KPMG rileva che l'adozione dell'AI nelle imprese continua a superare l'impatto misurabile

Le più recenti rilevazioni di KPMG sull'AI aziendale sono approdate su Google News con un netto contrasto: il 95 percento delle organizzazioni intervistate dispone di una strategia AI, ma solo l'8 percento dichiara ritorni consolidati.

Questa differenza conta più dell'ennesimo annuncio su modelli più veloci o investimenti infrastrutturali più ingenti. Le aziende hanno acquisito strumenti di AI, avviato progetti pilota e incoraggiato i dipendenti a sperimentare. La maggior parte, però, non ha riprogettato i flussi di lavoro, i sistemi di responsabilità o le pratiche di misurazione necessari per trasformare quell'attività in performance aziendale.

Il Global AI Pulse di KPMG per il primo trimestre del 2026 colloca il 54 percento delle organizzazioni nelle fasi iniziali di ricerca, sperimentazione o pianificazione strategica. Un altro 39 percento sta ampliando l'AI o promuovendone l'adozione. Solo un piccolo gruppo è passato da un'attività diffusa a ritorni misurabili e ripetibili.

La divisione che ne risulta non è più tra organizzazioni che usano l'AI e organizzazioni che non la usano. Separa le aziende che trattano l'AI come software accessibile da quelle che la gestiscono come una capacità aziendale integrata.

Questa è la vera storia dietro l'ultimo titolo di Google News. L'adozione continua a diffondersi, ma l'impatto resta concentrato nelle organizzazioni che riprogettano il lavoro attorno all'AI anziché affiancarla al lavoro esistente.

Google News evidenzia un divario nell'adozione dell'AI, non nell'accesso

L'AI aziendale è diventata abbastanza comune da rendere la semplice adozione non più una prova di maturità.

KPMG ha basato le sue rilevazioni del primo trimestre su un sondaggio condotto tra 2.110 dirigenti senior in 20 Paesi, territori e giurisdizioni. I partecipanti rappresentavano otto settori e includevano leader C-suite e i loro riporti diretti in grandi organizzazioni.

A prima vista, i numeri principali appaiono contraddittori. Secondo il Global AI Pulse, il 95 percento delle organizzazioni ha una strategia AI. Il sessantaquattro percento riferisce un valore aziendale significativo, ma solo l'8 percento afferma di avere un ROI consolidato.

Queste risposte misurano diversi livelli di avanzamento. Un team può risparmiare tempo nella revisione dei documenti o nello sviluppo software senza produrre un risultato visibile nei bilanci aziendali. Può anche riferire risultati utili prima di dimostrare che tali risultati superano i costi di implementazione, integrazione, supervisione e calcolo.

La ripartizione per maturità di KPMG chiarisce ulteriormente la distinzione. L'undici percento delle organizzazioni resta concentrato su ricerca e sviluppo. Il ventidue percento sperimenta attraverso proof of concept o progetti pilota, mentre il 21 percento sta costruendo strategie, indicatori di performance e infrastrutture dati.

Nel complesso, questi gruppi costituiscono il 54 percento ancora classificato come adottante in fase iniziale. Il ventisei percento sta ampliando l'AI nell'intera azienda e il 13 percento sta guidando un'adozione organizzativa più ampia. Il restante 8 percento dichiara ritorni consolidati legati a risultati aziendali significativi.

Questo non dimostra che il 92 percento dei programmi AI abbia fallito. Il sondaggio non avanza tale affermazione. Mostra che la maggior parte delle organizzazioni non ha ancora raggiunto il punto in cui i ritorni sono al tempo stesso consolidati e misurabili.

Un distinto sondaggio di McKinsey indica la stessa direzione. Ha rilevato che l'88 percento dei rispondenti ha dichiarato un uso regolare dell'AI in almeno una funzione aziendale nel 2025. Tuttavia, solo circa un terzo ha affermato che le proprie organizzazioni avevano iniziato a scalare programmi AI.

Il divario esiste perché usare l'AI in una funzione rappresenta una soglia bassa. Un chatbot approvato, un assistente per la programmazione o uno strumento di sintesi automatizzata possono soddisfare questa definizione. L'impatto aziendale richiede cambiamenti connessi nei processi, nei dati, negli incentivi, nei controlli e nelle decisioni.

Questa distinzione spiega anche perché sondaggi apparentemente in conflitto possono essere tutti accurati. Uno studio può misurare se i dipendenti hanno accesso all'AI. Un altro può chiedere se un'azienda ha implementato agenti. Un terzo può richiedere ritorni finanziari verificati.

I lettori di Google News devono quindi esaminare il denominatore e la definizione di maturità alla base di ogni titolo. “Usare l'AI”, “scalare l'AI” e “ottenere ROI dall'AI” descrivono stati diversi, anche quando la copertura li tratta come intercambiabili.

Il sondaggio di KPMG è utile perché colloca questi stati lungo una progressione. La progressione inizia con ricerca e progetti pilota, prosegue con la scalabilità aziendale e termina con ritorni consolidati. La maggior parte delle organizzazioni resta a metà di questo percorso.

La spesa cresce più rapidamente dei ritorni misurabili

Le aziende stanno aumentando gli impegni nell'AI prima di aver definito come misurarne il valore.

KPMG afferma che le organizzazioni intervistate pianificavano un investimento medio di 186 milioni di dollari nell'AI nei 12 mesi successivi. La media è stata ponderata per riflettere la dimensione delle aziende e la rappresentazione regionale, quindi non va interpretata come un budget aziendale universale.

Anche i piani regionali variavano. Le organizzazioni dell'Asia-Pacifico hanno riportato il più alto investimento medio pianificato, pari a 245 milioni di dollari. Seguivano le Americhe con 178 milioni di dollari, mentre Europa, Medio Oriente e Africa registravano una media di 157 milioni di dollari.

Queste cifre mostrano impegno, ma la spesa è un input. Dice poco sul fatto che un'azienda abbia selezionato flussi di lavoro di valore, ottenuto un'adozione coerente o acquisito benefici sufficienti a coprire i costi operativi.

Le spese per l'AI si comportano inoltre in modo diverso rispetto a molte spese software tradizionali. L'uso dei modelli può crescere con token, richieste, passaggi automatizzati e numero di agenti coinvolti. Un progetto pilota di successo può quindi diventare più costoso quando raggiunge più lavoratori o gestisce processi più lunghi.

L'aggiornamento di KPMG per il secondo trimestre ha reso questo problema più visibile. Il sondaggio ha rilevato che il 42 percento dei leader disponeva soltanto di una visibilità parziale sulla spesa AI. Il trentatré percento ha indicato la comprensione limitata delle strutture dei costi, inclusi i token, come una sfida nell'implementazione degli agenti.

La questione mette sotto pressione contemporaneamente direttori finanziari, responsabili tecnologici e titolari delle unità aziendali. I team finanziari vogliono ritorni difendibili. I team tecnologici necessitano di infrastrutture e sicurezza affidabili. I responsabili operativi devono dimostrare che un'implementazione migliora un processo reale anziché creare più attività.

La pressione aumenta quando un'azienda automatizza un lavoro in più fasi. Un agente AI è un sistema in grado di pianificare ed eseguire diverse azioni verso un obiettivo. A differenza della singola risposta di un chatbot, un agente può chiamare strumenti, recuperare dati aziendali, rivedere il proprio output e trasferire il lavoro a un altro sistema.

Ogni passaggio aggiuntivo può generare costi, latenza e un'ulteriore opportunità di errore. Un processo che appare impressionante in una dimostrazione controllata può diventare difficile da supervisionare quando migliaia di dipendenti lo utilizzano con dati in tempo reale.

Ecco perché un ROI consolidato resta raro anche quando il valore aziendale dichiarato è molto più comune. Il valore aziendale può includere completamenti più rapidi, una migliore esperienza dei dipendenti o un migliore accesso alle informazioni. Il ROI richiede un confronto finanziario definito tra i benefici e il costo completo necessario per produrli.

Il calcolo dovrebbe includere più degli abbonamenti ai modelli. Anche il lavoro di integrazione, la preparazione dei dati, la formazione dei dipendenti, la valutazione, le revisioni di sicurezza, la risposta agli incidenti e la supervisione umana consumano risorse.

Alcuni benefici resistono anche a una misurazione finanziaria immediata. Un assistente può aiutare un analista a trovare più rapidamente il contesto pertinente, ma l'azienda deve comunque collegare quel tempo risparmiato a capacità, ricavi, qualità o rischio evitato.

Le organizzazioni spesso si fermano alla prima metrica. Contano licenze, utenti attivi, prompt o documenti generati. Queste misure mostrano attività, non impatto aziendale.

Una catena di misurazione più solida parte da un flusso di lavoro specifico. Quindi monitora se l'AI modifica tempi di ciclo, tassi di errore, conversione, qualità del servizio o un altro risultato operativo. Solo dopo aver stabilito questo collegamento i leader possono avanzare un'affermazione finanziaria credibile.

Le successive rilevazioni del secondo trimestre di KPMG sostengono questo approccio. Le organizzazioni con una forte visibilità dei costi avevano una probabilità cinque volte maggiore di dichiarare un ROI consolidato, al 15 percento rispetto al 3 percento.

Questa relazione non dimostra che le dashboard creino ritorni. Le organizzazioni più capaci potrebbero essere migliori sia nel controllo dei costi sia nell'implementazione dell'AI. Tuttavia, il modello rafforza un punto pratico: i team non possono gestire un investimento che non riescono a vedere.

La vera divisione è tra orchestrazione e implementazione di strumenti

Le organizzazioni che stanno avanzando coordinano l'AI tra flussi di lavoro, dati, governance e decisioni umane.

KPMG identifica circa l'11 percento dei rispondenti come leader dell'AI. Il loro vantaggio non deriva soltanto da una maggiore spesa o dall'implementazione di più strumenti. Deriva dal trattare l'AI come parte di un modello operativo.

Il rapporto definisce questo approccio orchestrazione. In questo contesto, orchestrazione significa coordinare modelli, agenti, dati, controlli, dipendenti e processi aziendali come un unico sistema gestito.

È uno standard più elevato rispetto all'offrire ai dipendenti un chatbot. Un assistente generico può aiutare nella stesura, nella sintesi o nell'esplorazione lasciando invariato il flusso di lavoro circostante. L'AI orchestrata cambia il modo in cui il lavoro entra in un processo, come il contesto lo accompagna, chi esamina le decisioni e come i risultati tornano sotto forma di feedback.

Si consideri un flusso di lavoro per l'assistenza clienti. Un'implementazione di base consente a un agente di redigere una risposta. Un sistema più maturo recupera la corretta cronologia dell'account, applica le policy, segnala l'incertezza, indirizza i casi sensibili a una persona, registra la risoluzione e misura se il servizio è migliorato.

Il secondo sistema richiede molto più di un modello capace. Necessita di dati affidabili, autorizzazioni di sistema, regole di escalation chiare, monitoraggio e un responsabile di processo.

Lo stesso schema si applica allo sviluppo del prodotto. Un assistente isolato può sintetizzare interviste o generare requisiti. Un flusso di lavoro integrato collega evidenze di ricerca, feedback dei clienti, decisioni di prodotto, vincoli tecnici e risultati successivi.

Questo collegamento spiega perché una base di conoscenza AI ricercabile possa contare più di un'altra interfaccia generica. Il modello necessita di un contesto organizzativo pertinente, mentre i dipendenti hanno bisogno di un modo per esaminare e riutilizzare il materiale alla base del suo output.

Ricerche precedenti di McKinsey hanno rilevato che la riprogettazione dei flussi di lavoro aveva una delle relazioni più forti con l'impatto dichiarato sugli utili dell'AI generativa. Eppure, meno di un terzo dei rispondenti ha affermato che le proprie organizzazioni seguivano la maggior parte delle pratiche esaminate di adozione e scalabilità.

Meno di uno su cinque ha riferito di monitorare indicatori di performance chiaramente definiti per le soluzioni di AI generativa. Questa rilevazione espone la debolezza alla base di molte affermazioni sull'adozione. Un'azienda non può capire quali implementazioni funzionano se non ha definito cosa significhi successo.

La riprogettazione dei flussi di lavoro crea anche difficoltà politiche e organizzative. Cambia responsabilità, percorsi di approvazione, ipotesi sul personale e talvolta i confini tra i reparti. Installare uno strumento è spesso più facile che negoziare questi cambiamenti.

I dipendenti possono usare frequentemente un assistente evitando però di impiegarlo per decisioni rilevanti. I manager possono incoraggiare la sperimentazione senza modificare le aspettative sugli output. I team di sicurezza possono approvare un'interfaccia ma bloccare le connessioni dati necessarie per un'integrazione più profonda.

Quelle condizioni producono un utilizzo visibile senza impatto strutturale. I dipendenti generano più bozze e riepiloghi, ma le decisioni continuano a passare attraverso gli stessi colli di bottiglia. L’organizzazione diventa più impegnata senza diventare sostanzialmente più veloce.

Il gruppo dei leader di KPMG suggerisce un’altra strada. Queste organizzazioni allineano l’AI alla crescita invece di concentrarsi soltanto sulla riduzione dei costi. Riferiscono inoltre una maggiore preparazione della forza lavoro e una fiducia più elevata nella misurazione dell’impatto sul business.

Questo conta perché la riduzione dei costi incoraggia una domanda di implementazione ristretta: quali attività esistenti può svolgere un modello? Una domanda orientata alla crescita chiede invece come l’AI cambi il prodotto, l’esperienza del cliente o la velocità di apprendimento.

Il primo approccio può generare efficienze utili. Il secondo richiede maggiore coordinamento, ma crea anche risultati che i concorrenti potrebbero trovare più difficili da replicare.

Microsoft descrive una destinazione simile attraverso il proprio concetto di “Frontier Firm”. Il suo Work Trend Index ha analizzato 31.000 lavoratori in 31 Paesi, dati sul mercato del lavoro di LinkedIn e attività di Microsoft 365.

Microsoft afferma che queste imprese organizzano il lavoro attorno a team composti da persone e agenti, con intelligenza disponibile su richiesta. Questa impostazione riflette la prospettiva di un fornitore, quindi le sue affermazioni sulle prestazioni meritano un esame attento. Ciononostante, coglie la direzione organizzativa evidenziata da KPMG.

La divisione competitiva, quindi, non è Microsoft contro Google, né un foundation model contro un altro. È distribuzione di strumenti contro orchestrazione operativa.

Le organizzazioni sul primo percorso accumulano licenze e progetti pilota. Quelle sul secondo selezionano i flussi di lavoro, collegano un contesto affidabile, assegnano responsabilità, misurano i risultati e rivedono il processo.

La scelta del modello continua a contare per qualità, costo, sicurezza e latenza. Tuttavia, cambiare modello non può rimediare alla mancanza di responsabilità o a un obiettivo aziendale non definito.

Cosa i numeri sull’adozione dell’AI non dimostrano ancora

Lo slancio rilevato dalle indagini è reale, ma maturità e valore auto-dichiarati restano misure imperfette delle prestazioni operative.

La ricerca di KPMG raccoglie le percezioni dei dirigenti di grandi organizzazioni. Questi leader possono descrivere strategia, investimenti e direzione organizzativa, ma potrebbero non osservare l’uso quotidiano in ogni team.

L’indagine include inoltre organizzazioni che differiscono per regione, settore, regolamentazione e capacità tecnica. Una banca che implementa l’AI in processi di revisione controllati affronta vincoli diversi rispetto a un’azienda software che aggiunge un assistente agli strumenti di sviluppo.

Le percentuali aggregate possono nascondere tali differenze. Possono anche celare se gli intervistati usano la stessa definizione di “valore aziendale significativo”.

Un dirigente può interpretare il valore come una maggiore rapidità nell’output dei dipendenti. Un altro può richiedere maggiori ricavi o minori spese. Un terzo può considerare l’evitamento del rischio, anche quando la perdita evitata non è direttamente osservabile.

Un ROI consolidato sembra più preciso, ma gli intervistati possono comunque applicare metodi diversi. Alcuni possono includere i costi di implementazione e supervisione, mentre altri confrontano i benefici soltanto con le tariffe del software.

I numeri di KPMG dovrebbero quindi essere trattati come evidenza direzionale sulla maturità, non come prova certificata dei rendimenti economici.

La stessa cautela si applica ai confronti tra rapporti. L’AI Index 2026 di Stanford riferisce che l’adozione organizzativa dell’AI ha raggiunto l’88 per cento nel 2025. Osserva inoltre che il deployment degli agenti è rimasto su valori a una sola cifra in quasi ogni funzione aziendale.

Questi fatti sono compatibili perché l’accesso diffuso è arrivato prima dell’uso operativo profondo. Mostrano inoltre perché una singola percentuale di adozione non può rispondere alla domanda se l’AI abbia cambiato l’organizzazione.

L’AI Index indica guadagni di produttività più forti nel lavoro strutturato e misurabile. Cita studi che mostrano miglioramenti nel supporto clienti, nello sviluppo software e nell’output di marketing, rilevando al contempo risultati più deboli nelle attività che richiedono un ragionamento più approfondito.

Questo schema offre un vincolo importante. L’AI dà il meglio dove i team possono definire gli input, verificare gli output e misurare i risultati. Il lavoro strategico aperto ha meno segnali di feedback affidabili.

Un’azienda può comunque usare l’AI per lavori complessi, ma necessita di una supervisione umana più solida e di un modo più chiaro per rilevare gli errori. Senza queste salvaguardie, un output più rapido può semplicemente accelerare decisioni deboli.

Sicurezza e privacy aggiungono un’altra fonte di attrito. KPMG ha rilevato che il 75 per cento degli intervistati ha espresso preoccupazione per i rischi e la sicurezza legati all’AI. Solo il 20 per cento delle organizzazioni nelle fasi iniziali ha riferito fiducia nella gestione del rischio AI, rispetto al 47 per cento dei leader AI.

Queste preoccupazioni non sono un argomento per interrompere l’implementazione. Mostrano perché il solo accesso non può produrre maturità. Un’organizzazione necessita di policy, controlli tecnici, routine di valutazione e responsabilità per gli incidenti prima di poter estendere i casi d’uso sensibili.

La preparazione della forza lavoro crea un vincolo analogo. KPMG ha rilevato che il 68 per cento delle organizzazioni ha espresso una certa fiducia nella propria pipeline di talenti, ma solo il 22 per cento ha riportato un’elevata fiducia.

Formare i dipendenti a scrivere prompt non colmerà da solo questo divario. I lavoratori devono sapere quando l’AI è appropriata, quali evidenze richiede un output, quali dati possono essere usati e quando una persona deve assumere il controllo.

I leader devono inoltre decidere come convertire in valore il tempo risparmiato. Se un dipendente completa un’attività più rapidamente ma riceve altro lavoro di scarso valore, l’organizzazione ha migliorato l’efficienza locale senza modificare le prestazioni.

È qui che i programmi di adozione spesso si scollegano dalla progettazione aziendale. I team tecnologici gestiscono gli strumenti, quelli di formazione gestiscono l’addestramento, quelli finanziari richiedono rendimenti e i team operativi mantengono i propri obiettivi esistenti. Nessun singolo responsabile controlla l’intero risultato.

La lettura scettica dell’indagine KPMG non è quindi che l’AI non abbia prodotto alcun valore. È che la distanza tra valore dichiarato e ROI consolidato resta troppo ampia per trarre conclusioni semplici.

La lettura ottimistica è più specifica. Un piccolo gruppo ha iniziato a collegare il deployment a risultati aziendali misurabili, suggerendo che il valore è possibile quando le condizioni organizzative lo supportano.

Entrambe le interpretazioni rifiutano lo stesso errore: trattare accesso, utilizzo e impatto come sinonimi.

Tre segnali mostreranno se il divario si sta riducendo

La prossima fase sarà decisa dall’adozione quotidiana dei flussi di lavoro, dalla responsabilità sui costi e dai risultati operativi misurati.

Il primo segnale è il movimento lungo la curva di maturità di KPMG. La sua indagine del secondo trimestre mostrava già che la quota di organizzazioni in cui l’AI fa parte del lavoro quotidiano era salita al 22 per cento dal 13 per cento del primo trimestre.

Si tratta di un progresso significativo perché l’uso di routine richiede più di un progetto pilota temporaneo. Tuttavia, la conferma più forte sarebbe un aumento corrispondente del ROI consolidato, non soltanto un passaggio dalla sperimentazione all’adozione.

L’indagine di KPMG del secondo trimestre ha rilevato che il ROI consolidato restava concentrato al 7 per cento. Il campione e l’inquadramento trimestrale richiedono un confronto attento, ma il messaggio rimane coerente. L’uso quotidiano cresce più rapidamente dei rendimenti verificati.

Se le future indagini mostreranno un’adozione più ampia insieme a un ROI in aumento, le ragioni a favore dell’apprendimento aziendale si rafforzeranno. Se l’adozione aumenterà mentre il ROI resterà vicino ai livelli attuali, il divario di valore diventerà più difficile da liquidare come un ritardo temporaneo.

Il secondo segnale è la visibilità dei costi. I leader dovrebbero osservare se le organizzazioni riescono ad attribuire a specifici flussi di lavoro le spese per modelli, agenti, infrastruttura, integrazione e revisione umana.

I dashboard dei costi da soli non dimostrano il valore. Diventano utili quando sono abbinati a misure operative e responsabili identificabili.

KPMG ha riferito che il 53 per cento delle organizzazioni disponeva di dashboard per il monitoraggio dei costi AI nel secondo trimestre. Il 54 per cento includeva revisioni dei costi nei processi di approvazione dell’AI.

Il test più solido è verificare se questi controlli cambiano le decisioni. I team dovrebbero ritirare i casi d’uso deboli, riprogettare quelli costosi ed espandere le implementazioni che producono risultati difendibili.

Se le aziende continueranno a scalare senza comprendere i costi basati sull’utilizzo, l’AI agentica potrebbe ampliare il divario. I sistemi multi-agente possono moltiplicare chiamate, token, strumenti e punti di errore all’interno di una singola attività.

Il terzo segnale è l’evidenza a livello di flusso di lavoro. Le ampie indagini tra i dipendenti resteranno utili, ma i decisori hanno bisogno di misure legate a processi specifici.

Un’implementazione nel supporto dovrebbe monitorare qualità della risoluzione, tempo di ciclo, tassi di escalation e risultati per il cliente. Un’implementazione nello sviluppo dovrebbe monitorare tempi di consegna, difetti, carico di revisione e manutenibilità. Un’implementazione nella ricerca dovrebbe misurare accuratezza, qualità delle fonti e velocità decisionale.

Queste misurazioni dovrebbero andare oltre dimostrazioni di breve durata. Un flusso di lavoro che riesce per quattro settimane può indebolirsi quando i dati cambiano, i dipendenti si adattano o l’utilizzo si espande.

Le organizzazioni dovrebbero inoltre pubblicare distinzioni più chiare tra produttività lorda e valore effettivamente acquisito. Risparmiare dieci minuti non crea automaticamente un ritorno finanziario. L’organizzazione deve reindirizzare tale capacità o migliorare un risultato che i clienti apprezzano.

Google News continuerà a far emergere grandi percentuali di adozione perché offrono titoli semplici. Le evidenze più importanti appariranno in misure operative meno eclatanti.

Osservate la quota di organizzazioni che riportano un ROI consolidato. Osservate se la visibilità dei costi modifica le scelte di implementazione. Poi osservate se i singoli flussi di lavoro producono guadagni duraturi dopo aver incluso i costi di supervisione, integrazione e rischio.

Per gli acquirenti aziendali e i knowledge worker, la domanda pratica non è più se l’AI meriti sperimentazione. Le evidenze mostrano che la sperimentazione è già diffusa.

La domanda è se la vostra organizzazione possa identificare un flusso di lavoro importante, definirne il punto di riferimento, collegare il contesto giusto, assegnare un responsabile e misurare il risultato nel tempo.

Se non può farlo, un altro modello o agente non colmerà il divario. Se può farlo, l’adozione dell’AI ha un percorso verso un impatto che resiste oltre il prossimo titolo di Google News.