Author: Boxu Li 

Introduction

Over the past few years, artificial intelligence has moved from niche experiments to the core of many business strategies. By 2024, 78% of organizations worldwide reported using AI in some capacity – a jump from 55% just a year before. Yet for all this enthusiasm, a harsh reality is setting in: few companies are actually reaping significant value from their AI investments. Many executives feel AI hasn't yet delivered the ROI they hoped for, and numerous pilot projects never scale up. Boston Consulting Group found that only 26% of companies have developed the necessary capabilities to move beyond proofs-of-concept and generate tangible value with AI. In fact, a mere 4% are truly "AI leaders" consistently seeing significant returns, while 74% have yet to see meaningful value at all. Similarly, an S&P Global survey showed the share of businesses scrapping the majority of their AI initiatives rose from 17% to 42% in the past year, with nearly 46% of AI projects getting abandoned between pilot and full deployment. These numbers paint a clear picture: adopting AI is easy – but adopting AI successfully is hard.

Perché è così difficile colmare il divario tra ambizione e impatto? Le ragioni sono sia tecniche che organizzative. Dal punto di vista tecnico, molte aziende faticano a integrare l'IA nei sistemi e nei flussi di lavoro esistenti, a gestire problemi di dati e a gestire gli strumenti di IA su larga scala. Ad esempio, la qualità dei dati è un grande ostacolo: in un rapporto di settore, l'83% delle organizzazioni ha dovuto escludere almeno una fonte di dati dai progetti di automazione a causa della scarsa qualità dei dati. Se i tuoi dati sono isolati, incoerenti o inaffidabili, anche il miglior modello di IA avrà prestazioni inferiori. Inoltre, distribuire l'IA su larga scala richiede un'infrastruttura robusta (come pipeline MLOps, risorse di calcolo e strumenti per monitorare le prestazioni del modello), che molte aziende non possiedono. Nel 2024, solo circa il 27% delle aziende utilizzava strumenti MLOps per gestire e distribuire l'IA, sebbene un altro 42% prevedesse di iniziare entro un anno, indicando che la maggior parte è ancora agli inizi nello sviluppo della struttura necessaria per l'IA su larga scala.

Le sfide organizzative sono altrettanto impegnative. Spesso c'è un divario di talento e conoscenza: le aziende possono avere uno o due team di data science che costruiscono modelli, ma il personale più ampio (e persino il management senior) non comprende appieno le capacità o le limitazioni dell'intelligenza artificiale. Questo può portare ad aspettative irrealistiche o riluttanza a fidarsi dei risultati dell'IA. Un recente sondaggio di Anthropic ha rilevato che mentre circa il 40% dei dipendenti statunitensi usa ora l'IA al lavoro (rispetto al 20% nel 2023), molti lavoratori si sentono ancora insicuri su come sfruttare al meglio questi strumenti e i programmi di formazione sono in ritardo. Inoltre, scalare l'IA richiede una gestione del cambiamento: trasformare i processi e migliorare le competenze delle persone, il che può incontrare resistenza interna. Senza una forte leadership e una visione chiara, i progetti pilota spesso rimangono esperimenti isolati che non si diffondono mai nell'organizzazione più ampia.

Tendenze globali e regionali: Nonostante le sfide, l'adozione dell'AI nelle imprese continua ad accelerare, specialmente in alcune regioni. Gli Stati Uniti sono leader negli investimenti privati in AI e hanno un alto tasso di adozione, ma curiosamente non la crescita d'uso più alta. L'Asia-Pacifico è diventata un epicentro dell'attività AI - un rapporto la definisce "la regione da tenere d'occhio" poiché i dirigenti dell'APAC abbracciano l'AI generativa più rapidamente di quasi chiunque altro. L'Asia è ora seconda solo al Nord America nell'adozione degli strumenti GenAI. Se il 2023 riguardava i progetti pilota, il 2025 si prepara a essere l'anno in cui l'Asia intensificherà le implementazioni AI in tutti i settori. Ciò è alimentato da un forte supporto dall'alto: ad esempio, il Giappone ha approvato un Atto di Promozione dell'AI nel 2025 con l'obiettivo di rendere il Giappone il "paese più AI-friendly del mondo" attraverso politiche e investimenti pro-innovazione. Il Giappone ha riconosciuto di essere in ritardo nell'adozione dell'AI e ora sta mobilitando governo e industria per recuperare. Allo stesso modo, la Corea del Sud ha lanciato una Strategia Nazionale per l'AI con un atto quadro comprensivo e miliardi di finanziamenti per diventare una delle prime 3 potenze globali in AI, inclusi obiettivi per far adottare l'AI dal 30% delle aziende entro il 2030. Questi impulsi politici significano che le imprese nel Nordest asiatico sono sotto pressione – e ricevono supporto – per integrare l'AI prima piuttosto che dopo.

Nel frattempo, Cina e India vantano ampie riserve di utenti AI (ad esempio milioni di ingegneri del software e un boom di startup nel settore AI), ma i loro panorami aziendali differiscono. I giganti tecnologici cinesi sono leader globali nell'AI, eppure molte imprese tradizionali cinesi sono ancora nelle prime fasi di adozione dell'AI. Le aziende di servizi IT indiane stanno rapidamente integrando l'AI nei prodotti per clienti globali e per l'uso domestico. In contrasto, l'Europa ha adottato un approccio più cauto e regolamentato (con il prossimo EU AI Act), che alcuni temono possa rallentare l'adozione aziendale. Tuttavia, anche in Europa, i sondaggi mostrano una crescente urgenza da parte degli esecutivi di non rimanere indietro. In definitiva, la tendenza mondiale è chiara: le aziende sentono un'intensa necessità di "fare qualcosa" con l'AI, ma trasformare questo in un valore aziendale sostenibile si sta rivelando un punto dolente universale.

Principali Ostacoli alla Scalabilità dell'AI

• Mancanza di Strategia e Sponsorizzazione Esecutiva: Molte organizzazioni si sono lanciate nell'AI senza una strategia chiara allineata ai risultati aziendali. È comune vedere progetti pilota frammentati avviati da singoli team o laboratori di innovazione, senza un coordinamento a livello esecutivo. Questo porta a duplicazioni, sprechi di sforzi e progetti che non rispondono ai bisogni fondamentali del business. La ricerca di BCG sottolinea che i leader dell'AI hanno invariabilmente un forte supporto a livello di CEO e allineano le iniziative AI agli obiettivi strategici. Quando l'AI è una priorità del CEO (e non solo un esperimento di R&D), i progetti ottengono le risorse necessarie, la collaborazione interfunzionale migliora e c'è un focus sulla risoluzione di problemi di alto valore piuttosto che fare AI per il gusto di farlo.
• Gap di Talento e Competenze: L'adozione di successo dell'AI richiede una combinazione di data scientist, ingegneri, esperti di dominio e leader del cambiamento. Molte aziende semplicemente non hanno abbastanza di questi profili. Assumere talenti AI è competitivo e costoso, e riqualificare il personale esistente è lento. Inoltre, oltre agli esperti tecnici, i manager di livello medio e i dipendenti in prima linea necessitano di formazione per lavorare con strumenti AI (ad esempio, come interpretare le raccomandazioni AI, come formulare domande ai sistemi di AI generativa, ecc.). Se i dipendenti non comprendono l'AI, potrebbero non fidarsi o sottoutilizzarla, annullando i potenziali benefici. Le aziende leader investono pesantemente in programmi di riqualificazione e formazione incrociata, spesso creando "accademie AI" interne per aumentare la competenza complessiva di AI della loro forza lavoro. Questo assicura che, quando vengono lanciate nuove soluzioni AI, il personale sia pronto a integrarle nel lavoro quotidiano piuttosto che resistere.
• Problemi di Dati, Tecnologia e Infrastruttura: Come menzionato, la qualità e la disponibilità dei dati sono fondamentali. Le aziende che non hanno modernizzato la loro infrastruttura dati faticano a iniziare anche solo un progetto pilota AI, poiché gli algoritmi necessitano di grandi quantità di dati accessibili e puliti. Sistemi di dati isolati, architetture IT legacy e mancanza di capacità di cloud computing ostacolano tutti la scalabilità dell'AI. Inoltre, distribuire l'AI su scala aziendale richiede sistemi di monitoraggio per tracciare le prestazioni dei modelli (le nostre previsioni sono ancora accurate?), processi per aggiornare i modelli con nuovi dati e meccanismi per governare l'uso dei modelli (ad esempio, garantire che un'AI che prende decisioni creditizie sia equa e conforme). Questi rientrano nell'ambito degli MLOps e della governance dell'AI – aree in cui molte aziende sono ancora immature. È significativo che in un sondaggio, la "difficoltà nel dimostrare il ROI" sia stata una delle principali ragioni per cui le aziende non avevano ancora investito negli MLOps; questo indica un circolo vizioso in cui l'assenza della giusta infrastruttura rende più difficile ottenere il ROI, ma la mancanza di chiaro ROI rende più difficile ottenere il budget per l'infrastruttura. Tagliare questo nodo gordiano spesso richiede una leadership visionaria per investire in piattaforme e strumenti anche prima che il ritorno sia pienamente evidente.
• Preoccupazioni su Rischi, Sicurezza ed Etica: L'adozione dell'AI aziendale può essere rallentata da preoccupazioni legittime sui rischi – sia che si tratti di cybersicurezza, conformità normativa o insidie etiche. Le aziende in settori regolamentati (finanza, sanità, ecc.) devono garantire che le decisioni AI rispettino le leggi e possano essere verificate. C'è anche il rischio reputazionale: un'AI difettosa che discrimina involontariamente o commette un errore di alto profilo potrebbe essere un incubo per le pubbliche relazioni. Senza una supervisione adeguata, i progetti AI possono essere ostacolati dai dipartimenti di conformità o dalle paure legali. Ciò che distingue gli adottanti di successo è che affrontano proattivamente queste preoccupazioni attraverso solidi framework di governance. Ad esempio, implementano controlli "umano nel loop" per decisioni sensibili, conducono audit sui bias degli algoritmi e garantiscono la trasparenza delle raccomandazioni AI. Molti stanno istituendo comitati etici interni per l'AI. Anche strumenti e framework per un'AI responsabile stanno emergendo. Ad esempio, il team dietro Macaron AI ha evidenziato l'importanza della privacy-by-design e della conformità negli assistenti AI, implementando misure di vincolo delle policy e trasparenza per costruire la fiducia degli utenti. Anche le imprese devono costruire fiducia con gli utenti (e i regolatori) dimostrando di poter distribuire l'AI in modo responsabile. Quando le parti interessate si fidano dell'AI, sono più propense a supportarne la scalabilità.

Cosa Fanno Diversamente gli Adottanti di Successo: Nonostante le statistiche scoraggianti menzionate prima, ci sono aziende che stanno sfondando e ottenendo guadagni significativi grazie all'AI. Cosa stanno facendo di giusto? La ricerca e i casi studio indicano diverse pratiche migliori:

Collegare l'AI a un Chiaro Valore Aziendale: Anziché fare AI solo per sperimentare, le aziende di successo iniziano con problemi aziendali concreti o opportunità. Si chiedono, "Come può l'AI aiutarci ad aumentare i ricavi, ridurre i costi o migliorare l'esperienza del cliente?" e perseguono progetti con KPI misurabili. Ad esempio, invece di "usiamo l'AI nelle risorse umane perché è di moda," potrebbero puntare a "ridurre il tempo medio di gestione del call center del 20% tramite un assistente AI" o "ridurre i tempi di inattività nella produzione tramite manutenzione predittiva." Avere metriche chiare (tempo risparmiato, aumento delle conversioni, riduzione degli errori, ecc.) e monitorarle rigorosamente mantiene le implementazioni di AI focalizzate e responsabili. Aiuta anche a ottenere consenso – quando i dipendenti in prima linea vedono che uno strumento AI rende il loro lavoro più facile o i clienti più felici, diventano sostenitori anziché scettici.

Inizia in piccolo, poi scala rapidamente: Le organizzazioni di successo spesso testano l'IA su scala ridotta ma con un piano per scalare fin dal primo giorno. Trattano i progetti pilota come fasi di apprendimento per perfezionare la soluzione e dimostrare il valore, quindi passano rapidamente all'implementazione su larga scala se i risultati sono positivi. Fondamentale è il budget e la pianificazione per la fase di scalabilità (non solo il POC). Questo potrebbe comportare la costruzione di architetture flessibili che possono essere ampliate, e la creazione di team interfunzionali fin dall'inizio (IT, dati, unità aziendale che collaborano) in modo che gli ostacoli all'integrazione siano affrontati in anticipo. Una banca, ad esempio, ha testato un sistema di rilevamento delle frodi con IA in una regione, ha visto il tasso di falsi positivi diminuire significativamente e, nel giro di un anno, lo ha implementato in oltre 20 paesi – perché avevano preparato guide operative e campioni interni durante il progetto pilota per guidare l'adozione più ampia.

Investire in infrastrutture e strumenti: I leader nell'AI non risparmiano sulla 「infrastruttura」. Investono in data lake o moderni data warehouse per aggregare e pulire i dati, utilizzano piattaforme cloud o calcolo ad alte prestazioni per l'addestramento e il deployment dei modelli, e incorporano strumenti MLOps per il controllo delle versioni, il testing e il deployment continuo dei modelli AI. Questo spesso richiede collaborazioni con fornitori di tecnologia o provider cloud specializzati in questi servizi. Il vantaggio è l'affidabilità e la scalabilità: con una solida struttura di base, aggiungere un nuovo caso d'uso AI diventa progressivamente più facile e veloce. Al contrario, le organizzazioni che tentano di fare AI su infrastrutture ad hoc spesso vedono i loro progetti pilota crollare sotto il peso della complessità del mondo reale quando vengono aggiunti più utenti o dati.

Coltivare Talenti e Team Interfunzionali: Abbiamo parlato di miglioramento delle competenze – oltre a ciò, le organizzazioni di successo nel campo dell'IA eliminano i silos tra scienziati dei dati ed esperti di settore. Creano team interdisciplinari dove, ad esempio, un esperto di marketing e un ingegnere di machine learning lavorano fianco a fianco su un algoritmo di personalizzazione, imparando l'uno dall'altro. Questo assicura che la soluzione IA si adatti veramente al contesto aziendale e possa essere implementata praticamente. Inoltre, aiuta a trasferire conoscenze in modo che l'esperto aziendale diventi più esperto di tecnologia e l'esperto tecnico acquisisca intuizione nel settore. Inoltre, le aziende leader nell'IA spesso hanno un centro di eccellenza centrale per l'IA o la scienza dei dati che sviluppa best practice, fornisce consulenza interna e possibilmente costruisce piattaforme o strumenti comuni da riutilizzare tra i dipartimenti. Questo impedisce a ciascun team di reinventare la ruota e accelera l'adozione complessiva.

Advocacy esecutiva e gestione del cambiamento: Infine, nulla di quanto sopra accadrà senza una forte leadership che lo guidi. Gli adottatori di AI di successo hanno leader che articolano una visione convincente del ruolo dell'AI nell'organizzazione e gestiscono attivamente il cambiamento. Questo significa comunicare chiaramente ai dipendenti come l'AI migliorerà il loro lavoro (e non solo taglierà posti), impostare aspettative realistiche con il consiglio di amministrazione e gli investitori e promuovere una cultura di decisioni basate sui dati. Celebrano i successi dei progetti AI per costruire slancio e sono onesti riguardo ai fallimenti come opportunità di apprendimento. Quando il C-suite è visibilmente coinvolto – ad esempio, il CEO discute delle iniziative AI nelle assemblee aziendali o viene nominato un Chief AI Officer – segnala all'intera azienda che l'AI è una priorità strategica, non un esperimento passeggero.

Guardando avanti

Mentre entriamo nel 2025, l'adozione dell'IA nelle imprese è a un punto di svolta. Il clamore sta lasciando il posto a una riflessione sobria su ciò che è necessario per ottenere valore. La buona notizia è che gli elementi per il successo sono sempre più compresi e le risorse abbondano. Ci sono più modelli pre-addestrati e API che le aziende possono utilizzare senza bisogno di grandi team di ricerca sull'IA (dai servizi di visione artificiale alle API di modelli di linguaggio di grandi dimensioni). Ci sono anche più piattaforme di integrazione e persino strumenti IA senza codice (come discusso nel blog precedente) che possono aiutare ad accelerare il deployment con meno sforzo tecnico. In breve, la barriera all'ingresso continua a diminuire.

Tuttavia, integrare veramente l'IA nel tessuto di un'impresa, in modo che guidi costantemente il profitto o gli obiettivi della missione, rimarrà un percorso che mette alla prova la visione, l'adattabilità e la governance di un'azienda. Il divario tra i leader dell'IA e chi è in ritardo potrebbe ampliarsi nei prossimi anni. Da un lato, vedremo aziende che hanno trattato il 2023-2024 come la loro fase di apprendimento e ora stanno scalando l'IA come mai prima d'ora, ottenendo vantaggi competitivi in efficienza, intuizione del cliente e innovazione. Dall'altro lato, le aziende che hanno sperimentato l'IA senza strategia o impegno potrebbero stagnare o rimanere indietro, mentre i loro concorrenti più agili utilizzano l'IA per superarli.

Il fatto che l'adozione dell'IA da parte delle aziende sia correlata con i guadagni di produttività non è più in discussione: gli studi mostrano che le imprese pronte all'IA stanno prendendo il sopravvento. Ora la domanda è quali imprese possono svolgere il difficile lavoro organizzativo per trasformare il potenziale dell'IA in realtà. Quelle negli Stati Uniti e in Asia che combinano le loro forze tecnologiche con una chiara visione e un'implementazione robusta probabilmente detteranno il ritmo in questa nuova era. Beneficiano di forti ecosistemi di innovazione e (nel caso dell'Asia) spesso di un'urgenza dall'alto verso il basso per modernizzare. Ma qualsiasi organizzazione, in qualsiasi regione, può avere successo con l'approccio giusto.

In conclusione, il tempo della sperimentazione con l'AI sta cedendo il passo a un'era di esecuzione dell'AI. Le imprese devono smettere di inseguire il prossimo algoritmo scintillante e concentrarsi sulla costruzione delle fondamenta – dati, persone, processi – che permettono all'AI di prosperare su larga scala. La strada non è facile, come dimostrano le difficoltà che molti hanno affrontato finora. Tuttavia, il premio è ancora lì da prendere: operazioni semplificate, esperienze cliente differenziate e nuove opportunità di prodotto alimentate dall'AI. Con una strategia ponderata, una leadership forte e la volontà di imparare dagli errori iniziali, le aziende possono davvero colmare il divario tra l'hype e un impatto duraturo. L'anno 2025 sarà cruciale nel separare coloro che parlano di AI da quelli che stanno veramente trasformando il loro business con essa. Affrontando le sfide direttamente e seguendo il manuale dei leader dell'AI, qualsiasi impresa può accelerare il suo percorso da piloti ambiziosi a un successo su vasta scala alimentato dall'AI.