Build o Buy nell’AI: 67% contro 22% di Tasso di Successo

In sintesi

• I progetti AI sviluppati internamente registrano un tasso di successo del 22%, contro il 67% di quelli acquistati da fornitori specializzati: una forbice che impone riflessioni strategiche.
• La scelta build o buy nell’AI dipende da quattro variabili concrete: complessità del dominio, vincoli regolamentari, disponibilità di competenze e costo di manutenzione nel tempo.
• Le partnership miste rappresentano una terza via, ma richiedono governance chiara e obiettivi condivisi per non trasformarsi in ibridi disfunzionali.
• Il contesto italiano, con PMI sottocapitalizzate sul fronte digitale e scarsità di data scientist, sposta l’ago verso soluzioni esterne più di quanto accada in Silicon Valley.

A Shenzhen, nel quartier generale di un produttore di batterie, ho visto ingegneri cinesi costruire modelli predittivi per la manutenzione in tre settimane. A Brescia, un’azienda metalmeccanica con fatturato simile ha impiegato quattordici mesi per un progetto analogo, poi abbandonato. La differenza non sta nel talento. Sta nelle scelte a monte.

Il dilemma build o buy nell’AI attraversa ogni consiglio di amministrazione italiano che voglia investire in intelligenza artificiale. Ma viene quasi sempre affrontato con categorie sbagliate: orgoglio tecnologico contro pigrizia strategica, controllo interno contro dipendenza esterna. La realtà è più prosaica. E i numeri parlano chiaro.

I numeri che cambiano la conversazione sullo sviluppo interno AI

Secondo uno studio Gartner del 2023, i progetti di intelligenza artificiale sviluppati internamente dalle aziende raggiungono gli obiettivi prefissati nel 22% dei casi. Quelli acquisiti da fornitori specializzati arrivano al 67%. Non è un margine: è un abisso.

McKinsey conferma la tendenza con dati complementari: il 74% delle organizzazioni che hanno tentato lo sviluppo interno AI ha superato il budget iniziale di almeno il 40%. Il tempo medio di deployment si è allungato del 60% rispetto alle previsioni.

Perché accade? Tre fattori ricorrenti:

• Sottostima della complessità infrastrutturale. Un modello di machine learning non è un software tradizionale. Richiede pipeline di dati, ambienti di training, sistemi di monitoraggio continuo. Competenze che raramente esistono in house.
• Turnover dei talenti. I data scientist sono merce rara. In Italia, secondo l’Osservatorio del Politecnico di Milano, ne mancano oltre 15.000. Chi li ha, li perde. E con loro, la conoscenza tacita del progetto.
• Debito tecnico nascosto. I prototipi funzionano in laboratorio. Poi arriva la produzione, e i costi di manutenzione esplodono. Il modello va ricalibrato, i dati cambiano, le performance degradano.

Il ritorno degli investimenti in AI diventa così una chimera. Non per colpa della tecnologia, ma delle scelte organizzative che la precedono.

Quando i fornitori AI per aziende fanno la differenza

Immagina questa scena. Lunedì mattina, riunione del comitato direttivo. Il CFO presenta i costi del progetto AI interno: 800.000 euro in diciotto mesi, risultati ancora incerti. Il CTO difende la scelta con l’argomento della proprietà intellettuale. Il CEO chiede: “Ma se avessimo comprato una soluzione pronta?”

La domanda è legittima. I fornitori AI per aziende offrono vantaggi strutturali che lo sviluppo interno fatica a replicare:

• Economie di scala. Un vendor che serve centinaia di clienti ammortizza i costi di R&D su una base ampia. Il prezzo per singola azienda scende.
• Esperienza cross-settoriale. Chi ha implementato soluzioni in decine di contesti ha già incontrato i problemi che tu stai per scoprire. E li ha risolti.
• Aggiornamento continuo. I modelli evolvono. Le normative cambiano. Un fornitore specializzato aggiorna il prodotto per tutti i clienti. Tu, da solo, dovresti farlo ogni volta.

Certo, esistono rischi. La dipendenza da un singolo vendor può diventare una trappola. I dati aziendali escono dal perimetro. La personalizzazione ha limiti. Ma questi rischi si gestiscono con contratti ben scritti e due diligence seria. Non sono argomenti per escludere a priori l’opzione buy.

Il caso del manifatturiero italiano

Un’azienda del comparto automotive veneto ha provato entrambe le strade. Prima, due anni di sviluppo interno per un sistema di quality control basato su computer vision. Risultato: prototipo funzionante, impossibile da scalare. Poi, acquisto di una soluzione da un fornitore tedesco specializzato. Deployment in quattro mesi, ROI positivo entro l’anno.

La differenza? Il fornitore aveva già risolto i problemi di integrazione con i sistemi MES esistenti. Aveva già addestrato modelli su difetti simili. Aveva già sbagliato, imparato, corretto.

Build o buy AI: i quattro fattori che spostano la convenienza

Non esiste una risposta universale al dilemma build o buy nell’AI. Esiste un metodo per trovare la risposta giusta per la propria azienda. Quattro variabili determinano l’esito.

1. Complessità del dominio

Se il problema che vuoi risolvere è specifico del tuo settore, con dati proprietari e logiche di business uniche, lo sviluppo interno può avere senso. Ma attenzione: “unico” è una parola che le aziende usano troppo spesso. La maggior parte dei casi d’uso AI sono più standardizzabili di quanto si creda.

2. Vincoli regolamentari

Settori come finanza, sanità, energia hanno requisiti di compliance stringenti. Alcuni impongono che i dati restino on-premise. Altri richiedono audit trail completi. In questi casi, la scelta del fornitore deve includere verifiche approfondite. Ma non esclude l’opzione buy: molti vendor offrono deployment privati e certificazioni specifiche.

3. Disponibilità di competenze interne

Hai un team di data scientist con esperienza in produzione? Hai MLOps engineer che sanno gestire il ciclo di vita dei modelli? Se la risposta è no, lo sviluppo interno diventa un azzardo. Assumere non basta: servono anni per costruire una capability matura.

4. Costo del presidio nel tempo

Questo è il fattore più sottovalutato. Un modello AI non è un software che installi e dimentichi. Richiede monitoraggio, retraining, adattamento. Il costo di manutenzione può superare quello di sviluppo nel giro di tre anni. Chi se ne farà carico?

Fattore	Favorisce Build	Favorisce Buy
Complessità dominio	Alta, con dati proprietari unici	Media-bassa, casi d’uso standardizzabili
Regolamentazione	Requisiti estremi di controllo	Compliance gestibile con vendor certificati
Competenze interne	Team ML maturo e stabile	Competenze assenti o frammentate
Costo manutenzione	Capacità di presidio a lungo termine	Preferenza per costi prevedibili

La terza via: partnership miste tra sviluppo interno AI e fornitori

Tra il bianco del build e il nero del buy esiste una scala di grigi. Le partnership miste combinano componenti esterni con personalizzazioni interne. Sulla carta, il meglio dei due mondi. Nella pratica, spesso il peggio.

Il problema è la governance. Chi decide le priorità di sviluppo? Chi possiede il modello finale? Chi risponde quando qualcosa non funziona? Senza risposte chiare a queste domande, la partnership diventa un ibrido disfunzionale.

Funziona quando:

• Il fornitore offre una piattaforma aperta, non una black box.
• L’azienda ha competenze sufficienti per integrare e personalizzare.
• Esistono SLA precisi e responsabilità definite contrattualmente.
• Gli obiettivi di business sono condivisi e misurabili.

Un esempio virtuoso: alcune banche italiane hanno adottato piattaforme di AI per il credit scoring, mantenendo internamente il fine-tuning sui propri dati storici. Il vendor fornisce l’infrastruttura e gli aggiornamenti algoritmici. La banca controlla la calibrazione sul proprio portafoglio. Il ROI dell’intelligenza artificiale diventa misurabile perché le responsabilità sono chiare.

Il contesto italiano: perché la scelta build o buy AI pesa di più

Negli Stati Uniti, un’azienda media può attingere a un bacino di talenti AI vasto e mobile. In Cina, i colossi tech formano internamente migliaia di ingegneri ogni anno. In Italia, il panorama è diverso.

Le PMI italiane, spina dorsale dell’economia, hanno caratteristiche che rendono lo sviluppo interno AI particolarmente rischioso:

• Sottocapitalizzazione digitale. Secondo ISTAT, solo il 18% delle PMI italiane ha competenze digitali avanzate.
• Frammentazione. Aziende piccole non possono permettersi team dedicati. Un data scientist part-time non basta.
• Cultura del “fatto in casa”. L’orgoglio manifatturiero, virtuoso nella meccanica, diventa un freno nell’AI. Non tutto si può costruire internamente.

Questo non significa che le aziende italiane debbano rinunciare all’AI. Significa che devono essere più strategiche nella scelta. E spesso, la strategia migliore è comprare ciò che altri fanno meglio, per concentrarsi su ciò che si sa fare.

La domanda da porsi non è “possiamo costruirlo?”. È “dovremmo costruirlo?”. E la risposta, nella maggior parte dei casi, è no.

Cosa fare adesso

Il dilemma build o buy nell’AI non si risolve con ideologie. Si risolve con analisi fredda delle proprie capacità, dei propri vincoli, dei propri obiettivi.

Tre passi concreti:

• Mappa le competenze reali. Non quelle dichiarate nei CV, quelle dimostrate in produzione. Se non hai MLOps, non hai una capability AI.
• Calcola il costo totale. Non solo sviluppo: manutenzione, aggiornamento, rischio di fallimento. Confrontalo con le offerte dei fornitori.
• Definisci i criteri di successo. Prima di scegliere, stabilisci come misurerai il risultato. Altrimenti, qualsiasi scelta sembrerà giusta fino a quando non sarà troppo tardi.

Il 67% contro il 22% non è un verdetto definitivo. È un punto di partenza per una conversazione onesta su cosa la tua azienda può davvero fare, e cosa conviene delegare a chi lo fa di mestiere.

FAQ

Qual è la differenza principale tra build e buy nell’AI?

Build significa sviluppare internamente soluzioni AI con risorse proprie. Buy significa acquistare prodotti o servizi da fornitori specializzati. La differenza sta nel controllo, nei costi, nei tempi e nelle competenze richieste.

Perché lo sviluppo interno AI ha tassi di successo così bassi?

Le cause principali sono la sottostima della complessità infrastrutturale, la difficoltà nel trattenere talenti specializzati e i costi di manutenzione che esplodono dopo il deployment iniziale.

Quando conviene scegliere fornitori AI per aziende?

Conviene quando mancano competenze interne mature, quando il caso d’uso è standardizzabile, quando si preferiscono costi prevedibili e quando il time-to-market è una priorità.

I fornitori AI garantiscono la sicurezza dei dati aziendali?

Dipende dal fornitore. È essenziale verificare certificazioni, modalità di deployment (cloud, on-premise, ibrido), clausole contrattuali sulla proprietà dei dati e compliance con GDPR e normative di settore.

Le partnership miste sono una buona alternativa?

Possono esserlo, ma richiedono governance chiara, competenze interne sufficienti per integrare le soluzioni e contratti che definiscano responsabilità precise. Senza questi elementi, rischiano di combinare gli svantaggi di entrambi gli approcci.

Come valutare se la mia azienda ha le competenze per lo sviluppo interno AI?

Verifica se hai data scientist con esperienza in produzione, MLOps engineer, infrastruttura per il training e il deployment, e capacità di manutenzione a lungo termine. Se manca anche uno di questi elementi, lo sviluppo interno è ad alto rischio.

Quanto costa mantenere un modello AI sviluppato internamente?

I costi di manutenzione possono superare quelli di sviluppo iniziale nel giro di due-tre anni. Includono monitoraggio, retraining periodico, adattamento a nuovi dati e aggiornamenti normativi.

Il dilemma build o buy AI è diverso per le PMI italiane?

Sì. La scarsità di competenze digitali avanzate, la frammentazione del tessuto imprenditoriale e la sottocapitalizzazione rendono lo sviluppo interno più rischioso per le PMI italiane rispetto a contesti come Stati Uniti o Cina.