Orizzonti futuri

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

Secondo l’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 diffusione, ma non

Gabriele Masetti · 2026-09-01

Il conto è arrivato

Quando il progetto MIT NANDA 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 ritorno 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 a dirigenti, un sondaggio condotto tra 153 responsabili e un’analisi di oltre 300 implementazioni pubbliche di 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. Solo circa il 5% delle organizzazioni registra quelli che il rapporto definisce ritorni rapidi e trasformativi.

Questo non significa che la tecnologia non funzioni. Chiedete a uno sviluppatore che usa un assistente di IA per scrivere codice, o a un team di assistenza clienti che impiega un chatbot per compiti ben delimitati: vi diranno che spesso questi strumenti svolgono egregiamente il compito specifico loro affidato. Il risultato del MIT è più preciso e più scomodo per i consigli di amministrazione che hanno approvato budget per l’IA a otto o nove cifre sulla base delle demo dei fornitori: prestazioni eccellenti nei singoli compiti non si traducono in risultati finanziari per l’azienda nel suo complesso.

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

Il divario è un problema distinto dal rompicapo della produttività macroeconomica che occupa gli economisti dagli anni 1980: l’osservazione che le tecnologie trasformative si vedono ovunque tranne che nelle statistiche sul PIL, e la tesi secondo cui l’IA, come prima di essa l’elettricità, 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 quel dibattito riguarda i conti nazionali e tempi lunghi. Il divario nel ritorno dell’investimento riguarda ciò che accade adesso, nelle singole aziende, tra la voce di budget dedicata all’IA e la presentazione dei risultati finanziari. E la notizia non è semplicemente che il ritorno tarda ad arrivare: è che la maggior parte delle implementazioni attuali, per come sono concepite, difficilmente produrrà un ritorno, per ragioni che hanno molto più a che fare con la capacità delle aziende di mettere in pratica i progetti che con le capacità dei modelli.

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. I progetti pilota studiati perlopiù riuscivano nel compito per cui erano stati creati; ciò che non si concretizzava era un impatto sul conto economico dopo il presunto passaggio alla produzione. Il risultato più utile per capire il problema riguarda il modo in cui le aziende hanno introdotto l’IA al proprio interno.

Oltre l’80% delle imprese aveva sperimentato strumenti generici come ChatGPT o Microsoft Copilot, e quelle esperienze erano state generalmente giudicate positive. Ma solo circa il 5% dei progetti pilota aziendali personalizzati e sviluppati internamente è mai arrivato in produzione. Gli strumenti acquistati da un fornitore specializzato e integrati attraverso una collaborazione hanno avuto successo con una frequenza circa tripla rispetto a quelli sviluppati internamente: circa due terzi dei casi, contro un terzo.

Secondo il rapporto, la spiegazione non sta in una carenza di talenti, di capacità di calcolo o in un ostacolo normativo. Sta in quello che gli autori chiamano un «divario di apprendimento»: la maggior parte dei sistemi implementati non conserva i riscontri ricevuti, non si adatta al contesto né migliora con l’uso come farebbe, nell’arco di qualche mese, una persona competente appena assunta. Funziona più come uno strumento statico aggiunto a un flusso di lavoro che come un collega integrato al suo interno.

Le implementazioni riuscite, al contrario, avevano tre caratteristiche in comune: miravano a un flusso di lavoro circoscritto e ben definito, anziché a un obiettivo generico; la responsabilità era affidata ai responsabili operativi che gestivano davvero 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 piattaforma separata che i dipendenti dovevano ricordarsi di consultare.

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

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

Il conto dell’integrazione che nessuno aveva messo a budget

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 di base perché un modello possa effettivamente ragionarci sopra, riprogettare i flussi di lavoro e le catene di approvazione intorno allo strumento anziché al vecchio processo, riqualificare il personale, costruire sistemi di monitoraggio e valutazione capaci di rilevare quando le prestazioni peggiorano senza dare nell’occhio e gestire le resistenze al cambiamento di una forza lavoro che, per cominciare, quello strumento non lo aveva chiesto.

Quante aziende siano effettivamente riuscite a passare a un’adozione su larga scala dipende dalla definizione, e anche questo è parte del problema. Gartner, in un’indagine condotta tra gennaio e aprile 2026 su 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 che mette l’IA al primo posto. L’indagine McKinsey del 2026, che pone una domanda meno restrittiva sull’uso dell’IA nell’intera azienda, riporta una quota notevolmente più alta. Entrambe concordano, però, sul fatto che il vincolo decisivo non è più l’accesso ai modelli, ma la capacità di un’azienda di gestire, collegare e riutilizzare i propri dati abbastanza bene da permettere a un sistema di IA di attingervi in modo affidabile. Nulla di tutto questo compare nel preventivo di un fornitore per le licenze per utente, e tutto richiede tempo, costa molto ed è ben meno attraente del progetto pilota iniziale.

I dati sul settore finanziario lo confermano 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 balzata al 42%, dal 17% appena dell’anno precedente: un segnale che il tasso di fallimento non era un semplice strascico dell’entusiasmo iniziale, ma stava peggiorando man mano che più organizzazioni cercavano di superare la fase pilota. Non è stato pubblicato un aggiornamento della serie per il 2026, quindi questi restano i dati più recenti.

La stessa ricerca, basata su un’indagine condotta su oltre 1.000 persone in Nord America e in Europa, ha rilevato che le aziende scartano in media il 46% delle prove di fattibilità sull’IA prima ancora di arrivare all’implementazione. I motivi ricorrenti sono i costi, i rischi per la privacy dei dati e quelli per la sicurezza.

L’AI Radar 2025 di Boston Consulting Group dà una misura della delusione dei dirigenti che sta dietro a quei tassi di abbandono: anche se un’azienda su tre prevedeva di spendere più di 25 milioni di dollari per l’IA nel 2025, solo circa il 25% dei dirigenti dichiarava di aver ricavato un valore sostanziale dai propri investimenti. Secondo BCG, la maggior parte delle aziende punta troppo in basso e si ferma alla superficie: cerca piccoli miglioramenti incrementali della produttività ai margini dell’attività, invece di destinare oltre l’80% degli investimenti nell’IA, come fa il ristretto gruppo di aziende leader individuato da BCG, alla riprogettazione delle funzioni fondamentali e alla creazione di nuove offerte basate sulla tecnologia.

L’indagine globale McKinsey del 2026, pubblicata il 25 agosto 2026 con il titolo «Lo stato dell’IA nel 2026: sulla strada verso il ritorno sull’investimento», rileva la stessa divisione un anno dopo. Solo il 37% delle persone intervistate attribuisce all’IA un qualsiasi impatto sull’EBIT a livello aziendale, una quota rimasta stabile mentre adozione e spesa aumentavano. È rimasta stabile anche la quota del gruppo che McKinsey definisce ad alte prestazioni nell’IA: circa il 6% delle persone intervistate.

I dati di Gartner per il 2026 descrivono lo stesso panorama a due velocità da un’altra prospettiva. Tra le organizzazioni che classifica come ad alte prestazioni, l’81% delle iniziative di IA ha prodotto un ritorno positivo; tra quelle a basse prestazioni, quasi un terzo delle iniziative ha avuto un ritorno che nessuno in azienda era in grado di quantificare. 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 racchiude, in miniatura, l’intero divario tra le promesse e la realtà dei ritorni sull’investimento: la tecnologia può chiaramente produrre ritorni eccezionali per le organizzazioni che riprogettano il proprio modello operativo intorno a essa, e altrettanto chiaramente non ci riesce per il gruppo molto più ampio che si limita ad aggiungerla alle attività di sempre.

L’IA agentica sta ripetendo lo stesso schema più in fretta

Se i chatbot di IA generativa hanno impiegato due o tre anni a mettere in luce questo divario, la prossima ondata — sistemi autonomi di IA «agentica» che pianificano ed eseguono compiti in più fasi con una supervisione umana limitata — sembra destinata a farlo più rapidamente. 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, il valore aziendale poco chiaro e controlli dei rischi inadeguati.

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

Un sondaggio condotto da Gartner nel gennaio 2025 tra oltre 3.400 partecipanti a un webinar ha rilevato che solo il 19% delle organizzazioni descriveva come significativo il proprio investimento nell’IA agentica; il 42% lo definiva prudente e quasi un terzo restava in attesa, a osservare gli sviluppi. In breve, le aziende stanno per imparare di nuovo la lezione dell’IA generativa — una demo efficace e un’implementazione pronta per l’uso operativo, di cui si possano rendere conto i risultati finanziari, sono due progetti molto diversi — in un ciclo più rapido e più costoso.

Dove il ritorno sull’investimento è reale

Tutto questo non significa che il ritorno sull’investimento nell’IA aziendale 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 evidente di successo nello svolgimento di 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 rispetto a un gruppo di controllo che lavorava senza Copilot. Un’analisi aggregata separata di esperimenti sul campo condotti in tre aziende, su quasi 4.867 sviluppatori, ha riscontrato un’associazione tra l’uso di Copilot e un aumento di circa il 26% della produttività, misurata in base alle pull request integrate.

È quanto di più vicino a un guadagno di produttività inequivocabile e riproducibile l’IA generativa abbia prodotto finora nelle aziende. Ed è proprio il tipo di caso che, secondo il modello di NANDA, dovrebbe funzionare: un compito circoscritto e ben definito, integrato 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 complicato, e il caso spesso citato di Klarna ne mostra sia le promesse sia gli eccessi. 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.

Secondo i dati comunicati dalla stessa Klarna, il costo di ogni interazione con l’assistenza clienti 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 riferita a un solo trimestre.

Ma la vicenda completa è più istruttiva del titolo: nel maggio 2025, l’amministratore delegato Sebastian Siemiatkowski ha detto a Bloomberg che l’azienda aveva ridotto il personale umano troppo drasticamente nella corsa all’automazione. Klarna ha quindi ricominciato ad assumere per un modello di assistenza ibrido, che includesse operatori umani, pur continuando ad attribuire all’IA la gestione della maggior parte delle richieste di routine.

La lezione che le aziende dovrebbero trarre da Klarna non è «L’assistenza clienti con l’IA non funziona»: i dati economici per singola interazione mostrano chiaramente che funziona, per una quota consistente delle richieste di routine. È invece che il ritorno sull’investimento e la strategia per il personale sono due decisioni distinte. Le aziende che le condensano in un unico comunicato stampa tendono a dover fare pubblicamente, diciotto mesi dopo, almeno in parte marcia indietro.

Il divario tra un compito e una voce del conto economico

Il filo conduttore tra i successi e gli insuccessi è il divario individuato esplicitamente dai ricercatori di NANDA: gli studi sulla produttività nei singoli compiti non misurano la stessa cosa dell’impatto sul conto economico dell’intera organizzazione, ma le aziende li hanno trattati come se fossero intercambiabili. Un’accelerazione del 55,8% in un benchmark di programmazione, o un forte calo delle richieste ripetute dei clienti, sono risultati reali e misurabili. Ma compaiono nel conto economico solo se l’azienda ripensa gli organici, i prezzi o gli obiettivi di produzione alla luce di quella nuova capacità.

La maggior parte delle aziende non l’ha fatto. Ha acquistato o sviluppato uno strumento, ha osservato che nelle mani di singoli dipendenti funziona e poi ha lasciato quasi del tutto invariata l’organizzazione che lo circonda: 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 e i ritorni effettivi dell’IA: non una tecnologia difettosa, né semplicemente un beneficio macroeconomico in ritardo, in attesa della lenta diffusione che hanno richiesto altre tecnologie di uso generale nella storia. È uno scarto tra gli ambiti in cui le capacità dell’IA producono davvero risultati — applicazioni circoscritte, ben integrate e gestite da chi lavora in prima linea — e quelli a cui è stata destinata 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 risultato che un direttore finanziario possa difendere.

McKinsey ha intitolato la sua analisi del 2026 «Sulla strada del ROI», e in quell’espressione la strada conta parecchio: più aziende hanno esteso l’uso dell’IA, la spesa continua a crescere e la quota di quelle che segnalano 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, su cui è possibile intervenire — restringendo il campo d’applicazione, acquistando anziché sviluppando più del necessario, integrando lo strumento nei flussi di lavoro già esistenti e nelle relative responsabilità, e misurando l’impatto sul conto economico anziché l’adozione nei progetti pilota — la rivoluzione della produttività promessa alle aziende continuerà a manifestarsi nel 5% dei casi e a restare ostinatamente assente nel restante 95%.