Orizzonti futuri

Il divario tra promesse e risultati dell’IA: perché la rivoluzione della produttività non è arrivata

Secondo un’indagine McKinsey del 2026, il 37% delle aziende segnala un qualche impatto dell’IA sull’EBIT; Gartner ha rilevato che il 22% l’ha adottata su larga scala. Un anno di spesa più intensa ha portato a una maggiore adozione su larga

AI.info Team · 2026-09-01

Il conto è arrivato

Quando il progetto NANDA del MIT ha pubblicato, nell’agosto 2025, il rapporto «State of AI in Business 2025», le aziende avevano investito tra i 30 e i 40 miliardi di dollari in iniziative di IA generativa. Il rendimento di quella spesa, misurato dove conta davvero — nel conto economico — è vicino allo zero per la stragrande maggioranza delle aziende.

Sulla base di 52 interviste strutturate con dirigenti, un sondaggio condotto tra 153 responsabili e un’analisi di oltre 300 applicazioni pubbliche dell’IA, i ricercatori di NANDA hanno concluso che il 95% dei progetti pilota aziendali di IA generativa non produce alcun impatto misurabile sul conto economico. Secondo il rapporto, solo il 5% dei progetti pilota di IA integrata genera un valore di milioni di dollari.

Questo non significa che la tecnologia non funzioni. Chiedete a un ingegnere del software che usa un assistente di IA per programmare, o a un team di assistenza clienti che impiega un chatbot per un compito ben circoscritto: vi diranno che gli strumenti sono spesso eccellenti nel compito specifico che hanno davanti. La conclusione del MIT è più precisa, e più scomoda per i consigli di amministrazione che hanno approvato budget per l’IA a otto o nove cifre sulla base delle dimostrazioni dei fornitori: prestazioni eccellenti nei singoli compiti non si traducono in risultati finanziari a livello aziendale.

È questo il divario tra aspettative e realtà del ritorno sull’investimento, visibile in un rapporto dopo l’altro di Gartner, S&P Global Market Intelligence, McKinsey e Boston Consulting Group. Tutti individuano lo stesso punto critico: non se i modelli siano capaci, ma se le aziende sappiano trasformare quelle capacità in denaro. A un anno di distanza, le tornate di sondaggi del 2026 non hanno colmato il divario.

È un problema distinto dall’enigma della produttività macroeconomica che occupa gli economisti dagli anni 1980: l’osservazione che le tecnologie trasformative si vedono ovunque tranne che nelle statistiche del PIL, e la tesi secondo cui l’IA, come l’elettricità prima di essa, richiede una lenta riorganizzazione dei processi aziendali prima che i suoi effetti emergano nella produzione aggregata. È un dibattito reale, che merita di essere affrontato nei suoi termini.

Ma quello riguarda i conti nazionali e tempi di attesa lunghi. Il divario nel ritorno sull’investimento riguarda ciò che accade adesso, all’interno delle singole aziende, tra la voce di bilancio destinata all’IA e la presentazione dei risultati finanziari agli investitori. E la notizia non è che i benefici siano semplicemente in ritardo. È che, per ragioni che hanno molto più a che fare con la capacità delle aziende di realizzare i progetti che con quella dei modelli, è strutturalmente improbabile che la maggior parte delle applicazioni attuali produca mai un ritorno.

Che cosa significa davvero «il 95% fallisce»

Il dato principale del rapporto NANDA è stato riassunto spesso, e con una certa approssimazione, così: «il 95% dei progetti di IA fallisce». Non è esattamente ciò che dice. Il criterio di successo è preciso: uno strumento destinato a un compito specifico conta come implementato con successo solo se utenti o dirigenti affermano che ha prodotto un impatto marcato e duraturo sulla produttività e/o sul conto economico; inoltre, la maggior parte dei tentativi si è arenata prima della messa in produzione, non dopo. La conclusione più utile per capire il problema riguarda il modo in cui le aziende hanno introdotto l’IA al loro interno.

Oltre l’80% delle imprese aveva sperimentato strumenti generici come ChatGPT o Microsoft Copilot, e quelle esperienze erano state giudicate generalmente positive. Ma solo il 5% circa delle organizzazioni era arrivato alla messa in produzione di sistemi di IA di livello aziendale, realizzati su misura o venduti da fornitori. Gli strumenti acquistati da un fornitore specializzato e integrati attraverso una partnership hanno avuto successo con una frequenza circa doppia rispetto a quelli sviluppati internamente: circa due terzi delle volte, contro un terzo.

La spiegazione proposta dal rapporto non è la carenza di talenti, di capacità di calcolo o un ostacolo normativo. È quello che gli autori chiamano un «divario di apprendimento»: la maggior parte dei sistemi implementati non conserva i feedback, non si adatta al contesto e non migliora con l’uso come farebbe, nell’arco di qualche mese, un nuovo assunto competente. Funziona più come uno strumento statico aggiunto a un flusso di lavoro che come un collega inserito al suo interno.

Le applicazioni riuscite, invece, avevano tre caratteristiche in comune: puntavano a un flusso di lavoro circoscritto e ben definito, anziché a un obiettivo ampio; la responsabilità era affidata ai responsabili operativi che gestivano effettivamente quel flusso, non a un laboratorio di IA centralizzato; e il sistema era integrato con gli strumenti e i dati già usati dal team, anziché essere una destinazione separata che i dipendenti dovevano ricordarsi di visitare.

Quest’ultimo punto si collega direttamente a un’altra delle conclusioni più sorprendenti del rapporto: un’«economia sommersa dell’IA» che prospera in parallelo a quella ufficiale, che non funziona. NANDA ha rilevato che circa il 90% dei dipendenti usa già regolarmente strumenti di IA personali per lavoro, anche se solo il 40% circa dei loro datori di lavoro dispone di un abbonamento ufficiale a servizi di IA.

Milioni di lavoratori, di fatto, conducono propri programmi pilota privati su account ChatGPT, Claude o Gemini che l’azienda non ha mai autorizzato, finanziato o misurato, ricavandone nella quotidianità più valore che dai sistemi di IA effettivamente acquistati dal datore di lavoro. Il contrasto è impietoso: in termini di utilità percepita, gli strumenti per i quali ai dipendenti non è stato assegnato un budget superano quelli che l’azienda ha speso milioni per costruire.

Il conto dell’integrazione che nessuno aveva messo a bilancio

Chiedete a un CIO che abbia provato a trasformare un progetto pilota di IA generativa da una demo a un’adozione estesa a un intero reparto: vi elencherà sempre gli stessi costi. Bisogna pulire e strutturare i dati su cui il modello si basa perché possa effettivamente ragionarci, riprogettare i flussi di lavoro e le procedure di approvazione attorno allo strumento anziché al vecchio processo, riqualificare il personale, costruire sistemi di monitoraggio e valutazione per accorgersi quando le prestazioni peggiorano senza dare nell’occhio e gestire le resistenze al cambiamento di chi, in primo luogo, quello strumento non l’aveva chiesto.

Quante aziende abbiano effettivamente portato l’IA su larga scala dipende dalla definizione adottata, e questo è già parte del problema. Gartner, che tra gennaio e aprile 2026 ha intervistato 1.303 organizzazioni con ricavi di almeno 50 milioni di dollari, ha rilevato che il 22% aveva esteso l’IA a più unità aziendali o adottato un approccio AI-first. La rilevazione 2026 di McKinsey, basata su una domanda più ampia sull’uso dell’IA nell’intera azienda, indica una quota notevolmente più alta. Entrambe concordano però sul fatto che il vincolo decisivo non sia più l’accesso ai modelli, ma la capacità dell’azienda di gestire, collegare e rendere riutilizzabili i propri dati abbastanza bene perché un sistema di IA possa attingervi in modo affidabile. Nulla di tutto questo compare nel preventivo del fornitore per le licenze per utente, e tutto richiede tempo e denaro, senza avere il fascino del progetto pilota iniziale.

I dati del settore finanziario confermano il quadro su larga scala. Una ricerca del 2025 di S&P Global Market Intelligence ha rilevato che la quota di aziende che prevedevano di abbandonare la maggior parte delle proprie iniziative di IA era salita al 42%, dal 17% appena dell’anno precedente: un segnale che il tasso di insuccesso non era soltanto uno strascico dell’entusiasmo iniziale, ma peggiorava man mano che più organizzazioni cercavano di superare la fase pilota. Non è stato pubblicato un aggiornamento della serie per il 2026, perciò questi restano i dati più recenti.

La stessa ricerca, basata su un’indagine condotta tra oltre 1.000 intervistati in Nord America e in Europa, ha rilevato che le aziende scartano in media il 46% dei progetti di IA nella fase di prova di fattibilità, prima ancora di implementarli. Tra le ragioni ricorrenti figurano i costi, l’esposizione dei dati a rischi per la privacy e i rischi per la sicurezza.

AI Radar 2025 di Boston Consulting Group quantifica la delusione dei dirigenti che sta dietro a quei tassi di abbandono: benché un’azienda su tre prevedesse di spendere più di 25 milioni di dollari per l’IA nel 2025, solo il 25% circa dei dirigenti dichiarava di ricavare un valore significativo dai propri investimenti in IA. Secondo la diagnosi di BCG, la maggior parte delle aziende punta a obiettivi troppo modesti e interviene troppo in superficie: cerca piccoli miglioramenti incrementali della produttività ai margini dell’attività, invece di destinare oltre l’80% degli investimenti in IA, come fa il ristretto gruppo delle aziende leader individuato da BCG, a riprogettare le funzioni principali e a costruire nuove offerte attorno alla tecnologia.

L’indagine globale 2026 di McKinsey, pubblicata il 25 agosto 2026 con il titolo «The state of AI in 2026: On the road to ROI», rileva la stessa divisione un anno dopo. Solo il 37% degli intervistati attribuisce all’IA un qualsiasi impatto sull’EBIT a livello aziendale, una quota rimasta stabile mentre l’adozione e la spesa aumentavano. È rimasto stabile anche il gruppo che McKinsey definisce delle aziende con le migliori prestazioni nell’IA, pari a circa il 6% degli intervistati.

I dati 2026 di Gartner descrivono lo stesso scenario a due velocità da un’altra prospettiva. Tra le organizzazioni che classifica come più performanti, l’81% delle iniziative di IA ha generato un rendimento positivo; tra quelle meno performanti, quasi un terzo delle iniziative ha avuto un rendimento che nessuno in azienda sapeva indicare. Nel frattempo, l’85% dei responsabili di funzione prevedeva di aumentare la spesa per l’IA nel 2026 e circa l’11% delle organizzazioni non sapeva dire quanto la propria funzione avesse speso per l’IA l’anno precedente.

La distanza tra l’azienda mediana e questo piccolo gruppo riassume l’intero divario tra promesse e realtà dei rendimenti: la tecnologia può chiaramente produrre risultati eccezionali per le organizzazioni che riprogettano il proprio modello operativo attorno a essa, e altrettanto chiaramente non lo sta facendo per il gruppo, molto più numeroso, di quelle che la innestano sull’attività ordinaria.

L’IA agentica ripete lo schema più in fretta

Se i chatbot di IA generativa hanno impiegato due o tre anni a far emergere questo divario, la prossima ondata — i sistemi autonomi di IA «agentica», che pianificano ed eseguono attività in più passaggi con una supervisione umana limitata — sembra destinata a farlo più in fretta. A metà del 2025 Gartner ha previsto che oltre il 40% dei progetti di IA agentica sarà cancellato entro la fine del 2027, indicando come cause principali l’aumento dei costi, la scarsa chiarezza del valore per l’azienda e l’inadeguatezza dei controlli sui rischi.

La ricerca di Gartner segnala anche una distorsione del mercato dietro l’entusiasmo: tra le migliaia di fornitori che si presentano come fornitori di IA agentica, la società stima che solo circa 130 offrano reali capacità agentiche. Gli altri praticano quello che Gartner chiama «agent washing»: ribattezzano chatbot e strumenti di automazione robotica dei processi già esistenti con un linguaggio agentico, senza dotarli di capacità agentiche.

Un sondaggio condotto da Gartner nel gennaio 2025 tra oltre 3.400 partecipanti a un webinar ha rilevato che solo il 19% delle organizzazioni definiva significativo il proprio investimento nell’IA agentica, mentre il 42% lo definiva prudente e quasi un terzo restava a osservare e aspettare. In breve, le imprese stanno per imparare di nuovo la lezione dell’IA generativa — che una demo convincente e un’implementazione operativa, affidabile e di cui si possano misurare i risultati finanziari sono due progetti molto diversi — in un ciclo più rapido e più costoso.

Dove il ROI è reale

Tutto questo non significa che il ritorno dell’IA per le imprese sia ovunque un miraggio. Significa che si concentra in un insieme di casi d’uso più ristretto di quanto lasciasse intendere l’entusiasmo iniziale. Questi casi hanno caratteristiche comuni: un compito circoscritto, una metrica chiara per confrontare il prima e il dopo e un flusso di lavoro che l’azienda era davvero disposta a riprogettare.

Gli assistenti alla programmazione sono il caso più chiaro di successo su un singolo compito, sostenuto da solide prove sperimentali. Uno studio controllato randomizzato condotto con ricercatori di Microsoft, GitHub e MIT ha rilevato che gli sviluppatori professionisti con accesso a GitHub Copilot completavano un compito di programmazione usato come benchmark il 55,8% più velocemente di un gruppo di controllo che lavorava senza lo strumento. Un’analisi aggregata separata di esperimenti sul campo condotti in tre aziende, che ha coinvolto quasi 4.867 sviluppatori, ha rilevato che l’uso di Copilot era associato a un aumento di circa il 26% della produttività, misurata in base alle pull request integrate.

È quanto di più vicino a un aumento di produttività inequivocabile e riproducibile l’IA generativa abbia prodotto nel mondo delle imprese. Ed è proprio il tipo di caso che, secondo il modello di NANDA, dovrebbe funzionare: un compito ristretto e ben definito, inserito direttamente nello strumento che gli sviluppatori già usano, con un’unità di risultato evidente e immediatamente visibile.

L’assistenza clienti offre un esempio reale, ma più complesso, e il caso spesso citato di Klarna ne mostra sia le promesse sia le esagerazioni. Nel febbraio 2024, la fintech svedese ha dichiarato che il suo assistente basato su OpenAI gestiva un carico di lavoro equivalente a quello di 700 operatori a tempo pieno, risolveva le richieste in meno di due minuti contro gli undici necessari a un operatore umano e, secondo le previsioni, avrebbe aggiunto 40 milioni di dollari agli utili di quell’anno.

I dati comunicati dalla stessa Klarna mostrano che il costo dell’assistenza clienti per transazione è sceso da 0,32 dollari nel primo trimestre del 2023 a 0,19 dollari nel primo trimestre del 2025: un miglioramento reale, misurabile e duraturo del costo unitario, non una cifra da comunicato stampa valida per un solo trimestre.

Ma la storia completa è più istruttiva del titolo: nel maggio 2025, l’amministratore delegato Sebastian Siemiatkowski diceva a Bloomberg che l’azienda aveva ridotto il personale umano in modo troppo aggressivo nella corsa all’automazione. Klarna ha cominciato a riassumere personale per un modello di assistenza ibrido, che includesse anche operatori umani, pur continuando ad attribuire all’IA la gestione della maggior parte delle richieste ordinarie.

La lezione che le imprese dovrebbero trarre da Klarna non è «l’assistenza con l’IA non funziona» — i costi unitari mostrano chiaramente che funziona per una larga parte delle richieste ordinarie — ma che il ROI e la strategia per il personale sono due decisioni distinte. Le aziende che le fondono in un unico comunicato stampa tendono poi a dover fare pubblicamente almeno in parte marcia indietro.

Il divario tra un compito e una voce del conto economico

Il filo che unisce chi ha avuto successo e chi no è lo stesso divario indicato esplicitamente dai ricercatori di NANDA: gli studi sulla produttività nei singoli compiti non misurano la stessa cosa dell’impatto sul conto economico di un’organizzazione, e le imprese li hanno trattati come se fossero intercambiabili. Completare un benchmark di programmazione il 55,8% più velocemente, o ridurre nettamente le richieste ripetute dei clienti, è un risultato reale e misurabile. Ma compare nel conto economico solo se l’impresa ha riprogettato organici, prezzi o obiettivi di produzione in funzione di quella nuova capacità.

La maggior parte delle aziende non l’ha fatto. Ha acquistato o sviluppato uno strumento, ha osservato che funziona quando viene usato individualmente e poi ha lasciato quasi del tutto invariata l’organizzazione circostante: piani per il personale, responsabilità dei flussi di lavoro, sistemi di incentivi e pipeline di dati. Lo strumento funziona; l’organigramma non cambia; il conto economico non ne risente.

Questa è la vera natura del divario tra le aspettative sul ROI dell’IA e la realtà: non una tecnologia che non funziona, né semplicemente un beneficio macroeconomico rinviato, in attesa della lenta diffusione che hanno richiesto altre tecnologie di uso generale nella storia. È uno scarto tra il luogo in cui risiedono davvero le capacità dell’IA — applicazioni circoscritte, ben integrate e gestite da chi opera in prima linea — e quello in cui è stata effettivamente spesa la maggior parte dei budget aziendali per l’IA: iniziative ampie, gestite centralmente e poco integrate, ottimizzate per una dimostrazione pilota d’effetto anziché per un numero che un direttore finanziario possa difendere.

McKinsey ha intitolato la sua indagine del 2026 «Sulla strada verso il ROI», e in quella frase la strada ha un peso notevole: più aziende hanno ampliato l’adozione, la spesa continua a crescere e la quota di quelle che dichiarano un qualsiasi impatto sull’EBIT a livello aziendale è del 37%, sostanzialmente la stessa di un anno prima. L’adozione su larga scala è avanzata. Gli utili no.

Finché più aziende non colmeranno questo divario specifico e affrontabile — restringendo il campo, acquistando anziché sviluppando più del necessario, integrando lo strumento nelle responsabilità già esistenti per i flussi di lavoro e misurando l’impatto sul conto economico anziché l’adozione nei progetti pilota — la rivoluzione della produttività promessa alle imprese continuerà a manifestarsi nel 5% dei casi e a restare ostinatamente assente nel restante 95%.