Come adottare l’intelligenza artificiale in azienda e farlo in modo fruttuoso, con vantaggi reali? Gli ostacoli sono soprattutto di natura organizzativa, non tecnica o tecnologica. Un nuovo studio qualitativo di Amazon Web Services (Aws) evidenzia che il successo delle iniziative dipende soprattutto dal metodo, dalla definizione e dalla misurazione degli obiettivi, e in particolare da alcune “trappole metriche” in cui incappano le aziende e dal modo in cui viene inteso il concetto di “valore”.
“Reimagine: Turning AI into Value” è uno studio interessante perché non propone solo statistiche, numeri e percentuali, ma anche raccomandazioni scaturite da 154 interviste di profondità condotte tra novembre 2025 e luglio 2026 su dirigenti di circa 120 aziende (con quattro continenti e 23 settori coperti), e tra questi anche una ventina di dirigenti della stessa Amazon. Lo studio si basa anche su alcune ricerche quantitative interne di Amazon, tra cui un report sulle dinamiche di adozione dell'Ai su oltre 35mila utenti di 27 Paesi.
Dalle interviste di profondità è emerso che per oltre due terzi delle aziende il principale ostacolo per una buona adozione dell’AI non è la tecnologia, ma la progettazione del lavoro. La velocità introdotta dall’intelligenza artificiale, infatti, si scontra spesso con processi di governance, budgeting e approvazione ancora troppo lenti e legati a logiche tradizionali.
“Dopo anni di investimenti, la maggior parte delle organizzazioni ha dimostrato che l'AI può funzionare in laboratorio”, ha spiegato Swami Sivasubramanian, vicepresidente AI agentica e tecnologie emergenti di Aws. “Ora la sfida è farla funzionare in produzione, su scala aziendale, in modi che producano risultati aziendali misurabili. Il divario tra un proof of concept di successo e un sistema di produzione trasformativo rimane la sfida fondamentale di quest'epoca”.
Le trappole metriche e l’obiettivo del valore
Il report individua alcune “trappole metriche” in cui le aziende possono incappare. La più tipica è quella di misurare il successo delle iniziative in base al tasso di adozione della tecnologia o soluzione AI da parte degli utenti aziendali: sarebbe meglio, invece, misurare il valore generato dall’utilizzo. E questo valore non dipende primariamente dal numero di persone che familiarizzano con l’AI, bensì dall’efficacia con cui la utilizzano. In un’azienda analizzata, ad esempio, il tasso di adozione dell’AI raggiungeva l’88% ma praticamente mai (in meno di una sessione su cinquemila) quest’uso migliorava la qualità del lavoro.
Aws suggerisce di misurare il valore associato all’AI in modo diverso, considerando tre livelli e focalizzandosi soprattutto sull’ultimo. Il primo livello è l’efficienza: come l’intelligenza artificiale permette di svolgere la stessa attività a un costo inferiore. Il secondo è la produttività: fare o creare di più a parità di risorse. Il vero valore – il terzo livello – significa, invece, ottenere con l’AI risultati rilevanti sia per il conto economico sia per i clienti. La maggior parte dei programmi di AI aziendali si limita a misurare il primo livello e pochi raggiungono il terzo. Si continuano a usare metriche consolidate di produttività, come tassi di adozione, ore risparmiate e righe di codice, mentre servirebbero nuovi parametri per misurare il valore creato dall’AI.
A ciò si collega un altro problema: tra gli intervistati, pochissimi hanno saputo spiegare chiaramente come il tempo risparmiato e le risorse “liberate” dall’AI siano stati reimpiegati. Nelle aziende spesso mancano indicazioni o una struttura dedicata a questi aspetti. Raramente il lavoro delle persone è davvero cambiato: nella maggioranza dei casi, le persone fanno di più a parità di tempo. Niente di male, certo, ma questa è solo produttività e non vero valore. L’indicazione che dà Aws è che bisognerebbe destinare il tempo e le risorse “liberate” a iniziative di crescita definite entro lo stesso trimestre. Se le attività di routine si riducono, il personale può dedicarsi per esempio a progettare nuovi prodotti, servizi o esperienze per i clienti.
Fare il salto di qualità
L’immobilismo dei processi di governance, budgeting e approvazione, se così vogliamo chiamarlo, ha un costo: in Best Buy, una delle aziende incluse nello studio, una funzionalità per la quale erano state previste 14 settimane di sviluppo è stata realizzata in un solo giorno, ma la governance ha assorbito il 91% del budget complessivo del progetto. In S&P Global, invece, l’AI ha migliorato la produttività di 4.500 ingegneri in quota compresa tra il 10% e il 15%, ma i cicli di approvazione sono rimasti invariati e questo, di fatto, ha annullato il vantaggio.
Di contro, le aziende che hanno fatto il “salto di qualità” con l’AI non solo hanno accelerato le approvazioni, ma hanno ripensato la propria struttura organizzativa. Come? Innanzitutto, collegando ogni caso d’uso a un risultato di business misurabile prima che venga finanziato: è il caso di AT&T, che genera 5 dollari di flusso di cassa libero per ogni dollaro investito in AI. Inoltre, queste aziende hanno rivisto la propria struttura organizzativa affidando la responsabilità dei risultati alla funzione business anziché all’IT. Terzo punto, hanno accorciato i cicli decisionali da trimestri a settimane, attraverso modalità di sperimentazione e valutazione più rapide.
Il rapporto tra AI e professionalità umane è un altro aspetto cruciale. Il report individua cinque competenze che continueranno a essere importanti anche in futuro e che, quindi, dovrebbero sempre restare nel radar delle aziende che assumono o fanno upskilling sul personale: l’agilità nell’apprendimento, la capacità di inquadrare i problemi, la capacità di valutazione, la dimestichezza con i sistemi complessi e la curiosità.
C’è poi anche una variabile tecnica (in parte), ovvero i dati di cui l'AI si nutre, anche in inferenza. Sempre più conterà non tanto il modello di intelligenza artificiale adottato, ma ciò che il modello conosce dell’azienda. Saranno, impotanti, cioè la capacità dell'AI di attingere anche ai dati “umani” non strutturati (le conoscenze e le intuizioni racchiuse in conversazioni, email e riunioni), al contesto e alla conoscenza proprietaria racchiusa nella documentazione dei prodotti, nelle policy e nelle guide procedurali.
Dalle interviste è emerso un tema di fondo: le aziende che riferiscono di ottenere il massimo valore dall'intelligenza artificiale non sono quelle che con la maggiore quantità di AI al proprio interno. Sono, invece, quelle che hanno capito quando e come usarla per creare valore e anche quando e come è meglio farne a meno. Per un’adozione di successo bisogna puntare al valore e misurare quest’ultimo non attraverso l’adozione ma attraverso i risultati ottenuti.