Oggi sappiamo che i benefici apportati dall‘intelligenza artificiale, per quanto percepiti come reali a livello individuale, faticano a tradursi in un impatto misurabile a livello di organizzazione, con effetti quindi più marginali che trasformativi: nella recente decima edizione della McKinsey Global Survey sullo stato dell’IA, ben l’80 per cento dei rispondenti riferisce che l’IA ha migliorato la propria produttività individuale, e il 50 per cento che l’ha aiutato a prendere decisioni migliori — si tratta pertanto di un beneficio percepito, ampio e diffuso, che smentisce l’idea che l’uso dell’IA sia di per sé deludente.
Eppure, a livello di organizzazioni, solo il 37 per cento dei rispondenti attribuisce all’IA un impatto positivo sull’EBIT della propria organizzazione, una quota sostanzialmente invariata rispetto al 2025, e la percentuale di “high performer” — organizzazioni che attribuiscono all’IA un impatto sull’EBIT di almeno il 5 per cento e ne descrivono l’effetto come “significativo” — resta ferma al 6 per cento del campione, esattamente come l’anno precedente. Il dato più interessante, dunque, non è la percentuale in sé, quanto il meccanismo che la produce: un beneficio individuale reale e diffuso che non si aggrega, se non per una minoranza di organizzazioni, in un impatto finanziario misurabile a livello aziendale — segno che l’adozione cresce molto più rapidamente della capacità organizzativa di orchestrare quel beneficio verso un risultato collettivo, e che questo scarto, lasciato senza governo, è precisamente ciò che tiene le organizzazioni ancorate al livello più basso di utilizzo dell’IA, quello dell’efficienza pura.
Indice degli argomenti
Tre velocità, non una
Per capire dove si annidi questo gap conviene distinguere, per comodità, i tre possibili livelli distinti a cui l’IA può operare all’interno di un’organizzazione: l’automazione, che sostituisce l’intervento umano “per delega” in compiti ripetitivi e ben definiti, seguendo regole predeterminate che non richiedono di per sé un giudizio situazionale; l’assistenza, che supporta la persona nell’esecuzione di un suo compito; il potenziamento, che estende la capacità cognitiva della persona oltre ciò che potrebbe raggiungere da sola nello stesso arco di tempo, aprendo a esiti che prima non erano nemmeno concepibili con le risorse disponibili (Pirozzi, 2026).
Questi tre livelli corrispondono a tre velocità diverse, non a tre gradi della stessa velocità, e la distinzione non è accademica, ma ha conseguenze dirette su come un’organizzazione dovrebbe progettare l’introduzione dell’IA nei propri processi. Un esempio concreto, tratto dal mondo del project management, può aiutare a rendere tangibile la differenza. L’automazione, applicata alla gestione di un programma complesso, può occuparsi della compilazione automatica di report di stato a partire da dati strutturati già presenti nei sistemi informativi, della generazione di alert quando un indicatore supera una soglia predefinita, o dell’aggiornamento automatico di un cronoprogramma quando una dipendenza viene modificata a monte. L’assistenza, un passo più in là, può aiutare un project manager a redigere la prima bozza di un piano di comunicazione verso gli stakeholder, suggerendo una struttura e un linguaggio coerenti con il contesto, ma lasciando alla persona la decisione finale su cosa dire, a chi, e con quale enfasi. Il potenziamento, infine, può permettere di simulare in pochi minuti decine di scenari alternativi di allocazione delle risorse su un programma multi-progetto, confrontando gli effetti di ciascuno su costi, tempi e rischi in modo che nessun team, per quanto numeroso e competente, potrebbe replicare manualmente nello stesso arco di tempo: qui non si tratta più di fare prima la stessa cosa, ma di rendere possibile un’analisi che prima, semplicemente, non veniva fatta.
La confusione più comune, quella che tiene molte organizzazioni bloccate al primo livello, è quella di trattare l’automazione come se fosse già di per sé una trasformazione organizzativa, quando in realtà libera solo del tempo: tempo che, se non viene intenzionalmente reindirizzato verso attività di valore superiore — verso l’assistenza e, soprattutto, verso il potenziamento — si limita a essere risparmiato, non reinvestito. È una distinzione che richiama da vicino un concetto classico della gestione dei progetti, quello secondo cui l’efficienza (fare le cose nel modo giusto) non equivale all’efficacia (fare le cose giuste): un’organizzazione può diventare più efficiente nell’esecuzione di attività che, di per sé, non generano più valore di prima, semplicemente perché il tempo risparmiato non viene destinato a nulla di nuovo. Automatizzare senza decidere cosa fare del tempo risparmiato e, quindi, reso disponibile, equivale, in altre parole, a ottimizzare l’esecuzione di un compito la cui effettiva rilevanza non è però mai stata realmente analizzata e/o rimessa in discussione.
Il vuoto interno
È qui che si apre il primo dei due vuoti di cui vogliamo parlare in questo articolo, quello interno all’organizzazione. La terza edizione della ricerca How People Are Really Using AI, pubblicata da Marc Zao-Sanders su Harvard Business Review, descrive un’adozione dell’IA che si allarga costantemente a un numero crescente di attività, personali e professionali: terapia e compagnia restano, per il secondo anno consecutivo, l’utilizzo più diffuso in assoluto, con una quota che è raddoppiata rispetto all’anno precedente, mentre tra le voci emergenti compaiono le “operazioni agentiche autonome”, segno che l’IA sta progressivamente assumendo compiti e processi in modo indipendente, spesso all’insaputa di chi guida l’organizzazione.
Questa crescita quantitativa dell’uso si accompagna a una preoccupazione qualitativa sempre più diffusa, quella di una progressiva delega delle proprie responsabilità cognitive alla macchina, un fenomeno oggi definito thinkslop, in parallelo a una seconda preoccupazione, altrettanto rilevante, legata all’eccessivo affidamento sulla tecnologia per il sostegno emotivo. In sostanza, gran parte dell’attività legata all’IA produce ancora benefici marginali piuttosto che risultati che cambino davvero le regole del gioco: un’osservazione che riguarda la qualità del singolo caso d’uso, non il dato aggregato di produttività individuale già richiamato in apertura, ma che converge su un punto più generale, quello per cui l’ampiezza dell’adozione dell’IA non garantisce, da sola, alcuna profondità di trasformazione nella direzione del miglioramento dei suoi risultati.
Ma quale è il meccanismo che lega i due fenomeni, quello individuale e quello organizzativo? Il tempo liberato dall’automazione non basta da solo a generare valore: se nessuno si assume la responsabilità di stabilire per fare cosa, in sostituzione, quel tempo tende a essere riassorbito senza lasciare traccia — in ulteriori compiti dello stesso tipo, in una generica sensazione di maggiore disponibilità che non si traduce mai in un’attività specifica, o peggio ancora in un uso passivo e progressivo della stessa IA per compiti sempre più ampi, in una sorta di effetto di sostituzione a catena. La deriva cognitiva individuale — la progressiva perdita di allenamento nel pensare in modo autonomo un problema prima di delegarlo, o addirittura prima ancora di formularlo con chiarezza — diventa così lo specchio, a livello personale, dello stesso immobilismo che si osserva a livello organizzativo: in entrambi i casi manca un atto esplicito di scelta su cosa fare del tempo e della capacità liberati, e in assenza di questo atto la tecnologia riempie il vuoto secondo la propria logica di minima resistenza, non secondo un disegno intenzionale.
Vale la pena aggiungere che questo fenomeno non riguarda soltanto il singolo individuo isolato, ma si propaga — amplificandosi — a livello di team e di funzione: quando un’intera struttura organizzativa adotta la stessa logica di delega senza reindirizzamento, il rischio non è solo la perdita di competenza individuale, ma l’erosione collettiva di una capacità di giudizio che, nel tempo, diventa sempre più difficile ricostruire. E questo è un rischio che riguarda in modo particolare le funzioni a più alto contenuto di analisi e di decisione, dove la qualità del giudizio professionale si costruisce storicamente attraverso l’esercizio ripetuto, spesso faticoso, di un pensiero che oggi può essere facilmente “aggirato” ricorrendo a un output generato in pochi secondi.
Il vuoto esterno
C’è però un secondo vuoto, in molti casi ancora meno immediatamente evidente del primo, che riguarda non chi lavora dentro l’organizzazione ma chi ne riceve i servizi da fuori: clienti, utenti, partner. Mentre le organizzazioni faticano a colmare gli spazi temporali liberati dall’automazione con attività di valore superiore, le aspettative di chi sta dall’altra parte crescono nella stessa direzione, spesso ben più rapidamente della fiducia che le accompagna.
Lo documenta con chiarezza la settima edizione di State of the AI Connected Customer di Salesforce: la fiducia dei clienti in un uso etico dell’IA da parte delle aziende è scesa dal 58 al 42 per cento rispetto al 2023, un calo che si accompagna, non a caso, a richieste sempre più esplicite di trasparenza e controllo. Il settantuno per cento degli intervistati vuole che un essere umano validi comunque gli output prodotti dall’IA prima che diventino operativi, e il settantatré per cento pretende di sapere in modo esplicito quando sta interagendo con un agente automatizzato invece che con una persona in carne e ossa. Interessante notare, inoltre, che tra i buyer aziendali la disponibilità a lavorare con agenti IA per ragioni di efficienza e personalizzazione è quasi doppia rispetto ai consumatori finali, segno che il rapporto tra fiducia e utilità percepita si costruisce in modo diverso a seconda del ruolo che il cliente occupa nella relazione con l’organizzazione.
Lo stesso fenomeno, dal lato dell’offerta più che da quello della domanda, emerge dalla ricerca State of Customer Experience in an AI-Driven World di Adobe: la customer experience viene descritta come un ambito in trasformazione accelerata, guidato in parallelo dalla crescita delle aspettative dei clienti, dalla contrazione dei tempi di attenzione disponibili e dalla rapida diffusione dell’IA — tre forze che, prese singolarmente, sarebbero già impegnative da gestire, e che insieme configurano quello che il report descrive non come un traguardo da raggiungere, ma come un percorso continuo di adattamento. Diverse sintesi indipendenti sul tema della customer experience nel 2026 confermano lo stesso schema: man mano che le interazioni con sistemi automatizzati — su rimborsi, resi, prezzi, decisioni relative a un account — diventano più frequenti, crescono in parallelo le aspettative di trasparenza sul funzionamento di quei sistemi, mentre la soddisfazione complessiva del cliente non cresce alla stessa velocità dell’adozione degli strumenti, replicando esattamente, sul lato esterno, la stessa divaricazione tra adozione e trasformazione già osservata precedentemente sul lato interno.
Se l’organizzazione non rende esplicito cosa lo stakeholder esterno riceve “in più” a fronte dell’automazione — non solo maggiore velocità, ma un vero e proprio beneficio riconoscibile e comunicato in quanto tale — la percezione che ne deriva, del tutto legittima, è che il servizio sia diventato solo più veloce, non migliore rispetto a prima. Questa percezione è difficile da contestare sul piano razionale, perché nella maggior parte dei casi corrisponde esattamente a ciò che è accaduto: un processo che prima richiedeva più tempo ora ne richiede meno, ma il contenuto e la qualità dell’interazione, dal punto di vista di chi la riceve, non sono affatto migliorati in proporzione. Ed è proprio questa percezione, quando resta senza risposta, a erodere silenziosamente la fiducia che dovrebbe invece accompagnare l’adozione, non tanto attraverso un evento traumatico e riconoscibile, quanto attraverso un accumulo progressivo di piccole delusioni, ciascuna delle quali, presa isolatamente, sembrerebbe irrilevante.
Un parallelismo che non è casuale
I due vuoti descritti fin qui, quello interno e quello verso gli stakeholder esterni, condividono una struttura sorprendentemente simile, che è utile esplicitare perché è proprio questa struttura comune a suggerire che non si tratti di due problemi distinti, ma di due manifestazioni dello stesso problema di fondo. In entrambi i casi infatti l’automazione produce un guadagno reale e misurabile — tempo risparmiato da un lato, velocità di erogazione del servizio dall’altro — che spesso però non viene accompagnato da una comunicazione altrettanto esplicita su quale effettivo valore quel guadagno debba servire a creare. In entrambi i casi, in assenza di questa comunicazione, chi si trova dall’altra parte della relazione — il collaboratore interno rispetto alla propria organizzazione, il cliente esterno rispetto all’azienda che lo serve — sviluppa delle aspettative che crescono più rapidamente della capacità dell’organizzazione di soddisfarle in modo visibile, generando in entrambi i casi un progressivo logoramento, cognitivo nel primo caso, fiduciario nel secondo.
Questo parallelismo ha un’implicazione pratica diretta per chi si occupa di progettare l’introduzione dell’IA in un’organizzazione: la stessa disciplina che serve a evitare la deriva cognitiva interna — rendere esplicito, prima ancora di automatizzare, a cosa servirà il tempo liberato — serve, con lo stesso principio applicato in direzione opposta, a evitare l’erosione della fiducia esterna. Comunicare al cliente, in modo semplice e verificabile, cosa cambia realmente nel servizio che riceve, oltre alla velocità con cui lo riceve, non è quindi un accessorio di marketing, ma la stessa condizione di intenzionalità che serve a colmare il vuoto interno, applicata al lato opposto della stessa relazione.
Dove il potenziamento aggiunge valore reale
Se i due vuoti descritti hanno un’origine comune nell’assenza di intenzionalità, la domanda che ne segue è altrettanto concreta: dove, allora, assistenza e potenziamento generano davvero un valore che l’automazione da sola non potrebbe produrre? La risposta più difendibile è che il valore aggiunto reale si concentra dove l’IA interviene su analisi e simulazioni fondate su dati e fatti verificabili, riducendo l’incertezza, invece di limitarsi a comprimere il tempo necessario a produrre un output che poi va comunque controllato.
La sentiment analysis su larga scala
Un primo esempio concreto, e per certi versi controintuitivo, è la sentiment analysis su larga scala: fino a poco tempo fa restava un’attività sotto-praticata, non perché priva di valore, ma perché la lettura “manuale” di grandi volumi di feedback — recensioni, trascrizioni di contatti con il servizio clienti, commenti sui social — richiedeva un tempo che raramente le organizzazioni erano disposte a investire, per cui ci si limitava, nella maggior parte dei casi, a un campionamento ridotto o a indicatori aggregati poco informativi. Il salto di valore che l’IA introduce in questo ambito non sta tanto nel trasformare un’opinione in un fatto — resta comunque materiale soggettivo quello che viene analizzato, e questo va tenuto fermo per evitare fraintendimenti — ma nel rendere sistematica e ripetibile un’osservazione che prima restava episodica e parziale: analizzare la totalità dei feedback ricevuti in un trimestre, anziché un campione arbitrario, e farlo con criteri costanti nel tempo, è un cambiamento nella qualità dell’osservazione, non nella natura di ciò che viene osservato.
Scenari, allerta precoce e decisioni multicriterio
Lo stesso principio si estende a diversi altri ambiti, ciascuno dei quali condivide la stessa caratteristica di fondo: un dato di partenza osservabile e verificabile, sul quale l’IA applica un’elaborazione sistematica che sarebbe troppo onerosa o troppo lenta da condurre manualmente. Gli scenari di pianificazione what-if sull’allocazione delle risorse in un programma multi-progetto rientrano in questa categoria: la possibilità di simulare in tempi ridotti l’effetto di decine di combinazioni diverse di priorità, vincoli di budget e disponibilità di competenze permette di esplorare uno spazio decisionale che, in assenza di questa capacità, verrebbe necessariamente ridotto a poche opzioni già note. I sistemi di allerta precoce costruiti su pattern ricorrenti nei dati storici di programma sono un secondo esempio: individuare, sulla base di serie storiche di progetti passati, le combinazioni di indicatori che in precedenza hanno anticipato uno scostamento significativo su costi o tempi, permette di intervenire prima che lo scostamento si manifesti in modo conclamato, spostando la gestione del rischio da una logica reattiva a una logica anticipatoria. Il supporto a decisioni multicriterio rappresenta un terzo ambito rilevante, particolarmente utile quando le alternative in gioco vanno confrontate su un numero di variabili quantificabili troppo elevato per essere tenuto sotto controllo mentalmente in modo affidabile: assegnare pesi espliciti a criteri come costo, rischio, tempo di realizzazione e impatto sugli stakeholder, e lasciare che sia un’elaborazione sistematica a combinare questi pesi con i dati disponibili su ciascuna alternativa, riduce la componente di arbitrarietà — non la elimina, ma la riduce — rispetto a un giudizio intuitivo non supportato.
La sintesi di conoscenza distribuita
Un quarto ambito, meno discusso ma altrettanto rilevante, riguarda la sintesi di conoscenza distribuita su grandi corpus documentali: la possibilità di attraversare in tempi ragionevoli centinaia di pagine di documentazione contrattuale, normativa o tecnica, per individuare in modo sistematico ricorrenze, incoerenze o scostamenti rispetto a uno standard di riferimento, è un’applicazione che rientra pienamente nel perimetro dell’analisi fondata su dati verificabili, e che in ambiti come la due diligence, la verifica di conformità normativa, o la revisione di programmi articolati su più contratti e più fornitori, può produrre un beneficio misurabile in termini di tempo e di qualità del controllo, senza mai richiedere all’IA un giudizio interpretativo che vada oltre la segnalazione di ciò che effettivamente compare, o non compare, nel materiale analizzato.
Il confine
Proprio perché il valore si concentra lì, vale la pena essere altrettanto chiari su dove ci si ferma. Quando ci si sposta dall’analisi sistematica di un fenomeno osservabile verso il territorio dell’interpretazione di un’opinione — un giudizio strategico su quale mercato aggredire, una lettura politica delle intenzioni di uno stakeholder, una scelta negoziale su quanto concedere e quanto trattenere in una trattativa — l’IA smette progressivamente di ridurre l’incertezza e comincia semplicemente ad accelerare la produzione di un output, che resta però affidabile al più quanto lo era prima, e non di più. La differenza non sta tanto nella qualità formale del testo prodotto, che anzi può risultare estremamente convincente proprio nella sua forma, quanto nella natura di ciò che quel testo rappresenta: un’ipotesi plausibile costruita su pattern linguistici ricorrenti, non una conclusione verificata su dati oggettivi.
Questo confine, va detto con altrettanta chiarezza, non è sempre netto, ed è proprio nella zona intermedia che si annidano i rischi maggiori. La sentiment analysis descritta poco sopra, per esempio, resta un’analisi fondata su dati fintanto che si limita a rilevare pattern ricorrenti in un insieme di testi; diventa invece un’operazione di natura diversa, più vicina all’interpretazione di un’opinione, nel momento in cui da quei pattern si pretende di derivare automaticamente una raccomandazione strategica — ad esempio quale funzionalità di prodotto privilegiare, o quale segmento di clientela abbandonare — senza un passaggio esplicito di giudizio umano che colleghi l’osservazione alla decisione. È esattamente in questo passaggio, spesso implicito e non dichiarato, che il confine viene superato senza che nessuno se ne accorga, e che un’analisi solida si trasforma silenziosamente in una decisione presa, di fatto, dalla macchina.
È lo stesso confine, in fondo, che separa il tempo liberato dall’automazione da un reale reinvestimento di quel tempo, descritto nella prima parte di questo articolo: superarlo senza accorgersene è probabilmente una delle cause più diffuse dello scarto tra guadagno individuale e impatto aziendale con cui abbiamo iniziato il nostro discorso. Un’organizzazione che applica sistematicamente questo criterio di demarcazione — chiedersi, prima di affidare un compito all’IA, se ci si trovi ancora nel territorio dei dati verificabili o si sia già entrati in quello dell’opinione interpretata — dispone di uno strumento concettuale semplice ma efficace per distinguere, caso per caso, dove il potenziamento aggiunge valore reale e dove invece si limita a produrre output più veloci ma non più affidabili.
Colmare il vuoto: governance, dentro e fuori
Colmare entrambi i vuoti, quello interno e quello verso gli stakeholder esterni, richiede la stessa condizione: una governance esplicita, con ruoli dedicati e una visione condivisa del valore atteso, che oggi nella maggior parte dei casi ancora manca.
Lo conferma il 2026 AI Trust Maturity Survey di McKinsey: il punteggio medio di maturità nell’IA responsabile è salito a 2,3 nel 2026, contro il 2,0 dell’anno precedente, ma resta un dato composito che nasconde uno squilibrio significativo, perché soltanto un terzo circa delle organizzazioni raggiunge un livello di maturità pari o superiore a tre proprio nelle dimensioni della strategia, della governance e dei controlli sull’Agentic AI, mentre le capacità tecniche e di gestione del rischio procedono più speditamente. In altre parole, la componente più difficile da colmare non è quella tecnologica, ma proprio quella organizzativa e di responsabilità, e corrisponde esattamente al tipo di vuoto descritto nelle sezioni precedenti di questo articolo. Il dato più diretto riguarda la relazione tra accountability esplicita e maturità raggiunta: le organizzazioni che assegnano una responsabilità chiara sull’IA responsabile attraverso ruoli di governance dedicati o attraverso team interni di audit e di etica, raggiungono un punteggio medio di maturità di 2,6 su una scala a quattro livelli, contro un più modesto 1,8 registrato dalle organizzazioni prive di una funzione chiaramente accountable: un divario di quasi un punto intero, che il report collega direttamente a un minor numero di fallimenti di governance, a cicli di approvazione più rapidi grazie a percorsi decisionali chiari, e a una minore esposizione regolatoria. Lo stesso report lega inoltre l’investimento in questa direzione a un impatto misurabile: le organizzazioni che investono venticinque milioni di dollari o più in iniziative di IA responsabile riportano punteggi di maturità significativamente più elevati e sono molto più propense a realizzare benefici concreti dall’IA, compreso un impatto sull’EBIT superiore al cinque per cento — segno che la governance non va trattata come un costo aggiuntivo rispetto all’innovazione, né come un mero esercizio di conformità, ma come una delle condizioni che rendono possibile realizzare il valore promesso dall’IA fin dall’inizio.
Ruoli, responsabilità e inventario dei sistemi IA
Sul piano operativo, la letteratura più recente sul tema converge nell’indicare alcuni elementi ricorrenti che una governance efficace dovrebbe includere, e che vale la pena richiamare non come una lista astratta di adempimenti, ma come componenti che si rafforzano a vicenda: un unico responsabile esecutivo, spesso identificato con la figura emergente del Chief AI Officer o, in sua assenza, attribuito al responsabile della tecnologia o dei dati, che detenga la titolarità della strategia complessiva e sia in grado di renderne conto al vertice e, se necessario, ai regolatori; un comitato interfunzionale che riunisca in modo stabile le competenze legali, di compliance, delle risorse umane, dell’information technology e delle funzioni di business direttamente coinvolte nell’adozione dell’IA, incaricato di classificare il rischio associato a ciascuna iniziativa e di monitorarne l’evoluzione nel tempo; un inventario aggiornato di tutti i sistemi di IA effettivamente in uso, compresi quelli adottati in modo informale al di fuori dei canali ufficiali, condizione indispensabile per poter governare qualcosa che, altrimenti, resterebbe semplicemente invisibile a chi dovrebbe sorvegliarlo.
Ridisegnare i flussi di lavoro
Un secondo rapporto McKinsey, la già citata decima edizione della Global Survey sullo stato dell’IA offre un riscontro diretto su questo stesso punto dal lato della pratica organizzativa. Gli “high performer” individuati da quella rilevazione, cioè le organizzazioni che attribuiscono all’IA un impatto sull’EBIT di almeno il 5 per cento descrivendolo come “significativo”, non si distinguono principalmente per quanto spendono, ma per come impostano l’iniziativa: perseguono crescita e innovazione insieme all’efficienza, invece di limitarsi a essa, e soprattutto ridisegnano radicalmente i propri flussi di lavoro in conseguenza dell’uso dell’IA, anziché limitarsi a inserire l’IA in processi già esistenti. Quasi tre quarti di questi high performer riferiscono di aver ridisegnato in questo modo i propri flussi di lavoro, contro appena un quarto degli altri rispondenti, ed è una quota cresciuta rispetto al 55 per cento dell’anno precedente: una differenza che riporta, con dati aggiornati al 2026, esattamente alla distinzione tra automazione e potenziamento discussa in apertura di questo articolo, e che conferma come il salto di valore non dipenda dalla tecnologia adottata, ma dalla profondità con cui viene ripensato il lavoro che le sta intorno.
Accountability e AI Act europeo
Con l’entrata in vigore, ad agosto 2026, degli obblighi di accountability previsti dall’AI Act europeo per i sistemi ad alto rischio, questa responsabilità comincia peraltro a diventare anche un requisito normativo, non solo una scelta organizzativa: le organizzazioni che operano nell’Unione Europea, o che con essa intrattengono rapporti commerciali significativi, si trovano ora a dover rispondere di obblighi di trasparenza e di sorveglianza umana che, fino a poco tempo fa, restavano affidati alla sola iniziativa volontaria. È un motivo in più, se ce ne fosse ancora bisogno, per smettere di trattare la trasformazione come una conseguenza automatica dell’adozione dell’IA, e cominciare a trattarla per quello che è — dentro l’organizzazione come verso chi, da fuori, ne riceve i risultati — una scelta, che va fatta, e governata, con la stessa intenzionalità.
Una scelta, non un destino
Il fil rouge che tiene insieme i diversi elementi qui discussi si può ricomporre in una tesi unica: la creazione di valore nelle organizzazioni non è il risultato naturale o automatico dell’adozione dell’IA, ma è il risultato di una scelta intenzionale, che richiede governance, ruoli dedicati e una visione condivisa del valore atteso; senza questa intenzionalità, le organizzazioni rischiano di restare bloccate al livello dell’efficienza, accumulando strumenti e risparmiando tempo, lasciando in molti casi aperta la domanda: per fare cosa, in sostituzione? — senza cambiare davvero il modo di lavorare e migliorare effettivamente sia efficacia che efficienza.
In definitiva, il vuoto lasciato da una trasformazione mancata non resta confinato dentro i perimetri dell’organizzazione, ma si propaga verso chi lavora al suo interno, sotto forma di deriva cognitiva individuale e collettiva, e verso chi ne riceve i servizi dall’esterno, sotto forma di aspettative crescenti e fiducia in calo. Sono due facce della stessa mancanza di intenzionalità, e vanno affrontate con lo stesso strumento: una governance esplicita che stabilisca, prima ancora di automatizzare, a cosa servirà il tempo liberato, e che comunichi, prima ancora di accelerare, cosa cambia davvero per chi riceve il risultato. Non è un compito che si esaurisce in un progetto a termine, ma una capacità organizzativa da costruire e mantenere nel tempo, con la stessa cura riservata a qualunque altra competenza che si voglia rendere durevole, anziché episodica. Solo così sarà possibile la trasformazione necessaria a sviluppare davvero valore nel tempo dall’utilizzo della IA.
Riferimenti
Pirozzi, M. (2026). AI in azienda, stop al pensiero in subappalto: efficienza sì, delega cognitiva no. Agenda Digitale, 30 luglio 2026.
Tinkoff, D., Van der Veken, L., Chui, M., con Balakrishnan, T. (2026). The State of AI in 2026: On the Road to ROI. QuantumBlack, AI by McKinsey, agosto 2026.
Zao-Sanders, M. (2026). How People Are Really Using AI in 2026. Harvard Business Review, 1 giugno 2026.
Salesforce (2026). State of the AI Connected Customer, 7ª edizione.
Adobe (2026). State of Customer Experience in an AI-Driven World.
Asaftei, G.M., Roberts, R., Sticha, A., Prinsen, C. (2026). State of AI Trust in 2026: Shifting to the Agentic Era. McKinsey & Company, 25 marzo 2026.
Partecipa alla community