Aziende, l’IA comprime: voi continuate a stratificare

2026: l’IA è entrata nei budget. Non è ancora entrata nei conti economici. Ho smesso di dirlo con delicatezza perché, in questo momento, la delicatezza è parte del problema. Negli ultimi mesi ho incontrato aziende che hanno investito cifre significative, fatto formazione, nominato un AI lead, aperto un competence center e prodotto roadmap molto ordinate. Le slide ci sono. I tavoli anche. Quando però chiedo di discutere un processo core ridisegnato e già in esercizio (non un pilot, non una demo, non un PoC che vive in una stanza protetta, ma un processo che gira davvero), il tono cambia. Qualche volta si fa silenzio.

Non perché manchino le iniziative. Al contrario, ce ne sono troppe. Manca il passaggio più difficile: trasformare l’attività sull’IA in nuova capacità produttiva. È lì che il racconto si interrompe.

Il 29esimo Global CEO Survey di PwC, pubblicato nel gennaio 2026 e costruito sulle risposte di 4.454 amministratori delegati in 95 Paesi e territori, registra un dato difficile da addolcire: il 56% dei CEO non ha visto né un aumento dei ricavi né una riduzione dei costi attribuibile all’IA negli ultimi dodici mesi. Solo il 12% dichiara entrambi i risultati. Sono le persone che hanno autorizzato gli investimenti e che, alla fine, devono ritrovarli nei numeri, non osservatori esterni.

McKinsey arriva allo stesso punto da un’altra direzione. Nel suo studio del 2025, più dell’80% degli intervistati afferma di non vedere ancora un impatto tangibile dell’IA generativa sull’EBIT dell’intera impresa. Il dato interessante, però, non è soltanto l’assenza di ritorno. Tra venticinque fattori analizzati, quello più associato all’impatto economico è il ridisegno dei workflow. E soltanto il 21% delle organizzazioni che usa GenAI dichiara di aver riprogettato in modo sostanziale almeno alcuni flussi di lavoro.

Anche il rapporto preliminare del progetto NANDA del MIT, spesso citato per il suo famoso 95%, merita di essere letto con precisione e non trasformato in uno slogan. La ricerca ha combinato interviste, survey e l’analisi di oltre 300 implementazioni. La conclusione non è che il 95% di qualunque cosa contenga IA sia destinato a fallire; è più circoscritta e, proprio per questo, più utile: soltanto una piccola quota degli strumenti enterprise personalizzati analizzati era arrivata a un’implementazione capace di produrre un impatto sostenuto sulla produttività o sul conto economico.

Questi numeri non sono sovrapponibili alla perfezione. Misurano popolazioni, periodi e risultati differenti. Non vanno sommati per costruire un cimitero di percentuali, ma indicano tutti la stessa frattura: l’adozione cresce molto più in fretta della trasformazione economica.

E allora? Dobbiamo concludere che l’IA sia stata un abbaglio collettivo? Non credo. Basta osservare quello che sta già facendo nel lavoro quotidiano. Scrive, traduce, programma, cerca, confronta, sintetizza, genera alternative. Per molte persone è già diventata una utility cognitiva, quasi invisibile quanto il wi-fi. Il punto è un altro: la produttività individuale non coincide in automatico con la produttività dell’organizzazione. Un dipendente più veloce dentro un processo lento produce spesso più output in attesa delle stesse approvazioni.

Stiamo affrontando l’IA con la grammatica con cui abbiamo gestito ogni tecnologia precedente: assessment, roadmap, implementazione, governance. Nessuno di questi strumenti è sbagliato in sé. Il problema nasce quando diventano una catena che aggiunge strutture senza mettere in discussione quelle esistenti.

L’IA, invece, ha una caratteristica industriale precisa: comprime. Comprime il tempo necessario per produrre un’informazione. Comprime il costo di una prima analisi. Comprime la distanza tra domanda e risposta. Comprime attività di coordinamento, traduzione, ricerca e controllo che per decenni hanno giustificato passaggi, ruoli e livelli organizzativi.

Noi stiamo provando a governare una tecnologia che comprime con un metodo che stratifica. Il risultato è abbastanza prevedibile: pilot ovunque, inventari di use case in continua crescita, comitati nuovi, tassonomie impeccabili e un impatto economico ancora marginale.

È qui che la trasformazione IA rischia di diventare consulenza travestita da innovazione. Non perché un consulente sia per forza inutile o in malafede, sarebbe una lettura comoda e infantile. Il problema è il pattern. E il pattern si riconosce da quattro segnali.

Venti use case, dieci pilot, tre PoC e nessun processo core ridisegnato in esercizio. È una situazione più comune di quanto si ammetta. Non si sta trasformando l’azienda, piuttosto si stanno accumulando attività.

L’attività è rassicurante. Si può contare, rappresentare, presentare allo steering committee. La trasformazione è meno elegante perché obbliga a decidere cosa smettere di fare, quale passaggio eliminare, quale responsabilità spostare, quale sistema spegnere. Un use case può convivere con tutto ciò che esisteva prima. Un processo ridisegnato no.

“Produzione” è una parola severa: non ammette l’alibi della sperimentazione. Un sistema in produzione deve reggere carichi reali, eccezioni, controlli, errori, picchi, audit e utenti che non hanno partecipato al workshop iniziale. Soprattutto, deve sostituire qualcosa. Se resta soltanto accanto al vecchio processo, non abbiamo creato capacità produttiva, bensì un’altra cosa da gestire.

Se riesci a dire che un progetto vale cinque milioni, ma non sai quanto costa oggi una singola esecuzione del processo, non hai un business case. Hai una storia ben impaginata.

L’economia dell’IA non può fermarsi al valore teorico. Deve arrivare al costo per task, per decisione, per pratica chiusa, per workflow completato. Deve includere token, integrazione, osservabilità, manutenzione, revisione umana, gestione delle eccezioni, errori e costo del cambiamento. E deve misurare anche ciò che viene spento. Un vecchio applicativo mantenuto in parallelo, una doppia procedura o un controllo duplicato possono divorare il beneficio dichiarato dal modello.

La domanda non è soltanto quanto tempo fa risparmiare l’IA, ma è anche dove finisce quel tempo. Viene trasformato in maggiore capacità, minori costi, più ricavi, migliore qualità? Oppure resta sparso nell’organizzazione, invisibile e quindi non convertibile in risultato economico? Il tempo liberato non è valore finché il modello operativo non sa utilizzarlo.

Framework ovunque. Ma quando un agente propone, decide o compie un’azione, chi possiede l’esito? Chi può fermarlo? Chi accetta il rischio residuo? Chi paga il costo dell’errore? E chi ha l’autorità per modificare il processo quando i dati mostrano che non funziona?

Un comitato può definire principi, non può possedere un risultato operativo. La governance diventa reale solo quando incontra un owner con nome, budget, potere decisionale e responsabilità sul P&L o sul servizio. Senza questa casa organizzativa, l’IA rimane tecnicamente consegnata e operativamente orfana.

Anche qui il rischio è aggiungere un ulteriore livello. Un AI board sopra il digital board, accanto al data board, con un nuovo processo di approvazione per velocizzare tecnologie che, in teoria, dovrebbero ridurre i passaggi. La matematica organizzativa non perdona: se per automatizzare una decisione abbiamo creato tre nuove decisioni, abbiamo perso.

Migliaia di persone formate, licenze distribuite, webinar pieni. Poi si torna alla scrivania e il processo ufficiale resta lo stesso.

La persona può utilizzare l’IA per preparare una bozza, sintetizzare un documento o accelerare un’analisi, ma deve comunque attraversare gli stessi handoff, compilare gli stessi sistemi e attendere le stesse autorizzazioni.

La formazione è necessaria. Ma il numero di persone formate misura un’attività, non un cambiamento. L’adozione vera si vede quando cambia il modo in cui il lavoro entra, viene scomposto, deciso, controllato e chiuso. Altrimenti l’IA vive in una zona laterale: utile al singolo, invisibile all’impresa, a volte persino in conflitto con le procedure ufficiali.

C’è un equivoco più profondo che attraversa tutti questi segnali. Molti progetti prendono un passaggio esistente e provano a renderlo più veloce. Ma quel passaggio, spesso, esiste soltanto per tenere insieme altri passaggi. Coordina, traduce, rincorre, riconcilia, compensa inefficienze a monte e a valle.

Se automatizzi il coordinamento senza eliminare il bisogno di coordinamento, hai montato un motore nuovo su una carrozzeria vecchia. Funziona meglio. Non cambia abbastanza.

Un processo AI-native non è il vecchio processo con un chatbot sul bordo. È un processo ridisegnato a partire da quattro domande: che cosa può essere eseguito dalla macchina, dove serve davvero giudizio umano, quali controlli devono rimanere e quali passaggi possono scomparire. Non si tratta di infilare l’essere umano in un loop già disegnato dalla tecnologia, ma di decidere chi governa l’esito, dove l’intelligenza umana produce valore e dove la presenza umana è soltanto l’eredità di un’organizzazione precedente.

BCG stima che il 70% del valore potenziale dell’IA sia concentrato nelle funzioni core del business, tra vendite, marketing, produzione, supply chain, pricing, ricerca e innovazione. È il punto che molte aziende evitano, perché gli use case orizzontali sono più semplici da distribuire e meno pericolosi dal punto di vista politico. Un copilota personale non ridiscute il potere di una funzione. Un processo end-to-end ridisegnato, sì.

Qui entro in un terreno che mi riguarda in modo diretto. Lavoro nella consulenza da molti anni: proprio per questo non mi interessa fare il processo morale ai consulenti, né concedermi l’eleganza dell’autoflagellazione. Mi interessa guardare gli incentivi. Sono molto più affidabili delle intenzioni.

La consulenza è utile quando assorbe incertezza, porta competenze che l’azienda non possiede, connette tecnologia e business, accelera decisioni difficili e lascia dietro di sé una capacità che prima non esisteva. Diventa parte del problema quando vende ordine senza produrre cambiamento. Assessment prima del pilot, framework durante il pilot, governance review dopo che il pilot è rimasto un pilot.

Il consulente non vende solo conoscenza. Spesso vende una risposta a una paura reale del board: apparire fuori controllo mentre il mercato corre. Una roadmap dà una direzione. Un benchmark offre copertura. Un nuovo programma dimostra che l’azienda si sta muovendo. Tutto legittimo. Ma muoversi non significa avanzare.

Il conflitto di fondo è economico. La consulenza tradizionale viene remunerata soprattutto per ciò che aggiunge: persone, analisi, deliverable, stream, governance, fasi successive. La trasformazione IA dovrebbe essere misurata soprattutto per ciò che riesce a eliminare: tempi, passaggi, eccezioni, duplicazioni, costi di coordinamento e sistemi ereditati.

Questa è la contraddizione. Un progetto che chiude davvero un problema può ridurre il lavoro futuro. Un progetto che genera altri tre workstream alimenta il mandato successivo. Non serve immaginare una cospirazione; è sufficiente osservare un sistema di incentivi nel quale partner, manager, funzioni interne e fornitori hanno tutti una ragione razionale per estendere il perimetro e pochissime ragioni economiche per dichiarare concluso il lavoro.

La frase più difficile da vendere non è: dobbiamo fare più IA. È: dobbiamo smettere di fare questa attività, eliminare questo passaggio, ridurre questo presidio, spegnere questo sistema. La prima produce entusiasmo e budget, la seconda produce conflitto, responsabilità e persone che chiedono che cosa accadrà al loro ruolo.

La consulenza che vuole restare rilevante deve quindi cambiare metrica. Non soltanto giornate erogate o iniziative avviate, ma processi messi in esercizio, costi unitari ridotti, tempi di ciclo compressi, errori evitati, sistemi dismessi e capacità trasferite al cliente. Il successo non può coincidere con la prosecuzione indefinita del programma. Deve coincidere con un nuovo modo di operare che regge anche quando il consulente esce dalla stanza.

Le organizzazioni proteggono i propri ruoli, i propri processi e i propri confini. Non è sempre conservatorismo. Per anni la complessità è stata anche una fonte di potere. Chi sapeva navigarla diventava indispensabile. Chi controllava un passaggio controllava informazioni, tempi e decisioni. Ogni handoff era una piccola giurisdizione.

L’IA rende visibile il costo di questa architettura. Molte attività che sembravano competenza specialistica erano, in realtà, lavoro di ricerca, ricomposizione e trasferimento dell’informazione. Quando quel lavoro può essere compresso, la domanda non riguarda più soltanto la produttività. Riguarda la distribuzione del potere organizzativo.

Per questo la trasformazione IA è una scelta politica prima ancora che tecnica. Redistribuisce diritti decisionali, budget, visibilità e responsabilità. Le persone non resistono per forza alla tecnologia. Resistono, spesso con buone ragioni, alle conseguenze organizzative che la tecnologia porta con sé e che l’azienda evita di dichiarare.

Delegare tutto al CIO, al Chief Data Officer o a un AI office significa chiedere a una struttura tecnica di risolvere un conflitto che riguarda il modello operativo. La tecnologia può mostrare ciò che è diventato possibile. Solo il vertice può decidere ciò che deve cessare di esistere.

Le aziende che stanno ottenendo risultati non fanno necessariamente più IA. Fanno scelte più concentrate e più difficili. BCG definisce future-built soltanto il 5% delle 1.250 aziende analizzate, mentre il 60% rimane nelle categorie che generano poco o nessun valore sostanziale. Le imprese più mature mostrano una crescita dei ricavi 1,7 volte superiore, margini EBIT 1,6 volte più alti e un total shareholder return a tre anni 3,6 volte maggiore rispetto ai gruppi meno avanzati. È una correlazione, non una formula magica. Ma la distanza è ormai troppo ampia per essere ignorata.

La prima scelta è partire da un processo core, non dall’elenco delle possibilità tecnologiche. Gestione di un sinistro, pianificazione della produzione, sviluppo di un’offerta, risoluzione di una richiesta cliente, manutenzione di un impianto, ricerca di un nuovo farmaco. Si parte dall’outcome e si ridisegna il flusso end-to-end. Poi si decide quali modelli, agenti, dati e integrazioni servono. Non il contrario.

La seconda scelta è trattare l’IA come una linea economica, non come un investimento reputazionale. Ogni iniziativa deve avere una baseline, un costo unitario, un owner, un beneficio verificabile e una voce precisa relativa a ciò che verrà dismesso. Il valore potenziale è utile per scegliere dove guardare. Il valore realizzato è l’unico che può finanziare la fase successiva.

La terza scelta è portare in produzione con disciplina. Un pilot dovrebbe avere una data di morte, criteri di go o no-go, soglie di qualità, regole di escalation, osservabilità e possibilità di rollback. Soprattutto, deve avere un proprietario operativo. Il valore non vive nella demo, ma nel run.

Questo richiede anche un diverso rapporto tra azienda e consulenza. Contratti più vicini agli outcome, una quota di remunerazione legata all’esercizio reale, incentivi alla dismissione del legacy e squadre miste che trasferiscano capacità invece di produrre dipendenza. Non sarà applicabile a tutto. Ma continuare a comprare trasformazione con metriche che premiano la durata del progetto è una scelta, non una fatalità.

Nei board si chiede spesso quanti use case siano stati identificati, quante persone abbiano completato la formazione, quanti agenti siano in sviluppo e quale sia la posizione dell’azienda rispetto ai competitor. Domande comprensibili. Ma non sono ancora le domande decisive.

Quale processo è diventato più corto? Quale passaggio è scomparso? Quale costo è uscito dalla base strutturale? Quale decisione viene presa meglio? Quale sistema è stato spento? Chi possiede il risultato? E quale parte dell’organizzazione abbiamo avuto il coraggio di non replicare nel nuovo modello?

Se non sappiamo rispondere, l’IA è entrata nel budget, ma non nel modello operativo.

Non stiamo vivendo soltanto un problema di adozione. Stiamo vivendo un problema di onestà operativa. È più facile dichiarare 100 opportunità che scegliere le cinque per cui vale la pena cambiare davvero. È più facile formare 10.000 persone che ridisegnare il lavoro di 1.000. È più facile aggiungere un framework che eliminare un passaggio.

L’IA non sta fallendo perché le organizzazioni non ne comprendono le potenzialità. Sta rallentando perché quelle potenzialità hanno conseguenze che continuiamo a rinviare. Finché proteggeremo la complessità esistente, la tecnologia produrrà soprattutto altra attività intorno alla trasformazione.

E allora la domanda non è se stiamo facendo abbastanza IA. È un’altra, meno rassicurante e molto più concreta: stiamo eliminando abbastanza complessità da farla funzionare davvero?

L’articolo che hai appena letto è finito, ma l’attività della redazione SenzaFiltro continua. Abbiamo scelto che i nostri contenuti siano sempre disponibili e gratuiti, perché mai come adesso c’è bisogno che la cultura del lavoro abbia un canale di informazione aperto, accessibile, libero.

Non cerchiamo abbonati da trattare meglio di altri, né lettori che la pensino come noi. Cerchiamo persone col nostro stesso bisogno di capire che Italia siamo quando parliamo di lavoro. 

Sottoscrivi SenzaFiltro

Photo credits: Israel Andrade via Unsplash