L'intelligenza artificiale continua a divorare miliardi di investimenti aziendali, eppure la stragrande maggioranza delle organizzazioni non vede alcun ritorno economico concreto. Secondo un'indagine del MIT pubblicata all'inizio dell'anno, il 95% delle aziende non sta ottenendo profitti dai propri investimenti in AI, nonostante negli Stati Uniti siano stati spesi oltre 30 miliardi di dollari solo in progetti interni legati all'intelligenza artificiale generativa. Il problema non è la tecnologia in sé, ma il modo in cui viene implementata: troppo spesso i progetti AI si rivelano tecnicamente impressionanti ma privi di un'autentica connessione con i problemi reali del business.
Neil Ramasamy, CIO globale della società di consulenza IT Cognizant, non usa mezzi termini: le iniziative AI falliscono perché non vengono collegate chiaramente al valore aziendale. I responsabili IT si lasciano troppo facilmente trascinare dalle mode del momento, lanciando esperimenti senza considerare i risultati di business. Come spiega Sakat Srivastava, CIO di Asana, molte imprese partono dal modello o da progetti pilota anziché dai risultati concreti, con team che conducono dimostrazioni isolate senza riprogettare i flussi di lavoro o designare responsabili dei profitti e delle perdite.
Quando l'AI amplifica solo l'inefficienza esistente
La combinazione di pensiero non orientato al prodotto, gestione inadeguata dei dati, assenza di governance e culture organizzative che non incoraggiano l'adozione dell'AI produce risultati negativi. Srivastava avverte che senza cambiare i processi, l'intelligenza artificiale si limita a replicare più velocemente le inefficienze attuali. La soluzione passa attraverso una gestione efficace del cambiamento, che rappresenta l'elemento cruciale per evitare ritorni negativi sugli investimenti AI.
I leader IT possono applicare cinque principi fondamentali di change management per trasformare i progetti AI da esperimenti costosi a generatori di valore misurabile. Questi principi aiutano le organizzazioni a imparare dagli errori comuni e a scoprire le metriche giuste per dimostrare il successo delle iniziative di intelligenza artificiale.
Leadership allineata e obiettivi di business chiari come fondamenta
Senza il sostegno della direzione e una visione nitida, i progetti AI sono destinati a fallire. Adam Lopez, presidente e vCIO senior di CMIT Solutions, sottolinea che una leadership forte è essenziale per convertire gli investimenti AI in risultati tangibili: maggiore è il supporto a livello CEO o consiglio di amministrazione, più alto sarà il ROI. Un esempio concreto arriva da Xebia, società di consulenza IT che ha istituito un "Comitato di promozione AI" presieduto dal CIO globale Smit Shankar, con la partecipazione del CFO globale e dei responsabili di AI, automazione, infrastruttura IT, sicurezza e operazioni aziendali.
Ma anche quando la leadership è consolidata, la maggior parte dei dipendenti non sa come utilizzare l'AI nel lavoro quotidiano. Ola Chowning, CIO di Skillsoft, evidenzia la necessità di designare "campioni" interni che guidino l'adozione dell'AI, condividendo casi d'uso pratici e suggerimenti operativi. Ramasamy aggiunge che i leader devono creare una cultura orientata ai dati e presentare una visione in cui l'AI risolve problemi aziendali reali, attraverso stretta collaborazione tra management, data scientist e dipartimenti IT.
Ripensare le competenze e investire nella formazione continua
Per aumentare il ROI dell'AI, i CIO devono ridisegnare completamente la strategia del personale. Ramasamy spiega che questo significa creare nuovi ruoli come data scientist e prompt engineer, oltre a riqualificare i dipendenti esistenti. Lopez enfatizza che il talento è il cuore di ogni strategia AI: investire in formazione, comunicazione e personale specializzato permette ai dipendenti di abbracciare l'intelligenza artificiale e produrre risultati concreti.
Srivastava illustra come tutti i dipendenti necessitino di una comprensione base dei prompt e formazione sulla sicurezza, mentre gli utenti avanzati devono acquisire capacità di progettazione dei flussi di lavoro e costruzione di agenti AI. Scott Wheeler, responsabile del business cloud di Asperitas Consulting, aggiunge che l'adozione dell'AI richiede di riesaminare i processi lavorativi stessi, ridefinendo quali compiti debbano essere svolti e da chi.
Chowning di Skillsoft propone una strategia di talento bilanciata sulle "4B": Build, Buy, Borrow, Bot. Questo approccio considera l'organizzazione come un insieme di competenze piuttosto che ruoli fissi, combinando personale interno, software, partner e tecnologie di automazione secondo le necessità. Il team di Skillsoft ha utilizzato GitHub Copilot per costruire rapidamente un portale di apprendimento per clienti, confermando che la collaborazione tra assistenti AI e sviluppatori umani aumenta drasticamente la produttività.
Processi organizzativi da riprogettare integralmente
Modificare il framework delle competenze non basta. Lopez consiglia di ristrutturare completamente il modo in cui opera l'organizzazione per sfruttare appieno il potenziale dell'AI, integrandola nei processi operativi fondamentali anziché trattarla come funzionalità accessoria. Srivastava insiste sulla necessità di gestire i flussi di lavoro basati su AI come prodotti, con richieste, priorità e roadmap sistematiche, stabilendo chiaramente la definizione del problema e le ipotesi di valore.
Xebia applica una procedura di verifica in tre fasi per ogni progetto AI: valutazione del valore, approvazione aziendale e trasferimento IT con monitoraggio. Shankar spiega che questo processo semplifica i flussi interdepartimentali e riduce i silos organizzativi. Ramasamy sottolinea che la maggior parte delle aziende sottovaluta l'ampiezza del change management necessario, dovendo passare da decisioni a compartimenti stagni a modalità data-driven.
Chowning evidenzia la necessità di comprendere accuratamente i flussi di lavoro attuali per identificare dove l'AI può migliorare l'efficienza. Skillsoft ha costruito un "registro degli agenti" per sistematizzare i casi d'uso AI, documentando funzionalità, guardrail e modalità di gestione dei dati per standardizzare l'approccio. Wheeler di Asperitas suggerisce di operare un "team SWAT AI" per risolvere ostacoli iniziali e rafforzare il supporto agli utenti, accelerando così l'adozione.
Metriche precise per validare gli investimenti AI
Per valutare il ROI, i CIO devono stabilire una baseline pre-AI e definire benchmark chiari fin dall'inizio. Molti leader IT raccomandano di assegnare responsabilità su indicatori come tempo di realizzazione del valore, riduzione dei costi, risparmio temporale, volume di lavoro gestito da persone e nuove opportunità di fatturato generate dall'AI. Wheeler avverte che molte organizzazioni misurano solo indicatori tecnici come accuratezza del modello, latenza e precisione, senza collegarli a risultati aziendali concreti come riduzione dei costi, crescita del fatturato o diminuzione dei rischi.
Lopez consiglia di progettare le metriche fin dalle fasi iniziali del progetto, definendo KPI specifici come "miglioramento del 20% nella velocità di elaborazione" o "aumento del 15% nella soddisfazione del cliente" per ogni iniziativa AI. Un indicatore chiaro è il risparmio di tempo: Aemon O'Neill, CTO di Lemongrass, ha osservato clienti che redigono manualmente documentazione di sviluppo SAP, processo che richiede ore considerevoli. Automatizzare questa attività con AI generativa riduce drasticamente il tempo umano investito, convertibile facilmente in ROI monetario.
Anche la riduzione della forza lavoro per attività specifica rappresenta un segnale importante. Ram Palaniappan, CTO di TEKsystems, spiega che se l'obiettivo è ridurre le richieste di call center gestite da operatori umani, questa cifra deve diventare un indicatore chiaro tracciato in tempo reale. Alcuni CIO monitorano KPI granulari per singolo caso d'uso, adattando le strategie in base ai risultati. Srivastava di Asana traccia tempo di ciclo, throughput, qualità, costo per transazione ed eventi di rischio quando monitora l'efficienza di sviluppo, insieme a tasso di esecuzione supportata da agenti, utenti attivi, tasso di approvazione human-in-the-loop e tasso di escalation delle eccezioni.
Governance e sicurezza per prevenire incidenti e instabilità
Gli strumenti di AI generativa sono ormai comuni nei luoghi di lavoro, ma molti dipendenti non sanno usarli in sicurezza. Un'indagine SmallPDF del 2025 rivela che quasi un quinto dei dipendenti statunitensi ha inserito credenziali di accesso in strumenti AI. Lopez afferma che una buona leadership inizia stabilendo governance e guardrail, incluse politiche per impedire l'inserimento di dati sensibili in strumenti come ChatGPT.
Più l'AI viene utilizzata, maggiore diventa la superficie di attacco aziendale. I dirigenti devono considerare seriamente le vulnerabilità di sicurezza dei browser basati su AI, l'uso shadow dell'AI e i problemi di allucinazione degli LLM. Srivastava sottolinea che le aziende trascurano spesso identità degli agenti, autorizzazioni e cronologia di audit quando implementano l'AI, consigliando di introdurre gestione delle identità e degli accessi per gli agenti, garantendo che abbiano privilegi e tracciabilità equivalenti alle persone.
Nonostante rischi così elevati, i sistemi di gestione rimangono inadeguati in molte realtà. Secondo AuditBoard, l'82% delle organizzazioni sta adottando AI ma solo il 25% ha implementato completamente programmi di governance. L'analisi IBM mostra che ogni violazione di dati costa in media quasi 4,5 milioni di dollari, mentre IDC rivela che le organizzazioni con AI affidabile hanno il 60% di probabilità in più di ottenere ROI doppio sui progetti AI. La logica aziendale per investire nella governance AI è cristallina.
Oltre l'illusione: l'AI richiede trasformazione profonda
Secondo BCG, solo il 22% delle aziende ha fatto progredire l'AI oltre la fase di proof-of-concept, e appena il 4% sta creando valore sostanziale. Considerando queste statistiche, i CIO non dovrebbero nutrire aspettative irrealistiche sui ritorni degli investimenti AI. Ottenere ROI significativo richiede sforzi iniziali considerevoli e richiede di cambiare radicalmente i processi organizzativi. George Maddaloni, CTO operativo di Mastercard, ha dichiarato in una recente intervista che l'adozione di applicazioni AI generativa è essenzialmente una questione di gestione del cambiamento e adozione.
L'AI presenta insidie infinite e le organizzazioni spesso inseguono tendenze anziché valutare il valore. Molti lanciano progetti frettolosamente senza strategie dati, scalano troppo rapidamente o aggiungono la sicurezza a posteriori. Numerosi programmi AI non raggiungono gli obiettivi per mancanza di sostegno dirigenziale o governance. Al contrario, altri credono ciecamente alle promesse dei fornitori spendendo eccessivamente o sottovalutano la difficoltà di integrare piattaforme AI con infrastrutture legacy esistenti.
Per massimizzare l'impatto aziendale dell'AI, occorre investire nell'infrastruttura dati e nelle capacità di piattaforma che supportano la scalabilità, concentrandosi su pochi casi d'uso fondamentali che riducano chiaramente il lavoro ripetitivo umano e aumentino fatturato o efficienza. Solo ricollegando l'entusiasmo per l'AI a principi fondamentali e comprendendo chiaramente la strategia aziendale perseguita dall'organizzazione si può avvicinare gradualmente il ROI. Senza leadership solida e obiettivi chiari, l'AI rimane semplicemente una tecnologia affascinante che promette ricompense apparentemente a portata di mano ma impossibili da afferrare.