Nel suo ultimo memo, Torsten Slok, capo economista di Apollo Global Management, ha lanciato una forte critica sull’impatto reale dell’intelligenza artificiale (AI) nel panorama aziendale statunitense. Concentrandosi su quello che definisce “S&P 493” – ovvero l’indice S&P 500 esclusi i giganti tecnologici Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia e Tesla – Slok ha rilevato che i margini di profitto e il fatturato per dipendente sono rimasti sostanzialmente invariati negli ultimi due anni.
Il contesto dell’analisi: definizione di S&P 493
Il concetto di S&P 493 nasce per isolare l’effetto dell’AI su aziende che non hanno una base tecnologica dominante. Escludendo le sette società più avanzate nell’adozione di soluzioni AI, Slok ha potuto valutare l’impatto della tecnologia su settori tradizionali come energia, finanza, sanità, beni di consumo e industria manifatturiera.
I dati mostrano che, nonostante investimenti collettivi superiori a 150 miliardi di dollari in AI negli ultimi tre anni, le metriche chiave di redditività non hanno registrato miglioramenti significativi rispetto al periodo pre‑AI (2019‑2020). In media, il margine operativo delle aziende del S&P 493 è rimasto intorno al 9,5 %, con una variazione di meno dell’1 % su base annua.
Perché l’AI non ha generato valore aggiunto?
Secondo Slok, la risposta risiede nella natura stessa del “giudizio” richiesto in ambito aziendale. L’AI può elaborare enormi quantità di dati e fornire analisi predittive, ma non è in grado di comprendere contesti complessi come la responsabilità, la fiducia, la cultura aziendale e le regole non scritte che influenzano le decisioni strategiche.
In particolare, Slok elenca quattro fattori che limitano l’applicabilità dell’AI al di fuori del tech:
- Accountability: le decisioni critiche richiedono un responsabile umano che possa rispondere per le conseguenze.
- Trust: i clienti e i partner commerciali devono percepire un’interazione umana per costruire relazioni durature.
- Cultura e regole non scritte: le dinamiche interne di un’organizzazione influenzano l’implementazione di nuove tecnologie.
- Etica e fairness: gli algoritmi possono introdurre bias che le aziende devono gestire per evitare rischi reputazionali.
Questi aspetti, secondo l’economista, non possono essere “programmati” in un modello di intelligenza artificiale senza compromettere la flessibilità e l’autonomia decisionale necessarie per guidare la crescita.
Esempi concreti di fallimenti dell’AI
Alcune aziende hanno sperimentato progetti AI costosi senza risultati tangibili. Un noto produttore di componenti automobilistici ha investito 30 milioni di dollari in un sistema di previsione della domanda basato su machine learning, ma ha registrato un errore medio del 12 % nelle previsioni, con conseguenti scorte eccessive e costi di magazzino aumentati del 8 %.
Nel settore della sanità, una catena di ospedali ha implementato un assistente virtuale per la gestione delle cartelle cliniche. Nonostante il potenziale di ridurre i tempi di inserimento dati, il 25 % delle interazioni ha richiesto l’intervento di personale umano a causa di incomprensioni linguistiche e di contesto, annullando i risparmi previsti.
Confronto con le aziende tecnologiche
Le società escluse dall’analisi – Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia e Tesla – hanno registrato incrementi di produttività superiori al 15 % negli ultimi due anni, grazie a investimenti mirati in AI per ottimizzare catene di distribuzione, sviluppo di prodotti e servizi cloud. Nvidia, ad esempio, ha visto il suo fatturato crescere del 73 % nel 2023, trainato dalla domanda di GPU per il training di modelli di intelligenza artificiale.
Questa disparità suggerisce che le competenze tecniche interne, la capacità di raccogliere enormi set di dati e la cultura dell’innovazione sono fattori determinanti per trasformare l’AI in valore economico. Le aziende non tecnologiche, spesso più conservative e con infrastrutture legacy, faticano a replicare questi vantaggi.
Strategie pratiche per le imprese non tech
Per superare le barriere evidenziate da Slok, gli esperti consigliano un approccio graduale e integrato:
- Identificare processi a basso rischio dove l’AI può agire come supporto decisionale, ad esempio nella manutenzione predittiva di impianti industriali.
- Creare team ibridi composti da data scientist, esperti di dominio e manager operativi per garantire che le soluzioni siano contestualizzate.
- Investire in formazione interna per sviluppare una cultura data‑driven, riducendo la dipendenza da fornitori esterni.
- Stabilire metriche chiare di ROI, monitorando sia i benefici economici che gli impatti su qualità, compliance e reputazione.
Implementare questi passaggi può aiutare le aziende a trasformare l’AI da “calcolatore” a partner decisionale, mitigando i rischi di investimenti inefficaci.
Conclusioni
Il rapporto di Torsten Slok rappresenta un importante campanello d’allarme per le corporation americane che hanno scommesso sull’AI senza una strategia solida. Se da un lato le grandi aziende tecnologiche stanno raccogliendo i frutti di queste tecnologie, la maggior parte delle imprese tradizionali deve ancora dimostrare come l’intelligenza artificiale possa tradursi in crescita reale di fatturato e margini.
In futuro, il successo dell’AI dipenderà dalla capacità di combinare potenza computazionale con giudizio umano, responsabilità e una cultura organizzativa pronta ad accogliere il cambiamento. Solo così l’intelligenza artificiale potrà passare da “zero payoff finanziario” a vero motore di valore per l’intera economia.