Un’analisi su oltre 120.000 organizzazioni, e su cosa separa chi scala da chi rimane fermo.

L’AI è ovunque: nei comunicati stampa, nelle presentazioni al CdA, nei budget approvati con entusiasmo a gennaio e già a rischio revisione a giugno. È diventata il referente obbligatorio di qualsiasi conversazione sul futuro dell’impresa, il termine che trasforma una roadmap ordinaria in una visione strategica, la parola che nelle slide giuste vale da sola un round di applausi.

“Ovunque” però non significa granché: al momento, l’AI è in produzione solo nell’8,6% delle aziende.

Il dato viene dal Recon Analytics AI Pulse, una survey continuativa su oltre 120.000 organizzazioni condotta tra marzo 2025 e gennaio 2026. Il 63,7% non ha nemmeno un’iniziativa AI formalizzata. Il 14% è in fase pilota: quel posto dove i progetti esistono, consumano risorse e vengono presentati agli stakeholder con slide rassicuranti, senza mai fare il passo successivo. Gli analisti lo chiamano pilot purgatory, e il nome è più accurato di quanto sembri: c’è qualcosa di teologicamente preciso nell’idea di un luogo in cui si rimane sospesi, né dannati né redenti, in attesa di una risoluzione che non arriva.

Quello che segue è un tentativo di capire perché ci si finisce, e soprattutto come se ne esce.

Il problema dei dati, ovvero: il carburante che non c’è

Il rapporto Lucidworks “Dawn of the Agentic AI Era”, che combina una survey su oltre 1.600 leader AI con una valutazione autonoma e diretta di più di 1.100 aziende, arriva a una conclusione che ha il merito di essere scomoda: il 65% delle organizzazioni non ha le fondamenta necessarie per costruire AI significativa nelle proprie piattaforme. Il CEO di Lucidworks, Mike Sinoway, usa una metafora automobilistica: provare a costruire una Formula Uno intorno a un motore da go-kart, con il serbatoio quasi vuoto. È un’immagine che funziona, anche se la realtà nelle aziende è spesso ancora più prosaica.

Le knowledge base sono distribuite su dieci sistemi diversi, nessuno dei quali parla con gli altri. I documenti esistono in triplice copia, con versioni diverse, in repository che nessuno aggiorna sistematicamente. I dati storici sono là, da qualche parte, ma estrarne qualcosa di utile richiede un progetto a sé. L’AI, in questo contesto, non fallisce perché il modello è sbagliato o perché il vendor ha promesso troppo. Rimane bloccata a monte, sul problema più antico e meno glamour dell’informatica aziendale: la qualità e la coerenza del dato.

Il punto di partenza, quindi, non è scegliere una piattaforma AI. È capire cosa si ha davvero, e cosa manca. Un assessment fatto bene, in questa fase, vale più di qualsiasi benchmark sui modelli disponibili.

Il problema della governance, ovvero: chi è responsabile di questa cosa?

Il rapporto Deloitte “State of AI in the Enterprise 2026”, condotto su 3.235 leader in 24 paesi tra agosto e settembre 2025, fotografa una situazione in cui l’entusiasmo per l’AI agentiva (sistemi capaci di pianificare, decidere e agire in autonomia) corre molto più veloce della capacità di gestirla. Solo il 21% delle organizzazioni ha un modello maturo per la governance dell’AI agentiva. Il restante 79% sta di fatto distribuendo strumenti che prendono decisioni senza aver definito chi è responsabile di quelle decisioni, come vengono verificate, e cosa succede quando qualcosa va storto.

Il dato si incrocia in modo interessante con quello che emerge dal Global Trust Study 2025 condotto dall’Università di Melbourne in collaborazione con KPMG su 48.340 persone in 47 paesi: quasi la metà dei dipendenti ammette di usare l’AI in modi che violano le policy aziendali, e più della metà presenta output generati dall’AI come lavoro proprio, senza dichiararlo. Solo il 40% dei luoghi di lavoro ha una policy o una guida formalizzata sull’uso dell’AI generativa.

Il quadro che emerge è quello di organizzazioni che hanno distribuito l’accesso agli strumenti senza distribuire anche la responsabilità del loro uso. La governance, in questo senso, non è un tema IT né un tema legale in senso stretto: è la precondizione perché qualsiasi progetto AI possa scalare senza diventare un rischio operativo. Definire chi controlla cosa, come vengono auditati gli output, quali dati possono essere usati e in quale contesto — queste non sono domande burocratiche. Sono le domande che separano i progetti che sopravvivono al contatto con la realtà da quelli che si fermano al primo incidente.

Il problema dell’integrazione, ovvero: l’AI che vive in un cassetto

Torniamo a Deloitte. Il 37% delle organizzazioni intervistate usa l’AI a livello superficiale, senza intervenire sui processi sottostanti. L’immagine che ne emerge è quella di uno strumento aggiunto sopra a un workflow esistente, senza toccarlo: un chatbot che risponde domande generiche, un tool che riassume documenti, un assistente che aiuta a scrivere email più velocemente. Tutto utile, per carità. Ma tutto distante anni luce dall’AI che trasforma un’operazione, velocizza una supply chain, riduce i tempi di risposta in un contact center, abbassa il rischio in un processo di manutenzione predittiva.

Il problema, nella maggior parte dei casi, non è la qualità del modello scelto. È che il modello non è agganciato a nulla di reale: non parla con l’ERP, non conosce i contratti, non ha accesso alla knowledge base operativa, non sa nulla dei flussi specifici di quell’organizzazione. È come assumere un consulente brillante, tenerlo in isolamento e poi stupirsi che i suoi consigli sembrino generici.

Il problema della tracciabilità, ovvero: fidarsi non basta

Il dato più sottovalutato del Global Trust Study di Melbourne e KPMG è questo: il 66% delle persone usa l’AI con una certa regolarità, ma solo il 46% è disposto a fidarsi di essa. La fiducia, in altri termini, non cresce con l’uso. Nel periodo che va dal 2022 (prima di ChatGPT) a oggi, l’adozione è esplosa e la fiducia è diminuita. Le persone usano strumenti di cui non si fidano, perché non possono fare altrimenti, o perché la pressione organizzativa è più forte dello scetticismo individuale. C’è qualcosa di strutturalmente peculiare in questo: l’AI è probabilmente la prima tecnologia che, anche in produzione, mette le mani avanti sul proprio funzionamento in modo sistematico e immancabile. Appena sotto la casella di input, qualsiasi strumento mainstream avverte che il sistema può sbagliare e che le risposte vanno sempre verificate. Non è un disclaimer nascosto nel footer: è il primo messaggio che ogni utente vede, ogni volta. Nessun’altra tecnologia ha mai comunicato così esplicitamente i propri limiti proprio nel momento d’uso. Il risultato è un paradosso organizzativo: adottare uno strumento che, per prima cosa, ti chiede di dubitarne.

Nelle aziende, questo si traduce in qualcosa di molto concreto: l’83% dei leader AI intervistati da Lucidworks dichiara livelli “major” o “extreme” di preoccupazione sul proprio progresso, un aumento di otto volte rispetto al 2023. La preoccupazione non riguarda la potenza dei modelli, che nel frattempo è cresciuta in modo spettacolare. Riguarda il controllo: sapere cosa ha prodotto un certo output, perché, sulla base di quali dati, con quale margine di errore.

In ambienti regolamentati (finance, sanità, PA, infrastrutture critiche) questa non è una preoccupazione astratta. Un output AI non auditabile, in certi contesti, non è semplicemente inaffidabile: è inutilizzabile. La tracciabilità non è una funzionalità accessoria da aggiungere in un secondo momento. È un requisito architetturale che va progettato dall’inizio, o non esiste affatto.

Uscire dal purgatorio

Il Deloitte 2026 registra un segnale incoraggiante: il numero di organizzazioni che hanno portato il 40% o più dei propri pilot in produzione dovrebbe raddoppiare nei prossimi sei mesi. Il momentum c’è, e i dati di Recon confermano la direzione: la quota di aziende con AI agentiva in produzione è passata dal 7,2% di agosto 2025 al 13,2% di dicembre 2025. Qualcosa si sta muovendo, anche se il punto di partenza era sufficientemente basso da rendere qualsiasi progresso relativo.

Quello che distingue chi scala da chi rimane fermo, però, non emerge dai dati sui modelli scelti o sui budget investiti. Emerge dalla qualità del lavoro fatto prima: l’assessment dei dati, la definizione chiara degli use case, la costruzione di una governance che funzioni come sistema operativo e non come documento in una cartella condivisa, l’integrazione reale con i processi esistenti, la tracciabilità degli output. Il pilot purgatory è la conseguenza naturale di aver bruciato le tappe in un ordine sbagliato. Uscirne richiede di invertire quella sequenza: rallentare in modo intelligente, per poi accelerare in modo sostenibile.

Come lo affrontiamo in Geckosoft

Quando un’organizzazione ci coinvolge su un progetto AI, la prima cosa che facciamo è resistere alla tentazione di rispondere subito. La domanda che arriva è quasi sempre tecnica (quale modello usare, come integrare un LLM nei processi esistenti, come costruire un assistente interno), ma la risposta utile lo è raramente. È, piuttosto, analitica: capire dove sono i dati, chi li possiede, come sono governati, quali processi hanno davvero bisogno di intelligenza artificiale e quali invece hanno bisogno di essere semplicemente riprogettati.

Questo è il lavoro che facciamo in Geckosoft prima di toccare qualsiasi strumento. E solo dopo, solo quando il contesto è chiaro e gli use case sono definiti con precisione, entriamo nella fase di costruzione.

Rational AI è la piattaforma che abbiamo sviluppato per affrontare i quattro problemi descritti in questo articolo in modo integrato: una governance centralizzata, knowledge base coerente e interrogabile, tracciabilità degli output, integrazione con i sistemi esistenti senza richiedere di smontare quello che già funziona. Per le organizzazioni che operano su supply chain distribuite o gestiscono infrastrutture critiche, Everplan e Kairos estendono questo approccio ai processi operativi più complessi: quelli dove il margine di errore è basso e la pressione sulla continuità è alta.

Non è una proposta per tutti, e non pretendiamo che lo sia. Ma se stai leggendo questo articolo con la sensazione che descriva una situazione familiare, probabilmente vale la pena parlarne insieme.

---

Pubblicato originariamente sul sito Geckosoft.