Per gran parte del 2024 e del 2025 il dibattito sull’intelligenza artificiale nelle imprese è stato sorprendentemente superficiale. Da una parte dirigenti convinti che bastasse acquistare qualche licenza di chatbot per dichiararsi “AI driven”; dall’altra sviluppatori concentrati quasi esclusivamente sulle ultime funzionalità degli agenti autonomi. Nel mezzo, un enorme vuoto culturale. Oggi, dai confronti con manager, CTO e responsabili dell’innovazione emerge una realtà meno glamour di quella raccontata dalle conferenze della Silicon Valley: il problema delle aziende non è più adottare l’AI, ma comprenderla.
Molte organizzazioni continuano infatti a utilizzare un solo modello linguistico per qualsiasi attività, indipendentemente dalla complessità del compito, dal costo computazionale o dal valore generato. Il paradigma dominante resta ancora quello del “modello più grande uguale modello migliore”. Una semplificazione comprensibile, ma economicamente discutibile. Nel mercato enterprise si conoscono quasi esclusivamente i grandi nomi, come OpenAI, Microsoft Copilot, Google con il suo ecosistema Gemini oppure Anthropic con Claude. Tutto il resto rimane spesso fuori dal radar aziendale.
Questa situazione ricorda i primi anni del cloud computing, quando molte imprese acquistavano capacità infrastrutturale senza comprendere realmente concetti fondamentali quali elasticità, scalabilità o ottimizzazione dei workload. Oggi il fenomeno si ripete con l’intelligenza artificiale. Durante workshop e incontri tecnici emerge frequentemente la necessità di spiegare concetti basilari quali inferenza, caching dei token, finestre di contesto o orchestrazione multi-modello. In numerosi casi persiste persino la convinzione che sia sempre necessario saturare contesti da un milione di token per ottenere risultati migliori, quando nella maggior parte dei processi aziendali contesti molto più piccoli risultano non solo sufficienti, ma spesso superiori in termini di velocità, accuratezza e costi operativi.
La conseguenza è una distorsione strategica rilevante. L’attenzione del management si concentra ossessivamente sulla riduzione del costo dei token, mentre quasi nessuno misura il ritorno economico generato dall’AI. Si spendono settimane per discutere qualche euro risparmiato nell’inferenza, ma raramente si analizza quanto valore aggiuntivo venga creato in termini di produttività, riduzione del time-to-market, miglioramento del servizio clienti o incremento dei ricavi. Il risultato è che l’intelligenza artificiale viene spesso trattata come una voce di costo IT anziché come un asset industriale.
Secondo recenti analisi sull’adozione del cloud e dell’AI nelle imprese, circa il 64% delle organizzazioni più mature sta progressivamente modificando il proprio approccio, valutando le infrastrutture non più soltanto in funzione dell’efficienza economica, ma soprattutto del valore consegnato al business. L’attenzione si sposta dal semplice “quanto costa?” verso domande molto più sofisticate: qual è il costo per workflow? Qual è il costo per cliente servito? Qual è il costo per unità di valore prodotta? Questa trasformazione segna il passaggio dall’adozione tattica alla maturità strategica dell’AI.
In questo contesto assume particolare rilevanza il paradigma multi-modello. L’idea è apparentemente banale: utilizzare il modello più adatto per ciascun compito specifico. Un piccolo modello open source può essere perfettamente adeguato per classificare documenti, estrarre dati strutturati o automatizzare workflow ripetitivi; un modello frontier può essere riservato ai compiti ad alto valore cognitivo. La differenza economica può essere enorme. Infrastrutture capaci di orchestrare dinamicamente modelli differenti consentono infatti di ridurre drasticamente i costi mantenendo elevata la qualità del risultato. Non si tratta soltanto di ottimizzazione tecnica. Si tratta di strategia industriale.
Un’altra contraddizione emerge osservando il comportamento degli sviluppatori. Questioni come privacy, data retention e sovranità dei dati vengono spesso considerate secondarie rispetto alla disponibilità di nuovi agenti, plugin o strumenti di sviluppo. Questa gerarchia delle priorità è comprensibile dal punto di vista operativo, ma potenzialmente rischiosa. In settori regolamentati, dalla finanza alla difesa, passando per sanità e pubblica amministrazione, il controllo dei dati rappresenta un fattore competitivo tanto quanto la qualità del modello stesso. Non sorprende quindi che grandi organizzazioni, incluse realtà industriali strategiche, limitino fortemente l’utilizzo di strumenti AI generalisti attraverso policy interne molto restrittive.
Parallelamente, sta emergendo un ulteriore livello di complessità: quello energetico. Uno studio pubblicato dalla Banca d’Italia evidenzia come la crescita dei data center possa avere implicazioni significative sulla domanda elettrica, sugli investimenti infrastrutturali e sugli equilibri economici complessivi del sistema energetico nazionale. L’espansione dell’AI generativa non è infatti soltanto una questione software; richiede capacità computazionale crescente, reti elettriche resilienti e disponibilità di energia a costi competitivi.
Il tema è diventato ormai centrale anche nel dibattito internazionale. Il Segretario Generale delle Nazioni Unite, António Guterres, ha recentemente invitato le principali aziende di intelligenza artificiale a rendere trasparente il proprio impatto ambientale e ad alimentare i data center con fonti rinnovabili entro il 2030. La richiesta appare tutt’altro che simbolica. Oggi la competizione globale sull’AI è anche una competizione sull’energia. Chi controllerà infrastrutture energetiche abbondanti, stabili e sostenibili disporrà di un vantaggio competitivo difficilmente replicabile.
L’industria tecnologica si trova quindi davanti a una fase di maturazione inevitabile. L’epoca nella quale bastava annunciare “abbiamo integrato l’intelligenza artificiale” sta rapidamente terminando. Le imprese più avanzate stanno già comprendendo che il valore non risiede nel possedere il modello più grande, ma nel progettare architetture intelligenti, misurare il ROI reale, governare i dati e ottimizzare l’intero ciclo operativo.
L’intelligenza artificiale enterprise sta smettendo di essere una gara di benchmark. Sta diventando una disciplina manageriale. Come spesso accade nelle tecnologie mature, i vincitori potrebbero non essere coloro che dispongono dell’algoritmo più sofisticato, ma quelli capaci di fare una domanda molto più prosaica: quale problema stiamo davvero risolvendo? Scopri di piu’ Regolo.AI