Le previsioni di spesa AI di Gartner raggiungono 2,52 trilioni di dollari, ma le aziende statunitensi affrontano una resa dei conti sul ROI

Gartner ha alzato la posta in gioco per la strategia AI aziendale con una previsione di 2,52 trilioni di dollari di spesa globale nel 2026. Eppure, le previsioni di spesa AI di Gartner evidenziano un netto conflitto. La spesa sta accelerando, mentre molte aziende non riescono ancora a dimostrare i ritorni, monitorare i costi operativi o identificare un singolo dirigente responsabile.

La cifra principale non rappresenta soltanto la spesa software delle aziende statunitensi. Include la spesa globale per infrastrutture, servizi, software, cybersecurity, modelli, dati e piattaforme di sviluppo. Più della metà del totale riguarda le infrastrutture, in gran parte finanziate dai fornitori di tecnologia.

Questa distinzione rende più evidente, non meno, l'emergente contraccolpo dell'AI. Gli hyperscaler stanno costruendo capacità prima che la domanda aziendale maturi pienamente. Nel frattempo, i leader aziendali subiscono pressioni affinché trasformino la sperimentazione in ricavi misurabili, costi inferiori o operazioni più rapide.

Il confronto centrale è ora tra ambizione AI e disciplina nell'esecuzione. Gli acquirenti aziendali non stanno abbandonando l'intelligenza artificiale, ma tollerano sempre meno progetti pilota privi di responsabili, riferimenti di base o un'economia di produzione chiara. La prossima fase premierà le aziende capaci di collegare ogni carico di lavoro a un risultato aziendale.

Cosa misurano realmente le previsioni di spesa AI di Gartner

La cifra di 2,52 trilioni di dollari descrive un'intera catena di fornitura tecnologica, non una singola ondata di acquisti software aziendali.

Le previsioni di gennaio di Gartner hanno collocato la spesa AI globale a 2,5278 trilioni di dollari per il 2026. Si tratta di un aumento del 44% rispetto a 1,7572 trilioni di dollari nel 2025. La società prevede che il totale raggiungerà 3,3367 trilioni di dollari nel 2027.

L'infrastruttura AI rappresenta 1,3664 trilioni di dollari della previsione per il 2026. Questa categoria copre il calcolo, l'archiviazione, il networking e le basi correlate necessarie per sviluppare e gestire sistemi AI. Rappresenta circa il 54% del totale previsto.

Gartner prevede che la spesa per infrastrutture aumenterà di circa 401 miliardi di dollari rispetto al livello del 2025. Si stima che la spesa per i soli server ottimizzati per l'AI aumenterà del 49%. Tali server rappresenterebbero il 17% di tutta la spesa AI nel corso dell'anno.

I servizi costituiscono la seconda categoria più ampia, con 588,6 miliardi di dollari. Seguono i software con 452,5 miliardi di dollari, mentre la cybersecurity rappresenta 51,3 miliardi di dollari. I modelli valgono 26,4 miliardi di dollari e le piattaforme di data science altri 31,1 miliardi.

Le categorie minori includono le piattaforme di sviluppo applicativo e i dati AI. Sebbene i loro totali restino modesti rispetto alle infrastrutture, rivelano quanti livelli si frappongano tra un modello e un processo aziendale funzionante.

Le previsioni complete sulla spesa AI misurano quindi molto più che gli abbonamenti ad assistenti come Copilot, Gemini, Claude o ChatGPT. Catturano un'ampia espansione industriale a supporto dell'addestramento dei modelli, dell'inferenza, della sicurezza, dell'integrazione e dell'implementazione aziendale.

L'inferenza è il lavoro computazionale svolto quando un modello addestrato risponde a una richiesta. Il suo costo aumenta con l'utilizzo, la complessità dei compiti, la dimensione del contesto e la quantità di output generato. Ciò significa che un assistente apparentemente semplice può produrre una fattura ricorrente significativa su larga scala.

Questa composizione è importante perché i fornitori di infrastrutture possono registrare domanda prima che gli utenti finali dimostrino valore aziendale. Un cloud provider può vendere capacità di calcolo a un'azienda che conduce progetti pilota, anche se tali progetti non arrivano mai in produzione.

Di conseguenza, le previsioni di spesa misurano l'impegno più chiaramente del successo. Mostrano che le aziende e i loro fornitori stanno allocando risorse all'AI. Non mostrano se tali risorse generino profitti o produttività duraturi.

Gartner ha inoltre descritto l'AI come collocata in una “Valle della disillusione” nel 2026. Il termine identifica un periodo in cui l'entusiasmo iniziale svanisce perché gli esperimenti non soddisfano aspettative gonfiate.

L'azienda prevede che i fornitori software consolidati guideranno gran parte dell'adozione aziendale durante questo periodo. Gli acquirenti riceveranno spesso l'AI attraverso sistemi esistenti invece di avviare progetti moonshot separati.

Questo percorso riduce l'attrito negli acquisti, ma può anche nascondere i costi. Gli oneri dell'AI possono comparire nei consumi cloud, nei contratti software, nei progetti di consulenza, nel lavoro sui dati e nei budget per la sicurezza. Un team finanziario può vedere diverse spese senza vedere il costo completo di un singolo carico di lavoro.

Questa è la prima fonte del contraccolpo. Le organizzazioni si sono impegnate nell'AI attraverso numerose voci di bilancio prima di creare un metodo coerente per misurarne i ritorni.

La spesa aziendale per l'AI supera il controllo dei dirigenti

La pressione immediata ricade sui dirigenti che hanno approvato un'adozione rapida senza costruire responsabilità e controlli operativi altrettanto chiari.

Un'azienda non può gestire la spesa AI con il solo entusiasmo. Qualcuno deve decidere quali progetti proseguire, quali metriche contano e chi si assume la responsabilità quando i costi superano i benefici.

La ricerca di Pearl Meyer del secondo trimestre 2026 ha rilevato un ampio divario tra la fiducia dei dirigenti e la preparazione organizzativa. Il sondaggio ha coinvolto 116 aziende ed esaminato leadership, trasformazione, talenti ed esecuzione AI.

L'ottanta percento dei CEO riteneva che i propri dirigenti potessero fare compromessi a beneficio dell'intera azienda. Solo il 30% degli altri leader della C-suite condivideva questa valutazione. Il divario suggerisce che le persone incaricate di implementare la strategia spesso vedano più conflitti di quanto non faccia l'amministratore delegato.

Lo stesso sondaggio sulla leadership ha rilevato che l'80% degli intervistati riteneva che la propria organizzazione disponesse della capacità di leadership necessaria per gestire la trasformazione. Tuttavia, solo il 41% riteneva che i dipendenti potessero assorbire ulteriori cambiamenti senza essere sovraccaricati.

Questi risultati identificano due vincoli distinti. Il primo è la responsabilità decisionale. Il secondo è la capacità dell'organizzazione di riprogettare il lavoro mentre i dipendenti continuano a gestire le responsabilità esistenti.

I progetti AI attraversano spesso i confini tradizionali. Un assistente per il servizio clienti può coinvolgere operazioni, sicurezza, legale, finanza, data engineering, risorse umane e procurement. La partecipazione condivisa non garantisce una responsabilità condivisa.

Quando la responsabilità resta vaga, ogni gruppo può ottimizzare un risultato diverso. I team tecnologici possono dare priorità alla qualità del modello, mentre la finanza monitora i consumi. I team legali si concentrano sull'esposizione e i leader aziendali perseguono l'adozione.

Nessuno di questi obiettivi è intrinsecamente sbagliato. I problemi iniziano quando nessuno si assume la responsabilità del risultato complessivo.

La risposta obbligata è il passaggio dagli obiettivi di adozione all'economia dei carichi di lavoro. I leader devono identificare il costo completo di ogni caso d'uso e confrontarlo con un riferimento misurabile.

Quel costo include più dei token, ovvero le unità che i modelli elaborano quando ricevono e generano informazioni. Può includere anche preparazione dei dati, integrazione, valutazione, revisioni di sicurezza, formazione dei dipendenti, monitoraggio e correzione umana.

Si consideri un assistente AI utilizzato per la ricerca interna. Il software può produrre prime bozze più rapidamente, eppure i dipendenti devono comunque verificare le citazioni e riconciliare informazioni contrastanti. Quelle ore di revisione rientrano nella valutazione economica.

Lo stesso principio si applica agli assistenti di programmazione. Una generazione di codice più rapida ha scarso valore se le code di revisione crescono o aumentano i tassi di difetti. Il volume dell'output non sostituisce velocità di implementazione, affidabilità o impatto sui clienti.

La spesa AI aziendale diventa quindi difficile da giustificare quando le dashboard contano l'attività anziché i risultati. Prompt inviati, licenze assegnate e funzionalità abilitate sono indicatori di adozione. Non dimostrano ritorni finanziari.

La pressione a lungo termine raggiunge i consigli di amministrazione oltre ai dirigenti operativi. I direttori devono stabilire se il management comprenda l'esposizione AI nei contratti, nelle infrastrutture, nei dati e nella pianificazione della forza lavoro.

Questo compito diventa più difficile quando l'AI arriva tramite fornitori già presenti. Le funzionalità integrate possono diffondersi tra i reparti senza passare da un unico comitato dedicato agli investimenti.

La disciplina del procurement deve raggiungere questo modello di distribuzione. Le aziende hanno bisogno di decisioni di rinnovo basate sulla qualità dell'utilizzo e sui risultati aziendali, non soltanto sui posti assegnati o sull'attività aggregata.

Il cambiamento non ridurrà necessariamente la spesa complessiva. Le previsioni di Gartner mostrano un mercato in rapida espansione. Concentrerà invece le risorse sui carichi di lavoro che superano una revisione finanziaria e operativa più rigorosa.

L'ambizione AI si scontra con un ROI misurabile

L'entusiasmo aziendale resta elevato, ma i ritorni AI comprovati sono concentrati tra le organizzazioni con maggiore responsabilità e visibilità sui costi.

Il Global AI Pulse di KPMG del secondo trimestre 2026 ha intervistato 2.145 dirigenti senior in 20 paesi, territori e giurisdizioni. Gli intervistati rappresentavano organizzazioni con ricavi annuali rilevanti e programmi AI attivi.

Il settantanove percento ha identificato l'AI come area di investimento chiave, rispetto al 74% del trimestre precedente. La quota di organizzazioni che guidano attivamente l'adozione è salita dal 13% al 22%.

Tuttavia, solo il 7% dei leader intervistati ha dichiarato un ritorno sull'investimento consolidato. Quasi un quarto subiva pressioni dagli investitori per dimostrare valore.

Il sondaggio globale sull'AI ha inoltre rilevato che il 42% delle organizzazioni aveva soltanto una visibilità parziale sulla spesa AI. Questo divario indebolisce qualsiasi affermazione sicura sui ritorni, perché una base di costi incompleta produce un calcolo incompleto.

Il ritorno sull'investimento confronta i benefici netti di un'iniziativa con il suo costo totale. Per l'AI aziendale, entrambi i lati di tale equazione restano difficili da isolare.

Le variazioni dei ricavi possono avere diverse cause. I risparmi sui costi possono riflettere decisioni di assunzione, cambiamenti della domanda, riprogettazione dei processi o normali aggiornamenti software. Un piano di misurazione credibile deve separare tali effetti dal contributo del sistema AI.

I benefici possono inoltre emergere a velocità diverse. Un assistente potrebbe far risparmiare a un dipendente alcuni minuti oggi, mentre un flusso di lavoro clienti riprogettato produce guadagni misurabili nella fidelizzazione mesi più tardi.

Questo ritardo spiega perché le percezioni possano muoversi più rapidamente dei bilanci. I dipendenti possono sentirsi più produttivi prima che la loro azienda registri un maggiore output o costi inferiori.

KPMG ha rilevato che le aziende con una responsabilità chiara per i risultati AI avevano una probabilità tre volte maggiore di segnalare un ROI comprovato. Le organizzazioni con visibilità completa sui costi operativi avevano una probabilità cinque volte maggiore di stabilire dei ritorni.

Queste relazioni non dimostrano che la governance da sola crei valore. Le organizzazioni di successo potrebbero disporre di dati migliori, processi più solidi o casi d'uso più adatti. Tuttavia, il modello mette in discussione l'idea che una distribuzione più ampia produca automaticamente risultati migliori.

Il sette percento delle organizzazioni aveva rinviato lanci pianificati perché i costi operativi superavano i benefici attesi. Questo dato indica disciplina piuttosto che un rifiuto generalizzato.

Un'azienda razionale dovrebbe interrompere un'implementazione quando la sua economia non funziona. L'errore sarebbe trattare ogni cancellazione come prova che l'AI stessa abbia fallito.

I programmi più solidi iniziano sempre più spesso con problemi operativi circoscritti. Identificano un responsabile, una prestazione di riferimento e una decisione definita che l'AI dovrebbe migliorare.

Ad esempio, un team di assistenza può misurare i tempi di risoluzione, i tassi di escalation, la soddisfazione dei clienti e il volume delle correzioni. Queste metriche mostrano se un assistente migliora l’intero processo o accelera soltanto una fase.

I knowledge worker affrontano una verifica simile. Un sistema che crea riepiloghi più rapidamente può comunque ridurre la qualità se gli utenti non riescono a ricondurre le affermazioni a fonti affidabili.

I team che utilizzano una base di conoscenza AI possono collegare le risposte generate a un contesto interno controllato. Anche in questo caso, devono valutare accuratezza, adozione, tempo di revisione e completamento effettivo delle attività.

La vera domanda sul ROI della spesa per l’AI non è quindi se un modello produca testo utile. È se un flusso di lavoro completo generi valore verificato sufficiente a giustificarne i costi ricorrenti e di implementazione.

Questo standard è più rigoroso di una dimostrazione. Richiede prestazioni in condizioni quotidiane, inclusi dati incompleti, politiche in evoluzione, richieste insolite e dipendenti con livelli di competenza diversi.

Le aziende sottoposte alla maggiore pressione sono quelle che hanno annunciato trasformazioni ampie senza definire queste evidenze. La loro sfida non è più ottenere accesso ai modelli. È dimostrare che tale accesso modifica i risultati economici.

Le evidenze sulla produttività sono più complesse del contraccolpo

Rendimenti misurati deboli non dimostrano che l’AI non crei valore, ma mettono in discussione le affermazioni sicure su una trasformazione immediata.

Un working paper del National Bureau of Economic Research del febbraio 2026 ha intervistato quasi 6.000 dirigenti aziendali senior. I partecipanti rappresentavano imprese negli Stati Uniti, nel Regno Unito, in Germania e in Australia.

I ricercatori hanno rilevato che il 69% delle imprese utilizzava attivamente l’AI. Oltre due terzi dei dirigenti intervistati la usavano inoltre regolarmente, sebbene l’utilizzo personale medio raggiungesse soltanto 1,5 ore alla settimana.

Nove dirigenti su dieci non hanno segnalato alcun effetto dell’AI sull’occupazione o sulla produttività della propria azienda nei tre anni precedenti. Le imprese continuavano tuttavia ad aspettarsi effetti maggiori nei tre anni successivi.

Le evidenze a livello d’impresa prevedevano un aumento medio della produttività di circa l’1,4% e una riduzione dell’occupazione di circa lo 0,7% nel periodo. I dirigenti statunitensi si aspettavano un guadagno di produttività più elevato, pari al 2,3%.

Questi risultati offrono una necessaria correzione a due narrazioni estreme. L’AI non ha già trasformato la produttività della maggior parte delle aziende. Tuttavia, i dirigenti non considerano universalmente l’investimento uno spreco.

La tempistica della misurazione rimane un’incertezza. Le aziende hanno adottato di recente molti strumenti di AI generativa, mentre la riprogettazione dei processi aziendali richiede in genere più tempo dell’installazione di software.

Un altro studio NBER, basato su quasi 750 dirigenti aziendali, ha rilevato guadagni di produttività positivi ma disomogenei. Gli effetti maggiori sono emersi nei servizi ad alta specializzazione e nella finanza.

I suoi autori hanno descritto un paradosso della produttività. I leader percepivano guadagni superiori ai miglioramenti misurati, forse perché gli effetti sui ricavi non si erano ancora manifestati pienamente.

Questo divario può chiudersi in entrambe le direzioni. I risultati finanziari potrebbero infine convalidare le prime percezioni sulla produttività. In alternativa, misurazioni migliori potrebbero rivelare che i dipendenti hanno confuso la comodità con l’output economico.

La seconda possibilità merita attenzione perché l’AI generativa può trasferire il lavoro anziché eliminarlo. Un modello può abbreviare la stesura, aggiungendo però altrove attività di verifica, conformità e correzione.

Anche l’esperienza dei dipendenti complica l’analisi. Pearl Meyer ha rilevato che soltanto il 41% degli intervistati riteneva che i lavoratori potessero assorbire ulteriori cambiamenti senza essere sovraccaricati.

Un’organizzazione può distribuire strumenti utili rendendo al contempo il lavoro più frammentato. I dipendenti potrebbero dover imparare diverse interfacce, monitorare output automatizzati e gestire eccezioni senza vedersi ridurre le responsabilità esistenti.

Ciò crea un costo nascosto di adozione. Sessioni di formazione, revisioni delle policy, sperimentazione dei prompt e continui cambi di strumento consumano tempo prima che i benefici diventino affidabili.

La tesi scettica non dovrebbe sostenere che ogni iniziativa AI sia priva di ritorni. KPMG ha riferito che il 76% dei leader ha rilevato valore aziendale misurabile, sebbene soltanto il 7% avesse stabilito un ROI.

Valore aziendale e ROI stabilito descrivono livelli di fiducia diversi. Un’azienda può osservare un servizio più rapido o un migliore accesso dei dipendenti senza aver completato un calcolo finanziario difendibile.

Allo stesso modo, il totale di 2,52 trilioni di dollari di Gartner non dovrebbe essere confrontato direttamente con i profitti aziendali. Gran parte di quella spesa rappresenta infrastrutture al servizio di più clienti e della domanda futura.

La critica valida riguarda lo scarto tra la visibilità della spesa e quella dei risultati. I leader aziendali spesso sanno che l’attività AI è aumentata. Molti meno riescono a identificare il costo preciso e il contributo verificato di ogni implementazione.

Questa distinzione spiega anche perché una sbornia da AI possa coesistere con budget in crescita. Le organizzazioni continuano a temere di restare indietro rispetto ai concorrenti. Allo stesso tempo, impongono requisiti più severi ai singoli progetti.

Il mercato risultante probabilmente diventerà più selettivo. I fornitori subiranno pressioni per dimostrare qualità dell’integrazione, sicurezza, consumo controllabile e risultati nei flussi di lavoro.

Anche gli acquirenti richiederanno strumenti di valutazione migliori. Un punteggio di benchmark descrive le prestazioni di un modello in un test standardizzato. Non prevede il valore di un processo aziendale personalizzato.

Le valutazioni aziendali devono utilizzare attività reali, dati rappresentativi e soglie di errore definite. Dovrebbero misurare l’intero flusso di lavoro, inclusa la revisione umana e le conseguenze a valle.

È più lento che annunciare un progetto pilota. È anche il lavoro che separa l’adozione duratura dalla sperimentazione temporanea.

I fornitori incumbent ottengono un vantaggio mentre gli acquirenti evitano le scommesse azzardate

La sbornia da AI favorisce i fornitori consolidati perché le aziende prudenti preferiscono contratti, controlli sui dati e flussi di lavoro familiari.

Gartner prevede che l’AI raggiungerà molte imprese attraverso fornitori software incumbent durante il periodo di disillusione del 2026. Questa previsione modifica il contesto competitivo sia per le startup sia per le grandi piattaforme.

Microsoft, Google, Amazon, Salesforce, ServiceNow e altri fornitori consolidati sono già presenti negli stack tecnologici aziendali. Possono aggiungere l’AI a prodotti utilizzati per comunicazione, cloud computing, record dei clienti, sviluppo e operazioni.

Il loro vantaggio non risiede necessariamente in prestazioni superiori dei modelli. È dato dalla distribuzione, dalle approvazioni di sicurezza esistenti, dall’accesso integrato ai dati e da relazioni consolidate con gli acquisti.

Un acquirente può spesso attivare un assistente integrato più rapidamente di quanto possa approvare un nuovo fornitore. Questa velocità conta quando i consigli di amministrazione si aspettano progressi visibili, ma i team operativi desiderano minori rischi di integrazione.

Tuttavia, un’adozione più semplice non garantisce costi inferiori. L’AI integrata può distribuire il consumo tra diverse unità aziendali, rendendo difficile tracciare la spesa totale.

Può inoltre ridurre la pressione competitiva. Un’azienda può scegliere l’assistente associato alla propria suite di produttività esistente, anche quando un altro modello offre risultati migliori su attività specifiche.

Le startup affrontano la sfida opposta. Possono creare flussi di lavoro specializzati e muoversi rapidamente, ma devono giustificare un altro contratto, una revisione della sicurezza, un progetto di integrazione e un confine dei dati.

La loro posizione più forte risiede in risultati verticali misurabili. Un fornitore specializzato può competere quando migliora un processo definito abbastanza da superare l’attrito negli acquisti.

Questo crea un test di mercato per la previsione di Gartner sulla spesa per l’AI. La domanda di infrastrutture può continuare a crescere mentre la spesa per le applicazioni si consolida attorno a un numero minore di fornitori e casi d’uso comprovati.

Anche gli hyperscaler affrontano una propria versione della questione del ROI. Devono mantenere utilizzate risorse computazionali costose mentre i clienti diventano più selettivi riguardo ai carichi di lavoro.

L’utilizzo misura quanta capacità di calcolo disponibile svolge lavoro utile. Un utilizzo debole può mettere sotto pressione i margini perché i data center comportano costi fissi significativi.

La domanda rimane abbastanza forte da sostenere la costruzione continua, ma la sua composizione conta. Addestrare un modello di frontiera produce dinamiche economiche diverse dal servire milioni di richieste aziendali più piccole.

Gli acquirenti aziendali si interessano sempre di più ai costi di inferenza perché tali spese ricorrono con l’uso. Un progetto pilota riuscito può diventare più costoso dopo che l’adozione si estende a dipendenti e clienti.

Questo crea un rischio insolito. Un maggiore utilizzo può convalidare la domanda del prodotto e al tempo stesso indebolire l’economia unitaria dell’implementazione.

Le aziende necessitano di controlli che instradino il lavoro più semplice verso modelli più piccoli e riservino il ragionamento costoso alle attività difficili. Necessitano inoltre di limiti per contesto, tentativi ripetuti, catene automatizzate e output non necessari.

I sistemi agentici amplificano questo problema. Un agente AI è un software che seleziona ed esegue più passaggi verso un obiettivo con una direzione umana limitata.

Una richiesta di un dipendente può attivare diverse chiamate al modello, ricerche, azioni sugli strumenti e passaggi di validazione. Il prompt visibile può quindi rappresentare soltanto una frazione del consumo totale.

Una migliore orchestrazione può ridurre questi costi, ma richiede maturità tecnica. Le aziende devono registrare l’attività dei modelli, collegarla ai risultati e identificare quali passaggi automatizzati aggiungono valore.

Sicurezza e governance rimangono altrettanto importanti. Un processo più economico non crea valore se espone dati riservati o prende decisioni non revisionate.

Ecco perché la sfida rimane tra ambizione e disciplina, anziché tra un fornitore e un altro. Microsoft, Google, Amazon, Anthropic, OpenAI e i fornitori specializzati operano tutti entro lo stesso test economico.

I fornitori possono rendere più semplice l’implementazione, ma i clienti restano responsabili del business case. Nessun fornitore di modelli può definire il tasso di errore accettabile, la base di riferimento del flusso di lavoro o l’esposizione normativa di un cliente.

Il percorso degli incumbent accelererà l’accesso. Se migliorerà il ROI dipenderà dalla cura con cui gli acquirenti governano ciò che accade dopo l’attivazione.

Tre segnali decideranno se la sbornia da AI si approfondirà

La fase successiva sarà giudicata attraverso la visibilità dei costi, i risultati in produzione e il divario tra crescita delle infrastrutture e domanda aziendale.

Il primo segnale è se le comunicazioni aziendali diventeranno più specifiche sui rendimenti dell’AI. Gli investitori dovrebbero guardare oltre le dichiarazioni sull’adozione ed esaminare ricavi, margini, tempi di ciclo e spese operative.

Un argomento più solido a favore della previsione di Gartner sulla spesa per l’AI emergerebbe se le aziende collegassero le implementazioni AI a risultati sottoposti a revisione o misurati con coerenza. Un maggior numero di licenze e progetti pilota non fornirebbe la stessa evidenza.

La valutazione si indebolirebbe se i dirigenti continuassero a segnalare benefici senza indicare basi di riferimento o costi completi. Tale modello suggerirebbe che l’attività AI rimane più facile da misurare del valore economico.

Le future indagini trimestrali di KPMG offrono un indicatore utile. Un aumento della quota del 7% che segnala un ROI stabilito indicherebbe che la disciplina nell’implementazione sta raggiungendo l’adozione.

Il secondo segnale è la proporzione di progetti pilota che passano a una produzione sostenuta. Per produzione si intende un sistema che supporta attività aziendali ricorrenti con monitoraggio, controlli e responsabili identificabili.

Un progetto pilota può avere successo in condizioni curate. La produzione espone il sistema a utenti diversi, dati in evoluzione, richieste insolite, vincoli di sicurezza e budget operativi reali.

Le evidenze di un utilizzo in produzione durevole rafforzerebbero l’idea che la spesa iniziale abbia creato basi per valore futuro. Cancellazioni ripetute o un utilizzo in diminuzione approfondirebbero la sbornia.

Le aziende dovrebbero comunicare la persistenza dei risultati, non soltanto i traguardi di lancio. Un carico di lavoro che funziona bene per un mese ma perde utenti non sostiene un ritorno duraturo.

Il terzo segnale è il modo in cui i principali fornitori tecnologici bilanciano gli investimenti infrastrutturali con ricavi e margini. I loro risultati finanziari mostreranno se la domanda assorbe la capacità in costruzione.

Una crescita continua del cloud, maggiori ricavi dai servizi AI e margini stabili sosterrebbero la tesi secondo cui gli investimenti in infrastrutture hanno anticipato una domanda reale. Un utilizzo debole o una crescente pressione dovuta agli ammortamenti la metterebbero in discussione.

Questi tre segnali devono essere letti insieme. Un migliore ROI aziendale può sostenere la domanda di infrastrutture, mentre infrastrutture meno costose possono migliorare l’economia dei carichi di lavoro enterprise.

Vale anche la relazione inversa. Una capacità costosa può aumentare i costi di inferenza, mentre risultati aziendali deboli possono spingere le imprese a razionare l’utilizzo.

Gartner prevede già che la spesa mondiale per l’AI supererà i 3.300 miliardi di dollari nel 2027. Questa proiezione rende più urgente disporre di evidenze sull’esecuzione, poiché l’impegno di capitale continua a crescere.

Le aziende statunitensi non si trovano di fronte a una semplice scelta tra investire e ritirarsi. Devono decidere quali sistemi AI meritano di essere scalati, quali richiedono una riprogettazione e quali dovrebbero essere abbandonati.

Per gli sviluppatori, questo significa che valutazione, osservabilità e controlli dei costi diventeranno requisiti centrali del prodotto. La sola capacità dei modelli non sarà sufficiente per concludere una vendita enterprise.

Per gli acquirenti aziendali, la domanda pratica è se un fornitore sia in grado di collegare le prestazioni tecniche a un flusso di lavoro controllato. Gli acquirenti dovrebbero richiedere evidenze che includano la revisione umana e i costi operativi totali.

I knowledge worker dovrebbero osservare se i datori di lavoro riprogettano i processi o si limitano ad aggiungere assistenti. Gli strumenti producono risultati migliori quando i team eliminano il lavoro ridondante, invece di sovrapporre nuovi obblighi alle vecchie routine.

La previsione di Gartner sulla spesa per l’AI segnala un mercato caratterizzato da un impegno finanziario enorme. Le evidenze sul ROI della spesa per l’AI indicano che il denaro, da solo, non può creare preparazione organizzativa.

La sbornia si aggraverà se i budget aumenteranno mentre la responsabilità resterà frammentata. Si attenuerà quando le aziende riusciranno a mostrare quali carichi di lavoro hanno migliorato i risultati, quanto sono costati e perché meritano finanziamenti continuativi.

Quali evidenze giustificherebbero la prossima espansione dell’AI nella vostra organizzazione? Definite il riferimento di base, il responsabile, il costo totale e il risultato misurabile prima di aggiungere un’altra implementazione. Poi riesaminate il carico di lavoro dopo che dipendenti reali lo avranno utilizzato in condizioni normali. Questa disciplina non respinge l’ambizione per l’AI. Le fornisce uno standard che team finanziari, lavoratori, clienti e consigli di amministrazione possono valutare.