Si può chiamare effetto Frankenstein ciò che accade quando un’azienda compra servizi di intelligenza artificiale e li innesta su sistemi legacy che non riescono a supportarli appieno, come un corpo inadatto a ricevere un organo nuovo.[1]
In concreto, i dati possono restare sparsi in applicazioni che non dialogano tra loro, mentre i processi rischiano di non essere pensati per integrare uno strumento diverso. Non è raro, inoltre, che l’AI resti confinata a sperimentazioni lontane dall’operatività quotidiana e che il progetto si fermi alla fase pilota o venga cancellato, con il rischio che i benefici attesi non arrivino.
In Italia i numeri dicono qualcosa di simile. All’inizio del 2026, secondo la Banca d’Italia, il 32% delle imprese con almeno 20 addetti usa l’intelligenza artificiale, ma appena il 5% l’ha integrata in modo intensivo nei processi e il 70% di chi la usa non ha registrato, finora, effetti sulla produttività del lavoro.[2] Per l’istituto i guadagni importanti arrivano soltanto con un’adozione profonda e con il ridisegno dei processi.[3]
Indice degli argomenti
AI e sistemi legacy: il nodo delle fondamenta tecnologiche
Una parte della spiegazione sta probabilmente nelle fondamenta tecnologiche: tra gli ostacoli all’adozione lo stesso studio cita una preparazione tecnologica e organizzativa insufficiente e una scarsa integrazione dei dati.[4] Il legame con i sistemi datati resta però un’inferenza plausibile, non un risultato dello studio.
Debito tecnico e rischi dell’AI sui sistemi legacy
Un sistema nato per esigenze diverse da quelle di oggi accumula nel tempo un debito tecnico e, come ogni debito, anche questo paga interessi: la manutenzione costa di più, le evoluzioni diventano più complicate, l’esposizione sul fronte della sicurezza cresce. In un’indagine McKinsey del 2020 su 50 CIO di aziende di servizi finanziari e tecnologia, i responsabili stimavano che il debito tecnico valesse tra il 20 e il 40% del patrimonio tecnologico.[5]
Con l’intelligenza artificiale gli interessi pesano di più. La ricerca condotta da GFT Technologies con Wakefield Research su 945 CIO e CTO di aziende con ricavi superiori a 500 milioni di dollari in 19 Paesi indica che l’84% ha cancellato almeno un progetto pilota o un’iniziativa di AI a causa dei limiti dei sistemi legacy, mentre il 93% ritiene che usare l’AI su sistemi non modernizzati finirà per provocare una crisi di sicurezza estesa all’intera azienda.[6]
Modernizzare i sistemi legacy con l’AI senza perdere controllo
La via più rapida per liberarsi di un sistema vecchio è spostarlo. Con un re-host l’applicazione passa su un’altra infrastruttura senza che il codice cambi; quindi, la spesa scende e la complessità resta. Prima di cambiarlo, il passaggio decisivo è capire che cosa faccia davvero.
In molti ambienti datati le logiche di business e le dipendenze critiche vivono nel codice più che nella documentazione, e ricostruirle a mano richiede tempi lunghi. Qui l’intelligenza artificiale può diventare parte della soluzione: strumenti basati su modelli possono analizzare i sistemi su larga scala, far emergere logiche nascoste e dipendenze, e aiutare a decidere che cosa conservare, che cosa riprogettare e che cosa eliminare.
La verifica umana del codice generato
Affidare la modernizzazione a un modello può portare con sé il rischio di un “effetto Frankenstein al quadrato”. Se nessuno comprende più per intero il sistema di partenza, nessuno può dire che cosa il codice tradotto abbia perso per strada e le regole di business mai documentate possono sparire senza lasciare traccia. I modelli, del resto, sbagliano con la stessa sicurezza con cui rispondono bene e più codice si produce più la revisione diventa il vero collo di bottiglia.
La verifica va quindi pensata all’inizio e non aggiunta alla fine. Servono requisiti scritti con precisione e test che confrontino il comportamento del vecchio e del nuovo sistema, poi diventano fondamentali persone che leggano davvero ciò che viene generato e un passaggio graduale in produzione.
Dati e permessi per integrare l’AI nei sistemi legacy
Prima di affidare qualsiasi tipologia di compito all’AI, conviene mappare i sistemi che essa andrà a toccare, le dipendenze tra le diverse applicazioni e i dati che passano dall’una all’altra, perché un modello alimentato con dati frammentari produce risultati poco affidabili.
Permessi e tracciabilità per gli agenti AI
Permessi e tracciabilità giocano un ruolo centrale e vanno ripensati. I sistemi più datati, infatti, sono stati progettati per accessi umani e prevedibili e spesso gestiscono i permessi in modo poco granulare: un agente AI può così ereditare accessi molto più ampi di quelli che servono al suo compito. Anche i registri delle operazioni hanno lo stesso limite: pensati per una persona, rendono poco leggibile ciò che un processo automatico compie in migliaia di azioni al minuto.
Servono infine responsabilità chiare e obiettivi misurabili, oltre a un intervento per fasi che mantenga ciò che funziona invece di prevedere una sostituzione completa.
La modernizzazione dei sistemi legacy parte dal vertice
La modernizzazione è una forma di gestione del rischio aziendale e come tale richiede una decisione di vertice, il più possibile condivisa tra tutti i dirigenti, perché solo in questo modo si può avere una visione netta e sicura.
Secondo la ricerca di GFT, però, solo il 20% dei CIO e CTO ritiene che gli altri membri della C-suite e del consiglio di amministrazione comprendano pienamente i rischi di sicurezza legati all’uso dell’AI sui sistemi legacy, e più di un terzo (36%) indica una comprensione solo parziale, molto limitata o nulla.[7]
Poiché tecnologie e modelli cambiano sempre più in fretta, non esiste un sistema «modernizzato» una volta per tutte. La sfida è passare da una modernizzazione episodica a una capacità continua di modernizzazione e sicurezza.
Per tornare alla metafora di Frankestein, nel romanzo di Mary Shelley la tragedia comincia quando il dottore abbandona la sua creatura e rifiuta di risponderne. Vale anche per le aziende, perché chi decide un investimento in AI risponde della sua tenuta nel tempo, ben oltre il momento dell’impianto. Evitare l’effetto Frankenstein significa preparare il corpo prima del trapianto e continuare a prendersene cura dopo.
Note
[1] L’espressione è stata utilizzata di recente da Affari & Finanza (la Repubblica), 5 ottobre 2026, p. 41, «IA in azienda, il rischio Frankenstein», a cura di Alessandro Longo.↩
[2] Banca d’Italia, Questioni di Economia e Finanza n. 1009, «L’adozione dell’intelligenza artificiale: effetti su produttività e politiche a sostegno», giugno 2026 (indagine Invind, imprese con almeno 20 addetti): https://www.bancaditalia.it/pubblicazioni/qef/2026-1009/index.html.↩
[3] Banca d’Italia, Questioni di Economia e Finanza n. 1009, cit.: https://www.bancaditalia.it/pubblicazioni/qef/2026-1009/index.html.↩
[4] Banca d’Italia, Questioni di Economia e Finanza n. 1009, cit.: https://www.bancaditalia.it/pubblicazioni/qef/2026-1009/index.html.↩
[5] McKinsey, «Tech debt: Reclaiming tech equity», indagine del luglio 2020 su 50 CIO di aziende di servizi finanziari e tecnologia: https://www.mckinsey.com/capabilities/platforms-and-solutions/our-insights/tech-debt-reclaiming-tech-equity.↩
[6] GFT Technologies e Wakefield Research, «The Future of AI, Unfiltered», settembre 2026, ricerca commissionata da GFT su 945 CIO e CTO in 19 Paesi: https://www.gft.com/int/en/lp/ai-modernization.↩
[7] GFT Technologies e Wakefield Research, «The Future of AI, Unfiltered», cit.: https://www.gft.com/int/en/lp/ai-modernization.↩
































Partecipa alla community