Dare a un team accesso all’IA non significa migliorare l’azienda. Le metriche di utilizzo possono mostrare se uno strumento viene provato. La domanda più importante è se un’attività definita sia diventata più veloce, migliore, più sicura o meno costosa.
La risposta breve
L’adozione dell’IA è un segnale di implementazione, non un risultato aziendale.
Un’azienda può acquistare licenze, formare il team e registrare migliaia di prompt senza migliorare un solo risultato per il cliente né rimuovere un collo di bottiglia operativo. Può anche creare valore con un sistema discreto che pochi dipendenti aprono direttamente, perché l’IA opera all’interno di un processo esistente.
Questo non rende irrilevante l’adozione. Le persone hanno bisogno di accesso, sicurezza e competenze adeguate prima che molte forme di cambiamento siano possibili. Ma accesso e attività si trovano all’inizio della catena:
- Accesso: le persone possono usare il sistema.
- Uso consapevole: possono applicarlo correttamente al lavoro reale.
- Risultato operativo: il lavoro migliora in modo misurabile senza creare costi o rischi inaccettabili.
Solo il terzo livello dimostra valore aziendale. L’obiettivo pratico, quindi, non è “fare usare l’IA a tutti”, ma “migliorare questo flusso di lavoro, per queste persone, rispetto a queste misure”. Per un’azienda in crescita, spesso significa valutare l’automazione AI all’interno di un processo definito, invece di avviare una campagna di adozione estesa a tutta l’organizzazione.
L’attività indica che l’implementazione è iniziata. Solo un flusso di lavoro migliore dimostra un risultato aziendale.
Su uno schermo stretto, scorri lateralmente nel diagramma
Perché i dati sull’adozione possono trarre in inganno
L’uso dell’IA è già diffuso. Nell’indagine globale McKinsey del 2025, l’88% dei partecipanti ha dichiarato che la propria organizzazione usava regolarmente l’IA in almeno una funzione aziendale. Solo il 39%, però, attribuiva all’IA un impatto sull’EBIT a livello aziendale e, nella maggior parte dei casi, l’impatto stimato era inferiore al 5%.
Questi dati non dimostrano che la maggior parte dei programmi di IA fallisca. Sono risultati auto-dichiarati e il profitto non è l’unico esito legittimo. L’IA può migliorare la soddisfazione dei clienti, l’esperienza dei dipendenti, la qualità o l’innovazione prima che sia possibile isolarne l’effetto finanziario.
Mostrano però perché “usiamo l’IA” sia un’affermazione manageriale incompleta.
La stessa indagine ha identificato un piccolo gruppo di organizzazioni ad alte prestazioni nell’IA, circa il 6% dei partecipanti, sulla base sia del valore dichiarato sia di un contributo stimato all’EBIT di almeno il 5%. Queste organizzazioni tendevano più spesso a riprogettare i flussi di lavoro, monitorare le prestazioni delle singole soluzioni e definire quando fosse necessaria una verifica umana. Sono correlazioni, non una ricetta. Indicano comunque un’unità di analisi più utile: non lo strumento isolato, ma il modo in cui il lavoro è stato riorganizzato attorno ad esso.
Usare l’IA e migliorare il lavoro sono due domande diverse
Un accesso può indicare che qualcuno ha aperto un prodotto. Il numero di prompt può indicare che è avvenuta un’interazione. Nessuna delle due misure rivela se la persona abbia scelto un’attività adatta, fornito un contesto affidabile, verificato l’output o risparmiato tempo dopo le correzioni.
La distinzione conta perché l’IA è particolarmente sensibile al contesto.
In uno studio su 5.179 operatori dell’assistenza clienti, Erik Brynjolfsson, Danielle Li e Lindsey Raymond hanno rilevato che l’accesso a un assistente di IA aumentava in media del 14% i problemi risolti ogni ora. I benefici erano molto maggiori per i lavoratori meno esperti o meno qualificati e minimi per quelli più esperti. Il sistema non era una semplice chat vuota: offriva suggerimenti all’interno di uno specifico ambiente di assistenza e aveva appreso schemi dalle conversazioni precedenti.
Un esperimento separato con 758 consulenti di Boston Consulting Group ha mostrato un limite diverso. Nelle attività considerate alla portata del modello, chi usava l’IA lavorava più velocemente e riceveva valutazioni qualitative migliori. In un’attività al di fuori di quella frontiera di capacità, però, gli utenti dell’IA avevano 19 punti percentuali di probabilità in meno di arrivare alla risposta corretta.
Questi studi hanno esaminato persone, sistemi e attività differenti. Non dovrebbero essere combinati in una stima universale della produttività. La loro lezione comune è più circoscritta e più utile: l’effetto dell’IA dipende dal lavoro, dalla persona, dal modo in cui l’assistenza è progettata e da come viene verificata la qualità.
Ecco perché una percentuale di adozione, da sola, non può guidare una decisione di investimento.
Misurare l’automazione AI a livello di flusso di lavoro
Parti da un flusso di lavoro aziendale ricorrente: qualificare una richiesta, risolvere un problema di assistenza, preparare un report settimanale, esaminare un documento o trasferire informazioni tra sistemi.
Stabilisci come funziona quel flusso prima di aggiungere l’IA. Poi confronta le stesse misure dopo il cambiamento. M4TIC consiglia una scheda di valutazione compatta:
Scorri lateralmente nella tabella per confrontare tutte le colonne
| Misura | Domanda | Esempio di evidenza |
|---|---|---|
| Tempo di ciclo | Il lavoro raggiunge prima un risultato utilizzabile? | Tempo mediano dalla richiesta all’output verificato |
| Qualità | Il risultato è più completo o accurato? | Valutazione, tasso di difetti o completezza dei campi richiesti |
| Rilavorazioni | Quante correzioni restano a una persona? | Minuti di revisione o percentuale restituita per modifiche |
| Costo | Quanto costa il processo completo? | Costo per caso di strumento, modello, integrazione, verifica e manutenzione |
| Eccezioni | Dove si ferma o fallisce il sistema? | Tasso di escalation e categorie di casi non supportati |
| Risultato | Il flusso ha migliorato qualcosa che l’azienda considera importante? | Tasso di risoluzione, conversione, risposta o completamento |
Non tutti i flussi hanno bisogno di tutte e sei le misure. Scegline poche prima che inizi il progetto pilota. Se il successo viene definito dopo l’arrivo dei risultati, quasi ogni attività può essere presentata come un progresso.
I dati di utilizzo hanno comunque un ruolo. Possono rivelare se accesso, rilevanza o formazione stanno bloccando l’esperimento. Trattali come evidenze diagnostiche, non come punteggio finale.
Due esigenze diverse richiedono due approcci diversi
Molte organizzazioni forzano ogni iniziativa di IA nello stesso modello: acquistare un assistente generico, distribuire gli account e chiedere alle persone di trovare casi d’uso. Può essere utile, ma serve solo un tipo di esigenza.
Sostenere un uso individuale consapevole
Gli strumenti generici sono utili quando i dipendenti affrontano regolarmente ricerche, scrittura, analisi o problemi aperti e sono in grado di giudicare il risultato. Alcune persone troveranno rapidamente usi di valore; altre avranno bisogno di esempi, pratica e confini più chiari.
La formazione dovrebbe quindi produrre lavoro osservabile, non attestati di partecipazione. Chiedi ai partecipanti di portare un’attività ricorrente, svolgerla con e senza assistenza, documentare il metodo e confrontare il risultato. Gli schemi riutilizzabili potranno poi essere condivisi con i colleghi che svolgono un lavoro simile.
L’obiettivo non è trasformare ogni dipendente in uno specialista dei prompt. È sviluppare il giudizio necessario per decidere quando l’IA aiuta, quando non aiuta e come verificarne l’output.
Integrare l’IA nei flussi di lavoro ripetibili
Quando lo stesso problema operativo riguarda molte persone, una risposta migliore può essere l’automazione dei processi o un sistema di IA progettato, anziché un’interfaccia vuota.
Un sistema integrato può classificare una richiesta in arrivo, estrarre campi approvati, recuperare informazioni controllate, preparare una bozza o instradare un’eccezione negli strumenti già usati dal team. Il dipendente interagisce con il risultato e con il punto decisionale, non necessariamente con il modello.
L’architettura dovrebbe corrispondere alla variabilità del lavoro. L’automazione dei processi può controllare una sequenza prevedibile di eventi, regole e approvazioni. L’automazione AI può aggiungere interpretazione quando il processo contiene linguaggio o documenti variabili. Un agente AI può essere rilevante quando il sistema deve scegliere tra azioni approvate al cambiare delle condizioni. Una maggiore flessibilità è utile solo quando il flusso di lavoro la richiede davvero.
Questo approccio non elimina la necessità dell’adozione. Cambia ciò che deve essere adottato: un processo rivisto, nuove responsabilità e un chiaro passaggio di verifica. Il vantaggio è la coerenza. Contesto, autorizzazioni e valutazione possono essere progettati una volta, invece di essere ricostruiti in ogni prompt.
I due approcci possono coesistere. Gli strumenti individuali aiutano le persone a esplorare e gestire lavori variabili. I sistemi integrati rendono più affidabili i flussi ripetuti. La scelta dovrebbe seguire il lavoro, non uno slogan aziendale.
Un primo esperimento pratico
Scegli un flusso con volume sufficiente per essere misurato e conseguenze abbastanza limitate da poter essere gestite in sicurezza. Evita di iniziare dalla dimostrazione più appariscente o dalla decisione più critica.
Documenta sette elementi:
- l’evento che avvia il lavoro;
- il risultato utilizzabile che dovrebbe produrre;
- il tempo mediano attuale e i punti di errore più comuni;
- le informazioni e i sistemi coinvolti;
- il passaggio che l’IA assisterà o svolgerà;
- la persona che verifica le eccezioni e risponde del risultato;
- le misure e la soglia che giustificherebbero la prosecuzione.
Applica il metodo precedente e quello nuovo a casi comparabili. Includi il tempo di verifica, le correzioni, lo sforzo di integrazione e il costo operativo. Una bozza prodotta in due minuti non fa risparmiare tempo se richiede venti minuti di correzioni.
Confronta l’intero flusso di lavoro, non solo l’output del modello, e scegli la decisione operativa successiva.
Su uno schermo stretto, scorri lateralmente nel diagramma
Alla fine, prendi una delle quattro decisioni:
- Interrompi: il risultato è peggiore, più rischioso o non vale il costo totale.
- Migliora: il flusso è promettente, ma contesto, controlli o passaggi devono essere affinati.
- Estendi: il miglioramento persiste su un numero sufficiente di casi e le eccezioni sono comprese.
- Mantieni come supporto individuale: il valore dipende dal giudizio umano e non giustifica un sistema condiviso.
Questa è una base di investimento più solida di un obiettivo espresso come numero di utenti attivi.
Che cosa dovrebbe chiedere la direzione
Sostituisci “Qual è il nostro tasso di adozione dell’IA?” con una breve sequenza di domande operative:
- Quali flussi di lavoro vogliamo migliorare?
- Qual è la nostra baseline per tempo, qualità, rilavorazioni e costo?
- Dove l’IA assiste una persona e dove agisce all’interno del processo?
- Quali output richiedono una verifica umana?
- Che cosa accade quando mancano informazioni o il sistema è incerto?
- Chi risponde delle prestazioni al termine del progetto pilota?
- Quale risultato ci porterebbe a interrompere, migliorare o estendere?
Un’organizzazione può continuare a monitorare licenze, utenti attivi e completamento della formazione. Semplicemente, non dovrebbe confondere questi numeri con il valore.
L’IA crea valore aziendale quando un’attività reale migliora e il miglioramento resiste al confronto con costi, eccezioni e responsabilità. L’adozione può contribuire. Non è la destinazione.
Se il lavoro è prevedibile e segue regole stabili, valuta l’automazione dei processi. Se alcuni passaggi richiedono interpretazione, considera l’automazione AI. Quando un sistema deve scegliere tra azioni approvate al cambiare delle condizioni, possono essere rilevanti gli agenti AI personalizzati.
Fonti e approfondimenti
Indicazioni primarie dietro questo articolo.
- AI Adoption is a MythVas Moza / Varick Agents
L’articolo di partenza di questo adattamento M4TIC, in particolare per la distinzione tra distribuzione dello strumento e valore operativo.
- The State of AI: Global Survey 2025McKinsey & Company
Dati su uso dichiarato dell’IA, estensione, impatto sull’EBIT, riprogettazione dei flussi, verifica umana e monitoraggio dei KPI.
- Generative AI at WorkErik Brynjolfsson, Danielle Li e Lindsey R. Raymond
Studio sul campo condotto su 5.179 operatori dell’assistenza clienti; NBER Working Paper 31161, poi pubblicato su The Quarterly Journal of Economics.
- Navigating the Jagged Technological FrontierFabrizio Dell’Acqua et al.
Esperimento sul campo con 758 consulenti sugli effetti dell’IA generativa in relazione al tipo di attività.
- The Adoption of Artificial Intelligence in FirmsOCSE, BCG e INSEAD
Contesto più ampio su capacità organizzative, competenze e ostacoli alla diffusione dell’IA nelle imprese.