L'avvertimento di Apollo sui ritorni dell'AI mette in dubbio i rendimenti fuori dal settore tech

Torsten Slok, capo economista di Apollo, afferma che l'intelligenza artificiale non ha prodotto alcun ritorno finanziario al di fuori del settore tecnologico, nonostante gli investimenti aziendali e l'adozione diffusa. Pubblicata il 24 ottobre 2026, la sua valutazione contrappone il miglioramento della performance finanziaria dei giganti tecnologici a evidenze più deboli nel resto delle aziende statunitensi. L'avvertimento di Apollo sui ritorni dell'AI mette sotto pressione una promessa nota: che lavorare più velocemente a livello individuale si tradurrà in risultati aziendali migliori.

Questa conclusione merita un esame attento, compreso quello dei suoi limiti. Un aggiornamento di ottobre a un'ampia indagine internazionale sulle imprese rileva benefici modesti dell'AI sulla produttività, anziché nessun beneficio. Gli esperimenti sul posto di lavoro documentano inoltre miglioramenti in attività specifiche. Nessuno dei due risultati dimostra un ampio boom dei profitti, ma entrambi complicano una liquidazione generalizzata.

Il conflitto centrale riguarda la distanza tra l'uso dell'AI e l'ottenimento di un ritorno da essa. Microsoft e altri fornitori tecnologici possono vendere l'accesso prima che i clienti stabiliscano se tale accesso migliora la loro economia. Per gli acquirenti aziendali, gli sviluppatori e i knowledge worker, la domanda è se un'assistenza utile resista al percorso attraverso verifica, coordinamento e vincoli operativi.

Cosa misura effettivamente l'avvertimento di Apollo sui ritorni dell'AI

La valutazione dei ritorni dell'AI di Slok confronta le Magnificent Seven, un gruppo di grandi aziende tecnologiche, con le restanti società dell'S&P 500. Descrive l'aumento dei ricavi per dipendente e dei margini di profitto per le prime, accanto a una performance piatta per le seconde.

La sua nota richiama inoltre prove deboli di un contributo dell'AI alla crescita più ampia della produttività. Sostiene che la spesa rimanga concentrata e presenta le imprese mainstream come sempre più sensibili ai costi continui di utilizzo dei modelli. Si tratta delle interpretazioni di Apollo delle evidenze, non dei risultati di uno studio controllato sulle implementazioni aziendali.

Apollo identifica un divario tra l'entusiasmo per l'AI e l'ampia performance finanziaria, ma il suo confronto non isola gli effetti dell'AI.

I ricavi per dipendente misurano le vendite rispetto al numero di dipendenti. Possono aumentare perché i lavoratori diventano più produttivi, ma anche perché i prezzi crescono, il personale cambia o le aziende esternalizzano il lavoro. Un'impresa può migliorare questo rapporto senza introdurre affatto l'AI.

I margini di profitto introducono un'altra serie di influenze. Costi degli input, pressione competitiva, mix di prodotti e decisioni contabili possono modificare i margini indipendentemente dall'efficienza dei dipendenti. Un'implementazione dell'AI potrebbe ridurre una spesa operativa mentre un problema aziendale non correlato ne compensa il beneficio.

Anche i gruppi messi a confronto richiedono cautela. Le restanti società dell'S&P 500 non costituiscono un campione puro di imprese esterne al settore tecnologico. Né i giganti tecnologici rappresentano un esperimento pulito nell'adozione dell'AI. I loro modelli di business, le posizioni di mercato e l'esposizione alla domanda di infrastrutture differiscono da quelli di altre aziende.

Ciò non rende irrilevante il confronto di Apollo. Rende i grafici utili per individuare un andamento finanziario, con limiti nella spiegazione della sua causa. Una debolezza finanziaria generalizzata può coesistere con implementazioni riuscite in reparti specifici.

La tempistica conta perché Slok ha pubblicato una valutazione del ritorno attuale, non una previsione della capacità tecnica finale. La sua affermazione riguarda se i benefici siano visibili ora. Questo pone l'onere sui risultati correnti, lasciando irrisolta la traiettoria di lungo periodo.

La lettura utile è quindi più circoscritta dell'implicazione più forte del titolo. Apollo sta contestando le prove di ritorni finanziari diffusi. Dimostrare che nessuna impresa al di fuori della tecnologia abbia beneficiato richiederebbe un'indagine molto più dettagliata.

I team finanziari affrontano un problema di conversione

La pressione immediata ricade sui dirigenti responsabili sia degli investimenti tecnologici sia dei risultati operativi. Un chief information officer può dimostrare l'adozione da parte dei dipendenti. Un responsabile finanziario deve comunque spiegare cosa sia cambiato nell'azienda.

Il tempo risparmiato diventa un ritorno finanziario solo quando l'organizzazione può utilizzare quel tempo o cogliere un altro beneficio misurabile.

Si consideri un ipotetico team di assistenza che introduce l'AI per aiutare a redigere le risposte ai clienti. Gli operatori completano prima le risposte iniziali, ma i supervisori continuano a esaminarle. Se le approvazioni restano il collo di bottiglia, l'azienda potrebbe non elaborare alcuna richiesta aggiuntiva.

Questa implementazione può comunque migliorare le condizioni di lavoro o la qualità delle risposte. Questi risultati contano, ma sostengono un business case diverso rispetto a un aumento della capacità produttiva. Un'azienda non dovrebbe descriverli come intercambiabili soltanto perché ciascun risultato sembra favorevole.

Il problema di conversione emerge anche quando i dipendenti completano il lavoro esistente con minore sforzo. Un'attività più breve non modifica automaticamente stipendi, fabbisogno di personale o domanda dei clienti. Il beneficio può tradursi in capacità inutilizzata, minori straordinari o maggiore attenzione ai casi difficili.

Ogni risultato necessita di prove proprie. La riduzione degli straordinari può incidere direttamente sulle spese. Un servizio migliore può migliorare la fidelizzazione nel tempo. La capacità inutilizzata ha valore quando un'organizzazione può reindirizzarla verso il lavoro di cui i clienti hanno bisogno.

Gli sviluppatori affrontano un vincolo correlato. Generare prima una funzionalità applicativa non accorcia necessariamente il suo percorso attraverso la revisione della sicurezza, i test di integrazione e l'approvazione della release. Una produzione più rapida in una fase non vincolante può lasciare invariata la consegna complessiva.

Per questo i team finanziari dovrebbero distinguere una dimostrazione promettente da un risultato operativo. La dimostrazione mostra che uno strumento può svolgere un'attività. Il risultato operativo mostra se il suo utilizzo cambia le prestazioni di un flusso di lavoro reale.

L'economia del fornitore è diversa. Microsoft, Google e altri provider possono ricevere ricavi dall'utilizzo da parte di un cliente mentre quel cliente continua a valutare i benefici. Il loro successo commerciale e il ritorno dell'acquirente appartengono a conti collegati ma distinti.

La stessa distinzione si applica ai fornitori di modelli concorrenti. Un modello tecnicamente più forte potrebbe risolvere un problema difficile che giustifica il suo utilizzo. Un altro flusso di lavoro potrebbe richiedere soltanto un recupero affidabile delle informazioni e una risposta breve, rendendo economicamente irrilevante una capacità aggiuntiva.

Gli acquirenti affrontano quindi una decisione più specifica rispetto alla semplice scelta di adottare l'AI. Devono identificare il vincolo che prevedono di rimuovere. Se l'implementazione proposta non affronta tale vincolo, i dati di adozione offrono poche rassicurazioni.

Questo sposta la pressione sulle scelte di approvvigionamento e implementazione. Un'impresa ha bisogno di un motivo per espandere un'applicazione funzionante, di un motivo per rivederne una con prestazioni insufficienti e di un modo per fermarsi. Senza queste distinzioni, un pilota può continuare a generare attività senza produrre un risultato difendibile.

Nuovi dati sulle imprese complicano l'affermazione di ritorni zero

La qualificazione più forte proviene da ricerche che esaminano le imprese più direttamente. La revisione dell'ottobre 2026 della ricerca sull'adozione dell'AI nelle imprese intervista quasi 9.000 dirigenti senior in sette Paesi. Gli autori includono Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom e collaboratori.

Il documento aggiornato riporta che il 78% delle imprese intervistate utilizza l'AI. I dirigenti attribuiscono all'adozione un aumento annuo dello 0,2% nella crescita della produttività del lavoro nei tre anni precedenti. Si aspettano un contributo annuo maggiore, dello 0,6%, nei tre anni successivi.

Questi risultati descrivono un modesto beneficio riportato. Non descrivono un'economia trasformata dall'AI. Né sostengono l'idea che tutti i guadagni di produttività aziendale siano assenti.

Le evidenze aggiornate indeboliscono un'affermazione letterale di ritorni zero, lasciando però non dimostrata la tesi di una trasformazione finanziaria diffusa.

La data di revisione dello studio conta. La copertura precedente descriveva un'indagine più piccola e sottolineava effetti osservati limitati. Riferire i risultati più vecchi senza verificare il documento aggiornato farebbe perdere un cambiamento sostanziale nelle evidenze disponibili.

Gli autori rilevano inoltre una spesa concentrata. Solo il 2% delle imprese rappresenta più della metà della spesa AI riportata. Questa concentrazione giustifica la cautela nell'usare l'attività intensa degli adottanti più visibili per caratterizzare l'azienda tipica.

Tuttavia, l'indagine non risolve l'argomento di Apollo. I dirigenti riportano effetti percepiti sulla produttività e tali valutazioni non equivalgono a guadagni finanziari verificati in modo indipendente. Gli intervistati possono sovrastimare i benefici, non notarli o attribuire all'AI cambiamenti non correlati.

La produttività del lavoro, ovvero l'output rispetto all'input di lavoro, differisce anche dalla redditività. Un'azienda può produrre in modo più efficiente spendendo al contempo di più in software e implementazione. La pressione competitiva può poi trasferire parte del beneficio ai clienti attraverso un servizio migliore o prezzi più bassi.

I Paesi e le aziende dell'indagine differiscono dal confronto borsistico di Apollo. Le misure affrontano questioni correlate attraverso campioni e metodi diversi. I loro risultati dovrebbero essere esaminati insieme senza fingere che uno riproduca direttamente l'altro.

Un'indagine tra dirigenti aiuta a rivelare l'adozione e le aspettative manageriali. I bilanci mostrano i risultati aziendali ma raramente isolano il contributo di una tecnologia specifica. Gli esperimenti controllati possono identificare più chiaramente gli effetti locali, sebbene i loro risultati abbiano confini più ristretti.

Per gli acquirenti, questa combinazione invita a evitare sia la compiacenza sia il rigetto. Alcuni benefici misurabili emergono dalle evidenze, ma le loro dimensioni e distribuzione richiedono attenzione. Un modesto effetto medio lascia spazio ad applicazioni riuscite accanto a implementazioni che producono poco.

L'implicazione commerciale è semplice. I provider non possono dimostrare i ritorni dei clienti indicando soltanto una crescita dell'utilizzo. Gli scettici non possono dimostrare un fallimento universale indicando soltanto margini aggregati piatti. Entrambe le posizioni richiedono un collegamento più chiaro tra implementazione e risultato.

I miglioramenti sul lavoro non dimostrano ancora i profitti aziendali

Uno studio pubblicato sull'assistenza clienti offre un esempio concreto di AI che migliora un flusso di lavoro definito. Erik Brynjolfsson, Danielle Li e Lindsey Raymond esaminano un assistente conversazionale usato da 5.172 operatori. Il loro studio sulla produttività dell'assistenza clienti riporta un aumento medio del 15% dei problemi risolti all'ora.

I guadagni variano tra i lavoratori. Gli operatori meno esperti e meno qualificati migliorano sia la velocità sia la qualità. Gli operatori più esperti e più qualificati ottengono benefici minori in termini di velocità, insieme a piccoli cali di qualità.

L'AI può migliorare un'attività operativa senza dimostrare il ritorno per ogni lavoratore, azienda o settore.

Questa variazione conta per l'implementazione. Uno strumento che aiuta un dipendente meno esperto a trovare una risposta appropriata potrebbe offrire meno assistenza a un collega esperto. Applicare il beneficio medio a ogni dipendente nasconderebbe una differenza importante.

Il risultato corrisponde inoltre al lavoro più da vicino rispetto a una misura generica del coinvolgimento. I problemi dei clienti risolti collegano l'assistenza all'attività di servizio completata. Un conteggio dei suggerimenti generati lascerebbe un divario molto più ampio tra il comportamento dello strumento e il valore aziendale.

Anche in questo caso, produttività e profitto restano distinti. Il miglioramento riportato non fornisce automaticamente una stima dei margini per l’intera azienda. Quel calcolo richiederebbe informazioni sull’implementazione, sui costi di utilizzo, sulla supervisione e sul valore della capacità di servizio aggiuntiva.

Lo studio riguarda inoltre il supporto clienti presso un’azienda software. Dimostra un meccanismo rilevante per altri contesti di servizio, ma non stabilisce in modo indipendente risultati nei settori non tecnologici. Estendere le sue conclusioni richiede evidenze provenienti da tali contesti.

Un esperimento più ampio sul luogo di lavoro giunge a un risultato diverso ma complementare. Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica e Christopher Stanton studiano 7.137 lavoratori della conoscenza in 66 aziende. Il loro esperimento sull’AI nel luogo di lavoro ha fornito casualmente l’accesso a un assistente integrato nelle applicazioni familiari.

Nel periodo successivo dell’esperimento, gli utenti attivi tra i lavoratori trattati hanno dedicato due ore in meno alle email ogni settimana. I ricercatori riportano anche una riduzione del lavoro al di fuori dell’orario regolare. Non hanno rilevato cambiamenti più ampi nella quantità o nella composizione delle attività derivanti dall’accesso individuale.

Si tratta di una distinzione significativa. Meno tempo dedicato alle email può avvantaggiare un lavoratore anche quando non produce vendite aggiuntive o progetti completati. La riduzione del lavoro al di fuori dell’orario normale può essere preziosa anche senza tradursi in un aumento immediato degli utili aziendali.

Nel complesso, questi studi mostrano perché un’unica etichetta di produttività possa confondere il dibattito. Risoluzione più rapida, minore impegno nelle email, qualità migliore e profitto più elevato descrivono risultati diversi. L’evidenza a favore di uno non dovrebbe trasformarsi silenziosamente in evidenza a favore di tutti.

Per i team aziendali, l’implicazione riguarda la misurazione. Un risultato rilevante dovrebbe seguire lo scopo dell’implementazione. Un assistente per il supporto dovrebbe essere valutato con misure di servizio; un assistente per la ricerca con la qualità delle evidenze e l’output utilizzabile.

Questa distinzione si applica anche a una base di conoscenza ricercabile. Trovare un documento è un evento intermedio. Il beneficio organizzativo dipende dal fatto che quell’informazione aiuti qualcuno a risolvere un problema, evitare rifacimenti o completare una decisione.

La promessa sotto esame è la conversione automatica dell’assistenza in ritorni economici. Questi studi mostrano effetti utili in condizioni specifiche. Mostrano anche perché le aziende debbano esaminare il flusso di lavoro rimanente prima di prevedere un rendimento più ampio.

Gli indicatori generali non possono fornire un verdetto netto sull’AI

La tesi scettica resta solida anche dopo aver riconosciuto attività riuscite. Le aziende operano entro vincoli che un assistente non può rimuovere da solo. Una bozza più rapida può comunque attendere l’approvazione e una produzione aggiuntiva può comunque incontrare una domanda limitata.

Le evidenze dalla Danimarca evidenziano un altro limite. Anders Humlum ed Emilie Vestergaard collegano indagini sull’adozione a registri amministrativi del mercato del lavoro. La loro ricerca sugli effetti dell’AI sul lavoro rileva cambiamenti diffusi nel lavoro senza effetti rilevabili su retribuzioni o ore registrate.

Questi risultati non misurano ogni beneficio che un’azienda o un dipendente potrebbe ricevere. Mettono però in discussione l’assunto secondo cui l’adozione produca rapidamente cambiamenti visibili nelle misure convenzionali del mercato del lavoro. Il lavoro può cambiare prima che cambino i salari o gli orari registrati.

Indicatori generali deboli limitano le affermazioni su un boom dell’AI, ma non identificano le prestazioni di ogni implementazione.

Apollo fa riferimento anche alla produttività totale dei fattori, una misura della crescita dell’output oltre le variazioni misurate degli input di lavoro e capitale. La sua versione corretta per l’utilizzo considera le variazioni nell’intensità con cui tali input operano. Questo aiuta a separare alcune influenze cicliche dall’efficienza sottostante.

Quella misura resta più ampia dell’AI. Altre tecnologie, cambiamenti organizzativi, problemi di misurazione e condizioni economiche influenzano il risultato. Una serie relativa all’intera economia non può identificare direttamente ciò che è accaduto dopo che una specifica azienda ha introdotto un assistente.

I dati sulla misurazione della produttività illustrano la distinzione. Nei quattro trimestri conclusi nel secondo trimestre del 2026, la produttività totale dei fattori non corretta è aumentata dell’1,42%. La sua controparte corretta per l’utilizzo è diminuita dello 0,07%.

La divergenza mostra perché la misura scelta sia importante. Non dimostra che la produttività ordinaria abbia smesso di crescere o che l’AI abbia causato uno dei due risultati. Un’affermazione sull’AI richiede un argomento aggiuntivo che colleghi l’adozione al cambiamento economico osservato.

C’è anche un problema di tempistica. I risultati finanziari potrebbero seguire l’implementazione con ritardo, soprattutto quando le aziende modificano responsabilità o sistemi. Tuttavia, un rendimento futuro non specificato non può giustificare indefinitamente ogni spesa attuale.

Entrambe le parti hanno l’onere della prova. I sostenitori hanno bisogno di evidenze che i benefici superino i costi operativi e i vincoli organizzativi. I critici hanno bisogno di evidenze prima di interpretare l’assenza di un segnale aggregato come un fallimento universale.

La qualità introduce un’ulteriore complicazione. Un sistema che produce più materiale può anche creare più lavoro di revisione. Se l’organizzazione misura soltanto la velocità di generazione, può trascurare lo sforzo necessario per correggere affermazioni non supportate o decisioni incoerenti.

Esiste anche il problema opposto. Un assistente potrebbe aiutare un dipendente a prevenire un errore costoso o a servire un cliente difficile. Una misura ristretta della velocità potrebbe non cogliere quel beneficio. Una valutazione credibile richiede risultati che riflettano il lavoro effettivo.

Queste limitazioni dovrebbero rendere il reporting più preciso. Un’affermazione sui profitti dovrebbe usare evidenze finanziarie. Un’affermazione sulla velocità delle attività dovrebbe identificare l’attività. Un’affermazione sulla trasformazione economica dovrebbe affrontare la scala e la distribuzione dell’adozione.

L’avvertimento di Apollo è più forte quando contesta il passaggio dall’attività visibile a ritorni ampi. È più debole se interpretato come prova che non esistano guadagni utili. Le evidenze disponibili sostengono un esame del processo di conversione, anziché un verdetto universale.

Le prossime evidenze devono collegare la spesa ai risultati

Nel prossimo periodo di reporting, il dibattito dovrebbe dipendere da cambiamenti osservabili anziché da dichiarazioni contrapposte. I segnali rilevanti riguardano i risultati per i clienti, la distribuzione dei guadagni e l’economia dell’uso continuativo. Insieme, possono distinguere un successo selettivo da un rendimento finanziario diffuso.

L’evidenza decisiva collegherà l’uso dell’AI al lavoro completato e ai risultati finanziari in una gamma più ampia di aziende.

Innanzitutto, osservate le prossime comunicazioni sugli utili delle aziende al di fuori dei principali fornitori tecnologici. Le comunicazioni più utili collegherebbero una specifica implementazione a una misura operativa e spiegherebbero i costi associati. Dichiarazioni generali sull’adozione da parte dei dipendenti fornirebbero evidenze molto più deboli.

Un rivenditore, un assicuratore o un produttore potrebbe rafforzare il caso spiegando dove un flusso di lavoro è migliorato e in che modo ciò ha influito sulle prestazioni aziendali. Il collegamento conta più di un’affermazione isolata sulle ore risparmiate. I lettori dovrebbero anche cercare una discussione sui requisiti di revisione e sullo sforzo di implementazione.

Comunicazioni ripetute di questo tipo indebolirebbero l’interpretazione più ampia dell’avvertimento di Apollo. Il continuo ricorso a un linguaggio vago sull’efficienza lascerebbe intatta la sua preoccupazione centrale. La sola crescita dei ricavi dei fornitori non risponderebbe alla questione del ritorno per i clienti.

In secondo luogo, osservate se le successive indagini aziendali mostrano guadagni che si diffondono oltre gli adottanti più intensivi. L’aggiornamento di ricerca di ottobre suggerisce già modesti benefici riportati sulla produttività. La prossima domanda riguarda la loro ampiezza, durata e relazione con risultati operativi effettivi.

Una media in aumento meriterebbe attenzione, ma la distribuzione continuerebbe a contare. Benefici concentrati in un gruppo ristretto descriverebbero un’economia diversa da guadagni estesi alle aziende ordinarie. Campioni rappresentativi possono aiutare a evitare che storie di successo molto visibili vengano scambiate per risultati tipici.

Anche le revisioni delle indagini richiedono confronti accurati. Un campione di paesi o una formulazione delle domande in evoluzione possono alterare il quadro riportato. I lettori dovrebbero confrontare misure equivalenti prima di interpretare un nuovo numero come accelerazione o inversione.

In terzo luogo, osservate se le implementazioni estese migliorano la loro economia con l’aumento dell’utilizzo. Generare più output è insufficiente se lo sforzo di verifica e correzione cresce insieme ad esso. Il segnale significativo è un miglioramento del lavoro utile completato rispetto alle risorse necessarie.

Ciò si applica soprattutto ai sistemi autorizzati a compiere azioni attraverso software aziendali. Un’implementazione convincente mostrerebbe completamento affidabile, intervento umano gestibile e un chiaro beneficio per il flusso di lavoro. Una dimostrazione che riesce sotto stretta supervisione risponde a una domanda più ristretta.

Rinnovi, riduzioni e cancellazioni forniranno anch’essi indizi, sebbene ciascuno richieda contesto. Un contratto rinnovato può riflettere valore percepito, difficoltà di sostituzione o una valutazione incompleta. Una cancellazione può riflettere una cattiva implementazione piuttosto che un fallimento della tecnologia sottostante.

Per i lavoratori della conoscenza, l’implicazione pratica è mantenere visibile il collegamento tra assistenza e risultati. Un flusso di lavoro di gestione della conoscenza personale può organizzare materiale utile, ma l’organizzazione da sola non stabilisce un ritorno finanziario. L’evidenza diventa più forte quando un accesso migliore cambia una decisione o un risultato concreto.

Leggete la prossima affermazione di successo dell’AI tenendo presente il suo denominatore. Chiedete quale lavoro è migliorato, di chi è cambiato lo sforzo e quali costi sono rimasti. Distinguete un lavoratore che termina prima da un’azienda che guadagna di più, riconoscendo al tempo stesso che entrambi i risultati possono essere importanti. Il dibattito sul rendimento dell’AI secondo Apollo diventerà più chiaro quando le aziende spiegheranno tale collegamento con coerenza. Fino ad allora, confrontate le affermazioni sull’adozione con il lavoro completato, i risparmi riportati con i risultati operativi e mantenete visibili i confini di ogni studio. Quando un’organizzazione presenta la sua prossima implementazione, chiedete quale risultato era progettata per cambiare e quali evidenze dimostrano che lo abbia cambiato. Che cosa è accaduto dopo che la bozza più rapida, il documento recuperato o la risposta generata hanno raggiunto il resto dell’azienda?