Gli ultimi anni hanno visto un aumento esponenziale della potenza e dell’accessibilità dei modelli artificiali d’intelligenza. Le aziende di ogni settore hanno avuto accesso a tecnologie capaci di automazione, analisi predittive e generazione di contenuti mai viste in precedenza. Tuttavia, nonostante la potenza di questi strumenti, il risultato complessivo risulta in gran parte deludente: una significativa fascia di aziende che hanno sperimentato con l’AI non riesce a superare la fase iniziale, rimanendo intrappolate in sperimentazioni isolate senza impatto reale sui loro processi o nei loro conti.

I dati parlano chiaro

Secondo il McKinsey Global Survey State of AI 2025, condotto su quasi 2.000 organizzazioni in 105 paesi, l’88% delle aziende usa in qualche forma l’AI, ma solo il 33% ha iniziato davvero a scalandola su ampia scala. La maggior parte si trova nel cosiddetto “pilot purgatory”, ovvero in uno stato di sperimentazione non evoluta, senza che la tecnologia abbia mai effettivamente cambiato processi operativi.

Ricerca parallela condotta da Mit Nanda, nel report The GenAI Divide, ha analizzato 300 deployment pubblici di AI e stimato che ben il 95% di questi non produce effetti misurabili su livello finanziario. In altre parole, non c’è un impatto in termini di reddito che possa giustificare l’investimento iniziale.

La radice del problema non è nella tecnologia

Il dato fondamentale, ribadito in tutti i report di settore, è che il problema non risiede nella potenza del modello AI, ma nel modo in cui quest’ultimo viene integrato nel contesto aziendale. Un modello linguistico, anche il più avanzato del mercato, è destinato a svolgere al meglio solo se posto all’interno di un’architettura ben strutturata e governata.

In molti casi, i modelli vengono semplicemente collegati ai dati esistenti senza un piano chiaro di come questi siano integrati nei workflow, senza considerare i vincoli tecnologici esistenti o senza tener conto della necessità di conformità ai regolamenti come AI Act e GDPR. Senza un piano d’architettura solido, si finisce per esplicare un modello potente ma isolato, che non interagisce con gli altri strumenti aziendali, non conosce i vincoli operativi in tempo reale e, peggio ancora, rischia di compromettere dati sensibili.

Ovvero: perché l’AI non è mai veramente scalata

Un esempio comune è il settore manifatturiero, dove un modello per la previsione della domanda (demand forecasting) potrebbe produrre risultati statisticamente validi usando dati storici, ma non considera limitazioni reali come capacità produttive, tempi di inattività delle macchine o lotti in lavorazione dentro un MES esistente.

Il risultato non è una previsione operativamente utile, ma una analisi che appare valida in carta ma inutile nella realtà produttiva. Questo tipo di integrazione frammentata e poco contestualizzata è uno dei più grandi ostacoli alla scalabilità dell’AI.

La risposta? Costruire un’architettura di orchestrazione

La soluzione richiede l’adozione di un modello di orchestrazione che governi l’utilizzo dei modelli AI in modo responsabile, rispettando la specificità del contesto e i requisiti di sicurezza e compliance dell’azienda.

Un’architettura di orchestrazione deve tenere i dati aziendali interrogabili in locale o in cloud privato, chiamare i modelli AI solo quando necessario, interfacciarsi con i tool IT già esistenti e disegnare i workflow AI-native che integrino la tecnologia senza compromettere la struttura esistente. In questa ottica, il modello AI diventa un componente intercambiabile: il vantaggio non dipende da quale modello scegliamo oggi, ma dalla struttura su cui il modello poggia.

Chi dovrebbe guidare questa trasformazione?

Una delle contraddizioni del mercato nasce proprio qui. Le aziende AI native spesso non hanno una visione completa sull’architettura di infrastruttura aziendale complessa. Dall’altro lato, le grandi società di consulenza non hanno l’esperienza su come progettare orchestrazioni AI-native che integrino in modo fluido i modelli AI nei workflow esistenti.

Vi è quindi richiesta del mercato per un nuovo tipo di attore: soggetti che abbiano una competenza nativa nel costruire infrastrutture AI, capaci di leggere l’architettura di un sistema esistente, identificare gli ambiti dove l’AI riesce veramente a creare valore e costruire su misura una piattaforma di orchestrazione. In pratica, aziende che non vendono modelli, ma che progettano l’interfaccia tra AI e azienda.

I limiti dei modelli pre-pacchettati

Per le aziende di piccola o media dimensione, la costruzione di una soluzione completamente customizzata potrebbe essere troppo costosa, ma il mercato sta offrendo alternative come Claude for Work di Anthropic: una soluzione integrata con piattaforme come Google Workspace, Microsoft 365 e altri strumenti di produttività SaaS, offrendo una bassa soglia d’entrata in cambio di poca personalizzazione.

In questo scenario, il modello AI è diventato sostanzialmente intercambiabile. Se prestazioni o prezzo cambiano, aziende come HubSpot o QuickBooks potranno passare da Claude a GPT o a Gemini senza un costo significativo.

Ma per un’azienda grande, con anni di accumulo di dati proprietari, con un IP costruito nel tempo e con flussi operativi complessi, affidarsi a soluzioni vendute come “plug and play” significa esternalizzare una parte fondamentale della competitività e perdere la sovranità su dati, processi e infrastruttura.

Costruire una sovranità dell’architettura

Il futuro non dipenderà quindi dal modello più potente del momento, bensì da chi riuscirà a progettare un’architettura in grado di ospitare e governare l’AI in modo sicuro, scalabile e conforme ai bisogni complessi del cliente.

Qual è, oggi, il numero di aziende che hanno realizzato un’architettura veramente in grado di sfruttare l’AI? Ancora molto poche, ma i segnali del mercato indicano chiaramente che il vero punto di snodo non è nella tecnologia in sé, bensì nella capacità di governarla. Una governance strutturata, un’architettura solida e la capacità di costruire una relazione strategica con i dati costituiranno i nuovi paradigmi di competitività del ventunesimo secolo.