Scalare l’AI generativa: serve infrastruttura, non progetti

L’intelligenza artificiale, in particolare nelle sue più recenti evoluzioni generativa e agentica – “Generative and Agentic AI” (GAAI) – sta conoscendo una diffusione rapida e pervasiva tra imprese di ogni dimensione e settore.

Tuttavia, il passaggio da sperimentazioni iniziali di successo a un impatto organizzativo scalabile rappresenta una sfida ancora irrisolta per la maggioranza delle organizzazioni.

Il paradosso dei successi iniziali nell’AI generativa

Secondo il Deloitte AI Institute (2025), il tasso di adozione GAAI ha già raggiunto il 67%, un dato coerente con quanto emerge da numerose altre indagini empiriche, che convergono nel descrivere una fase di espansione senza precedenti.

Questa dinamica è in buona misura riconducibile anche alla profonda democratizzazione dell’accesso a funzionalità avanzate resa possibile dalla GAAI. La riduzione drastica delle barriere tecnologiche, economiche e cognitive consente oggi sperimentazioni rapide, iterative e a basso costo di ingresso. Ne consegue che molte iniziative di intelligenza artificiale prendono forma come processi bottom-up, spontanei, veloci e informali – talvolta nascosti (“Shadow AI“) – piuttosto che come programmi top-down pianificati e governati centralmente. In questo senso, la GAAI può essere interpretata come la prima tecnologia della storia che “entra in azienda senza chiedere il permesso”.

Tuttavia, non è tutt’oro quel che luccica: le elevate percentuali di adozione riflettono spesso l’avvio di sperimentazioni isolate o progetti pilota, più che un’effettiva integrazione sistemica nei processi e nei modelli organizzativi. Generare un impatto diffuso e strutturale è una sfida ben più complessa. Le organizzazioni capaci di compiere tale salto di qualità – passando da test individuali a una dimensione organizzativa in grado di sostenere un vantaggio competitivo duraturo – restano ancora relativamente poco, mentre le evidenze empiriche relative a questa fase di scalabilità risultano frammentarie e poco consolidate.

Questa asimmetria alimenta una forma sottile ma diffusa di frustrazione manageriale. Le sperimentazioni e i progetti pilota di GAAI spesso presentano risultati (apparentemente…) molto positivi, misurabili, e pure in poco tempo. Si tratta di una discontinuità netta rispetto a tipiche iniziative di digital transformation, nelle quali gli investimenti iniziali faticano a generare ritorni immediati e richiedono perseveranza e orizzonti temporali estesi prima di tradursi in benefici tangibili. Con la GAAI, al contrario, il successo iniziale appare spesso quasi “immediato”, caratterizzato da quick wins evidenti e facilmente conseguibili. Eppure, proprio in modo controintuitivo rispetto a queste premesse favorevoli, il passaggio dalla sperimentazione alla scalabilità organizzativa dei progetti di intelligenza artificiale si rivela di fatto un’impresa straordinariamente ardua. Un apparente paradosso.

La discontinuità rispetto alla traiettoria dell’AI convenzionale è, in questo senso, profonda. L’AI generativa può essere definita come un sistema basato su foundation models in grado di generare artefatti digitali a partire da istruzioni formulate in linguaggio naturale (Schneider, 2025), mentre l’AI agentica rappresenta una classe di sistemi autonomi capaci di orchestrare risorse digitali e definire strategie per portare a termine insiemi di compiti complessi (Acharya et al., 2025). A differenza dell’AI convenzionale – progettata e implementata da specialisti per svolgere compiti circoscritti e ben definiti, che a partire da un dato input forniscono un prestabilito output – la GAAI è ampiamente accessibile, riduce significativamente il digital divide grazie a interfacce conversazionali e approcci low-code / no-code, e si caratterizza per una versatilità radicalmente superiore.

In questo quadro, molte iniziative di intelligenza artificiale nelle organizzazioni finiscono per assumere i tratti di una “vittoria di Pirro“: successi rapidi e visibili vengono conseguiti, ma al prezzo di un consumo significativo di risorse, attenzione manageriale e capitale organizzativo. Dopo un primo periodo di entusiasmo – alimentata da sperimentazioni individuali, micro-sperimentazioni isolate (“isole di innovazione“) e da una rapida adozione di strumenti – molte organizzazioni stanno entrando in una fase più riflessiva. In questa fase emergono nuove tensioni legate alla gestione della privacy, allo scetticismo interno, alla frammentazione tecnologica e alla mancanza di coordinamento complessivo.

Come nella metafora storica, si vincono singole battaglie – progetti pilota e proof of concept – senza riuscire a vincere la “guerra”, ossia senza trasformare tali successi locali in valore organizzativo scalabile, coerente e duraturo.

La sfida manageriale dello scaling: obiettivi dello studio ITIR

La questione centrale che emerge è dunque manageriale prima ancora che tecnologica: come passare da una costellazione frammentata di progetti pilota locali e indipendenti alla generazione di un valore sistemico e scalabile attraverso la Generative and Agentic AI? Si tratta di una sfida tutt’altro che banale, rispetto alla quale una parte significativa del know-how accumulato negli ultimi anni in tema di digital transformation appare, almeno in parte, inadeguata o obsoleta. Le logiche, le metriche e i modelli di governance sviluppati per tecnologie più tradizionali faticano infatti a catturare la natura pervasiva, distribuita e accelerata della GAAI.

Muovendo da queste premesse, presso il nostro centro di ricerca – l’Institute for Transformative Innovation Research (ITIR), presso Università di Pavia – ci siamo posti l’obiettivo di comprendere in modo più approfondito i processi di diffusione, lo sviluppo dei livelli di AI maturity e, più in generale, le dinamiche di scaling dell’intelligenza artificiale all’interno delle organizzazioni. A tal fine, abbiamo condotto uno studio esplorativo di tipo mixed-methods, combinando un’indagine quantitativa su larga scala con l’analisi approfondita di una serie di dieci casi studio, al fine di cogliere sia le tendenze emergenti sia le logiche sottostanti ai comportamenti organizzativi osservati.

In questa sede, l’analisi si concentra in particolare sulle imprese di medie dimensioni, che rappresentano un contesto di osservazione particolarmente rilevante. Queste organizzazioni si trovano infatti in una posizione peculiare: da un lato, mostrano livelli elevati di agilità, apertura alla sperimentazione e propensione all’iniziativa individuale; dall’altro, dispongono di risorse più limitate e di capacità IT meno strutturate rispetto alle grandi imprese. È proprio questa combinazione di flessibilità e vincoli strutturali a rendere le medie imprese un laboratorio privilegiato per analizzare le tensioni, le opportunità e i colli di bottiglia che caratterizzano l’adozione e lo scaling della GAAI.

Con riferimento specifico alla componente quantitativa, lo studio si basa su un questionario somministrato a dipendenti di imprese operanti in diversi settori, per un campione complessivo di 1.558 osservazioni. Nella sezione che segue, viene presentata un’anticipazione dei principali risultati emersi, con particolare attenzione alle implicazioni manageriali e organizzative¹.

Diffusione vs maturità: cosa conta davvero per il vantaggio competitivo

Fra i risultati più interessanti emersi dallo studio vi sono quelli relativi al grado di diffusione della GAAI, ai livelli di maturità organizzativa e al loro impatto percepito sul vantaggio competitivo.

I dati sulla diffusione delle diverse forme di AI

In primo luogo, i dati mostrano come, fra le medie imprese italiane, i livelli di diffusione delle diverse forme di intelligenza artificiale risultino profondamente differenziati: l’AI convenzionale presenta un tasso di adozione pari al 29%, la Generative AI raggiunge l’89%, mentre l’Agentic AI si attesta al 42%. È particolarmente significativo osservare come la GAAI, pur essendo arrivata molto più recentemente rispetto all’AI convenzionale, stia crescendo con una velocità nettamente superiore. Tuttavia, livelli così elevati di diffusione non si traducono automaticamente in un impatto proporzionale sul vantaggio competitivo o sui risultati aziendali.

I risultati preliminari indicano infatti che la relazione tra diffusione – intesa come disponibilità di strumenti e opportunità di utilizzo presso una quota elevata di dipendenti e funzioni aziendali – e impatto sul vantaggio competitivo segue un andamento di tipo esponenziale (Figura 1): si parte con impatto molto modesto, che diventa significativo solo ad elevati livelli di diffusione. Livelli limitati di diffusione generano benefici marginali, mentre il superamento di una soglia minima di adozione diffusa sembra innescare un’accelerazione significativa dell’impatto competitivo. In altre parole, fino a quando la GAAI rimane confinata a usi sporadici o a gruppi ristretti, il suo contributo strategico resta molto contenuto, se non nullo.

La relazione esponenziale tra adozione e impatto

Diversamente, il legame tra AI maturity – intesa come sviluppo di competenze, esperienza d’uso – e vantaggio competitivo appare ben più lineare e incisivo (Figura 2). Questo risultato, congiuntamente alle evidenze dai nostri casi studio, suggerisce che le fasi iniziali di diffusione rappresentano un vero e proprio collo di bottiglia per il raggiungimento di un impatto strategico rilevante: senza una base sufficientemente ampia di adozione, anche livelli elevati di competenza rischiano di rimanere localizzati e di non tradursi in valore sistemico.

Figura 1. Relazione fra diffusione dell’AI (asse orizzontale) e impatto sul vantaggio competitivo (asse verticale)

Figura 2. Relazione fra maturità dell’AI (asse orizzontale) e impatto sul vantaggio competitivo (asse verticale)

La Tabella 1 sintetizza diversi pattern possibili in funzione di combinazioni di bassi o elevati livelli di diffusione e maturità, combinando gli effetti di “Diffusione” e “maturità” dell’AI in un’unica prospettiva. I risultati confermano empiricamente come un’adozione ampia e trasversale della GAAI possa risultare più determinante rispetto a elevati livelli di maturità concentrati in singole unità o funzioni. In altri termini, è confermato che se in passato – con l’AI convenzionale – era spesso sufficiente una diffusione limitata, ad esempio all’interno di un ufficio specifico o fra pochi profili altamente specializzati, per sviluppare maturità e impatto competitivo, nel caso della GAAI sembra emergere una precondizione diversa: un’ampia diffusione iniziale, che coinvolga l’organizzazione nel suo complesso, appare necessaria per innescare successivi percorsi di maturazione e generazione di valore.

Tabella 1. La relazione fra diffusione e maturità dell’AI nel generare impatto e vantaggio competitivo

Tre buone pratiche per scalare l’intelligenza artificiale in azienda

Pur ricordando che quanto presentato riguarda risultati preliminari focalizzati sul caso delle imprese di medie dimensioni, i dati raccolti sull’intero campione e approfonditi attraverso dieci casi studio consentono già di formulare alcune prime considerazioni di rilievo. In particolare, emergono tre buone pratiche manageriali che appaiono decisive per facilitare il passaggio da sperimentazioni sporadiche e individuali ad un impatto organizzativo concreto e a un vantaggio competitivo scalabile:

• I. L’intelligenza artificiale generativa ed agentica non è un progetto, è (e deve essere) un’infrastruttura. La presenza di singoli team altamente maturi o la realizzazione di progetti isolati di successo, secondo una logica di AI-as-a-project, non risultano sufficienti. A differenza dell’AI convenzionale, la GAAI richiede una diffusione estesa e trasversale, fino a configurarsi come una vera e propria AI infrastructure organizzativa, integrata nei processi, nelle funzioni e nelle pratiche quotidiane di lavoro di tutti. Un’infrastruttura di questo tipo, progettata per sostenere lo scaling delle iniziative più efficaci, dovrebbe garantire visibilità ai casi di successo e mettere a disposizione metriche chiare e condivise per la valutazione dei risultati. Il primo passo non consiste necessariamente nell’identificare ex ante i principali casi d’uso o la presunta killer application, quanto piuttosto nel garantire che tutti dispongano di strumenti di AI adeguati – possibilmente calibrati e personalizzati sulle esigenze aziendali – nonché di occasioni strutturate di utilizzo e formazione. Se queste condizioni sono presenti, le applicazioni di maggior valore tendono a emergere in modo naturale.
• II. Bilanciare iniziativa bottom-up e direzione strategica top-down. Le applicazioni di GAAI di maggiore successo tendono spesso a emergere spontaneamente dal basso, purché siano inserite fin dall’inizio all’interno di una chiara visione strategica sull’AI a livello di top management. Sebbene la sperimentazione bottom-up rappresenti una dinamica fisiologica nei contesti GAAI, essa deve essere accompagnata da una forte azione top-down, in grado di fornire visione, leadership tecnologica e allineamento strategico. Nella pratica, tuttavia, questi due percorsi risultano frequentemente disallineati e faticano a convergere in un framework unitario di governance. Ciò avviene anche perché – come evidenziato – la GAAI tende a “entrare in azienda da sola”, attraverso iniziative individuali e informali. Proprio per questo, tali flussi spontanei devono essere riconosciuti, orientati e governati fin dalle fasi iniziali dai vertici aziendali. L’AI richiede dunque una governance nativamente bidirezionale, capace di integrare in modo equilibrato direzione strategica e iniziativa diffusa, da subito.
• III. Fare la formica, non la cicala: reinvestire i guadagni di tempo in supervisione e apprendimento continuo. I successi iniziali delle sperimentazioni GAAI e i loro effetti “wow” risultano spesso solo apparenti. La GAAI tende infatti a trasmettere, nelle fasi iniziali, l’illusione di guadagni di efficienza straordinari ottenibili con sforzi e investimenti limitati – i quick wins richiamati in precedenza. In realtà, una quota significativa del tempo risparmiato deve essere reinvestita in attività di supervisione esperta, controllo della qualità e validazione dei risultati. A ciò si aggiunge il ritmo senza precedenti di evoluzione delle tecnologie GAAI, che rende rapidamente obsoleti strumenti, competenze e asset organizzativi. Ne deriva la necessità di un impegno continuo – e tutt’altro che marginale – in apprendimento, aggiornamento delle competenze e rinnovamento dei sistemi.

Continuare a riferirsi all’intelligenza artificiale in termini generici sta diventando sempre più fuorviante. Oggi il termine racchiude tecnologie profondamente eterogenee, con logiche di adozione, diffusione e scaling radicalmente diverse. Una parte rilevante delle difficoltà incontrate nello scalare la GAAI deriva proprio dal tentativo di affrontarla come un’estensione dell’AI convenzionale, che è tutt’altra cosa. I risultati di questa ricerca lo evidenziano con chiarezza.