Perché i progetti di intelligenza artificiale non stanno producendo valore in azienda

Negli ultimi mesi due ricerche indipendenti convergono su un dato che dovrebbe far riflettere chi guida un’impresa. Lo studio NANDA del MIT ha rilevato che circa il 95% dei progetti pilota di AI generativa non produce un impatto misurabile sul conto economico. McKinsey, in una rilevazione del 2025, è arrivata a una conclusione meno estrema ma nella stessa direzione: solo il 39% delle imprese rileva un impatto sull’EBIT a livello aziendale complessivo. Le percentuali variano da uno studio all’altro, ma l’ordine di grandezza è coerente: siamo di fronte a un tasso di insuccesso che, per qualsiasi altra categoria di investimento aziendale, verrebbe considerato un campanello d’allarme serio.

La reazione più comune a questo dato è chiedersi se l’AI sia sopravvalutata. È la domanda sbagliata. La domanda corretta è perché ci si aspettasse il contrario.

Un equivoco con precedenti storici

Negli ultimi tre anni si è consolidata una narrativa implicita secondo cui l’adozione di intelligenza artificiale generi automaticamente produttività. Non è mai accaduto con nessuna tecnologia infrastrutturale prima di questa.

L’elettrificazione delle fabbriche americane a fine Ottocento non produsse guadagni di produttività significativi fino a quando gli impianti non furono riprogettati attorno alla distribuzione elettrica, anziché limitarsi a sostituire i motori a vapore lasciando inalterato il layout produttivo. Il ritardo fu dell’ordine di alcuni decenni: economisti come Brynjolfsson lo stimano in circa venti-trent’anni, a seconda della metrica considerata, collocando il payoff produttivo solo dopo che le fabbriche riprogettarono il layout attorno all’unit drive. Gli ERP, a partire dagli anni Novanta, generarono valore in modo robusto soprattutto nelle aziende che accettarono di riscrivere i propri processi attorno alla logica del sistema, con un commitment esplicito del top management e una misurazione post-implementazione dei risultati; nelle organizzazioni che cercarono invece di adattare il software ai processi esistenti, i progetti produssero spesso soprattutto costi di implementazione e resistenza interna. La storia dei CRM segue, in molti casi documentati, una traiettoria simile.

In tutti questi casi il pattern è lo stesso: la tecnologia crea valore solo dopo una riorganizzazione dei processi che la utilizzano, non per il semplice fatto di essere acquistata e installata. L’AI generativa non sta facendo eccezione. Sta semplicemente confermando una regolarità che conosciamo da oltre un secolo, in un periodo di tempo compresso e con visibilità mediatica molto più alta.

Il problema non è tecnologico

Per la maggior parte delle piccole e medie imprese italiane, il limite non è la qualità degli strumenti di AI disponibili. È lo stato dei processi su cui questi strumenti dovrebbero operare. Il divario di adozione tra grandi imprese e PMI in Italia è già marcato: secondo dati di settore relativi al 2026, sette grandi imprese italiane su dieci hanno avviato almeno un progetto di AI, mentre tra le PMI la quota scende a circa l’8%. Questo scarto non è solo una questione di budget disponibile: riflette anche una differenza nel grado di formalizzazione dei processi interni, che nelle PMI è strutturalmente più basso e rende l’adozione dell’AI più difficile a parità di investimento.

Documentazione distribuita su sistemi diversi e non interoperabili. Procedure che esistono nella prassi ma non sono mai state formalizzate. Conoscenza operativa concentrata in poche persone chiave, spesso senza una codifica scritta che la renda trasferibile. Flussi di lavoro costruiti per stratificazione successiva nell’arco di anni, con eccezioni e scorciatoie che nessuno ha mai documentato.

In queste condizioni, un modello linguistico non può generare il valore promesso, indipendentemente dalla sua qualità tecnica. Un sistema di AI può accelerare un processo ben progettato. Non può sostituire un processo che non esiste in forma strutturata. La distinzione è cruciale per chi valuta un investimento: l’AI è un moltiplicatore, non una soluzione autonoma. Applicata a un sistema organizzativo efficiente, ne amplifica l’efficienza. Applicata a un sistema disordinato, ne amplifica il disordine, semplicemente a velocità più alta.

Perché molti progetti restano “al palo”

C’è una seconda dinamica, meno tecnica e più organizzativa, che spiega una parte significativa degli insuccessi: una quota rilevante delle aziende che hanno avviato progetti di AI non stava realmente cercando un ritorno economico. Stava cercando la dimostrazione, verso il mercato, verso gli investitori, verso i propri stessi dipendenti, di essere “nel gioco”.

Questa pressione esiste ed è facilmente identificabile in tre segnali ricorrenti: il progetto viene comunicato prima di essere misurato; il responsabile del progetto non sa indicare quale processo specifico dovrebbe migliorare, in termini di tempo o costo; il pilota non ha mai una data di valutazione formale per la transizione in produzione. Quando questi segnali sono presenti, il progetto nasce come operazione di immagine. E le operazioni di immagine, per definizione, non sono progettate per generare valore operativo: generano attività visibile, che è una cosa diversa.

Dove il vantaggio competitivo si gioca davvero

Vale la pena distinguere due livelli di utilizzo dell’AI, perché producono economie radicalmente diverse.

Il primo livello è l’uso individuale: un addetto che scrive email migliori, sintetizza un documento più velocemente, prepara una bozza di contratto. È un guadagno reale ma limitato, dell’ordine di qualche ora settimanale per persona. Non cambia la struttura dei costi dell’azienda.

Il secondo livello è l’integrazione dell’AI nel modello operativo: un sistema che analizza automaticamente la documentazione in ingresso, effettua una prima valutazione preliminare di affidabilità o bancabilità, classifica le pratiche per priorità e complessità, genera bozze di scoring documentale da sottoporre a verifica umana, monitora in modo continuo gli aggiornamenti normativi rilevanti per il settore. In questo secondo caso non si tratta più di uno strumento che assiste una persona, ma di una componente che ridisegna il flusso operativo dell’organizzazione. La differenza tra i due livelli non è di intensità, ma di natura: il primo risparmia tempo, il secondo modifica l’economia industriale del processo.

Questa distinzione ha un’implicazione diretta per chi decide gli investimenti: il ROI dell’AI non si misura guardando quanti dipendenti la utilizzano, ma guardando quanti processi strutturati sono stati effettivamente ridisegnati attorno ad essa.

Il rischio della dipendenza da fornitore unico

C’è un ultimo elemento che merita attenzione operativa, al di là della questione del ritorno economico: la dipendenza dai fornitori di infrastrutture cognitive. Un’azienda che costruisce il proprio flusso decisionale, in tutto o in parte, su un modello di AI fornito da un singolo operatore esterno assume un rischio di continuità che va valutato con lo stesso rigore con cui si valuta la dipendenza da un fornitore critico in qualsiasi altra catena di approvvigionamento: variazioni di prezzo del servizio, modifiche al comportamento del modello che alterano output su cui si erano costruiti processi consolidati, vincoli normativi che possono limitare l’uso di certi modelli in determinati settori regolamentati, interruzioni di servizio non programmate. Per un’impresa che opera in un settore regolamentato come quello creditizio o finanziario, questo non è un dettaglio tecnico: è un fattore di rischio operativo da inserire nella valutazione di qualsiasi processo critico che venga affidato, anche parzialmente, a un sistema di AI esterno.

Cosa cambia per chi decide gli investimenti

La sintesi operativa è questa: il problema non è se investire in AI, ma cosa si sta effettivamente acquistando quando si investe. Comprare un abbonamento a uno strumento cognitivo non equivale a trasformare un processo. La trasformazione richiede prima la mappatura rigorosa del processo esistente, poi la decisione su quali fasi possono essere effettivamente delegate a un sistema automatico e quali devono restare sotto controllo umano, infine una misurazione che permetta di verificare, dopo un periodo definito, se il valore promesso si è effettivamente realizzato.

Le imprese che non otterranno ritorno dai propri investimenti in AI nei prossimi anni non saranno necessariamente quelle che ne hanno adottata meno. Saranno quelle che hanno continuato a trattarla come una licenza software da installare, piuttosto che come un’occasione per riprogettare, con disciplina, il modo in cui producono le proprie decisioni operative.