AI in azienda: il 95% dei progetti fallisce, i costi esplodono e l’Italia resta ferma ai pilot

Author picture

a cura di Strategic Management Partners

L’intelligenza artificiale generativa è entrata nei budget aziendali con la forza di una promessa: più efficienza, meno costi, vantaggio competitivo immediato. A due anni dall’ondata di adozione, i numeri raccontano una realtà diversa. Il 95% dei progetti di AI generativa non produce alcun ritorno misurabile sul conto economico, secondo il report “The GenAI Divide” del MIT NANDA, basato su 52 interviste a dirigenti, 153 leader aziendali e 300 progetti pubblici. La spesa censita vale tra i 30 e i 40 miliardi di dollari.
 
Il quadro non è migliore sul fronte italiano. Una ricerca Cefriel rivela che oltre il 90% delle aziende medio-grandi si trova ancora in fase esplorativa o di adozione parziale, incapace di trasformare le sperimentazioni in processi operativi stabili. Nemmeno le dimensioni proteggono dal fallimento: Citi, Atlassian, Adobe e Amazon stanno già chiudendo i rubinetti, con tetti di spesa, razionamento dei token e disattivazione dei modelli premium per contenere costi che in alcuni casi sono triplicati in pochi mesi.
 
Il paradosso è strutturale: le aziende investono nell’AI come se fosse un software da attivare, ma la trattano come un progetto tecnologico anziché come una trasformazione organizzativa. Il risultato è una spesa crescente che non si traduce in valore, dipendenti che finiscono per lavorare di più invece che meglio, e un divario tra chi compra strumenti e chi ottiene risultati che si allarga ogni trimestre.
 
La questione non è più se l’AI funzioni, ma se le organizzazioni siano capaci di farla funzionare.
 
 

TRASFORMAZIONE DEL CONTESTO

Il modello di adozione dominante – comprare la licenza, attivare il tool, aspettare i risultati – si è scontrato con una realtà che nessun vendor aveva interesse a raccontare. L’AI generativa non è un software plug-and-play: richiede un redesign dei processi che le aziende evitano sistematicamente perché è costoso, lungo e organizzativamente scomodo.
 
I dati del MIT sono netti: le aziende che acquistano strumenti da vendor specializzati hanno un tasso di successo del 67%, contro un terzo scarso di chi sviluppa in casa. Ma anche il 67% racconta una storia incompleta, perché il vantaggio non viene dallo strumento in sé – viene dal minimo di metodo che il vendor impone dall’esterno: tempi, processo di implementazione, disciplina che il cliente spesso non possiede.
 
Sul fronte dei costi, il passaggio dal modello flat al consumo a token ha reso visibile ciò che prima era nascosto. In Atlassian, la spesa mensile per servizi AI è passata da 5 milioni di dollari nell’agosto 2025 a oltre 15 milioni nel maggio 2026, con una proiezione annua superiore ai 120 milioni. Citi ha disattivato l’accesso a Claude Opus e GPT-5.5, chiedendo ai dipendenti di ripiegare su modelli meno costosi. Adobe non rinnoverà l’accesso illimitato a Claude.
 
Il contesto è cambiato: dalla fase dell’entusiasmo illimitato si è passati alla fase della resa dei conti.
 
Fonte: Tom’s Hardware – Hardware Upgrade
 
 

LE NUOVE LEVE STRATEGICHE

1. Dal tool al processo: il redesign organizzativo come prerequisito
Il report MIT dimostra che la differenza tra il 5% di progetti che producono valore e il 95% che fallisce non è tecnologica ma organizzativa. Obiettivo di business definito prima dell’acquisto, owner interno responsabile, metrica di produttività concordata in anticipo e ridisegno del flusso di lavoro sono le condizioni che discriminano il successo dal fallimento. Comprare una licenza è un clic; trasformare un processo richiede mesi che nessuno vuole aspettare, ma che determinano tutto il ritorno.
Fonte: Tom’s Hardware
 
2. L’AI Factory: dalla sperimentazione perpetua alla capacità permanente
Cefriel propone il modello AI Factory per uscire dal purgatorio dei pilot. Non si tratta di un centro tecnologico, ma di un approccio che parte dai bisogni di business, traduce le esigenze operative in soluzioni sostenibili e integra progressivamente l’AI nei processi quotidiani. L’obiettivo è passare da una successione di progetti isolati a una generazione continua di valore, con governance condivisa tra CEO e CIO – due figure che oggi hanno aspettative disallineate sull’AI.
Fonte: ictbusiness.it
 
3. Governance dei costi: dal consumo illimitato al razionamento intelligente
Le aziende più avanzate stanno già introducendo meccanismi di controllo: dashboard individuali di spesa (Atlassian), routing dei task verso modelli meno costosi (Citi), valutazione di modelli open source come alternativa (GitHub), e chiusura delle metriche di gamification che incentivavano l’uso senza criterio (Amazon). Il passaggio da abbonamento flat a consumo a token rende ogni interazione misurabile – e impone una disciplina che prima non esisteva.
Fonte: Hardware Upgrade
 
 

BENEFICI E IMPATTO

L’adozione governata dell’AI, quando avviene con metodo, produce risultati documentati. Le aziende che acquistano da vendor specializzati con un processo di implementazione strutturato raggiungono un tasso di successo del 67%. L’85% dei dipendenti dichiara di risparmiare tra una e sette ore a settimana. I casi Cefriel – EG Medical nel manifatturiero e il panificio Doper nell’artigianato – dimostrano che anche le PMI possono estrarre valore quando il progetto parte da un bisogno operativo concreto anziché dall’entusiasmo tecnologico.
 
Il beneficio più sottovalutato è la visibilità sui costi. Le dashboard di consumo introdotte da Atlassian e i tetti di spesa di Citi costringono per la prima volta le organizzazioni a collegare ogni utilizzo AI a un valore di business specifico, trasformando una spesa opaca in un investimento misurabile.

 

SFIDE E CRITICITÀ

  • Il 95% senza ritorno: la stragrande maggioranza dei progetti di AI generativa non produce impatto misurabile sul conto economico, a fronte di investimenti globali tra i 30 e i 40 miliardi di dollari. Il divario tra spesa e risultato è il dato più critico dell’intero ecosistema.
  • Il tempo risparmiato che scompare: quasi il 40% del tempo liberato dall’AI si perde in correzioni e verifiche degli output. Un terzo dei dipendenti dichiara che il risparmio si traduce in più lavoro, non in lavoro migliore.
  • L’Italia ferma ai pilot: oltre il 90% delle aziende italiane medio-grandi non riesce a portare l’AI dalla sperimentazione all’operatività. Il disallineamento tra le aspettative dei CEO (trasformazione radicale) e le priorità dei CIO (efficientamento progressivo) rallenta ogni progetto.
  • Costi fuori controllo: il passaggio al modello a consumo di token ha reso visibile una spesa in crescita esponenziale. In Atlassian, la proiezione annua ha superato i 120 milioni di dollari. In Accenture, gran parte del consumo non deriva da attività avanzate ma da operazioni banali come la conversione di PDF in presentazioni.
  • PMI italiane doppiamente esposte: il 76% delle PMI italiane non investe in AI e non ha piani per farlo. Chi investe lo fa quasi sempre senza le condizioni minime – owner, metrica, formazione – che i dati MIT indicano come discriminanti.

 

TREND E FUTURO

Il 2026 segna la fine della fase dell’adozione entusiastica e l’inizio della razionalizzazione economica. Le aziende passeranno da “quanti tool AI abbiamo attivato” a “quanto valore misurabile producono”. Il modello di pricing a token, che oggi genera panico nei CFO, diventerà paradossalmente un alleato della governance: rendendo ogni interazione costosa e tracciabile, costringerà le organizzazioni a fare ciò che avrebbero dovuto fare dall’inizio – scegliere dove l’AI serve davvero e ridisegnare i processi intorno a quei casi d’uso.
 
Il modello AI Factory proposto da Cefriel – struttura permanente, governance condivisa, evoluzione continua – indica la direzione per le aziende italiane che vogliono uscire dal purgatorio dei pilot. Chi non adotterà un approccio strutturale resterà intrappolato nel ciclo acquisto-sperimentazione-abbandono che oggi caratterizza il 95% dei progetti.
 
Il divario competitivo si giocherà tra chi ha il coraggio di investire nel redesign organizzativo – lungo, scomodo, senza fatturato immediato – e chi continuerà a comprare licenze sperando che il metodo arrivi in dotazione con il software.
 
 

CASI E SETTORI APPLICATIVI

  • Banking e finanza: Citi rappresenta il caso più emblematico della stretta sui costi: disattivazione di modelli premium, routing verso modelli economici, razionamento dei token. Il settore finanziario, tra i primi ad adottare l’AI, è anche il primo a scoprirne l’insostenibilità economica senza governance.
  • Software e tecnologia: Atlassian, GitHub e Amazon mostrano tre approcci diversi allo stesso problema – dashboard di costo individuale, valutazione di alternative open source, eliminazione degli incentivi all’uso indiscriminato. Il settore tech, paradossalmente, sta imparando a proprie spese che più AI non significa automaticamente più valore.
  • Manufatturiero italiano: i casi EG Medical e Doper citati da Cefriel dimostrano che nelle PMI manifatturiere italiane l’AI funziona quando parte da un bisogno operativo concreto – supporto alla produzione, preservazione delle competenze – e viene integrata con un modello organizzativo strutturato.
  • Servizi professionali: in Accenture, la maggior parte del consumo di token non deriva da sviluppo software avanzato ma da operazioni semplici come la conversione di documenti, evidenziando un uso diffuso ma a basso valore aggiunto che erode i budget senza generare impatto strategico.
 
 
L’intelligenza artificiale in azienda ha raggiunto il punto in cui le promesse si misurano con i bilanci. Il 95% dei progetti senza ritorno, i costi triplicati in nove mesi e il 90% delle imprese italiane fermo ai pilot non raccontano un fallimento della tecnologia, ma il fallimento di un modello di adozione. Comprare strumenti è facile; trasformare le organizzazioni è il lavoro vero, quello che nessun vendor include nel prezzo e che nessun board può più permettersi di rimandare. Il vantaggio competitivo dell’AI non andrà a chi spende di più, ma a chi ha il coraggio di fermarsi, ridisegnare i processi e ripartire con un metodo. Il 2026 è l’anno in cui le aziende scoprono che l’AI non è un acquisto: è una scelta organizzativa.