Le aziende spendono miliardi in IA e raccolgono spiccioli
C'è un numero che dovrebbe stare sul tavolo di ogni CFO che oggi firma un budget dedicato all'intelligenza artificiale: 40%. È la proporzione di aziende che, secondo un recente sondaggio di Bain & Company condotto su 951 grandi corporazioni globali, ha misurato i propri risparmi reali derivanti dall'IA e li ha trovati nell'intervallo compreso tra zero e dieci per cento. Non perché la tecnologia abbia fallito in produzione. Ma perché il valore promesso non è mai riuscito a trasformarsi in valore catturato.
La spesa globale in IA raggiungerà i 2,59 trilioni di dollari quest'anno, un salto del 47% rispetto all'esercizio precedente, secondo le proiezioni di Gartner. Per l'anno prossimo, la cifra si avvicina ai 3,5 trilioni. Sono numeri che impressionano. Quello che non impressiona, almeno non nel modo giusto, è ciò che sta dall'altra parte di quell'equazione: oltre il 37% delle aziende intervistate si era prefissato come obiettivo riduzioni dei costi comprese tra l'11% e il 20%, e la maggior parte è atterrata ben al di sotto. Senza allarmi. Senza revisioni. Con nuovi budget già approvati per la prossima ondata.
Questa non è una storia sulla tecnologia che fallisce. È una storia su come le organizzazioni costruiscono dipendenze che non sanno nominare, e su come i sistemi che sembrano avanzare stiano a volte semplicemente girando su se stessi.
Il ciclo che nessuno vuole vedere sulla lavagna
Bain ha identificato un meccanismo che, descritto con chiarezza, dovrebbe generare un certo disagio in qualsiasi sala del consiglio di amministrazione: il 44% delle aziende sta finanziando la prossima ondata di IA con i risparmi dell'ondata precedente. Risparmi che, secondo lo stesso sondaggio, erano inferiori a quanto previsto.
Si tratta di una circolarità strutturale. L'azienda investe nell'automazione robotica dei processi o nell'apprendimento automatico, ottiene meno di quanto si aspettava, utilizza quella base ridotta per finanziare il ciclo successivo con l'intelligenza generativa, e ora si prepara a ripetere l'operazione con gli agenti autonomi. Ogni tornata di investimento si giustifica con i ritorni incompleti della precedente. Il risultato netto non è un'accumulazione di valore. È un'accumulazione di scommesse.
La cosa sorprendente non è che questo accada. La cosa sorprendente è che accade senza attrito. Bain descrive il deficit come un gap che "dovrebbe mettere a disagio i dirigenti", ma che non è abbastanza grande da far saltare i programmi. Quella zona intermedia — troppo costosa per essere ignorata e troppo piccola per essere tagliata — è precisamente dove vivono i sistemi fragili. Non collassano di colpo. Si deteriorano lentamente, continuando ad apparire operativi.
Ciò che il rapporto non dice esplicitamente, ma che emerge dalla sua logica, è che questo schema ha un nome organizzativo preciso: l'azienda è diventata dipendente da un ciclo di investimento in tecnologia che funziona come sostituto di decisioni più profonde su come si lavora. Ogni nuovo strumento pospone la domanda che nessuno vuole rispondere con calma: stiamo ridisegnando il modo in cui questo funziona, o stiamo solo automatizzando ciò che già facciamo male?
Perché il problema dei dati è in realtà un problema di governance
Il 41% delle aziende intervistate da Bain indica l'accesso e l'integrazione dei dati come il principale ostacolo all'avanzamento dell'IA. È in quella posizione da anni. Ha sopravvissuto a cicli massicci di modernizzazione dell'infrastruttura, migrazioni verso il cloud e consolidamenti di piattaforme. È ancora lì.
Questo non può essere spiegato unicamente con difficoltà tecniche. Gli ostacoli tecnici, nelle organizzazioni con budget di queste dimensioni, si risolvono. Quello che non si risolve con il denaro né con nuovi sistemi è l'assenza di decisioni su chi è responsabile di quale dato, chi ha l'autorità per imporre standard e chi paga il costo politico di unificare fonti che diverse aree amministrano come territori propri.
Il dato frammentato è quasi sempre il sintomo di un potere frammentato. Le organizzazioni che non riescono a integrare i propri dati non hanno principalmente un problema di architettura tecnica: hanno un problema di architettura umana. Nessuno possiede il problema nella sua interezza, ed è per questo che il problema si perpetua anche quando si cambiano gli strumenti attorno ad esso.
Bain propone, con una certa ironia produttiva, di utilizzare la stessa IA per attaccare quel nodo: identificare un flusso di lavoro ripetibile e ad alto valore in cui le persone stanno estraendo dati manualmente, consolidando fogli di calcolo e producendo report, e sostituire l'intera sequenza. Non come soluzione definitiva, ma come dimostrazione che il problema può essere messo in moto. La tattica ha un suo merito, ma funziona solo se qualcuno ha l'autorità per imporre il consolidamento che lo strumento richiederà. Senza quella decisione preliminare, l'agente di IA diventa un altro sistema che convive con il caos invece di ordinarlo.
Il rapporto di Bain sottolinea anche che la governance dell'IA è distribuita in modo quasi equo tra tecnologia, funzioni di business e team centrali, senza un responsabile chiaro nella maggior parte delle organizzazioni. Questo ha conseguenze concrete: quando un agente autonomo commette un errore con conseguenze reali in un sistema di produzione, la responsabilità non può essere improvvisata nel momento. Deve essere stata stabilita in anticipo. Le organizzazioni che non lo hanno fatto non hanno un problema di IA. Hanno un problema di governance che l'IA ha appena reso visibile.
Cosa separa chi cattura valore da chi accumula solo spesa
Bain distingue, con una frase che merita essere letta lentamente, tra due tipi di aziende: quelle che distribuiscono strumenti di IA sui processi che già possiedono, e quelle che usano l'IA come ragione per ridisegnare il modo in cui il lavoro funziona fin dall'inizio. La distanza tra le due non è tecnologica. È fatta di ambizione organizzativa e di volontà di assumere il costo politico di cambiare il modo in cui sono strutturate le decisioni quotidiane.
Il primo gruppo produce i numeri del rapporto di Bain: risparmi dallo 0% al 10%, budget in aumento, aspettative che si spostano verso la prossima ondata. Il secondo gruppo, considerevolmente più piccolo, sta costruendo qualcosa di diverso. Non perché abbia una tecnologia migliore, ma perché ha deciso che la tecnologia non era l'oggetto centrale dell'iniziativa. L'oggetto centrale era il processo, il ruolo, la decisione. La tecnologia era lo strumento che permetteva di ridisegnarli.
La raccomandazione di Bain di non "pavimentare strade sterrate con l'IA" coglie questo punto con precisione. Se il processo che si sta automatizzando ha inefficienze di progettazione, automatizzarlo non fa altro che renderle più veloci e più difficili da vedere. Il risparmio reale non arriva dal fare le stesse cose più velocemente. Arriva dal chiedersi, prima di approvare qualsiasi programma, come si progetterebbe quel processo da zero se lo si costruisse oggi. A quella domanda non risponde nessun modello linguistico. La risponde un'organizzazione con sufficiente chiarezza su ciò che vuole produrre e con una leadership disposta a pagare il costo della transizione.
Qui emerge la fragilità più silenziosa dell'intero fenomeno. Il 90% delle aziende sta aumentando il proprio budget per l'IA. Solo il 7% ha agenti che funzionano in modo completamente autonomo in produzione. Questo divario tra investimento e autonomia reale è lo spazio in cui si accumula la dipendenza che nessuno ha ancora nominato: la dipendenza da un ciclo di investimento che genera l'illusione di trasformazione senza produrre il ridisegno che la renderebbe sostenibile.
I CFO intervistati da Bain in una linea parallela di ricerca segnalano che stanno iniziando a cambiare le metriche con cui valutano il ritorno dell'IA. Meno enfasi sul risparmio diretto dei costi, più attenzione alla velocità di ottenimento delle informazioni, alla qualità delle decisioni e alla velocità di risposta di fronte alle variazioni. Quel cambiamento di metrica non è cosmetico. Indica che una parte della leadership finanziaria ha compreso che la domanda non era "quanto abbiamo risparmiato" ma "cosa possiamo fare ora che prima non potevamo fare". Arrivare tardi a quella distinzione è costoso. Ma arrivare è meglio che continuare a misurare la cosa sbagliata con budget sempre più grandi.
La maturità organizzativa di fronte all'IA non si misura dalla dimensione dell'investimento né dalla sofisticazione degli strumenti scelti. Si misura dalla capacità di un'organizzazione di verificare onestamente le proprie scommesse precedenti, di assegnare responsabilità prima che l'errore si verifichi e di resistere alla tentazione di finanziare la prossima ondata con i ritorni incompleti della precedente. Le aziende che non riescono a fare queste tre cose non sono sulla strada della trasformazione. Stanno girando all'interno di un ciclo che si finanzia da solo e che, per il momento, non ha ancora generato loro un costo sufficiente per fermarsi a osservarlo.
