La maggior parte dei progetti AI in azienda non fallisce per ragioni tecniche. Fallisce perché i dati non sono nella forma necessaria, perché manca una persona interna che ne porti avanti l'adozione, o perché lo scope è troppo ampio rispetto a quello che si riesce davvero a realizzare. Il nostro modo di lavorare nasce per tenere questi tre rischi sotto controllo.
Non tutti i processi sono adatti a essere affrontati con l'AI, e non tutti nello stesso momento. Prima di proporre qualcosa guardiamo tre cose:
Se manca una di queste condizioni, lo diciamo — anche quando significa non proporre un progetto.
Nessuna fase obbliga alla successiva.
Analizziamo un processo specifico: come funziona oggi, dove sono le criticità, quali dati esistono, chi sono le persone chiave. Ne esce un prototipo funzionante su dati reali — non una presentazione — e una specifica tecnica con scope e criteri di successo. Da qui si decide, con dati alla mano, se e come proseguire.
Costruiamo il sistema e lo portiamo in produzione, integrato nei flussi di lavoro reali. Lavoriamo dentro il team del cliente, con rilasci frequenti e verifica continua. Se durante lo sprint emerge che il problema è più complesso del previsto, lo diciamo apertamente e ridiscutiamo lo scope.
Quando il sistema è in produzione, può essere manutenuto, migliorato ed esteso nel tempo. È una fase opzionale, per chi non ha o non vuole costruire internamente un team dedicato.