Quel che spendiamo in AI e quel che non sappiamo
Perché, dopo anni di investimenti in AI, le imprese non sanno dire se hanno avuto un effetto positivo. E perché non è solo colpa loro.
Il post in tre frasi
Le imprese stanno investendo nell’AI a ritmi senza precedenti, ma non sanno se sta funzionando.
Le (principali) ragioni sono due, e si sovrappongono: dati e processi non pronti da una parte, metriche assenti dall’altra.
La via d’uscita non è operare solo sul fronte del taglio degli investimenti, ma ammettere che una parte cruciale del lavoro l’abbiamo saltata e che, senza quella, ogni numero sul ROI è un’opinione travestita da dato.
Alla ricerca di valore
C’è una frase che circola nelle scuole di marketing da oltre un secolo. È attribuita a John Wanamaker, pioniere del retail americano a cavallo tra l’Ottocento e il Novecento (sebbene l’attribuzione sia incerta). Suona così: “Metà del denaro che spendo in pubblicità è sprecata; il problema è che non so quale metà.”
Quando la sento citata, penso alle riunioni con i CEO e i CFO delle imprese italiane degli ultimi diciotto-ventiquattro mesi — riunioni in cui si parla di investimenti in AI, di pilot e di trasformazioni in corso. Wanamaker, almeno, aveva l’onestà di dirlo: spendo, una parte è sprecata, non so quale. Non so quanti dei CFO che ho incontrato lo direbbero con quella nettezza, ma sotto la superficie del racconto la stessa onestà fatica a emergere. La volontà di essere chiari c’è; mancano i dati per esserlo.
Vediamo perché.
Una fase concitata e una domanda scomoda
Il punto di partenza è duplice. Da una parte, l’AI è il fenomeno di investimento aziendale più rapido che ricordi. Dall’altra parte, quando si chiede al management “qual è stato l’effetto?”, la risposta più frequente è un’esitazione, una qualificazione, un rinvio. Non si tratta di un’impressione mia. Arriva da fonti diverse, tutte indipendenti e degli ultimi mesi.
Provo a leggere queste fonti da due punti di vista che mi sembrano i più produttivi.
Molti progetti sono partiti senza una base adeguata, perché i dati e i processi delle imprese non erano ancora pronti.
Anche dove la base c’è, non sappiamo quantificare i benefici, o perché non ci sono, o perché non siamo capaci di misurarli.
I due punti di vista non si escludono. Si rafforzano.
Progetti senza base: il problema sta nei dati e nei processi
La fonte più recente e più articolata è una survey di Bain & Company, ripresa da Bloomberg e commentata da Entrepreneur all’inizio di giugno. Il campione è solido: 951 grandi aziende in 9 settori.
AI is supposed to save companies billions. So far, it isn’t. […] Among companies measuring their AI savings, 40% saw reductions of just 10% or less. That’s well below what most were expecting.
In altre parole, quattro aziende su dieci, fra quelle che almeno provano a misurare, ottengono risparmi inferiori al 10% rispetto alle proiezioni. È un divario notevole, ma quel che mi colpisce di più viene subito dopo:
The disappointing returns matter because 44% of companies surveyed are funding their next wave of generative and agentic AI investments with those projected savings. Bain calls the strategy “a circular bet with a structural leak.”
“Una scommessa circolare con una falla strutturale.” La formulazione è di Bain stessa, non di una stampa allarmistica. Significa che quasi la metà delle imprese sta finanziando il prossimo round di investimenti in AI con risparmi proiettati dal round precedente, risparmi che, come abbiamo appena visto, si discostano dalle proiezioni. Quando una scommessa si autorifinanzia con un ritorno che non arriva, il problema e il rischio sono strutturali.
Bain pone una domanda che si poteva porre al centro del rapporto: perché i risparmi attesi non si materializzano? La risposta è la parte più importante del documento.
the No. 1 reason AI programs underperform isn’t budget or strategy. It’s that most companies’ data is so disorganized their AI can’t get to it. That problem, Bain warned, “should be making executives uncomfortable.”
I dati delle imprese sono talmente disorganizzati che l’AI non riesce ad accedervi. Bain dice che la cosa “dovrebbe mettere a disagio gli executive”. Sospetto che il disagio arrivi, quando arriva, troppo tardi, dopo che la spesa è già impegnata e i pilot sono già stati lanciati.
La lettura di Bain non è isolata. Maria Korolov, su CIO.com a fine giugno, ha pubblicato un’analisi sull’adozione dei data lakehouse come infrastruttura per l’AI aziendale.
Nota: Un data lakehouse è un’architettura dati che unisce la capacità dei data lake di immagazzinare grandi volumi di dati grezzi, anche non strutturati, con l’interrogabilità dei data warehouse (query SQL, schema, transazioni). Il risultato è un livello dati unico, accessibile sia agli analisti sia ai modelli AI, senza duplicare né spostare i dati tra sistemi separati. Implementazioni diffuse: Databricks (Delta Lake), Snowflake, Microsoft Fabric.
L’idea di fondo è semplice: senza un livello dati unificato e accessibile, qualsiasi modello AI non funziona o funziona male. Prasad Pore, analista di Gartner, dichiara nell’articolo un tasso di adozione del 65% dei data lakehouse tra i clienti dell’azienda, “a very strong number in a short time”. Chi ha capito che, senza un livello dati unificato, l’AI non scala, sta riparando la fondazione. Chi non l’ha capito continua a costruire “case sulla sabbia”, come recita la parabola evangelica.
A questo aggiungerei una considerazione tratta dalla mia esperienza. I progetti AI che ho visto fallire non sono falliti per problemi del modello. Sono falliti perché le persone incaricate di farli funzionare non avevano le competenze e l’accesso ai dati nei tempi e nei formati richiesti. Quando il dato c’era, era distribuito su quattro sistemi diversi, con definizioni semantiche incompatibili, regole di aggiornamento asincrone, granularità differenti. Le riunioni di kickoff parlavano di prompt engineering. Sei mesi dopo si parlava di pipeline per l’acquisizione e l’organizzazione delle informazioni.
L’AI funziona se il substrato tecnico-organizzativo su cui la innestiamo è pronto a riceverla. La trasformazione digitale di cui parliamo dal 2015 era questa: ripulire i dati, ridisegnare i processi, allineare la semantica delle informazioni. Gran parte delle imprese non l’ha ancora fatta. L’AI è arrivata in cima a questo debito tecnico-organizzativo accumulato, e il debito è venuto a galla nel modo più scomodo.
Misurare ciò che non si sa misurare
Il secondo punto di vista è più sottile e, secondo me, più interessante perché va oltre l’aspetto tecnico-infrastrutturale e raggiunge il cuore del funzionamento delle imprese. Anche laddove i dati esistono e i processi funzionano, le imprese faticano a stabilire se l’AI stia generando valore. Il caso più citato è uno studio del MIT Media Lab dell’estate scorsa (The GenAI Divide: State of AI in Business 2025, luglio 2025), ripreso a settembre 2025 da Harvard Business Review (HBR) in un articolo sui workslop:
a recent report from the MIT Media Lab found that 95% of organizations see no measurable return on their investment in these technologies.
La cifra del 95% è circolata molto e va presa con la cautela che il rapporto stesso indica: “non vedono un ritorno misurabile”. La distinzione è importante. Una cosa è dire che gli investimenti in AI non stanno producendo valore: un’altra, ben diversa, è dire che lo stanno producendo ma non siamo capaci di quantificarlo. Sono due situazioni che richiederebbero risposte diverse: nel primo caso, ripensare l’approccio; nel secondo, continuare a investire, dotandosi però degli strumenti per misurare ciò che già accade. Davanti a un board che chiede cifre, però, le due situazioni collassano in una sola: in entrambi i casi non si hanno numeri da portare e, in entrambi i casi, quanto affermato suona come “non sappiamo se sta funzionando”. La distinzione resta sostanziale, ma diventa inutilizzabile come argomento a sostegno del prossimo round di investimenti. La differenza c’è, conta e, nondimeno, scompare nel momento in cui dovrebbe pesare.
Una conferma indiretta arriva da una survey di Gartner condotta a fine 2025 (pubblicata a maggio 2026) e commentata da CIO Magazine:
Eighty percent of large enterprises surveyed by Gartner have reported workforce reductions after launching automation projects, with the average reduction between 1% and 15%. The IT analyst firm, however, has found no correlation between layoffs and AI ROI.
Otto grandi imprese su dieci hanno effettuato tagli di personale dopo aver avviato iniziative di automazione basate sull’AI. Nessuna correlazione, però, fra i tagli e il ROI. Helen Poitevin di Gartner lo dice in modo molto netto:
“You would anticipate that those who are getting the most ROI maybe then are able to cut the most, but that’s not what we see. […] There seems to be no link between laying people off and getting ROI from AI investments.”
È un punto su cui mi sono già soffermato a febbraio, parlando di AI-washing. La logica “meno teste = più ROI” trasforma un’aspettativa ancora da verificare in decisioni operative concrete: le imprese tagliano personale contando su risparmi che l’AI dovrebbe generare. Il rapporto di Gartner mostra che quei risparmi non si stanno materializzando e che, quando arrivano, non sono correlati ai tagli. Le decisioni, intanto, anticipano il dato che dovrebbe giustificarle.
HBR di giugno 2026, in un articolo dal titolo “How People Are Really Using AI in 2026” a firma di Marc Zao-Sanders, mette nero su bianco la stessa difficoltà:
Explicitly stated ROI like this is rare in the data we have—growth is more often claimed anecdotally.
I casi di ROI esplicito sono rari nei dati. Quando si trovano (sales/marketing, +20–30% di conversione su campagne testate con agenti AI ottimizzati), sono dichiarazioni aneddotiche più che evidenze sistematiche. Fuori da questi pochi casi, le affermazioni sul ROI dell’AI restano impressionistiche: parlano di sensazioni, mentre servirebbero misurazioni.
McKinsey, in un’analisi sull’AI paradox nei consumi europei, formalizza la difficoltà in una frase che vale come sintesi di tutto il filone:
[…] Boards want to understand where AI investments are going. CFOs want to see measurable returns. Strategy teams point to an expanding set of AI initiatives across marketing, customer experience, supply chain, and technology development. Yet when pressed on bottom-line impact, many organizations still give the same answer: It is too early to tell.
“It is too early to tell.” La frase appare cortese, ma è la confessione di un’incapacità di misurazione che si sblocca soltanto se, a un certo punto, si decide di costruire le metriche che oggi non esistono. Misurare l’AI guardando solo al costo dei token, alla latenza, all’utilizzo delle licenze e al numero di pilot in corso equivale a misurare l’output del sistema tecnico. L’outcome del business è un’altra cosa e si misura in modo ben diverso.
A febbraio scorso, in un post sullo sviluppo software assistito dall’AI, scrivevo che la produttività in quel dominio non è misurabile guardando soltanto alla fase di coding. La stessa logica vale, in scala, per l’impresa: la produttività dell’AI va misurata alla scala giusta, quella del processo o della catena di valore. Misurare solo la fase in cui il modello produce l’output è troppo poco; pretenderne gli effetti netti sull’EBIT aziendale è troppo. La granularità utile sta nel mezzo: la durata di un ciclo di vendita, il tempo di chiusura di una pratica, il numero di interventi necessari per completare un’istanza del processo.
Il secondo punto di vista, quindi, è questo: non sappiamo se i benefici ci siano, perché non sappiamo come cercarli né quantificarli. Gartner non riscontra alcuna correlazione tra i layoff e il ROI. HBR trova ROI dichiarati in modo aneddotico. McKinsey trova un coro di “It is too early to tell”. È la natura del beneficio dell’AI a complicare la misurazione: distribuito, non immediato, non attribuibile a un singolo intervento.
Il “baratro della disillusione”
Resta una nota sulla curva del ciclo dell’hype di Gartner. The Economist ha pubblicato a dicembre, citando S&P Global, un dato alquanto significativo:
the share of companies abandoning most of their generative-AI pilot projects has risen to 42%, up from 17% last year.
Il 42% delle imprese ha abbandonato la maggior parte dei propri pilot generativi. Un anno prima era il 17%. La pendenza è netta. La collocazione sulla curva di Gartner del baratro della disillusione (trough of disillusionment) è netta e non sorprende: è un meccanismo empiricamente consolidato. Quel che mi interessa, però, è che il baratro è il momento in cui scoperchiamo i problemi che ho descritto sopra: i dati, i processi, le metriche. Chi resta dentro la curva, senza porsi la domanda del perché, non vede il ritorno e rischia di sospendere gli investimenti proprio mentre la vera maturazione potrebbe cominciare a dare i primi risultati. Chi si ferma a chiedersi perché e accetta la risposta scomoda, che riguarda dati, processi e metriche, può ripartire con un setup diverso e raggiungere il plateau di produttività con un vantaggio che oggi non si vede.
L’onestà intellettuale di cui abbiamo bisogno
Torno a Wanamaker per una sola riga. La sua frase ha attraversato un secolo perché contiene una postura: l’onestà intellettuale di chi sa di non sapere. Il problema è che facciamo finta di sapere. Le presentazioni dei vendor le fanno per mestiere; i board le fanno per fiducia; gli executive le fanno per inerzia, perché ammettere l’incertezza significa esporsi. L’unica cosa peggiore di non sapere quanto stiamo spendendo bene è raccontare che lo sappiamo.
Per questo la responsabilità non ricade interamente su una sola parte. Le imprese sono partite senza basi solide perché hanno operato in un mercato che premiava la fretta: vendor che hanno venduto risparmi rapidi, board che hanno chiesto numeri prima del tempo, una curva di hype che ha punito la prudenza. La trasformazione digitale saltata è responsabilità dell’impresa. Il contesto che l’ha resa visibile solo oggi è frutto di una responsabilità collettiva.
La via d’uscita non è semplicemente tagliare gli investimenti. È ammettere che una parte cruciale del lavoro (ripulire i dati, ridisegnare i processi, costruire metriche oneste) l’abbiamo saltata, e che senza di quella qualunque numero sul ROI dell’AI è un’opinione travestita da dato.
Per approfondire
[1] Bain & Company, Your AI Budget Is Growing. Your Returns Aren’t. Here’s Why, giugno 2026. https://www.bain.com/insights/your-ai-budget-is-growing-your-returns-arent-heres-why/
[2] Maria Korolov, “Data lakehouses are becoming foundations for enterprise AI”, CIO.com, giugno 2026. https://www.cio.com/article/4184051/data-lakehouses-are-becoming-foundations-for-enterprise-ai.html
[3] MIT NANDA (MIT Media Lab), The GenAI Divide: State of AI in Business 2025, luglio 2025 (release: 16 agosto 2025). https://nanda.media.mit.edu/ai_report_2025.pdf
[4] “AI-Generated ‘Workslop’ Is Destroying Productivity”, Harvard Business Review, settembre 2025 — riprende lo studio del MIT al punto [3]. https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity
[5] “AI-driven layoffs aren’t making business sense”, CIO, maggio 2026 — commenta la survey Gartner sui tagli del personale dopo l’automazione, con interventi di Helen Poitevin sul nesso tagli/ROI dell’AI. https://www.cio.com/article/4171054/ai-driven-layoffs-arent-making-business-sense.html
[6] Marc Zao-Sanders, “How People Are Really Using AI in 2026”, Harvard Business Review, giugno 2026. https://hbr.org/2026/06/how-people-are-really-using-ai-in-2026
[7] McKinsey & Company (QuantumBlack), The AI paradox in Europe’s consumer industries: More spending, elusive impact, 2026. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-ai-paradox-in-europes-consumer-industries-more-spending-elusive-impact
[8] The Economist, sulla quota di imprese che abbandonano i pilot generativi (42% nel 2025, 17% l’anno prima), citando S&P Global, dicembre 2025. Dato originale: S&P Global, “Generative AI shows rapid growth but yields mixed results”, ottobre 2025. https://www.spglobal.com/market-intelligence/en/news-insights/research/2025/10/generative-ai-shows-rapid-growth-but-yields-mixed-results
Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.
© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it
Misurare l’impatto richiede una forte comprensione delle meccaniche dei processi che si vogliono ottimizzare o automatizzare. Bisogna scegliere il livello di granularità giusta per tracciare KPI che coprono le classiche metriche di qualità, quantità e velocità in modo da escludere che l’aumento di una metrica sia raggiunto a forte discapito delle altre, ma anche assicurarsi che queste metriche non siano influenzate da fattori esterni al processo che si vuole misurare.
Per quel che riguarda il mio campo, mi trovo molto d’accordo con il post, la verità sta nel mezzo. Per le aziende che sviluppano prodotti software, misurare a basso livello l’output come le righe di codice, il numero di test, la code coverage, o addirittura i token consumati non offre alcuna indicazione sull’effettivo impatto. Allo stesso modo le metriche strategiche troppo elevate, come topline revenue, EBIT, net retention rate, ARR growth, sono influenzate da troppi fattori e l’impatto di AI non può essere isolato a quel livello di granularità; se hai un quarter negativo per condizioni di contorno, rischi di prendere la conclusione sbagliata.
Per lo sviluppo software ho trovato che un modo efficace per misurare l’impatto sulla produttività sia quello di focalizzarci sull’ottimizzazione delle metriche classiche di produttività di un team di engineering: velocity, cycle time e qualità. Se si vogliono utilizzare le metriche agile, c’è da porre qualche punto di attenzione sulla misura degli story points, che il team si trova ad adattare verso il basso con l’apporto dei tool AI di supporto allo sviluppo. Il numero di storie completate in totale è la loro permanenza nel backlog, assieme all’accuratezza della predizione dello sprint (quanto è accurata la WBS vs sprint commit) aiutano a completare il quadro e validare conclusioni parziali evidenziate dal solo numero di story points completati per unità di tempo. Per la qualità combino numero di bug rilevati dal team QA interno e bug aperti dall’esterno, con 2000 clienti ho abbastanza dati anche storici per eliminare bias dati dal lancio di nuove major release o regressioni dovute a librerie di terze parti.
Credo che misurando un impatto positivo su queste metriche si possa concludere e quantificare l’apporto dato da AI in modo abbastanza preciso.
Il problema per i team di software engineering è che spesso non c’è un pre-AI e post-AI da paragonare, non c’è l’iniziativa AI con giorno inizio e fine. L’adozione degli LLM è avvenuta gradualmente negli ultimi 3-4 anni, e su questo orizzonte spesso il team è cambiato, architetture nuove sono state introdotte, e perciò pur misurando i KPI sensato, si fa fatica a isolare l’impatto di AI perché mancano i riferimenti temporali su cui fondare la comparativa.
Analisi molto corretta del perché i progetti AI falliscono, ma soprattutto è importante il riferimento ai processi.
Tuttavia c'è un punto che a mio avviso manca: il ridisegno dei processi è si condizione necessaria, così come lo è avere un layer di dati che metta insieme tutte i dati e li traduca in un contesto, ma non è sufficiente. La mera semantica dei dati non è abbastanza per avere un'efficace funzionamento dell'AI agentica; serve anche che l'AI disponga delle informazioni su quali sono le dinamiche interne dei e tra i processi (causa ed effetto), così come le regole di business e le logiche decisionali applicati nei vari step di processo.
Si tratta di patrimoni informativi molto spesso ignorati, pensando che basti solo mettere insieme tutti i dati, etichettarli (come fanno i lakehouse) senza declinarli e analizzarli in ottica di processo.