Se l’AI generativa non genera ROI, il problema non è la tecnologia

L’AI generativa è ormai ovunque. È entrata stabilmente nel lessico e nelle pratiche aziendali. Viene adottata e utilizzata nelle attività quotidiane per accelerare la produzione di contenuti, sintetizzare informazioni, assistere l’analisi e tanto altro.

L’adozione è diffusa e trasversale. Il valore economico, molto meno.

Quando però si osservano i risultati economici ottenuti, il quadro è molto meno chiaro: nella maggior parte dei casi l’introduzione dell’Intelligenza Artificiale non si traduce in un ritorno misurabile su costi, margini o performance. Il ROI atteso non arriva. O arriva in forme così deboli da non cambiare davvero il quadro.

Non è un problema di maturità tecnologica. I modelli funzionano. I casi d’uso esistono e le competenze crescono.

Il punto è un altro: l’AI entra nelle aziende senza diventare una priorità reale, e viene valutata come se lo fosse già. Qui nasce la frattura.

Cosa troverai in questo articolo

• perché l’adozione dell’AI generativa non coincide con la trasformazione dell’azienda
• perché nel 2026 il divario fra capacità dei modelli e valore economico si è allargato
• cosa distingue le organizzazioni che sperimentano da quelle che cambiano davvero
• perché il ROI dell’AI è legato alle scelte di priorità e allocazione

In questo articolo scoprirai:

• Tutti usano l’AI generativa, solo pochi la usano bene
• Se i modelli sono così avanzati, perché il ROI non arriva?
• Più produttività individuale non significa più valore
• Limitare l’adozione dell’AI è il primo passo per fallire
• Sperimentare non basta, servono decisioni chiare

Tutti usano l’AI generativa, solo pochi la usano bene

Oggi quasi tutte le aziende (e non solo) possono dire di usare l’AI. Tool general purpose come ChatGPT, Gemini o Claude sono entrati nel lavoro quotidiano con una facilità che poche tecnologie hanno avuto in passato. Nessuna integrazione complessa, nessun progetto strutturale, nessuna revisione profonda dei processi.

L’AI entra perché è semplice farla entrare.

Ed è proprio questo il punto. L’adozione cresce velocemente perché non richiede di cambiare nulla.

Non obbliga a rivedere flussi decisionali, responsabilità, metriche. Migliora l’esecuzione, ma non tocca il sistema. 

Così l’Intelligenza Artificiale è presente ovunque, ma resta ai margini del valore. E questo ha creato una percezione fasulla di avanzamento.

Se i modelli sono così avanzati, perché il ROI non arriva?

Nel corso del 2026 questa domanda è diventata più difficile da eludere, perché la frontiera tecnica si è spostata in modo documentabile — e pubblico.

Anthropic ha raccontato che una versione di ricerca di Claude, messa davanti all’ipotesi di Riemann, non è riuscita a dimostrarla — cosa attesa, per un problema aperto dal 1859 — ma nel tentativo ha migliorato un limite inferiore noto su un problema collegato: la frazione di zeri della funzione zeta che soddisfano l’ipotesi, portata dal 41,6% al 67,2%. Due matematici dell’azienda hanno studiato e validato la dimostrazione.

Il 18 agosto 2026, sempre Anthropic ha mostrato Claude condurre da capo a fondo campagne di design di proteine binder, con risultati che pareggiano o superano i migliori design pubblicati, e Claude Opus 5 automatizzare analisi di chimica analitica che i chimici hanno storicamente svolto a mano.

Due precisazioni, perché qui la differenza conta.

• Sono laboratori di ricerca, non aziende: non è una misura del ROI dell’AI in impresa e non va letta come tale.
• In entrambi i casi il valore si vede perché il modello è stato messo dentro il ciclo di lavoro — l’esperimento, l’analisi — e non accanto. È esattamente la distinzione di cui parla questo articolo.

Se ne ricava una cosa sola, ma pesante: l’alibi tecnologico regge sempre meno. Quando il modello sa fare un pezzo di lavoro di frontiera e l’azienda non ne ricava nulla, il collo di bottiglia è a valle — dove lo si colloca, chi decide, cosa si accetta di cambiare. Sono gli stessi fattori strutturali che frenano i risparmi reali dell’AI nelle aziende, e non hanno a che fare con la qualità del modello.

Più produttività individuale non significa più valore

Uno degli effetti più visibili dell’intelligenza artificiale generativa è l’aumento della produttività individuale. Le persone lavorano più velocemente, riducono l’attrito cognitivo, migliorano la qualità di alcuni output. Questo miglioramento è reale e immediatamente percepibile.

I processi continuano a funzionare come prima. Le decisioni seguono gli stessi passaggi. Le responsabilità restano distribuite nello stesso modo.

L’AI lavora dentro il sistema, ma il sistema non cambia.

Qui emerge una distinzione spesso ignorata: adottare strumenti non significa avere la capacità di trasformare l’organizzazione.

L’adozione è facile. Il cambiamento no.

Limitare l’adozione dell’AI è il primo passo per fallire

Il discrimine non è se l’AI venga utilizzata, ma in quale parte dell’organizzazione venga collocata. Nella maggior parte dei casi, l’Intelligenza Artificiale generativa è aggiunta come strato laterale: affianca il lavoro esistente senza entrare nei workflow che determinano il valore, e quindi tempi, costi e qualità. Il salto verso l’integrazione nei processi passa oggi sempre più dagli agenti AI per le aziende, progettati per operare dentro i flussi di lavoro e non solo affiancarli.

Quando l’Intelligenza Artificiale non è integrata nei processi core, resta opzionale.

Può essere utile, ma non diventa mai strutturale. Inserire l’AI nei processi che contano richiede scelte più impegnative: significa toccare ruoli, responsabilità, flussi decisionali. Significa accettare che qualcosa cambi. E quindi molte organizzazioni preferiscono non arrivare a quel punto.

Sperimentare non basta, servono decisioni chiare

La sperimentazione è diventata la modalità dominante di adozione dell’intelligenza artificiale. Progetti pilota, proof of concept e iniziative locali si moltiplicano perchè si diffonde l’idea che il valore merga per accumulo. In teoria, questo dovrebbe ridurre il rischio. In pratica, spesso produce un effetto diverso.

Ma l’accumulo non è una strategia.

Quando la sperimentazione diventa continua, la decisione viene sospesa:

• Cosa deve essere scalato? 
• Cosa deve entrare nel core operativo? 
• Cosa deve essere abbandonato? 

Senza risposte chiare, le iniziative si accumulano e non si arriva mai a decisioni nette. È il meccanismo che spiega perché il 70% dei progetti AI fallisce: non un errore tecnico, ma una decisione mai presa.

Il risultato è un’organizzazione attiva, ma indecisa. L’AI viene esplorata, ma non assorbita. E senza decisioni strutturali, il valore resta potenziale.

L’errore è applicare l’intelligenza artificiale dove è facile e non dove serve

Un elemento spesso sottovalutato riguarda le scelte di allocazione. E su questo punto il pattern è chiaro. 

L’AI generativa è applicata soprattutto dove è facile farlo: aree visibili, iniziative a basso rischio, funzioni che permettono risultati rapidi e facilmente comunicabili.

Queste scelte sono comprensibili, ma hanno una conseguenza precisa.

Applicare l’AI dove è più semplice significa spesso applicarla dove incide meno sul valore complessivo.

I processi core, quelli che determinano costi strutturali e qualità operativa, rimangono in larga parte invariati. L’AI viene trattata come un’iniziativa interessante, non come una priorità strategica.

In questo contesto, il mancato ROI non è un fallimento tecnologico.

È l’esito di una scelta e di una decisione ben precisa.

Misurare il ROI troppo presto è parte del problema

Qui emerge il paradosso. All’AI generativa si chiede di dimostrare rapidamente il suo ROI. Ma raramente è trattata come un investimento strutturale, da cui ottenere risultati visibili.

Si pretende un ritorno economico da iniziative che:

• non hanno status strategico
• non sono integrate nei processi core
• non cambiano il funzionamento dell’organizzazione.

In queste condizioni, il ROI diventa una metrica prematura.

Questo non perché il valore non sia rilevante, ma perché viene misurato su iniziative che non hanno ancora le caratteristiche per produrlo. Si chiede un ritorno economico a qualcosa che è stato trattato come sperimentazione e che quindi non può fornirlo.

Il problema non è il ROI in sé, ma il modo in cui viene utilizzato per valutare l’AI. Quando la domanda viene posta troppo presto o nel contesto sbagliato, la risposta è prevedibile. Il momento in cui la domanda diventa legittima è quando l’iniziativa esce dal pilota: da lì in avanti si può ragionare su come misurare davvero il ROI di un agente AI.

Il ROI è una conseguenza, non un obiettivo

Nei pochi casi in cui l’AI generativa produce un impatto economico misurabile, il valore emerge come conseguenza di una scelta diversa. L’AI è inserita nei processi che contano, viene trattata come parte del sistema operativo e non come strumento accessorio.

In questi contesti, il ROI non viene inseguito su singole attività, ma emerge dal funzionamento complessivo dell’organizzazione: 

• tempi decisionali più rapidi
• qualità più elevata
• risorse riallocate.

Il valore non è il risultato di un tool migliore, ma di un’allocazione diversa delle priorità.

Questo spiega perché il ROI sia raro. Non perché sia difficile da ottenere in senso tecnico, ma perché richiede scelte che molte organizzazioni non sono pronte a rendere centrali. Quando invece quelle scelte vengono fatte, il passo successivo è dotarsi di KPI specifici per misurare il ROI degli agenti AI.

Un problema che riguarda le scelte

Il fatto che l’intelligenza artificiale non generi ROI nella maggior parte delle aziende non è un’anomalia. È il risultato di pattern decisionali ricorrenti: 

• adozione diffusa senza priorità chiare
• sperimentazione continua senza scelte nette
• allocazione prudente lontana dai processi core
• valutazione del valore troppo precoce.

Resta però una domanda aperta: perché questo schema si ripete quasi sempre, e perché solo pochi riescono a romperlo?

La risposta non sta nei tool, né nei singoli casi d’uso. Serve uno sguardo più sistemico, capace di osservare il fenomeno su larga scala e di collegare priorità strategiche e operative e criteri di valutazione — è il tipo di lettura che offrono le rilevazioni annuali, come quello che lo Stanford AI Index 2026 dice alle PMI italiane.

Su ciò abbiamo realizzato un whitepaper in cui esploriamo perchè e come solo il 5% delle organizzazioni riesce effettivamente a trasformare l’adozione dell’AI in valore economico.

Abbiamo analizzato:

• i pattern di fallimento ricorrenti nel 95% dei progetti
• quali scelte operative bloccano il valore reale  delle tecnologie
• casi aziendali di successo come Siemens e BMW
• cosa fare per ottenere un reale ritorno economico

Adottare l’AI nel modo sbagliato costa più che non adottarla affatto.

Domande frequenti sul ROI dell’AI generativa

Perché l’AI generativa non genera ROI nella maggior parte delle aziende?

Perché entra come strato laterale, accanto al lavoro esistente, e non dentro i processi che determinano tempi, costi e qualità. In quella posizione può migliorare l’esecuzione, ma non sposta i numeri che contano. Il ROI non manca per un limite dei modelli: manca perché l’AI non è mai stata resa una priorità che obbliga a toccare ruoli, responsabilità e flussi decisionali.

Quanto tempo serve prima di poter misurare il ROI di un progetto AI?

Non esiste un numero di mesi valido per tutti, e chi lo promette sta indovinando. Il criterio utile non è temporale ma strutturale: la domanda sul ritorno economico diventa legittima quando l’iniziativa ha smesso di essere un pilota, è entrata in un processo core e ha un responsabile. Prima di quel momento il ROI misura una sperimentazione, non un investimento — e restituisce sempre un numero deludente.

La produttività individuale guadagnata con l’AI conta come ritorno economico?

Conta come miglioramento reale, ma non si converte automaticamente in valore per l’azienda. Se le ore risparmiate da chi usa l’AI non vengono riallocate, e se le decisioni continuano a seguire gli stessi passaggi con gli stessi tempi, il guadagno resta individuale e si ferma prima del bilancio. La differenza fra i due piani è il punto in cui la maggior parte dei conti sul ROI si rompe.

Il ROI mancante dipende dal modello che abbiamo scelto?

Quasi mai, e nel 2026 questa spiegazione è diventata più debole che in passato: gli stessi modelli generalisti disponibili in abbonamento stanno producendo risultati verificati in matematica di ricerca e nella progettazione di proteine. Se un modello regge quel tipo di lavoro e in azienda non rende nulla, la variabile da guardare non è il modello ma dove è stato collocato e chi ha il mandato di cambiare il processo intorno a lui.

Come si riconosce un progetto AI destinato a restare un pilota?

Da tre segnali, tutti organizzativi: nessuno ha il potere di decidere se scalarlo o chiuderlo; non è chiaro quale processo esistente verrebbe sostituito; e la metrica di successo riguarda l’uso dello strumento — utenti attivi, prompt inviati — invece dell’esito del processo. Quando ci sono tutti e tre, l’iniziativa continuerà a funzionare senza mai diventare strutturale.

Fonti:

• The GenAI Divide: State of AI in Business 2025, MLQ.ai
• Future of Jobs Report 2025, World Economic Forum
• Generative AI Outlook Report 2025, Joint Research Centre – European Commission
• GBS and the Power of Generative AI, Siemens
• Greater efficiency and productivity with artificial intelligence – generative AI in BMW Group Purchasing, BMW Group PressClub
• Learning more about Claude’s mathematical capabilities, Anthropic
• How Claude is accelerating protein design and analytical chemistry, Anthropic (18 agosto 2026)

Fonti:

• The GenAI Divide: State of AI in Business 2025
• Future of Jobs Report 2025
• Generative AI Outlook Report 2025
• GBS and the Power of Generative AI
• Greater efficiency and productivity with artificial intelligence – generative AI in BMW Group Purchasing
• Learning more about Claude’s mathematical capabilities
• How Claude is accelerating protein design and analytical chemistry