La prima ondata dell’intelligenza artificiale ha premiato la produttività. Quando tutti raggiungono gli stessi guadagni con gli stessi strumenti, il vantaggio competitivo evapora. La ricerca McKinsey indica dove si sposta il valore: nella reinvenzione del modello operativo, non nell’efficienza.
Ogni tecnologia general purpose segue lo stesso copione, dall’elettricità al telefono. Il primo riflesso di chi guida un’azienda è estrarne efficienza: fare lo stesso lavoro meglio, più in fretta, a costo minore. Il problema nasce dopo. I concorrenti hanno accesso alla stessa tecnologia e inseguono gli stessi guadagni. Il surplus non resta all’azienda: passa ai clienti o ai fornitori della tecnologia.
I numeri lo confermano. Secondo la ricerca MIT «The GenAI Divide: State of AI in Business 2025», a fronte di 30-40 miliardi di dollari investiti il 95% dei progetti di AI generativa non produce alcun impatto misurabile sul conto economico. La causa non è tecnologica. Quasi tutti stanno appoggiando l’AI sopra i processi esistenti, invece di ridisegnarli.
La domanda giusta non è come rendere più efficiente ciò che già facciamo. È un’altra: cosa cambiamo nei processi e in ciò che offriamo ai clienti.
Se i modelli di AI diventano accessibili a tutti, cosa distinguerà le aziende? McKinsey individua tre leve.
Un vertice aziendale gestisce tre lenti insieme: la strategia, la tecnologia e le persone. La più dura è quella organizzativa. Non perché sia complessa sul piano tecnico, ma perché è umana.
C’è un dato che chiude il discorso: se diamo ai dipendenti strumenti di AI senza formarli a usarli, i risultati peggiorano. La tecnologia senza adozione non è neutra. È un costo. Il World Economic Forum stima che entro il 2030 il 59% della forza lavoro avrà bisogno di riqualificazione, e la carenza di competenze è oggi il primo ostacolo all’adozione dell’AI. Gran parte delle aziende, intanto, distribuisce gli strumenti senza un percorso di formazione maturo.
Qui il modello Human-in-the-Loop (HITL, l’AI con supervisione umana) smette di essere una cautela tecnica e diventa una scelta di modello operativo. Si parte con supervisione completa, si misura l’affidabilità delle decisioni dell’agente, si estende l’autonomia solo dove i dati la giustificano. L’autonomia si guadagna, non si presume.
Non si può attivare l’AI ovunque in una volta. McKinsey è netto su questo punto: scegliete un dominio, non appoggiate la tecnologia sopra i processi esistenti, ridisegnateli per catturarne il valore, poi rendete l’intervento scalabile agli altri domini.
È il percorso Customer Lifecycle Operations. Si parte dal capire dove la frammentazione dei dati costa di più. Si costruisce attivando il golden record (la vista unica del cliente) e le integrazioni tra sistemi, così che ogni reparto veda lo stesso cliente. Si aggiunge l’automazione dei processi aziendali con agenti AI sotto supervisione, con audit trail e kill switch attivi dal primo giorno. Si evolve estendendo l’autonomia man mano che le decisioni dimostrano consistenza.
La governance non è un vincolo che rallenta la scala. È ciò che la rende possibile.
L’AI espande i mercati, non li divide a somma zero. Il valore però si concentra su pochi vincitori, e questi vincitori si formano presto. La domanda da portare in consiglio nel prossimo trimestre non è quanti strumenti AI adottare. È dove ridisegnare i processi, dove imparare più in fretta, dove trasformare l’AI in un vantaggio che resta invece di evaporare nella media del mercato.
Volete capire dove l’AI può creare vantaggio reale nella vostra organizzazione? Partite dalla Mappa della Complessità: rende esplicito il costo della frammentazione dei dati e individua i domini dove la reinvenzione porta vantaggio.
Spunto:
Fonti ufficiali verificate: