Perché i progetti pilota di IA si arenano nella moda e come portarli in produzione?

Nella moda i progetti pilota di IA si arenano soprattutto perché sono concepiti come esperimenti e non come la prima fase di un prodotto: girano su dati campione ordinati, restano fuori dai sistemi che le persone usano davvero, non hanno un responsabile di business né una misura di successo concordata. Per scalare serve l'opposto: dati reali, integrazione nel flusso di lavoro, un responsabile designato, una baseline e un piano di produzione finanziato, concordati prima che il pilota parta.

Quanti progetti pilota di IA arrivano davvero in produzione?

I dati indicano una minoranza. Il report del MIT The GenAI Divide: State of AI in Business 2025, basato su 150 interviste a dirigenti, un sondaggio su 350 dipendenti e l'analisi di 300 implementazioni pubbliche, ha rilevato che circa il 95 per cento dei progetti pilota aziendali di IA generativa si è fermato in una fase iniziale senza mai raggiungere un'adozione su larga scala, come riportato da Computing nell'agosto 2025. L'autore principale ha attribuito questo risultato meno alla qualità dei modelli che a un 'divario di apprendimento' tra gli strumenti e i flussi di lavoro aziendali.

Le previsioni degli analisti vanno nella stessa direzione. Nel luglio 2024 Gartner ha previsto che entro la fine del 2025 almeno il 30 per cento dei progetti di IA generativa sarebbe stato abbandonato dopo il proof of concept, a causa di scarsa qualità dei dati, controlli dei rischi inadeguati, costi crescenti o valore di business poco chiaro. Nel giugno 2025 ha previsto che oltre il 40 per cento dei progetti di IA agentica sarà cancellato entro la fine del 2027, citando costi crescenti, valore di business poco chiaro e controlli dei rischi inadeguati.

Perché i progetti pilota di IA nella moda si arenano?

Nella moda le ragioni sono di solito pratiche e prevedibili.

La stagionalità aggiunge una complicazione tipica della moda. Un pilota di previsione o di assortimento può richiedere un'intera stagione per mostrare risultati e, se parte nel momento sbagliato del calendario, può mancare del tutto il successivo ciclo di acquisto, perdendo slancio e sponsorizzazione.

Leggi anche

Sviluppare o acquistare? Scegliere il software per un'azienda di moda

Come va progettato un pilota di IA perché possa scalare?

Un pilota pensato per scalare è diverso da una demo. Prima di approvarne uno, conviene concordare per iscritto quanto segue:

1. Il problema di business e il responsabile: una frase che descrive il problema e la persona i cui obiettivi migliorano se funziona.
2. La baseline: tempi di ciclo, costi, tasso di errore o sell-through attuali del processo in questione.
3. Soglie di successo: il livello di miglioramento che giustifica la produzione e il livello che impone lo stop.
4. Perimetro dei dati: quali fonti di dati reali verranno usate e chi corregge i problemi di qualità individuati.
5. Percorso di integrazione: dove confluiranno i risultati in produzione (PIM, ERP, strumento di pianificazione, service desk) e quanto costerà quell'integrazione.
6. Revisione dei rischi: protezione dei dati, proprietà intellettuale, brand e aspetti legati all'AI Act dell'UE, approvati all'inizio.
7. Data della decisione: un momento fissato per scalare, correggere o fermare.

Che cosa cambia tra pilota e produzione?

La produzione aggiunge attività che i pilota spesso ignorano: monitoraggio della qualità dei risultati nel tempo, gestione delle eccezioni, supporto agli utenti, controlli di accesso, tracciamento dei costi e aggiornamento di modelli o prompt quando cambiano prodotti, policy o dati. Con l'IA generativa qualcuno deve inoltre mantenere aggiornati i contenuti di riferimento su cui il sistema si basa, come linee guida del brand, istruzioni di manutenzione o politiche di reso. Questi costi di esercizio vanno messi a budget fin dall'inizio: sono una spesa operativa permanente, non un costo di progetto una tantum.

Il sondaggio State of AI 2026 di McKinsey ha rilevato che il 44 per cento degli intervistati dichiara che l'IA si sta diffondendo su scala in tutta l'azienda, rispetto al 38 per cento dell'anno precedente, mentre la quota che attribuisce all'IA almeno un certo impatto sull'EBIT è rimasta sostanzialmente stabile al 37 per cento. Le aziende con l'impatto più forte avevano molte più probabilità di aver riprogettato radicalmente i flussi di lavoro. Scalare uno strumento senza cambiare l'organizzazione del lavoro tende a produrre utilizzo senza valore.

Anche la comunicazione decide se un pilota sopravvive. Le persone il cui lavoro cambierà dovrebbero vedere i risultati intermedi, errori compresi, e poter influire sullo strumento prima del rilascio. I pilota presentati agli utenti solo a lavoro finito tendono a incontrare resistenze che nessuna accuratezza del modello riesce a superare.

Per superare la fase pilota, le aziende della moda devono sviluppare o acquistare?

Lo studio del MIT ha riferito che gli strumenti acquistati da fornitori o partner esterni hanno avuto successo in circa due terzi dei casi, contro circa un terzo per i sistemi sviluppati internamente. Questo non significa che sviluppare in proprio sia sempre sbagliato, ma che le soluzioni interne comportano un onere di integrazione e manutenzione maggiore di quanto i team spesso prevedano. Per attività comuni come i contenuti di prodotto o le risposte del servizio clienti, strumenti esterni maturi possono arrivare prima in produzione. Per decisioni proprietarie che si basano su dati unici, come la logica di allocazione, sviluppare può ancora ripagare, a patto che l'azienda abbia la capacità tecnica per gestire la soluzione.

Leggi anche

Come far usare davvero l'IA ai dipendenti? Un piano di adozione per i team della moda

Quanti progetti pilota dovrebbe gestire contemporaneamente un'azienda della moda?

Meno di quanti ne gestisca la maggior parte. Un piccolo portafoglio di tre-cinque pilota, ciascuno con un responsabile, una baseline e una data di decisione, è più facile da governare di decine di esperimenti seguiti in modo approssimativo. I risultati di Gartner e del MIT portano alla stessa lezione: il valore nasce dall'integrare a fondo pochi casi d'uso nel lavoro reale, non dal moltiplicare test scollegati tra loro.