Home · Blog

Perché il 95% dei progetti AI non funziona (e le big tech corrono ai ripari)

10 luglio 2026 · Strategia AI · Adozione

Un report del MIT ha misurato quanti progetti aziendali di AI generativa producono un impatto reale sul conto economico. La risposta: il 95% non ne produce nessuno. Nelle stesse settimane, Microsoft ha annunciato un investimento da 2,5 miliardi di dollari per risolvere esattamente questo problema, e Accenture ha lanciato con Google Cloud una linea di soluzioni pensata apposta per le aziende di media dimensione. Il messaggio che arriva dal mercato è chiaro, e vale anche per chi ha un'azienda molto più piccola di quelle citate.

Il numero che ha scosso il settore

Il dato arriva dal progetto NANDA del MIT, che ha analizzato centinaia di iniziative di AI generativa in aziende di ogni settore: solo il 5% raggiunge un impatto misurabile sul profitto. Il resto resta bloccato in fase pilota, viene abbandonato dopo qualche mese o non riesce a superare la fase sperimentale.

Non è un problema di qualità dei modelli. Le aziende coinvolte usano gli stessi modelli di punta disponibili a chiunque, spesso con budget ben più ampi di una PMI italiana. Il problema, secondo lo studio, sta a valle del modello: nell'integrazione con i processi reali, nella qualità dei dati aziendali e nella capacità di cambiare davvero il modo di lavorare, non solo di aggiungere un chatbot sopra un processo che resta identico.

La risposta delle big tech: comprare capacità di implementazione

Le mosse dei grandi player nelle prime settimane di luglio 2026 confermano la diagnosi meglio di qualsiasi analisi teorica:

• Microsoft Frontier Company: 2,5 miliardi di dollari investiti e 6.000 tra ingegneri e specialisti di settore, inseriti direttamente dentro le aziende clienti per co-progettare e mantenere nel tempo i sistemi AI, con l'obiettivo dichiarato di ottenere risultati di business misurabili, non solo un progetto pilota che funziona in demo.
• Accenture Edge e Google Cloud: una suite di soluzioni agentiche pensata per le aziende di fascia media, con strumenti pre-costruiti su customer intelligence, operations e cybersecurity, proprio perché queste aziende non hanno le risorse interne per costruire l'integrazione da zero.

Le aziende che vendono i modelli più avanzati al mondo stanno investendo miliardi non in nuovi modelli, ma in persone che li facciano funzionare dentro le organizzazioni. Difficile trovare un'ammissione più esplicita del fatto che il modello, da solo, non basta.

Perché un progetto AI si ferma prima del risultato

Nella nostra esperienza sui progetti che seguiamo, i motivi per cui un'iniziativa di AI non arriva a produrre un beneficio reale sono quasi sempre gli stessi, e non hanno a che fare con la potenza del modello scelto:

• Si parte dalla tecnologia, non dal processo. "Vogliamo usare l'AI" non è un obiettivo. "Vogliamo ridurre di due giorni il tempo di evasione degli ordini" lo è, e indica subito dove intervenire.
• I dati aziendali non sono pronti. Documenti sparsi, formati diversi, informazioni duplicate: un modello bravissimo, alimentato con dati disordinati, produce risposte disordinate.
• Manca chi tiene insieme le cose nel tempo. Un sistema AI non si "installa e dimentica": va monitorato, corretto, aggiornato quando cambiano i processi o i documenti che legge.
• Nessuno ha davvero il mandato di cambiare il processo. Se il sistema AI viene aggiunto sopra un flusso di lavoro che resta identico, il risparmio di tempo non si materializza mai.

Cosa significa per una PMI italiana

Non serve un investimento da 2,5 miliardi di dollari per applicare la stessa logica. Serve lo stesso principio, in scala: prima si sceglie con cura il processo su cui intervenire, poi si progetta l'integrazione con i dati e gli strumenti già in uso, e infine si accompagna il sistema nel tempo invece di considerarlo un progetto "chiuso" alla consegna.

È lo stesso approccio che abbiamo raccontato parlando di come scegliere il primo processo da agentizzare: partire da un caso d'uso circoscritto, misurabile, con un responsabile interno che ne segua l'adozione. È anche il motivo per cui, quando costruiamo un copilot RAG sui dati aziendali, la parte più lunga del lavoro non è collegare il modello, ma pulire e organizzare i documenti da cui deve attingere.

La buona notizia per le aziende più piccole è che il divario con le grandi imprese, su questo terreno, si è ridotto. Il vantaggio competitivo non è più avere accesso al modello più potente, ormai disponibile a tutti a costi contenuti, ma avere un partner che segue l'intero percorso: dalla scelta del processo giusto alla manutenzione del sistema nei mesi successivi.

Articoli correlati

← Tutti gli articoli