Il problema che l’AI non ha risolto

Ogni giorno nelle aziende si prendono decisioni con impatto economico diretto che vale milioni: un prezzo da fissare su una commessa, un mercato in cui entrare, un piano di produzione da validare. Sono decisioni ad alta complessità, spesso irreversibili, e quasi sempre prese senza visibilità completa delle loro conseguenze. Questo era il problema prima dell’intelligenza artificiale. Ed è ancora il problema dopo.

Lo Stanford AI Index 2026 registra un’adozione aziendale dell’AI all’ 88% e investimenti privati globali più che raddoppiati nel 2025. Eppure i guadagni di produttività documentati si concentrano nei task strutturati e ripetitivi (assistenza clienti, generazione di codice) dove l’ambiente è prevedibile e le variabili sono poche. Nei processi decisionali ad alto contenuto di giudizio, quelli che determinano margine, crescita e rischio,l’evidenza è debole o negativa.

Perché i processi decisionali sono rimasti fermi

Il motivo è strutturale. Oltre il 70% dei dati aziendali non viene condiviso in modo integrato tra le funzioni. Le variabili rilevanti per una decisione di business sono triplicate nell’ultimo decennio, ma i processi con cui si decide sono rimasti invariati: il commerciale stima i costi a intuito, il controller produce il report a consuntivo, il responsabile produzione ricostruisce il piano ogni volta che arriva un’urgenza. Margine, EBITDA e rischio vengono calcolati dopo, non simulati prima.

In questo contesto, interrogare un modello linguistico generico senza un processo decisionale a monte non produce decisioni migliori: produce risposte diverse alla stessa domanda a seconda di come la si formula o di quale versione del modello si usa. La stessa identica situazione, un investimento da 5 milioni con probabilità di successo al 60%, genera raccomandazioni contraddittorie a seconda del prompt. Il problema non è il dato. È l’assenza di metodo.

Quanto vale il disordine decisionale

Le ricerche di McKinsey e BCG quantificano il costo di questo disordine: il 20–35% degli SKU in portafoglio ha margini negativi a pieno costo; le inefficienze decisionali sistemiche erodono tra 3 e 10 punti percentuali di EBITDA; il 20–30% del capitale investito non genera ritorni ottimali. Non per incompetenza dei manager, ma perché ogni funzione ottimizza il proprio KPI senza visibilità sull’impatto complessivo. L’ottimizzazione locale crea sub-ottimalità globale.

Cosa cambia quando il processo c’è

Le imprese che stanno trasformando l’AI in valore misurabile non hanno comprato strumenti migliori. Hanno ridisegnato i loro processi decisionali. Dati integrati tra funzioni, modelli che simulano le conseguenze economiche prima dell’azione, KPI definiti e misurazione sistematica. Il risultato non è che l’AI decide al posto del manager, è che il manager smette di costruire la decisione da zero e sceglie tra scenari già validati economicamente.

I casi documentati parlano chiaro. Un produttore manifatturiero B2B con 40 milioni di ricavi ha ridotto il tempo di quotazione del 75% e migliorato la marginalità media di 6 punti percentuali, portando a un impatto EBITDA stimato di 200.000 euro annui. In un caso di controllo di gestione, il tempo di riconciliazione dati è sceso del 65%, il forecast sul cash flow copre ora un orizzonte di 12 mesi e gli scostamenti di marginalità non pianificati si sono ridotti del 35%. In entrambi i casi, il cambiamento sostanziale è lo stesso: le conseguenze delle decisioni sono visibili prima di agire, non a consuntivo.

La qualità del processo, non del modello

Lo Stanford AI Index 2026 descrive con precisione il paradosso: l’AI è ovunque, ma il suo impatto economico reale rimane concentrato in una minoranza di organizzazioni. La differenza non è la qualità dei modelli — ormai commodity. È la qualità del processo decisionale in cui quei modelli operano. Senza un processo rigoroso a monte, anche la migliore intelligenza artificiale disponibile rimane un’opinione sofisticata. Con un processo, diventa un vantaggio competitivo difendibile.