L’intelligenza artificiale non sta creando valore per le imprese che ci stanno investendo secondo il Mit

L’entusiasmo attorno all’intelligenza artificiale (AI) nelle aziende ha raggiunto livelli notevoli negli ultimi anni. L’investimento tecnologico, in particolare in soluzioni di AI generativa, è cresciuto esponenzialmente, spinto dalla promessa di rivoluzionare i processi gestionali, produttivi e decisionali. Tuttavia, secondo il recente studio del MIT, la realtà sul campo restituisce uno scenario sorprendentemente distante dalle aspettative. Solo una minoranza di realtà imprenditoriali è riuscita a tradurre gli ingenti investimenti in profitti misurabili e vantaggi competitivi concreti.

Il 95% dei progetti AI non supera la fase pilota o non genera valore reale e le perdite economiche e la delusione da parte di investitori e manager aumentano.

Questa discrepanza tra potenziale e risultati effettivi pone una riflessione profonda sulle reali condizioni di maturità digitale delle aziende e sulla complessità nell’adozione di tecnologie avanzate. Il fenomeno osservato riguarda settori e mercati diversi, dalla manifattura ai servizi, e solleva dubbi sull’efficacia di molte strategie di digitalizzazione. L’indagine del Massachusetts Institute of Technology smaschera, dati alla mano, i limiti di un approccio spesso superficialmente sperimentale e privo di visione sistemica.

Il report del MIT: dati e metodologia sull’insuccesso dell’AI aziendale

Il Networked Agents and Decentralized AI (NANDA) del Massachusetts Institute of Technology (MIT) ha realizzato uno degli studi più approfonditi riguardo all’adozione aziendale dell’intelligenza artificiale. I dati del 2025, sono stati raccolti attraverso interviste a 150 figure manageriali di alto livello, sondaggi somministrati a 350 dipendenti e l’analisi di ben 300 implementazioni pubblicamente documentate di soluzioni AI.

I risultati si rivelano inequivocabili: solo il 5% dei progetti analizzati ha generato un impatto economico positivo, evidenziando così un divario marcato rispetto alle previsioni iniziali. L’analisi metodologica della ricerca si è soffermata su:

Vuoi bloccare la procedura esecutiva?



richiedi il saldo e stralcio

 

• La misurazione del ritorno sugli investimenti (ROI) delle tecnologie di AI
• La valutazione della capacità dei modelli di adattarsi ai flussi di lavoro aziendali
• L’analisi qualitativa delle strategie organizzative e dell’adozione di strumenti sia proprietari che di terze parti

Il settore tecnologico e quello delle telecomunicazioni, insieme a startup orientate all’innovazione, risultano essere le eccezioni che confermano la regola: agendo su problemi ben specifici e puntando a partnership mirate, queste organizzazioni sono riuscite a creare valore reale. Al contrario, la maggioranza delle aziende ha adottato un approccio “emulativo”, spesso abbandonando i progetti poco dopo la fase iniziale senza sviluppare capacità interne adeguate.

Principali cause della mancata creazione di valore: formazione, integrazione e strategia

Esaminando le ragioni profonde dietro la mancata generazione di valore, il report MIT individua diverse criticità strutturali e gestionali che si ripercuotono negativamente sull’efficacia dell’intelligenza artificiale.

• Formazione insufficiente delle risorse umane: La maggior parte delle aziende ha sottovalutato la necessità di programmi di aggiornamento e acculturamento tecnologico. L’introduzione di AI senza un’adeguata formazione dei dipendenti si traduce in resistenza al cambiamento, uso improprio degli strumenti e curva di apprendimento troppo elevata. Questo aspetto è centrale: spesso gli strumenti vengono percepiti come “magici” ma richiedono solide competenze per essere efficaci.
• Integrazione superficiale nei processi aziendali: Le soluzioni AI generiche, ad esempio i noti modelli linguistici, sono versatili solo in ambienti poco strutturati. All’interno di flussi di lavoro consolidati, mancano invece la flessibilità e la capacità di adattamento richieste. 
• Strategie deboli e mancanza di visione di lungo termine: Molte aziende inseguono l’AI per moda, senza analisi costi-benefici né definizione di obiettivi chiari o indicatori di successo precisi. L’assenza di governance specifica e di project management verticale sull’innovazione porta a ridondanze, sprechi e scarsa capacità di valutazione dei risultati.

Sono fattori che impattano anche sulle piccole e medie imprese (PMI) dove la mancanza di processi standardizzati amplifica il rischio di fallimento progettuale. In particolare, le PMI tendono a gestire il cambiamento principalmente su base intuitiva o “emotiva”, rallentando ulteriormente la metabolizzazione delle nuove tecnologie.

Settori, approcci e modelli di business che funzionano (e quelli che falliscono)

L’analisi condotta mette in evidenza che il successo nella creazione di valore attraverso sistemi di AI dipende fortemente dal contesto e dal modello organizzativo adottato.

• Settori trainanti: Tech, telecomunicazioni e, in misura minore, finanza e sanità sono gli ambiti dove si riscontrano i maggiori ritorni. In questi contesti si punta a problemi molto specifici la cui risoluzione mediante AI consente efficienze tangibili, come l’automazione dei processi ripetitivi o la gestione predittiva di grandi quantità di dati.
• Strategie efficaci: Le aziende di recente costituzione, agili e con leadership giovane, adottano approcci snelli: identificano una nicchia di intervento e sviluppano soluzioni iper-specializzate, senza puntare a sostituire integralmente funzioni o workflow preesistenti. In questo modo, la tecnologia viene progressivamente assorbita e integrata senza traumi organizzativi.
• Modelli fallimentari: Al contrario, l’approccio “proprietario”—ovvero il tentativo di sviluppare internamente soluzioni AI senza competenze solide o infrastrutture ad hoc fallisce nel 67% dei casi. Anche l’applicazione indistinta dei modelli di AI in dipartimenti non idonei, come le vendite e il marketing, tende a produrre risultati deludenti rispetto a quanto avviene nel back-office o nella logistica, dove le innovazioni sono più facilmente quantificabili.

Nei casi in cui l’innovazione è stata guidata da esigenze operative precise e da partnership con fornitori specializzati, si è registrato un miglioramento nel ROI e nella sostenibilità delle soluzioni adottate, benché questi esempi rappresentino ancora una minoranza.

L’allocazione delle risorse e l’utilizzo improprio delle soluzioni AI

Al centro dell’insuccesso di molti progetti AI emerge una gestione non ottimale delle risorse finanziarie e operative. Più del 50% dei fondi destinati all’AI viene impiegato per sviluppare strumenti destinati a marketing e vendite. Tuttavia, le evidenze raccolte indicano come siano le aree meno propense a trarre vantaggi misurabili da tali innovazioni.

Opportunità unica



partecipa alle aste immobiliari.

 

• Diversificazione eccessiva delle risorse: Suddividere il budget senza una chiara strategia di priorità comporta enfatizzare progetti a basso impatto a discapito di unità funzionali, come amministrazione o logistica che trarrebbero maggiore beneficio dall’automazione dei processi.
• Predilezione per soluzioni “ready-made”: I dati indicano che l’adozione di strumenti standardizzati e forniti da partner esperti produce risultati migliori rispetto allo sviluppo di software proprietario, almeno in questa fase di maturità tecnologica.
• Uso informale di strumenti AI: In molte aziende si assiste a una “zona grigia” in cui i dipendenti utilizzano autonomamente strumenti di intelligenza artificiale, spesso senza linee guida formali o monitoraggio interno, con effetti che spaziano dall’incremento della produttività a rischi per la sicurezza dei dati e l’efficacia complessiva del processo.

Le aziende che non riescono a valorizzare queste risorse rischiano di incorrere non solo in sprechi economici, ma anche nella perdita di competitività rispetto a realtà in grado di canalizzare gli investimenti verso i driver di reale innovazione.