Amy Webb avverte: il boom di produttività dell’AI sta intrappolando le aziende nel purgatorio dei progetti pilota

Amy Webb ha lanciato un netto avvertimento attraverso un articolo di Fortune in evidenza su Google News: l’AI rende i contenuti meno costosi, ma rende le aziende più difficili e costose da gestire.

L’avvertimento mette in discussione l’idea che una produzione più rapida crei automaticamente valore economico. Le aziende possono oggi generare presentazioni, analisi, codice e proposte in poche ore. Eppure molte non riescono a integrare tale output nelle decisioni, nei flussi di lavoro o in rendimenti misurabili.

Webb, CEO del Future Today Strategy Group, paragona questo mercato a una cattiva app di dating. La piattaforma trae vantaggio dal fatto che gli utenti continuino a cercare invece di creare abbinamenti duraturi. Allo stesso modo, i fornitori di AI per le imprese beneficiano quando i clienti continuano ad avviare progetti pilota, acquistare token e testare modelli senza arrivare a un’implementazione stabile.

Questa dinamica fa assomigliare l’attuale boom all’era dotcom, ma con un’ulteriore complicazione. La bolla di internet ha finanziato aziende che spesso non disponevano di attività funzionanti. L’economia dell’AI ha già prodotti utili, ricavi sostanziali e autentici guadagni di produttività.

La sua debolezza è altrove. L’AI può produrre più lavoro di quanto le organizzazioni riescano a valutare, governare o assorbire. La tecnologia riesce a generare output, mentre l’azienda circostante non riesce a trasformarlo in risultati.

L’avvertimento di Amy Webb cambia il dibattito sulla bolla dell’AI di Google News

Il cambiamento più importante non è che l’AI abbia improvvisamente smesso di funzionare. È che una produzione di successo può creare nuovi costi organizzativi più rapidamente di quanto le aziende li riconoscano.

Webb ha presentato questa argomentazione in un’analisi di Fortune del 30 agosto sull’economia dell’AI. Ha dichiarato alla pubblicazione che l’AI rende economica la produzione, mentre rende più costoso quasi tutto il resto all’interno delle aziende.

Il suo punto distingue questo avvertimento dalle consuete affermazioni secondo cui l’AI generativa sarebbe soltanto hype. I modelli possono redigere documenti credibili, analizzare informazioni, generare software e creare presentazioni. Sono proprio queste capacità a produrre il nuovo problema.

Quando creare una presentazione richiedeva una settimana, un team poteva ricevere un solo deck preparato con cura. Quando l’AI riduce quel lavoro a un giorno, i manager possono ricevere cinque deck su questioni sovrapposte.

Il costo di produzione di ciascun documento diminuisce. Il costo di esaminarli, confrontarli, validarli e decidere tra essi aumenta.

Webb definisce questa situazione “annegare nei deck”. Un dirigente le ha riferito che i collaboratori diretti stavano vivendo una paralisi decisionale perché avevano troppe analisi, non troppo poche. Un altro ha descritto gli “insta-deck” che arrivano a una frequenza cinque volte superiore rispetto a prima.

Si tratta di un disallineamento di capacità. I sistemi generativi espandono l’offerta di lavoro plausibile senza ampliare allo stesso ritmo l’attenzione dei dirigenti, la revisione legale o il giudizio organizzativo.

L’avvertimento sull’economia dell’AI introduce anche il paragone con le app di dating. Webb sostiene che una piattaforma di incontri trae vantaggio quando gli utenti continuano a cercare invece di abbandonarla dopo aver trovato un partner.

Il mercato dell’AI per le imprese può creare un incentivo analogo. I fornitori generano ricavi mentre i clienti sperimentano, consumano risorse di calcolo e aggiungono abbonamenti. Non è necessario che un cliente completi un’implementazione redditizia affinché questa spesa continui.

Nel frattempo, i dirigenti possono indicare i progetti pilota attivi come prova della loro risposta all’AI. Un progetto pilota appare più sicuro che riprogettare un flusso di lavoro importante. Limita l’esposizione immediata ed evita decisioni difficili sulla responsabilità.

Quella sicurezza può diventare una trappola. Ogni progetto pilota genera un’altra dimostrazione, un report o un deck strategico. L’azienda acquisisce prove che l’AI possa svolgere un compito, ma non la prova che quel compito appartenga a un processo operativo sostenibile.

Webb afferma che i dirigenti descrivono questa condizione come “purgatorio dei progetti pilota”. I team continuano a testare applicazioni senza integrarle nei sistemi legali, informatici, di approvvigionamento o aziendali consolidati.

Quando un progetto pilota termina, un altro team può ripartire da zero. L’azienda paga ripetutamente per la scoperta, conservando poca memoria istituzionale dei tentativi precedenti.

Il risultato è uno strano tipo di abbondanza. I dipendenti possono produrre più materiale, ma i dirigenti diventano meno certi di ciò che merita un’azione. Le organizzazioni acquisiscono maggiori capacità di AI pur restando incapaci di spiegarne il contributo economico.

Non è un fallimento della generazione. È un fallimento della conversione.

Un modello converte prompt in output. Un’azienda deve convertire l’output in decisioni, comportamenti, ricavi, risparmi o rischi inferiori. Si tratta di processi distinti, con responsabili e vincoli diversi.

Questa distinzione riformula il dibattito sulla bolla. La questione non è più se l’AI possa produrre lavori impressionanti. La questione è se le aziende possano assorbire quel lavoro senza creare un costoso strato di revisione e confusione.

La spesa per l’AI aziendale continua a crescere prima che arrivino i rendimenti

Gli acquirenti aziendali affrontano pressioni da entrambe le direzioni: i consigli di amministrazione si aspettano progressi visibili nell’AI, mentre i team operativi faticano a dimostrare che i loro progetti pilota migliorino i risultati finanziari.

Un sondaggio Bain citato da Fortune ha coinvolto 951 aziende in tutto il mondo. Quasi il 40 percento degli intervistati che misuravano i risparmi sui costi dell’AI ha ottenuto meno del 10 percento, pur puntando a rendimenti compresi tra l’11 e il 20 percento.

Il divario non ha fermato gli investimenti. Il novanta percento delle aziende intervistate ha dichiarato di voler aumentare i budget per l’AI.

Questa combinazione conta più di ciascun numero preso singolarmente. Risparmi misurati deboli normalmente potrebbero ridurre la spesa. Nell’AI, l’ansia competitiva incoraggia le aziende a spendere di più prima di comprendere perché le implementazioni esistenti abbiano deluso le aspettative.

Nessuno vuole sembrare in ritardo. I leader senior hanno visto accelerare l’adozione da parte dei consumatori e migliorare le capacità dei modelli. Sentono anche affermazioni secondo cui piccoli team nativi dell’AI possono superare operatori storici più grandi.

La scelta politicamente più sicura all’interno di molte aziende è quindi un altro progetto pilota. Cancellare il lavoro sull’AI può sembrare timido. Approvare un esperimento appare reattivo, anche quando l’organizzazione non dispone di un percorso dalla dimostrazione alla produzione.

Dati più ampi sull’adozione mostrano lo stesso divario. Il sondaggio sull’adozione dell’AI di McKinsey ha rilevato che l’88 percento degli intervistati ha dichiarato un uso regolare dell’AI in almeno una funzione aziendale.

Solo circa un terzo ha affermato che le proprie organizzazioni avevano iniziato a scalare programmi di AI in tutta l’impresa. La maggior parte restava nelle fasi di sperimentazione o progetto pilota.

L’impatto finanziario era più limitato. Il trentanove percento ha attribuito all’AI un certo impatto sugli utili aziendali. La maggior parte di quel gruppo ha affermato che l’AI rappresentava meno del 5 percento degli utili prima di interessi e imposte.

Questi risultati non significano che la tecnologia sia priva di valore. Mostrano che utilizzo, scala e valore finanziario sono tre misure diverse.

Un dipendente può usare regolarmente un chatbot senza modificare l’economia di un’azienda. Un reparto può implementare un agente senza riprogettare il flusso di lavoro attorno a esso. Un’azienda può far risparmiare tempo ai dipendenti senza trasformare quelle ore in costi inferiori o maggiore output.

Le aziende spesso contano l’attività perché è facile da osservare. Monitorano licenze, prompt, utenti, codice generato e documenti completati. Queste cifre dimostrano il consumo, non necessariamente il valore.

Una misurazione utile deve collegare il sistema a un risultato aziendale. Potrebbe includere una risoluzione più rapida dei casi, costi di assistenza inferiori, una maggiore conversione delle vendite, cicli di sviluppo più brevi o meno errori di conformità.

Anche in quel caso, l’attribuzione rimane difficile. Un team può migliorare dopo aver adottato l’AI perché ha anche cambiato leadership, ripulito i dati o semplificato un processo. Il modello non merita né tutto il merito né tutta la colpa.

I costi creano un’altra fonte di pressione. Fortune ha riportato che la spesa globale per l’AI era prevista raggiungere 2,5 trilioni di dollari nel 2026, un aumento del 44 percento rispetto all’anno precedente.

Alcuni chief information officer hanno già inasprito l’utilizzo. Samsara, per esempio, monitora quotidianamente le spese per l’AI e applica limiti di consumo diversi in base al lavoro dei dipendenti.

Docusign ha adattato i propri agenti di coding dopo aver scoperto che stavano analizzando quantità eccessive della propria base di codice per ottenere contesto. L’azienda ha dichiarato che restringere il materiale recuperato ha ridotto l’uso di token di quasi il 50 percento.

Questi esempi mostrano che la produzione comporta costi che una dimostrazione ben rifinita può nascondere. Una demo prova che un modello può completare un compito. Non rivela il costo di un utilizzo ripetuto da parte di migliaia di dipendenti.

La produzione introduce inoltre revisioni di sicurezza, controlli delle identità, autorizzazioni sui dati, requisiti di audit, formazione e supporto. Ogni componente aggiunge lavoro oltre l’output visibile del modello.

Il vero bersaglio della pressione è l’acquirente aziendale. I fornitori possono segnalare un utilizzo in crescita, mentre i clienti sostengono il costo dell’integrazione e del cambiamento organizzativo.

I consigli di amministrazione alla fine chiederanno una risposta più chiara. Domanderanno quali sistemi di AI abbiano modificato risultati misurabili, quali abbiano semplicemente spostato il lavoro e quali abbiano generato più materiale di quanto fosse necessario.

Un flusso di lavoro AI ben gestito può ridurre gli sforzi frammentati collegando le informazioni a una decisione definita. La chiave è la decisione definita, non il volume di output.

Senza questo punto di riferimento, espandere l’accesso all’AI può amplificare la confusione esistente. I team creano più velocemente, i manager esaminano più a lungo e i budget continuano a crescere mentre la responsabilità resta diffusa.

L’inversione centrale: più produttività può significare meno progresso

L’inversione economica centrale dell’AI è semplice: un output meno costoso aumenta il volume di lavoro, ma l’organizzazione mantiene una capacità limitata di giudicarlo e utilizzarlo.

Le misure tradizionali della produttività spesso considerano un maggiore output per ora come un miglioramento. Questa logica funziona quando le unità aggiuntive hanno una domanda chiara e una qualità costante.

Il lavoro della conoscenza non si comporta sempre così. Un’azienda raramente trae vantaggio dal ricevere cinque raccomandazioni strategiche quando i leader possono finanziarne soltanto una. Più alternative possono ritardare l’impegno invece di migliorarlo.

L’AI riduce anche il costo di produzione di lavoro mediocre. Una proposta non richiede più una convinzione sufficiente a giustificare diversi giorni di impegno. Chiunque può generare un documento rifinito prima di verificare se l’idea sottostante abbia importanza.

La qualità della presentazione può mascherare un ragionamento debole. Un deck può contenere linguaggio credibile, grafici ordinati e raccomandazioni dettagliate. Il suo aspetto professionale non garantisce ipotesi accurate o un giudizio utile.

Questo crea una tassa di revisione. I manager devono stabilire quali parti derivino da prove affidabili, quali siano state inferite e quali siano state generate senza un contesto adeguato.

La tassa di revisione si diffonde tra i reparti. I team legali esaminano la responsabilità. I team di sicurezza valutano l’esposizione dei dati. La finanza mette in discussione le stime dei risparmi. I responsabili operativi decidono se i dipendenti cambieranno davvero il proprio comportamento.

Un progetto pilota può evitare gran parte di questa frizione perché opera in un ambiente controllato. La produzione non può farlo.

La produzione richiede un responsabile stabile, dati approvati, monitoraggio, percorsi di escalation e un piano per gli errori. Richiede anche che qualcuno decida quando l’AI non debba agire.

Questi requisiti spiegano perché progetti pilota tecnicamente riusciti continuino a bloccarsi. L’organizzazione ha dimostrato che un modello poteva svolgere un compito, ma non ha costruito il sistema circostante necessario per fidarsi di quella prestazione.

La ricerca di McKinsey identifica la riprogettazione dei flussi di lavoro come un importante spartiacque. Le organizzazioni che ottengono valore fanno più che collocare un'interfaccia AI accanto a un processo esistente.

Modificano ruoli, incentivi, interfacce e metriche. Istituiscono meccanismi di feedback e attribuiscono esplicitamente la responsabilità dell'adozione.

Questo lavoro è lento perché porta alla luce disaccordi che un progetto pilota può nascondere. I team devono decidere chi possiede i dati, chi accetta il rischio e quale budget finanzia l'uso continuativo.

Il problema dell’“annegare nelle presentazioni” è lo stesso meccanismo su scala ridotta. L'AI elimina un collo di bottiglia produttivo, per poi rivelare un collo di bottiglia decisionale.

Un team di marketing può generare 30 concept per campagne in una notte. Questo non significa che il brand debba lanciare 30 campagne. Le persone devono comunque selezionare un pubblico, approvare le affermazioni, allocare il budget e interpretare i risultati.

Un team software può generare più codice. Gli ingegneri devono comunque valutare l'architettura, testare i casi limite, mantenere le dipendenze e supportare il servizio distribuito.

Un team di ricerca può riassumere centinaia di documenti. Qualcuno deve comunque stabilire se l'insieme delle fonti è completo e se prove contraddittorie modificano la conclusione.

Queste attività richiedono contesto, responsabilità e giudizio. Sono più difficili da automatizzare perché il loro esito corretto dipende dalle priorità organizzative anziché da una risposta universale.

La promessa di produttività contiene quindi un presupposto nascosto. Presuppone che l'organizzazione circostante possa assorbire qualunque cosa produca il modello.

Questo presupposto spesso fallisce. I manager devono già affrontare caselle di posta sovraccariche, dashboard in competizione e riunioni ripetute. L'AI aggiunge un altro canale informativo ad alto volume, a meno che l'azienda non ne elimini di più vecchi.

La soluzione non è automaticamente un altro modello. Un modello con capacità di ragionamento migliori può migliorare i singoli output, ma può anche generare documenti più lunghi e più convincenti.

Più il sistema diventa capace, più è facile creare analisi che meritano una revisione seria. Questo può aumentare il carico sugli esperti, che sono una risorsa scarsa.

L'osservazione di Webb sulle idee generiche aggiunge un'altra preoccupazione. Quando molti team si affidano a modelli simili, possono produrre strategie, linguaggi e raccomandazioni simili.

Questo crea l'apparenza di un'analisi ampia senza una vera diversità. Cinque presentazioni generate potrebbero rappresentare un unico centro di gravità statistico espresso in cinque modi.

Le aziende rischiano quindi di confondere il volume con una conferma indipendente. La ripetizione diventa particolarmente persuasiva quando ogni documento appare curato.

La risposta migliore non è rifiutare il lavoro generato. È definire che cosa quel lavoro deve cambiare prima di produrlo.

Un progetto utile parte da una decisione operativa, una baseline misurabile, un responsabile e una soglia per proseguire. La componente AI serve poi quella struttura.

Il purgatorio dei progetti pilota inizia nella direzione opposta. Un'azienda parte da uno strumento, cerca applicazioni e celebra ripetutamente la fattibilità tecnica.

Questo processo può continuare indefinitamente perché i modelli continuano a migliorare. Ogni rilascio crea un motivo per ritestare lo stesso flusso di lavoro.

Qui il paragone con le app di dating diventa più chiaro. La ricerca stessa diventa il prodotto. Le aziende restano clienti attivi perché il prossimo modello o agente potrebbe finalmente creare l'abbinamento promesso.

Perché il Paragone con le Dotcom Calza, e Dove Non Regge

Il parallelo con le dotcom calza perché il capitale sta finanziando capacità prima di rendimenti dimostrati, ma gli attuali prodotti AI offrono già un'utilità reale e una domanda consistente.

Durante il boom di internet, gli investitori riconobbero correttamente che il networking e il commercio digitale avrebbero trasformato l'economia. Spesso si sbagliavano su quali aziende avrebbero catturato quel valore e sulla rapidità con cui sarebbero comparsi i profitti.

L'AI presenta la stessa separazione tra importanza tecnologica e disciplina degli investimenti. Una tecnologia può trasformare la società mentre molte aziende costruite intorno a essa falliscono.

Webb sostiene che la situazione attuale potrebbe essere peggiore perché l'AI fa più che attirare capitale speculativo. Inonda anche organizzazioni funzionanti di output a basso costo.

Un rivenditore dotcom fallito poteva perdere denaro degli investitori e chiudere. Un'implementazione AI gestita male può rimodellare decisioni, organici, flussi informativi e costi operativi all'interno di un'azienda altrimenti sana.

La spesa per le infrastrutture aumenta la posta in gioco. Il co-responsabile del Goldman Sachs Global Institute George Lee ha stimato che l'investimento totale nelle infrastrutture AI potrebbe alla fine raggiungere dai 7.000 agli 8.000 miliardi di dollari.

Lee ha sostenuto che sostituire gli attuali bacini di profitto non genererebbe ritorni sufficienti. L'investimento richiederebbe nuova attività economica netta.

È uno standard esigente. I risparmi sui costi spesso trasferiscono valore anziché crearlo. Se ogni azienda usa l'AI per ridurre spese di lavoro simili, la concorrenza può trasferire gran parte del beneficio ai clienti.

Nuovi prodotti, mercati e domanda fornirebbero una base più solida. Tuttavia, queste opportunità richiedono più tempo per essere dimostrate rispetto a una dimostrazione di produttività.

Jim Covello di Goldman ha sottolineato il problema dei tempi. Accetta che l'adozione da parte dei consumatori e il progresso tecnico abbiano superato le sue aspettative, ma rimane scettico sul rendimento finale della spesa infrastrutturale.

Il suo criterio è pratico. Se il settore continuerà a definire la tecnologia “precoce” dopo altri due anni, la redditività ritardata sarà più difficile da giustificare.

La tesi ottimistica merita pari peso. Le aziende AI stanno generando ricavi reali e gli strumenti di coding hanno mostrato miglioramenti misurabili in alcuni contesti.

Un'analisi di The Atlantic ha riportato che l'adozione a pagamento da parte delle aziende è cresciuta sostanzialmente nel 2025 e nel 2026. Ha inoltre descritto una domanda in aumento per gli agenti di coding di Anthropic, OpenAI e Anysphere.

Ricerche recenti citate in questa analisi della produttività dell'AI hanno rilevato che gli strumenti più recenti hanno aiutato gli sviluppatori a completare le attività assegnate quasi il 20% più rapidamente rispetto a un gruppo di controllo.

Questo risultato ha ribaltato un esperimento precedente, nel quale gli sviluppatori che usavano l'AI impiegavano il 20% di tempo in più. La qualità degli strumenti e l'esperienza utente sono cambiate abbastanza da modificare il risultato misurato.

Per questo una semplice conclusione secondo cui “l'AI è un'altra bolla dotcom” sarebbe fuorviante. Le capacità stanno migliorando, i clienti stanno pagando e alcune applicazioni producono benefici diretti.

Il coding può inoltre essere particolarmente favorevole all'AI. Il software offre ampi dataset di addestramento, feedback strutturato e output che i team possono testare.

Altre forme di lavoro della conoscenza non godono di questi vantaggi. Una raccomandazione strategica non può sempre essere valutata tramite un test automatizzato. Una decisione manageriale può richiedere mesi per rivelare la propria qualità.

L'attuale boom può quindi contenere sia vincitori duraturi sia gravi eccessi di investimento. Queste condizioni non sono contraddittorie.

Fornitori cloud, produttori di chip, sviluppatori di modelli, fornitori di applicazioni, consulenti e team aziendali occupano tutti posizioni diverse. I ricavi di un livello possono diventare una spesa improduttiva per un altro.

Un fornitore di modelli può crescere perché i clienti continuano a sperimentare. Un'azienda cloud può crescere perché i fornitori di modelli necessitano di capacità computazionale. Nessuno dei due risultati dimostra che gli acquirenti aziendali ottengano rendimenti adeguati.

La catena resta sana solo se gli utenti finali alla fine creano abbastanza valore economico da sostenere la spesa a monte.

È qui che l'avvertimento di Webb sul “costo dell'abbondanza” diventa più utile dell'etichetta di bolla. I dibattiti sulle bolle spesso si riducono a previsioni su un crollo del mercato.

La sua argomentazione si concentra sull'economia operativa. Anche se le valutazioni pubbliche restano elevate, le aziende possono comunque sprecare denaro attraverso progetti pilota duplicati, output eccessivi e integrazione debole.

La prova più forte dello scettico non è un fallimento spettacolare. È il divario persistente tra l'adozione diffusa e l'impatto limitato sugli utili su scala aziendale.

La prova più forte dell'ottimista non è un benchmark. È una domanda pagante collegata a miglioramenti misurabili nel lavoro reale.

Entrambe possono essere vere durante una transizione. La questione irrisolta è se le attuali applicazioni solide si diffonderanno in un numero sufficiente di settori prima che i costi infrastrutturali e operativi superino i rendimenti.

Il Purgatorio dei Progetti Pilota È un Problema di Integrazione, Non Solo di Modello

Le aziende escono dal purgatorio dei progetti pilota quando smettono di trattare l'AI come un prodotto autonomo e iniziano a considerare l'implementazione come un cambiamento del sistema operativo aziendale.

Un progetto pilota di solito chiede se un modello sia in grado di svolgere un'attività. Un programma in produzione chiede se l'azienda possa dipendere da quella prestazione in condizioni reali.

Questi vincoli includono privacy, autorizzazioni, latenza, costi, accuratezza e comportamento dei dipendenti. Includono anche questioni quotidiane riguardanti budget e responsabilità.

Molti progetti pilota restano isolati dai team legali e IT. Questo consente una sperimentazione rapida, ma rimanda il lavoro necessario per l'implementazione.

Quando queste funzioni esaminano finalmente il progetto, il design originale potrebbe non essere più praticabile. Il team modifica quindi il progetto pilota, sostituisce il fornitore o ricomincia.

I sistemi legacy intensificano il problema. I dati aziendali risiedono spesso in applicazioni incompatibili, con definizioni e regole di accesso incoerenti.

Un agente non può completare in modo affidabile un flusso di lavoro quando le informazioni rilevanti sono frammentate o gestite in modo inadeguato. Un ragionamento migliore non può compensare autorizzazioni mancanti o record contraddittori.

Ecco perché l'AI aziendale spesso produce una dimostrazione convincente prima di produrre automazione affidabile. La dimostrazione utilizza un esempio pulito. La produzione incontra l'azienda così come esiste realmente.

Anche i dipendenti creano soluzioni informali. Copiano informazioni tra strumenti, mantengono fogli di calcolo personali e si affidano a conoscenze non documentate.

Un sistema AI addestrato sui processi ufficiali potrebbe non cogliere il modo in cui il lavoro viene effettivamente completato. Un sistema con accesso esteso può esporre informazioni sensibili o apportare modifiche non autorizzate.

La revisione umana resta essenziale, ma deve essere progettata nel flusso di lavoro. Dire semplicemente ai dipendenti di controllare ogni output può annullare il risparmio di tempo promesso.

La revisione dovrebbe concentrarsi sul rischio sostanziale. Un'affermazione rivolta ai clienti merita un controllo più approfondito di un elenco interno per brainstorming. Una decisione di pagamento necessita di controlli più rigorosi di un riepilogo di riunione.

Le aziende hanno bisogno anche di regole di interruzione. Un progetto pilota dovrebbe definire quali prestazioni, adozione e risultato economico giustificano la produzione.

Senza queste soglie, il successo diventa soggettivo. Gli sponsor possono evidenziare un esempio impressionante ignorando lo scarso utilizzo o l'aumento dei costi.

L'angolazione scettica è che la riforma organizzativa potrebbe non risolvere ogni caso. Alcune attività sono troppo ambigue, troppo infrequenti o troppo rischiose per giustificare l'implementazione dell'AI.

Un'azienda può integrare correttamente un modello e scoprire comunque che il caso d'uso produce poco valore. È un esito valido, non necessariamente un fallimento dell'esecuzione.

I fornitori di AI hanno incentivi a descrivere ogni progetto bloccato come una sfida di integrazione. Questa spiegazione protegge il prodotto sottostante dalle critiche.

Gli acquirenti dovrebbero resistere a questa impostazione quando le prove indicano altro. Un modello potrebbe essere troppo inaffidabile, costoso, lento o generico per l'attività.

La distinzione richiede misurazioni controllate. Le aziende dovrebbero confrontare il lavoro assistito dall'AI con una baseline appropriata, includendo il tempo di revisione e la correzione degli errori.

Dovrebbero inoltre misurare l'uso continuativo. I dipendenti possono testare con entusiasmo un sistema al lancio, per poi abbandonarlo quando la novità svanisce.

Un progetto pilota di successo deve resistere alle condizioni ordinarie. Ha bisogno di dati reali, utenti comuni, volume ricorrente e degli stessi controlli richiesti in produzione.

Ha bisogno anche di continuità della conoscenza. I team dovrebbero conservare prompt, valutazioni, casi di errore e decisioni precedenti anziché ricominciare a ogni rilascio di fornitore o modello.

Questa memoria istituzionale evita esperimenti ripetuti. Aiuta inoltre gli acquirenti a stabilire se un nuovo modello modifichi l'economia o migliori semplicemente la dimostrazione.

La lezione più profonda è che la trasformazione aziendale resta una responsabilità dell’impresa. I fornitori possono offrire modelli e strumenti. Non possono risolvere ogni conflitto nei processi di un cliente.

I dirigenti senior devono decidere quali flussi di lavoro meritano una riprogettazione. Devono eliminare i passaggi ridondanti e attribuire ai team responsabili l’autorità per modificare le operazioni.

Altrimenti, l’AI diventa un ulteriore livello. I dipendenti mantengono il vecchio processo per sicurezza, mentre ne svolgono uno nuovo assistito dall’AI per garantire visibilità.

Questa duplicazione aumenta i costi. Può anche far apparire peggiore la produttività durante la transizione, perché i team mantengono contemporaneamente due sistemi.

Un piano di implementazione credibile dovrebbe spiegare quale lavoro precedente verrà eliminato. Se non viene rimosso nessun meeting, report, approvazione o passaggio manuale, il sistema AI probabilmente aggiunge complessità.

Cosa dovrebbero osservare le aziende nei prossimi tre mesi

Tre segnali mostreranno se l’avvertimento di Webb sta diventando un modello economico duraturo: conversione in produzione, valore finanziario acquisito e controlli più rigorosi sul consumo di AI.

Il primo segnale è la quota di progetti pilota che passa a una produzione ricorrente. Gli annunci di nuovi esperimenti contano meno dei sistemi che i dipendenti ordinari utilizzano nei flussi di lavoro consolidati.

Un tasso di conversione più elevato indebolirebbe la tesi del purgatorio dei pilota. Dimostrerebbe che le aziende stanno risolvendo gli ostacoli legati a governance, dati e integrazione.

Una crescita continua dei pilota senza una crescita della produzione rafforzerebbe l’argomentazione di Webb. Suggerirebbe che la sperimentazione è diventata una categoria di acquisto stabile, anziché un ponte verso l’implementazione.

Osservate come le aziende descrivono questi programmi. “Disponibile per i dipendenti” non equivale a utilizzato regolarmente. “Implementato” non equivale a economicamente prezioso.

Il secondo segnale è l’impatto finanziario a livello aziendale. McKinsey ha rilevato che la maggior parte delle organizzazioni che segnalano un qualsiasi contributo agli utili attribuisce comunque all’AI meno del 5 percento dell’EBIT.

I futuri sondaggi e le call sui risultati dovrebbero rivelare se tale contributo si espande. Le aziende dovrebbero riportare risparmi misurabili, ricavi, miglioramenti nei tempi di ciclo o riduzione dei rischi.

Le vaghe dichiarazioni di produttività meritano cautela. Il tempo risparmiato ha valore solo quando l’organizzazione lo utilizza per ottenere maggiore output, un servizio migliore o spese inferiori.

Se le imprese inizieranno a collegare l’AI a guadagni sostenuti negli utili, il confronto con una bolla si indebolirà. La spesa per infrastrutture avrebbe una fonte di rimborso più chiara.

Se la spesa aumenta mentre i rendimenti misurati restano piatti, l’avvertimento si rafforza. Il mercato finanzierebbe una maggiore attività senza un corrispondente incremento del valore acquisito.

Il terzo segnale è la diffusione di limiti di consumo e sistemi di instradamento dei modelli. Questi controlli indirizzano le attività verso i modelli in base a costo, velocità e capacità richiesta.

I limiti di utilizzo di Samsara e il recupero di contesto più ristretto di Docusign mostrano come le aziende stiano reagendo dopo aver scoperto costi operativi nascosti.

Un numero maggiore di controlli non dimostrerebbe che l’economia dell’AI sta crollando. Mostrerebbe che il mercato sta uscendo dalla fase di sperimentazione e si sta confrontando con l’economia unitaria.

Questa transizione può essere salutare. Anche il cloud computing ha richiesto anni di gestione dei costi, governance e ottimizzazione dei carichi di lavoro.

Tuttavia, restrizioni aggressive introdotte dopo sforamenti di budget sosterrebbero la preoccupazione di Webb. Indicherebbero che le organizzazioni hanno acquistato abbondanza prima di comprenderne il costo.

I lettori dovrebbero anche distinguere tra i settori. Programmazione, servizio clienti, gestione della conoscenza ed elaborazione dei documenti offrono livelli diversi di struttura e feedback misurabile.

Un successo nell’ingegneria del software non garantisce un risultato simile nella strategia o nella gestione. Un fallimento in un flusso di lavoro regolamentato non invalida ogni assistente interno.

Google News continuerà a proporre storie da entrambe le parti perché le prove sono realmente contrastanti. Adozione e ricavi possono crescere mentre i rendimenti aziendali restano disomogenei.

La domanda utile non è se l’AI sia reale. Svolge chiaramente un lavoro di valore. La domanda utile è se ogni implementazione modifichi un risultato operativo a sufficienza da giustificarne il costo completo.

Tale costo include token, abbonamenti, infrastruttura, integrazione, revisione, formazione e attenzione organizzativa. Include anche il costo opportunità dei progetti che non escono mai dallo stato pilota.

La metafora di Webb sulle app di dating coglie il pericolo di una ricerca senza fine. Le aziende possono continuare ad abbinare strumenti a casi d’uso senza mai costruire una relazione operativa stabile.

La via d’uscita inizia con meno esperimenti e criteri più rigorosi. Ogni progetto necessita di un responsabile, una base economica, un percorso verso la produzione e una regola di interruzione esplicita.

Prima di approvare un altro progetto pilota, i dirigenti dovrebbero porsi un’ultima domanda: quale decisione, flusso di lavoro o costo scomparirà se questo avrà successo?

Se nessuno sa rispondere, probabilmente l’azienda non ha bisogno di un’altra presentazione. Ha bisogno di chiarezza sul lavoro stesso.