AI in crisi? Perché le aziende stanno riducendo l’uso dell’intelligenza artificiale

L’AI ha segnato radicalmente non solo i programmi di sviluppo dell’aziende, ma anche le nuove sfide geopolitiche, arriva però un dato sulla riduzione dell’utilizzo dell’AI nelle aziende e lascia tutti con il fiato sospeso.

Dopo lo sfrenato entusiasmo, investimenti miliardari, proclami e un intro mondo che cerca di cambiare forma per introdurre l’intelligenza artificiale arriva una flessione. I dati del Census Bureau USA rivelano che tra giugno e agosto 2025, l’adozione di tecnologie AI tra le grandi aziende americane (oltre 250 dipendenti) ha registrato il calo più marcato dall’inizio delle rilevazioni nel novembre 2023. Non si tratta di un semplice rallentamento, ma di una vera e propria inversione di rotta che solleva interrogativi fondamentali sul futuro dell’intelligenza artificiale nel mondo aziendale.

AI in crisi, riduzione dell’uso dell’intelligenza artificiale

Le survey del Census Bureau statunitense fotografano una realtà che contrasta nettamente con le previsioni ottimistiche degli analisti e con le convinzioni dei capi di Stato dagli USA alla Cina. Dopo una crescita costante che aveva portato molti a parlare di “rivoluzione in corso”, il tasso di adozione dell’AI nelle grandi imprese ha subito una contrazione significativa.

Questo dato assume ancora maggiore rilevanza se contestualizzato: stiamo parlando di grandi aziende, quelle con le risorse finanziarie e tecnologiche più consistenti, teoricamente le più attrezzate per implementare e sfruttare soluzioni di intelligenza artificiale. Il pensiero che sta scuotendo i mercati à “Se anche loro fanno marcia indietro, allora il segnale è inequivocabile”.

I dati del Business Trends and Outlook Survey (BTOS), la rilevazione bisettimanale che copre un campione rappresentativo di circa 1,2 milioni di imprese USA, mostrano che l’adozione di tecnologie AI nelle imprese è ancora relativamente contenuta e, per alcuni segmenti, in fase di stagnazione o leggero declino. A livello aggregato, la quota di imprese che hanno utilizzato strumenti di AI negli ultimi quindici giorni è cresciuta da circa 3,7 % nell’autunno 2023 a circa 10 % nel tardo 2025 per tutte le dimensioni aziendali combinate, secondo l’aggiornamento più recente della survey.
Tuttavia, la dinamica varia molto in base alla dimensione dell’azienda. Le imprese con 250 o più dipendenti  (tradizionalmente le più propense all’adozione) hanno visto il loro tasso di utilizzo crescere fino a un picco intorno al 13,4 % a luglio 2025, per poi calare a circa 11,7 % nelle ultime rilevazioni, segnando così una riduzione di oltre 1,7 punti percentuali rispetto ai massimi.
Nel frattempo, le aziende più piccole mostrano tassi di adozione più bassi ma in crescita (per esempio le imprese con 1-4 dipendenti sono passate da circa 9,65 % a oltre 10 % nello stesso periodo).
Questi numeri rivelano che, nonostante un aumento complessivo dell’interesse e dell’uso dell’AI negli ultimi due anni, l’adozione resta limitata in termini assoluti e per alcuni segmenti (in particolare le grandi imprese) ha cominciato a mostrare segni di plateau o rallentamento, riflettendo forse la crescente cautela manageriale nei confronti di costi, integrazione dei sistemi esistenti e valore concreto generato dalla tecnologia.

Riduzione dell’uso dell’intelligenza artificiale le opinini

Gary Marcus, professore emerito di psicologia e neuroscienze alla NYU e critico storico delle promesse sull’AI, ha commentato questi dati con la sua abituale schiettezza: “Non dovrebbe sorprendere nessuno. Molte aziende hanno scoperto che l’AI generativa è eccellente nel produrre contenuti che sembrano plausibili, ma molto meno affidabile quando si tratta di precisione e coerenza nel lungo periodo. Il ROI semplicemente non c’è per molti casi d’uso.”

Dall’altra parte dello figure più come Andrew Ng, co-fondatore di Google Brain e docente a Stanford, invitano alla cautela nell’interpretazione: “Ogni nuova tecnologia attraversa una fase di assestamento dopo l’hype iniziale. Questo non significa fallimento, ma maturazione. Le aziende stanno semplicemente diventando più selettive e strategiche nell’implementazione.”

Satya Nadella CEO di Microsoft, uno dei maggiori investitori nel settore attraverso la partnership con OpenAI, ha recentemente dichiarato durante una conferenza con gli investitori: “Stiamo vedendo una transizione dalla sperimentazione diffusa all’implementazione mirata. Non è un passo indietro, ma un passo verso la sostenibilità e il valore reale.” Più critico Yann LeCun, Chief AI Scientist di Meta e vincitore del Premio Turing, che ha sottolineato come “l’attuale generazione di modelli linguistici ha limiti intrinseci che non possono essere superati semplicemente aumentando le dimensioni dei modelli o i dati di addestramento. Serve un ripensamento architetturale.”

Lo scenario italiano: prudenza e opportunità per l’AI

Sebbene il Census Bureau fornisca dati specifici per gli Stati Uniti, possiamo applicare la visione che ne deriva al panorama italiano, che presenta caratteristiche peculiariIl mercato italiano dell’AI ha mostrato una crescita significativa nel 2024, ma i dati preliminari per il 2025 evidenziano un rallentamento considerevole, con proiezioni che indicano una crescita più contenuta rispetto alle aspettative iniziali. Il quadro italiano è caratterizzato da alcune specificità:

Settore manifatturiero: Le aziende manifatturiere, colonna portante dell’economia italiana, hanno investito principalmente in AI per ottimizzazione di processi e manutenzione predittiva. Qui i risultati sono stati generalmente positivi, il rallentamento è meno marcato.

Finanza e assicurazioni: Hanno sperimentato ampiamente con chatbot e automazione del customer service, ma con risultati altalenanti. Diverse banche hanno ridimensionato i progetti di assistenti virtuali dopo feedback negativi da parte della clientela.

PA e sanità: L’adozione è stata più lenta e cauta. Paradossalmente questo approccio graduale potrebbe rivelarsi vantaggioso, evitando investimenti precipitosi in soluzioni non mature.

I dati Istat indicano che solo il 18% delle imprese italiane con più di 10 addetti utilizza tecnologie di AI, contro una media europea del 25%. Questo gap, tradizionalmente visto come un ritardo, potrebbe trasformarsi in un vantaggio competitivo se permette di apprendere dagli errori altrui.

Le cause profonde della riduzione dell’uso dell’AI

L’inversione di tendenza nell’adozione dell’AI non è ascrivibile a un singolo fattore, ma a una convergenza di criticità strutturali e ostacoli operativi La prima causa è la discrepanza tra aspettative e realtà. Molte aziende si sono lanciate nell’AI attratte da promesse di efficienza rivoluzionaria e riduzione dei costi, per scoprire che l’implementazione richiede investimenti sostanziali e continuativi in infrastruttura, talenti specializzato e riorganizzazione dei processi (la parte più difficile). I costi di implementazione e mantenimento di sistemi AI enterprise-grade sono risultati superiori alle stime iniziali ad esempio l’addestramento e il fine-tuning dei modelli, le licenze software, i costi computazionali per l’inferenza su larga scala hanno mostrato i loro costi reai solo una volta entrate nel sistema produttivo aziendale, e più l’AI entra nelle imprese più diventa necessario  avere  team specializzati che rappresentano voci di spesa importanti e spesso sottovalutate.

Problemi di affidabilità e allucinazioni

Un secondo ostacolo critico è rappresentato dall’affidabilità dei sistemi di AI generativa. Il fenomeno delle “allucinazioni” ( informazioni plausibili ma false) si è rivelato più pervasivo e problematico del previsto, specialmente in contesti dove l’accuratezza è fondamentale. Settori come quello legale, medico, finanziario e assicurativo hanno dovuto implementare costosi sistemi di verifica umana, vanificando almeno in parte dei benefici di efficienza promessi dall’automazione. Casi documentati di errori significativi hanno sollevato preoccupazioni sulla responsabilità legale e sui rischi reputazionali.

Integrazione complessa con sistemi legacy

La terza sfida riguarda l’integrazione tecnologica. Molte grandi aziende operano con ecosistemi IT complessi, costruiti nel corso di decenni spesso pieni sistemi legacy, database eterogenei e architetture stratificate. Inserire soluzioni AI in questo contesto si è rivelato tecnicamente più arduo del previsto. I progetti pilota, spesso condotti in ambienti controllati con dati “puliti” e standardizzati, hanno mostrato risultati promettenti, ma la scalata verso l’implementazione a tutta l’azienda, con dati reali, incompleti, destrutturati e di qualità variabile, ha evidenziato difficoltà significativi.

Carenza di competenze specialistiche

Il gap di competenze rappresenta un altro collo di bottiglia. La domanda di data scientist, ML engineers, AI architects e specialisti in AI ethics supera largamente l’offerta e questo ha ha fatto salire le richieste economiche di queste figure e sono aumentate  le difficoltà di retention (le figure specializzate allettate da offerte sempre più alte cambiano spesso azienda), rendendo insostenibili i costi per molte organizzazioni. Inoltre, non si tratta solo di competenze tecniche: serve una comprensione profonda sia dell’AI che del dominio di business specifico, combinazione rara e preziosa. La formazione interna richiede tempo e investimenti, con risultati non immediati e anche se molte imprese hanno iniziato questi percorsi i beniefici si vedranno tra mesi o anni.

Questioni etiche e reputazionali

L’emergere di bias algoritmici, preoccupazioni sulla privacy, questioni di trasparenza e accountability hanno complicato il quadro. Diverse aziende hanno dovuto ritirare o modificare significativamente soluzioni AI dopo esessere incappate in controversie pubbliche o interventi delle autorità. Il Regolamento UE sull’Intelligenza Artificiale (AI Act), entrato in vigore, ha introdotto requisiti di conformità rigorosi che molte aziende stanno ancora metabolizzando, con impatti sui tempi e i costi di implementazione.

La sindrome del “solution looking for a problem”

Un fenomeno sottovalutato è stato l’adozione dell’AI non guidata da reali necessità di business, ma dall’ansia di non restare indietro. Molti progetti sono stati lanciati perché “bisogna fare AI”, senza una chiara identificazione dei problemi da risolvere o dei KPI da migliorare. Questa dinamica ha generato iniziative dispersive, con scarso allineamento strategico e risultati deludenti, contribuendo al disincanto attuale.

Evoluzione tecnologica rapida

Paradossalmente, la velocità stessa dell’innovazione nel campo dell’AI rappresenta un deterrente: non è un fenomeno completamente nuovo nell’IT, anche in passato molte aziende o anche persone rimandavano ad esempio l’acquisto di un Pc nella certezza che a breve sarebbero arrivati modelli più performanti a costi più bassi. Lo stesso avviene per l’AI, alcune imprese preferiscono rimandare l’investimento nella certezza che potranno farlo a breve con costi più bassi e performance migliori. 

Esempi di AI Italiana

In questa fase di “raffreddamento consapevole” dell’AI, le esperienze italiane mostrano una maturità che dialoga perfettamente con i dati del Census Bureau: BlueIT ha scelto di trattare l’AI come infrastruttura culturale prima che tecnologica, inserendola solo dove rafforza processi e persone; Gruppo E  la utilizza come leva di ottimizzazione concreta, soprattutto nei flussi industriali, evitando scorciatoie con la soluzione Aisuru; Var Group ha spostato il baricentro dall’adozione diffusa alla selezione rigorosa dei casi d’uso, misurabili e integrabili; Formula affronta l’AI con la logica del controllo e della governance, consapevole che senza dati affidabili non esiste automazione intelligente; Fides la tratta come uno strumento di augmented decision-making, non di sostituzione, mantenendo l’uomo nel loop; mentre ASUS, HP e Zyxel dimostrano che anche l’hardware e l’infrastruttura stanno vivendo lo stesso ripensamento: meno promesse generaliste, più soluzioni AI-ready progettate per essere sostenibili, sicure e realmente utilizzabili. È qui che il “passo indietro” americano diventa, per l’ecosistema italiano, un passo avanti strategico.

Per il 2026-2027, si prevede una stabilizzazione dell’adozione con crescita moderata ma sostenibile. Il vero punto di svolta potrebbe arrivare nel 2028-2030, quando i progressi tecnologici (modelli più affidabili, costi computazionali ridotti, strumenti low-code maturi) e culturali (competenze diffuse, best practice consolidate) convergeranno per una seconda ondata di adozione, questa volta più solida.

Consigli per le aziende utilizzatrici di Ai

Per le aziende che stanno valutando o rivedendo la propria strategia AI, alcune linee guida possono aumentare le probabilità di successo. Prima di investire in intelligenza artificiale, la domanda cruciale non è come farlo, ma perché. Troppe iniziative nascono dall’urgenza di “fare AI” senza una chiara definizione del problema di business da risolvere o delle metriche con cui misurare il successo. In questi casi l’AI diventa una soluzione in cerca di un problema, e non il contrario. Quando invece il punto di partenza è chiaro – un collo di bottiglia operativo, un costo da ridurre, una decisione da migliorare – l’AI può diventare uno strumento potente, ma solo se inserita in una strategia coerente.

È per questo che conviene pensare in piccolo per vincere in grande. Progetti pilota circoscritti, con obiettivi chiari, tempi brevi e KPI misurabili, permettono di imparare rapidamente, ridurre i rischi e costruire fiducia interna. Cinque piccoli successi generano più competenza e consenso di un unico grande progetto trasformativo fallito. L’adozione dell’AI è un percorso incrementale, non un salto nel vuoto.

In questo percorso, la qualità dei dati è spesso il vero fattore discriminante. L’AI non è mai migliore dei dati su cui si basa: se i dati sono incompleti, incoerenti o poco affidabili, anche il modello più sofisticato produrrà risultati mediocri. Per molte organizzazioni, investire in data governance, pulizia e accessibilità dei dati genera più valore immediato dell’AI stessa. È un lavoro meno visibile, ma infinitamente più solido.

Allo stesso tempo, è fondamentale non delegare completamente l’AI all’esterno. Affidarsi a vendor e partner è naturale, ma senza competenze interne sufficienti a porre le domande giuste, valutare le proposte e mantenere il controllo strategico, il rischio è perdere direzione. Costruire competenze interne non significa assumere decine di data scientist, ma formare figure ibride capaci di comprendere sia il linguaggio del business sia quello dell’intelligenza artificiale.

In questa logica si inserisce l’approccio dell’hybrid intelligence, dove AI e persone collaborano invece di competere. L’AI eccelle nella gestione di volumi, velocità e riconoscimento di pattern; gli esseri umani restano insostituibili nel giudizio, nel contesto, nell’etica e nella gestione delle eccezioni. Architetture human-in-the-loop non solo riducono i rischi, ma migliorano anche la qualità delle decisioni.

Un errore frequente è considerare l’AI come una tecnologia “installa e dimentica”. In realtà, i sistemi di intelligenza artificiale richiedono manutenzione continua: monitoraggio delle performance, aggiornamento dei dati, riaddestramento dei modelli, gestione dell’infrastruttura. Budget e risorse devono tener conto di questi costi ricorrenti, altrimenti le aspettative iniziali sono destinate a scontrarsi con la realtà.

Serve anche una certa onestà intellettuale: non sempre l’AI è la risposta migliore. In molti casi, automazione basata su regole, analytics tradizionali o tecniche di ottimizzazione classica possono essere più efficaci, meno costose e più affidabili. L’obiettivo non è usare l’AI a tutti i costi, ma scegliere lo strumento giusto per il problema giusto.

Accanto alla tecnologia, la dimensione organizzativa è spesso decisiva. L’implementazione dell’AI è una sfida di change management tanto quanto di ingegneria. Coinvolgere gli stakeholder, comunicare in modo trasparente, formare gli utenti e gestire le resistenze è essenziale: molti progetti tecnicamente validi falliscono non per limiti tecnologici, ma per mancanza di adozione.

Infine, diventa imprescindibile dotarsi di una governance etica chiara. Bias, trasparenza, accountability e conformità normativa non possono essere affrontati solo quando emergono problemi o interviene il regolatore. Gestire proattivamente questi aspetti significa proteggere la reputazione dell’azienda e costruire fiducia nel lungo periodo. In un contesto in cui l’AI evolve rapidamente, mantenere anche flessibilità tecnologica è vitale: evitare lock-in eccessivi, privilegiare architetture modulari e standard aperti consente di adattarsi a un panorama in continuo cambiamento.

Lo stesso vale per i produttori di soluzioni AI. Il rallentamento dell’adozione non è una crisi, ma un’occasione di maturazione. È il momento di spostarsi dalla corsa alle funzionalità alla costruzione di una value proposition credibile, fondata su risultati misurabili e casi d’uso concreti. I clienti non cercano più demo spettacolari, ma evidenze di ROI reale.

In questo contesto, investire in explainability diventa cruciale: sistemi comprensibili, trasparenti e auditabili non sono più un lusso, ma un requisito per l’adozione enterprise, soprattutto nei settori regolamentati. Allo stesso modo, semplificare l’implementazione – attraverso strumenti low-code, integrazioni più fluide e playbook chiari – può fare la differenza tra una soluzione acquistata e una soluzione realmente utilizzata.

Verso un’AI concreta

Il rallentamento nell’adozione dell’AI tra le grandi aziende non rappresenta la fine di una rivoluzione tecnologica, ma piuttosto la fine della sua fase adolescenziale. È il momento in cui l’entusiasmo lascia spazio alla valutazione critica, le promesse si confrontano con la realtà operativa. Questa fase di “disillusione” (per usare la terminologia del Gartner Hype Cycle) era inevitabile, e forse in ultima analisi, è salutare. Le aspettative eccessive hanno generato investimenti precipitosi, implementazioni superficiali e, conseguentemente, delusioni. Il ridimensionamento attuale permette un approccio più maturo, strategico e sostenibile. L’intelligenza artificiale rimane una tecnologia trasformativa con potenziale enorme. Ma la trasformazione reale richiede tempo, iterazione, apprendimento dagli errori e investimenti mirati. Le aziende che oggi rallentano o rivedono i propri programmi AI non stanno necessariamente abbandonando il campo; stanno piuttosto ricalibrandosi per un successo di lungo periodo. Il futuro dell’AI aziendale sarà probabilmente meno spettacolare delle visioni utopiche, ma più concreto. Sarà fatto di miglioramenti incrementali piuttosto che rivoluzioni improvvise, di applicazioni focalizzate piuttosto che trasformazioni totali, di collaborazione uomo-macchina piuttosto che sostituzione. Per le aziende italiane ed europee, questo momento di pausa rappresenta un’opportunità. La tradizionale prudenza nell’adozione tecnologica, spesso criticata come ritardo, può trasformarsi in vantaggio se ben sfruttata.