L’AI enterprise esce dalla fase delle demo: ora bisogna farla funzionare dentro i sistemi reali

La fase dei proof of concept (PoC), quei progetti pilota con cui le aziende hanno testato l’intelligenza artificiale in ambienti controllati, è finita. Adesso comincia la parte difficile: portare l’AI dentro i sistemi reali, quelli dove girano i processi critici, i dati disordinati e le catene decisionali che nessun demo ha mai dovuto affrontare. Lo scrive TechRadar in un’analisi che fotografa con precisione il momento che l’enterprise sta attraversando: la corsa all’oro dell’AI aziendale si è fermata, e molte organizzazioni non sono pronte per quello che viene dopo.

Il problema non è tecnologico nel senso stretto del termine. I modelli ci sono, le piattaforme pure, i budget stanziati anche. Il nodo è che mettere in produzione un flusso di lavoro AI dentro un ERP legacy richiede un tipo di lavoro organizzativo che i PoC non hanno mai testato: rispettare gerarchie di approvazione, mantenere un audit trail verificabile, garantire l’explainability delle decisioni automatizzate. Queste non sono sfide di ingegneria del modello. Sono sfide di architettura dei processi, di governance e di integrazione con sistemi costruiti decenni prima che il machine learning diventasse un tema aziendale.

I numeri dicono che il divario tra sperimentazione e valore reale è più ampio di quanto il mercato abbia voluto ammettere. IDC, in partnership con Lenovo, ha calcolato che per ogni 33 PoC AI lanciati in azienda, solo 4 arrivano a una messa in produzione effettiva, ovvero meno del 12%. Gartner è più diretto: oltre il 50% delle iniziative di AI generativa è stato abbandonato dopo il PoC entro la fine del 2025, per tre ragioni che si ripetono quasi sempre uguali: qualità dei dati insufficiente, gap nei controlli di rischio, costi fuori controllo. I dati di CIO.com e IDC indicano che l’88% dei piloti AI non entra mai in produzione, e che la responsabilità non è tutta dell’IT: i fallimenti dipendono spesso da aspettative mal calibrate nel business, non da limiti tecnici del team IT.

Dal palco della conference al modulo ERP: questo è il test che l’AI non ha ancora passato

Il report BCG “The Widening AI Value Gap” del settembre 2025 aggiunge un dato che dovrebbe preoccupare ogni C-suite: solo il 5% delle aziende genera valore sostanziale dall’AI a scala. Il 60% non produce valore materiale nonostante gli investimenti. Si tratta di organizzazioni che erodono il ROI con una somma di micro-decisioni sbagliate: processi non ridisegnati prima dell’automazione, dati non governati, integrazioni affrontate come un problema tecnico secondario invece che come il cuore del progetto.

Il McKinsey State of AI 2025 fornisce un quadro simile da un’angolatura diversa. L’88% delle organizzazioni dichiara di usare l’AI in modo regolare in almeno una funzione aziendale, ma solo il 39% riporta un impatto misurabile sull’EBIT a livello enterprise. Il gap tra adozione dichiarata e valore generato è la storia vera dell’AI aziendale nel 2025, non la narrativa dei casi di successo che circolano nelle presentazioni a convegno.

Il quadro di Gartner è ancora più articolato. Il Hype Cycle 2025-2026 colloca la GenAI nella fase di disillusione (Trough of Disillusionment), quel momento in cui l’entusiasmo iniziale si scontra con i risultati sotto le aspettative e molte implementazioni vengono ridimensionate o chiuse. L’AI agentica, nel frattempo, è al picco delle aspettative gonfiate (Peak of Inflated Expectations): Gartner stima che oltre il 40% dei progetti di AI agentica sarà cancellato entro fine 2027, per gli stessi motivi che hanno fatto naufragare i PoC di GenAI. La lezione non è stata assimilata: si continua a sovrainvestire nella tecnologia e a sottoinvestire nell’infrastruttura organizzativa che dovrebbe sostenerla.

Il problema si fa concreto quando si prova a costruire qualcosa che funzioni davvero. Eseguire un flusso di approvvigionamento dentro un ERP legacy significa che l’agente AI deve leggere e scrivere su sistemi con strutture dati degli anni Novanta, rispettare gerarchie di approvazione che cambiano per categoria merceologica e soglia di spesa, generare log che soddisfino i requisiti di audit della funzione finance, e spiegare la propria logica decisionale se qualcuno la contesta. Nessuna di queste cose è un problema di prompt engineering. Tutte richiedono che l’organizzazione abbia già chiarito le proprie regole prima di affidarle a un sistema automatizzato. La maggior parte delle organizzazioni non le ha mai rese esplicite, perché non ne aveva mai avuto bisogno.

Chi segue il tema sa che il ROI non arriva quasi mai dalla tecnologia in sé, ma dalla capacità di integrarla in flussi di lavoro che producono output misurabili. Le aziende che vedono il conto e frenano di solito non frenano per i costi del modello: frenano perché i costi totali di gestione, una volta inclusi integrazione, governance e manutenzione, si rivelano molto più alti di quanto il business case iniziale avesse previsto. E perché il business case era stato costruito su un PoC, non su un sistema in produzione.

Il problema del controllo aggiunge un livello ulteriore di complessità. Un agente AI che opera in un CRM aziendale, gestendo offerte, escalation e comunicazioni con i clienti, va governato prima di accenderlo, non dopo. Le organizzazioni che hanno fretta di dimostrare risultati tendono a invertire questo ordine. Il risultato è che i sistemi agentici entrano in produzione senza una policy chiara su cosa possono decidere autonomamente e cosa deve passare da un essere umano, e quando qualcosa va storto, capire come rimediare è molto più complicato di quanto non lo sia mai stato con un software tradizionale. Non a caso, molte aziende che si avventurano nell’AI agentica non sanno orchestrare gli agenti in modo affidabile.

C’è un dato che riassume la situazione meglio di molti report: le organizzazioni usano l’AI ma solo l’1% sa cosa farci in modo strategico. La diffusione dello strumento non implica la maturità nell’uso, e la maturità nell’uso non implica la capacità di scalare a livello enterprise. Sono tre fasi distinte, e la maggior parte delle organizzazioni sta ancora navigando la seconda mentre il mercato le spinge già verso la terza.

Chi sopravviverà alla fase post-PoC non è chi ha comprato più piattaforme o chi ha siglato più accordi con i grandi vendor. Sono le organizzazioni che hanno avuto la disciplina di ridisegnare i processi core prima di automatizzarli, che hanno trattato la qualità dei dati come un prerequisito non negoziabile, che hanno costruito un modello di governance dei rischi prima di mettere in mano agli agenti le leve operative del business.

Il C-level che continua a finanziare PoC senza chiedere un percorso certificato verso la produzione sta bruciando budget in un cimitero di demo. Prima di approvare qualsiasi nuovo pilota, la domanda giusta è: in quale processo aziendale specifico entra, con quali integrazioni, con quale governance e con quale metrica di successo misurabile in sei mesi? Se la risposta è vaga, il PoC produrrà una slide brillante e non molto altro.

L’AI enterprise è uscita dalla fase in cui bastava dimostrare che la tecnologia funzionava. Adesso deve dimostrare che funziona dentro i sistemi reali, con i dati reali, nelle catene decisionali reali. È un test completamente diverso, e la maggior parte delle organizzazioni non ha ancora finito di capire quanto sia diverso.