Perché le aziende spendono milioni in IA e continuano a produrre gli stessi risultati dell'anno scorso
C'è un esperimento che si ripete in migliaia di aziende e finisce sempre allo stesso modo. Il team identifica un'attività ripetitiva, collega un modello linguistico, automatizza i passaggi visibili e annuncia che l'IA è già operativa. I dirigenti approvano il budget successivo. Sei mesi dopo, gli indicatori finanziari non si muovono.
Non è un problema di tecnologia. È un problema di dove si guarda.
Il co-fondatore di Superlinked ha descritto il modello con una franchezza rara nel settore tecnologico: quando ha dovuto ricostruire il proprio motore di vendita con meno persone, la prima cosa che ha fatto è stata puntare un modello linguistico al suo processo di outreach e chiedergli di scrivere più email a più persone. I messaggi sono partiti. Le risposte non sono arrivate. La parte facile del processo è stata accelerata; la parte difficile — sapere chi contattare e quando — è rimasta esattamente la stessa.
È lo stesso esperimento. E quasi sempre produce lo stesso risultato.
---
Il numero che spiega il disagio
Le cifre sull'adozione dell'IA aziendale sono spettacolari per volume e sconcertanti per risultati. Si prevede che la spesa mondiale in IA raggiunga i 2.590 miliardi di dollari nel 2026, una crescita del 47% rispetto all'anno precedente. Il mercato specifico dei modelli e delle piattaforme di IA proietta 64 miliardi di dollari, con un tasso di crescita del 63%.
Ed ecco il contrasto: secondo i dati di McKinsey, il 60% delle organizzazioni non ha ancora registrato un impatto sull'EBIT a scala aziendale grazie ai propri programmi di IA. Solo il 37% ha dichiarato che l'IA ha contribuito positivamente al proprio margine operativo, una cifra praticamente invariata rispetto all'anno precedente. PwC ha rilevato che appena il 12% dei CEO afferma che l'IA ha generato benefici simultanei su costi e ricavi.
Esiste un divario tra il denaro che entra e il valore che esce, e quel divario ha un'architettura specifica.
La spiegazione più comoda è che i modelli non siano ancora abbastanza buoni. Tuttavia, Anthropic ha intervistato più di 500 responsabili tecnici e ha riscontrato che il principale ostacolo all'implementazione di agenti di IA non è la capacità del modello: è l'integrazione con i sistemi esistenti (46%), la qualità e l'accesso ai dati (42%) e i costi di implementazione (43%). I modelli sono in grado di fare più di quanto le aziende riescano a sfruttare. Il problema si trova prima e dopo il modello, non al suo interno.
Ciò che le aziende acquistano, nella maggior parte dei casi, è velocità nei singoli passaggi. E la velocità in un passaggio, quando il resto del processo non cambia, sposta il collo di bottiglia senza eliminarlo. Il lavoro si accumula nell'anello successivo della catena, che rimane umano, manuale o dipendente da dati che nessuno ha collegato correttamente.
---
Ciò che rivela il tempo di verifica umana
L'esperimento di Superlinked mostra qualcosa che le metriche standard di adozione dell'IA non colgono. Quando il team ha riprogettato da zero il proprio processo di prospecting, ha smesso di misurare quante email uscivano e ha cominciato a identificare segnali di disagio reali: ingegneri che descrivono problemi specifici nei repository open source. Un agente può leggere migliaia di quei thread alla settimana; un team umano non può farlo. Non si tratta di automazione di attività, ma di accesso a informazioni che prima era fisicamente impossibile elaborare.
La differenza architetturale è fondamentale. Il processo precedente partiva da una lista acquistata. Il nuovo parte dall'evidenza di un problema. Il primo automatizza l'esecuzione. Il secondo automatizza la scoperta.
Ma la parte più utile del racconto non è il caso di successo. È la metrica che l'autore propone per sapere se una riprogettazione sta funzionando: il tempo che impiega una persona a verificare il lavoro dell'agente. Se quel tempo diminuisce, il processo migliora. Se rimane invariato o aumenta, l'azienda sta producendo più volume senza ridurre lo sforzo complessivo. Sta scalando il carico di supervisione, non riducendolo.
Questa metrica è scomoda perché obbliga a misurare qualcosa che quasi nessuna azienda misura oggi. I dashboard di IA aziendale mostrano solitamente il numero di attività automatizzate, la velocità di elaborazione, il tasso di completamento. Raramente mostrano quanto tempo dedica un revisore umano a convalidare ogni output dell'agente, né quanti di quegli output richiedono correzione prima di poter essere utilizzati.
Il tempo di verifica umana si collega direttamente all'economia del processo. Se automatizzare un'attività richiede due secondi ma verificare il relativo output richiede cinque minuti, l'azienda non ha risparmiato nulla. Ha aggiunto un passaggio intermedio. E se quel passaggio intermedio scala insieme al volume dell'agente, il costo operativo può crescere parallelamente alla spesa in infrastruttura di IA.
McKinsey ha riportato che circa il 20% delle organizzazioni sta già limitando l'uso dell'IA a causa dei suoi costi operativi, inclusi i costi di inferenza. Questo suggerisce che il modello di espansione lineare — più agenti, più token, più automazione — ha un tetto economico che si manifesta prima di quanto i vendor di piattaforme tendano ad anticipare.
---
Dove vive il valore che nessuno contabilizza
Esiste un modello di distribuzione del valore che rimane fuori dal bilancio quando si valuta l'investimento in IA aziendale. Le piattaforme addebitano per utilizzo, per utenza, per volume di token elaborati. Le società di consulenza addebitano per l'implementazione e la riprogettazione dei processi. I fornitori di infrastruttura addebitano per calcolo e archiviazione. Tutto ciò appare come costo nel conto economico.
Quello che non appare con la stessa chiarezza è il costo del lavoro umano che rimane necessario affinché il sistema funzioni. I revisori che convalidano gli output. Gli ingegneri che correggono le integrazioni fallite. Gli analisti che riconciliano i dati tra il nuovo sistema e i sistemi legacy che non sono mai stati collegati. I manager che definiscono i criteri di escalation perché l'agente non sa quando fermarsi.
Quel lavoro non scompare con l'adozione dell'IA. In molti casi, si riorganizza. E in alcuni casi, si moltiplica temporaneamente mentre il sistema apprende e i processi si stabilizzano. La promessa di riduzione dei costi del lavoro che giustifica molti investimenti in IA presuppone che tale lavoro di supervisione, correzione e coordinamento tenda a zero. I dati sull'impatto sull'EBIT suggeriscono che questa tendenza è più lenta di quanto i modelli di business iniziali avessero previsto.
La domanda che pochissime organizzazioni si pongono prima di approvare il budget è quanto costerà supervisionare l'agente, non solo addestrarlo o acquistarne la licenza. Anthropic ha identificato l'integrazione con i sistemi esistenti come la barriera più citata. Non si tratta di un problema tecnico minore: è il costo di connettere l'agente con i dati autoritativi di cui ha bisogno per produrre output verificabili. Senza quella connessione, l'agente lavora con informazioni incomplete o non aggiornate, e il tempo di verifica umana non diminuisce perché i revisori devono compensare manualmente quel divario.
La spesa in modelli e piattaforme proietta crescite del 63% su base annua. La spesa in integrazione, governance e riprogettazione dei processi non dispone di una metrica equivalente di visibilità pubblica, ma è precisamente lì che si determina se l'investimento produce un ritorno o se semplicemente sposta il lavoro in un altro punto della catena.
---
L'architettura che separa l'adozione dall'impatto
Esiste una distinzione che le organizzazioni con il maggiore impatto finanziario dell'IA sembrano aver risolto prima delle altre. McKinsey ha riportato che il 40% delle organizzazioni con oltre un miliardo di dollari di ricavi sta già scalando agenti di IA, rispetto al 27% dell'anno precedente. Ha però anche riscontrato che solo il 6% di tutte le organizzazioni si qualifica come "alto rendimento" nell'IA, definito come l'attribuire alla tecnologia almeno il 5% dell'EBIT.
Quella distanza tra il 40% che scala e il 6% che genera un impatto misurabile sui margini indica un divario di architettura, non di intenzione. Le organizzazioni che scalano senza impatto stanno acquistando velocità nei singoli passaggi. Quelle che convertono quell'investimento in EBIT stanno riprogettando l'intero processo: quali informazioni utilizza l'agente, dove ha l'autorità di agire senza supervisione, dove trasferisce il controllo a un essere umano, come viene misurato il suo rendimento in termini di risultato del processo e non solo di attività completata.
Il caso di Superlinked illustra quella differenza con precisione. Il primo tentativo ha automatizzato l'esecuzione. Il secondo ha riprogettato l'input: invece di partire da una lista, il processo inizia con un segnale comportamentale che indica che qualcuno sta vivendo il problema specifico che il prodotto risolve. Questa differenza non è trascurabile. È la differenza tra scalare il volume e scalare la rilevanza.
Ciò che rende praticabile quella riprogettazione non è un modello più potente. È la decisione di misurare il processo a partire dal risultato: quante risposte qualificate produce, non quante email vengono inviate. E questo orientamento verso il risultato è ciò che permette di identificare dove l'agente deve agire, dove deve attendere e dove il processo necessita di un essere umano che l'agente non è ancora in grado di sostituire.
L'investimento in IA che non passa attraverso quella riprogettazione non fallisce perché la tecnologia sia insufficiente. Fallisce perché accelera un processo che produceva risultati mediocri e lo trasforma in un processo che produce gli stessi risultati mediocri su scala maggiore, con una spesa infrastrutturale più elevata e con l'illusione di modernizzazione sufficiente a giustificare il budget successivo. Il tempo di verifica umana, se qualcuno si prende la briga di misurarlo, racconterebbe quella storia con molta più onestà di qualsiasi dashboard di attività automatizzate.










