AI Skills Gap 2026: Perché il 95% dei Progetti AI Fallisce (e Come Evitarlo)

Uno studio del MIT (Project NANDA), "The GenAI Divide: State of AI in Business 2025", ha acceso i riflettori su un dato che ha fatto discutere: il 95% dei progetti aziendali di AI generativa non genera un ritorno misurabile, nonostante investimenti stimati tra i 30 e i 40 miliardi di dollari nella sola prima metà del 2025. (Fonte Agenda Digitale)

Il dato è confermato anche dal Sole 24 Ore: circa il 60% delle aziende dichiara benefici marginali o sotto le attese, e il 95% dei progetti AI non supera la fase pilota. Meno della metà delle imprese ha inoltre un quadro completo dei costi reali di queste sperimentazioni. (Fonte Il Sole 24 Ore)

Il problema non è la tecnologia

Secondo il report MIT, la causa principale non è la qualità dei modelli né questioni legali, ma un "learning gap": la scarsa capacità dei sistemi — e soprattutto dei processi aziendali attorno ad essi — di adattarsi ai flussi di lavoro reali, memorizzare feedback e migliorare nel tempo. Strumenti come ChatGPT o Copilot restano utili a livello individuale, ma spesso non sono incastonati in processi ben progettati a livello organizzativo. (Fonte Economia X Finanza)

Costruire in casa raddoppia il rischio di fallimento

Un dato che smentisce un'idea diffusa: i progetti sviluppati internamente falliscono con frequenza doppia rispetto a quelli realizzati con partner esterni specializzati. Le aziende che acquistano soluzioni AI pronte e ben progettate hanno successo nel 67% dei casi, mentre chi prova a costruire tutto da solo fallisce due volte su tre — spesso perché creare e mantenere un sistema AI richiede competenze di frontiera difficili da avere internamente. (Fonte analisi indipendente sul report MIT)

Il paradosso della "shadow AI"

Mentre i progetti ufficiali arrancano, cresce un fenomeno parallelo: l'uso informale di strumenti come ChatGPT da parte dei dipendenti, spesso al di fuori delle licenze aziendali ufficiali e del controllo IT. Questo utilizzo "ombra" genera ritorni di produttività più immediati rispetto ai progetti strutturati, segnalando una distanza tra la domanda individuale di AI e la capacità delle organizzazioni di incanalarla in processi sicuri e misurabili. (Fonte Agenda Digitale)

Cosa distingue il 5% che ha successo

I progetti che generano valore reale condividono alcune caratteristiche: un obiettivo di business chiaro e specifico definito prima dell'acquisto dello strumento, un owner interno responsabile del progetto, una metrica di produttività concordata in anticipo, e un vero ridisegno del flusso di lavoro attorno allo strumento — non un semplice "incollaggio" dell'AI su processi esistenti. (Fonte Strategic Management Partners)

Un altro fattore critico, spesso sottovalutato, riguarda la qualità dei dati: molte aziende addestrano o alimentano i propri sistemi AI con dati distribuiti su ERP, CRM, BI e applicazioni verticali non integrati tra loro, ottenendo insight poco affidabili e difficili da governare. Senza integrazione dei dati, l'AI non può funzionare in modo efficace, indipendentemente dalla qualità del modello scelto. (Fonte GN Techonomy)

Domande frequenti

Perché così tanti progetti AI falliscono?

Principalmente per ragioni organizzative, non tecnologiche: mancanza di un obiettivo di business chiaro, assenza di un owner interno, processi non ridisegnati attorno allo strumento e dati aziendali poco integrati.

È meglio costruire un sistema AI internamente o affidarsi a un fornitore esterno?

I dati del report MIT mostrano un tasso di successo doppio per i progetti realizzati con partner esterni specializzati rispetto a quelli sviluppati interamente in casa.

Cosa fanno diversamente le aziende che hanno successo?

Definiscono l'obiettivo di business prima di scegliere lo strumento, nominano un responsabile interno, concordano metriche di produttività e ridisegnano il processo di lavoro, invece di limitarsi ad aggiungere l'AI a un flusso già esistente.