Il ROI dell’AI generativa è ormai misurabile per molte aziende, ma non nasce dall’adozione di un nuovo modello. Dipende da dati solidi, governance intelligente e capacità di riprogettare processi e ruoli.
È quanto emerge da una ricerca che Snowflake ha condotto recentemente su 2050 organizzazioni a livello globale che hanno già implementato soluzioni di AI generativa in produzione. I risultati sono chiari: il 92% riporta un ROI positivo, con un ritorno medio del 49% che, tradotto, equivale a un guadagno di 1,49 dollari per ogni dollaro investito. Tra i C-level, il 75% ha quantificato ritorni positivi, solo il 5% riporta risultati stabili¹.
Questo ci insegna che l’intelligenza artificiale generativa funziona, a condizione che si effettuino tre mosse fondamentali.
Indice degli argomenti
I numeri parlano chiaro
Prima di addentrarci nell’analisi dei risultati, vale la pena soffermarsi sui dati. Il ritorno medio del 49% rappresenta un aumento di un quinto rispetto all’anno precedente, segno che le organizzazioni stanno imparando a estrarre valore crescente dai propri investimenti nell’AI¹. Quelle che hanno implementato l’intelligenza artificiale generativa per molti use case stimano che un quarto del loro budget tecnologico nei prossimi 12 mesi sarà allocato su progetti AI, contro il 16% di chi è appena agli inizi¹.
Il dato, forse, più significativo riguarda l’agentic AI, sistemi autonomi capaci di prendere decisioni e agire senza supervisione umana continua. Il 32% delle organizzazioni intervistate ne ha già in produzione, con aspettative di ROI del 47% nei prossimi 12 mesi¹.
Il contesto italiano conferma il trend globale, ma mette in evidenza anche sfide specifiche. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato del nostro Paese ha raggiunto 1,8 miliardi di euro nel 2025 (+50% rispetto al 2024), con l’AI generativa che rappresenta quasi la metà del totale². Il divario tra grandi imprese (71% con progetti AI attivi) e PMI (solo 8%) resta comunque marcato².
Il problema non risiede nel fatto che l’intelligenza artificiale sia efficace, bensì nella capacità dell’azienda di adottarla
Partire dai dati, non dalla tecnologia
La ricerca Snowflake identifica un collo di bottiglia invisibile ma decisivo: solo un quinto dei dati non strutturati è “AI-ready”, cioè pulito, governato, accessibile e in formato utilizzabile. Per quelli strutturati, la quota sale a quasi un terzo, ma resta inadeguata¹.
Il 65% delle aziende intervistate dichiara che rompere i silos di dati è difficile o molto difficile, il 62% trova altrettanto difficile misurare e monitorarne la qualità, con la stessa percentuale che fatica a prepararli per renderli pronti all’uso dell’AI¹. Non si tratta di problemi tecnologici astratti: sono ostacoli strutturali concreti al conseguimento del ROI.
Le organizzazioni che stanno ottenendo i ritorni più elevati condividono la medesima strategia: hanno investito prima nell’infrastruttura dati, poi nei modelli. Tendenzialmente tutti gli intervistati (94%) concordano sul fatto che stanno “attivamente investendo in soluzioni per unificare e consolidare il data estate”, e l’89% concorda che “il data engineering è la capacità chiave necessaria per assicurare il successo dei progetti legati all’intelligenza artificiale”¹.
In Italia, questa sfida è ancora più marcata. Secondo l’Osservatorio del Politecnico di Milano² solo il 20% delle grandi aziende utilizza l’AI in modo pervasivo su diverse funzioni. La causa? Dati frammentati, sistemi legacy e gap di competenze di data engineering.
L’azione concreta: Prima di rivolgersi al prossimo LLM o alla piattaforma AI più in voga, è opportuno effettuare un audit dei propri dati. Dove sono? Che qualità hanno? Sono governati? Sono accessibili? “Garbage in, garbage out” è sempre stato vero, ma con l’intelligenza artificiale il moltiplicatore è esponenziale. Se i dati di partenza sono un disastro, l’AI non farà altro che amplificarlo.
Gestire il paradosso dello Shadow AI
Ecco un dato che dovrebbe far riflettere ogni CIO e ogni CISO: nella ricerca, oltre la metà dei dipendenti – compresi il 66% dei C-level business – ammette di usare strumenti AI non approvati dall’azienda¹. In Italia, ricerche settoriali indicano che questa percentuale sale al 68%, con dirigenti e senior manager tra gli utilizzatori più frequenti³.
Le motivazioni sono chiare. Il 60% conferma che gli strumenti approvati dall’azienda mancano di funzionalità necessarie, il 53% lamenta processi di approvazione troppo lenti e solo poco più di un terzo usa strumenti non approvati semplicemente per velocizzare il lavoro¹.
Questo “Shadow AI” espone le aziende a rischi reali: fuga di dati sensibili e proprietà intellettuale, violazioni del GDPR (che in Italia possono costare a una PMI tra uno e tre milioni di euro per singolo incidente⁴), vulnerabilità di sicurezza, bias non controllati e decisioni basate su output non verificabili. Con l’AI Act europeo, che entrerà pienamente in vigore nel 2026, e solo una percentuale davvero risicata delle grandi aziende italiane dotata di una governance AI strutturata secondo l’Osservatorio del Politecnico di Milano², la situazione è critica.
Ma ecco il paradosso: il fenomeno dello Shadow AI ci dice due cose. Primo: i dipendenti vedono il valore dell’AI e vogliono usarla. Secondo: le aziende non stanno fornendo strumenti adeguati abbastanza velocemente.
La soluzione non è vietare. È creare percorsi, offrire alternative approvate che siano davvero migliori dei tool consumer, che fanno quello che serve, in modo sicuro e governato.
L’azione concreta: Condurre una survey anonima, chiedendo ai dipendenti quali sono gli strumenti AI non approvati che stanno utilizzando. Perché? Cosa manca in quelli autorizzati? Poi agire partendo da queste risposte. La governance intelligente non è necessariamente fondata sul controllo: è la capacità di fornire alternative migliori.
Riprogettare i ruoli, non tagliarli
Il dibattito su intelligenza artificiale e lavoro è spesso polarizzato tra catastrofismo e ottimismo ingenuo. I nostri dati mostrano una realtà più sfumata. Quasi quattro quinti delle aziende intervistate riporta job creation, con o senza job loss. Poco meno della metà ha visto solo creazione di posti di lavoro, mentre appena l’11% ha registrato esclusivamente perdita di posti di lavoro¹.
C’è un pattern chiaro: l’AI sta cambiando il modo di lavorare. Il 63% delle aziende riporta riduzioni nelle posizioni entry-level, seguito dal 46% per il middle management. Al contrario, la cybersecurity registra un aumento pari a un quinto di probabilità di job gain rispetto a job loss, le IT operations il +16% in più, il software development il 12%¹.
In Italia, le stime indicano che l’intelligenza artificiale potrebbe creare fino a 900.000 nuovi posti di lavoro, con la domanda di specialisti AI in crescita di un terzo anno su anno⁵. Ma entro il 2033, circa 3,8 milioni di posizioni potrebbero essere automatizzate⁵. Le richieste di competenze in questa tecnologia negli annunci di lavoro sono praticamente raddoppiate, con il 76% delle offerte per professionisti qualificati che richiedono queste skill².
Le aziende vincenti nella nostra ricerca non stanno “sostituendo le persone con AI”, bensì ridisegnando i flussi di lavoro e usandola per automatizzare le parti più ripetitive e a basso valore dei ruoli, permettendo alle persone di dedicarsi ad altre attività a più alto valore. E stanno investendo in upskilling.
Un altro dato interessante: le organizzazioni con un’adozione matura dell’intelligenza artificiale riscontrano meno problemi di talent gap. Il 40% di quelle con progetti esclusivamente nelle fasi iniziali vede le competenze dei dipendenti come una sfida, contro il 33% di chi ha molti use case attivi¹.
Un segnale positivo per l’Italia: il Paese è primo in Europa per dipendenti che investono nella propria formazione sull’AI, con il 64% che lo fa autonomamente⁶. Questa propensione all’auto-apprendimento rappresenta un asset competitivo da capitalizzare.
L’azione concreta: Per ogni progetto AI, non limitarsi a chiedere se “può sostituire un lavoro?” ma “come è possibile ridisegnare questo processo end-to-end in modo che intelligenza artificiale ed esseri umani facciano rispettivamente ciò che fanno meglio?” E poi investire in upskilling prima che il gap diventi incolmabile. Il momento migliore per formare i team su questa tecnologia era ieri, il secondo momento migliore è oggi.
L’agentic AI in produzione
C’è un’ultima lezione che vale la pena sottolineare. Un terzo delle organizzazioni intervistate ha già l’AI agentica in produzione, sistemi che non solo rispondono a prompt ma decidono e agiscono autonomamente entro parametri definiti¹. Il 61% li usa per customer support 24/7, il 59% per guidare i clienti verso risorse self-help, poco più della metà per classificare e instradare ticket¹.
Gli executive si aspettano un ROI del 47% da questi investimenti nei prossimi 12 mesi¹. Chi si muove ora può avere un vantaggio competitivo significativo. Ma la sfida è la fiducia: il 29% delle preoccupazioni citate dalle aziende riguarda il mantenere l’oversight umano e, a livello globale, oltre i due terzi non si fida completamente di agenti autonomi per uso business⁷.
Questo significa che governance, qualità dei dati e investimento nelle persone – le tre mosse che abbiamo esplorato – diventano ancora più critiche man mano che l’AI diventa più autonoma.
L’hype è finito. Il lavoro vero è appena iniziato
Le tre mosse sono chiare: costruire fondamenta dati solide prima di scalare i modelli; creare governance intelligente che abilita invece di bloccare; riprogettare i ruoli invece di limitarsi a tagliarli. Le aziende che hanno dato seguito a questi suggerimenti stanno già ottenendo ritorni misurabili e crescenti.
Per le realtà italiane, specialmente le PMI, la finestra è ancora aperta. Ma la distanza dalle grandi imprese si sta allargando. L’AI non è il traguardo. È il carburante. Ma solo se si è in grado di costruire il motore giusto.
Note e fonti
¹ ”The ROI of Gen AI and Agents” Snowflake / Omdia by Informa TechTarget, 2025. Ricerca condotta su 2050 organizzazioni con progetti di AI generativa in produzione, distribuite in 9 regioni globali (USA, Canada, UK, Francia, Germania, Australia/Nuova Zelanda, Giappone, Singapore, India), agosto-settembre 2025.
² Osservatorio Artificial Intelligence, Politecnico di Milano, edizione 2025.
³ Dati su Shadow AI in Italia da ricerche di settore su governance e sicurezza AI, 2025.
⁴ Stime costi delle violazioni GDPR per PMI italiane da analisi legali e compliance settoriali.
⁵ Analisi impatto AI su occupazione in Italia da ricerche di istituti economici e think tank, 2025-2026.
⁶ Dati formazione e upskilling AI in Italia da ricerche europee comparative sul mercato del lavoro, 2025.
⁷ Dati fiducia nell’agentic AI da ricerche globali su adoption e governance AI, 2025.
