Come usiamo davvero l’AI nel 2026, e perché non assomiglia a quello che racconta il marketing

Un’inchiesta pubblicata da Harvard Business Review nel giugno 2026 racconta cosa fanno davvero le persone con l’AI generativa, e il quadro che emerge è molto distante dalle slide dei vendor. I casi d’uso dominanti restano scrittura, brainstorming, sintesi di documenti, traduzioni, debug del codice, supporto alla pianificazione. Non gli agenti autonomi che eseguono workflow end-to-end con poca supervisione umana, raccontati in keynote e roadshow per giustificare ticket medi a sei cifre.

Il gap fra discorso del vendor e uso reale ha conseguenze concrete sui budget. Chi compra MarTech, HR-tech o piattaforme di automazione sta firmando contratti pluriennali sull’assunto che l’AI agentica sostituisca quote significative del lavoro umano nei prossimi diciotto mesi. I dati HBR raccontano un’altra storia, fatta di piccoli risparmi di tempo distribuiti su molti compiti, senza il salto di paradigma che giustifica gli aumenti di listino. La differenza fra “risparmio uniforme del venti per cento sul tempo di redazione” e “agente che chiude il caso da solo” è la differenza fra un tool produttivo e una ristrutturazione organizzativa.

L’inchiesta segnala anche un fenomeno meno comodo per chi vende piattaforme: gli utenti più esperti migrano fra modelli con disinvoltura, scegliendo Claude per la scrittura analitica, ChatGPT per il debug rapido, Gemini per l’integrazione con Workspace, Mistral per i flussi che devono restare in Europa. Il lock-in cognitivo che i vendor cercano di costruire con interfacce proprietarie e feature uniche resta più fragile di quanto le valutazioni di borsa lascino intendere. Chi paga sa benissimo che l’output di qualità si ottiene con il modello giusto per il compito, non con la fedeltà al brand.

La distanza tra hype e bolletta

Il dato che pesa di più riguarda la quota di lavoro automatizzato end-to-end. Secondo HBR, meno di un decimo degli intervistati delega all’AI un processo completo senza intervento umano in nessun passaggio. La quasi totalità descrive l’AI come un correttore di bozze sofisticato, un assistente alla ricerca, un compagno di brainstorming, un traduttore preciso. Sono usi preziosi, ma non sono il sostituto del lavoro umano che la slide del vendor promette al CFO che firma il contratto pluriennale.

Per il committente di software la distanza ha due implicazioni operative concrete. La prima riguarda i KPI scelti per valutare l’investimento. Misurare l’AI con metriche di automazione totale (numero di pratiche chiuse senza intervento umano, riduzione FTE) significa firmare un fallimento certificato. Misurarla con metriche di efficienza distribuita (tempo medio per output, qualità soggettiva, riduzione errori) racconta una storia più aderente all’uso reale. La seconda implicazione riguarda la struttura del contratto: i ticket flat con promessa di sostituzione richiedono clausole di rilascio se il caso d’uso non si concretizza nel tempo pattuito.

Un secondo dato HBR merita attenzione. Le aziende che ottengono i risultati migliori non sono quelle che hanno comprato la piattaforma più costosa, ma quelle che hanno investito in formazione interna sulla scrittura dei prompt e sulla revisione critica dell’output. La leva non è tecnologica, è culturale e di processo. Chi adotta la piattaforma più cara senza investire sulle competenze ottiene una collezione di licenze inutilizzate, fenomeno già documentato dagli osservatori del mercato MarTech da diversi anni a questa parte.

Quello che vendono e quello che usate

I vendor di MarTech e HR-tech hanno costruito i listini 2026 sull’assunto agentico. Workday, Salesforce, ServiceNow, Adobe propongono moduli AI con sovrapprezzo del trenta-quaranta per cento sul listino base, motivando il delta con la capacità di “eseguire processi end-to-end”. I dati HBR suggeriscono che la quota di processi davvero eseguiti end-to-end resti minoritaria. Chi paga il sovrapprezzo per una capability che non si realizza nei propri flussi sta sussidiando lo sviluppo del prodotto del vendor, non comprando un vantaggio competitivo.

La risposta operativa per chi compra non è rinunciare all’AI, ma riallineare la pipeline di valutazione al dato reale. Un audit dei casi d’uso in essere, fatto con i team che usano davvero gli strumenti (non con il management che li ha comprati), fa emergere quali licenze giustificano il costo e quali sono ornamenti per il bilancio innovazione. Le aziende che hanno fatto questo esercizio nei mesi scorsi hanno ridotto la spesa MarTech del quindici-venti per cento senza perdere produttività, sostituendo i moduli premium con stack più leggeri costruiti attorno a modelli generici e workflow personalizzati. Il pattern è stato descritto anche per il MarTech tradizionale, dove il sovra-acquisto di licenze è stato uno dei costi nascosti più documentati.

C’è una dimensione politica che il dato HBR rende impossibile ignorare. Il discorso pubblico sull’AI nel 2026 viene scritto in larga parte da chi vende AI, e la grande stampa generalista lo riporta come scenario invece di interrogarlo come marketing. Il risultato è una bolla di aspettative che gonfia le valutazioni e gonfia i listini, mentre l’uso quotidiano resta su un piano più modesto. Chi compra dovrebbe leggere i report dei vendor con la stessa diffidenza con cui leggerebbe un comunicato finanziario, chiedendosi sempre chi guadagna sulla narrativa. Spesso la risposta è semplice.

Cosa cambia per chi firma i contratti

La conseguenza pratica per i decisori che firmano nel 2026 sta in tre punti che HBR non chiude esplicitamente ma che il dato implica. Il primo: dimezzare l’orizzonte temporale dei contratti AI. I cicli triennali fatti sulla promessa agentica vanno rinegoziati su finestre annuali con clausole di adeguamento. La capability dei modelli evolve troppo in fretta perché un contratto a tre anni resti sensato.

Il secondo punto riguarda il portafoglio di fornitori. Concentrare tutta la spesa AI su un unico vendor enterprise produce lock-in costoso senza vantaggio compensativo. La pratica emergente è uno stack composito: piattaforma di produttività generica (Microsoft, Google), modelli specialistici per task verticali (Claude per scrittura analitica, Mistral per workflow EU, modelli open per task ad alto volume), orchestrazione leggera via n8n o workflow proprietari. Questo approccio costa meno e si adatta più rapidamente al cambio di leadership tecnica fra vendor.

Il terzo punto è il più scomodo per chi ha già firmato. L’AI nel 2026 è una commodity in via di standardizzazione, non un asset strategico esclusivo. I vendor che hanno costruito la propria narrazione attorno alla differenziazione algoritmica sono in difficoltà strutturale, perché il differenziale di qualità fra i modelli leader si è ridotto a margini misurabili solo con benchmark specifici. Pagare per la presunta superiorità tecnica del vendor X invece del vendor Y è quasi sempre un esercizio di fede, non un calcolo razionale. L’inchiesta HBR fotografa esattamente questo passaggio, e il fatto che venga da una rivista vicina al management corporate la rende particolarmente difficile da liquidare come scetticismo di nicchia.