A distanza di anni dall’esplosione dell’AI nelle imprese, il bilancio resta più complesso di quanto molte promesse iniziali lasciassero intendere. Solo il 28% dei progetti di intelligenza artificiale in ambito enterprise raggiunge le aspettative di ROI, mentre oltre il 90% dei piloti non arriva mai in produzione. Il dato fotografa una distanza crescente tra sperimentazione e valore industriale.
La spiegazione più comoda è che la tecnologia non sia ancora pronta. Ma il nodo, in molti casi, sembra stare altrove: le aziende finanziano progetti pilota, attivano team di innovazione e introducono strumenti intelligenti, senza modificare davvero i sistemi organizzativi in cui quegli strumenti dovrebbero operare. L’AI viene aggiunta sopra processi pensati per decisioni a velocità umana, con il risultato di produrre benefici isolati ma non trasformazioni misurabili su scala aziendale.
Il problema riguarda anche le competenze. Dare accesso a strumenti di intelligenza artificiale senza un percorso di upskilling significa spesso lasciare i team soli davanti a nuove possibilità operative. In questo scenario emergono piccoli guadagni di produttività, ma manca l’impatto complessivo: il board vede risultati frammentari, cresce lo scetticismo e l’AI viene percepita come un costo sperimentale più che come una leva strategica.
Abbandonare l’AI, tuttavia, non è una soluzione. Le inefficienze possono costare alle imprese fino al 30% del fatturato annuo, proprio il tipo di spreco strutturale che sistemi intelligenti ben integrati potrebbero contribuire a ridurre. Il Parlamento europeo ha inoltre avvertito che il sottoutilizzo dell’AI può indebolire la competitività dell’Unione e rallentare la crescita economica, mentre le stime citate indicano un potenziale contributo fino a 4,4 trilioni di dollari l’anno per l’economia globale.
La questione diventa quindi meno tecnologica e più gestionale: molte organizzazioni trattano l’AI come un’opzione, poi si stupiscono se produce risultati opzionali. Misurarla come un normale progetto IT rischia di essere fuorviante. Una logica più vicina alla R&D consente invece di accettare finestre di ammortamento più lunghe, tappe progressive e perdite iniziali, spostando la discussione dalla giustificazione trimestrale alla costruzione di capacità strategiche.
In questa prospettiva, CTO e CFO hanno un ruolo decisivo. Non basta acquistare strumenti: occorre scegliere pochi casi faro, o lighthouse project, sostenuti da team snelli e trasversali, e integrarli nei flussi reali di lavoro. Il valore emerge quando l’AI entra nell’intero ciclo di consegna del software o dei processi, non quando resta confinata in esperimenti separati dal resto dell’organizzazione.
La frizione più forte non sta necessariamente nel codice, ma nelle strutture attorno al codice. Le catene di approvazione, la compliance su cicli settimanali, i dati chiusi in ERP fortemente personalizzati e i workflow frammentati per funzione impediscono agli agenti intelligenti di agire alla velocità per cui sono progettati. Prima di comprare un nuovo strumento, molte imprese devono quindi tornare alle fondamenta: accesso ai dati, responsabilità decisionali più chiare e team orientati agli outcome.
Il punto più critico riguarda i decision rights. Se un agente AI opera in pochi secondi ma ogni decisione rilevante passa da comitati e passaggi settimanali, la velocità non ha sbocco. Non tutti i sistemi legacy devono essere sostituiti, ma i processi costruiti intorno a quei sistemi possono dover cambiare. È qui che l’AI-native engineering assume peso: non AI come funzione aggiunta, ma come partecipante strutturale a sistemi capaci di interpretare intenzioni, orchestrare workflow, generare codice e supportare decisioni in tempo reale.