Vai al contenuto
SwankyForge
SwankyForge
Tutti gli insights
Articolo9 min di lettura

Niente ML per ora: cinque segnali che una regola, un report o un foglio di calcolo battono un modello

Cinque condizioni in cui un progetto di machine learning costa più di quanto rende, cosa costruire al suo posto e come capire quando un modello comincia a ripagarsi.

Molti progetti di machine learning che deludono non falliscono sul modello. Falliscono prima che inizi l'addestramento: nessuno sa dire quanto bene funzioni il processo attuale, la decisione che il modello prenderebbe vale qualche centinaio di dollari al mese, oppure l'output finisce in una dashboard che nessuno apre. I sondaggi dicono la stessa cosa in forma aggregata. Gartner prevede che oltre il 40% dei progetti di IA agentica verrà cancellato entro la fine del 2027, citando costi crescenti, valore di business poco chiaro o controlli del rischio inadeguati. Nel sondaggio McKinsey del 2025, il 39% degli intervistati ha riportato un qualche impatto dell'IA sull'EBIT a livello aziendale, e la maggior parte di questi lo colloca sotto il 5%. Lo studio BCG del settembre 2025 ha rilevato che il 5% delle aziende ottiene valore dall'IA su larga scala e il 60% riporta guadagni minimi su ricavi e costi nonostante investimenti consistenti.

Costruire sistemi di ML è il nostro lavoro, e vi diremo comunque di non comprarne uno quando una regola o un report costano meno. Questa nota elenca i cinque segnali che verifichiamo, cosa significa ciascuno per il business e cosa costruire al suo posto.

La versione breve per chi firma il budget

Cosa. Cinque domande sul vostro processo, sui vostri dati e sul vostro team. Se una qualsiasi risposta è "no", un modello probabilmente non è il passo successivo.

Quando. Vanno poste prima di una fase di discovery, non dopo un proof of concept. Rispondere richiede un pomeriggio.

Costo di saltarle. Una fase di discovery con un team esterno costa tipicamente 6k–14k € in 2–3 settimane, un proof of concept 14k–38k € in 4–7 settimane e un sistema di produzione 45k–120k € in 10–20 settimane. Queste sono le nostre fasce pubblicate; altri fornitori avranno cifre diverse, ma l'ordine di grandezza regge. Una regola o un report di solito si consegnano in pochi giorni.

Rischio. L'esito costoso non è un modello che fallisce. È un modello che funziona più o meno come una regola che avreste potuto scrivere, e che ora va riaddestrato, monitorato e pagato ogni mese.

Le linee guida di ingegneria di Google partono dallo stesso punto. La regola #1 delle sue Rules of Machine Learning è "Don't be afraid to launch a product without machine learning", perché euristiche di base spesso portano quasi fino in fondo con molta meno complessità.

Segnale 1: non sapete dire quanto bene funziona il processo attuale

Cosa significa. Se nessuno sa indicare il tasso attuale di rotture di stock, la quota attuale di ordini fraudolenti o il tempo attuale di risposta a un ticket di supporto, nessuno potrà dire se un modello li ha migliorati. Il progetto finisce con una demo e una discussione.

Sintomo tipico. L'obiettivo è formulato come una direzione ("ridurre le rotture di stock", "personalizzare il sito") anziché come un numero con un metodo di misura e una finestra temporale.

Cosa fare invece. Costruite prima la misurazione. Un report settimanale dell'unico numero che il modello sposterebbe, calcolato ogni settimana nello stesso modo, per quattro-otto settimane. Quel report è la baseline che qualsiasi modello successivo deve battere, ed è utile già da solo: una volta che il numero è visibile, può emergere che il problema che vale la pena risolvere è un altro. La regola #2 della guida di Google dice la stessa cosa con altre parole: progettare e implementare le metriche prima di tutto il resto.

Segnale 2: la decisione è rara, o il volume è piccolo

Cosa significa. Un modello ripaga il suo costo prendendo molte piccole decisioni un po' meglio. Se la decisione si presenta cinquanta volte al mese, il miglioramento ha ben poco da moltiplicare.

Aritmetica illustrativa. Supponiamo che un modello migliori ogni decisione del 2% del valore in gioco.

Decisioni al mese Valore in gioco per decisione Guadagno mensile al 2% Mesi per ripagare un proof of concept da 14k €
50 200 € 200 € 70
200.000 1 € 4.000 € 3,5

I numeri sono illustrativi, non misurati. Conta la forma: la prima riga non si ripaga mai, anche prima di contare monitoraggio e riaddestramento; la seconda si ripaga entro un trimestre.

Cosa fare invece. Per decisioni rare e di valore elevato, date a chi le prende un foglio di calcolo migliore: i cinque o sei input che usa davvero, affiancati, con l'esito dell'anno scorso accanto a ogni caso. Una checklist più una persona battono un modello addestrato su cinquanta esempi.

Segnale 3: una regola semplice cattura già la maggior parte del valore

Cosa significa. Molti problemi hanno una regola che gestisce il grosso dei casi. Bloccare gli ordini sopra una soglia di valore spediti a un nuovo indirizzo con una nuova carta. Mostrare i bestseller di categoria ai visitatori senza storico. Riordinare quando lo stock copre meno di N giorni delle vendite del mese scorso. Un modello deve battere la regola di quanto basta a coprire il costo di costruzione e di esercizio, e spesso non ci riesce.

Sintomo tipico. Nessuno ha provato la regola, quindi nessuno sa quanto resta da guadagnare per un modello.

Cosa fare invece. Mettete in produzione la regola, misuratela con il report del Segnale 1 e tenete un elenco dei casi in cui sbaglia. Quell'elenco fa due lavori: dice quanto valore un modello potrebbe ancora aggiungere, e diventa i primi dati etichettati e il test set se in seguito ne costruite uno.

Quando la regola non basta più. La regola #3 di Google è il contrappeso: scegliere il machine learning invece di un'euristica complessa. Quando la regola è cresciuta fino a decine di eccezioni che solo una persona capisce, e ogni nuova eccezione ne rompe una vecchia, un modello è più facile da mantenere del regolamento. È allora che il ML comincia ad avere senso.

Segnale 4: i vostri dati non registrano l'esito che volete prevedere

Cosa significa. Un modello impara da esempi in cui la risposta è nota. Se la risposta non è mai stata scritta, non c'è nulla da cui imparare.

Sintomi tipici.

  • Previsione della domanda su uno storico vendite che non registra le rotture di stock. Quando lo scaffale era vuoto le vendite erano zero ma la domanda no, e il modello impara che il prodotto è poco richiesto proprio nei giorni in cui era più ricercato.
  • Previsione del churn in cui nessuno ha registrato quando un cliente se n'è andato, solo che ha smesso di comparire.
  • Scoring antifrode in cui i chargeback stanno nel portale di un provider di pagamento e non sono mai stati ricollegati agli ordini.

Cosa fare invece. Iniziate subito a registrare l'esito, nello stesso sistema degli input, con un timestamp. La maggior parte degli esiti richiede da tre a sei mesi di storico prima che un modello possa essere addestrato e poi testato su un periodo successivo che non ha visto. Nel frattempo usate un report o una regola. Se l'esito arriva in ritardo (i chargeback possono richiedere settimane), prevedete quel ritardo nel design invece di scoprirlo in produzione.

Segnale 5: nessuno è responsabile di agire sull'output

Cosa significa. Una previsione non cambia nulla finché qualcuno non ordina meno merce a causa sua. Uno score antifrode non cambia nulla finché un ordine non viene bloccato. Se non c'è una persona nominata, un sistema in cui l'output compare e un'azione concordata per ogni valore, il modello è un costo senza ritorno.

Sintomo tipico. La risposta a "chi lo userà e cosa farà di diverso lunedì" è il nome di un reparto, non una persona e una decisione.

Cosa fare invece. Gestite la decisione a mano per un mese con un report. Mettete il report dove si prende la decisione, e osservate se qualcuno lo usa. Se nessuno agisce su un report, nessuno agirà su un modello, e il problema da risolvere è il processo, non la previsione.

Un rapido autocontrollo

Rispondete a ogni domanda per il processo che volete migliorare.

Domanda Se la risposta è no Costruite invece Impegno tipico
Sapete indicare il valore attuale della metrica e come viene misurata? Nessuna baseline, nessuna prova di miglioramento Un report settimanale di quell'unica metrica Giorni
La decisione si presenta almeno migliaia di volte al mese, oppure ciascuna vale molto? Volume troppo basso per ripagare un modello Un foglio di calcolo o una checklist per chi decide Giorni
Avete provato la regola ovvia e l'avete misurata? Non sapete cosa potrebbe aggiungere un modello La regola, più un log dei casi in cui sbaglia Da giorni a due settimane
L'esito che volete prevedere è registrato, con una data, per gli ultimi mesi? Non c'è nulla da cui imparare Registrazione dell'esito, poi un report Da tre a sei mesi di registrazione
C'è un responsabile nominato e un'azione definita per ogni output? L'output non cambierà nulla Un processo manuale basato su un report per un mese Un mese

Cinque "sì" non garantiscono che un modello si ripaghi. Un solo "no" di solito basta per dire che non si ripagherà ancora.

Quando il ML comincia a valerne la pena

La stessa checklist, letta al contrario, descrive un buon progetto di ML:

  • La metrica è stata misurata nello stesso modo per settimane, e c'è una baseline da battere.
  • La decisione è frequente, oppure ciascuna porta abbastanza valore da rendere rilevante un piccolo miglioramento.
  • Esiste una regola, è stata misurata ed è diventata troppo complessa da mantenere.
  • L'esito è stato registrato abbastanza a lungo da addestrare su un periodo e testare su uno successivo.
  • Una persona nominata agirà sull'output, in un sistema che usa già.

Anche allora il primo passo è piccolo: un modello semplice confrontato con la regola sulla stessa metrica, prima su dati storici e poi su una quota del traffico reale. Se il modello non batte la regola di più di quanto costa eseguirlo, si tiene la regola. È un risultato, non un fallimento.

Come verificare il vostro caso

Offriamo un teardown gratuito in sei domande su /teardown. Chiede del processo, dei dati e del responsabile, e una delle risposte possibili è "niente ML per ora", con cosa costruire al suo posto. Se la risposta è che un modello ha senso, le fasce pubblicate su /pricing dicono quanto costa il passo successivo prima che qualcuno salga su una call.

Fonti

Ha un processo che costa troppo?

Ce ne parli. La prima call è gratuita e, se l'AI non è la risposta, glielo diciamo.

Parliamo del suo caso