L’entusiasmo per l’intelligenza artificiale nell’IT è da tempo fuori controllo. Vertici aziendali, executives e team operativi spingono per integrare l’AI in ogni processo di service management, convinti che produrrà efficienza, automazione e risparmi immediati. La realtà, una volta che le applicazioni di intelligenza artificiale sono implementate, è, spesso, desolatamente diversa: pilot che non possono essere scalati, ROI difficili da dimostrare, agenti AI che falliscono dove i processi sono fragili.
Nella maggior parte dei casi la causa di queste difficoltà non risiede nella tecnologia in sé, ma nel contesto organizzativo in cui viene inserita.
L’effetto reale dell’AI sull’ITSM è opposto alla narrazione oggi prevalente: invece di sostituirlo, lo sta riportando ai fondamentali. Workflow documentati, ownership chiara, aderenza alle best practice ITIL e maturità operativa: senza queste basi, qualunque iniziativa di AI readiness in ITSM è destinata a generare costi e complessità invece che valore.
1. Che cosa significa AI readiness in ITSM?
L’ITSM è un sistema di record, gestisce workflow strutturati, contiene il contesto operativo dell’organizzazione. Per tutti questi motivi dovrebbe costituire naturalmente la base dell’AI nelle operazioni IT. Tuttavia, perché questo potenziale si traduca in valore concreto, l’ITSM deve presentare determinate caratteristiche. AI readiness in ITSM significa, in questo senso, avere processi documentati digitalmente, ownership chiara, aderenza alle best practice ITIL e indicatori di maturità operativa misurabili. Sono le condizioni minime perché un’iniziativa di AI nell’ITSM possa generare valore e non costi aggiuntivi.
Lo stato attuale dell’ITSM: implementazioni fragili sotto la pressione dell’AI
Un numero crescente di organizzazioni estende oggi la propria piattaforma ITSM a workflow al di fuori dell’IT tradizionale: HR, facilities, security. In tal senso ITSM costituisce l’asse portante delle operazioni aziendali, la spina dorsale del business.
Il problema è che, in molte organizzazioni, questa spina dorsale è fragile. Quattro sono le criticità ricorrenti:
- Processi non documentati: gli stessi workflow variano da team a team e le procedure operative sembrano esistere solo nella testa delle persone più esperte.
- Ownership non definita: non è chiaro chi sia il responsabile di un servizio, di un processo o della qualità di un dataset.
- Scarsa aderenza alle best practice ITIL: incident, problem, change e service request management non seguono pattern omogenei e coerenti nel tempo.
- Maturità operativa diseguale: alcuni team lavorano con processi strutturati e procedure formalizzate, mentre altri intervengono in modo reattivo e non standardizzato. Il risultato è un’organizzazione che, nel complesso, si abbassa a funzionare al livello del suo team meno maturo.
Si tratta di problemi preesistenti, che fino ad oggi sono risultati gestibili: gli operatori umani, grazie all’esperienza e al buon senso, erano in grado di colmare le ambiguità dei processi e di adattarsi alle eccezioni. L’AI cambia le regole: un agente automatico non può prendere decisioni intelligenti su un processo non scritto, non può colmare lacune di ownership, non può compensare un livello di maturità organizzativa inadeguato.
In assenza di queste precondizioni – workflow documentati, ownership chiara, aderenza alle best practice ITIL, maturità operativa – l’AI espone l’instabilità del processo invece di compensarla. Quello che prima era una debolezza più o meno facilmente riassorbile nel processo, oggi diventa blocco operativo.
La promessa dell’AI e la realtà dei numeri
I dati di mercato del 2025 raccontano una contraddizione evidente. Da un lato, l’adozione dell’AI è capillare: secondo una recente ricerca di EasyVista, il 95% delle organizzazioni enterprise utilizza già l’AI nell’ITSM in qualche forma, e la percentuale resta molto alta – al 90% – anche tra le PMI. Dall’altro lato, i risultati economici sono ben diversi.
Una indagine Gartner su oltre 500 CIO ha rilevato che il 72% delle organizzazioni è appena in pareggio o addirittura sta perdendo denaro sui propri investimenti AI. Lo studio Build for the Future 2025 di BCG su 1.250 aziende è ancora più tranchant: solo il 5% crea valore sostanziale applicando l’AI su larga scala, mentre il 60% non sperimenta alcuna generazione di valore materiale. Una ricerca del MIT NANDA Initiative ripresa da Fortune indica infine che il 95% dei progetti pilota di GenAI in azienda non genera alcun ritorno misurabile sul conto economico.
La vera domanda da porsi, dunque, riguarda non tanto la funzionalità dell’AI in sé, quanto le ragioni per cui, una volta applicata, in così tanti casi non produce risultati concreti. La risposta è scomoda e va affrontata in modo diretto e tempestivo: l’AI sta fallendo per ragioni operative e di processo e non meramente tecniche.
L’AI non è una scorciatoia, è un amplificatore
Una delle convinzioni più diffuse e più sbagliate è che l’AI possa compensare carenze di budget, mancanza di competenze o scarso rigore nell’esecuzione dei processi. È la logica che è sbagliata: l’AI è effettivamente utile quando accelera il lavoro che i team sanno già fare bene, non quando prova a sostituire competenze che non esistono. Applicata a processi maturi, amplifica la qualità. Applicata a processi fragili, amplifica il disordine.
Keith Andes, Head of Product Marketing di EasyVista, riassume la situazione in un’immagine efficace: «Se oggi l’instradamento per la risoluzione degli incidenti è incoerente, l’AI si limiterà a sbagliare la rotta ancora più rapidamente. Se la Configuration Management Database (CMDB) – l’archivio centrale che traccia gli asset IT di un’azienda e le loro relazioni – è disordinata, gli insight generati dall’AI rifletteranno semplicemente il rumore di fondo». Vale il vecchio principio del garbage in, garbage out, con un’aggravante: l’output dell’AI è rivestito di un’aria di autorevolezza che rende il problema più difficile da intercettare.
Il principio 10–20–70 di Boston Consulting Group quantifica questa dinamica: il successo dell’AI dipende per il 10% dagli algoritmi, per il 20% da dati e tecnologia, per il 70% da persone, processi e cultura. Lo State of AI 2025 di McKinsey conferma la stessa logica: le aziende che ridisegnano i workflow end-to-end prima di scegliere modelli o strumenti hanno una probabilità quasi tre volte superiore di ottenere ritorni finanziari significativi rispetto a quelle che si limitano a sovrapporre l’AI ai processi esistenti.
I quattro pilastri della AI readiness in ITSM
Il Great ITSM Reset rappresenta un ritorno consapevole e mirato ai fondamentali dell’ITSM, condizione necessaria perché l’AI possa effettivamente operare. È un processo di consolidamento che coinvolge persone, processi e dati, e che richiede tempo e disciplina, ma è anche l’unico percorso che permette di trasformare gli investimenti in AI in risultati misurabili e sostenibili nel tempo. I pilastri su cui si fonda questo lavoro sono quattro, profondamente interconnessi tra loro.
1. Workflow documentati digitalmente
Un agente AI non può eseguire un’attività che non vede. Per ogni servizio critico devono essere rappresentati all’interno della piattaforma ITSM, in forma strutturata, passaggi, decisioni, trigger e criteri di chiusura. È il concetto di digital twin del lavoro: una rappresentazione di come il lavoro avviene davvero, non di come si vorrebbe avvenisse.
2. Ownership chiara di servizi, processi e dati
Senza un owner chiaramente identificato, ogni servizio è destinato a degradarsi nel tempo e L’AI non fa altro che aggravare il problema: senza ownership chiara, nessuno è responsabile di validare gli output, intervenire quando i suggerimenti sbagliano sistematicamente, o autorizzare l’applicazione dell’AI a nuovi processi e ambiti di lavoro. Definire la ownership – per servizio, processo, area di knowledge base – è un prerequisito di governance prima ancora che tecnologico.
3. Aderenza alle best practice ITIL
Le pratiche ITIL sono il linguaggio comune che rende i processi prevedibili, misurabili e ripetibili. Quando incident, problem, change e configuration management seguono pattern omogenei, la piattaforma ITSM genera dati strutturati di qualità, e sono proprio questi dati la materia prima che l’AI utilizza. Lo stesso framework ITIL 4 sottolinea che il valore non emerge dall’adozione formale dei processi, ma dalla loro coerenza nel tempo.
4. Maturità operativa misurabile
La maturità non è uno status che una volta dichiarato può essere dato per scontato: è una condizione misurabile. Tempi di risoluzione coerenti, tassi di riapertura sotto controllo, accuratezza della CMDB, compliance verificata. Una recente survey di Gartner mostra una differenza netta tra organizzazioni mature e non: nelle prime, il 45% delle iniziative AI resta in produzione per almeno tre anni, contro il 20% di quelle a bassa maturità.
Come iniziare il reset, in modo concreto
Effettuare un reset significa rendere sostenibile l’introduzione e l’uso dell’AI senza rallentarne l’adozione. L’obiettivo è creare le condizioni operative perché l’AI generi valore reale e misurabile, partendo da dove è più facile dimostrarlo e procedendo per espansioni successive. Tre passi pratici aiutano a impostare il percorso:
- Identificare uno o due workflow ad alto volume e già stabili. Sono i candidati naturali per i primi casi d’uso AI: ticket routing su categorie affidabili, sintesi automatica della conoscenza a partire da contenuti già verificati, riassunto automatico dei ticket basato su dati strutturati.
- Ripulire prima, automatizzare poi, applicare l’AI per ultimo. Il primo passo è digitalizzare il workflow nel sistema di record. Il secondo è automatizzare con regole semplici e prevedibili tutto ciò che si può gestire con istruzioni del tipo “se accade X, fai Y”. Solo per le attività troppo articolate per essere risolte con regole di questo tipo ha senso introdurre l’AI.
- Stabilire metriche di valore. Senza un set iniziale di KPI – tempo medio di risoluzione, tasso di deflazione self-service, accuratezza, soddisfazione utente – non c’è modo di sapere se l’AI sta producendo risultati.
Tecnologie come EV Pulse AI di EasyVista sono pensate per supportare e potenziare proprio questo tipo di approccio integrando l’AI all’interno di workflow ITSM strutturati, attraverso casi d’uso definiti, metriche di risultato chiaramente leggibili e un presidio umano costante su ogni decisione critica.
L’AI non rende superflua la disciplina nei processi, anzi la richiede come condizione di funzionamento. In questa prospettiva, il Great ITSM Reset è esso stesso elemento di innovazione, il percorso attraverso cui le organizzazioni IT possono sviluppare la loro AI readiness in ITSM, ed evolversi negli anni che verranno.
FAQs
1. Che cosa significa AI readiness in ITSM?
Significa avere processi documentati digitalmente, ownership chiara, aderenza alle best practice ITIL e indicatori di maturità operativa misurabili. Sono le condizioni minime perché un’iniziativa di AI nell’ITSM possa generare valore e non costi aggiuntivi.
2. Perché tante iniziative AI nell’ITSM falliscono?
Perché l’AI viene applicata sopra processi fragili, dati incoerenti e workflow non documentati. Studi di BCG e McKinsey indicano che nel 60% delle aziende l’AI non genera valore materiale, e il 95% dei pilot di GenAI non produce ROI misurabile. La causa quasi mai è tecnologica, ed è quasi sempre organizzativa.
3. È necessario avere processi perfetti prima di iniziare con l’AI?
No, ma è necessario partire dalle aree dove i processi sono già stabili. L’AI funziona come acceleratore di workflow coerenti e robusti. Non funziona come soluzione a workflow caotici. Il principio è: ripulire prima, automatizzare con regole poi, applicare l’AI solo dove serve davvero.
4. Qual è il rapporto tra ITIL e AI?
Le pratiche ITIL forniscono il linguaggio comune e la struttura dati necessari perché l’AI operi in modo affidabile. Più alta è la maturità ITIL, più solida è la base su cui costruire automazioni intelligenti e agenti AI.