AI adoption in azienda: cos'è e come misurarla davvero

L'AI adoption è il grado in cui l'intelligenza artificiale è entrata nel lavoro quotidiano e nei processi di un'azienda, in modo stabile e ripetuto. Non è il numero di licenze acquistate e non è il numero di persone che hanno provato uno strumento una volta. È la misura di quanto l'AI cambia il modo in cui il lavoro viene svolto.

La distinzione conta perché i budget vengono decisi su questa lettura. Se l'adozione è sovrastimata, si rinnovano licenze che nessuno usa. Se è sottostimata, si perde la percezione di dove l'AI sta già producendo valore.

Licenze, utilizzo e adozione reale: tre cose diverse

Le aziende confondono spesso tre livelli che vanno tenuti separati.

• Licenze. Misurano cosa è stato acquistato e assegnato. È un dato di spesa e di distribuzione, non di comportamento. Un seat assegnato può restare fermo per mesi.
• Utilizzo. Misura chi apre lo strumento e con quale frequenza. È un dato di attività: dice che qualcuno c'è, non cosa ottiene.
• Adozione reale. Misura se l'AI è parte di un processo di lavoro: se una funzione la usa regolarmente per un caso d'uso preciso, con risultati che il reparto riconosce come utili.

Un esempio ipotetico: un'azienda assegna 1.000 seat di un assistente AI. Il primo mese 700 persone accedono. Dopo tre mesi gli accessi settimanali scendono a 250. Le licenze restano 1.000, l'utilizzo si è dimezzato più volte, l'adozione reale riguarda forse un sottoinsieme di reparti. Il numero che finisce nella presentazione al comitato di direzione, però, è spesso il primo.

Perché la sola media aziendale inganna

Un tasso di utilizzo medio nasconde le differenze che servono a decidere. Un reparto può usare l'AI ogni giorno su tre attività ricorrenti mentre un altro non l'ha mai integrata nel proprio lavoro. La media li fonde in un valore che non descrive nessuno dei due.

Per questo l'adozione va letta lungo tre assi, sempre in forma aggregata.

Per reparto

Il reparto è l'unità naturale per capire dove l'AI è entrata e dove no. Permette di confrontare funzioni simili, di individuare chi è in anticipo e di capire quale esperienza può essere replicata altrove.

Per ruolo

A parità di reparto, ruoli diversi hanno bisogni diversi. Chi scrive contratti, chi analizza dati e chi gestisce clienti usano l'AI in modi non comparabili. Leggere l'adozione per ruolo mostra dove il problema è la formazione, dove è lo strumento e dove è semplicemente l'assenza di un caso d'uso sensato.

Per caso d'uso

Il caso d'uso è l'asse più utile per collegare l'adozione al valore. Sapere che "il legale usa Claude" dice poco. Sapere che il reparto legale lo usa per la prima lettura di contratti standard, con una frequenza stabile, permette di valutare se quel processo è migliorato. È anche il punto di partenza per misurare l'impatto, di cui parliamo in come misurare il ROI dell'intelligenza artificiale.

Come si misura l'adozione: le fonti dei dati

Non esiste una sola fonte affidabile. Servono almeno due, che si correggono a vicenda.

1. Dati di utilizzo dei fornitori. Le console di amministrazione dei fornitori espongono, in misura diversa, dati di utilizzo per utente: accessi, frequenza, volumi. Sono oggettivi, ma coprono solo gli strumenti ufficiali e, quando i fornitori sono più di uno, vanno normalizzati per renderli confrontabili.
2. Mappa dell'organizzazione. I dati per utente diventano utili solo se ricondotti a reparto e ruolo. Serve quindi un allineamento con l'anagrafica aziendale, trattata in modo da restituire solo risultati aggregati.
3. Questionari. Fanno emergere ciò che i log non vedono: per quale attività si usa l'AI, con quale soddisfazione, quali ostacoli si incontrano e quali strumenti non ufficiali sono in uso. Il fenomeno è approfondito in shadow AI, rischi e gestione.
4. Registro dei casi d'uso. Un censimento dei casi d'uso dichiarati dai reparti dà il contesto: senza di esso un dato di utilizzo non dice a quale processo appartiene. È la base di ogni lettura per caso d'uso.

Quali indicatori usare

Pochi indicatori, ma definiti con precisione, valgono più di un cruscotto affollato. Una base ragionevole è la seguente.

• Tasso di utenti attivi su base settimanale e mensile, per reparto e ruolo.
• Frequenza d'uso: quanti giorni per settimana un utente attivo ricorre allo strumento.
• Profondità d'uso: se l'uso resta su attività semplici o si estende a compiti più strutturati.
• Copertura dei casi d'uso: quanti dei casi d'uso censiti hanno utenti ricorrenti.
• Permanenza: quanti utenti attivi in un mese lo sono ancora tre mesi dopo.
• Quota di uso fuori dagli strumenti ufficiali, stimata con questionario.

La permanenza è spesso il dato più rivelatore. Un picco iniziale seguito da un calo indica che l'entusiasmo del lancio non si è trasformato in abitudine.

Gli errori più comuni

Contare i seat come utenti. Un seat assegnato non è una persona che usa lo strumento. Il rapporto tra i due è proprio ciò che si vuole conoscere.

Misurare un solo strumento. Quando in azienda convivono più assistenti, guardare solo il principale restituisce un quadro parziale. L'adozione è dell'AI nel lavoro, non di un singolo prodotto.

Ignorare l'uso non ufficiale. Una parte dell'uso può avvenire su account personali e non compare nei dati dei fornitori aziendali. Senza un questionario, la stima è sistematicamente per difetto.

Valutare le singole persone. I dati sulle persone vanno presentati sempre in forma aggregata per ruolo o reparto, mai come giudizio sul singolo. Oltre a essere una scelta di buon senso nei rapporti con i collaboratori, nel contesto italiano interagisce con lo Statuto dei Lavoratori, tema trattato in monitorare l'uso dell'AI e Statuto dei Lavoratori.

Scambiare l'adozione per l'impatto. Un'adozione alta non dimostra che il lavoro sia migliorato. È una condizione necessaria, non sufficiente. L'impatto richiede una misura a parte, su processi circoscritti.

Come partire: una sequenza operativa

1. Definire cosa conta come "uso" (ad esempio, almeno una sessione settimanale) e usare la stessa definizione per tutti gli strumenti.
2. Raccogliere i dati di utilizzo di ciascun fornitore e normalizzarli.
3. Associare gli utenti a reparto e ruolo, riportando solo risultati aggregati.
4. Lanciare un questionario breve per stimare l'uso fuori dagli strumenti ufficiali e i casi d'uso reali.
5. Censire i casi d'uso principali per reparto.
6. Costruire una lettura per reparto, ruolo e caso d'uso e ripeterla ogni trimestre.
7. Usare il risultato per decidere dove formare, dove consolidare gli strumenti e dove misurare l'impatto.

Il punto 7 è quello che spesso manca. La misura serve a decidere, e per questo è utile collegarla alla spesa: leggere insieme costo e utilizzo per seat è il metodo descritto in ridurre la spesa in licenze AI.

Limiti da dichiarare

Anche una misura ben costruita ha confini. I dati di utilizzo dicono quanto e quando, non quanto bene. I questionari dipendono dalla sincerità e dalla memoria di chi risponde. L'uso intenso non implica un uso efficace, e un uso occasionale può essere prezioso se riguarda un compito raro e critico. Conviene presentare l'adozione come un indicatore da interpretare insieme ai reparti, non come un punteggio.

Dove si colloca Delphis

Delphis è una piattaforma indipendente dai fornitori di AI che collega in un unico modello spesa, adozione, impatto e obblighi normativi. Sul fronte dell'adozione integra i dati di utilizzo di più fornitori, li riconduce a reparto, ruolo e caso d'uso e li affianca a questionari. I dati sulle persone restano aggregati. Per approfondire il tema, vedi la pagina adozione e ROI.