Un recente articolo dell’Harvard Business Review, firmato da Nathan Furr e Andrew Shipilov, dal titolo “Beware the AI Experimentation Trap”, affronta il tema del ritorno sull’investimento nell’Intelligenza Artificiale generativa.
L’articolo richiama un report del MIT Media Lab/Project NANDA secondo cui il 95% degli investimenti in Gen AI non ha prodotto ritorni economici. Questo dato, unito al lancio giudicato deludente di GPT-5, ha alimentato lo scetticismo sulla capacità dell’IA di generare valore su larga scala. Non a caso Gartner colloca oggi la Gen AI nella fase del “trough of disillusionment” del proprio Hype Cycle.
Ricordiamo che l’Hype Cycle di Gartner è un modello che descrive le fasi di adozione delle tecnologie emergenti: dall’entusiasmo iniziale, alla disillusione, fino alla maturità e all’adozione diffusa.
In effetti molti segnali indicano che l’IA generativa sta vivendo il “trough of disillusionment”:
- aspettative iniziali gonfiate dall’hype;
- limiti concreti emersi (costi elevati, risultati incerti, difficoltà di adozione su scala enterprise);
- progetti che non riescono a scalare, generando frustrazione e ritorni economici negativi.
Cià non significa che l’IA sia una bolla, ma che siamo entrati nella fase in cui le imprese distinguono le applicazioni reali da quelle illusorie. Dopo la disillusione, infatti, l’Hype Cycle prevede lo “slope of enlightenment”, in cui le tecnologie solide trovano terreno e iniziano a diffondersi in modo sostenibile. È una correzione di rotta fisiologica, necessaria per separare valore concreto e rumore.
Gli autori sottolineano come, in realtà, il report del MIT sia più articolato: gli individui stanno effettivamente aumentando la produttività grazie agli strumenti di Gen AI, ma i benefici non risultano ancora nei conti economici aziendali.
Possiamo immaginare che i due autori si riferiscano, ad esempio, a strumenti che portano micro-efficienze personali (tempo risparmiato, minor fatica cognitiva) ma non ancora macro-efficienze aziendali (riduzione dei costi di struttura o incremento dei ricavi):
- Impiegati e consulenti usano ChatGPT o Copilot per redigere e-mail, relazioni o sintesi. Quindi risparmiano tempo, ma l’impatto sul fatturato o sui costi complessivi resta marginale e non misurabile.
- Manager e commerciali si servono di strumenti comeCanva AI o Gamma.app per preparare presentazioni più velocemente. Di conseguenza migliora l’efficienza, ma i ricavi non cambiano.
- Con GitHub Copilot gli sviluppatori producono più righe di codice in meno tempo. Tuttavia, i progetti software hanno sempre cicli lunghi e i risparmi non sono ancora quantificati nei bilanci.
- I team marketing usano ChatGPT o DeepL Write per tradurre testi e localizzare campagne. Si riducono i tempi, ma il valore economico è invisibile a livello di P&L.
- Gli analisti usano l’AI per sintetizzare documenti o esplorare trend di mercato più rapidamente. La produttività individuale è alta, ma nessuna trasformazione è evidente nei risultati economici aziendali.
Inoltre, la maggior parte degli investimenti si concentra sul marketing e le vendite, mentre le trasformazioni più profonde, durature e ad alto ritorno riguardano i processi core. Per processi core si intendono le attività centrali e distintive di un’azienda, quelle che creano valore diretto per i clienti e costituiscono il cuore del vantaggio competitivo. Esempi:
- aziende manufatturiere: progettazione, produzione, logistica
- imprese di servizi: in ambito finanziario (gestione del credito, servizi ai clienti, analisi del rischio) e sanitario (accessi alle terapie, liste di attesa visite)
I processi core si distinguono da quelli di supporto (es. IT, HR, amministrazione) che, pur necessari, non rappresentano il nucleo del valore. Da questo punto di vista, non concordiamo del tutto con gli autori: in realtà marketing e vendite possono essere core in quei settori o contesti in cui contribuiscono in modo diretto alla generazione di ricavi e al valore percepito dal cliente (es. lusso e moda, food & beverage, turismo e hospitality).
Concordiamo invece che spesso le imprese – sotto pressione per mostrare risultati rapidi agli stakeholder – investono in Gen AI per il marketing e le vendite (contenuti, campagne, chatbot). Sono applicazioni utili, ma nella maggior parte dei creano efficienza tattica, senza innovare il modello di business.
Le applicazioni di IA sui processi core generano invece ritorni molto più consistenti e duraturi. Qualche esempio:
- Manifattura: manutenzione predittiva e ottimizzazione della qualità;
- Retail/Logistica: demand forecasting e gestione dinamica delle scorte;
- Sanità: supporto clinico e ottimizzazione dei flussi ospedalieri;
- Finanza: analisi del rischio, prevenzione delle frodi, pricing dinamico.
Questi sono progetti più complessi, che richiedono maggior integrazione e cambiamento organizzativo ma, proprio per questo, creano vantaggi competitivi difficili da replicare.
Il rischio, secondo Furr e Shipilov, è quello di incoraggiare una sperimentazione senza focus ripetendo l’errore già visto dieci anni fa con la digital transformation (ovvero il passaggio da un’azienda che “usa strumenti digitali” a un’azienda che ha il digitale nel suo DNA operativo e strategico). Ricordiamo che digital transformation riguarda l’intera impresa (processi, cultura, modelli), trasversalmente ai settori; invece Industry 4.0 si concentra su fabbrica e produzione (IIoT, robotica), con specifica valenza industriale e, in Italia, anche normativa/fiscale.
All’epoca la logica del “lasciamo fiorire 10.000 idee” ha generato progetti dispersi e scarsamente strategici, con risultati poco scalabili. Possiamo fare alcuni esempi di questi progetti infruttuosi, per chiarire meglio il pensiero dei due autori:
- App aziendale vetrina senza utilità reale. L’app si limita a replicare il sito web e non offre servizi distintivi (prenotazioni, assistenza, tracking ordini). Risultato: scaricata da pochi, presto abbandonata.
- Chatbot generico per il customer service, che non conosce i processi interni né integra il CRM. Finisce per rispondere solo a domande banali, generando frustrazione nei clienti e costi di gestione aggiuntivi.
- Progetto di social media marketing senza strategia. L’azienda spende molto in campagne sui social senza collegarle al funnel di vendita, al CRM o al customer journey. Risultato: qualche like e visibilità momentanea, ma nessun impatto significativo sui ricavi.
- Blockchain per la tracciabilità non richiesta dal mercato. Un produttore lancia un progetto blockchain per certificare la supply chain, ma né i clienti né i fornitori percepiscono il valore o sono disposti a utilizzarlo. L’iniziativa rimane un “pilota” senza adozione diffusa.
- Digital twin di un macchinario non integrato nei processi. Il gemello digitale è sofisticato, ma non collegato ai sistemi di manutenzione o pianificazione della produzione. Il prototipo funziona tecnicamente, ma resta confinato al reparto R&D senza un ritorno operativo reale.
La delusione ha portato molte imprese a interrompere le iniziative di digital transformation, ritornando a soluzioni più conservative. La lezione è chiara: sperimentare va bene, ma solo in connessione a reali opportunità di business e al valore per i clienti. Troppo spesso invece l’IA viene presentata come rivoluzionaria, ma si dimentica la finalità essenziale dell’impresa: risolvere problemi concreti dei clienti.
Gli autori indicano quattro passi per non cadere in questa trappola:
- comprendere il ruolo dell’IA nel percorso più ampio della trasformazione digitale;
- concentrarsi sul servire meglio i clienti;
- condurre esperimenti mirati, con attenzione allo scaling;
- scalare con team dedicati (i “ninja team”, piccoli gruppi agili, incaricati di diffondere le innovazioni).
Il valore nasce quando gli esperimenti sono indirizzati a risolvere problemi pratici e sono pensati per scalare. La missione di un’impresa, infatti, non cambia con le tecnologie: resta quella di creare valore reale per i propri clienti e stakeholder.
In quest’ottica, la sperimentazione non può essere lasciata al caso: un’azienda non è un laboratorio puro, è un ente economico. La sperimentazione deve quindi avere sempre un focus:
- Allineamento strategico con obiettivi chiari di business;
- Orizzonte temporale del pay-back, bilanciando quick win e investimenti trasformativi.
Ogni sperimentazione ha diversi livelli di rischio e di ritorno atteso. Senza focus, la sperimentazione diventa dispersione; con focus, diventa un motore potente di apprendimento strategico e ritorno economico.
Widecons® supporta le PMI nell’adozione di soluzioni di AI applicate ai processi core: concrete, scalabili, focalizzate e sempre allineate agli obiettivi strategici e temporali dell’impresa.
Scopri come trasformare l’AI da esperimento dispersivo a vantaggio competitivo concreto. Widecons® ti aiuta a individuare, testare e scalare i progetti più adatti alla tua impresa.
Autore: Gaetano Rizzitelli