Gartner stima che nel 2026 le aziende di tutto il mondo spenderanno 2.590 miliardi di dollari in intelligenza artificiale — una crescita del 47% rispetto al 2025. Le proiezioni per il 2027 parlano di 3.500 miliardi. Sono cifre che fanno girare la testa, e non in senso positivo.
Stando a un'indagine di Bain & Company su 951 aziende — il report AI's Unfinished Business, pubblicato nel 2026 — il ritorno sull'investimento in AI per quasi il 40% delle imprese è rimasto sotto il 10% di risparmio sui costi, nonostante l'obiettivo dichiarato fosse tra l'11 e il 20%. Non è un fallimento clamoroso. È peggio: è un fallimento silenzioso, abbastanza piccolo da non far scattare nessun allarme, abbastanza costante da erodere budget e fiducia anno dopo anno. Come scrivono i ricercatori Michael Heric, Purna Doddapaneni e Antoine Debarre: «La tecnologia ha funzionato. Il valore non è arrivato.»
In questo articolo proviamo a capire perché succede, cosa consigliano di fare chi ha studiato il problema sul serio, e cosa significa tutto questo per chi gestisce un'impresa piccola o lavora in proprio — dove il margine di errore è molto più stretto.
Perché le aziende continuano a investire in AI anche quando non funziona?
Il rituale è ormai consolidato: ogni anno i consigli di amministrazione approvano il budget per la prossima ondata tecnologica. Prima l'automazione robotica dei processi, poi il machine learning, poi l'AI generativa, adesso gli agenti autonomi. E ogni anno, puntuale come la dichiarazione dei redditi, i risparmi attesi non arrivano. Eppure il 90% delle aziende intervistate da Bain nel 2026 sta aumentando il budget AI — questa volta per costruire sistemi agentici che «opereranno con maggiore autonomia, complessità e conseguenze».
Come mai nessuno frena? La risposta scomoda è che il divario tra aspettative e risultati è calibrato alla perfezione per non uccidere il progetto. Non abbastanza grave da giustificare uno stop, abbastanza costante da tenere tutti un po' in affanno. È la zona grigia in cui prosperano i consulenti e muoiono i budget: nessuno vuole essere quello che ha bloccato l'AI in azienda, e nessuno ha i numeri precisi per dimostrare che stia funzionando davvero.
C'è anche un problema strutturale più profondo, che i ricercatori di Bain chiamano «scommessa circolare»: il 44% delle aziende intervistate — la quota più grande — dichiara di voler finanziare i nuovi investimenti in AI generativa e agenti proprio con i risparmi delle automazioni precedenti. In teoria sembra disciplina finanziaria sana. In pratica è un cane che si morde la coda: se la prima ondata ha sottoperformato, il «serbatoio» da cui attingere è già più piccolo del previsto, e ci si ritrova a costruire il secondo piano su fondamenta che non reggevano il primo.
Quali sono i veri ostacoli al ritorno sull'investimento in AI?
I tre blocchi principali, secondo la ricerca Bain, sono l'assenza di vera autonomia dei sistemi, la dipendenza circolare dai risparmi passati e i problemi cronici di accesso ai dati. Capire questi ostacoli è il primo passo per non ripetere gli stessi errori nel prossimo ciclo di spesa.
Il primo ostacolo è il più imbarazzante da ammettere: l'AI, nella stragrande maggioranza delle aziende, non è ancora autonoma. Solo il 7% delle imprese del campione — 951 aziende distribuite tra Nord America, Europa e Asia-Pacifico, in settori che vanno dai servizi finanziari alla manifattura — ha sistemi agentici in produzione che girano davvero da soli. Tutti gli altri hanno strumenti che richiedono supervisione umana continua, il che significa che i costi del personale non sono diminuiti quanto ci si aspettava, perché qualcuno deve comunque controllare, correggere, validare. È come comprare un'auto con il pilota automatico e poi scoprire che funziona solo in autostrada, solo di giorno, solo senza pioggia. Tecnicamente funziona. Praticamente, sei ancora lì con le mani sul volante.
Il secondo ostacolo — la scommessa circolare — l'abbiamo già visto. Vale sottolinearlo perché è insidioso: il 44% delle aziende sta finanziando la nuova ondata AI con risparmi che non esistono ancora, o esistono in misura minore del previsto. È contabilità creativa applicata alla strategia tecnologica.
Il terzo ostacolo è il più antico e il più ignorato: i dati. L'accesso e l'integrazione dei dati resta la barriera numero uno al progresso dell'AI, citata dal 41% degli intervistati — nonostante anni di investimenti in «data modernization». Le aziende hanno comprato strumenti sofisticatissimi e li hanno collegati a database disorganizzati, sistemi legacy che non parlano tra loro, e fogli Excel aggiornati a mano ogni martedì mattina. Il risultato è che la qualità dell'output AI dipende dalla qualità dei dati in ingresso, e quella qualità è rimasta invariata.
Come si misura davvero il ritorno sull'investimento in AI?
La maggior parte delle aziende misura i risultati sbagliati: ore risparmiate in un singolo reparto, ticket di supporto ridotti, velocità di elaborazione aumentata. Sono numeri facili da raccogliere e difficili da contestare. Il problema è che non dicono nulla sull'impatto reale sul business.
Misurare il ritorno sull'investimento in AI significa guardare agli outcome a livello di intera organizzazione: ricavi incrementali generati da processi accelerati dall'AI, quota di mercato guadagnata grazie a prodotti lanciati più velocemente, soddisfazione cliente misurata longitudinalmente prima e dopo l'implementazione. Per farlo in pratica, servono tre cose: una baseline documentata prima dell'avvio del progetto, metriche definite ex ante con un responsabile nominato, e una finestra temporale fissa per la verifica — sei mesi, non «quando i dati saranno maturi».
I ricercatori di Bain suggeriscono un esercizio che fa un po' male: fare un audit dei ritorni reali delle iniziative tecnologiche degli ultimi cinque anni. Non i ritorni dichiarati nei report interni — quelli reali, confrontando le proiezioni fatte al momento dell'approvazione del budget con i numeri effettivi a consuntivo. Per molte aziende, questo audit rivela uno scarto sistematico che nessuno ha mai formalizzato apertamente. Perché farlo, visto che nessuno viene premiato per aver detto «l'automazione dell'anno scorso non ha funzionato come pensavamo»?
Un'indicazione concreta che emerge dalla ricerca: usare l'AI stessa per risolvere il problema dei dati, prima di usarla per qualsiasi altra cosa. Se il 41% delle aziende indica l'accesso ai dati come barriera principale, allora il miglior posto dove applicare l'AI in questo momento è la pulizia, l'integrazione e la governance dei dati stessi. Bain cita il caso di un'azienda manifatturiera del campione che ha destinato il primo anno di budget AI interamente alla normalizzazione dei dati di produzione — e solo nel secondo anno ha iniziato a costruire modelli predittivi, ottenendo risultati misurabili già nei primi sei mesi. Non è glamour. È la differenza tra un progetto che funziona e uno che produce slide convincenti.
Cosa consigliano gli esperti per uscire dalla spirale?
Le raccomandazioni pratiche di Bain puntano tutte nella stessa direzione: smettere di sovrapporre l'AI ai processi esistenti e ricominciare a progettare i processi da zero, con l'AI come variabile di partenza e non come aggiunta finale. Le aziende che ottengono risultati migliori non chiedono «come possiamo usare l'AI per fare quello che già facciamo?», ma «se dovessimo costruire questo processo oggi, da zero, come lo faremmo?».
Una seconda indicazione riguarda i ruoli delle persone. Il motivo per cui molti investimenti AI non si traducono in risparmi reali è che le aziende hanno automatizzato parti di un lavoro senza ridisegnare il ruolo completo di chi lo svolgeva. Risultato: il dipendente adesso fa il 30% di lavoro in meno su quella specifica attività, ma il suo costo rimane invariato perché nessuno ha definito cosa dovrebbe fare con il tempo liberato. L'AI ha ottimizzato un pezzo, l'organizzazione ha lasciato tutto il resto immobile. I risparmi rimangono virtuali.
C'è poi la questione della governance: stabilire metriche chiare prima di lanciare i progetti, non dopo. Non «vediamo come va e poi misuriamo», ma «questi sono i numeri che ci aspettiamo entro sei mesi, questo è chi è responsabile, questo è cosa succede se non li raggiungiamo». Solo il 23% delle aziende del campione aveva definito KPI misurabili prima dell'avvio dei progetti AI più recenti. Non è mancanza di competenza tecnica. È che definire obiettivi misurabili ex ante significa accettare la responsabilità quando non vengono raggiunti. Finché questo rimane un rischio che nessuno vuole assumersi, la spirale continua.
Cosa dovrebbe fare chi non è una multinazionale?
Per freelancer e piccole imprese, il problema del ritorno sull'investimento in AI si pone in termini diversi ma analoghi: si compra uno strumento perché «tutti lo usano», si integra superficialmente nel flusso di lavoro esistente, si misura poco o niente, e dopo sei mesi si è speso tempo e denaro senza un impatto chiaro sui risultati. La differenza è che una multinazionale può permettersi anni di underperformance silenziosa — una piccola impresa no.
Il consiglio che emerge dalla ricerca vale anche qui, tradotto in scala: prima di aggiungere un nuovo strumento AI, chiediti quale processo specifico sta cambiando, di quanto, e come lo misuri. Non «uso l'AI per il marketing» ma «questo strumento mi permette di produrre tre preventivi alla settimana invece di uno, e la conversione è migliorata del X%». Se non riesci a rispondere con numeri reali dopo tre mesi di utilizzo, probabilmente stai pagando per uno strumento che ti fa sentire moderno senza renderti più produttivo. Stabilire queste metriche prima di iniziare — non dopo — è la differenza tra un investimento e una spesa.
Per approfondire, l'articolo su cosa significa davvero il fatto che il 77% delle PMI usa già l'AI affronta la differenza tra adozione formale e adozione efficace — e perché il primo numero non implica automaticamente il secondo. Se invece il problema è più a monte — non sai ancora in quale direzione orientare questi strumenti — l'articolo su identità aziendale e AI spiega perché senza una strategia chiara nessuno strumento fa la differenza, indipendentemente da quanto sia sofisticato.
Il vantaggio competitivo nell'AI non arriva dall'adozione più rapida. Arriva dall'adozione più mirata — sapere esattamente cosa si vuole misurare, misurarlo davvero, e smettere di investire dove i numeri non reggono. Le aziende che lo fanno sono ancora una minoranza. Il che significa che c'è ancora spazio per distinguersi, anche partendo da piccoli.