Una migrazione AI può avere significati diversi per team diversi e questa ambiguità ha un costo. Si sta migrando con l’AI, verso l’AI o dall’AI? La risposta influenza il piano delle risorse da coinvolgere, il modello di governance e la timeline del progetto, perché ciascuno di questi approcci presenta un diverso profilo di rischio e richiede un insieme diverso di competenze.
Secondo Gartner, alla fine del 2025 almeno il 50% dei progetti di intelligenza artificiale generativa era stato abbandonato dopo la fase di proof of concept. Parallelamente, un’indagine condotta da S&P Global nel 2025 ha rilevato che il 42% delle aziende ha interrotto la maggior parte delle proprie iniziative AI, rispetto al 17% registrato l’anno precedente. Una ricerca della RAND Corporation, inoltre, ha individuato proprio nella scarsa comprensione degli obiettivi e delle finalità dei progetti AI la causa più frequente del loro fallimento.
Una semplice chiave di lettura – con, verso e dall’AI – permette di distinguere questi diversi percorsi prima che la confusione si accentui. Esaminiamo ciascuno di essi, le relative implicazioni in termini di competenze e rischi e le conseguenze di una corretta o errata classificazione dei progetti.
Indice degli argomenti
Migrazioni AI: un modello per distinguere con, verso e dall’AI
Migrare con l’AI significa utilizzare l’intelligenza artificiale come strumento per accelerare il processo di migrazione. Ciò comprende le fasi di discovery, wave planning (ovvero la suddivisione dei carichi di lavoro in gruppi da migrare progressivamente), mappatura delle dipendenze tra i sistemi e allineamento degli stakeholder. La destinazione finale non cambia; ciò che cambia è la velocità e l’accuratezza con cui la si raggiunge.
Migrare verso l’AI significa invece che l’intelligenza artificiale rappresenta la destinazione del percorso. L’obiettivo è adottare funzionalità AI, distribuire modelli o sviluppare applicazioni intelligenti come risultato della migrazione.
Migrare dall’AI, infine, significa abbandonare una piattaforma AI esistente, sia che questo comporti il passaggio a un diverso fornitore di modelli, sia che implichi il consolidamento di un’infrastruttura di machine learning frammentata.
Nella pratica, la maggior parte delle migrazioni comprende contemporaneamente due e talvolta tutti e tre questi approcci. È proprio per questo che distinguerli è importante. I team che trattano una migrazione articolata come un unico flusso di lavoro finiscono inevitabilmente per sottodimensionare almeno una delle componenti del progetto.
Migrazioni AI con l’intelligenza artificiale: tempi e qualità
Le tradizionali migrazioni verso il cloud richiedono un’intensa attività di pianificazione. Le fasi di discovery, assessment e wave planning assorbono generalmente gran parte dell’impegno prima ancora che venga migrato il primo carico di lavoro. L’AI modifica profondamente queste attività, aumentando sia la velocità sia la qualità del processo.
Attività come la mappatura delle dipendenze, la pianificazione delle wave e la conversione delle reti, che tradizionalmente richiedevano settimane, possono oggi essere completate in pochi minuti grazie all’AI agentica. Le implicazioni in termini di risorse sono chiare: occorre personale con competenze in materia di migrazione integrate dall’AI, non personale con competenze in AI applicate alla migrazione.
Migrare verso l’AI: rischi, dati e governance
Quando l’AI è la destinazione, emerge una categoria di rischio completamente diversa. La ragione è che i sistemi AI hanno un comportamento probabilistico. A parità di input possono produrre risultati differenti, il loro comportamento evolve al variare della distribuzione dei dati e la qualità di ogni decisione dipende dai dati con cui il modello è stato addestrato. Per questo motivo, la qualità dei dati e la scelta del modello diventano elementi critici.
In una tradizionale migrazione del tipo lift-and-shift (rehost), i dati vengono trasferiti sostanzialmente così come sono e il comportamento dell’applicazione non dipende dalla loro qualità. Quando invece la destinazione è l’AI, dati incompleti o distorti non si limitano a ridurre le prestazioni del sistema: possono generare risultati apparentemente credibili, ma errati. Gartner prevede che entro il 2026 le organizzazioni abbandoneranno il 60% dei progetti AI non supportati da dati “AI ready”.
Governance AI oltre il controllo degli accessi
I sistemi di intelligenza artificiale introducono rischi quali l’allucinazione (la generazione di risultati plausibili ma errati), l’iniezione di prompt (la manipolazione dell’AI tramite input appositamente creati) e la divulgazione involontaria di dati.
I tradizionali modelli di governance non sono stati progettati per affrontare queste problematiche.
Il modello di governance, quindi, deve tenere conto del carattere non deterministico dei sistemi AI: lo stesso prompt può produrre risultati differenti e il comportamento del sistema si evolve man mano che incontra nuovi dati.
Testing AI dalla validazione alla valutazione
Le migrazioni tradizionali verificano l’equivalenza “pass/fail”. Nei progetti AI, invece, è necessario misurare aspetti quali accuratezza, equità e robustezza rispetto a una molteplicità di input differenti.
Inoltre, questo processo di valutazione deve essere integrato nel ciclo di vita operativo, poiché le prestazioni del modello possono deteriorarsi nel tempo a causa dei cambiamenti nelle distribuzioni dei dati.
Competenze diverse per percorsi AI diversi
La confusione tra i percorsi “con l’AI” e “verso l’AI” è uno dei principali motivi per cui la pianificazione delle risorse fallisce. I team finiscono spesso per assumere o assegnare competenze adatte a un tipo di progetto completamente diverso da quello che stanno affrontando.
Migrazioni dall’AI tra portabilità e scelta del modello
Le organizzazioni cambiano effettivamente piattaforma AI e un fattore chiave è una piattaforma che consideri la scelta del modello come un principio progettuale fondamentale.
La possibilità di accedere, tramite un’unica API, a foundation model sviluppati dalle principali aziende del settore, quali Anthropic, Cohere, Meta, Mistral AI e Amazon, consente di valutare, confrontare e sostituire modelli differenti senza dover riscrivere il codice dell’applicazione.
È proprio la portabilità delle applicazioni, infatti, a rappresentare uno degli aspetti più critici delle migrazioni “dall’AI”. Per chi sviluppa oggi nuove applicazioni AI, progettare fin dall’inizio un’architettura basata sulla libertà di scelta del modello e su API unificate contribuisce a fare in modo che una futura migrazione “dall’AI” richieda un semplice refactoring, anziché una completa riscrittura dell’applicazione.
Questi tre percorsi si riflettono in risultati di migrazione concreti.
Migrazioni AI nella pratica: casi reali ed errori di classificazione
Quando un progetto “verso l’AI” viene gestito come se fosse “con l’AI”
Come riportato da Yahoo Finance, una grande compagnia assicurativa internazionale ha approvato un progetto pilota biennale per introdurre l’intelligenza artificiale nella gestione dei sinistri, ma lo ha affrontato come una semplice iniziativa di automazione anziché come un vero progetto di adozione dell’AI.
Si tratta di una situazione diffusa nel settore assicurativo: solo il 7% delle compagnie è riuscito a portare l’intelligenza artificiale oltre la fase pilota e circa il 70% delle difficoltà di scalabilità è riconducibile a problemi legati a persone e processi. Applicare fin dall’inizio il modello “con, verso e dall’AI” avrebbe probabilmente portato a una diversa pianificazione delle competenze, della governance e delle tempistiche.
Quando viene riconosciuto il percorso “con l’AI”
Thomson Reuters si è trovata ad affrontare un ampio progetto di modernizzazione di applicazioni .NET e ha identificato correttamente il percorso “con l’AI”, utilizzando agenti AI per automatizzare attività di discovery, analisi del codice, pianificazione e refactoring.
La destinazione del progetto restava una moderna architettura .NET e l’intelligenza artificiale ha rappresentato l’elemento acceleratore del percorso.
Porsi la domanda su quale sia il percorso corretto fin dalle prime fasi del progetto permette di individuare opportunità di questo tipo prima che vengano trascurate.
Confusione tra i percorsi “con l’AI” e “verso l’AI”
Nel settore dei servizi finanziari, il Banking Outlook 2026 di Deloitte descrive iniziative AI “rallentate da basi dati fragili, crescenti requisiti di conformità normativa e resistenze interne”, con numerosi progetti ancora bloccati nella fase di proof of concept.
Uno studio condotto su 125 responsabili della conformità nel settore bancario ha inoltre evidenziato come oltre la metà delle difficoltà tecniche sia riconducibile alla governance dei modelli.
Il percorso “con l’AI” procede con i tempi tipici di una migrazione tecnologica, mentre il percorso “verso l’AI” avanza con i tempi imposti dalla governance. Confondere i due significa costringere entrambi a procedere alla velocità del vincolo più lento.
Classificare le migrazioni AI per pianificare risorse e rischi
La distinzione tra migrare con, verso o dall’AI offre un modello ripetibile per classificare correttamente il tipo di trasformazione che si sta realmente affrontando anziché quella ipotizzata.
Individuare fin dall’inizio il percorso corretto consente di definire un piano delle competenze coerente con le esigenze del progetto, adottare un modello di governance adeguato ai rischi effettivi e costruire una pianificazione basata su aspettative realistiche, anziché su ipotesi ottimistiche.
La domanda da cui partire, quindi, è: l’AI è lo strumento che stiamo utilizzando, la destinazione che vogliamo raggiungere oppure la tecnologia dalla quale stiamo migrando?
Partecipa alla community