Il divario dell'IA generativa: perché il 95% delle aziende non ottiene ritorno

Negli ultimi due anni, l'intelligenza artificiale generativa si è affermata con forza nel discorso aziendale. Tuttavia, un'analisi recente del MIT su centinaia di iniziative in diversi settori e geografie evidenzia una realtà scomoda: il divario tra adozione e trasformazione è strutturale. Lo studio, che definisce questo fenomeno The GenAI Divide, indica che sono stati investiti tra 30 e 40 miliardi di dollari in GenAI, ma il 95% delle organizzazioni non ha raggiunto un impatto misurabile sui propri risultati economici. Questa cifra non descrive un'assenza di attività: riflette che il dispiegamento di strumenti, di per sé, non si è tradotto in risultati economici osservabili.

Solo il 5% delle aziende analizzate è riuscito a generare milioni in valore reale. Questo risultato non è dovuto a una mancanza di interesse né a test isolati, ma a una profonda disconnessione tra l'implementazione degli strumenti e la ristrutturazione dei processi aziendali. Adottare una soluzione non equivale a trasformare l'organizzazione: il primo passo può limitarsi a compiti specifici, mentre il secondo richiede di rivedere come si lavora e come si produce valore. L'adozione di massa non è stata sinonimo di trasformazione organizzativa, una sfumatura cruciale per i responsabili IT che valutano i propri investimenti.

I dati del MIT mostrano che oltre l'80% delle aziende ha già provato strumenti di IA generativa e circa il 40% li ha dispiegati formalmente. Tuttavia, il risultato più comune non è l'ottimizzazione di flussi di lavoro complessi, ma un miglioramento della produttività individuale. I dipendenti risparmiano tempo su compiti puntuali, ad esempio risolvendo lavori specifici più rapidamente, ma questo beneficio non implica automaticamente cambiamenti nelle responsabilità, nelle operazioni o nella coordinazione tra team. Pertanto, le organizzazioni non sperimentano necessariamente cambiamenti profondi nelle proprie strutture o nei risultati globali.

Questa distinzione è vitale: l'IA sta aiutando le persone, ma non sta trasformando le organizzazioni. Mentre Gartner ha previsto nel 2023 che oltre l'80% delle aziende avrebbe utilizzato API di IA generativa entro il 2026, le evidenze suggeriscono che l'integrazione tecnica non garantisce il ritorno sull'investimento. Collegare uno strumento ai sistemi esistenti può facilitarne l'uso, ma non dimostra che un processo sia migliorato né che il risultato compensi la spesa. La differenza tra usare uno strumento e modificare il modello operativo rimane il principale ostacolo per la maggior parte delle corporation; è lì che si decide se l'uso individuale diventa un cambiamento organizzativo.

Contrariamente alla credenza popolare, lo studio del MIT non identifica la regolamentazione, la qualità dei modelli o il costo dell'infrastruttura come i principali ostacoli. Il problema centrale risiede nel fatto che i sistemi non apprendono né si integrano efficacemente con la conoscenza organizzativa. Se le informazioni rilevanti rimangono disperse o non sono collegate agli strumenti, l'IA non dispone del contesto necessario per rispondere in modo utile ai bisogni dell'azienda. La mancanza di un'architettura dati coerente e l'assenza di processi che consentano all'IA di agire sul contesto aziendale limitano il suo potenziale.

L'integrazione richiede anche che la tecnologia faccia parte dei processi e non funzioni come un livello separato da essi. Quando non si definiscono connessioni chiare tra dati, strumenti e compiti quotidiani, i team possono provare l'IA senza incorporarla in modo coerente nel proprio lavoro. La sfida è organizzativa oltre che tecnica: le soluzioni devono relazionarsi al modo in cui la conoscenza è condivisa e utilizzata all'interno dell'azienda.

Inoltre, il divario di talento rimane un fattore determinante. Secondo i dati dell'ONTSI, il 78% dei lavoratori spagnoli richiede formazione in tecnologie digitali, ma solo l'11,4% delle aziende spagnole integra l'IA in modo strutturato. Questo disallineamento tra la domanda di competenze e l'offerta di formazione impedisce alle organizzazioni di sfruttare il valore reale degli strumenti dispiegati. La differenza non si limita a imparare a gestire un'applicazione: è importante anche capire come incorporarla nei flussi di lavoro e quando è pertinente usarla.

Nel contesto europeo, la regolamentazione sta passando dall'essere una barriera a diventare un quadro di fiducia. Il Regolamento sull'IA (Regolamento UE 2024/1689) stabilisce norme basate sul rischio per sviluppatori e implementatori. A partire dal 2 agosto 2026, entrano in vigore gli obblighi per i sistemi ad alto rischio, con multe fino a 35 milioni di euro. L'approccio basato sul rischio colloca gli obblighi in relazione al tipo di sistema e cerca di promuovere un'IA affidabile e centrata sull'essere umano.

Per le aziende, la conformità non è solo una questione legale, ma un'opportunità per standardizzare le pratiche. L'Articolo 4 del Regolamento obbliga a garantire competenze in IA in tutta la forza lavoro, ciò che spinge la formazione aziendale. Questo lega la preparazione delle persone alla gestione delle soluzioni: conoscere le capacità e i limiti dell'IA aiuta a incorporarla con criterio nel lavoro. Integrare la conformità fin dalla progettazione consente di considerare questi requisiti durante lo sviluppo e l'implementazione delle soluzioni, anziché trattarli come un compito disconnesso alla fine del processo.

Le organizzazioni che integrano la conformità fin dalla progettazione delle proprie soluzioni si differenzieranno per la loro sicurezza e trasparenza, fattori sempre più valorizzati da clienti e investitori. In questo quadro, la regolamentazione può servire come riferimento comune per ordinare decisioni e pratiche, oltre a stabilire obblighi. Così, la conformità può accompagnare l'implementazione dell'IA e contribuire a rendere la fiducia parte del suo uso, senza sostituire la necessità di ottenere risultati concreti.

Nonostante il divario generale, esistono organizzazioni che sono riuscite ad attivare l'IA generativa con successo. Secondo Gartner, solo il 10% delle organizzazioni che sperimentano con l'IA ha raggiunto un livello avanzato di implementazione. Queste aziende condividono una caratteristica comune: hanno allineato la tecnologia a obiettivi aziendali chiari e hanno investito nel reengineering dei processi, non solo nell'acquisto di licenze. La differenza sta nell'applicazione: lo strumento viene selezionato e integrato in base a ciò che l'organizzazione cerca di ottenere.

Nel settore della formazione aziendale, ad esempio, le aziende leader nell'adozione riducono fino al 40-50% la spesa per la formazione e superano i propri obiettivi finanziari sei volte più velocemente. Questi casi dimostrano che il ROI è possibile, ma richiede una strategia di applicazione specifica e non un'adozione generica di strumenti. La chiave sta nell'identificare i casi d'uso con maggiore impatto, come la stesura, l'analisi dei dati e l'assistenza clienti. Citare queste aree non significa che tutte le aziende otterranno lo stesso risultato: segnala esempi di compiti in cui si può valutare se lo strumento apporta valore.

L'esperienza delle organizzazioni che avanzano consente di distinguere tra acquisire tecnologia e riorganizzare il lavoro attorno a un obiettivo. Un investimento in licenze può facilitare l'accesso, ma non sostituisce la scelta di un problema concreto né la revisione del processo associato. Il successo richiede allineamento con il business e cambiamenti operativi che consentano di sfruttare lo strumento; pertanto, i risultati dei casi citati non devono essere confusi con una garanzia automatica per qualsiasi implementazione.

Per le aziende che cercano di passare dalla sperimentazione alla trasformazione, le evidenze suggeriscono tre passi fondamentali. Primo, auditare i processi attuali per identificare dove l'IA può generare valore misurabile, non solo efficienza percepita. Questa revisione consente di formulare il problema prima di scegliere la soluzione e di distinguere un miglioramento locale da un cambiamento con rilevanza aziendale. Il punto di partenza è il processo, non lo strumento che si vuole dispiegare.

Secondo, investire nella formazione dei team affinché comprendano non solo come usare lo strumento, ma come integrarlo nei propri flussi di lavoro. La formazione deve aiutare a collegare il suo uso ai compiti reali di ogni team, in linea con il divario segnalato tra la domanda di competenze e l'incorporazione strutturata dell'IA. Terzo, stabilire metriche di successo chiare prima di dispiegare la soluzione. Definire in anticipo quale risultato si osserverà aiuta a valutare l'impatto ed evita di confondere l'attività o il risparmio di tempo percepito con il ritorno economico.

Insieme, i tre passi—auditare, formare e misurare—collegano la sperimentazione a decisioni che possono essere rivedute. Se non si definisce quale risultato si cerca, l'organizzazione avrà difficoltà a sapere se la soluzione migliora il lavoro; se i team non sono preparati, sarà più difficile incorporarla nei processi. Misurare prima e dopo il dispiegamento consente di valutare l'effetto dell'iniziativa con criteri espliciti, anziché assumere che l'uso dello strumento costituisca di per sé un successo.

L'IA generativa non è una bacchetta magica, ma una tecnologia abilitante che richiede un ambiente organizzativo preparato. Le aziende che riusciranno a colmare il divario tra adozione e trasformazione saranno quelle che definiranno la prossima fase della digitalizzazione. In un mercato dove il 95% non ottiene ritorno, la capacità di misurare e gestire l'impatto diventa il vantaggio competitivo definitivo. La conclusione non è che l'adozione manchi di valore, ma che potrà tradursi in risultati solo se accompagnata da integrazione, competenze e cambiamenti nel modo di lavorare.