se salti questa distinzione, il tasso di adozione penalizza team che non potevano partecipare e fa apparire migliore un programma che ha coinvolto solo gli utenti più facili.

È la stessa disciplina necessaria quando si considera una dashboard operativa come un prodotto interno. La dashboard non serve ad abbellire una riunione. Deve aiutare qualcuno a decidere su rollout, formazione, rischio, investimento o dismissione. Se la metrica di adozione non chiarisce quale decisione sostiene, probabilmente è un numero di vanità.

Cosa entra in una mappa dei denominatori?

Una mappa dei denominatori spezza la storia dell’adozione in stati nominati. Le etichette possono cambiare da azienda ad azienda, ma una mappa minima utile contiene sette gruppi.

Il primo è la popolazione eleggibile. Sono utenti, team, workflow o unità di business per cui la capacità AI è rilevante e consentita. L’eleggibilità deve includere regole di perimetro, non ambizione generica. “Tutti i dipendenti” raramente è un denominatore serio.

Il secondo gruppo è chi ha provato. Qui non basta aver ricevuto una licenza o partecipato a una demo. Serve un primo uso significativo: completare un task, inserire dati di lavoro, eseguire un workflow, produrre un output che qualcuno ha revisionato.

Il terzo gruppo è l’uso attivo. L’attività va legata alla cadenza del lavoro. L’uso quotidiano può avere senso nel triage del supporto clienti. L’uso mensile può essere normale nella pianificazione trimestrale. La cadenza deve venire dal lavoro, non da un’abitudine generica delle metriche SaaS.

Il quarto gruppo è l’uso dentro il workflow. Qui l’adozione inizia a contare davvero. La capacità AI non è solo accanto al lavoro, ma entra nel modo in cui il lavoro avanza. Una revisione documentale governata, un assistente di ricerca monitorato o un passaggio approvato di estrazione dati appartengono a questa categoria. L’uso occasionale no.

Il quinto gruppo è l’uso bloccato. Sono persone o team eleggibili che avrebbero bisogno della capacità, ma non possono procedere per competenze mancanti, dati indisponibili o scadenti, vincoli di privacy, approvazione legale incerta, integrazioni assenti, costi o dubbi etici.

Il sesto gruppo è l’abbandono. L’abbandono non è sempre un fallimento. Può indicare un caso d’uso debole, training insufficiente, fit scarso, troppo carico di revisione o una soluzione non-AI migliore. Se chi abbandona sparisce dal denominatore, il programma impara solo dai superstiti.

Il settimo gruppo è l’uso governato in produzione. È lo stato più stretto e più prezioso: proprietari chiari, controlli, aspettative di revisione, monitoraggio, fallback e una ragione di business esplicita.

Quale denominatore risponde alla decisione?

Il denominatore giusto dipende dalla decisione. Se la domanda è “Dobbiamo comprare più licenze?”, il denominatore non è tutta l’azienda. È la popolazione eleggibile bloccata solo dall’accesso. Se la domanda è “Dobbiamo investire in formazione?”, il denominatore è la popolazione con accesso che ha provato una volta ma non è diventata attiva. Se la domanda è “Il programma sta riducendo lavoro operativo?”, il denominatore è la popolazione dei workflow, non quella degli utenti.

Molte dashboard sbagliano proprio qui. Usano un solo denominatore per ogni conversazione perché la coerenza sembra professionale. Ma coerenza non significa qualità decisionale. Una metrica per la copertura del rollout, una per la formazione dell’abitudine e una per l’adozione governata nel workflow sono strumenti diversi.

Lo stesso vale quando le organizzazioni dicono di misurare outcome, ma continuano a premiare attività. Se un team vuole capire davvero come cambia il lavoro, deve evitare la trappola descritta in misurare outcome quando il team guarda ancora solo le ore. Contare sessioni AI può diventare la nuova versione del conteggio delle ore: visibile, facile e scollegato dal miglioramento del lavoro.

I blocchi sono categorie di misura, non scuse

Una review matura dell’adozione AI non tratta i blocchi come note a margine. I blocchi sono categorie del modello di misura. Spiegano perché il numeratore è piccolo, quale investimento deve cambiare e perché un target ampio può essere ingiusto.

Un blocco legale e un blocco di competenze richiedono azioni diverse. L’incertezza normativa può richiedere una decisione di policy, una classificazione del rischio, una revisione vendor o una riprogettazione del workflow. Un gap di competenze richiede template, coaching, esempi, office hour o playbook per ruolo. Un problema di qualità dei dati può richiedere lavoro a monte prima che qualunque rollout AI sia credibile. Un problema di costo può imporre priorità per valore del workflow, non per entusiasmo degli utenti.

Per questo una buona mappa dei denominatori mette “bloccati ma eleggibili” accanto ad “attivi” e “governati”. Impedisce ai leader di dire “le persone non adottano”, quando la frase più precisa è “questo workflow non può adottare finché non risolviamo approvazione, dati o capacità”. La differenza conta perché cambia il proprietario della prossima azione.

Come auditare una dashboard di adozione AI

Scegli una metrica di adozione AI questa settimana e riscrivila come mappa dei denominatori. Non partire da un nuovo tool. Parti da una tabella.

Scrivi la metrica attuale in linguaggio naturale. Poi scrivi numeratore e denominatore. Se il denominatore è “dipendenti”, “utenti” o “team”, rendilo più preciso. Quali dipendenti? Quali utenti? Quali team? Eleggibili per cosa? In quale periodo? Per quale workflow?

Aggiungi poi le popolazioni escluse. Alcuni gruppi possono essere fuori perimetro per buone ragioni. Nominali, così non vengono contati in silenzio come fallimenti. Poi aggiungi le popolazioni bloccate. Dai a ogni blocco un owner e una decisione. La formazione va a enablement o leadership di team. Privacy e rischio vanno a legal, security o data governance. Le integrazioni vanno a product, platform o IT. Il fit debole del caso d’uso torna alla discovery.

Infine aggiungi una colonna per l’uso governato. È la colonna che impedisce all’adozione AI di diventare teatro da demo. Chiede se la capacità è dentro un workflow affidabile, supportabile, monitorabile e reversibile. Se suona vicino all’idea che i sistemi di misura vogliono ricevute degli score, è normale. Una metrica è più credibile quando porta con sé le prove di come è stata prodotta.

L’obiettivo non è far sembrare l’adozione più piccola. L’obiettivo è renderla leggibile. Una mappa dei denominatori mostra se hai un problema di consapevolezza, accesso, competenze, workflow, governance o nessun problema che valga la pena risolvere. Questa è la differenza tra celebrare l’adozione AI e gestirla.