GenAI: come creare soluzioni che impattino davvero

25 ago 2025

Tempo di lettura: 5 min

Negli ultimi anni l'hype sull'intelligenza artificiale generativa (genAI) è stato altissima... Miliardi investiti, giornali inondati di articoli, con l'impressione comune di vivere una quinta rivoluzione industriale. Ma i dati raccolti da un recente report di NANDA, uno spinoff dell'MIT nel settore agenti AI, ci raccontano come le cose stiano realmente andando per le applicazioni business.

L'intelligenza artificiale ha raccolto 30-40 miliardi di investimenti, ma il 95% delle aziende, secondo il report, non sta ottenendo alcun beneficio economico. Solo il 5% dei progetti pilota integrati sta generando milioni di valore, mentre la stragrande maggioranza resta ferma senza alcun impatto misurabile sul conto economico. Questo divario non sembra essere determinato dalla qualità dei modelli o dalle normative, ma piuttosto dall’approccio adottato.

Le quattro cause del fallimento della maggior parte dei progetti AI sono:

Impatto limitato: solo pochi settori (servizi professionali e media) mostrano significativi cambi strutturali causati dall'AI.
Economia di scala... Al contrario : le imprese più piccole possono adottare soluzioni più velocemente, ma solo le grandi imprese hanno i capitali per potersele permettere.
Investment bias: i budget sulla genAI sono spesso accentrati per fini di ottimizzazione del fatturato, mentre la genAI per l'automazione dei processi di back-office, nonostante crei più ritorni, viene messa in secondo piano.
Metodi di implementazione: le soluzioni sviluppate tramite partnership con aziende e società di consulenza esterne hanno il doppio della probabilità di arrivare in produzione rispetto alle soluzioni create internamente.

Il lato sbagliato della GenAI Divide: High adoption, low transformation

La maggior parte delle organizzazioni intervistate cade sul versante sbagliato dello spartiacque della GenAI Divide. I chatbot, che il 90% dei dipendenti usa ma che solo il 40% delle aziende supporta, sono il tool più facile da usare e più flessibile. Un'avvocata americana ha persino dichiarato che, nonostante il suo studio avesse speso 50.000 $ per sviluppare un chatbot per il riassunto di documenti legali, i dipendenti hanno continuato ad utilizzare ChatGPT. il 60% degli intervistati ha dichiarato infatti di fidarsi di più di ChatGPT che di soluzioni custom, oltre il 70% ha dichiarato di trovarsi meglio con l'interfaccia precedente, e persino l'85% ha fatto notare che le risposte del modello generalista sono generalmente migliori.

ChatGPT: gli ostacoli per integrare l'AI generalista

Il fatto che Chatgpt sia migliore rispetto a sistemi di AI specifici per il settore non significa che Chatgpt possa effettivamente essere integrato in workflow strategici. I problemi più sollevati sono stati:

Non funziona in casi non pre-definiti dall'applicazione e quindi non si adatta
Non si adatta ai nostri flussi di lavoro, spesso dinamici
Richiede di inserire troppo contesto: spesso ogni volta va ripetuto lo storico della conversazione
Non impara dal feedback.

Questi risultati evidenziano il gap che impedisce alle organizzazioni un'implementazione migliore di tecnologie GenAI che possa davvero cambiare le carte in tavola. Gli utenti apprezzano la flessibilità e la reattività delle interfacce LLM destinate ai consumatori, ma hanno bisogno della persistenza e della consapevolezza del contesto che gli strumenti attuali non sono in grado di offrire.

Infatti, il 90% degli intervistati hano dichiarato che davanti ad un progetto complesso, che può durare più settimane e che richiede relazioni con il cliente, sceglierebbero di affidarsi ad un collega più junior rispetto che ad un agente AI. Anche per quanto riguarda le task più semplici (mail, riassunti, analisi) c'è una resistenza non indifferente, seppur molto minore: il 30% degli intervistati ha dichiarato che sceglierebbe comunque un collega umano rispetto ad un agente anche in questa seconda evenienza.

I progetti di successo: uno sguardo complessivo.

Le aziende che riescono a superare il "GenAI Divide", ovvero a creare vero valore all'interno dell'impresa con l'adozione di tool genAI, seguono una strategia chiara: invece di sviluppare tutto in casa, scelgono partner esterni e puntano su strumenti che si integrano facilmente nei processi esistenti e che migliorano nel tempo grazie all’apprendimento dai dati e dal feedback. I numeri parlano chiaro: i progetti in collaborazione con fornitori esterni hanno il doppio delle probabilità di successo rispetto a quelli sviluppati internamente

Le startup più promettenti non costruiscono soluzioni generiche, ma si concentrano su attività specifiche ad alto valore, come l’automazione dei contratti o la sintesi delle chiamate, arrivando a superare 1 milione di dollari di ricavi annui in meno di un anno. I ricercatori hanno notato che i buyer che hanno più successo trattano le startup di AI come società di consulenza:

Domandano una profonda personalizzazione allineata con i workflow e i dati interni
Utilizzando metriche operazionali e non tecniche
Gestendo i progetti in modo che possono essere chiusi velocemente (fail fast): allo sviluppo si arriva a criteri di co-evoluzione, ovvero la sopravvivenza di un progetto ha influenza sugli altri
Utilizzando tool sviluppati da persone del settore, e non da laboratori di ricerca.

In particolare, hanno avuto rilevanza per quest'ultimo punto i cosiddetti "prosumers". Si tratta di risorse di grande abilità che, dopo aver fatto esperienza con tool generalisti come Claude o Chatgpt, hanno scelto di sviluppare in fretta soluzioni interne. Si parla di "bottom-up sourcing": se le soluzioni vengono dall'interno dell'azienda, e il management ha la capacità di ascoltare chi sta "sulla linea di combattimento", l'adozione delle soluzioni di AI generativa può essere accelerata mantenendole sempre funzionali allo scopo per cui sono state create.

Back-office o front-office? Quale piace di più al management? Quale ha più impatto?

Cercando una risposta a questa domanda, i ricercatori hanno scoperto qualcosa di sorprendente: hanno infatti chiesto ai manager come dividerebbero un budget di 100 dollari tra i 4 reparti dell'azienda: Vendite, operazioni, Customer Service e finance. in media, il 50% del budget veniva allocato nel reparto vendite, un quarto in operations, e un ottavo rispettivamente a CS e a Finance.

È facile comprendere perché un manager scelga di agire in questo modo: l'impatto sui KPI e sul fatturato è evidente e tangibile, e il CDA nota subito la variazione delle metriche di business.

Sebbene non vi sia un modo diretto di quantificare i risultati nel back-office, i ricercatori hanno citato alcune esperienze chiave:

Un'azienda ha eliminato 2 milioni l'anno di spese in CS e processazione documenti
un'altra ha riportato una riduzione del 30% in costi per contenuti creativi esterni
Un'ultima azienda ha riportato un milione l'anno di costi risparmiati su valutazioni di risk management fatte in outsourcing.

è da notare che nessuna di queste soluzioni ha portato un taglio della forze lavorative, ma un netto taglio delle spese di consulenza e di body rental (personale esterno) divenute meno utili per task di back office automatizzabili. Il MIT ha stimato che il 2,23% dei posti di lavoro già oggi può essere automatizzato dall'AI, mentre 39 milioni di posizioni sono a rischio sul lungo termine.

Bonus finale. Il decalogo del buon progettista GenAI