L’AI enterprise sta entrando rapidamente nelle principali piattaforme aziendali, ma i ritorni non coincidono con quelli previsti nei business case. Un’indagine di SAP indica che le imprese ottengono nuovi insight e migliorano le interazioni con i clienti, mentre i risparmi sui costi e le efficienze di tempo attese continuano a non materializzarsi. Il risultato non è necessariamente un fallimento tecnologico: è uno scarto crescente tra il valore prodotto e quello che le organizzazioni avevano deciso di misurare.
La distanza dalle aspettative costringe responsabili IT e operations a rivedere strategie di implementazione, indicatori e rapporti con i fornitori. Molti budget erano stati approvati sulla promessa di ridurre i costi dei processi o aumentare l’efficienza dell’organico. Se il ritorno si concentra invece sulla generazione di insight e sulla qualità del rapporto con i clienti, i KPI originari rischiano di restituire un quadro incompleto. Una tecnologia può quindi produrre benefici reali e, nello stesso tempo, apparire poco convincente durante il successivo ciclo di budget.
A catalizzare gli investimenti sono soprattutto piattaforme già radicate nei flussi di lavoro. Microsoft Copilot, integrato in Microsoft 365, viene adottato per riassumere documenti e offrire suggerimenti contestuali. Google Workspace estende l’AI alla gestione documentale e all’automazione dei workflow, mentre Einstein GPT di Salesforce supporta i team commerciali e di assistenza nell’automazione delle interazioni e nella generazione di risposte personalizzate. La competizione tra i grandi fornitori SaaS sta comprimendo i tempi di adozione anche nelle aziende che avrebbero proceduto con maggiore cautela.
Il nodo diventa allora la definizione del ritorno sull’investimento. Le imprese devono distinguere tra riduzione diretta della spesa, aumento della produttività, migliore capacità decisionale e qualità dell’esperienza offerta ai clienti. Senza questa distinzione, i progetti possono perdere finanziamenti perché non soddisfano obiettivi formulati prima dell’implementazione, anche quando gli strumenti stanno effettivamente creando valore. La revisione delle metriche non elimina la necessità di risultati misurabili, ma riallinea la valutazione agli effetti osservati.
L’arrivo dell’AI agentica rende il controllo economico ancora più complesso. OpenAI ha osservato che i CIO hanno bisogno di una visibilità chiara su domanda, spesa e rischio per stabilire se gli investimenti generino valore. I sistemi agentici operano con maggiore autonomia e possono attivare azioni successive negli ambienti aziendali: utilizzo e costi possono quindi crescere più rapidamente rispetto ai tradizionali assistenti copilot. Controlli di spesa e governance diventano così una priorità operativa immediata.
La stessa tensione emerge nella cybersecurity, dove l’adozione dell’AI sta accelerando più rapidamente dei quadri normativi interni. Gli strumenti per la difesa informatica possono creare esposizioni che coinvolgono contemporaneamente IT, uffici legali e funzioni di compliance. Per CIO e CISO, il divario tra tecnologia e policy può tradursi in rilievi durante un audit o complicare la gestione di un’indagine successiva a una violazione.
La Casa Bianca ha inoltre avviato un centro di raccolta e coordinamento delle vulnerabilità, nel quadro della pressione crescente per seguire in modo sistematico i problemi di sicurezza alimentati dall’AI. Le vulnerabilità associate a codice generato o assistito dall’intelligenza artificiale aumentano più velocemente rispetto ai cicli tradizionali di gestione delle patch. Nella scelta degli strumenti di sviluppo, le imprese sono quindi chiamate a valutare anche la trasparenza dei fornitori e la loro frequenza di aggiornamento.
Resta infine il problema della fiducia: un rapporto della fintech Tether rileva che quasi la metà degli utenti di AI non si fida delle aziende che producono gli strumenti utilizzati quotidianamente. Nelle organizzazioni questa frattura può favorire shadow IT, adozione discontinua e rischi nella gestione dei dati. Trasparenza sul trattamento delle informazioni, comportamento dei modelli e audit logging diventano requisiti minimi di acquisto. L’AI sta producendo risultati, ma imprese e fornitori devono ancora allineare aspettative economiche, controlli e responsabilità.