A business owner with 60 employees called me in July. He had already spent €35,000 over six months — on AI tool subscriptions, a generic online training course, and an "AI transformation" consultant who had produced a 40-page strategy. The concrete result: three people on the team were using ChatGPT to write emails faster. Everyone else kept working exactly as before.
This isn't an isolated case. It's the most common pattern I see in Italian SMEs with 20 to 200 employees: awareness of the opportunity, competitive anxiety, rushed investment, disappointing results, cynicism. The problem isn't AI. The problem is the order of operations.
The systematic mistake: buying a tool before defining a problem
SMEs that fail at AI adoption almost always follow the same script. Someone on the board reads a McKinsey article or hears something at a conference. A meeting is called. The decision is made to "do AI." IT is asked to evaluate tools, or a consultant is brought in to propose a roadmap. Within a few weeks, licences are purchased, a training day is organised, and results are expected.
The problem is that nobody has answered a basic question: which specific process do we want to improve, by how much, and what metric tells us whether we've succeeded?
Without an answer to that question, any tool is equally wrong. With an answer, the choice of tool becomes almost obvious — and often costs far less than originally imagined.
Nobody has answered the basic question: which process do we want to improve, by how much, and what metric tells us whether we've succeeded?
Three questions to ask before any investment
Before buying any subscription or engaging any consultant, these three questions must have concrete answers — not generic ones, not aspirational ones.
Which process consumes the most time on your team? Not "where could AI help", but where people's time is being spent on repetitive, low-value tasks. The answer comes from talking to teams, not management. Operations managers know where the bottlenecks are. Sales reps know how many hours go into filling in reports nobody reads. Customer service knows which questions arrive every day, identical to the last.
Where does quality suffer because of human fatigue? Processes where error rates rise at end of day, where quality depends on who executes rather than on the process itself, where variability is high — these are the best candidates for AI support, because the benefit is immediate and measurable.
What data do you already have that you're not using? Most SMEs have more data than they realise: customer emails, support tickets, contracts, post-sale feedback, production data. Often this data is inaccessible not for lack of AI tools but for lack of structure and cleanliness. An AI assistant fed poor data produces poor output. The question about data comes before the question about tools.
The four most common mistakes — and how to avoid them
Mistake 1: Starting with the tool, not the problem. The inevitable result is that the tool gets used for the use cases the tool itself promotes in its demos, not for the company's real problems. ChatGPT Enterprise gets used to write emails. Copilot gets used to autocomplete sentences in Word documents. Nothing wrong with that — but it doesn't justify the investment, and it doesn't produce transformation.
Mistake 2: Treating it as an IT project instead of an operational one. AI adoption isn't a software update — it's a change in how people work. If the project is delegated to IT without involving operations, it produces technically correct and practically unused solutions. The team that runs the process must be a co-designer of the solution, not a passive recipient.
Mistake 3: Skipping the data infrastructure. Generative AI models can do a lot with limited data. But the most valuable use cases for an SME — answering customers with the right tone and information, analysing contracts with industry-specific terminology, categorising feedback against company criteria — require that the relevant data be accessible, structured, and up to date. Investing in AI before data is in order is building on sand.
Mistake 4: Expecting ROI in three months. For simple, well-defined processes, results can be visible within a few weeks. For complex processes requiring integration with existing systems, team training, and workflow adjustment, a realistic breakeven is between six months and a year. Companies that abandon the project at three months due to lack of results often do so precisely when they're about to see the payoff from the work already done.
The minimum viable path for an SME of 20 to 200 people
This isn't a universal framework — every company is different. But it's the starting point I use most often, adapted to the specific context.
Step 1 — Audit of repetitive processes (2–3 weeks). Structured interviews with 8–10 people in different roles. The goal is to map high-volume, low-variability processes: how many weekly hours, what the cost of error is, how much depends on implicit context ("knowing how we do things here") versus explicit rules. The deliverable is a list of 5–8 candidate processes, ranked by potential impact and ease of implementation.
Step 2 — Pilot on the most painful process (6–10 weeks). Take the process at the top of the list and build a minimum solution: not the final system, but one that lets you measure whether the approach works. A clear hypothesis ("if we automate ticket categorisation, average response time drops by 30%"), a defined success metric, a weekly feedback loop. If the pilot works, you have the internal evidence to justify scaling. If it doesn't, you understand why before committing significant budget.
Step 3 — Build internal capability before scaling. The pilot must not create dependency on an external consultant. It must transfer competence to 2–3 internal people who understand how the system works, how to update it when the process changes, how to intervene when it produces wrong output. Without this step, every update requires going back outside, and total cost grows indefinitely.
What it actually costs — realistic numbers
Costs vary considerably depending on the use case, but here are the order-of-magnitude figures that reflect what I see in the projects I work on.
Consulting to set the strategy and run the first pilot: between €5,000 and €15,000 for an 8–12 week engagement. AI tool licences: between €200 and €2,000 per month depending on the tools and number of users. Internal team time, which is the hidden and most underestimated cost: allow for 4–8 hours per week for people involved in the pilot, for at least three months. At an average hourly cost of €30–50, that's €4,000–10,000 in opportunity cost that rarely shows up in project budgets.
The breakeven relative to current costs depends on the process. For automatic categorisation of support tickets in a 10-person support team, the typical breakeven is between 4 and 6 months. For generating standard contract drafts in a law firm, even less. For processes requiring integration with ERP or legacy systems, the timeline extends and costs rise.
The hidden and most underestimated cost isn't the software. It's internal team time: 4–8 hours per week for three months that appear in no project budget.
A final word on patience
The pressure to "do AI" is real and growing. Competitors are experimenting. Clients are raising expectations. Vendors promise results in weeks. In this context, the most contrarian thing I can suggest is also the most effective: slow down at the beginning to go faster afterwards.
A company that spends six weeks thoroughly understanding the problem before choosing a tool will reach concrete results in four months. A company that starts immediately with the tool will spend a year justifying why it hasn't yet produced measurable ROI.
If you're trying to set an AI strategy for your company and want to start from the problem rather than the tool, I can help. The first conversation costs nothing.
Un imprenditore con 60 dipendenti mi ha chiamato a luglio. Aveva già speso 35.000 euro in sei mesi — tra abbonamenti a strumenti AI, un corso di formazione online generico, e un consulente di "trasformazione AI" che aveva prodotto una strategia di 40 pagine. Il risultato concreto: tre persone del team usavano ChatGPT per scrivere le email più in fretta. Tutti gli altri continuavano a lavorare esattamente come prima.
Non è un caso isolato. È il pattern più comune che osservo nelle PMI italiane tra 20 e 200 dipendenti: consapevolezza dell'opportunità, ansia competitiva, investimento affrettato, risultati deludenti, cinismo. Il problema non è l'AI. Il problema è l'ordine delle operazioni.
L'errore sistematico: comprare uno strumento prima di definire il problema
Le PMI che falliscono nell'adozione dell'AI seguono quasi sempre lo stesso copione. Qualcuno nel board legge un articolo di McKinsey o sente qualcosa a un convegno. Viene convocata una riunione. Si decide di "fare AI." Si chiede all'IT di valutare gli strumenti, oppure si ingaggia un consulente per proporre una roadmap. Nel giro di qualche settimana si comprano le licenze, si organizza una giornata di formazione, ci si aspettano i risultati.
Il problema è che nessuno ha risposto a una domanda di base: quale processo specifico vogliamo migliorare, di quanto, e quale metrica ci dice se ci siamo riusciti?
Senza risposta a quella domanda, qualsiasi strumento è ugualmente sbagliato. Con una risposta, la scelta dello strumento diventa quasi ovvia — e spesso costa molto meno di quanto si pensasse.
Nessuno ha risposto alla domanda di base: quale processo vogliamo migliorare, di quanto, e quale metrica ci dice se ci siamo riusciti?
Tre domande da fare prima di qualsiasi investimento
Prima di acquistare qualsiasi abbonamento o ingaggiare qualsiasi consulente, queste tre domande devono avere risposte concrete — non generiche, non aspirazionali.
Quale processo consuma più tempo nel tuo team? Non "dove potrebbe aiutare l'AI", ma dove il tempo delle persone viene speso in attività ripetitive e a basso valore. La risposta viene parlando con i team, non con il management. I responsabili delle operations sanno dove sono i colli di bottiglia. I commerciali sanno quante ore vanno a compilare report che nessuno legge. Il customer service sa quali domande arrivano ogni giorno, identiche a quelle del giorno prima.
Dove la qualità soffre a causa della fatica umana? I processi in cui i tassi di errore aumentano a fine giornata, in cui la qualità dipende da chi esegue invece che dal processo stesso, in cui la variabilità è alta — questi sono i migliori candidati per il supporto AI, perché il beneficio è immediato e misurabile.
Quali dati hai già e non stai usando? La maggior parte delle PMI ha più dati di quanto realizzi: email dei clienti, ticket di supporto, contratti, feedback post-vendita, dati di produzione. Spesso questi dati sono inaccessibili non per mancanza di strumenti AI ma per mancanza di struttura e pulizia. Un assistente AI alimentato con dati scadenti produce output scadente. La domanda sui dati viene prima della domanda sugli strumenti.
I quattro errori più comuni — e come evitarli
Errore 1: Partire dallo strumento, non dal problema. Il risultato inevitabile è che lo strumento viene usato per i casi d'uso che lo strumento stesso promuove nelle proprie demo, non per i problemi reali dell'azienda. ChatGPT Enterprise viene usato per scrivere email. Copilot viene usato per autocomplete di frasi nei documenti Word. Niente di sbagliato in sé — ma non giustifica l'investimento, e non produce trasformazione.
Errore 2: Trattarlo come un progetto IT invece che operativo. L'adozione dell'AI non è un aggiornamento software — è un cambiamento nel modo in cui le persone lavorano. Se il progetto viene delegato all'IT senza coinvolgere le operations, produce soluzioni tecnicamente corrette e praticamente inutilizzate. Il team che gestisce il processo deve essere co-progettista della soluzione, non destinatario passivo.
Errore 3: Saltare l'infrastruttura dati. I modelli di AI generativa possono fare molto anche con dati limitati. Ma i casi d'uso più preziosi per una PMI — rispondere ai clienti con il tono e le informazioni giuste, analizzare contratti con terminologia specifica del settore, categorizzare i feedback secondo i criteri aziendali — richiedono che i dati rilevanti siano accessibili, strutturati e aggiornati. Investire in AI prima che i dati siano in ordine significa costruire sulla sabbia.
Errore 4: Aspettarsi il ROI in tre mesi. Per processi semplici e ben definiti, i risultati possono essere visibili in poche settimane. Per processi complessi che richiedono integrazione con sistemi esistenti, formazione del team e aggiustamento dei flussi di lavoro, un breakeven realistico è tra sei mesi e un anno. Le aziende che abbandonano il progetto a tre mesi per mancanza di risultati lo fanno spesso proprio quando stanno per raccogliere i frutti del lavoro già fatto.
Il percorso minimo praticabile per una PMI da 20 a 200 persone
Non è un framework universale — ogni azienda è diversa. Ma è il punto di partenza che uso più spesso, adattato al contesto specifico.
Step 1 — Audit dei processi ripetitivi (2–3 settimane). Interviste strutturate con 8–10 persone in ruoli diversi. L'obiettivo è mappare i processi ad alto volume e bassa variabilità: quante ore settimanali, qual è il costo dell'errore, quanto dipende da contesto implicito ("sapere come si fanno le cose qui") rispetto a regole esplicite. Il deliverable è una lista di 5–8 processi candidati, ordinati per impatto potenziale e facilità di implementazione.
Step 2 — Pilot sul processo più doloroso (6–10 settimane). Prendi il processo in cima alla lista e costruisci una soluzione minima: non il sistema definitivo, ma uno che permetta di misurare se l'approccio funziona. Un'ipotesi chiara ("se automatizziamo la categorizzazione dei ticket, il tempo medio di risposta scende del 30%"), una metrica di successo definita, un feedback loop settimanale. Se il pilot funziona, hai l'evidenza interna per giustificare la scalabilità. Se non funziona, capisci perché prima di impegnare un budget significativo.
Step 3 — Costruire la capacità interna prima di scalare. Il pilot non deve creare dipendenza da un consulente esterno. Deve trasferire competenza a 2–3 persone interne che capiscano come funziona il sistema, come aggiornarlo quando il processo cambia, come intervenire quando produce output errato. Senza questo step, ogni aggiornamento richiede di tornare fuori, e il costo totale cresce indefinitamente.
Cosa costa davvero — numeri realistici
I costi variano considerevolmente a seconda del caso d'uso, ma ecco gli ordini di grandezza che riflettono quello che vedo nei progetti in cui lavoro.
Consulenza per impostare la strategia e condurre il primo pilot: tra 5.000 e 15.000 euro per un engagement di 8–12 settimane. Licenze strumenti AI: tra 200 e 2.000 euro al mese a seconda degli strumenti e del numero di utenti. Tempo del team interno, che è il costo nascosto e più sottovalutato: prevedi 4–8 ore a settimana per le persone coinvolte nel pilot, per almeno tre mesi. A un costo orario medio di 30–50 euro, sono 4.000–10.000 euro di costo opportunità che raramente compaiono nei budget di progetto.
Il breakeven rispetto ai costi attuali dipende dal processo. Per la categorizzazione automatica dei ticket di supporto in un team di 10 persone, il breakeven tipico è tra 4 e 6 mesi. Per la generazione di bozze di contratti standard in uno studio legale, ancora meno. Per processi che richiedono integrazione con ERP o sistemi legacy, la tempistica si estende e i costi aumentano.
Il costo nascosto e più sottovalutato non è il software. È il tempo del team interno: 4–8 ore a settimana per tre mesi che non compaiono in nessun budget di progetto.
Una parola finale sulla pazienza
La pressione a "fare AI" è reale e cresce. I concorrenti stanno sperimentando. I clienti alzano le aspettative. I vendor promettono risultati in settimane. In questo contesto, la cosa più controcorrente che posso suggerire è anche la più efficace: rallentare all'inizio per andare più veloci dopo.
Un'azienda che spende sei settimane a capire a fondo il problema prima di scegliere uno strumento raggiungerà risultati concreti in quattro mesi. Un'azienda che parte subito con lo strumento passerà un anno a giustificare perché non ha ancora prodotto ROI misurabile.
Se stai cercando di impostare una strategia AI per la tua azienda e vuoi partire dal problema invece che dallo strumento, posso aiutarti. La prima conversazione non costa nulla.