Come trasformare l’intelligenza artificiale da costo a vantaggio competitivo
Il MIT Sloan Symposium è un evento di alto profilo organizzato dal MIT Sloan School of Management che riunisce leader, innovatori e accademici per discutere i trend emergenti nel business, nella tecnologia e nella società. Durante l’evento vengono esplorate soluzioni innovative alle sfide globali attraverso il confronto multidisciplinare, è un appuntamento imperdibile per chi vuole comprendere le trasformazioni che stanno ridisegnando il futuro aziendale e sociale.
Il tema principale del MIT Sloan Symposium di quest’anno è stato proprio l’intelligenza artificiale, in particolare, il titolo ufficiale del 2025 era “CIO Leadership in an AI-Driven World” (“Leadership dei CIO in un mondo guidato dall’AI”), con un focus su come la trasformazione tecnologica alimentata dall’AI stia ridefinendo la leadership, la gestione e lo scenario dell’innovazione nelle imprese.
Quest’anno si è aperto con una confessione inaspettata, George Westerman, docente senior e uno dei massimi esperti di trasformazione digitale, ha guardato la platea di oltre 300 leader tecnologici e ha detto “il futuro non è a portata di mano come pensiamo”.
Stava parlando dell’intelligenza artificiale e della crescente frustrazione che serpeggia tra i corridoi delle aziende più innovative del mondo: progetti milionari che non decollano, iniziative AI che promettevano rivoluzioni e hanno prodotto solo costi, team demoralizzati da fallimenti che sembravano inspiegabili.
“Siamo qui perché il 70% dei nostri progetti AI non sta funzionando”, ha ammesso Monica Caldas, vicepresidente esecutivo e CIO di Liberty Mutual Insurance, durante il panel di apertura. “E vogliamo capire perché”.
La risposta è emersa nel corso delle due giornate di lavori, attraverso testimonianze dirette, case study analizzati in tempo reale e momenti di confronto che hanno trasformato frustrazioni individuali in lezioni precise, concrete, applicabili che le organizzazioni dovrebbero adottare quando si approccia l’intelligenza artificiale.
Il contesto: quando la tecnologia incontra la realtà
I numeri sono impietosi, secondo l’ultimo report del MIT Sloan Management Review, il 70% dei progetti AI nelle grandi organizzazioni non riesce a creare valore misurabile entro i primi 18 mesi, un fallimento che costa all’economia globale oltre 150 miliardi di dollari all’anno.
“Non stiamo fallendo per mancanza di tecnologia”, ha spiegato Hannah Mayer, partner di McKinsey. “Stiamo fallendo per mancanza di strategia umana“. La sua osservazione più sorprendente “i dipendenti sono tre volte più disposti ad adottare l’AI di quanto pensino i loro leander”.
Le organizzazioni che falliscono trattano l’AI come un upgrade tecnologico invece che come una trasformazione organizzativa. È come comprare una Ferrari per guidarla su una strada sterrata: la potenza c’è, ma le condizioni per esprimerla mancano.
Prima lezione: le persone prima degli algoritmi
“Abbiamo speso due milioni per il miglior sistema AI del mercato”, racconta David Chen, CTO di una multinazionale farmaceutica. “Dopo sei mesi, il tasso di adozione era del 12%. I nostri ricercatori continuavano a usare Excel”.
Il primo errore strategico: partire dalla tecnologia invece che dalle persone. “Ogni progetto AI dovrebbe iniziare con una domanda”, spiega Westerman. “Non cosa può fare questa tecnologia?” Ma “come può aiutare le nostre persone a fare meglio il loro lavoro?”.
ING Bank ha trasformato il suo approccio creando “laboratori di co-creazione” dove i dipendenti sperimentano con strumenti AI per risolvere problemi che conoscono meglio. Risultato: adozione dal 8% al 67% in sei mesi, con soluzioni più creative perché nascevano dalla comprensione profonda dei problemi reali.
Seconda lezione: trasformazione, non installazione
“Il nostro errore più grande è stato pensare che l’AI fosse come un nuovo software da installare”, ammette James Rodriguez, Chief Digital Officer di una catena retail. “Abbiamo scoperto che è più come imparare una nuova lingua: cambia il modo in cui pensi”.
Troppo spesso le organizzazioni identificano un processo, trovano uno strumento AI, lo implementano e si aspettano risultati: è l’equivalente di attaccare un motore a un cavallo invece di ripensare il trasporto.
Una compagnia assicurativa europea ha ripensato completamente la gestione sinistri: dall’acquisizione via app mobile all’analisi automatica delle immagini non hanno migliorato il vecchio processo, né hanno inventato uno nuovo. Risultato: -60% tempi e +40% soddisfazione clienti.
Terza lezione: la realtà batte la perfezione
“I nostri processi sulla carta erano perfetti” racconta Lisa Thompson di una multinazionale manifatturiera. “Nella realtà, i nostri operatori avevano inventato 47 varianti per gestire le eccezioni. Il sistema AI si è schiantato contro questa complessità”.
Ogni organizzazione ha processi documentati, perfetti e realtà quotidiane fatte di scorciatoie creative e soluzioni improvvisate, progettare AI sui processi documentati significa costruire per un mondo che non esiste.
La soluzione: mandare i data scientist sul campo per osservare come le persone lavorano davvero. “Molte eccezioni erano soluzioni intelligenti a problemi reali che il processo ufficiale non considerava”, conclude Thompson.
Quarta lezione: dal pilota alla produzione
“Abbiamo il cimitero dei progetti pilota più grande del settore”, scherza Michael Foster di una grande banca. “Diciassette progetti AI perfetti in laboratorio, morti nel momento della scalabilità”.
Il “pilot purgatory”: progetti che dimostrano valore in ambienti controllati ma non riescono mai a scalare, il problema: trattare i POC come prove di concetto invece che primi passi verso l’implementazione.
Telefónica aveva un sistema AI per manutenzione predittiva che funzionava perfettamente su una centrale (-40% guasti), estenderlo a 15.000 centrali ha richiesto due anni aggiuntivi per sistemi legacy incompatibili e processi diversi da stato a stato.
La soluzione: progettare fin dall’inizio il percorso dalla sperimentazione all’implementazione, includendo nel budget standardizzazione dati, integrazione sistemi, formazione utenti.
Quinta lezione: decisioni lente e burocratiche
“Quattordici mesi per approvare un progetto implementabile in sei settimane”, racconta Jennifer Walsh, CTO farmaceutica, “Nel frattempo, tre competitor hanno lanciato soluzioni simili”.
Le organizzazioni prendono decisioni operative complesse rapidamente, ma per l’AI il processo diventa un labirinto burocratico, “I dipendenti sono pronti, la tecnologia è matura, ma i processi decisionali sono progettati per un mondo lento”, osserva Mayer.
JPMorgan Chase ha creato “budget di sperimentazione”: ogni team può usare fino a 50.000 dollari senza approvazioni tradizionali, Solo i progetti che dimostrano valore passano al processo per investimenti maggiori. Risultato: da 4 a 30 progetti all’anno, con tasso di successo superiore.
Sesta lezione: sicurezza come abilitatore
“Abbiamo bloccato l’innovazione per paura dei rischi”, ammette Robert Kim, CISO di una banca europea, “poi abbiamo capito che il rischio maggiore era rimanere ferme”.
La tensione tra innovazione (sperimentazione, apertura, rischio) e sicurezza (controllo, prevenzione, minimizzazione) può paralizzare alcune organizzazioni. Spesso, si ignorano i rischi o li si teme, bloccando l’innovazione.
Santander ha creato “sandbox di innovazione” ovvero ambienti isolati per sperimentare con AI usando dati realistici ma anonimizzati, con limitazioni automatiche che impediscono danni. Oltre 200 esperimenti in 18 mesi, zero incidenti, 15 soluzioni in produzione.
Settima lezione: curiosità come strategia
“Il nostro sistema AI per l’inventario mostrava pattern nei comportamenti clienti, che non avevamo mai notato”, racconta Sarah Johnson, CEO di una catena retail. “Invece di ignorarli, li abbiamo esplorati. Oggi, rappresentano il 30% del nostro vantaggio competitivo”.
Le organizzazioni che riescono continuano a fare domande anche quando hanno risposte che funzionano, sperimentando anche senza problemi urgenti, investono in esplorazione anche senza ritorni immediati.
Johnson aveva implementato AI per ottimizzare inventario, funzionava, ma i dati mostravano pattern interessanti oltre la logistica, esplorandoli ha scoperto correlazioni inaspettate, micro-trend regionali, capacità di personalizzazione, un progetto logistico è diventato trasformazione del modello di business.
Google alloca il 20% del tempo a progetti personali. Gmail, AdSense, Google News sono nati così. “Molte innovazioni AI arrivano da esperimenti senza obiettivi commerciali specifici”, conferma un dirigente presente.
Le lezioni in azione
“Il successo nell’AI non è questione di tecnologia più avanzata o budget più grandi”, ha concluso Caldas. “È questione di approccio più umano”.
Le sette lezioni del MIT delineano una roadmap chiara:
- partire dalle persone
- pensare in termini di trasformazione
- abbracciare la realtà invece della perfezione
- progettare la scalabilità fin dall’inizio
- sviluppare la velocità decisionale
- usare la sicurezza come abilitatore e alleato
- coltivare la curiosità come cultura aziendale
“L’intelligenza artificiale è troppo importante per essere lasciata solo agli esperti di tecnologia”, ha ricordato Mayer. “È una questione di leadership, di cultura, di visione. È una questione profondamente umana”.
Il 70% dei progetti falliti non è una condanna, ma un’opportunità. L’opportunità di imparare, di evolvere e di costruire un futuro in cui adottare l’AI significhi potenziare l’umanità. E questo futuro inizia oggi, nelle nostre organizzazioni, con le nostre persone e con le nostre scelte!
