Il 95% dei progetti di IA aziendale fallisce davvero? Una lettura attenta del report del MIT

"Il 95% dei progetti di IA aziendale fallisce."

Probabilmente avete visto questa frase cinquanta volte quest'anno. Anche noi. Poi abbiamo scaricato il report e letto tutte le 26 pagine. Merita la lettura, ma non per il motivo per cui è diventato virale.

Cosa misura davvero il 95%?

La statistica proviene da "The GenAI Divide: State of AI in Business 2025", un report del luglio 2025 del Project NANDA del MIT (Challapally, Pease, Raskar e Chari). La ricerca si basa su interviste con 52 organizzazioni, un sondaggio tra 153 dirigenti e l'analisi di oltre 300 iniziative di IA rese pubbliche.

Guardiamo la definizione del report stesso. Per essere "riuscito", uno strumento deve produrre ciò che utenti o dirigenti descrivono come un "impatto marcato e duraturo sulla produttività o sul conto economico", valutato sei mesi dopo il progetto pilota. In altre parole, ciò che viene misurato non è il bilancio ma la dichiarazione degli intervistati. La nota di ricerca del report lo dice chiaramente: le cifre si basano su interviste individuali e non su rendicontazioni ufficiali, e vanno considerate indicative.

Inoltre, nella sezione sui limiti gli autori ammettono che una finestra di osservazione di sei mesi può essere troppo breve per implementazioni aziendali complesse, il che sottostimerebbe i tassi di successo.

Quindi la conclusione non è "l'IA non funziona". La conclusione è: la maggior parte dei piloti, al sesto mese, non aveva ancora dato frutti agli occhi degli intervistati. Non è la stessa frase.

Tre risultati che nessuno cita

1. L'economia della shadow AI. Solo il 40% delle aziende intervistate ha acquistato un abbonamento ufficiale a uno strumento di IA. Eppure in oltre il 90% delle stesse aziende i dipendenti usano già strumenti di IA personali per lavorare. Il report la chiama "shadow AI economy", l'economia dell'IA ombra.

2. La cifra sul budget non è una misurazione. La quota dei budget IA destinata a vendite e marketing appare come 50% in una sezione del report e 70% in un'altra. La fonte del numero è una domanda che chiedeva ai dirigenti di ripartire 100 dollari ipotetici tra le funzioni. Va letta come un umore, non come una misurazione.

3. Partnership esterne contro sviluppi interni. I progetti con partner esterni hanno raggiunto la produzione circa nel 67% dei casi, quelli sviluppati internamente circa nel 33%. Noi vendiamo servizi; è naturale leggere questo numero da noi con sospetto. Il report stesso condivide quel sospetto: scrive chiaramente che il divario può riflettere le capacità organizzative più che la scelta di acquisto, e che la correlazione non dimostra la causalità.

Nella stessa azienda l'IA "fallisce" e viene usata ogni giorno

Componete il quadro. L'azienda dice che il progetto ufficiale "non ha dato risultati". Nella stessa azienda le persone usano l'IA ogni giorno, spesso con account personali pagati di tasca propria, e finiscono il lavoro più in fretta.

Nessuno lo misura. Nessuno collega quel guadagno ai risultati aziendali.

La diagnosi del report punta nella stessa direzione: la barriera principale alla scala non è l'infrastruttura, la regolamentazione o il talento, ma l'apprendimento. Gli strumenti non trattengono i feedback, non si adattano al contesto, non migliorano nel tempo. Nello stesso set di dati, circa l'83% dei piloti con strumenti generalisti arriva all'uso, il 70% degli utenti preferisce l'IA per i compiti rapidi, mentre per il lavoro complesso e di lungo periodo nove su dieci preferiscono l'essere umano.

Quindi ciò che è fallito non è l'IA. Ciò che è fallito è l'infrastruttura che trasforma la produttività individuale in risultati organizzativi: il livello di misurazione, integrazione e apprendimento. Nella maggior parte delle aziende quel livello non è mai stato costruito.

Il report descrive esattamente ciò che abbiamo costruito

Il report contiene un risultato che tocca direttamente il nostro settore: i risparmi reali emergono soprattutto nel back office, e una delle voci è una riduzione di circa il 30% della spesa esterna per agenzie e contenuti.

Questo risultato non ci preoccupa; è esattamente il motivo per cui abbiamo costruito PumpGrowthOS. Era già evidente che il modello di agenzia classico, che esegue a mano lavoro ripetibile e lo fattura, avrebbe perso contro l'IA. Guardate dove il report elenca ciò che distingue il "5% di successo": sistemi integrati nei processi, risultati misurabili, implementazioni che imparano nel tempo. Anche il nostro modello è questo: invece di vendere servizi di agenzia, costruire l'infrastruttura di misurazione, il ciclo decisionale basato sui dati e l'automazione integrata nei processi, e poi gestire la crescita su quel sistema.

In altre parole, quando il report dice "tagliate la spesa per le agenzie", descrive anche verso cosa passare, e ciò che descrive non è un'agenzia ma un sistema di crescita. Abbiamo spiegato passo dopo passo come appare questo approccio nella pratica nella nostra guida al marketing data-driven.

Una nota di trasparenza

Il report proviene dal Project NANDA del MIT. NANDA è un'iniziativa che sviluppa protocolli per far collaborare gli agenti di IA, e la conclusione del report è, guarda caso, che "la risposta sta nei sistemi basati su agenti". Questo non rende il report sbagliato. Significa però che i dati e la conclusione meritano di essere letti separatamente. È ciò che abbiamo fatto in questo articolo.

Se nella vostra azienda l'IA "non funziona"

Controllate prima queste quattro domande:

1. Cosa risolvono già i vostri dipendenti con gli account personali? L'uso ombra è l'indicatore più onesto di ciò che funziona davvero.
2. Con quale metrica misurate l'impatto dell'IA? Senza misurazione, il verdetto "fallito" si basa su impressioni, non su dati.
3. Avete avviato il pilota con una grande visione o con un solo processo ristretto? Gli esempi che funzionano nel report condividono due tratti: ambito ristretto e valore rapido e visibile.
4. Lo strumento che avete acquistato impara dal vostro processo o riparte da zero ogni volta?

La domanda non è "l'IA funziona?". La domanda è: davvero non funziona, o funziona in un punto dove non state guardando?

Fonte: Challapally, Pease, Raskar, Chari. "The GenAI Divide: State of AI in Business 2025", MIT Project NANDA, luglio 2025. PDF del report