Guardiamo all’IA con occhi umani e per questo non riusciamo a farla funzionare

Il vocabolario con cui l’industria racconta l’intelligenza artificiale ha smesso di descrivere e ha iniziato a vendere. I modelli “ricordano”, “ragionano”, “pianificano”, “sognano”. Sono verbi che funzionano in conferenza stampa e nei pitch deck, ma quando arrivano sul tavolo del CFO si trasformano in promesse impossibili da misurare. Il risultato è quello documentato dal MIT nel suo rapporto GenAI Divide 2025: il 95% dei pilot generativi non produce alcun impatto sul conto economico, su un campione di 300 deployment, 52 interviste con executive e 153 survey.

La cifra circola da mesi e ha provocato reazioni a catena, ma su Fast Company è apparsa di recente una lettura più scomoda della solita: il problema sta nel modo in cui li raccontiamo, prima ancora che nei modelli. Finché l’AI viene venduta come un collega digitale che impara, ricorda e collabora, le aziende continueranno a comprare metafore antropomorfe e a scoprire troppo tardi che le metafore non si industrializzano. Solo i sistemi formalizzati lo fanno.

Il punto vale anche oltre il MIT. Gartner ha previsto che il 30% dei progetti GenAI sarebbe stato abbandonato dopo la fase di PoC entro fine 2025, e nel giugno scorso ha alzato la posta su un fronte ancora più caldo: oltre il 40% dei progetti agentici cancellati entro il 2027, per costi crescenti, valore di business poco chiaro e controlli del rischio inadeguati. Un’altra rilevazione Gartner di aprile 2026, sui responsabili Infrastructure & Operations, dice che solo il 28% dei casi d’uso AI in produzione è considerato pienamente di successo con ROI dimostrato, mentre il 20% fallisce apertamente. Il resto galleggia.

Il vocabolario antropomorfo che vende ma non scala

Il vocabolario antropomorfo abbassa il costo cognitivo dell’acquisto. Un manager che sente parlare di “agente che ragiona sui dati aziendali” non chiede schemi di orchestrazione, latenze, modalità di fallback o criteri di accettazione: compra un’immagine mentale, e poi gira la pratica al procurement. Parlare di “memoria” di un modello sembra spiegare tutto, mentre in realtà copre fenomeni eterogenei e incompatibili tra loro. Un sistema che recupera documenti da un knowledge base non ha la stessa “memoria” di un sistema che riempie un context window, e nessuno dei due ha qualcosa che assomigli alla memoria episodica di un essere umano. Le architetture sono diverse, i costi sono diversi, i fallimenti sono diversi. La metafora li appiattisce.

La cosiddetta “AI smemorata”, come l’abbiamo descritta a proposito della metafora della memoria, segue la stessa dinamica: gli agenti non dimenticano come dimenticano gli umani, perdono accesso a uno stato che andava progettato, popolato, persistito. La sostituzione del vocabolario tecnico con quello esistenziale sposta un progetto dall’ingegneria al folklore. Gli executive comprano folklore, gli ingegneri ereditano debito tecnico.

McKinsey nel suo State of AI 2025 fotografa lo stesso scollamento. L’88% delle organizzazioni dichiara di usare AI in almeno una funzione, il 72% adotta generative AI, in crescita dal 33% del 2024. Eppure solo il 5,5% riporta ritorni finanziari reali, e appena il 21% ha effettivamente ridisegnato i workflow per integrare l’AI. L’80% sovrappone modelli a processi rimasti identici. Un’adozione comprata su metafora produce esattamente questo: la promessa era “il collega digitale che si inserisce nel tuo team”, la realtà è una funzione bolt-on che genera output difficili da incanalare in un processo non riprogettato.

Quando il “sogno” di Anthropic incontra il bilancio del CFO

Negli ultimi mesi i laboratori di Anthropic hanno introdotto la nozione di “dreaming” dei modelli: una metafora suggestiva, che descrive processi interni di consolidamento e revisione tutt’altro che onirici. Su una conference call interna funziona, in un white paper di ricerca passa. Nel momento in cui arriva sul tavolo di un direttore IT che deve giustificare un budget triennale, però, la metafora si trasforma in un boomerang: il CFO chiede cosa significhi operativamente, e la risposta onesta è “niente di direttamente misurabile”. A quel punto il progetto si ferma, oppure parte con aspettative incompatibili con la realtà.

Nel rapporto MIT i deployment costruiti acquistando tool da vendor esterni hanno tasso di successo doppio rispetto a quelli build interni. Non perché i vendor siano più bravi, ma perché chi compra un tool con specifiche definite compra un sistema con vincoli espliciti, mentre chi costruisce in casa parte spesso da una metafora e prova a darle corpo. Il primo approccio ha criteri di accettazione, il secondo ha un’ambizione. Il 95% dei pilot falliti vive in questa seconda categoria.

Il MIT chiama “Shadow AI Economy” il livello sommerso dell’adozione. Il 40% delle aziende ha attivato subscription LLM ufficiali, ma il 90% dei lavoratori usa ChatGPT o Claude personali quotidianamente per attività professionali. Il valore reale generato dall’AI in azienda spesso non passa dai progetti enterprise approvati: passa da abbonamenti personali da venti dollari al mese, fuori da qualunque governance. La metafora antropomorfa funziona solo per vendere progetti, non per descrivere come l’AI viene effettivamente usata sul campo. Il singolo lavoratore non compra un “agente che ragiona”, compra uno strumento che completa task specifici e lo abbandona quando non funziona.

La qualità dei dati su cui i modelli enterprise sono chiamati a operare amplifica lo stesso problema. Come abbiamo scritto a proposito dei dati spazzatura, nessuna metafora antropomorfa salva un sistema costruito su input incoerenti. Il “collega digitale” resta una pipeline. E le pipeline si rompono dove sono rotti i dati.

La via d’uscita è metodologica prima che tecnologica. Il 5% delle aziende che dichiara ritorni reali condivide un tratto strutturale: ha tradotto le metafore in specifiche tecniche prima di firmare contratti con i vendor. Ha comprato un sistema con input definiti, output verificabili, vincoli espliciti su latenza, costo per chiamata, modalità di fallback e criteri di escalation umana, al posto di un “agente intelligente”. Ha trattato l’AI come si tratta un componente software qualunque, non come un essere semi-cosciente da addomesticare.

Lo dimostra bene il pattern delle 24 aziende che hanno ottenuto ROI misurabile: in tutti i casi il successo è arrivato dopo una riformulazione operativa, non dopo l’acquisto di un modello più potente. Lo stesso vale per chi ha imparato a misurare i KPI dal primo giorno: il problema non era la qualità del modello, era la mancanza di una metrica condivisa tra business e IT. E quando i pilot che non passano in produzione vengono autopsiati, emerge quasi sempre la stessa diagnosi: si erano costruiti su una promessa narrativa, non su una specifica.

La metafora antropomorfa è uno strumento di marketing prima ancora che un errore tecnico. Vendere “agenti che ricordano, pianificano, sognano” è infinitamente più facile che vendere “sistemi di orchestrazione vincolata con knowledge graph, criteri di accettazione formalizzati e fallback deterministici”. Il primo prodotto si chiude in tre call commerciali, il secondo richiede sei mesi di analisi congiunta tra fornitore e cliente. Per questo i vendor preferiscono il primo, e per questo i CFO firmano il primo. Solo che il primo non si industrializza, e il 95% dei fallimenti documentati dal MIT è esattamente lì.

Industrializzare l’AI enterprise significa l’opposto di quello che il vocabolario corrente suggerisce. Significa spogliare i sistemi delle qualità umane apparenti e trattarli per quello che sono: software statistico con margini di errore noti, costi per inferenza misurabili, comportamenti che si specificano e si verificano come quelli di qualunque altra componente. Significa accettare che dietro ogni metafora deve esserci un modello formalizzato, con vincoli espliciti e metriche chiare, altrimenti la metafora è solo un debito che qualcuno pagherà più avanti. Finché il settore continua a vendere AI come se fosse un collega da assumere, il deployment enterprise resterà artigianato. E l’artigianato, per definizione, non scala.