L’illusione dell’automazione, i direttori operativi soffrono mentre i CEO festeggiano

I direttori operativi di Nike, Sysco e Box raccontano una storia molto diversa da quella che gli amministratori delegati delle stesse aziende portano agli investitori. Nelle earnings call si parla di produttività guidata dall’AI, di automazione che riduce i costi, di trasformazione fluida dei processi. Fuori dalla stanza degli investitori i responsabili operations descrivono una realtà fatta di sistemi legacy che non si integrano, persone da formare, resistenze culturali, processi da ridisegnare uno per uno. Il reportage di Fortune è una delle prime fotografie pubbliche di questo divario, e arriva proprio mentre il dibattito di mercato si concentra sui risultati promessi senza verificare cosa serve per ottenerli.

Il gap tra discorso del top management e realtà di chi esegue è il tema centrale del pezzo, ed è il vero rischio di esecuzione delle strategie AI per il 2026. Mentre i CEO usano la parola AI come moltiplicatore retorico per giustificare la propria visione, i COO sanno che ogni passo richiede investimenti in infrastruttura, training, change management. La differenza non è solo di stile, è di responsabilità. Il CEO risponde della narrativa, il COO risponde dei numeri di produttività che la narrativa promette.

I tre casi raccontati da Fortune mostrano tratti comuni ricorrenti. Nike sta integrando sistemi di AI predittiva nella supply chain, ma i suoi sistemi ERP sono frammentati su decine di paesi e migliaia di fornitori. Sysco, leader nella distribuzione alimentare, sta provando a usare AI per ottimizzare il routing dei camion, ma deve fare i conti con sistemi di gestione del personale che risalgono agli anni Novanta. Box, software company nativa del cloud, dovrebbe avere il percorso più semplice, ma scopre che integrare LLM nella propria piattaforma richiede di ripensare il modello di sicurezza che ha costruito la propria credibilità enterprise.

La produttività dichiarata e la produttività misurata

Le earnings call delle prime cinquecento aziende quotate statunitensi sono diventate negli ultimi dodici mesi un esercizio di name-dropping AI. La parola compare in media dodici volte per call, secondo le analisi del database AlphaSense e altri osservatori sulle earnings call, e i CEO la usano per spiegare aspettative di crescita della produttività dal 10% al 30%. Il problema è che i guadagni di produttività dichiarati nelle proiezioni non si vedono ancora nei bilanci consolidati delle stesse aziende. Le ragioni sono molteplici, ma una è dominante: il tempo che serve per portare un pilot AI in produzione su scala enterprise è almeno il doppio di quello stimato dai CEO che leggono le slide dei consulenti.

La distanza tra slide e realtà ha conseguenze concrete sulle decisioni di budget. Il CEO firma il piano triennale, il CFO alloca le risorse, il COO riceve l’ordine di realizzare. Quando il COO scopre che il progetto richiede investimenti aggiuntivi non previsti (integrazione, dati, formazione, governance), deve scegliere se chiedere altri soldi al CFO, sottostimando il proprio successo, oppure tagliare lo scope, sottostimando il proprio coraggio. La maggior parte sceglie di tagliare lo scope, e il risultato è che i progetti AI restano contenuti in piccoli perimetri, dichiarati come successi, replicati con difficoltà.

Il caso Box è significativo. La società ha un prodotto cloud-native, una customer base enterprise sofisticata, una cultura tecnica forte. Eppure il responsabile operations confessa che portare AI nella piattaforma richiede di rinegoziare contratti SLA, riadattare il modello di sicurezza, formare la forza vendita. Sono attività che non producono ricavi nel trimestre in cui si fanno, e che richiedono fiducia del board sulla pertinenza dell’investimento. Quando il board legge solo i numeri trimestrali e i CEO devono giustificarli con narrative AI, la pressione sul COO diventa strutturale.

Il legacy che nessuno vuole guardare in faccia

Il problema dei sistemi legacy è il convitato di pietra di ogni progetto AI enterprise. Sysco gestisce la distribuzione di prodotti alimentari per oltre seicentomila clienti negli Stati Uniti, con flotte di camion, magazzini, sistemi di refrigerazione, gestione del personale stagionale. Una parte rilevante del proprio stack informatico risale a sistemi che predatano l’era cloud, alcuni risalgono al mainframe. Quando il responsabile operations spiega che integrare AI predittiva richiede di “parlare” con quei sistemi, sta dicendo che servono interfacce custom, layer di traduzione tra protocolli, governance dei dati su asset che non sono mai stati pensati per essere interrogati in tempo reale.

Le grandi imprese hanno problemi paragonabili, e in Italia il fenomeno è ancora più marcato, spesso aggravati da decenni di stratificazione di SAP, AS/400, gestionali verticali di settore. Quando il board chiede di portare AI nella supply chain o nel finance, l’IT scopre che metà del lavoro è di pulizia e integrazione dei dati, e solo l’altra metà è effettivamente AI. Il costo del legacy nascosto nei progetti AI è quasi sempre il doppio del costo dell’AI stessa, e il decision-maker che non lo sa partito firmando un piano che si rivelerà ingestibile.

Nike racconta nel pezzo Fortune di aver investito una cifra consistente per ridisegnare la gestione dei dati di vendita in tempo reale prima ancora di mettere mano al modello AI. La maggior parte del lavoro è invisibile al cliente finale e ai clienti delle scarpe da ginnastica, ma è la condizione necessaria perché il sistema AI di previsione della domanda funzioni. Il responsabile operations osserva che senza quel preinvestimento, il modello AI avrebbe dato risultati incoerenti, e il discredito si sarebbe esteso a tutta l’iniziativa. È una lezione che dovrebbe stare nella prima pagina di ogni framework di adozione AI, e invece tende a sparire nelle slide dei vendor che vendono il modello pronto.

La resistenza umana e il cambio di mestiere

C’è poi il fronte umano, che nelle earnings call non compare mai. Quando un’azienda introduce un agente AI in un workflow, le persone che gestivano quel workflow devono cambiare mestiere. Nei casi migliori passano a controllare l’agente, nei casi peggiori vengono spostati altrove o lasciati andare. La gestione di questo passaggio è la differenza tra un progetto AI che funziona e uno che fallisce, e i dati di adozione reale lo confermano in modo sistematico.

Il COO di Sysco descrive nel pezzo come abbia dovuto investire mesi nella formazione dei conducenti di camion al nuovo sistema di routing AI-assistito. Non basta dare loro un’app, bisogna spiegare perché il sistema suggerisce una determinata sequenza di consegne, gestire i casi in cui il conducente sa qualcosa che il sistema non sa, costruire fiducia bidirezionale. È un lavoro che richiede competenze di change management che molte aziende non hanno mai sviluppato, perché negli ultimi vent’anni i progetti IT erano stati confinati a un perimetro tecnico distinto dal business.

Nike menziona la resistenza dei merchandiser senior, persone con vent’anni di esperienza nel decidere quali scarpe ordinare per quali negozi. L’AI di previsione domanda suggerisce ordini diversi, e il merchandiser deve scegliere se fidarsi del sistema o della propria intuizione. La risposta giusta dipende dal caso, ma il framework decisionale per gestire questa interazione richiede mesi di costruzione. Quando il CEO dichiara nei conference call che la trasformazione AI è in corso, sta nascondendo agli investitori che il vero lavoro è dentro queste conversazioni quotidiane tra esperti umani e sistemi AI.

Quello che il decision-maker dovrebbe leggere tra le righe

La lezione operativa per chi sta valutando l’adozione AI nella propria azienda è triplice. Bisogna distinguere la narrativa del CEO dalla realtà del COO già nella fase di pianificazione, perché altrimenti il budget approvato non coprirà i costi reali. Bisogna prevedere il preinvestimento in dati e infrastruttura come voce separata e proteggerla dai tagli, perché senza dati puliti l’AI non produce risultati. Bisogna allocare risorse di change management proporzionali al cambiamento dei processi, e non confondere il training tecnico sull’uso di un tool con il vero accompagnamento culturale che serve.

Per chi guida una PMI il quadro è diverso ma non più semplice. Le piccole aziende non hanno il legacy stratificato delle grandi, e questo è un vantaggio. Hanno però risorse di change management ancora più limitate, e questo è uno svantaggio. La traduzione pragmatica è che i progetti AI funzionano meglio quando partono piccoli e si espandono per dimostrazione di valore, peggio quando partono ambiziosi e devono mostrare risultati nel primo trimestre per giustificare il budget. La pazienza strategica è la risorsa che separa i progetti che durano dai pilot che muoiono, e la pazienza strategica è proprio quello che il mercato pubblico non concede al CEO.

I COO che parlano con Fortune in modo aperto stanno facendo un favore a chi legge gli stessi report e si chiede perché i propri progetti AI siano in difficoltà. La risposta è che la difficoltà è strutturale, non specifica, e che le aziende che lo riconoscono hanno la possibilità di pianificare in modo realistico. Quelle che continuano a credere alla narrativa dei CEO e alla traduzione che ne fanno i consulenti si troveranno tra dodici mesi con budget spesi, pilot fermi, frustrazione diffusa. Il costo della disillusione AI nelle organizzazioni è il fenomeno che probabilmente caratterizzerà la cronaca aziendale del 2027, e la sua origine sta proprio nel gap tra discorso pubblico e realtà operativa che le voci dei tre COO hanno appena reso visibile.

A questo punto dovremmo aver imparato che la trasformazione tecnologica non è mai solo tecnologica, e che il cambio richiede tempo, competenze, denaro in misura quasi sempre superiore a quanto annunciato. Dovremmo averlo imparato con l’ERP, con il cloud, con la digital transformation. Eppure ogni nuovo ciclo di entusiasmo cancella le lezioni del precedente, e il management celebra come novità ciò che è solo un’altra versione dello stesso problema umano. La vera questione non è se l’AI funzioni in laboratorio, è se l’organizzazione che la adotta abbia la capacità di reggere il cambiamento che produce.