Il paradosso dell'AI generativa: usata ovunque, ma con risultati limitati
Nel giro di pochi anni l'intelligenza artificiale generativa è entrata praticamente in ogni azienda. Chatbot, assistenti che scrivono email, copilot che riassumono riunioni: gli strumenti sono ovunque e l'entusiasmo è alto. Eppure, se chiediamo a chi li ha introdotti che effetto stanno avendo sul business, le risposte sono molto più caute. Una ricerca McKinsey del 2025, Seizing the agentic AI advantage, descrive proprio questa contraddizione e la chiama gen AI paradox: l'adozione è larghissima, l'impatto reale è raro. Noi di The Connective lavoriamo ogni giorno sull'intelligenza artificiale per il business e ti spieghiamo perché succede e cosa fa la differenza in chi invece ottiene risultati.
I numeri del paradosso
I dati della ricerca raccontano una storia chiara. Più del 78% delle aziende usa la gen AI in almeno una funzione di business, ma oltre l'80% dichiara di non vedere ricadute significative sui risultati. Solo l'1% considera matura la propria strategia AI. È il segnale che siamo ancora nella fase della sperimentazione, non della trasformazione: si provano strumenti, si attivano licenze, ma la macchina aziendale rimane sostanzialmente la stessa.
Casi orizzontali e casi verticali: dove si rompe il valore
Il cuore del paradosso, secondo McKinsey, è uno squilibrio tra due famiglie di applicazioni. I casi d'uso orizzontali sono quelli che attraversano tutta l'azienda: copilot generalisti, chatbot interni che aiutano i dipendenti a sintetizzare documenti o scrivere testi. Si attivano in fretta, spesso bastano un contratto e un'estensione, e portano piccoli risparmi di tempo distribuiti su molte persone. Sono utili, ma il loro contributo è diluito e difficile da misurare.
I casi d'uso verticali, invece, sono quelli incastonati in un processo specifico: l'assistente che gestisce il rischio di credito in banca, l'agente che orchestra la supply chain, lo strumento che personalizza le offerte in un ecommerce. Qui il potenziale di impatto è enorme, ma circa il 90% di questi casi resta bloccato in fase pilota e meno del 10% supera questo stadio. Tradotto: il valore è dove tutti faticano ad arrivare.
Perché i casi verticali restano fermi
La ricerca individua sei cause ricorrenti per cui i casi d'uso verticali non scalano. Sono importanti perché sono le stesse che vediamo nelle PMI italiane con cui ci confrontiamo:
- Iniziative frammentate: le sperimentazioni nascono dal basso, all'interno di singole funzioni, senza una regia di insieme. Meno del 30% delle aziende ha un CEO che guida direttamente l'agenda AI.
- Mancanza di soluzioni pronte all'uso: a differenza dei copilot generalisti, i casi verticali richiedono sviluppo software custom, dati propri e integrazione con i sistemi aziendali.
- Limiti dei primi LLM: i modelli linguistici di prima generazione (i Large Language Model, ovvero i "motori" dietro all'AI generativa) sono reattivi, non hanno memoria continua e fanno fatica con processi complessi a più passaggi.
- Team AI isolati: i centri di eccellenza interni accelerano la sperimentazione ma spesso lavorano lontano da IT, dati e business, e questo rende difficile portare in produzione le soluzioni.
- Qualità e accessibilità dei dati: i dati aziendali sono spesso frammentati, soprattutto quelli non strutturati (documenti, email, ticket), e questo blocca l'AI sul nascere.
- Resistenza culturale: paura del cambiamento, dubbi sull'impatto sui ruoli, scarsa familiarità con la tecnologia rallentano l'adozione anche quando lo strumento è pronto.
La svolta: dagli assistenti agli AI Agent
Il punto di svolta, secondo McKinsey, è il passaggio dai copilot agli AI agent. Un agente non si limita a rispondere a una domanda: capisce un obiettivo, lo scompone in passaggi, dialoga con altri sistemi, esegue azioni e si adatta in tempo reale. È la differenza tra un assistente che ti suggerisce cosa fare e un collaboratore digitale che esegue. Gli agenti combinano i modelli linguistici con componenti di memoria, pianificazione, orchestrazione e integrazione, e sbloccano proprio quello spazio dei casi verticali in cui finora la gen AI era rimasta inceppata.
Ridisegnare i processi, non solo automatizzarli
C'è però una condizione che la ricerca sottolinea con forza: gli agenti danno il loro massimo solo se i processi vengono ripensati intorno a loro, non se vengono semplicemente incollati su flussi di lavoro già esistenti. L'esempio del servizio clienti raccontato nel report è eloquente. Un centro di supporto che usa la gen AI solo come assistente per gli operatori migliora i tempi di risoluzione del 5-10%. Lo stesso centro, se introduce agenti dentro al flusso attuale per classificare ticket e risolvere casi semplici, arriva a un 20-40%. Ma se ridisegna l'intero processo intorno all'autonomia degli agenti, con gli umani che intervengono solo sulle eccezioni, si arriva a una riduzione del tempo di risoluzione tra il 60 e il 90% e fino all'80% dei casi più comuni gestiti in autonomia. La leva non è la tecnologia, è il ridisegno del processo.
Il ruolo del CEO: chiudere la fase degli esperimenti
Per portare l'AI fuori dal paradosso serve una guida che McKinsey colloca esplicitamente in capo al CEO. La ricerca indica quattro cambi di postura che nessun reparto può imporsi da solo:
- Dalla strategia sparsa al programma strategico: smettere di sommare pilot scollegati e allineare l'AI alle priorità di business più importanti.
- Dal caso d'uso al processo: non chiedersi più "dove possiamo usare l'AI in questa funzione?" ma "come sarebbe questa funzione se gli agenti facessero il 60% del lavoro?".
- Dai team AI isolati alle squad cross-funzionali: mettere intorno allo stesso tavolo business, IT, dati, design e sviluppo, perché un agente che agisce davvero tocca tutto.
- Dalla sperimentazione alla scala industriale: progettare le soluzioni AI fin dall'inizio per durare, integrarsi con i sistemi e mantenere costi sostenibili nel tempo.
Il nostro approccio
Noi di The Connective lavoriamo proprio su questo passaggio. Partiamo dal problema di business, non dallo strumento: insieme al cliente individuiamo il processo dove l'AI può fare davvero la differenza, lo analizziamo, lo ridisegniamo e costruiamo soluzioni verticali integrate nei sistemi che già usa, con un percorso di prototipazione e misurazione che riduce i rischi. Quando serve, integriamo chatbot aziendali, AI agent e automazioni AI, ma sempre come strumenti al servizio di un processo ripensato, non come scorciatoie applicate a flussi vecchi. È così che l'AI smette di essere una promessa e diventa una leva di trasformazione concreta.
Il gen AI paradox non parla dei limiti della tecnologia: parla del modo in cui la stiamo introducendo. Le aziende che escono dal paradosso sono quelle che scelgono pochi casi verticali ad alto impatto, ridisegnano i processi intorno agli agenti e accettano di farsi guidare da una visione strategica, non da una raccolta di esperimenti. Il tempo dell'esplorazione si sta chiudendo, quello della trasformazione digitale sta appena cominciando.
