Il paradosso della GenAI: tutti la usano, quasi nessuno ci guadagna

C'è un numero che dovrebbe essere appeso al muro di ogni ufficio che sta per "fare un progetto di AI": secondo una ricerca del MIT, il 95% dei pilot di AI generativa in azienda non produce ritorni economici misurabili. Novantacinque per cento. E un'analisi più recente sul mercato italiano conferma il quadro: l'AI è entrata in quasi nove aziende su dieci, ma solo il 5,5% vede un impatto economico reale.

Lo chiamano "GenAI paradox" o "GenAI Divide": adozione ovunque, valore quasi da nessuna parte. Ed è il paradosso più prevedibile della storia recente della tecnologia, perché chi lavora sul campo lo vede formarsi in diretta, progetto dopo progetto. Vorrei raccontare perché succede e — più interessante — cosa fa di diverso quel 5% che invece i soldi li vede.

L'imbuto della delusione

I numeri del MIT disegnano un imbuto impietoso: circa il 60% delle aziende ha valutato soluzioni di AI generativa, solo il 20% è arrivato a un progetto pilota, e solo il 5% ha portato qualcosa in produzione. A ogni passaggio si perde i due terzi del gruppo.

La parte controintuitiva è la diagnosi: il problema non sono i modelli. I modelli funzionano, e migliorano ogni trimestre. Le barriere — dice il MIT, e confermo riga per riga — sono organizzative. C'è un "learning gap" doppio: gli strumenti non imparano il contesto dell'azienda, e l'azienda non impara a usare gli strumenti.

C'è poi un dato che da solo spiega metà del paradosso: più della metà dei budget GenAI va su strumenti di sales e marketing, mentre il ROI più alto il MIT l'ha trovato nell'automazione del back-office. Le aziende comprano l'AI dove fa scena, non dove fa margine. Il chatbot in homepage si vede nelle slide del board; il sistema che riconcilia i documenti amministrativi e libera venti ore a settimana non lo fotografa nessuno. Indovina quale dei due si ripaga.

Anatomia di un pilot fallito

Avendone visti parecchi, da vicino e da dentro, il pilot GenAI destinato a fallire si riconosce presto. Ha quasi sempre tre caratteristiche.

Nasce dalla tecnologia e non dal problema: qualcuno ha visto una demo, c'è budget per "fare qualcosa con l'AI", si cerca un caso d'uso a posteriori. È il progetto-soluzione in cerca di problema, e l'AI ne ha generata un'epidemia.

Non tocca il processo: lo strumento viene appoggiato sopra il flusso di lavoro esistente invece di ridisegnarlo. Risultato: le persone devono fare il loro lavoro di prima più la gestione del nuovo strumento. Dopo tre settimane di entusiasmo, l'adozione crolla, e nessun modello migliore la farà risalire.

Non ha una metrica: "vediamo come va" non è un criterio di successo. Se non hai deciso prima cosa significa funzionare — ore risparmiate, errori ridotti, pratiche evase in più — il pilot non può né fallire né riuscire. Galleggia finché qualcuno non stacca la spina, e finisce nella statistica del 95%.

Cosa fa il 5%

La buona notizia è che il 5% che ci riesce non ha accesso a tecnologia segreta. Ha un metodo, e il metodo è replicabile anche — direi soprattutto — da una PMI. Le cose che vedo funzionare sono sempre le stesse.

Partire dal processo che sanguina. Non "dove possiamo mettere l'AI?", ma "qual è l'attività ripetitiva che ci costa di più tempo o errori?". Quasi sempre è nel back-office: documenti, preventivi, data entry, risposte a richieste ricorrenti. Poco glamour, tanto ritorno — esattamente dove il MIT trova il ROI.

Un caso d'uso alla volta, piccolo e misurato. Il progetto giusto si descrive in una frase, parte in settimane e ha una metrica concordata prima di iniziare. Se il primo caso funziona, finanzia e legittima il secondo. È così che si costruisce fiducia interna, che è la vera valuta di questi progetti.

Qualcuno che possiede il risultato. Non un comitato, non un fornitore lasciato solo: una persona interna che risponde della metrica. Il MIT segnala che la dipendenza totale da vendor esterni complica la governance e rende il ROI immisurabile. La competenza esterna serve eccome — è il mio mestiere — ma deve trasferire ownership, non trattenerla.

Processi prima dei tool. Se il processo è rotto, l'AI lo accelera nella direzione sbagliata. A volte il miglior progetto AI inizia con due settimane senza AI, a mappare come le cose funzionano davvero.

Le domande da fare prima di firmare

Se stai valutando un progetto AI — con un fornitore esterno o con il tuo team — c'è un piccolo set di domande che separa i progetti destinati al 5% da quelli destinati alla statistica. Le condivido perché sono le stesse che pretendo vengano fatte a me, quando sono io il fornitore.

Quale processo migliora, e come lo misuriamo? Se la risposta contiene le parole "efficienza" o "innovazione" senza un numero attaccato, non è una risposta. Serve una metrica concordata e una baseline misurata prima di partire: senza il "prima", il "dopo" non significa niente.

Chi lo userà ogni giorno, e cosa ne pensa? Il progetto deciso in direzione e calato su chi lavora è il copione del fallimento. Le persone che fanno il processo oggi sanno dove fa male davvero — e se non vengono coinvolte, hanno mille modi silenziosi per far fallire qualsiasi strumento.

Cosa succede quando l'AI sbaglia? Perché sbaglierà. Un progetto serio ha una risposta progettata: escalation a un umano, controlli sui casi critici, log di quello che succede. Un progetto fragile ha "vedremo".

Cosa resta a noi se il fornitore sparisce? Accessi, dati, documentazione, conoscenza del funzionamento. La dipendenza totale dal vendor è una delle cause di fallimento che il MIT segnala esplicitamente — e comunque una pessima posizione negoziale.

Quanto costa il mese dodici, non il mese uno? Tra consumi API, licenze e manutenzione, i costi ricorrenti dei progetti AI sorprendono spesso chi ha guardato solo il preventivo iniziale. Il ROI si calcola sul ciclo di vita, non sulla demo.

Cinque domande, mezz'ora di conversazione. Se il fornitore — o il tuo stesso team — risponde con chiarezza, le probabilità sono già ribaltate rispetto alla media.

Il vantaggio nascosto delle PMI

Chiudo con una considerazione che può sembrare in controtendenza: in questo scenario le PMI hanno un vantaggio strutturale. Il paradosso del 95% è soprattutto una malattia da grande organizzazione — budget da spendere in fretta, progetti vetrina, dieci livelli tra chi decide e chi userà lo strumento.

Una PMI non può permettersi il progetto vetrina, e questa è la sua fortuna: è costretta a partire dal problema vero, a misurare, a coinvolgere chi fa il lavoro. Le condizioni che il MIT indica come fattori di successo sono lo stato naturale di una piccola impresa ben gestita. Quello che manca, semmai, è il punto di partenza: capire da quale processo iniziare e con quali strumenti. Ma quella è una mancanza che si colma in settimane, non in anni.

Il paradosso della GenAI, alla fine, non parla di AI. Parla di come le organizzazioni adottano qualsiasi cosa: senza metodo, l'attrezzo più potente del mondo produce solo costi più potenti. Con metodo, anche un progetto piccolo finisce dalla parte giusta della statistica. E la parte giusta, ricordiamolo, esiste: è quel 5% che sta zitto e incassa.

---

Fonti: Fortune – MIT report, inno3, AI News – Il paradosso dell'AI in azienda, reccom.org