Mettersi l’AI in casa è facile, farla funzionare davvero è molto difficile

Le aziende che spendono poco in AI, un abbonamento base da 3 dollari al mese per utente, non crescono più delle altre. Quelle che spendono con decisione, 34 dollari al mese per utente su strumenti avanzati, agenti di codice e integrazioni API, aumentano l’organico del 10,2% in 24 mesi. Lo racconta Business Insider analizzando uno studio dell’Economics Lab di Ramp condotto con Revelio Labs su 21.599 aziende americane: non è l’adozione che conta, ma l’investimento e il ridisegno dei processi attorno allo strumento.

Il dato più interessante non è la crescita in sé, è la soglia. Tra i “low-intensity adopters” e gli “high-intensity adopters” non esiste una gradazione continua: esiste un salto. Le aziende che restano sotto i pochi dollari al mese per utente si comportano, dal punto di vista occupazionale, come se l’AI non fosse mai entrata in azienda. Le aziende che superano una certa soglia di spesa vedono crescere anche le assunzioni entry-level, +12% nello stesso periodo. Comprare l’accesso non ridisegna il lavoro: l’effetto arriva solo se qualcuno in azienda scrive i nuovi processi.

Chi spende 34 dollari al mese e chi ne spende 3, il divario che conta

La distinzione tra i due gruppi non è il settore, non è la dimensione dell’azienda, non è nemmeno il budget IT complessivo. È l’intensità d’uso: quante persone usano lo strumento ogni giorno, per quali compiti, con quale livello di autonomia concessa. Un’azienda che distribuisce un accesso chatbot a tutti e lo lascia lì, senza formazione, senza processi ridisegnati attorno alla capacità nuova, resta nel gruppo che non cresce.

Questo smonta l’equazione più comoda del mercato, quella per cui l’adozione è già il risultato. Le aziende comprano abbonamenti AI in massa, e i comunicati stampa raccontano percentuali di adozione sempre più alte. Tom’s Hardware ha già raccontato che le aziende comprano tool AI, non sanno cosa farci fare davvero: il gap tra chi ha accesso allo strumento e chi lo usa in modo da cambiare un risultato di business è la vera linea di frattura del mercato enterprise oggi.

Con l’ERP o con il CRM, comprare la licenza voleva già dire imporre un processo, perché il software stesso costringeva a lavorare in un certo modo. Con l’AI generativa non è così: lo strumento si adatta a qualsiasi flusso di lavoro esistente, compreso quello disfunzionale. Se l’azienda non decide attivamente di riscrivere un processo, l’AI resta un layer sopra il caos organizzativo di prima.

Il 95% dei progetti AI non lascia traccia nei bilanci

Il quadro si allarga con un altro numero, più duro. Il report The GenAI Divide del MIT NANDA, basato su 150 interviste a dirigenti, una survey su 350 dipendenti e l’analisi di 300 deployment pubblici, dice che il 95% dei pilot di AI generativa in azienda non produce impatto misurabile sul conto economico. Solo il 5% arriva ad accelerare davvero i ricavi.

Il problema non è la qualità dei modelli. Gli autori del report parlano di “learning gap”: le organizzazioni non hanno costruito i meccanismi per far imparare lo strumento dal contesto specifico dell’azienda, per integrarlo nei flussi reali, per misurarne l’impatto con KPI diversi da “quante licenze abbiamo attivato”. Tom’s Hardware l’ha già raccontato: bella l’AI ma solo il 5% dei progetti crea valore, e il dato regge a un anno di distanza.

Oltre metà dei budget AI aziendali finisce su strumenti di vendite e marketing, ma il ritorno più alto arriva dal back-office: automazione dei processi interni, riduzione dell’outsourcing, taglio dei costi di agenzia. Le aziende investono dove si vede di più, non dove rende di più. È un errore che in azienda in caos, con l’AI puoi solo fare peggio descrive bene: uno strumento potente applicato a un processo disordinato non lo corregge, amplifica il disordine.

Il tempo che l’AI libera, e chi decide cosa farne

C’è un altro meccanismo che spiega perché l’adozione da sola non basta. Quando l’AI libera tempo su un compito, quel tempo non migra automaticamente verso attività a più valore: si riassorbe, torna a riempirsi di lavoro routine, se l’organizzazione non ha pianificato come reimpiegarlo.

È una versione aggiornata del paradosso della produttività descritto per decenni in economia: la tecnologia entra in azienda, il singolo compito diventa più veloce, ma il guadagno aggregato non si materializza perché l’organizzazione non ha ridisegnato attorno al nuovo margine di tempo disponibile.

Chi si occupa di trasformazione digitale lo dice apertamente: il change management non finisce mai, è un lavoro continuo di riassegnazione di priorità, non un progetto con una data di chiusura. Le aziende che trattano l’adozione AI come un progetto IT con go-live e collaudo, invece che come un processo organizzativo permanente, sono quelle che restano nel 95% senza ritorno misurabile.

Solo un’azienda su quattro riesce a scalare l’AI oltre la fase pilota, secondo un’analisi di BCG: il blocco non è tecnico ma culturale, una resistenza nei team che richiede intervento diretto dal vertice aziendale, non delega al reparto IT.

Chi paga il conto del cambiamento che non arriva

A questo punto la domanda utile non è più se l’AI funziona. La domanda è chi paga quando non funziona, e chi ci guadagna a raccontare che basta comprarla. Il costo del cambiamento mancato non ricade su chi decide l’acquisto. Ricade sul middle management e sui team operativi, che ricevono lo strumento senza che nessuno abbia ridisegnato il processo intorno.

Il dato Stanford AI Index citato da Tom’s Hardware inquadra bene la dimensione del problema: l’88% delle aziende usa già l’AI in qualche forma, ma solo l’1% ha superato la fase di adozione superficiale. Tra l’88% che dichiara di usare l’AI e l’1% che ne ha ristrutturato davvero i processi c’è un intero mercato che vive di quella distanza.

Chi decide l’acquisto delle licenze, procurement, CIO, direzione IT, quasi mai è la stessa persona che deve poi rimappare i processi operativi dei team. Quella distanza è il costo nascosto reale: non il prezzo dell’abbonamento, ma il tempo che i responsabili di linea devono trovare, senza budget dedicato, per ridisegnare un flusso di lavoro attorno a uno strumento già consegnato come attivo.

Il mercato dei consulenti e degli integratori ha un incentivo diretto a mantenere questa confusione. Gli strumenti costruiti da fornitori esterni hanno il doppio delle probabilità di successo rispetto a quelli sviluppati internamente (dato NANDA), e il dato si presta a una lettura ambigua: prova che serve competenza specialistica, oppure argomento di vendita per pacchetti chiavi in mano che promettono “adozione” quando il problema reale è “trasformazione”. Un pacchetto di “adozione AI” si misura in seat attivati e si fattura in fretta. Un progetto di trasformazione organizzativa si misura in processi ridisegnati e ownership riassegnata: richiede mesi e non si vende con la stessa facilità in una slide.

Tre condizioni distinguono le aziende del 5% da quelle del 95%. Una strategia esplicita su dove l’AI deve creare valore, un responsabile nominato per ogni processo che tocca, un piano di reinvestimento del tempo liberato. Nessuna di queste tre si compra con un abbonamento. Tutte e tre richiedono che qualcuno in azienda, con autorità sufficiente, decida di rompere l’equilibrio esistente invece di limitarsi ad aggiungere uno strumento sopra.

La separazione tra adozione e impatto è strutturale, non temporanea. Non sparisce con una generazione di AI più capace. Dipende dal modo in cui le aziende comprano tecnologia oggi: finché il KPI nei consigli di amministrazione resta “quante licenze abbiamo attivato” invece di “quale processo è cambiato e chi ne risponde”, il 95% di pilot senza ritorno non è un’anomalia. È il risultato prevedibile di un mercato che vende accesso, non trasformazione, e che ha tutto l’interesse a continuare finché qualcuno dentro le aziende che comprano non chiede conti diversi.