Perché il 97% delle aziende ha progetti di IA e solo il 5% ha dati pronti per utilizzarli
Esiste una statistica che dovrebbe fermare qualsiasi riunione di consiglio di amministrazione sull'intelligenza artificiale: secondo un sondaggio di Dun & Bradstreet condotto su 10.000 aziende nel 2026, il 97% dichiara di avere iniziative attive di IA, mentre appena il 5% ritiene che i propri dati siano davvero pronti per sostenerle. Questo divario non è un dettaglio tecnico marginale. È la distanza tra investire in infrastrutture e avere qualcosa che funzioni in modo affidabile in produzione.
Ciò che quel numero descrive è uno schema noto a chi ha osservato come vengono prese le decisioni tecnologiche nelle grandi organizzazioni: prima si approva il pilota, poi si cerca il problema che giustifichi averlo approvato. La dimostrazione impressiona. La sala applaude. Il progetto ottiene il budget. E a un certo punto tra quel momento e l'operatività quotidiana, qualcosa si interrompe senza che nessuno abbia dichiarato ufficialmente il fallimento.
BCG lo ha documentato con precisione: solo il 5% delle aziende ottiene valore sostanziale dall'IA, mentre il 60% non riporta alcun impatto materiale. McKinsey, da parte sua, ha rilevato che più dell'80% degli intervistati non stava registrando alcun effetto tangibile sull'EBIT proveniente dall'intelligenza artificiale generativa, anche quando l'adozione dichiarata continuava a crescere. Quelle cifre non rappresentano una condanna alla tecnologia. Sono una fotografia di come viene gestito l'investimento.
L'illusione del pilota perpetuo
Esiste una forma silenziosa di fallimento organizzativo che non appare nei bilanci né genera comunicati stampa: il pilota che non muore. Si insedia sotto il nome di "innovazione", consuma risorse tecniche e umane in modo cronico, produce presentazioni interne ragionevolmente attraenti e non riesce mai a trasformarsi in qualcosa che modifichi una riga del conto economico. Le organizzazioni con maggiore maturità nella trasformazione digitale stanno imparando da anni che questa dinamica non è accidentale, bensì strutturale.
Il problema inizia all'origine del progetto. Quando un'iniziativa di IA viene approvata perché "il caso d'uso è interessante" o perché un fornitore ha fatto una dimostrazione convincente, manca fin dall'inizio di qualcosa che qualsiasi programma di investimento dovrebbe avere: una linea di base misurabile, un responsabile del risultato e un criterio di uscita qualora il valore non si manifesti. Senza questi tre elementi, il pilota non ha modo di chiudersi con dignità né di scalare con tracciabilità.
BCG ha identificato che le aziende con i migliori risultati nell'IA danno priorità a una media di tre o quattro casi d'uso, rispetto ai sei o sette delle organizzazioni con i rendimenti peggiori. Questa differenza non deriva dal budget disponibile né dalle dimensioni del team tecnico. Deriva dalla disponibilità a rifiutare iniziative che non riescono a dimostrare allineamento strategico e fattibilità economica dal momento in cui richiedono finanziamenti. Il focus non è una virtù manageriale astratta; in questo contesto è l'unica condizione che rende praticabile la scalabilità.
Ciò che i dati di BCG e McKinsey rivelano congiuntamente è che la maggior parte delle organizzazioni si trova in una fase che potrebbe essere definita teatro dell'IA: alta attività visibile, bassa trasformazione operativa. I comunicati parlano di adozione. Le metriche interne raccontano un'altra storia.
Il problema non è nel modello, è sotto il modello
Esiste una tendenza comprensibile ad analizzare le prestazioni dell'IA dal punto di vista del modello: quale architettura è stata utilizzata, quale fornitore, quale versione del sistema. Quell'analisi ha una sua utilità in contesti di ricerca, ma nella maggior parte degli ambienti aziendali il collo di bottiglia non è nel modello. È in ciò di cui il modello ha bisogno per funzionare in modo affidabile: dati puliti, definizioni condivise, flussi di lavoro ridisegnati e una chiara titolarità delle decisioni che il sistema deve supportare.
Il sondaggio di Dun & Bradstreet citato in precedenza lo esprime in termini che non ammettono molte interpretazioni alternative: se quasi nessuna azienda ritiene che i propri dati siano pronti, allora il problema massiccio non riguarda la sperimentazione tecnologica, bensì le fondamenta. Un'IA che riceve dati frammentati, senza un'unica fonte di verità, con regole di business sepolte in fogli di calcolo e processi di eccezione che nessuno ha documentato, non genera raccomandazioni più affidabili del sistema che intende migliorare. In molti casi, semplicemente accelera gli errori esistenti.
PwC ha identificato questo schema da un'altra angolazione: i risultati più solidi arrivano quando le aziende ridisegnano i flussi di lavoro invece di sovrapporre l'IA a processi ereditati. Questa distinzione ha un peso economico rilevante. Aggiungere una componente di intelligenza artificiale a un processo inefficiente può rendere quel processo più veloce. Ma non cambia la logica dei costi né la struttura dell'operazione. L'economia del lavoro rimane invariata, semplicemente eseguita con maggiore velocità.
Il caso degli ambienti ad alta esigenza normativa è particolarmente emblematico. Finanza, conformità normativa, revisione legale, catena di approvvigionamento: sono contesti in cui due risposte diverse alla stessa domanda non sono un segnale di flessibilità del sistema, bensì un problema di controllo. L'affidabilità in produzione ha uno standard diverso rispetto alla sperimentazione. Ed è proprio quella differenza a separare i sistemi che vengono adottati da quelli che vengono silenziosamente abbandonati dopo il pilota.
Quando il 70% del valore proviene da fattori che non compaiono nella roadmap tecnologica
BCG ha documentato qualcosa che tende a mettere a disagio i team tecnologici: nelle trasformazioni guidate dall'IA che hanno generato risultati concreti, il 70% del valore è provenuto da azioni legate alle persone, non alla tecnologia. Questo include la ridefinizione dei ruoli, i cambiamenti negli incentivi, la gestione attiva del processo di adozione e lo sviluppo delle competenze nei team che avrebbero dovuto utilizzare i sistemi in produzione.
Questa scoperta non dovrebbe essere letta come un argomento contro l'investimento tecnico. Dovrebbe essere letta come una mappa di dove si trova solitamente il blocco reale. Un modello linguistico può elaborare migliaia di contratti all'ora; ma se il team legale non si fida dei suoi output, se gli incentivi dell'area non sono cambiati, se nessuno ha ridefinito cosa significa "rivedere un contratto" quando esiste un sistema che fa la prima analisi, l'adozione non avviene in modo sostenuto. Il sistema esiste. Il valore no.
Le aziende del Global 1000 che stanno effettivamente riportando impatti misurabili condividono alcune caratteristiche operative: hanno ridisegnato processi specifici prima di implementare i sistemi, hanno stabilito metriche rispetto a linee di base documentate e hanno assegnato la titolarità dei risultati a persone con una reale responsabilità su quei numeri. In alcuni casi documentati, i risultati sono materiali: incrementi dell'ordine del 30% nell'efficienza manifatturiera, riduzione dell'80% nei tempi di analisi documentale, miglioramenti di 1,7 volte nei tassi di conversione delle vendite. Quei numeri non derivano da modelli superiori. Derivano da integrazioni superiori.
La differenza tra un'azienda che usa l'IA e un'azienda che opera con l'IA non sta nel fornitore del modello né nell'entità del budget per l'innovazione. Sta nel fatto che l'organizzazione sia riuscita o meno a collegare l'output del sistema a una decisione concreta, all'interno di un processo ridisegnato, con qualcuno responsabile di misurare se quello sposta il numero che si suppone debba spostare.
Lo spostamento reale che questi numeri rivelano
La fase attuale del ciclo aziendale dell'intelligenza artificiale non viene definita dai progressi nei modelli di base. Viene definita dalla capacità delle organizzazioni di passare dalla legittimità dell'esperimento all'esigenza del risultato. E quella transizione non è ancora maggioritaria.
Ciò che i dati di BCG, McKinsey, PwC e Dun & Bradstreet descrivono complessivamente è un mercato con una distribuzione asimmetrica: una piccola minoranza di aziende sta generando valore misurabile e composto con l'IA, mentre una maggioranza più ampia continua ad accumulare progetti che non toccano il conto economico. Quel divario non si colma con più tecnologia. Si colma con disciplina di portafoglio, con fondamenta di dati che oggi mancano chiaramente nella maggior parte del mercato, e con una disponibilità organizzativa ad accettare che l'adozione reale richiede ridisegno, non sovrapposizione.
Lo spostamento che sta avvenendo, sebbene ancora incompleto, punta in una direzione precisa: l'IA sta smettendo di essere un segnale di modernità per diventare una domanda di evidenza. Le organizzazioni che non saranno in grado di rispondere con numeri alla domanda su cosa sia cambiato operativamente da quando hanno implementato i propri sistemi si troveranno di fronte a una pressione crescente, prima interna, poi da parte dei loro consigli di amministrazione e dei loro investitori. Il capitale che prima affluiva verso l'esperimento migrerà progressivamente verso dove l'esperimento ha dimostrato di essere qualcosa di più.
