La spesa in IA è aumentata del 110% e i sistemi sottostanti non hanno retto
Sono tre anni che ServiceNow misura la maturità dell'IA nelle grandi imprese. Nel 2026, l'indice che costruisce attraverso sondaggi su oltre 4.500 dirigenti e 2.000 dipendenti in tutto il mondo ha registrato un miglioramento notevole: 16 punti di avanzamento, arrivando a 51 su 100. Sembra positivo finché non si legge la riga successiva: mentre la spesa aziendale in IA è cresciuta del 110% su base annua, le capacità fondazionali necessarie affinché quella IA funzioni su scala semplicemente non hanno tenuto il passo. Il denaro è arrivato. L'architettura no.
Questo è il dato che dovrebbe preoccupare qualsiasi CFO che ha approvato un budget per l'IA negli ultimi 18 mesi senza rivedere anche i dati, i flussi di lavoro e i protocolli di governance che aveva alla base. Non è un problema di tecnologia. È un problema di sequenza.
Quando l'investimento precede la struttura
C'è un modello che si ripete ad ogni grande ondata tecnologica: la spesa anticipa la readiness. È successo con gli ERP, è successo con il cloud, è successo con i programmi di big data della metà del decennio scorso. La differenza adesso è la scala. Secondo le proiezioni di Gartner, la spesa globale in IA raggiungerà 2,59 trilioni di dollari nel 2026, il 47% in più rispetto all'anno precedente. Stanford HAI ha documentato che gli investimenti privati globali in IA hanno raggiunto 344,7 miliardi di dollari nel 2025, il 127,5% in più rispetto al 2024. E solo nel primo trimestre del 2026, Amazon, Google, Microsoft e Meta hanno investito congiuntamente 130,65 miliardi di dollari in infrastrutture, in larga parte orientate all'IA.
Quei numeri sono reali. Il problema è ciò che non misurano: se le imprese che alimentano quella domanda dispongono dei sistemi interni per sfruttare ciò che stanno acquistando.
L'indice di ServiceNow indica con precisione dove si produce la rottura. Le organizzazioni hanno acquistato modelli, strumenti e piattaforme di IA. Ma i loro dati rimangono frammentati in silos che non comunicano tra loro, i loro flussi di lavoro non sono stati ridisegnati prima di essere automatizzati e i loro dipendenti non sono stati coinvolti nel processo di cambiamento con sufficiente anticipo. La conseguenza strutturale è prevedibile: l'IA produce risultati incoerenti, i team perdono fiducia negli output del sistema e i progetti si bloccano in fasi pilota indefinite senza mai arrivare in produzione.
Holly Briedis, vicepresidente senior di settori e soluzioni globali presso ServiceNow, lo descrive con un'immagine precisa: la maggior parte delle organizzazioni sta cercando di correre in Formula 1 su un'infrastruttura da kart. I dati funzionano come un patchwork disconnesso, e quando si tenta di far girare flussi di lavoro orizzontali su quell'ambiente, le cuciture si vedono immediatamente.
Chi sta avanzando ha preso una decisione prima
L'indice identifica un gruppo che chiama Pacesetters: il 21% delle organizzazioni intervistate con i punteggi più alti in termini di maturità. Ciò che li distingue non è che abbiano speso di più, ma che hanno integrato e modernizzato i propri dati prima di distribuire l'IA, non dopo. Il 64% di questo gruppo integra e ottimizza i propri dati in modo digitale, contro appena il 14% del resto. Non incontrano meno problemi di dati rispetto agli altri; li risolvono più velocemente perché hanno costruito la capacità di rilevarli e correggerli come parte del design del sistema.
Si differenziano anche nel modo in cui comprendono lo scopo dell'IA all'interno del business. Il 57% dei Pacesetters stabilisce una visione strategica condivisa per l'IA che va oltre l'efficienza operativa. Non stanno automatizzando processi difettosi, stanno ridisegnando il modo in cui il lavoro scorre. La distinzione non è semantica: automatizzare un processo mal progettato produce solo errori più velocemente e su scala maggiore.
C'è una decisione implicita in questo approccio che merita di essere nominata. I Pacesetters, di fatto, hanno rinunciato alla velocità di distribuzione nel breve termine. Hanno scelto di costruire le fondamenta prima di alzare i piani. Nel contesto attuale, dove i consigli di amministrazione esigono di mostrare casi d'uso dell'IA in ogni presentazione trimestrale, quella rinuncia ha un costo politico interno tutt'altro che trascurabile. Chi l'ha sostenuta sta raccogliendo ora un vantaggio che non è facilmente replicabile in sei mesi.
La governance non è un freno, è ciò che permette di scalare
Uno dei risultati più rilevanti dell'indice punta direttamente ai team di leadership: la metà dei dipendenti intervistati crede che i propri lavori diventeranno meno necessari man mano che l'IA agente evolverà, e non percepisce che le proprie organizzazioni li stiano preparando per ciò che verrà. Briedis lo dice senza eufemismi: questo non è un gap di competenze, è un gap di leadership.
Il punto ha una meccanica concreta. Quando i dipendenti non si fidano dei risultati prodotti dall'IA, lavoreranno aggirando la tecnologia. Creeranno le proprie scorciatoie, i propri workaround, i propri registri paralleli. Il dispiegamento dell'IA formalmente regge sulla carta, ma operativamente si svuota. Il ritorno sull'investimento non arriva mai, non perché la tecnologia abbia fallito, ma perché l'organizzazione non l'ha mai realmente adottata.
Una governance ben progettata opera esattamente al contrario di come viene solitamente presentata. Non è un insieme di restrizioni che rallenta l'IA; è l'impalcatura all'interno della quale l'autonomia del sistema può operare senza generare sfiducia. Quando i protocolli sono chiari, i team possono distinguere tra un output affidabile e uno che necessita di revisione. Quando non lo sono, il default umano è diffidare di tutto, e la tecnologia rimane sottoutilizzata.
Lo stesso vale per i dati. Mentre una persona può lavorare aggirando un silo informativo usando il proprio giudizio, il senso contestuale e le connessioni informali accumulate in anni di lavoro, l'IA non può farlo. L'IA è stata progettata per risolvere problemi orizzontalmente, attraversando funzioni e dipartimenti. Se i dati non fluiscono tra quelle funzioni, l'IA opera con una frazione delle informazioni di cui ha bisogno e produce una frazione del valore che potrebbe produrre.
Cosa rivela il divario tra spesa e maturità
Il modello documentato dall'indice di ServiceNow non è nuovo, ma raggiunge ora una dimensione in cui le conseguenze sono più difficili da assorbire. Oxford Economics proietta che la spesa globale in IA passerà da 340 miliardi di dollari nel 2025 a circa 3 trilioni nel 2035, rappresentando approssimativamente il 23% della spesa tecnologica aziendale totale. BCG documenta che le grandi aziende si aspettano di raddoppiare la propria spesa in IA nel 2026, passando dallo 0,8% all'1,7% dei propri ricavi.
Con una tale entità di investimento, il costo di non avere i sistemi sottostanti preparati smette di essere un problema IT e diventa un problema di allocazione del capitale. Se la spesa raddoppia ma la maturità operativa non avanza nella stessa proporzione, le imprese stanno costruendo un onere finanziario crescente su una base che non è ancora in grado di sostenerlo. I pilota che non arrivano in produzione non sono fallimenti di apprendimento neutri: consumano budget, tempo dei team tecnici e, soprattutto, credibilità interna per i prossimi cicli di investimento.
I settori che mostrano maggiore urgenza sono quelli che hanno più da perdere in caso di ritardo. Le imprese tecnologiche e le istituzioni finanziarie prevedono di destinare circa il 2% dei propri ricavi all'IA nel 2026, secondo BCG. In quei settori, la concorrenza non aspetta che i ritardatari mettano in ordine i propri dati. Il tempo tra la decisione di investimento e il risultato visibile non è più sufficiente per rimediare in parallelo a ciò che avrebbe dovuto essere costruito prima.
L'indice di ServiceNow, letto come documento di diagnosi settoriale più che come pezzo di marketing, descrive un momento particolare nella curva di adozione dell'IA aziendale. La spesa ha già impegnato la scommessa. Ciò che determina chi converte quella scommessa in un vantaggio sostenibile non è il prossimo modello che verrà acquistato né il prossimo pilota che verrà annunciato: è se l'architettura dei dati, i processi ridisegnati e la cultura organizzativa sono in grado di sostenere ciò che il budget ha già promesso di consegnare.
