🔍 Lo studio del MIT NANDA, “State of AI in Business 2025”
Un recente rapporto di MIT NANDA, “State of AI in Business 2025”, ha rivelato una situazione sorprendente: nonostante investimenti tra i 30 e i 40 miliardi di dollari in GenAI a livello aziendale, ben il 95% delle organizzazioni non sta ottenendo alcun ritorno. Questo risultato drastico ha portato i ricercatori a definire questa disparità come il “Divario GenAI”. Solo un esiguo 5% dei progetti pilota di AI integrata sta generando milioni di valore, mentre la maggioranza rimane bloccata senza un impatto misurabile sul profitto e le perdite (P&L). La ricerca, condotta da gennaio a giugno 2025, si basa su un’analisi di oltre 300 iniziative AI pubbliche, interviste a 52 organizzazioni e sondaggi a 153 leader senior.
🤷♀️ Adozione Elevata, Trasformazione Bassa
Sebbene strumenti generici come ChatGPT e Copilot siano ampiamente adottati (oltre l’80% delle organizzazioni li ha esplorati o testati, e quasi il 40% ne riporta l’implementazione), questi tendono a migliorare principalmente la produttività individuale, non le performance del P&L. Al contrario, i sistemi di livello enterprise, sia personalizzati che forniti da venditori, vengono tacitamente rifiutati: il 60% delle organizzazioni li ha valutati, ma solo il 5% ha raggiunto la produzione. I fallimenti sono spesso dovuti a flussi di lavoro fragili, mancanza di apprendimento contestuale e disallineamento con le operazioni quotidiane.
Il rapporto evidenzia quattro schemi principali che definiscono il Divario GenAI:
• Disruzione limitata: Solo 2 degli 8 settori principali mostrano cambiamenti strutturali significativi (Tecnologia e Media).
• Paradosso aziendale: Le grandi aziende sono leader per volume di progetti pilota, ma sono in ritardo nella scalabilità.
• Pregiudizio degli investimenti: I budget favoriscono funzioni visibili e orientate al fatturato (come vendite e marketing, che ricevono circa il 50-70% degli investimenti GenAI) rispetto alle operazioni di back-office ad alto ROI.
• Vantaggio dell’implementazione: Le partnership esterne registrano un tasso di successo doppio rispetto alle costruzioni interne.
🚧 La Vera Barriera: La Lacuna di Apprendimento
La ragione principale per cui la maggior parte dei sistemi GenAI non scala non è l’infrastruttura, la regolamentazione o il talento. È l’apprendimento. Molti sistemi non conservano il feedback, non si adattano al contesto e non migliorano nel tempo.
Perché i Piloti si Bloccano: La Lacuna di Apprendimento Dietro il Divario I principali ostacoli al successo dei progetti pilota GenAI riflettono questa lacuna di apprendimento:
• Resistenza all’adozione di nuovi strumenti.
• Preoccupazioni sulla qualità dell’output del modello.
• Scarsa esperienza utente.
• Mancanza di sponsorizzazione esecutiva e gestione del cambiamento.
È un paradosso: gli stessi utenti che utilizzano quotidianamente ChatGPT per attività personali, lodandone flessibilità e familiarità, descrivono gli strumenti AI aziendali come inaffidabili o poco allineati ai flussi di lavoro. Per lavori critici, il 90% degli utenti preferisce gli esseri umani. La differenza fondamentale è la mancanza di memoria, adattabilità e capacità di apprendimento nei sistemi GenAI attuali.
💡 L’AI Agentica: Un Ponte Oltre il Divario
Sistemi come l’AI Agentica, che incorporano memoria persistente e apprendimento iterativo, sono la chiave per superare questa lacuna. Questi sistemi possono mantenere la memoria contestuale, imparare dalle interazioni e orchestrare autonomamente flussi di lavoro complessi.
Come i Migliori Superano il Divario GenAI ✅ Sia i “costruttori” (start-up e fornitori) che i “compratori” (aziende) che riescono a superare il Divario GenAI adottano approcci specifici:
Per i Compratori (Aziende): 🤝
• Richiedono una profonda personalizzazione allineata ai processi e dati interni.
• Valutano gli strumenti in base ai risultati operativi, non ai benchmark del software.
• Trattano i fornitori come partner di servizi aziendali (es. BPO), co-evolvendo attraverso i primi fallimenti.
• Promuovono l’adozione dalle prime linee e dai “prosumer” (dipendenti che già usano strumenti AI personali), decentrando l’autorità di implementazione ma mantenendo la responsabilità.
• Le partnership strategiche con strumenti personalizzabili e capaci di apprendere hanno il doppio delle probabilità di successo rispetto allo sviluppo interno.
Per i Costruttori (Fornitori): 🚀
• Costruiscono sistemi adattivi e integrati che apprendono dal feedback.
• Si concentrano su casi d’uso specifici ma di alto valore, integrandosi profondamente nei flussi di lavoro esistenti.
• Comprendono che le aziende cercano affidabilità, comprensione approfondita dei flussi di lavoro, minima interruzione degli strumenti esistenti, chiari confini dei dati, capacità di migliorare nel tempo e flessibilità.
• Ottengono vittorie rapide e visibili in flussi di lavoro ristretti, per poi espandersi.
• Sfruttano le reti di referenze (partner esistenti, raccomandazioni dei colleghi, referral di membri del consiglio) per superare le barriere di fiducia.
• La finestra per agire è stretta: le aziende stanno bloccando le relazioni con i fornitori di strumenti capaci di apprendere.
💰 ROI Reale e Impatto sulla Forza Lavoro
Le organizzazioni che superano il Divario GenAI scoprono che il ROI è spesso più alto in funzioni ignorate come operazioni e finanza. I guadagni significativi derivano dalla sostituzione di BPO (Business Process Outsourcing) e agenzie esterne (risparmi di 2-10 milioni di dollari annui nel servizio clienti, riduzione del 30% della spesa per agenzie), piuttosto che dal taglio del personale interno su larga scala.
L’impatto sulla forza lavoro si manifesta attraverso lo spostamento selettivo di funzioni esternalizzate (supporto clienti, elaborazione amministrativa, compiti di sviluppo standardizzati) e schemi di assunzione vincolati, non attraverso licenziamenti generalizzati. In settori come Tecnologia e Media, dove l’AI ha avuto un impatto misurabile, oltre l’80% dei dirigenti prevede una riduzione dei volumi di assunzione entro 24 mesi. L’alfabetizzazione AI sta diventando un requisito fondamentale per le nuove assunzioni.
Oltre gli Agenti: Il Web Agentico 🌐 L’evoluzione futura va oltre i singoli agenti AI verso un “Web Agentico“. Si tratta di un’infrastruttura dove sistemi autonomi possono scoprire, negoziare e coordinare attraverso l’intera internet. Protocolli come Model Context Protocol (MCP), Agent-to-Agent (A2A) e NANDA (Networked Agents And Decentralized Architecture) dal Project NANDA dell’MIT stanno gettando le basi per questa interoperabilità e coordinazione degli agenti. Questo rappresenta un cambiamento fondamentale dai processi aziendali mediati dall’uomo a sistemi autonomi che operano in tutto l’ecosistema internet.
Conclusione: Come Colmare il Divario GenAI Per le organizzazioni bloccate dalla parte sbagliata del Divario GenAI, la strada è chiara:
• Smettere di investire in strumenti statici che richiedono costanti suggerimenti.
• Iniziare a collaborare con fornitori che offrono sistemi personalizzati.
• Concentrarsi sull’integrazione nei flussi di lavoro piuttosto che su demo appariscenti.
Questo non è solo un cambiamento di strumenti, ma l’emergere di un Web Agentico, uno strato interconnesso di sistemi di apprendimento che collaborano attraverso fornitori e domini. Le aziende che riconosceranno e agiranno su questi modelli si assicureranno posizioni dominanti nell’economia post-pilota dell’AI.
L’Altra Faccia della Medaglia: Perché l’AI Resta un’Opportunità Straordinaria 🚀
🔍 Il Rischio della Visione Parziale
Lo studio del MIT che abbiamo analizzato nella prima parte dipinge un quadro indubbiamente sobrio dell’adozione AI enterprise. Ma fermarsi lì sarebbe come giudicare Internet nel 1995 guardando solo quante aziende avevano un sito web funzionante. 🌐
La verità è che stiamo assistendo a una disconnessione affascinante: mentre le aziende faticano ancora a implementare l’AI in modo produttivo, l’infrastruttura che alimenterà questa rivoluzione sta crescendo a ritmi vertiginosi. ⚡
📈 I Numeri Che Lo Studio Non Racconta
Mentre il 95% delle aziende non ottiene ROI dall’AI enterprise, ecco cosa sta succedendo dall’altra parte:
🚀 L’Esplosione dell’Infrastructure Layer
- $364 miliardi di investimenti Big Tech previsti nel 2025 (+12% YoY) 💰
- NVIDIA: +171% nel 2024, con fondamentali che continuano a sorprendere al rialzo 📊
- Usage esplosivo: le Big Tech riportano crescite del token usage tra 5x e 9x anno su anno 🔥
- Il Magnificent 7: crescita EPS del 14% nel Q2 2025, trainata proprio dall’AI ⭐
💡 Il Mercato che Sta Nascendo
La ricerca prevede che il mercato AI globale passi da $25.6 miliardi a $631 miliardi entro il 2028. Ma il dato più interessante è quello dell’inference market: da praticamente $0 oggi a un’opportunità di $255 miliardi. 🎯
Questo significa che stiamo ancora guardando l’inizio della curva, non la fine. 📈
🕶️ La Shadow Economy dell’AI
Ecco un dato che dovrebbe far riflettere: mentre solo il 40% delle aziende ha adottato strumenti AI formalmente, il 90% dei knowledge worker usa già AI a livello personale. 👥
Questa “shadow economy” rappresenta una pressione dal basso che prima o poi forzerà l’adozione enterprise. È solo questione di tempo prima che la produttività individuale si traduca in trasformazione aziendale. ⏰
🎯 Tre Livelli di Opportunità
L’analisi equilibrata suggerisce di guardare all’AI come a una stack a tre livelli, ognuno con un profilo rischio-rendimento diverso:
🟢 Infrastructure Layer (Rischio Basso)
- NVIDIA, Microsoft Azure, Cloud providers ☁️
- Domanda garantita indipendentemente dall’adozione enterprise 🔒
- I “picconi e pale” della corsa all’oro AI ⛏️
🟡 Platform Layer (Rischio Medio)
- Alphabet, Meta, Amazon 🌐
- Posizionati per monetizzare quando l’adozione enterprise accelererà 🚀
- Hanno gli strumenti, aspettano che il mercato maturi ⏳
🔴 Application Layer (Rischio Alto)
- AI startups, soluzioni verticali 💼
- Massimo potenziale di crescita, ma execution risk elevato 📊
- Qui si gioca la partita dell’implementazione pratica ⚔️
⚖️ Verso una Strategia di Investimento Bilanciata
La chiave non è scegliere tra ottimismo e pessimismo, ma costruire una strategia che catturi l’upside limitando il downside. 🎪
Alcune considerazioni preliminari che meritano approfondimento:
- 🕰️ Diversificazione temporale: L’AI potrebbe essere in ritardo sull’enterprise, ma in anticipo sull’infrastruttura
- 💎 Quality over quantity: Meglio pochi nomi di qualità che diversificazione eccessiva in un settore ancora in formazione
- 📉 Timing tattico: Le correzioni del mercato tech offrono entry point interessanti per posizioni a lungo termine
🌟 Il Paradosso del Momento Perfetto
Viviamo un paradosso affascinante: il gap tra hype e realtà enterprise potrebbe essere proprio ciò che crea l’opportunità. 🎭
Quando il 95% delle implementazioni fallisce, significa che c’è ancora un oceano di efficienza da catturare. E la storia ci insegna che le aziende che riusciranno a risolvere questo puzzle saranno ricompensate in modo sproporzionato. 🏆
🔮 Guardare Oltre il Presente
Lo studio MIT fotografa il presente, ma gli investimenti migliori si fanno guardando al futuro. E il futuro dell’AI non si gioca tanto sul se, quanto sul quando e sul come. 🎯
L’infrastruttura si sta costruendo ora. 🏗️
I talenti si stanno formando ora. 🎓
I modelli si stanno affinando ora. 🤖
Quando il mercato enterprise si sveglierà – e lo farà – tutto sarà già pronto. ⏰
📝 Nella prossima analisi non pianificata approfondiremo le strategie concrete per posizionarsi su questa opportunità, bilanciando le lezioni del MIT con le prospettive di crescita dell’infrastruttura AI.
Vuoi ricevere analisi periodiche sui mercati? Contattami per accedere ai contenuti dell’ufficio studi.
Linkedin: Profilo | Email: andreabertinicrm@gmail.com | Telegram: Registrati
Informazioni fornite a solo scopo informativo, non costituiscono consulenza finanziaria.
