Il paradosso dell'AI: perché gli investimenti crescono e i risultati no
Solo 9 manager su 27 ritengono che la propria azienda abbia le competenze per scalare l'AI. Solo 2 su 27 la usano davvero ogni giorno in modo trasversale. Una nuova ricerca McKinsey richiama il paradosso di Solow: anche per i computer, negli anni '80, la produttività non si vedeva da nessuna parte tranne nelle statistiche. Il collo di bottiglia dell'AI oggi non è tecnologico, è umano. Ne scrivo nel nuovo articolo.
AI STRATEGYINDUSTRY TRANSFORMATIONLEADERSHIP & MANAGEMENTEXECUTIVE SEARCHDIGITALITALIANO
Il paradosso dell'AI: perché gli investimenti crescono e i risultati no
Una ricerca McKinsey su retail, largo consumo e fashion in Europa ("The AI Paradox in Europe's Consumer Industries: More Spending, Elusive Impact") ha fotografato un fenomeno che molti dirigenti vivono ma pochi ammettono pubblicamente: oltre otto aziende su dieci hanno aumentato gli investimenti in intelligenza artificiale nell'ultimo anno, ma più della metà non è ancora in grado di quantificare un impatto concreto sui risultati economici. Solo sei organizzazioni, su un campione di ventisette, dichiarano un impatto sull'EBIT superiore all'1%.
Il dato non sorprende chi conosce la storia delle rivoluzioni tecnologiche. Sorprende, semmai, chi continua a pensare che la tecnologia produca automaticamente produttività.
La lezione dimenticata di Solow
Nel 1987 l'economista Robert Solow, premio Nobel, pronunciò una frase che oggi torna utile più che mai: si vedeva l'era dei computer ovunque, tranne che nelle statistiche sulla produttività. Le aziende acquistavano hardware e software a ritmi mai visti, ma i benefici economici faticavano a manifestarsi. Non perché la tecnologia non funzionasse, ma perché le organizzazioni non erano ancora cambiate abbastanza per sfruttarla. Ci vollero quasi vent'anni prima che la rivoluzione digitale producesse effetti misurabili su modelli organizzativi, catene del valore e produttività.
L'intelligenza artificiale sembra riproporre la stessa dinamica, con un'aggravante: la velocità con cui si moltiplicano le sperimentazioni interne. Secondo lo studio, alcune aziende hanno oltre cinquanta iniziative AI aperte contemporaneamente tra marketing, customer experience, supply chain, pricing e forecasting. Eppure, mediamente, solo il 10% di questi progetti arriva a una diffusione effettiva su larga scala. Il resto resta confinato in quello che gli analisti chiamano "pilot purgatory": progetti troppo promettenti per essere abbandonati, ma troppo immaturi per trasformare davvero l'azienda.
È un punto che ogni board dovrebbe interiorizzare prima di valutare il prossimo budget AI: il problema raramente è la quantità di iniziative lanciate. È la capacità di portarne poche, ma quelle giuste, a scala.
Dove il valore si vede già, e dove no
Lo studio chiarisce anche un secondo aspetto, spesso trascurato nelle narrazioni più entusiastiche sull'AI generativa. I risultati più tangibili non arrivano dalla crescita dei ricavi, ma dall'efficienza operativa: riduzione dei costi, miglioramento della soddisfazione dei clienti, accelerazione dell'innovazione nei processi esistenti. In altre parole, per ora l'intelligenza artificiale si comporta più come una leva di produttività che come un motore di nuovi modelli di business. Aiuta le aziende a fare meglio quello che già fanno, non a inventare qualcosa di radicalmente diverso.
Questo spiega anche perché le aree applicative più mature siano marketing e crescita commerciale, sviluppo software e operations tecnologiche: contesti con grandi volumi di dati e processi ripetitivi, dove l'AI trova terreno fertile. Molto meno terreno fertile lo trova dove il cambiamento richiederebbe una revisione profonda dei modelli organizzativi e decisionali.
Il vero collo di bottiglia non è tecnologico
È qui che la ricerca McKinsey offre il dato più interessante, e per chi si occupa di leadership e talent strategy, il più rivelatore. Solo nove manager su ventisette ritengono che la propria organizzazione possieda oggi le competenze necessarie per sviluppare e scalare efficacemente l'intelligenza artificiale. Ancora più significativo: solo due aziende su ventisette dichiarano un utilizzo quotidiano e trasversale dell'AI tra i dipendenti. Tre quarti degli intervistati giudicano inoltre ancora immature le proprie infrastrutture dati.
Per anni il timore dominante è stato che l'AI sostituisse il lavoro umano. I numeri raccontano una realtà diversa e più urgente: il problema non è trovare lavoro per le persone che restano, ma trovare abbastanza persone capaci di lavorare insieme all'intelligenza artificiale, di interpretarne gli output, di integrarla nei processi decisionali senza delegare a uno strumento ciò che richiede ancora giudizio umano.
Questo cambia radicalmente la domanda che un consiglio di amministrazione dovrebbe porsi. Non "quanto stiamo investendo in AI", ma "chi, dentro la nostra organizzazione, è in grado di trasformare quell'investimento in risultato". È una domanda che riguarda competenze tecniche, certamente, ma soprattutto capacità di leadership: chi sa guidare team misti uomo-macchina, chi sa ridisegnare processi attorno a nuovi strumenti, chi sa gestire la resistenza al cambiamento che ogni trasformazione organizzativa porta con sé, anche quando la tecnologia sottostante è eccellente.
Un problema di persone, non di algoritmi
Le aziende che secondo McKinsey ottengono risultati migliori non sono quelle che investono di più, ma quelle che concentrano le risorse su un numero limitato di casi d'uso ad alto potenziale, evitando di disperdersi in decine di iniziative parallele. La differenza non sta nella quantità di progetti, ma nella disciplina con cui vengono portati a scala, e la disciplina si costruisce con le persone giuste al posto giusto, non con un budget più alto.
Questo significa, in concreto, che il vincolo più stringente per molte organizzazioni nei prossimi anni non sarà l'accesso alla tecnologia, ormai disponibile in modo relativamente democratico anche per imprese di dimensioni medie, ma l'accesso a leadership capace di orchestrare quella tecnologia. Profili che sappiano leggere contemporaneamente i dati, i processi e le persone. Che sappiano spiegare a un consiglio perché un progetto pilota non sta scalando, prima che diventi un problema di credibilità verso gli investitori. Che sappiano distinguere tra un'iniziativa che merita di essere portata a scala e una che va chiusa con onestà.
È un tipo di competenza che raramente emerge da un curriculum tecnico isolato. Richiede esperienza di execution, capacità di lettura organizzativa e, sempre più spesso, una storia personale di trasformazioni guidate con successo in contesti complessi. Per questo motivo, le funzioni di talent acquisition e succession planning per ruoli C-level stanno progressivamente integrando, nei profili ricercati, una valutazione specifica della capacità di guidare adozione tecnologica su larga scala, non solo della familiarità con gli strumenti.
Vent'anni o cinque?
Il parallelo con Solow lascia una domanda aperta e scomoda: se la rivoluzione informatica ha richiesto quasi vent'anni per tradursi in produttività misurabile, quanto ci vorrà per l'intelligenza artificiale? Difficile rispondere con certezza, ma alcuni elementi suggeriscono che il ciclo potrebbe essere più rapido, non perché la tecnologia sia più semplice da adottare, ma perché la consapevolezza del problema arriva prima. Le aziende oggi sanno, fin dall'inizio, che il collo di bottiglia è organizzativo e umano. Lo sapevano molto meno, trent'anni fa, le aziende che acquistavano i primi PC aziendali senza ripensare i processi attorno ad essi.
Questa consapevolezza è essa stessa un vantaggio competitivo, a patto di tradurla in azione concreta: investimento nelle persone tanto quanto negli algoritmi, valutazione rigorosa di quali iniziative meritano di scalare, e soprattutto leadership capace di tenere insieme tecnologia, dati, processi e cultura organizzativa attorno a pochi obiettivi chiari.
Le aziende che lo capiranno prima non saranno necessariamente quelle che hanno investito di più in AI. Saranno quelle che hanno investito prima e meglio nelle persone chiamate a guidarla.
Silvio Fontaneto è Senior Partner presso Beaumont Group, dove guida la practice di Tech & Digital Executive Search per l'Italia, con un focus di advisory strategico su AI strategy, board advisory e trasformazione organizzativa. È autore di "Stop Fearing AI" e della trilogia tech-thriller "The Vector".
Esplora il Knowledge Hub completo: www.silviofontaneto.com 📬 Iscriviti alla newsletter "AI Impact on Business" per ricevere analisi settimanali: LinkedIn Newsletter Approfondisci: www.silviofontaneto.com/articles (filtra: Leadership & Management)
#AIStrategy #Leadership #ExecutiveSearch #ChangeManagement #FutureOfWork
Connect
Reach out for tailored AI leadership guidance
© 2026 Silvio Fontaneto. All rights reserved.