Perché l'80% dei progetti di AI marketing fallisce (e come finire nel 20%)

Ogni progetto di AI marketing fallito che ho visto comincia allo stesso modo. Qualcuno guarda una demo di prodotto, sente una strana miscela di paura e avidità, e compra licenze prima di fare una sola domanda difficile.

Sei mesi dopo lo strumento giace abbandonato accanto ad altri undici come lui. La fattura si rinnova automaticamente. Nessuno vuole parlarne nella review trimestrale.

Ho fatto auditing di abbastanza di questi cimiteri per dirti una cosa: il fallimento non è misterioso. Segue quattro schemi. Tutti e quattro sono visibili dal primo giorno, se sai dove guardare.

Punti chiave

• La maggior parte dei progetti AI fallisce, e il marketing non fa eccezione. Le stime citate dalla RAND Corporation collocano il fallimento dei progetti AI sopra l’80%, il doppio del tasso dei progetti IT ordinari
• La causa numero uno è comprare strumenti prima di sistemare i dati. Nessun modello può salvare una fondazione rotta
• I pilot senza un owner, una metrica e una data diventano pilot permanenti. Il Project NANDA del MIT ha scoperto che il 95% dei pilot di AI generativa mostra un impatto sul P&L scarso o nullo
• Chi vince parte con un problema, un numero e novanta giorni. Tutto il resto è teatro
• Nessuno ha una statistica pulita di fallimento specifica per l’AI nel marketing. La lettura onesta è che il marketing segue la media dell’azienda

I numeri che nessuno ti mostra nella demo

Quanti progetti di AI marketing falliscono davvero? Risposta secca: nessuno pubblica un numero pulito solo per il marketing. Ho cercato.

Ma ogni misurazione seria dei progetti AI in generale atterra nella stessa fascia brutale. E il marketing gira sugli stessi dati, sugli stessi vendor e sugli stessi incentivi del resto dell’azienda.

• La RAND Corporation ha riportato nel 2024 che, secondo alcune stime, più dell’80% dei progetti AI fallisce. È il doppio del tasso di fallimento dei progetti IT senza AI. Da quella stima viene il mio titolo
• Il Project NANDA del MIT Media Lab ha scoperto nell’agosto 2025 che il 95% dei pilot di AI generativa nelle aziende produce un impatto misurabile sul P&L scarso o nullo
• S&P Global Market Intelligence ha scoperto che il 42% delle aziende nel 2025 ha abbandonato la maggior parte delle proprie iniziative AI. L’anno prima quella cifra era il 17%
• Gartner ha previsto nel luglio 2024 che almeno il 30% dei progetti di AI generativa sarebbe stato abbandonato dopo la proof of concept entro fine 2025. Gartner ha poi suggerito che il numero reale è almeno il 50%
• Sul lato dei vincitori, MIT Sloan Management Review e BCG hanno scoperto nel 2020 che solo circa un’azienda su dieci otteneva benefici finanziari significativi dall’AI. Nel 2025 BCG stimava che appena il 5% delle aziende cattura valore materiale dall’AI su scala

Scegli la definizione di fallimento che preferisci. La fascia va dall’80 al 95%. Il numero esatto conta meno della forma della curva.

Non esiste uno studio che isoli l’AI nel marketing e conti i cadaveri. La posizione onesta: il tuo stack di marketing non è speciale. Fallisce allo stesso tasso dell’AI di tutti gli altri, per le stesse ragioni.

Cosa è davvero un progetto di AI marketing

Un’implementazione non è l’acquisto di una licenza. È la catena completa: un problema che vale la pena risolvere, i dati che ci stanno dietro, lo strumento, il cambiamento di processo, e la misurazione che dice se ha funzionato.

La maggior parte delle aziende finanzia il terzo anello e lascia gli altri quattro a digiuno. Poi si chiede perché la dashboard resta bella e il P&L resta piatto.

Tieni a mente questa catena. Ogni schema di fallimento qui sotto è un anello della catena che si spezza.

Schema di fallimento 1: lo strumento è arrivato prima dei dati

Questo è il grosso. La sequenza più comune nei progetti falliti: prima si sceglie lo strumento, poi si scopre il problema dei dati.

Il mio reperto di auditing più frequente è un’azienda che ha comprato una piattaforma AI prima di saper rispondere a domande base. Da dove arrivano i nostri lead? Quali campagne hanno toccato questo deal? Di chi è questo record di contatto? Silenzio.

Poi arriva l’AI. Viene nutrita con un CRM che contiene tre versioni dello stesso cliente, tag UTM che muoiono dopo una settimana, e interazioni email che nessuno ha mai collegato al fatturato. Il modello produce nonsense sicuro di sé. Il team conclude che “l’AI da noi non funziona”. Lo strumento prende la colpa per la fondazione.

Sistema l’attribuzione. Deduplica il CRM. Accordati su un’unica fonte di verità. Poi compra. Di questo prerequisito ho scritto nella mia valutazione onesta della predictive analytics nel marketing, e vale per ogni strumento AI che valuterai mai.

Schema di fallimento 2: il pilota che non finisce mai

Molti team gestiscono i pilot come altri gestiscono i propositi di capodanno. Partenza entusiasta, nessun traguardo, abbandono silenzioso.

Un pilota senza tre cose non è un pilota. È un hobby. Le tre cose: un owner con nome e cognome, una metrica di successo concordata in anticipo, e una data in cui si decide.

Il numero del MIT NANDA qui merita il suo contesto. Il 95% dei pilot di GenAI non mostrava impatto misurabile sul P&L. Non perché la tecnologia avesse fallito. Ma perché nessuno aveva definito che aspetto avrebbe avuto l’impatto, nessuno misurava contro una baseline, e nessuno aveva l’autorità di uccidere il progetto.

Un pilota senza data di fine non è esplorazione. È procrastinazione con un budget.

Schema di fallimento 3: automatizzare un casino

Ecco lo schema che fa più male, perché sembra progresso. Un team mappa il proprio processo rotto, lo automatizza dall’inizio alla fine, e lo chiama trasformazione.

Tutto quello che hanno fatto è rendere il casino più economico da produrre. Le email continuano ad andare a contatti morti. I lead continuano a essere valutati su segnali di vanità. I report continuano a misurare attività invece di risultati.

Continuo a ripetere la stessa frase del playbook AI marketing perché continua a essere vera: l’AI amplifica ciò che già c’è. La strategia forte si compone. Quella debole fallisce più in fretta e su larga scala.

Prima di automatizzare un processo, ridisegnalo. Rimuovi i passaggi che esistono solo perché un umano doveva compensare strumenti scadenti. Poi automatizza ciò che sopravvive.

Schema di fallimento 4: un cassetto pieno di strumenti, zero problemi risolti

La maggior parte dei team di marketing che auditio nel 2026 ha più abbonamenti AI che casi d’uso. Ho visto stack con un assistente di scrittura, un generatore di immagini, un chatbot, uno strumento di forecast, e una piattaforma che promette di orchestrare gli altri. Ogni acquisto, preso da solo, sembrava ragionevole.

Insieme costano cinque cifre l’anno e non rispondono a nessuna domanda che il board fa davvero.

La domanda non è mai “quale strumento AI dovremmo comprare”. La domanda è “quale problema, con un numero attaccato, stiamo risolvendo in questo trimestre”. Gli strumenti sono personale assunto per un lavoro definito. Collezionarli non è una strategia.

Cosa fanno diversamente i vincenti del 20%

I team che riescono condividono abitudini. Nessuna delle abitudini è segreta, ed è questa la parte imbarazzante.

Scegliono un problema con un numero attaccato. Non “produzione di contenuti”. Bensì: descrizioni prodotto per 4.000 SKU, in trenta giorni, al 60% di costo in meno. I numeri impongono onestà.

Sistemano i dati prima di comprare. Un’attribuzione di cui si fidano, un CRM pulito, una sola fonte di verità. Inglorioso e decisivo.

Danno il risultato a una sola persona. Non a un comitato. Un nome accanto alla metrica, con l’autorità di uccidere o scalare.

Definiscono il successo prima che il pilota parta. Baseline misurata prima. Soglia scritta. Data sul calendario.

Uccidono in fretta. Una review a novanta giorni senza sentimentalismi. Anche il costo sommerso non è una strategia.

Questo è l’aspetto di una strategia AI marketing costruita sull’evidenza. Perimetro stretto, decisioni in sequenza, risultati misurati.

La versione da novanta giorni che funziona

Se vuoi una sequenza concreta invece di una predica, ecco quella che consegnerei a qualsiasi responsabile marketing che parta da zero.

Passo 1, giorni 1-15. Scegli un problema e scrivi il numero che deve muovere. Baseline inclusa. Se non riesci a dire il numero, non sei pronto.

Passo 2, giorni 16-30. Sistema la fetta di dati che serve a quel problema. Non tutti i tuoi dati. La fetta.

Passo 3, giorni 31-60. Fai girare un solo strumento su quella fetta. Un solo owner. Un check settimanale di trenta minuti, non di più.

Passo 4, giorni 61-85. Misura contro la baseline con lo stesso metodo con cui l’hai rilevata. Numeri veri, niente sensazioni.

Passo 5, giorni 86-90. Decidi. Scala, itera o uccidi. Tutte e tre sono vittorie. Solo il lasciarsi andare è un fallimento.

Se ti sembra piccolo, bene. Piccolo e finito batte grande e alla deriva.

Domande frequenti

Che percentuale di progetti di AI marketing fallisce?

Nessuno studio isola l’AI nel marketing e pubblica un tasso pulito. Le stime citate dalla RAND Corporation collocano il fallimento dei progetti AI in generale sopra l’80%, e il Project NANDA del MIT ha scoperto che il 95% dei pilot di AI generativa non produce impatto misurabile sul P&L. Il marketing non ha alcuna deroga basata sui dati da questi numeri.

Perché i progetti di AI marketing falliscono così spesso?

Quattro schemi coprono la maggior parte: comprare strumenti prima di sistemare i dati, gestire pilot senza owner o scadenze, automatizzare processi rotti, e collezionare strumenti invece di risolvere problemi nominati. Ognuno è un fallimento di processo, non di tecnologia.

Cosa dovremmo sistemare prima di comprare qualsiasi strumento di AI marketing?

La tua fondazione dati. Un’attribuzione di cui ti fidi, un CRM deduplicato, e una definizione concordata di cosa conta come lead e come conversione. Ogni caso d’uso serio dell’AI nel marketing sta su quella fondazione.

Il mio verdetto

L’80% non è pigro né stupido. Ha seguito il copione standard: guarda la demo, compra la piattaforma, avvia il pilota, spera. Ogni progetto di AI marketing fallito che ho auditio aveva il fallimento disegnato dentro la propria sequenza.

Quindi sii volutamente controcorrente. Sistema prima i dati. Scegli un problema con un numero attaccato. Nominare un owner. Fissa la data. Poi lascia che sia lo strumento a dimostrare di meritare un lavoro più grande.

Se vuoi il quadro completo di cosa funziona dopo che la sequenza è sistemata, parti dal pillar AI Marketing. E se vuoi un secondo paio di occhi sul tuo progetto, scrivimi direttamente. Faccio esattamente questo tipo di audit, e arrivo prima con le domande noiose.