“Divario GenAI”: perché gli investimenti non danno rendimenti per molte aziende

Tanti investimenti, poca resa. Lo certifica un’analisi preliminare di “Project NANDA” del MIT, basata su 300 iniziative AI pubbliche, interviste a 52 organizzazioni e sondaggi a 153 leader senior, svela un risultato sorprendente: il 95% delle organizzazioni non sta ottenendo alcun ritorno. Gli investimenti aziendali in GenAI ammontano a 30-40 miliardi di dollari. I risultati sono così nettamente divisi tra acquirenti (aziende, medie imprese, piccole e medie imprese) e costruttori (startup, fornitori, consulenze) che i ricercatori lo hanno definito: il “divario GenAI”.

Solo il 5% dei progetti pilota di AI integrata sta generando milioni in valore, mentre la stragrande maggioranza “rimane bloccata senza alcun impatto misurabile sul conto economico”.

Questo divario, secondo il rapporto, non è causato dalla qualità del modello o dalla regolamentazione, ma sembra essere determinato dall’approccio.

Adozione elevata, trasformazione bassa

La ricerca evidenzia un’ampia adozione di strumenti generici come ChatGPT e Copilot, con oltre l’80% delle organizzazioni che li hanno esplorati o testati e quasi il 40% che ne segnala l’implementazione. Tuttavia, questi strumenti migliorano principalmente la produttività individuale e non le performance del conto economico. Parallelamente, i sistemi di livello enterprise, personalizzati o venduti da fornitori, vengono “silenziosamente rifiutati”. Il 60% delle organizzazioni ha valutato tali strumenti, ma solo il 20% ha raggiunto la fase pilota e appena il 5% ha raggiunto la produzione.

La maggior parte fallisce a causa di “flussi di lavoro fragili, mancanza di apprendimento contestuale e disallineamento con le operazioni quotidiane”.

Il “divario GenAI” si manifesta chiaramente a livello settoriale. Nonostante gli investimenti significativi e l’ampia attività pilota, solo una piccola frazione di organizzazioni è andata oltre la sperimentazione per raggiungere una trasformazione aziendale significativa. Solo due dei nove settori principali (Tecnologia e Media) mostrano segni chiari di interruzione strutturale, mentre “altri sette rimangono dalla parte sbagliata della trasformazione”.

I settori come Sanità e Farmaceutica, Beni di Consumo e Vendita al Dettaglio, Servizi Finanziari, Industrie Avanzate ed Energia e Materiali mostrano un impatto limitato o nullo.

Un COO di un’azienda manifatturiera di medie dimensioni ha riassunto il sentimento prevalente affermando: “L’hype su LinkedIn dice che tutto è cambiato, ma nelle nostre operazioni, nulla di fondamentale si è spostato. Stiamo elaborando alcuni contratti più velocemente, ma è tutto ciò che è cambiato.”

In sintesi: la “formula”che stanno usando le aziende che riescono a far funzionare l’AI

1. Non costruire tutto internamente → ma comprare e co-sviluppare con partner esterni

   I progetti costruiti solo in-house falliscono due volte più spesso.

   Le partnership strategiche portano al doppio delle implementazioni di successo rispetto agli sviluppi interni.

2. Partire da processi stretti e ad alto valore → e poi scalare

   Le aziende vincenti non partono dai progetti più complessi ma da workflow chiari e limitati (es. revisione contratti, call summarization, automazione documenti).

   Mostrano valore rapido con setup leggero, poi espandono gradualmente.

3. Richiedere sistemi che imparino, ricordino e si adattino

   Il problema principale non è la qualità del modello, ma la “learning gap”: la maggior parte degli strumenti non memorizza, non integra feedback e non si adatta ai flussi aziendali.

   I sistemi agentici (con memoria persistente e adattabilità) sono quelli che generano vero ROI.

4. Integrare l’AI dentro i flussi già esistenti, non accanto

   Se non si connette a Salesforce, al CRM o agli strumenti interni, nessuno lo usa.

   L’AI deve ridurre attriti, non crearne.

5. Valutare i fornitori su risultati di business, non su benchmark tecnici

   Non importa la demo più brillante, ma l’impatto misurabile su P\&L (risparmi, riduzione BPO (Business Process Outsourcing), aumento retention o conversioni).

   Le aziende che hanno successo trattano i vendor come partner di business (quasi come BPO o consulenti), non semplici fornitori SaaS.

6. Empowerment dal basso + sponsorship dall’alto

   I progetti di successo spesso nascono da “power users” interni che già sperimentano con ChatGPT o Claude.

   Sono i manager di linea e i team leader, non i laboratori centrali, a guidare le adozioni che funzionano.

7. Concentrarsi sui ritorni “nascosti” (back office) più che sui ritorni visibili (marketing)

   Il 50-70% dei budget va a sales/marketing perché è più facile mostrare i numeri, ma i ritorni più forti sono spesso in operations, procurement, finance (taglio BPO, riduzione agenzie esterne, automazione processi).

Il baratro dal pilota alla produzione: perché i progetti stallano

La ricerca rivela un brusco calo tra l’esplorazione e i piloti degli strumenti GenAI e le implementazioni effettive. Il tasso di fallimento del 95% per le soluzioni AI aziendali rappresenta “la manifestazione più chiara del divario GenAI“. Mentre i chatbot generici LLM mostrano tassi di implementazione apparentemente alti (~83%), questo maschera una divisione più profonda nel valore percepito. Gli utenti aziendali hanno riportato esperienze “costantemente positive” con strumenti consumer come ChatGPT e Copilot, elogiati per “flessibilità, familiarità e utilità immediata”.

Tuttavia, gli stessi utenti erano “estremamente scettici” nei confronti degli strumenti AI personalizzati o proposti dai fornitori, descrivendoli come “fragili, eccessivamente ingegnerizzati o disallineati con i flussi di lavoro reali”.

Un CIO ha commentato: “Abbiamo visto decine di demo quest’anno. Forse una o due sono veramente utili. Il resto sono wrapper o progetti scientifici.”

Le grandi aziende (con oltre 100 milioni di dollari di fatturato annuo) guidano nel numero di progetti pilota, ma “riportano i tassi più bassi di conversione dal pilota alla scala”. Al contrario, le aziende di medie dimensioni si sono mosse “più velocemente e con maggiore decisione”, con i migliori performer che hanno riportato tempistiche medie di 90 giorni dal pilota all’implementazione completa, rispetto ai nove mesi o più delle grandi aziende.

L’economia-ombra dell’AI: quando i dipendenti aprono la strada

Dietro i deludenti numeri di implementazione aziendale, emerge una realtà sorprendente: “l’AI sta già trasformando il lavoro, ma non attraverso i canali ufficiali”. La ricerca ha scoperto una “thriving ‘shadow AI economy‘” (prospera economia dell’AI ombra) in cui i dipendenti utilizzano account personali di ChatGPT, abbonamenti a Claude e altri strumenti consumer per automatizzare “porzioni significative dei loro lavori, spesso senza la conoscenza o l’approvazione dell’IT”.

La portata è notevole: mentre solo il 40% delle aziende afferma di aver acquistato un abbonamento ufficiale a un LLM, i lavoratori di oltre il 90% delle aziende intervistate hanno segnalato un uso regolare di strumenti AI personali per le attività lavorative. Questa economia ombra dimostra che “gli individui possono attraversare con successo il divario GenAI quando hanno accesso a strumenti flessibili e reattivi”.

Bias negli investimenti: soldi al front-office, ROI al back-office

L’allocazione degli investimenti in GenAI è pesantemente concentrata. Le funzioni di vendita e marketing hanno catturato circa il 70% dell’allocazione del budget AI tra le organizzazioni intervistate. Questo bias riflette la facilità di attribuire metriche a queste funzioni (come il volume delle demo o il tempo di risposta alle e-mail) che si allineano direttamente con i KPI a livello di consiglio di amministrazione. Le funzioni legali, di approvvigionamento e finanziarie, al contrario, offrono “efficienze più sottili” (minori violazioni della conformità, flussi di lavoro semplificati), importanti ma “difficili da evidenziare nelle conversazioni con i dirigenti o negli aggiornamenti per gli investitori”.

Un VP di procurement di una società farmaceutica Fortune 1000 ha espresso questa sfida chiaramente: “Se compro uno strumento per aiutare il mio team a lavorare più velocemente, come quantifico quell’impatto? Come lo giustifico al mio CEO quando non influenzerà direttamente i ricavi o non diminuirà i costi misurabili? Potrei sostenere che aiuta i nostri scienziati a ottenere i loro strumenti più velocemente, ma è di parecchi gradi rimosso dall’impatto sul risultato finale.”

Oltre alle sfide di misurazione, la fiducia e la riprova sociale rimangono decisive nelle decisioni di acquisto.

Un head of procurement ha osservato: “Ricevo quotidianamente numerose e-mail che affermano di offrire la migliore soluzione GenAI. Alcune hanno demo impressionanti, ma stabilire la fiducia è la vera sfida. Con così tante opzioni che inondano la nostra casella di posta, ci affidiamo molto alle raccomandazioni dei colleghi e ai rinvii dalla nostra rete.”

Il “learning gap”: la vera barriera all’adozione su larga scala

Il fattore principale che mantiene le organizzazioni dalla parte sbagliata del divario GenAI è il “learning gap”. Gli strumenti che non apprendono, si integrano male o non corrispondono ai flussi di lavoro vengono rifiutati. I principali ostacoli all’adozione su larga scala includono la resistenza all’adozione di nuovi strumenti, le preoccupazioni sulla qualità dell’output del modello e una scarsa esperienza utente. È un paradosso: gli stessi professionisti che usano ChatGPT quotidianamente per compiti personali chiedono capacità di apprendimento e memoria per il lavoro aziendale.

Le interviste di follow-up hanno rivelato una sorprendente contraddizione: i professionisti scettici sugli strumenti AI aziendali erano spesso “grandi utilizzatori di interfacce LLM consumer”. Confrontando le esperienze, sono emersi tre temi consistenti: “le risposte sono migliori”, “già familiarità con l’interfaccia” e “mi fido di più”. Un avvocato aziendale ha esemplificato questa dinamica: “Il nostro strumento AI acquistato forniva riassunti rigidi con opzioni di personalizzazione limitate. Con ChatGPT, posso guidare la conversazione e iterare fino a ottenere esattamente ciò di cui ho bisogno. La differenza di qualità fondamentale è evidente, ChatGPT produce costantemente output migliori, anche se il nostro fornitore sostiene di utilizzare la stessa tecnologia sottostante.“

Tuttavia, le limitazioni stesse di ChatGPT rivelano il problema centrale: “dimentica il contesto, non impara e non può evolvere”. Per il lavoro mission-critical, il 90% degli utenti preferisce gli umani. Un avvocato che favorisce ChatGPT per le bozze iniziali traccia una linea chiara per i contratti sensibili: “È eccellente per il brainstorming e le prime bozze, ma non conserva la conoscenza delle preferenze del cliente o impara dalle modifiche precedenti. Ripete gli stessi errori e richiede un ampio input di contesto per ogni sessione. Per il lavoro ad alto rischio, ho bisogno di un sistema che accumuli conoscenza e migliori nel tempo.” La linea di demarcazione non è l’intelligenza, ma la “memoria, l’adattabilità e la capacità di apprendimento”.

L’Agentic AI (AI agentica), la classe di sistemi che integra memoria persistente e apprendimento iterativo per progettazione, affronta direttamente questo divario. A differenza dei sistemi attuali che richiedono il contesto completo ogni volta, i sistemi agentici “mantengono una memoria persistente, imparano dalle interazioni e possono orchestrare autonomamente flussi di lavoro complessi”.

Come i migliori costruttori hanno successo: sistemi adattivi e incorporati

Le organizzazioni dalla parte giusta del divario GenAI condividono un approccio comune: costruiscono sistemi adattivi, incorporati, che imparano dal feedback. Le startup di successo si concentrano su casi d’uso “stretti ma di alto valore”, si integrano “profondamente nei flussi di lavoro” e scalano attraverso l’apprendimento continuo. La fluidità del dominio e l’integrazione del flusso di lavoro contano più di un’interfaccia utente appariscente.

Gli acquirenti enfatizzano costantemente una serie specifica di priorità nella valutazione degli strumenti AI:

• Un fornitore di cui si fidano. Un leader ha dichiarato: “Siamo più propensi ad aspettare che il nostro partner esistente aggiunga l’AI piuttosto che rischiare con una startup.”
• Una profonda comprensione del loro flusso di lavoro.
• Interruzione minima degli strumenti attuali.
• Confini chiari per i dati.
• La capacità di migliorare nel tempo. Un dirigente ha lamentato: “È utile la prima settimana, ma poi ripete gli stessi errori. Perché dovrei usarlo?”.
• Flessibilità quando le cose cambiano. “Il nostro processo si evolve ogni trimestre. Se l’AI non può adattarsi, torniamo ai fogli di calcolo.”

Le startup più performanti riescono a ottenere “vittorie piccole e visibili in flussi di lavoro ristretti, per poi espandersi”. Gli strumenti con un basso carico di configurazione e un “tempo di valore rapido” superano le costruzioni aziendali pesanti. Per superare le barriere di fiducia, le startup di successo spesso utilizzano partnership di canale, rinvii di procurement da membri del consiglio o consulenti e distribuzione attraverso marketplace aziendali familiari.

Come i migliori acquirenti hanno successo: partnership e ROI nascosto

Le organizzazioni che attraversano con successo il divario GenAI approcciano l’acquisto di AI in modo diverso: “si comportano più come clienti BPO che come clienti SaaS”. Richiedono una personalizzazione profonda, promuovono l’adozione dalle prime linee e tengono i fornitori “responsabili in base a metriche aziendali”. La progettazione organizzativa è fondamentale: le aziende hanno successo quando “decentralizzano l’autorità di implementazione ma mantengono la responsabilità”.

Le partnership strategiche (acquisto di strumenti esterni e co-sviluppo con i fornitori) hanno raggiunto una quota significativamente più alta di implementazioni riuscite (66%) rispetto agli sforzi di sviluppo interno (33%). Le organizzazioni che hanno successo con l’AI hanno anche permesso a “titolari di budget e responsabili di dominio di individuare i problemi, vagliare gli strumenti e guidare i rollout”, un approccio dal basso verso l’alto che ha accelerato l’adozione.

Il ROI più elevato spesso si trova nelle funzioni ignorate come le operazioni e la finanza, non nei front-office. I guadagni reali derivano dalla sostituzione di BPO e agenzie esterne, non dal taglio del personale interno. Mentre il 50% dei budget AI va a vendite e marketing, le automazioni di back-office hanno fornito “periodi di recupero più rapidi e riduzioni di costo più chiare”. Alcuni esempi di risparmi documentati includono:

• Eliminazione di BPO: 2-10 milioni di dollari all’anno nei servizi clienti e nell’elaborazione documenti.
• Riduzione della spesa per agenzie: 30% di diminuzione dei costi esterni per creativi e contenuti.
• Controlli di rischio per i servizi finanziari: 1 milione di dollari risparmiato annualmente sull’outsourcing della gestione del rischio.

L’impatto sulla forza lavoro si concentra in funzioni “storicamente trattate come attività non centrali”: operazioni di supporto clienti, elaborazione amministrativa e compiti di sviluppo standardizzati. Le riduzioni in queste aree per le aziende che hanno attraversato il divario GenAI sono state tra il 5-20%. Nei settori Tecnologia e Media, dove l’AI ha avuto un impatto misurabile, oltre l’80% dei dirigenti prevede volumi di assunzione ridotti entro 24 mesi.

La “alfabetizzazione AI” è diventata un requisito fondamentale nelle assunzioni. Un VP of Operations ha affermato: “La nostra strategia di assunzione privilegia i candidati che dimostrano competenza negli strumenti AI. I neolaureati spesso superano i professionisti esperti in questa capacità.”

L’emergenza dell’Agentic web

Le aziende chiedono sempre più sistemi che si adattino nel tempo, come dimostrato dall’integrazione di memoria persistente e cicli di feedback in Microsoft 365 Copilot e Dynamics 365, e dalla beta della memoria di OpenAI in ChatGPT. La finestra per attraversare il divario GenAI si sta “rapidamente chiudendo”. Un orizzonte di 18 mesi è stato identificato come il periodo in cui le aziende si vincoleranno a relazioni con fornitori che saranno “quasi impossibili da sciogliere”.

Un CIO di una società di servizi finanziari ha confermato: “Stiamo attualmente valutando cinque diverse soluzioni GenAI, ma il sistema che imparerà e si adatterà meglio ai nostri processi specifici alla fine vincerà la nostra attività. Una volta che avremo investito tempo nella formazione di un sistema per comprendere i nostri flussi di lavoro, i costi di switching diventeranno proibitivi.”

L’evoluzione successiva oltre i singoli agenti AI è un “Agentic web” in cui i sistemi autonomi possono “scoprire, negoziare e coordinare attraverso l’intera infrastruttura internet”, cambiando radicalmente il funzionamento dei processi aziendali. Protocolli come Model Context Protocol (MCP) e Agent-to-Agent (A2A) stanno emergendo come fondamento per questa trasformazione. Ciò rappresenta un “cambiamento fondamentale dai processi aziendali mediati dall’uomo a sistemi autonomi che operano attraverso l’intero ecosistema internet”.

Conclusione: oltre il divario GenAI

Le organizzazioni che attraversano con successo il divario GenAI fanno tre cose in modo diverso:

• acquistano anziché costruire
• autorizzano i manager di linea anziché che i laboratori centrali
• selezionano strumenti che si integrano profondamente e si adattano nel tempo. L’Agentic Web emergente, con sistemi che collaborano attraverso fornitori, domini e interfacce, sostituirà gli strumenti SaaS isolati e i flussi di lavoro statici con “agenti dinamici capaci di negoziare compiti, condividere contesto e coordinare azioni”.

Per le organizzazioni attualmente “intrappolate dalla parte sbagliata”, il percorso è chiaro: “smettere di investire in strumenti statici che richiedono una sollecitazione costante, iniziare a collaborare con fornitori che offrono sistemi personalizzati e concentrarsi sull’integrazione del flusso di lavoro rispetto a demo appariscenti”. Il divario GenAI non è permanente, ma attraversarlo “richiede scelte fondamentalmente diverse in termini di tecnologia, partnership e progettazione organizzativa”.