La Doppia Velocità dell’AI in Azienda

Dai chatbot generici ai sistemi custom

La rapida adozione dell’Intelligenza Artificiale Generativa (Gen AI) nelle aziende è un fenomeno ormai consolidato, ma l’analisi comparata dei recenti studi di Wharton e MIT rivela una profonda dicotomia negli approcci all’implementazione e nella realizzazione del valore. Mentre il report di Wharton traccia l’integrazione a livello di massa degli strumenti generici, lo studio del MIT si concentra su progetti specifici e personalizzati.

La Gen AI tra Utilizzo Mainstream e Trasformazione Custom

L’analisi dei due documenti ci aiuta a fare chiarezza su due fasi distinte o due diversi livelli dell’adozione della AI:

1. L’Intelligenza Artificiale Generativa Generalista (Report Wharton)

Il rapporto Wharton si concentra sull’adozione diffusa e quotidiana di strumenti di Gen AI. L’uso della Gen AI è diventato mainstream, con quasi la metà dei decision-maker che se ne servono quotidianamente. Gli strumenti più utilizzati sono i chatbot generici come ChatGPT, Copilot e Gemini, che dominano il settore.

I casi d’uso principali sono legati alla produttività quotidiana e a compiti ripetibili in ufficio, come l’analisi dei dati, la sintesi di documenti e la creazione di report. L’obiettivo primario di questa adozione su larga scala è l’aumento dell’efficienza e della produttività dei dipendenti. L’utilizzo della Gen AI si è spostato dall’esplorazione e dalla sperimentazione all’integrazione nelle operazioni quotidiane, evidenziando come l’AI stia rapidamente diventando un moltiplicatore di forza per il capitale umano.

2. Progetti Custom e Sistemi di Apprendimento (Report MIT)

Al contrario, lo studio del MIT si concentra sul divario tra l’elevata adozione e la bassa trasformazione strutturale e misurabile a livello aziendale. Sebbene gli strumenti generici siano largamente utilizzati e migliorino la produttività individuale, questi non si traducono in performance misurabili sul P&L.

Il MIT rivela che i sistemi di AI di livello enterprise, sia custom che venduti da terzi, riscontrano un tasso di fallimento elevatissimo: solo il 5% dei pilot integrati raggiunge la produzione, fallendo a causa della complessità dei flussi di lavoro e della mancanza di allineamento con le operazioni quotidiane. Il problema cruciale che definisce la “GenAI Divide” è il gap di apprendimento: gli strumenti generici, come ChatGPT, non trattengono i feedback, non si adattano al contesto e non migliorano nel tempo, rendendoli inadatti per il lavoro mission-critical.

Le aziende che riescono a superare il divario si concentrano su sistemi capaci di apprendere (Agentic AI) e richiedono un’elevata personalizzazione specifica per i processi, valutando gli strumenti in base ai risultati di business piuttosto che a benchmark software.

In sintesi, mentre Wharton descrive il successo della Gen AI nel migliorare la produttività di base utilizzando strumenti generici, il MIT indica che la vera trasformazione del business e il ROI sostanziale si ottengono solo attraverso progetti custom che imparano e si integrano profondamente nei flussi di lavoro specifici.

Formazione e Uso Consapevole: La Base Fondamentale

Entrambi i documenti concordano, anche se con sfumature diverse, che il fattore umano è il nuovo vincolo all’adozione dell’AI. La formazione e l’uso consapevole sono essenziali per massimizzare il ROI e mitigare i rischi.

1. Costruire Competenze e Fiducia: sebbene l’89% dei leader aziendali creda che la Gen AI migliori le competenze dei dipendenti, esiste il timore che un uso eccessivo possa portare a un declino delle competenze (rischio di atrofia) per il 43% dei leader. La formazione è vitale per allineare talento, training e fiducia. Nonostante ciò, il report Wharton segnala che gli investimenti in training si sono ammorbiditi e la fiducia nella formazione come percorso primario verso la fluidità è diminuita. La mancanza di risorse di training è entrata nella top 10 delle barriere all’uso della Gen AI.

2. Affrontare il Gap di Apprendimento: L’uso consapevole e la formazione sono fondamentali per far capire agli utenti la differenza tra strumenti generici e sistemi custom. I dipendenti che usano strumenti personali (la “shadow AI economy”) sono già efficaci perché sanno cosa funziona, ma questo crea anche scetticismo verso gli strumenti aziendali che non si adattano. Gli utenti cercano sistemi che imparino dai loro feedback, un’aspettativa che richiede consapevolezza sulle capacità e sui limiti degli strumenti in uso. L’alfabetizzazione all’AI (AI literacy) è ora un requisito fondamentale nelle assunzioni.

3. Governance e Guardrail: Parallelamente alla formazione, è necessario rafforzare i guardrail (politiche di sicurezza dei dati e programmi di formazione e sensibilizzazione dei dipendenti). Questo garantisce che l’AI sia utilizzata in modo etico e sicuro, superando la resistenza e la mancanza di fiducia che rimangono preoccupazioni importanti per le aziende.

Approccio all’Adozione dell’AI in Tre Fasi

Per superare la GenAI Divide e convertire l’uso diffuso in un ROI sostenibile, si può adottare un approccio graduale che sfrutta sia la facilità d’uso degli strumenti generici che la profondità dei sistemi custom:

Fase 1: Formazione e Alfabetizzazione (Talent and Training)

L’organizzazione deve investire in programmi di training (corsi, workshop interni o pilot per l’apprendimento pratico) e in politiche chiare per creare una forza lavoro fluida nell’AI. L’obiettivo è costruire la competenza e l’uso responsabile. L’89% dei decision-maker concorda sul fatto che l’AI accresce le competenze, ma solo attraverso la formazione si può mitigare il rischio di declino delle competenze cognitive. Le aziende devono concentrarsi sul reclutamento di talenti con skill tecniche avanzate di Gen AI e fornire una formazione efficace ai dipendenti in forza.

Fase 2: Utilizzo Generico e Mainstream (Everyday AI / Shadow AI Integration)

Una volta stabilite le competenze di base, l’azienda dovrebbe incoraggiare l’uso di strumenti generici come ChatGPT, Copilot, Perplexity per attività ad-hoc e produttività individuale. Questa fase consolida l’AI come norma quotidiana, con un’attenzione particolare ai casi d’uso ad alta performance come l’analisi dati e la sintesi di documenti. L’azienda può imparare dalle pratiche della “shadow AI economy” (dove il 90% dei lavoratori utilizza strumenti LLM personali per lavoro) per identificare quali strumenti generici sono più efficaci per le attività semplici e flessibili.

Fase 3: Progetti Custom e Apprendimento Avanzato (Accountable Acceleration / Crossing the Divide)

L’accelerazione misurabile e il ROI si ottengono investendo in soluzioni customizzate, integrate e agentiche che si concentrano su flussi di lavoro critici. Le aziende dovrebbero:

• Identificare il ROI Nascosto: Iniziare con l’automazione back-office (es. finanza, procurement) che spesso offre il ROI più elevato e tempi di payback più rapidi (es. riduzione della spesa per servizi BPO o consulenti esterni)

• Acquistare, Non Costruire: Privilegiare partnership strategiche esterne (Buy) che hanno il doppio delle probabilità di successo rispetto ai progetti interni (Build). I sistemi scelti devono avere la capacità di imparare e migliorare nel tempo (Agentic AI) e integrarsi profondamente nei sistemi esistenti.

• Responsabilità Decentrata: Consentire ai line manager e ai prosumers (dipendenti che hanno già sperimentato l’AI) di guidare l’identificazione dei problemi e l’implementazione, garantendo che le soluzioni si adattino perfettamente ai flussi di lavoro reali.

Questo approccio a fasi assicura che l’adozione dell’AI parta da una base umana solida (Formazione), stabilisca l’uso quotidiano (Utilizzo Generico) e culmini in una trasformazione aziendale misurabile attraverso la personalizzazione e l’apprendimento (Progetti Custom).