La vostra azienda ha comprato l'IA. Ora arriva la parte difficile.
Il CEO di NTT DATA AIVista sostiene che la maggior parte dei progetti IA enterprise fallisce non perché il modello sia scadente, ma perché nessuno svolge il lavoro unglamorous di integrarlo in flussi di lavoro reali, con dati reali e protezioni reali.
Punti chiave
- La maggior parte dei progetti IA enterprise fallisce durante l'implementazione, non perché il modello sottostante sia debole, ma a causa di una cattiva integrazione, mancanza di competenze specifiche e responsabilità poco chiare.
- Bratin Saha, CEO di NTT DATA AIVista, sostiene che gli investimenti limitati all'acquisto di un modello frontier lasciano la maggior parte del ritorno finanziario incolto.
- Il fine-tuning, il processo di riaddestrare un modello su nuovi dati, si è classificato ultimo nel sondaggio più recente di VentureBeat sulle priorità di selezione dei modelli enterprise.
- NTT DATA AIVista utilizza un mix di modelli frontier e open-source, riservando il ragionamento più costoso alle decisioni dove un errore comporta rischi significativi.
- Saha sostiene che le tre cose di cui le aziende hanno bisogno contemporaneamente sono tecnologia, competenze specifiche del dominio e gestione del cambiamento, e che la tecnologia è il minor collo di bottiglia dei tre.
Ogni settimana, un'altra azienda annuncia un grande budget per l'IA. E ogni settimana, una storia più silenziosa rimane non raccontata: l'assegno è stato incassato, il modello è stato distribuito, e quasi nulla è cambiato.
Bratin Saha, CEO di NTT DATA AIVista, la divisione IA di una delle più grandi aziende di servizi IT del mondo, ha parlato esattamente di questo problema al VB Transform 2026. Il suo argomento è diretto. Comprare un modello IA capace è la parte facile. La parte difficile è tutto ciò che lo circonda.
"Non è solo un modello", ha detto Saha. "State costruendo un sistema intorno al modello."
Perché tanti progetti IA enterprise si fermano?
Si fermano perché i modelli frontier, i sistemi IA più potenti disponibili oggi come GPT-5.5 o Claude Opus 4.8, sono addestrati su conoscenze generali. I flussi di lavoro aziendali reali non sono affatto generali.
Saha ha usato come esempio le rivendicazioni assicurative multinazionali. Quei moduli contengono scritture a mano, decine di caselle di controllo e regole normative che variano per paese. Un modello di uso generale li legge male. L'accuratezza rimane troppo bassa perché un'azienda regolamentata possa fidarsi.
La soluzione non è semplicemente comprare un modello più grande. Il team di Saha chiama la soluzione "specializzazione dell'ultimo miglio": prendere un modello foundation capace e avvolgerlo in tre strati. Primo, i dati proprietari e il contesto dell'azienda, forniti in modo che il modello comprenda il business specifico. Secondo, un insieme di modelli, ovvero diversi sistemi IA che lavorano insieme, in modo che i costi computazionali rimangono gestibili. Terzo, protezioni specializzate, controlli automatizzati che catturano errori e forzano una rielaborazione prima che una risposta sbagliata raggiunga un cliente o un regolatore.
"Il maggiore valore per il denaro viene dalla specializzazione e poi da queste protezioni specializzate", ha detto Saha.
Quanto costa questo, e chi paga cosa?
| Strato | Cos'è | Chi tipicamente lo possiede |
|---|---|---|
| Modello foundation | L'IA core (GPT-5.5, Claude, open-source) | Fornitore del modello |
| Contesto di dominio | Dati aziendali, flussi di lavoro non documentati | Enterprise + integratore |
| Insieme di modelli | Mix di modelli frontier e open più economici | Integratore |
| Protezioni | Strato automatizzato di controllo degli errori | Integratore + enterprise |
| Gestione del cambiamento | Formazione del personale, riscrittura dei processi | Enterprise |
La tassa di licenza del modello è spesso la voce più piccola in quel budget. La "conoscenza tribale" non documentata, la roba che i lavoratori veterani sanno ma non hanno mai scritto, costa di più da catturare. Saha sostiene che il team di NTT lo fa sedendosi con i lavoratori umani e chiedendo, in modo semplice, come effettivamente svolgono i loro lavori.
"L'unico motivo è perché andiamo a parlare con quei lavoratori umani", ha detto.
Cosa significa questo per le aziende che valutano un investimento in IA?
Semplice: pianificare il budget per l'intero sistema, non solo l'abbonamento al modello.
Saha sostiene che anche la sequenza è importante. Iniziate incorporando l'IA nei flussi di lavoro esistenti piuttosto che riprogettarli da zero. I lavoratori che gestiscono operazioni critiche non accetteranno un fornitore che smonta un processo a metà volo. Una volta che la fiducia è costruita e i risultati si manifestano, la riprogettazione più profonda diventa possibile, ed è lì che risiedono i rendimenti più grandi.
C'è un'avvertenza onesta che vale la pena nominare. Saha stava parlando in una sessione sponsorizzata; NTT DATA AIVista ha pagato per la piattaforma. Il suo consiglio punta, convenientemente, verso l'assunzione di un integratore esperto. Molte aziende più piccole non avranno bisogno di un'azienda di quella scala. Il principio sottostante, comunque, vale indipendentemente da chi svolge il lavoro: il modello è una cosa scontata, e il flusso di lavoro è il premio.
Conclusione: Prima di firmare qualsiasi contratto IA, mappate il flusso di lavoro che volete cambiare da capo a piedi. Se non riuscite a descrivere cosa cambia ad ogni passaggio, e chi possiede il risultato, il budget tecnologico sta procedendo più veloce del piano.
