The GenAI Divide STATE OF AI IN BUSINESS 2025

25 Agosto 2025

L‘iniziativa NANDA del MIT ha pubblicato, nell’agosto del 2025, il rapporto The GenAI Divide: State of AI in Business 2025.

Il rapporto mette in luce un punto importante: mentre l’intelligenza artificiale generativa continua a suscitare entusiasmo e ad attrarre investimenti aziendali, la stragrande maggioranza delle iniziative volte a stimolare una rapida crescita dei ricavi è in stallo.

La cosa molto interessante è che i risultati del rapporto fanno il paio con le tesi di Sangeet Paul Choudary che sul suo ultimo libro “Reshuffle: Who wins when AI restacks the knowledge economy“, mette in evidenza proprio la necessità di un approccio strutturale e afferma, tra le tante cose, che le organizzazioni devono passare dall’automazione a livello di attività alla riprogettazione a livello di sistema.

Sintesi del rapporto

Nonostante un investimento aziendale di 30-40 miliardi di dollari nella GenAI, il 95% delle organizzazioni non sta ottenendo alcun ritorno. I risultati sono così marcatamente divisi tra acquirenti (imprese, medie imprese, PMI) e costruttori (startup, fornitori, consulenze) che gli autori lo definiscono il “Divario della GenAI”. Solo il 5% dei progetti pilota di AI integrata sta generando milioni di valore, mentre la stragrande maggioranza rimane bloccata senza un impatto misurabile sul conto economico. Questo divario non sembra essere guidato dalla qualità del modello o dalla regolamentazione, ma dall’approccio.

Strumenti come ChatGPT e Copilot sono ampiamente adottati (oltre l’80% delle organizzazioni li ha esplorati o testati, quasi il 40% li ha implementati), ma migliorano principalmente la produttività individuale, non le prestazioni del conto economico. I sistemi di livello enterprise, personalizzati o venduti da fornitori, sono invece “silenziosamente rifiutati”: il 60% delle organizzazioni li ha valutati, ma solo il 20% ha raggiunto la fase pilota e solo il 5% ha raggiunto la produzione. La maggior parte fallisce a causa di “flussi di lavoro fragili, mancanza di apprendimento contestuale e disallineamento con le operazioni quotidiane”.

Il vero ostacolo non è l’infrastruttura, la regolamentazione o il talento, ma l’apprendimento. La maggior parte dei sistemi GenAI non conserva il feedback, non si adatta al contesto e non migliora nel tempo.

MIT NANDA, Aditya Challapally, Chris Pease, Ramesh Raskar, Pradyumna Chari, Luglio 2025
Periodo di Ricerca: Gennaio – Giugno 2025
Metodologia: Revisione sistematica di oltre 300 iniziative AI pubblicamente divulgate, interviste strutturate con rappresentanti di 52 organizzazioni e risposte a sondaggi di 153 dirigenti senior.

Temi Principali e Fatti Chiave

1. L’ampiezza del Divario della GenAI: Alta Adozione, Bassa Trasformazione

Investimento vs. Ritorno: Nonostante investimenti massicci, il 95% delle organizzazioni non ottiene alcun ritorno misurabile dalla GenAI. “Solo il 5% dei progetti pilota di AI integrata sta estraendo milioni di valore, mentre la stragrande maggioranza rimane bloccata senza un impatto misurabile sul conto economico.”
Adozione di Strumenti Generici vs. Personalizzati: Strumenti come ChatGPT e Copilot sono ampiamente adottati per la produttività individuale. Tuttavia, i sistemi di livello enterprise personalizzati o venduti da fornitori hanno un tasso di fallimento del 95% nel raggiungere la produzione.
Limitata Disruzione Settoriale: Solo due settori su otto (Tecnologia e Media & Telecomunicazioni) mostrano cambiamenti strutturali significativi. Sette settori mostrano “poca o nessuna trasformazione strutturale”. Un COO del settore manifatturiero di medie dimensioni ha riassunto il sentimento: “L’hype su LinkedIn dice che tutto è cambiato, ma nelle nostre operazioni, nulla di fondamentale si è spostato.”
Paradosso Aziendale: Le grandi aziende guidano per volume di progetti pilota, ma sono in ritardo nella scalabilità. Le aziende di medie dimensioni si muovono più velocemente, con i migliori performer che riportano tempi medi di 90 giorni dal pilota all’implementazione completa, rispetto ai nove mesi o più per le grandi aziende.
Bias negli Investimenti: Il 50% dei budget GenAI è destinato alle funzioni di vendita e marketing, nonostante l’automazione del back-office offra spesso un ROI migliore. Questo bias è dovuto alla facilità di attribuzione delle metriche nelle funzioni di front-office.

2. Perché i Progetti Pilota Si Bloccano: Il Divario di Apprendimento

Il Problema Fondamentale: Il principale fattore che tiene le organizzazioni dalla parte sbagliata del Divario della GenAI è il divario di apprendimento: “strumenti che non imparano, si integrano male o non corrispondono ai flussi di lavoro.”
Mancanza di Memoria e Adattabilità: I sistemi GenAI attuali non riescono a trattenere il feedback, adattarsi al contesto o migliorare nel tempo. Questo porta gli utenti a preferire ChatGPT per compiti semplici, ma ad abbandonarlo per lavori critici a causa della sua “mancanza di memoria”. Un avvocato aziendale ha notato: “È eccellente per il brainstorming e le prime bozze, ma non conserva la conoscenza delle preferenze del cliente o non impara dalle modifiche precedenti.”
Paradiso dell’IA Ombra: Il 90% dei dipendenti utilizza regolarmente strumenti AI personali per lavoro (come ChatGPT o Claude), spesso senza la conoscenza o l’approvazione dell’IT. Questa “economia dell’IA ombra” dimostra che gli individui possono superare il Divario della GenAI quando hanno accesso a strumenti flessibili e reattivi.
Fiducia e Adattamento: Per lavori ad alto rischio, il 90% degli utenti preferisce gli esseri umani. “La linea di demarcazione non è l’intelligenza, è la memoria, l’adattabilità e la capacità di apprendimento”.
Barriere Principali alla Scalabilità: Le principali barriere includono la “resistenza all’adozione di nuovi strumenti”, “preoccupazioni sulla qualità dell’output del modello” e “scarsa esperienza utente”.

3. Attraversare il Divario della GenAI: Costruttori e Acquirenti di Successo

I Migliori Costruttori (Venditori):Focus su Apprendimento e Adattamento: I venditori di successo creano sistemi che apprendono dal feedback (66% dei dirigenti lo desidera), conservano il contesto (63% lo richiede) e si personalizzano profondamente per flussi di lavoro specifici.
Integrazione Profonda: Si integrano profondamente nei flussi di lavoro esistenti, spesso iniziando con “piccole vittorie visibili in flussi di lavoro ristretti” e poi espandendosi. “Se non si collega a Salesforce o ai nostri sistemi interni, nessuno lo userà.”
Fiducia e Referenze: Le partnership con integrator di sistemi, le referenze di acquisto da membri del consiglio o consulenti e la distribuzione tramite marketplace aziendali familiari sono fondamentali per superare le barriere di fiducia.
I Migliori Acquirenti (Organizzazioni):Approccio da Cliente BPO: Trattano le startup AI più come fornitori di servizi aziendali che come venditori di software, richiedendo profonda personalizzazione e valutando gli strumenti in base a metriche aziendali.
Sourcing dal Basso: Iniziano le iniziative AI con i manager di prima linea e gli utenti esperti (“prosumer”) che hanno già familiarità con gli strumenti AI personali. “Piuttosto che affidarsi a una funzione AI centralizzata per identificare i casi d’uso, le organizzazioni di successo hanno permesso ai titolari di budget e ai manager di dominio di individuare i problemi, valutare gli strumenti e guidare le implementazioni.”
Partnership Strategiche: Le partnership esterne con strumenti personalizzati e capaci di apprendere hanno una probabilità di successo doppia rispetto alle costruzioni interne (66% vs 33% di successo nell’implementazione completa). “Le partnership strategiche hanno raggiunto una quota significativamente maggiore di implementazioni di successo rispetto agli sforzi di sviluppo interni.”
ROI nel Back-Office: I maggiori risparmi sui costi si trovano spesso nell’automazione del back-office (es. eliminazione di BPO per 2-10 milioni di dollari all’anno, riduzione del 30% delle spese di agenzia). “I guadagni reali derivano dalla sostituzione di BPO e agenzie esterne, non dal taglio del personale interno.”

4. Impatto sul Lavoro e Il Futuro Agentico

Impatto Mirato sul Lavoro: La GenAI sta causando spostamenti selettivi di funzioni storicamente esternalizzate (supporto clienti, elaborazione amministrativa, compiti di sviluppo standardizzati), con una riduzione del 5-20% in queste aree nelle aziende più avanzate. “L’impatto della GenAI sulla forza lavoro si concentra in funzioni storicamente trattate come attività aziendali non fondamentali.”
Nessun Licenziamento Massivo: Finora non ci sono licenziamenti generalizzati; l’impatto si manifesta attraverso “riduzione della spesa esterna” e “modelli di assunzione vincolati”.
Importanza dell’Alfabetizzazione AI: L’alfabetizzazione AI è ora un requisito fondamentale nelle assunzioni. “La nostra strategia di assunzione privilegia i candidati che dimostrano competenza negli strumenti AI. I neolaureati spesso superano i professionisti esperti in questa capacità.”
L’Agente AI e il Web Agentico: I sistemi AI agentici, che incorporano memoria persistente e apprendimento iterativo, sono fondamentali per superare il divario di apprendimento. Il “Web Agentico” è la prossima evoluzione, dove i sistemi autonomi scopriranno, negozieranno e si coordineranno tra l’intera infrastruttura internet, rivoluzionando i processi aziendali. Framework come MCP, A2A e NANDA sono le fondamenta di questa nuova era.

5. La Finestra si Restringe

Opportunità in Chiusura: La finestra per attraversare il Divario della GenAI si sta rapidamente chiudendo. Le aziende stanno bloccando relazioni con fornitori di strumenti capaci di apprendere. Entro 18 mesi, molte relazioni con i fornitori saranno “quasi impossibili da sciogliere”. Un CIO ha dichiarato: “Una volta che abbiamo investito tempo nella formazione di un sistema per comprendere i nostri flussi di lavoro, i costi di passaggio diventano proibitivi.”
Competizione: La prossima ondata di adozione sarà vinta non dai modelli più appariscenti, ma dai sistemi che apprendono e ricordano, o dai sistemi personalizzati per un processo specifico.

Conclusione: Colmare il Divario della GenAI

Le organizzazioni che attraversano con successo il Divario della GenAI fanno tre cose in modo diverso:

Acquistano piuttosto che costruire soluzioni AI.
Autorizzano i manager di linea piuttosto che i laboratori centrali a guidare l’implementazione.
Selezionano strumenti che si integrano profondamente e si adattano nel tempo.

La transizione segna l’emergere del Web Agentico, uno strato interconnesso di sistemi di apprendimento che collaborano tra fornitori, domini e interfacce. Per le organizzazioni bloccate dalla parte sbagliata, il percorso è chiaro: smettere di investire in strumenti statici, collaborare con fornitori che offrono sistemi personalizzati e concentrarsi sull’integrazione del flusso di lavoro rispetto a demo appariscenti. “Il Divario della GenAI non è permanente, ma attraversarlo richiede scelte fondamentalmente diverse in termini di tecnologia, partnership e design organizzativo.”

Per la realizzazione di questo articolo, mi sono avvalso anche delle risultanze ottenute con l’utilizzo di strumenti come NotebookLM di Google