Il budget dell'IA che fa più male non è quello che si perde, ma quello che non arriva dove conta
Più di 1.500 miliardi di dollari in valutazioni di software aziendale sono evaporati negli ultimi due anni. Non per mancanza di investimenti nell'intelligenza artificiale, ma perché quegli investimenti sono atterrati nel posto sbagliato. Questo è il paradosso che definisce il momento attuale: le imprese non hanno mai speso tanto in IA e, allo stesso tempo, non è mai stato così difficile dimostrare dove si trova il valore.
Rohit Kedia, CEO di Xoriant, lo ha formulato con precisione in una recente analisi: la maggior parte del budget aziendale dedicato all'IA si accumula nel livello del modello, ovvero nelle licenze di piattaforma, nell'infrastruttura di calcolo, nelle partnership con i fornitori e nello sviluppo di proof of concept. Quel livello attira l'attenzione, genera annunci, produce dimostrazioni. Quello che non produce, con continuità, sono risultati che compaiono nel conto economico.
Gartner ha stimato nel febbraio 2025 che, entro il 2026, il 60% dei progetti di IA sarà abbandonato per mancanza di dati pronti per essere elaborati. Non si tratta di un fallimento tecnologico. È un fallimento di architettura del budget: è stato finanziato il modello, non l'infrastruttura che lo sostiene.
La domanda che i responsabili tecnologici dovrebbero porsi non è se investire nell'IA. Quella decisione è già presa. La domanda è se il denaro sta costruendo capacità operativa o sta finanziando un'apparenza di modernità.
Il costoso teatro che nessuno vuole nominare
Esiste un pattern che si ripete con sorprendente regolarità nelle sale dei consigli di amministrazione. Ogni settimana porta con sé un nuovo annuncio di alleanza con un fornitore di modelli, una dimostrazione di agenti autonomi, una promessa di flussi di lavoro trasformati. Il rumore è forte. Il teatro, convincente.
Quando si guarda oltre i comunicati stampa e si chiede cosa sia cambiato concretamente nel modo in cui l'azienda crea valore per i propri clienti, la risposta onesta è di solito deludente. McKinsey ha riportato nel suo State of AI 2025 che solo un terzo delle aziende ha iniziato a scalare i propri programmi di IA a livello aziendale, sebbene l'88% dichiari investimenti attivi. Il resto sta spendendo. Solo che non dove conta.
Questo fenomeno ha una struttura identificabile. I budget per l'IA nel 2023 e nel 2024 hanno vissuto prevalentemente nelle linee di innovazione o R&S, con requisiti di rendimento poco stringenti e revisione finanziaria leggera. Ciò ha creato le condizioni perfette per la proliferazione di strumenti sovrapposti, pilota dipartimentali scollegati dai processi centrali e contratti di infrastruttura che nessuno ha misurato rispetto a uno specifico risultato di business.
Il problema non è che le aziende sperimentino. Sperimentare ha valore. Il problema è quando l'esperimento diventa il prodotto, quando la dimostrazione sostituisce il dispiegamento e quando il budget per l'innovazione funziona come un modo per sembrare moderni senza impegnarsi concretamente su nulla.
Deloitte ha rilevato che circa il 66% delle organizzazioni che hanno adottato l'IA aziendale riporta miglioramenti in produttività ed efficienza come principale beneficio ottenuto. È un numero ragionevole. Ma va letto con attenzione: produttività ed efficienza sono metriche di processo, non necessariamente di impatto economico strutturale. Ridurre il tempo impiegato da un analista per preparare un report non è la stessa cosa che riconfigurare la catena decisionale che rende quel report rilevante.
La distinzione tra "usare l'IA" e "applicare l'intelligenza" è, in fondo, una distinzione di budget. Usare l'IA significa sovrapporre strumenti ai flussi di lavoro esistenti: un copilota qui, un chatbot là, uno strato di analisi su una dashboard già esistente. Applicare l'intelligenza significa qualcosa di categoricamente diverso: incorporare capacità decisionale automatizzata all'interno del modo in cui l'azienda produce e consegna valore, con tracciabilità verso il risultato che quella decisione influenza.
Questa seconda opzione richiede di finanziare cose che non fanno notizia: pulizia dei dati, riprogettazione dei processi, modernizzazione delle architetture ereditate, formazione dei team. Goldman Sachs ha sottolineato nel suo report di marzo 2026 che l'IA non sta cannibalizzando il mercato del software, ma lo sta espandendo, perché riduce il costo di scrittura del codice mentre alza il tetto di ciò che quel codice può fare. Questo implica che lo spazio di valore applicabile è cresciuto. Ma per catturarlo è necessario aver costruito le fondamenta che lo sostengono.
Le quattro fondamenta che il budget ignora
Ci sono quattro aree in cui gli investimenti arrivano sistematicamente in ritardo o in misura insufficiente, e tutte e quattro determinano se qualsiasi spesa sui modelli produca valore o semplicemente generi attività.
I processi rappresentano il primo punto di fallimento. L'IA applicata su un flusso di lavoro disfunzionale produce risultati disfunzionali più rapidamente. Ogni dollaro investito nel modello senza riprogettare il processo che lo circonda è un dollaro che genera velocità, non direzione. L'errore più frequente nei programmi di IA aziendale è presumere che l'intelligenza del modello compensi la disfunzionalità del processo. Non lo fa. La amplifica.
L'architettura tecnologica è il secondo problema. I sistemi legacy frammentati non sono in grado di supportare l'intelligenza incorporata nel punto di decisione. Acquistare un modello più potente non risolve un problema di integrazione. Quello che sembra essere un problema di capacità dell'IA è, frequentemente, un problema di debito tecnico irrisolto che il budget per l'IA non ha mai affrontato, perché il debito tecnico non genera dimostrazioni attrattive.
Le competenze occupano il terzo posto e sono forse il deficit più costoso per via della loro invisibilità. Esiste una differenza tra una forza lavoro che sa cos'è l'IA e una che sa lavorarci. La prima può rispondere a un sondaggio sull'adozione. La seconda può ridefinire il modo in cui un team operativo, di rischio o di assistenza clienti prende le proprie decisioni. La trasformazione delle competenze rimane una delle voci di budget più sistematicamente sottostimate nei programmi di IA aziendale, trattata come gestione del cambiamento alla fine di un progetto invece che come condizione di consegna fin dall'inizio.
I dati completano il quadro. Nessun modello, per quanto sofisticato, produce intelligenza affidabile a partire da dati inaffidabili. Eppure, la preparazione dei dati riceve una frazione dell'investimento destinato alla selezione dei modelli e all'acquisizione di piattaforme. La rilevazione di Gartner non è soltanto statistica: è una diagnosi di priorità. Le aziende investono dove c'è visibilità e riconoscimento. Dati puliti, ben governati e collegati ai processi giusti non generano dimostrazioni spettacolari. Generano risultati. Questa differenza spiega perché il 60% dei progetti non sopravvive.
Uno studio sui costi pubblicato nel 2026 stima che i sistemi di IA pronti per la produzione, con conformità normativa e scalabilità reale, costano tra 250.000 e oltre un milione di dollari per sistema, una volta contabilizzati ingegneria, lavoro sui dati, governance e integrazione. Quel numero include i costi ricorrenti di manutenzione dei modelli, ri-addestramento e monitoraggio. Quasi nessun progetto pilota è stato progettato per sostenere quella struttura. Il che spiega perché i pilota non scalano.
L'architettura di budget che differenzia chi cattura valore da chi lo osserva
La differenza tra le aziende che stanno ottenendo valore sostenibile con l'IA e quelle che stanno accumulando debito di implementazione non risiede nei modelli scelti. Risiede nel modo in cui hanno costruito l'architettura di investimento attorno a quei modelli.
Le aziende che stanno generando un ritorno misurabile condividono uno schema a tre livelli. Il primo è l'investimento fondativo: lavoro di preparazione dei dati, riprogettazione dei processi, modernizzazione dei sistemi legacy e programmi di formazione con metriche di adozione. È il lavoro privo di glamour che determina se tutto il resto funziona. Il secondo livello è il dispiegamento dell'intelligenza: IA integrata nativamente nei flussi di lavoro reali, non come strumento parallelo ma come capacità all'interno della piattaforma, del prodotto o del percorso del cliente, con tracciabilità diretta verso un risultato di business. Il terzo è l'orchestrazione, sia umana che agéntica, ma ha valore solo quando i due livelli precedenti sono già stati costruiti.
La proiezione di Deloitte indica che il numero di aziende con più del 40% dei propri progetti di IA in produzione si raddoppierà nel prossimo ciclo di pianificazione. Quel numero conta meno come indicatore di adozione che come segnale di quale tipo di azienda sarà in grado di competere su una base di costi strutturalmente diversa.
I direttori finanziari stanno iniziando a spostare i budget per l'IA dalle linee di innovazione con revisione poco rigorosa verso i budget operativi tecnologici, con le stesse esigenze che si applicano a un investimento in ERP o in piattaforme di gestione delle relazioni con i clienti. Questo ha due conseguenze immediate. La prima è che i progetti che non riescono a mostrare un ritorno operativo misurabile perderanno finanziamenti. La seconda è che i fornitori e i system integrator che sopravvivranno saranno quelli in grado di collegare la propria offerta a metriche di processo concrete, non a promesse di trasformazione astratta.
L'argomento centrale dell'analisi di Kedia, quello che mette più a disagio i team tecnologici, è che l'investimento in IA che conterà di più il prossimo anno è quello che oggi appare meno attraente. Non si tratta di un paradosso retorico. È una descrizione precisa di come si distribuisce il valore nei mercati con alta asimmetria informativa: chi investe in ciò che non può essere dimostrato in una presentazione cattura il valore che gli altri si limitano a descrivere nelle loro relazioni annuali.
L'architettura di budget che costruisce intelligenza applicata è, per definizione, meno visibile di quella che finanzia esperimenti con modelli avanzati. Ma è l'unica che produce risultati in grado di superare una vera audit del valore. E in un contesto in cui i consigli di amministrazione iniziano a richiedere esattamente questo, la visibilità della spesa ha smesso di essere il suo principale vantaggio.
