Chi ha avuto successo con l'AI, prima ha fallito

La ricerca di Stanford su 51 progetti reali

C'è un numero che dovrebbe far riflettere chiunque stia pianificando un investimento in intelligenza artificiale, e non si trova nelle slide dei vendor né nei pitch delle società di consulenza: il 77% delle difficoltà più ostiche incontrate dalle aziende che hanno adottato l'AI con successo non aveva nulla a che fare con la tecnologia. A rivelarlo è una ricerca del Stanford Digital Economy Lab , pubblicata nell'aprile 2026, che ha analizzato in profondità 51 implementazioni aziendali in 41 organizzazioni distribuite su 7 paesi e 9 settori industriali diversi, con un approccio metodologico che privilegia ciò che è realmente accaduto rispetto a ciò che avrebbe potuto accadere.

Il dato è tanto più significativo perché non proviene da un'indagine sui fallimenti, bensì da uno studio su progetti che hanno effettivamente generato valore misurabile e racconta qualcosa di profondamente controintuitivo: anche quando l'intelligenza artificiale funziona, il percorso per arrivarci è lastricato di costi invisibili che riguardano la gestione del cambiamento, la qualità dei dati, il ridisegno dei processi operativi e, più in generale, quella dimensione organizzativa e relazionale che nessun algoritmo può surrogare e che nessun fornitore di tecnologia ha interesse a mettere al centro della conversazione commerciale.

La curva a J: quando investire sembra non funzionare

Per comprendere cosa sta realmente accadendo nelle aziende che adottano l'AI serve una lente economica che vada oltre il singolo progetto, e quella lente si chiama Productivity J-Curve un modello sviluppato proprio da Erik Brynjolfsson, direttore del Digital Economy Lab di Stanford e co-autore della ricerca, insieme a Daniel Rock e Chad Syverson, il concetto è tanto semplice nella formulazione quanto devastante nelle implicazioni: per ogni dollaro investito in tecnologia tangibile, le aziende finiscono per spenderne fino a dieci in investimenti intangibili — ridisegno dei processi, riqualificazione delle competenze, ristrutturazione organizzativa — che inizialmente deprimono la produttività misurata prima che i benefici si manifestino.

È una dinamica che abbiamo già visto nella storia delle tecnologie generali, dall'elettrificazione al computing, ma che nell'era dell'intelligenza artificiale assume una portata inedita perché riguarda l'automazione della cognizione e non del lavoro fisico, e richiede quindi trasformazioni più profonde e meno intuitive di quelle che le precedenti rivoluzioni tecnologiche hanno imposto. Il paradosso della J-Curve spiega perché molte aziende che stanno investendo massicciamente in AI non vedono ancora i risultati sperati: non perché la tecnologia non funzioni, ma perché si trovano nella fase discendente della curva, quella in cui gli investimenti complementari, quelli che i bilanci non sanno classificare e che i business case sistematicamente sottostimano, stanno ancora accumulandosi senza produrre ritorni visibili.

Il fallimento come infrastruttura del successo

Uno dei risultati più illuminanti della ricerca Stanford riguarda il rapporto tra insuccesso e riuscita: il 61% dei progetti che oggi generano valore è stato preceduto da almeno un tentativo fallito, e quei fallimenti hanno un tratto comune che merita attenzione — i team avevano trattato l'AI come un progetto tecnologico anziché come un progetto di ridisegno dei processi e di gestione del cambiamento. I primi tentativi sono naufragati quando l'intelligenza artificiale è stata applicata a flussi di lavoro già disfunzionali, quando la guida era affidata a team tecnici senza proprietà da parte del business, o quando si dava per scontato che il modello avrebbe risolto problemi che richiedevano invece di ripensare il lavoro stesso.

Ciò che rende questo dato particolarmente rilevante non è tanto la percentuale in sé quanto il suo significato economico: quei fallimenti rappresentano costi affondati che non compaiono mai nel ROI del progetto che alla fine ha funzionato, eppure ne sono stati il presupposto necessario. In altre parole, il costo reale di un'implementazione AI di successo include quasi sempre il costo di almeno un insuccesso precedente — un dato che dovrebbe costringere a ripensare radicalmente il modo in cui le organizzazioni costruiscono i propri business case e le proprie aspettative temporali.

Ma il fallimento si trasforma in apprendimento solo a condizioni precise: la ricerca documenta che in tutti i casi tracciabili lo stesso dirigente che aveva supervisionato il tentativo fallito ha guidato anche quello riuscito, a conferma che la continuità del presidio direttivo attraverso l'insuccesso è una condizione non negoziabile, perché quando il responsabile cambia dopo un fallimento, la memoria istituzionale, il cosa non fare, quali interlocutori coinvolgere, dove si annidano i veri colli di bottiglia, se ne vanno con lui, e soprattutto si manda un messaggio inequivocabile all'intera organizzazione: sbagliare è un rischio di carriera.

Il dirigente che fa la differenza non è chi autorizza, è chi ci mette la faccia

Quattro livelli di coinvolgimento, un solo esito che trasforma davvero

La ricerca distingue quattro livelli di coinvolgimento dei dirigenti responsabili dei progetti AI — dall'approvazione passiva all'integrazione strategica — e la distribuzione dei 51 casi racconta una storia inequivocabile. Al primo livello c'è il dirigente che autorizza il budget e poi delega tutto, senza più occuparsene; al secondo, chi fa il punto una volta al mese e interviene solo quando i problemi gli vengono portati; al terzo, chi partecipa a verifiche settimanali e rimuove gli ostacoli prima che diventino blocchi; al quarto, chi inserisce l'adozione dell'AI negli obiettivi aziendali collegandola ai sistemi di incentivazione, trasformandola da progetto a priorità strategica dell'intera organizzazione.

Il 58% dei progetti di successo aveva dirigenti impegnati al terzo livello, con verifiche settimanali e rimozione proattiva degli ostacoli, ma i sette casi che hanno raggiunto una trasformazione a livello di intera organizzazione si collocavano tutti al quarto livello — quello in cui l'AI diventa un obiettivo di tutti, non un progetto di qualcuno.

Ciò che separa un dirigente efficace da uno che si limita ad autorizzare un budget non è il ruolo gerarchico né la competenza tecnica, ma un insieme di comportamenti concreti e ripetuti: destinare risorse dedicate, collegare l'AI alle priorità di business, comunicarne l'importanza a tutta l'organizzazione e, soprattutto, togliere di mezzo gli ostacoli prima che i team debbano chiedere aiuto. In otto casi la guida congiunta tra un responsabile di business e un responsabile tecnico è stata l'elemento che ha sbloccato i progetti trasversali — laddove il primo tentativo, affidato al solo direttore tecnologico, non aveva ottenuto risultati.

Ma il contributo più profondo dei dirigenti efficaci è culturale più che operativo: hanno creato le condizioni in cui i team potevano sbagliare, imparare e riprovare senza conseguenze sulla carriera, attraverso strategie precise come il contenimento deliberato dell'ambito dei progetti pilota, l'accettazione esplicita di livelli di accuratezza imperfetti come punto di partenza, e rimandando anche le date di lancio con cicli di verifica e miglioramento continuo.

La resistenza nasce dove nessuno la cerca

Chi si aspetta che la resistenza all'AI provenga principalmente dagli utenti finali o dai lavoratori in prima linea che temono di essere sostituiti troverà nei dati Stanford una sorpresa significativa: la fonte più frequente di resistenza sono le funzioni di staff — Legal, HR, Risk e Compliance — che da sole rappresentano il 35% dei casi di opposizione, contro il 23% degli utenti finali. Queste funzioni hanno l'autorità organizzativa per rallentare o bloccare i progetti indipendentemente dal supporto della dirigenza, e resistono per ragioni diverse dagli utenti: non temono la sostituzione ma il rischio di processo, la responsabilità in caso di errore, l'esposizione regolatoria.

Questo dato cambia radicalmente le regole del gioco, perché significa che con queste funzioni la persuasione non serve a nulla: non si convincono l'ufficio legale o le risorse umane spiegando quanto sia bella l'intelligenza artificiale perchè ciò che ha funzionato nei casi di successo è stato un approccio completamente diverso: rendere l'adozione dell'AI un obiettivo aziendale legato ai risultati e alla valutazione di tutti, così che queste funzioni non si trovassero più nella posizione scomoda di chi deve assumersi da solo la responsabilità se qualcosa va storto, e coinvolgerle nella progettazione del progetto anziché chiedere loro semplicemente di timbrare un'approvazione. Quando hanno avuto un ruolo attivo nel disegno delle regole e dei controlli, diverse di queste funzioni si sono trasformate da freno a risorsa — una dinamica che suggerisce come la resistenza organizzativa non sia un muro da abbattere ma un segnale da ascoltare, perché spesso custodisce preoccupazioni concrete che, se integrate nel processo, lo rendono più solido.

Il tempo è una variabile organizzativa

Tra i risultati più controintuitivi della ricerca c'è la variabilità dei tempi di implementazione: lo stesso caso d'uso, per esempio il supporto clienti con intelligenza artificiale, ha richiesto settimane in un'azienda fintech e anni in una grande banca, utilizzando gli stessi modelli AI e le stesse architetture tecniche, la differenza non era nel codice ma nell'organizzazione, nella sua prontezza ad accogliere il cambiamento, nella qualità delle fondamenta preesistenti e nella volontà degli utenti finali.

Tre fattori accelerano consistentemente il percorso verso il valore: il presidio attivo della dirigenza, che compare nel 43% dei casi come primo acceleratore, la presenza di fondamenta preesistenti su cui costruire (32%), e il fatto che le persone volessero davvero quella soluzione (25%) che è una condizione che si verifica quando il problema da risolvere è talmente insopportabile che la gente è disposta ad accogliere qualsiasi cambiamento ragionevole, come nel caso emblematico dei medici ospedalieri sommersi dalla documentazione clinica che hanno accolto la trascrizione AI nonostante un ritorno economico ancora incerto.

Sul versante opposto, quattro fattori rallentano sistematicamente i progetti: la curva di apprendimento, la qualità dei dati, i vincoli normativi e le lacune nella documentazione dei processi.

Un dato ulteriore merita attenzione: il 100% dei progetti di successo analizzati ha utilizzato un approccio iterativo, nessuno ha seguito una pianificazione waterfall tradizionale, il modello ricorrente è partire in piccolo, apprendere, espandere — una strategia che non è timidezza ma calcolo "politico" consapevole, strategico a lungo termine.

Il modello è commodity, l'orchestrazione no

C'è un'ultima scoperta della ricerca Stanford che ridimensiona drasticamente una delle ossessioni più diffuse nel mondo aziendale, quella della scelta del modello AI giusto: nel 42% dei casi Il successo non derivava dall'avere un'AI migliore ma dall'avere processi migliori, qualità dei dati, documentazione dei processi, architettura di integrazione, gestione del cambiamento.

Le implementazioni più sofisticate hanno costruito architetture multi-modello con livelli di astrazione che permettono di cambiare fornitore senza riprogettare il sistema, instradando ogni richiesta al modello ottimale in base a costo, accuratezza, latenza e requisiti di privacy.

La biforcazione che ci riguarda tutti

I ricercatori di Stanford concludono il loro lavoro con un'immagine potente: siamo davanti a una biforcazione della produttività in cui l'esito macroeconomico dipende da come le organizzazioni scelgono di usare l'AI: se per creare nuovi compiti e potenziare i lavoratori, oppure principalmente per tagliare costi e ridurre il personale. I dati mostrano entrambi i percorsi seguiti simultaneamente con successo, e non è ancora chiaro in quale direzione il bilancio si stia spostando man mano che la tecnologia matura.

Questa biforcazione si riflette nei numeri sull'occupazione: la riduzione del personale è stata l'esito principale nel 45% dei casi studiati, ma nel restante 55% le organizzazioni hanno scelto strade alternative e a medio e lungo termine: ricollocamento delle persone, mancata sostituzione di posizioni vacanti, nessuna riduzione. Al tempo stesso, dati più ampi sul mercato del lavoro segnalano che i lavoratori nelle fasi iniziali di carriera in occupazioni esposte all'AI stanno già subendo un calo relativo del 16% nell'occupazione, con gli sviluppatori software tra i 22 e i 25 anni che registrano una contrazione vicina al 20%.

Se il 77% delle difficoltà è invisibile e il 61% dei successi nasce da un fallimento precedente, forse la vera domanda da porre non riguarda quale modello AI adottare o quale fornitore scegliere, ma se le nostre organizzazioni sono pronte a investire in ciò che non si vede, a dare il permesso di sbagliare, e a ripensare non la tecnologia che comprano ma il modo in cui lavorano, decidono e cambiano.

Innovare il digitale, custodire l'umano.