Le aziende hanno investito 30-40 miliardi di dollari in AI generativa. Il 95% non vede ritorno misurabile. Solo il 5% genera valore reale. Non è un problema di tecnologia: è un problema di metodo, strategia e change management.
La survey 2025 di Deloitte su 1.854 executive in Europa e Medio Oriente rivela un paradosso: l’85% delle organizzazioni ha aumentato gli investimenti in AI negli ultimi 12 mesi, e il 91% prevede di farlo di nuovo nell’anno successivo. Eppure la maggior parte degli intervistati ha dichiarato di raggiungere un ROI soddisfacente su un tipico caso d’uso AI entro due-quattro anni — significativamente più lungo del tipico periodo di payback di sette-dodici mesi atteso per gli investimenti tecnologici. Solo il 6% ha dichiarato un ritorno in meno di un anno.Un report MIT ha rilevato una “GenAI Divide” nel mondo aziendale: nonostante 30-40 miliardi di dollari investiti in AI generativa, il 95% delle organizzazioni non vede alcun ritorno misurabile, con solo il 5% che realizza valore significativo. Questo articolo analizza le cause strutturali del divario tra investimento e valore, identifica i cinque errori più comuni che condannano i progetti AI al fallimento, e delinea le pratiche degli AI ROI Leader — quel 20% di aziende che ha trovato la formula per trasformare l’AI da costo a generatore di valore. [deloitte.com][opendatascience.com]
Introduzione
C’è una conversazione che si ripete, con variazioni minime, in quasi tutte le aziende con cui lavoro in questo periodo.
Da una parte, il CFO: “Abbiamo speso X su AI. Dove sono i risultati?”
Dall’altra, il CIO o il CDO: “I benefici ci sono, ma sono difficili da misurare. La qualità delle decisioni è migliorata. I tempi si sono ridotti. La soddisfazione dei team è aumentata.”
Il CFO annuisce, non convinto. La conversazione si chiude senza una risposta definitiva. E il progetto AI sopravvive — fino al prossimo ciclo di budget, quando la domanda si ripresenta con più urgenza.
Questo scenario non è una patologia aziendale. È la norma. La Forbes Research 2025 AI Survey, condotta su 1.075 membri del C-suite, ha rilevato che meno dell’1% degli intervistati aveva visto un ROI significativo — definito come un aumento del 20% o più in redditività o risparmio sui costi. Solo il 3% riporta un ROI sostanziale del 10-20%, mentre la maggioranza (53%) ha riportato un ROI limitato dell’1-5%. [forbes.com]
Il paradosso è evidente: le stesse aziende dichiarano che l’AI sta migliorando il processo decisionale (85%), l’efficienza operativa (84%) e la qualità di prodotti e servizi (81%) — ma non riescono a tradurre questi miglioramenti in numeri che reggano il confronto con un rendiconto finanziario.
Non è un problema di tecnologia. È un problema di metodo.
Background: Perché il ROI dell’AI è Strutturalmente Diverso
Perché l’AI ha un profilo di ritorno così diverso dagli altri investimenti tecnologici?
Incorporare l’AI nel tessuto di un’organizzazione non è un semplice aggiornamento: è analogo alla transizione dal vapore all’elettricità. Quando le fabbriche passarono dalla macchina a vapore all’energia elettrica, dovettero riconfigurare le proprie linee produttive, riprogettare i flussi di lavoro, investire in nuove infrastrutture e riqualificare la propria forza lavoro. I benefici completi emersero solo quando le organizzazioni cambiarono fondamentalmente il modo in cui operavano. Lo stesso vale per l’AI. Richiede pianificazione significativa, investimento a lungo termine e spesso un profondo cambiamento organizzativo. [deloitte.com]
Questa metafora storica è la più onesta che ho trovato per spiegare ai CFO perché il loro modello mentale di “investimento → ritorno in 12 mesi” non funziona con l’AI. L’elettricità impiegò decenni a trasformare la produttività industriale — non perché la tecnologia non funzionasse, ma perché le fabbriche continuavano a progettare i loro layout come se usassero ancora il vapore centralizzato. Solo quando riprogettarono gli spazi attorno alla nuova tecnologia, i benefici esplosero.
Secondo gli executive intervistati da Deloitte, l’AI raramente genera valore in isolamento: viene tipicamente introdotta insieme a sforzi di miglioramento della qualità dei dati, riconfigurazione dei team o razionalizzazione delle operations — il che rende difficile isolare il suo contributo specifico. La sfida diventa ancora più pronunciata con l’AI agentiva: dei rispondenti che già usano AI agentiva (57% del totale), solo il 10% dichiara di realizzare un ROI significativo. Tra gli utenti di AI agentiva, mentre la metà si aspetta di vedere ritorni entro tre anni, un altro terzo prevede che il ROI richiederà da tre a cinque anni. [deloitte.com]
Analisi Scientifica: Il Divario tra Investimento e Valore
La Fotografia Quantitativa: Tre Dati che Non si Possono Ignorare
Guardando i dati sull’adozione enterprise, il pattern è chiaro: oltre l’80% delle organizzazioni ha esplorato o sperimentato assistenti AI, e circa il 40% li ha deployati in qualche forma. Tuttavia, questi strumenti generici aumentano principalmente la produttività individuale e non si sono tradotti in guadagni di performance per il business nel suo complesso. Quando si arriva a sistemi AI enterprise più robusti, la situazione peggiora: circa il 60% delle organizzazioni valuta soluzioni AI avanzate, ma solo il 20% lancia mai un pilota, e un mero 5% arriva a un deployment in produzione. [opendatascience.com]
Questi tre numeri — 60%, 20%, 5% — sono il funnel della trasformazione AI. E la perdita tra il primo e l’ultimo stadio è devastante. Il problema non è la tecnologia: la maggior parte dei programmi pilota AI si blocca a causa di workflow fragili e scarsa integrazione nelle operations quotidiane. In molti casi, le aziende iniziano entusiasticamente un progetto AI ma faticano a incorporarlo nei propri processi, così il pilota non scala mai. [opendatascience.com]
I Cinque Errori che Condannano i Progetti AI
Cosa impedisce concretamente alle aziende di realizzare valore dall’AI?
Deloitte identifica cinque cause radice del ritardo nel ROI:
Primo: l’AI genera frequentemente risultati che contano — ma che sono difficili da monetizzare. Questi includono migliori relazioni con i fornitori, maggiore soddisfazione dei dipendenti e un coinvolgimento più forte dei clienti. Secondo: sistemi frammentati e piattaforme in silos rendono difficile tracciare l’impatto prima-dopo. Molte organizzazioni sopravvalutano anche la propria maturità dei dati — investendo in applicazioni AI prima di aver colmato le lacune nei dati o nelle infrastrutture di base, il che ritarda i risultati. Terzo: i Proof of Concepts che girano su dati dummy non realistici sono spesso una fonte di ottimismo per le organizzazioni, ma i problemi emergono quando vengono popolati con dati reali. Quarto: nuovi strumenti e casi d’uso appaiono regolarmente, cambiando ciò che è possibile e spostando le aspettative a metà progetto — portando a investimenti prematuri guidati dall’hype. Quinto: l’adozione dipende dalle persone: come viene gestita la resistenza culturale, quanto efficacemente i dipendenti adottano i nuovi strumenti e come si adattano i workflow. [deloitte.com]
Il quinto punto è quello che vedo più frequentemente nella mia esperienza. Il MIT ha scoperto una “shadow AI economy” in cui oltre il 90% dei lavoratori intervistati ha ammesso di usare strumenti AI personali per il lavoro senza approvazione ufficiale, mentre solo il 40% delle loro aziende aveva soluzioni AI enterprise sanzionate. È il segnale che le soluzioni ufficiali non incontrano i bisogni reali dei lavoratori — un fallimento di design e change management, non di tecnologia. [opendatascience.com]
Un executive Fortune 1000 nello studio MIT ha posto la domanda che riassume il problema di misurazione: “Se compro uno strumento per aiutare il mio team a lavorare più velocemente, come quantifico quell’impatto? Come lo giustifico al mio CEO quando non sposterà direttamente i ricavi o non ridurrà i costi misurabili?”[opendatascience.com]
È una domanda legittima. E la risposta richiede di ripensare completamente come si misura il valore dell’AI.
Il Profilo degli AI ROI Leader: Cosa Fanno Diversamente
Quali pratiche distinguono il 20% di aziende che realizza vero valore dall’AI?
Solo circa uno su cinque delle organizzazioni intervistate si qualifica come vero AI ROI Leader. Queste aziende superano i concorrenti trattando l’AI come una trasformazione enterprise, incorporando una disciplina di ROI focalizzata sui ricavi e facendo scommesse strategiche precoci sia sull’AI generativa che su quella agentiva. Cinque pratiche distinguono queste organizzazioni leader.Prima pratica: gli AI ROI Leader vedono l’AI come un’opportunità per ripensare fondamentalmente i propri modelli di business piuttosto che per migliorare solo l’efficienza. Sono significativamente più propensi a definire i loro successi AI più importanti in termini strategici: “creazione di opportunità di crescita dei ricavi” (49%) e “reimaginazione del modello di business” (45%). Seconda pratica: trattano l’AI come una trasformazione organizzativa core e la finanziano di conseguenza — il 95% degli AI ROI Leader destina più del 10% del proprio budget tecnologico all’AI. Terza pratica: per affrontare la resistenza della forza lavoro, posizionano l’AI come uno strumento di potenziamento: l’83% degli AI ROI Leader crede che l’AI agentiva consentirà ai dipendenti di trascorrere più tempo su task strategici e creativi. L’implementazione di successo dipende da un profondo change management organizzativo, inclusi gli atteggiamenti individuali verso il cambiamento e una cultura che supporta l’accettazione e la collaborazione. [deloitte.com]
Il Framework di Misurazione: L’AI ROI Performance Index
Per misurare accuratamente il successo di un’organizzazione con l’AI, Deloitte ha creato un AI ROI Performance Index combinando quattro metriche chiave in un singolo punteggio: ritorno finanziario diretto, crescita dei ricavi derivante dall’AI, risparmio sui costi operativi e velocità con cui questi risultati sono stati raggiunti. [deloitte.com]
Questo framework è operativamente utile perché obbliga a dichiarare esplicitamente, per ogni iniziativa AI, quale combinazione di questi quattro parametri si sta cercando di ottimizzare. Un’iniziativa che punta alla riduzione dei costi ha un profilo di misurazione completamente diverso da una che punta alla creazione di nuovi ricavi.
La metrica primaria che i C-suite usano per misurare il ROI è il miglioramento dell’efficienza operativa (64%), che comprende fattori come la riduzione dei tempi di ciclo e l’aumento del throughput. Seguono i miglioramenti della qualità dei dati (50%) e i guadagni di produttività dei dipendenti (48%). Tuttavia, dato che la grande maggioranza degli executive dichiara che l’AI sta consegnando impatti positivi nel processo decisionale (85%), nell’efficienza operativa (84%) e nella qualità dei prodotti (81%), perché il ROI riportato è così basso? Una risposta sta nel come viene calcolato il ROI: più di un terzo (39%) degli executive globali dichiara che misurare il ROI e l’impatto sul business è una delle loro sfide primarie. [forbes.com]
Implicazioni Pratiche: Come Costruire un Programma AI con ROI Reale
Da dove comincia concretamente un leader che vuole passare dai pilota alla trasformazione?
Tre principi operativi che ho distillato nel lavoro con le aziende:
1. Scegliere i casi d’uso con ROI dimostrabile a 90 giorni. Non iniziare dalla trasformazione del modello di business. Inizia da un processo con input e output chiari, dove il “prima” è misurabile. Le organizzazioni con roadmap AI definite hanno il doppio delle probabilità di avere successo nell’integrare la formazione e nell’impostare processi AI appropriati. [opendatascience.com]
2. Affrontare la qualità dei dati prima di acquistare AI. Molte organizzazioni sopravvalutano la propria maturità dei dati — investendo in applicazioni AI prima di aver colmato le lacune nei dati o nelle infrastrutture di base. I Proof of Concepts che girano su dati dummy non realistici sono spesso una fonte di ottimismo: i problemi emergono quando vengono popolati con dati reali. [deloitte.com]
3. Investire il 30% del budget AI nel change management. Il 68% dei dipendenti ha ricevuto zero formazione AI dalle proprie aziende. Il 62% cita la mancanza di formazione come principale ostacolo all’adozione. I CEO sono significativamente meno propensi a vedere la mancanza di formazione come una barriera — indicando una disconnessione tra leadership e team. Questa disconnessione è il motivo per cui tanti progetti tecnicamente validi falliscono nell’adozione reale. [opendatascience.com]
Conclusioni
Il paradosso del ROI dell’AI non è un’anomalia temporanea destinata a risolversi con la prossima versione del modello. È il segnale che stiamo ancora trattando una trasformazione organizzativa come un aggiornamento tecnologico.
Nonostante i rendimenti incerti, la maggior parte delle organizzazioni non si sta fermando. L’investimento continua a crescere, guidato dalla necessità strategica e dalla convinzione nel potenziale a lungo termine dell’AI. Gli executive descrivono l’adozione dell’AI come un imperativo aziendale guidato dalla paura di restare indietro e dalla promessa di miglioramento delle performance. [deloitte.com]
Ma la paura di restare indietro è una cattiva bussola strategica. Le aziende che stanno realizzando valore reale non lo stanno facendo per paura — lo stanno facendo perché hanno costruito la disciplina necessaria: metriche chiare, governance solida, formazione sistematica, pazienza nei tempi di ritorno.
Nella mia esperienza, il momento in cui un programma AI smette di essere un esperimento e diventa una trasformazione è quando il CEO smette di chiedere “Quando avremo il ROI?” e inizia a chiedere “Come stiamo ridisegnando il modo in cui creiamo valore?”. Sono due domande diverse — e richiedono risposte molto diverse.
La vera sfida non è tecnica, ma strategica: smetterla di misurare l’AI come si misura un software, e iniziare a misurarla come si misura una riorganizzazione.
Riferimenti
- Deloitte Global. (2025, October 22). AI ROI: The Paradox of Rising Investment and Elusive Returns. Deloitte. https://www.deloitte.com/global/en/issues/ai/ai-roi-the-paradox-of-rising-investment-and-elusive-returns.html
- Maclean, D. (2025, October 9). AI’s ROI Reality Check: Are Companies Measuring What Matters? Forbes Research 2025 AI Survey. Forbes. https://www.forbes.com/sites/forbes-research/2025/10/08/ai-roi-measurement-challenges-forbes-survey-2025/
- ODSC Team. (2025, October 3). Companies Aren’t Seeing Returns on AI Investments. Here’s What They’re Doing Wrong. Open Data Science Conference / MIT GenAI Divide Report analysis. https://opendatascience.com/companies-arent-seeing-returns-on-ai-investments-heres-what-theyre-doing-wrong/
- Stanford HAI. (2026). The 2026 AI Index Report. Stanford University. https://hai.stanford.edu/ai-index/2026-ai-index-report
Rispondi