Dall’appiattimento dell’adozione alle metriche fuorvianti dei token, dai comportamenti micro dei lavoratori agli attriti che frenano l’automazione. Una lettura integrata per capire il ciclo AI che stiamo vivendo.
Negli ultimi mesi si sono accumulate nuove evidenze: alcune inaspettate, altre hanno confermato gli andamenti già emersi. L’adozione dell’AI non sta avanzando con la velocità promessa e i benefici economici non sono ancora diffusi. Intanto le Big Tech misurano la domanda attraverso metriche come i token, che però raccontano solo una parte della storia.
Indice degli argomenti
Adozione AI nel 2025: il segnale macro che non torna con la narrativa
Un tassello fondamentale del mosaico è controintuitivo: l’adozione dell’AI nelle imprese americane non sta accelerando, ma si sta appiattendo. La conclusione arriva da uno dei segnali più solidi oggi disponibili: il sondaggio della US Census Bureau, che monitora settimanalmente l’uso dell’AI “per produrre beni e servizi”.
Secondo The Economist, la quota “employment-weighted” di lavoratori americani che utilizzano AI nel lavoro quotidiano è scivolata dal 12% all’11% negli ultimi mesi. Il calo è piccolo nella misura, ma grande nel significato: siamo tre anni dentro l’era della Generative AI e l’effetto “world-changing” non ha ancora permeato l’impresa media.
La frenata è particolarmente evidente tra le aziende con più di 250 dipendenti, proprio quelle da cui ci si aspetterebbe leadership tecnologica. Invece mostrano un rallentamento più netto. Il dato apre una domanda cruciale per manager, policy maker e investitori: se le grandi imprese non adottano, chi sosterrà l’enorme investimento infrastrutturale di Big Tech?
Altre fonti convergono sulla stessa evidenza: la curva di adozione sembra essersi raffreddata. Per esempio, l’uso quotidiano rilevato dallo St. Louis Fed è passato dal 12,1% (2024) al 12,6% (2025): un progresso marginale, utile più a definire il perimetro del fenomeno che a confermare un’accelerazione.
Perché l’adozione dell’AI può raffreddarsi anche con modelli migliori
Invece di elencare cause separate, il rallentamento si può leggere come il risultato di tre dinamiche intrecciate. La prima riguarda il contesto macroeconomico: in un quadro di incertezza, tra tensioni commerciali, oscillazioni dei tassi e bassa visibilità sugli investimenti, molte imprese rimandano i progetti strutturali.
La seconda dinamica è storica e organizzativa: l’adozione dell’AI, come quella dei PC negli anni Ottanta o di Internet all’inizio dei Duemila, non segue mai una linea retta. Avanza per ondate, alternando accelerazioni e lunghi plateau, spesso più legati ai fattori interni (processi, responsabilità, governance) che ai progressi tecnici.
La terza ragione è la più rilevante per chi gestisce aziende: in molti casi l’AI generativa non sta ancora producendo ritorni tangibili. Il nuovo rapporto McKinsey sottolinea che, per la maggior parte delle organizzazioni, l’AI non ha ancora generato miglioramenti misurabili dei profitti o dei KPI enterprise-wide.
In altre parole: se l’AI non fa aumentare la produttività, l’adozione ristagna. E i segnali in questa direzione non mancano. Negli ultimi mesi vari indicatori, dal mercato finanziario ai sondaggi manageriali, convergono su un messaggio più prudente rispetto alla narrativa dominante.
Segnali dai mercati e dai manager: l’entusiasmo non è ancora nei bilanci
L’indice di Goldman Sachs sulle imprese più esposte all’AI — quelle per cui l’automazione cognitiva dovrebbe migliorare gli utili — ha iniziato a sottoperformare il mercato. È un segnale debole, ma significativo: gli investitori, che dovrebbero cogliere per primi i guadagni di efficienza, non li vedono ancora materializzarsi con chiarezza nei bilanci.
Un altro elemento arriva dai sondaggi: una parte consistente dei dirigenti ritiene che i risultati dei progetti AI siano inferiori alle aspettative. Non è un rigetto della tecnologia, ma la constatazione che i ritorni non sono ancora proporzionati all’entusiasmo e ai costi di adozione.
Sul fondo resta l’ipotesi della “productivity J-curve”: quando si introduce una tecnologia dirompente, la produttività può scendere prima di risalire, perché l’organizzazione deve essere adattata, i processi riscritti e le competenze riallineate. Il rallentamento può quindi riflettere una trasformazione interna complessa, non un rifiuto dell’AI.
Adozione AI e token economy: il KPI che piace alla Silicon Valley
Le Big Tech hanno trovato il nuovo KPI preferito: i token. La metrica misura quanta “testo-computazione” viene consumata da utenti e sistemi. I numeri, a prima vista, suggerirebbero una rivoluzione in accelerazione continua.
Google oggi elabora circa 1,3 quadrilioni di token al mese, un volume otto volte superiore rispetto a febbraio 2025. Alibaba registra una crescita ancora più rapida, con consumi che raddoppiano ogni pochi mesi. OpenAI ha comunicato che almeno trenta clienti superano già il trilione di token processati.
Perché più token non significa più valore reale
Qui sta il problema: più token non significa più valore. The Economist smonta la narrativa con due osservazioni decisive. La prima è che i token possono crescere anche quando i ricavi non seguono la stessa traiettoria: una parte dell’aumento deriva dall’inserimento dell’AI in prodotti esistenti per migliorare funzioni note (immagini, raccomandazioni), senza creare nuovi flussi di ricavo.
Un altro fattore sono gli AI Overview di Google: secondo le stime Barclays, costituirebbero oltre due terzi del traffico token totale dell’azienda, ma sostituiscono la ricerca tradizionale senza ampliarne il valore economico. In sostanza, cresce la computazione, non necessariamente la monetizzazione.
C’è poi un aspetto tecnico: i modelli sono diventati più prolissi. Negli ultimi anni il numero medio di token prodotti per rispondere a una domanda è cresciuto, soprattutto nei modelli orientati al reasoning, che tendono a spiegare il ragionamento passo dopo passo. Questo fa aumentare i token, ma non certifica da solo un aumento della domanda “reale” di AI.
Nel frattempo, il costo unitario di generazione dei token è crollato, secondo alcune stime, fino al 97% all’anno. Ma il costo complessivo dell’AI continua a salire perché i modelli diventano più grandi, più complessi e più costosi da eseguire. La concorrenza sui prezzi, con attori come DeepSeek che offrono modelli a costi molto inferiori rispetto ai leader occidentali, riduce ulteriormente i margini. Il risultato è chiaro: cresce l’economia dei token, molto meno quella dei profitti.
La lezione per l’adozione AI : misurare valore, non attività
Le aziende devono evitare un errore tipico della stagione dot-com: scambiare una metrica di attività per una metrica di valore. L’impressione di crescita che deriva dall’aumento dei token non equivale a un incremento della produttività, né a risultati economici migliori.
Il vero impatto dell’AI va misurato nella capacità di incidere sui parametri che determinano la salute di un’organizzazione: margini operativi, tempi di esecuzione dei processi, qualità del servizio, riduzione degli errori. Quando questi elementi migliorano, l’AI produce valore. Quando restano invariati, anche di fronte a miliardi di token elaborati, significa che si sta misurando la cosa sbagliata.
Adozione AI: cosa mostrano gli studi micro su lavoratori e organizzazioni
Negli ultimi mesi, diverse ricerche empiriche hanno mostrato un quadro diverso dalla narrativa dominante sull’adozione aziendale dell’AI. Se i dati macro indicano stagnazione o rallentamento, quelli micro — raccolti dentro le organizzazioni — rivelano una geografia dell’uso sorprendente, irregolare e spesso controintuitiva.
Il primo elemento riguarda la distribuzione interna dell’adozione. Non sono i dirigenti senior, né i manager con maggiore esperienza, a usare l’AI con più intensità. Al contrario, gli utilizzatori più assidui sono spesso i lavoratori early career.
Una recente analisi di Workhelix su una multinazionale farmaceutica da oltre 50.000 dipendenti ha mostrato che i principali power user erano gli stagisti: non per competenze superiori, ma perché più inclini a sperimentare senza temere errori o giudizi. La variabile determinante è la disponibilità a provare, più che ruolo o età.
Lo stesso studio indica anche l’esistenza di un gruppo di giovani contrari all’adozione dell’AI, che percepiscono la tecnologia come una minaccia alla propria autonomia e che, in alcuni casi, ostacolano attivamente i programmi di trasformazione digitale. In parallelo, alcune categorie professionali — come gli scienziati dell’R&D — risultano più rapide nell’integrare strumenti generativi nelle attività quotidiane: pesa il contesto competitivo della funzione, non l’anzianità.
Perché l’adozione AI nel 2025 si blocca nei pilot: il nodo è il workflow
Questa variabilità mette in luce un secondo aspetto essenziale: la lentezza dell’adozione non deriva da problemi tecnici, ma da ostacoli organizzativi. McKinsey osserva che due terzi delle aziende si trovano ancora in fase pilota e solo una su venti può definirsi davvero high performer, con un’integrazione dell’AI capace di generare oltre il 5% degli utili.
Secondo Michael Chui, coautore del report, la difficoltà sta nel fatto che adottare l’AI richiede di ripensare l’intero flusso di lavoro, spesso coinvolgendo più ruoli e ridefinendo processi consolidati. Una tecnologia potente inserita in processi obsoleti non genera valore: anzi, rischia di rallentare l’operatività.
Qui torna utile un precedente storico: il paradosso di Solow. Nel 1987 l’economista Robert Solow osservò che i computer erano ovunque, tranne che nelle statistiche sulla produttività. Solo anni dopo, quando i processi vennero riscritti intorno alle nuove tecnologie, la produttività iniziò davvero a salire.
È uno schema simile a quello odierno: non basta mettere modelli generativi nelle mani dei lavoratori. Serve tempo perché l’organizzazione li assimili, li normalizzi e li innesti nei meccanismi quotidiani. In questo scenario, la leadership diventa decisiva.
L’esempio di LogicMonitor è emblematico: l’azienda ha concesso l’accesso a ChatGPT Enterprise a tutti i dipendenti e ha affiancato alla diffusione tecnica una direttiva culturale chiara, “tutti devono sperimentare”. Il risultato è che il 96% del personale usa l’AI almeno occasionalmente e sono stati sviluppati oltre 1.600 chatbot interni.
Adozione AI e competenze: chi guida la trasformazione (e chi resta indietro)
Le analisi citate suggeriscono un quadro inequivocabile: per la maggior parte delle professioni l’adozione dell’AI è appena iniziata. Gli heavy user sono giovani lavoratori che cercano di aumentare il proprio valore percepito; i senior che potrebbero beneficiarne maggiormente spesso necessitano di incoraggiamento, formazione e guida.
I manager, infine, devono assumere il ruolo di orchestratori della trasformazione, non semplici sponsor. L’idea ricorrente che “l’AI prenderà il tuo lavoro” appare fuorviante alla luce di questi dati. Più realistico è affermare che sarà una persona che usa l’AI in modo competente, integrato e continuo a farlo.
Lo stesso vale per le imprese: quelle capaci di integrare l’AI nei processi e di sviluppare una cultura della sperimentazione supereranno chi rimane imprigionato in un utilizzo superficiale, occasionale o difensivo della tecnologia.
A conferma del quadro “micro”, torna utile anche lo studio Microsoft che evidenziava un punto oggi centrale: il potenziale è altissimo nei ruoli basati su ricerca, scrittura, sintesi e analisi, ma sono spesso questi i contesti in cui l’adozione reale procede più lentamente.
I veri attriti dell’automazione nel 2025: cosa frena davvero l’AI in azienda
Le ultime analisi aiutano a decifrare un punto che ritorna in molte ricerche recenti: il limite oggi non è tecnologico, ma organizzativo.
Le aziende dispongono di modelli sempre più potenti, ma fanno fatica a integrarli in processi complessi, regolati da ruoli, responsabilità e routine consolidate. La lentezza dell’adozione non ha a che vedere con il “non funzionare” dell’AI, ma con la difficoltà di trasformare i flussi di lavoro in cui la tecnologia dovrebbe operare.
Le barriere più rilevanti riguardano tre dimensioni: disponibilità delle persone a cambiare abitudini operative, vincoli normativi e di responsabilità che rallentano l’automazione, frammentazione dei processi che rende difficile introdurre un modello generativo senza ripensare l’intero ciclo. Anche quando l’AI è tecnicamente capace, l’organizzazione non lo è ancora.
Ne deriva un compito preciso per i leader aziendali: non “spingere l’AI”, ma rimuovere gli attriti. Significa semplificare ruoli, snellire i processi, creare zone sicure di sperimentazione e rendere la collaborazione tra persone e modelli un comportamento quotidiano, non un’iniziativa speciale.
Produttività e adozione dell’AI: la domanda che conta davvero
Oltre le metriche tecniche, oltre le performance dei modelli e oltre la token economy, una domanda domina il ciclo AI: quando vedremo un impatto macro sulla produttività? A oggi le evidenze sono limitate. Come mostrano i dati citati e confermano le indagini di McKinsey, molti progetti portano benefici locali ma non ancora miglioramenti nei risultati complessivi.
Il punto non è che l’AI non funzioni, ma che il valore emerge solo quando tecnologia e processi evolvono insieme. Finché l’AI viene inserita in workflow nati per altri strumenti — email, fogli di calcolo, riunioni, approvazioni sequenziali — l’effetto resta spesso marginale.
Per generare produttività reale servono processi riprogettati per sfruttare automazione, sintesi, ricerca semantica, reasoning e orchestrazione multi-agente. Gli economisti stimano che l’impatto macro potrà manifestarsi solo quando una quota significativa delle imprese avrà integrato l’AI nei sistemi core, dalle operazioni alla supply chain, dalla finanza al customer service.
L’arco temporale non è immediato: si misura in anni, non in trimestri. Daron Acemoglu, nel paper The Simple Macroeconomics of AI, stima che l’AI potrebbe aumentare la produttività totale dei fattori di solo 1–2% in dieci anni, in uno scenario prudente che riflette la lentezza del cambiamento organizzativo.
All’estremo opposto, Paul Romer, reinterpretando l’AI come general purpose technology, suggerisce traiettorie più ottimistiche fino al 10% in dieci anni, a condizione che l’adozione diventi capillare e che le imprese riprogettino i processi per sfruttare automazione, reasoning e orchestrazione multi-agente. Due visioni distanti, ma con un punto comune: la produttività tornerà quando l’AI smetterà di essere uno strato aggiuntivo e diventerà la logica stessa con cui i processi sono costruiti.
