Monetizzazione dell'IA: modelli di business e strategie

Lisa Ernst · 17.11.2025 · Technik · 12 min

Le aziende investono miliardi in IA generativa, ma solo poche vedono profitti misurabili. Questo articolo analizza perché la maggior parte dei progetti di IA non genera un ritorno sull'investimento (ROI) e cosa fanno diversamente il cinque percento di successo.

Fonte: Presentazione propria

Introduzione

Circa il 95 percento delle aziende intervistate non vede ancora alcun profitto misurabile dalle loro iniziative Gen-AI, sebbene si stima che 30-40 miliardi di dollari siano stati investiti in tali progetti a livello globale. Allo stesso tempo, il MIT descrive un piccolo gruppo di circa il cinque percento che ottiene milioni di risparmi o nuovi ricavi con le stesse tecnologie – una sorta di élite Gen-AI. La domanda cruciale alla base: cosa fanno diversamente questi pochi – e come possono più aziende guadagnare davvero con l'intelligenza artificiale, invece di raccogliere solo costosi progetti pilota?

Quando parliamo della questione di come le aziende fanno soldi con l'intelligenza artificiale, il nocciolo della questione è il rendimento: un progetto di IA porta più benefici misurabili di quanti soldi, tempo e rischio vi siano stati investiti? IBM distingue tra ROI duro – direttamente misurabile in euro, franchi o dollari – e ROI morbido, come migliori decisioni, meno frustrazione nel team o clienti più soddisfatti.

L'IA generativa si riferisce a modelli che creano contenuti: testi, codice, immagini, audio o interi dialoghi. Sono integrati in strumenti come chatbot, copilot o motori di contenuto e dovrebbero accelerare i processi o consentire nuovi prodotti. Molte aziende utilizzano oggi proprio queste applicazioni: riassunti di documenti, e-mail automatizzate, testi di marketing, prototipi di software.

Agentic AI va un passo oltre . Invece di limitarsi a rispondere a singoli comandi, un sistema agisce come un dipendente digitale: persegue obiettivi, pianifica passaggi, coordina più modelli e sistemi di IA e lavora in gran parte in modo indipendente. Un agente può, ad esempio, esaminare le richieste dei clienti, cercare in database interni, avviare flussi di lavoro nei sistemi ERP e CRM e, alla fine, completare un'operazione – inclusi chiarimenti, correzioni di errori e documentazione.

È fondamentale per un ROI reale che questi sistemi non forniscano solo "demo interessanti", ma si colleghino concretamente a metriche di business: costi di processo inferiori, tassi di conversione più elevati, maggiori ricavi per cliente, minori tempi di inattività o tempi di elaborazione notevolmente più brevi in processi complessi.

Stato attuale e sfide

L'analisi del MIT, su cui si basano molti rapporti attuali, descrive una chiara forbice: le aziende di tutto il mondo hanno investito negli ultimi anni circa 30-40 miliardi di dollari in IA generativa , ma circa il 95% delle aziende intervistate non riporta alcun aumento misurabile dei profitti o riduzione dei costi da questi progetti. Solo circa il cinque percento delle organizzazioni esaminate afferma che i piloti Gen-AI integrati hanno già generato "milioni", ad esempio attraverso risparmi o nuovi ricavi.

TechRadar riassume questa situazione in modo incisivo : Quasi tutti i progetti pilota di Gen-AI nelle aziende falliscono – con la conseguenza che molti modelli non mantengono le promesse del marketing. Secondo questo rapporto, il 95% delle aziende intervistate ha visto effetti "molto scarsi" o nulli dei loro LLM sull'attività operativa. Tom’s Hardware cita lo stesso dato del MIT sottolineando che la maggior parte delle implementazioni "non ha alcun impatto misurabile sul conto profitti e perdite" – soprattutto perché sono scarsamente integrate nei processi.

Anche altri studi presentano un quadro misto. Uno IBM-Analyse unter C-Level-Führungskräften conclude che solo circa un quarto delle iniziative AI ha portato il ROI atteso e solo il 16% è stato effettivamente scalato – la maggior parte dei progetti rimane bloccata nella fase pilota. Gartner prevede che entro il 2026 oltre l'80% delle aziende utilizzerà l'IA generativa, ma stima che solo circa il 20% misurerà accuratamente il ROI.

D'altro canto, singole grandi aziende dimostrano che i programmi di IA e agenti possono essere molto redditizi – se incidono profondamente sul modello di business. IBM riporta che l'uso dell'IA e dell'automazione a livello aziendale dall'inizio del 2023 dovrebbe portare a guadagni di produttività complessivi per circa 4,5 miliardi di dollari e ha contribuito al free cash flow di 12,7 miliardi di dollari nel 2024. Dietro a ciò ci sono effetti concretamente misurabili: milioni di ore di lavoro risparmiate, processi HR e IT fortemente accelerati e alti tassi di automazione nel servizio clienti.

Un altro esempio, ampiamente discusso, è Salesforce. CEO Marc Benioff riporta che l'azienda ha ridotto il suo personale di supporto clienti da circa 9.000 a 5.000 dipendenti , mentre gli agenti IA tramite la piattaforma Agentforce hanno gestito circa 1,5 milioni di interazioni con i clienti – con punteggi di soddisfazione simili ai team di supporto umani. Allo stesso tempo, uno Recherche von Business Insider mostra che meno della metà dei 12.500 clienti di Agentforce paga effettivamente il prodotto e meno del due percento effettua più di 50 conversazioni Agentforce a settimana – un'indicazione che molte installazioni rimangono ben al di sotto delle ambiziose promesse di ROI.

In breve: la maggior parte delle aziende sperimenta, pochissime contano già milioni concreti – e tra queste c'è un grande divario.

Motivazioni e contesto

Perché le aziende continuano a investire così tanti soldi nell'IA generativa nonostante un bilancio intermedio deludente? Una motivazione è semplicemente l'entità delle scommesse già fatte: solo gli undici maggiori fornitori di cloud dovrebbero investire quasi 400 miliardi di dollari in infrastrutture nel 2025 , spinti principalmente dai requisiti di calcolo dei grandi modelli linguistici. Chi costruisce così tanta capacità ha bisogno di clienti – e quindi di storie convincenti di futuri salti di produttività.

Per molti amministratori delegati, l'IA è anche un segnale strategico per gli investitori: non ci perderemo la prossima ondata. I resoconti dei media su presunte rivoluzioni di produttività rafforzano questa pressione, anche se i propri numeri non corrispondono ancora. Il MIT parla qui di un „GenAI Divide“ divario tra alcuni "vincitori", che hanno ristrutturato i processi in modo coerente, e una grande maggioranza che si accontenta di piloti scarsamente collegati.

Inoltre, c'è la dinamica intorno all'Agentic AI. Analisti come Gartner la considerano una delle tendenze tecnologiche più importanti dei prossimi anni, ma avvertono contemporaneamente contro "agent washing", ovvero casi in cui soluzioni di automazione classiche vengono commercializzate come "agenti" senza possedere l'autonomia necessaria. Reuters riporta che oltre il 40% dei progetti di Agentic AI saranno probabilmente interrotti entro la fine del 2027 – tra l'altro a causa dell'aumento dei costi e del beneficio aziendale poco chiaro.

Allo stesso tempo, gli stessi analisti promettono che gli agenti possono portare enormi guadagni di efficienza a lungo termine. Gartner stima che fino al 2029 l'Agentic AI possa gestire autonomamente fino all'80% delle richieste standard di assistenza clienti e con ciò ridurre i costi operativi di circa il 30%. Questo tipo di previsione alimenta gli investimenti, anche se l'effettiva attuazione è ancora agli inizi.

Fonte: wohlstandsnavigator.net

L'intelligenza artificiale come motore per la creazione di valore finanziario.

Ci sono anche preoccupazioni legittime: la presidente della Signal Foundation, Meredith Whittaker, avverte, ad esempio, che gli agenti che svolgono compiti autonomamente devono quasi inevitabilmente accedere a dati sensibili come contatti, informazioni di pagamento o calendari – e che ciò comporta enormi rischi per la privacy e la sicurezza. Chi vuole ottenere ROI dall'Agentic AI, deve quindi non solo riorganizzare i processi, ma anche ripensare governance, sicurezza e conformità.

Alla fine si scontrano tre forze: l'interesse economico dei fornitori e degli operatori cloud, la pressione all'innovazione e alla concorrenza nelle aziende – e preoccupazioni legittime riguardo a sicurezza, qualità e mondo del lavoro. In questo campo di tensione, decidere quando un agente è davvero redditizio è molto più complicato che per un classico aggiornamento del software.

Il panel "AI ROI in Practice: What Leading Enterprises Get Right" mostra bene come le grandi aziende gestiscono internamente questi campi di tensione e quali metriche utilizzano per un ROI reale.

Fatti e affermazioni

È documentato che la stragrande maggioranza delle aziende finora non trae alcun beneficio finanziario diretto dai propri investimenti in Gen-AI. Il MIT-Auswertung mit rund 95 Prozent „Null-ROI“-Projekten è ripreso da diversi media indipendenti ed è descritto in modo coerente. IBM conferma con i propri dati che solo una piccola parte delle iniziative AI fornisce il ROI atteso e che la scalabilità oltre i progetti pilota è l'eccezione. Allo stesso tempo, studi di casi concreti – ad esempio presso IBM stessa o in singoli settori di servizio di Salesforce – dimostrano che con processi e architetture di agenti radicalmente riorganizzati è possibile ottenere risparmi significativi e guadagni di produttività.

Non è chiaro quanto siano rappresentativi i dati attualmente disponibili per tutti i settori e le dimensioni aziendali. Lo MIT-Studie basiert auf einer begrenzten Stichprobe di professionisti e manager e misura soprattutto effetti a breve-medio termine; innovazioni a lungo termine o vantaggi competitivi indiretti vi figurano solo in parte. Gartner sottolinea che molte aziende introducono strumenti Gen-AI, ma hanno poca base affidabile, qualità dei dati o sistemi metrici per calcolare rigorosamente il ROI. Studi come quello di Kanerika indicano inoltre che gli effetti intangibili in particolare – come innovazione più rapida o migliore fidelizzazione dei clienti – sono difficili da rappresentare con modelli ROI classici.

False o almeno fuorvianti sono affermazioni generalizzate come "Chi non introdurrà agenti ora, uscirà presto dal mercato" o "Gen-AI sostituirà automaticamente una grande parte della forza lavoro". La MIT-Analyse findet keine Hinweise auf massenhafte KI-bedingte Entlassungen , ma piuttosto su effetti subdoli come mancati rimpiazzi di determinate posizioni. Allo stesso tempo, l'esempio di Salesforce dimostra che tagli aggressivi dei costi tramite agenti possono scatenare significative tensioni interne e problemi di accettazione – e che gli investitori valutano con scetticismo le promesse dell'IA, se i numeri delle vendite non le accompagnano. Altrettanto fuorviante è l'immagine dell'Agentic AI come "macchina miracolosa pronta all'uso": Gartner prevede che oltre il 40% dei progetti di Agentic AI saranno interrotti nei prossimi anni , proprio perché il valore aziendale non è chiaro.

Reazioni e contro-posizioni

Fornitori di tecnologia e grandi piattaforme presentano spesso un quadro molto ottimistico. Marc Benioff parla di agenti come nuova forma di lavoro e promette che Agentforce non solo ridurrà i costi, ma attirerà anche lead precedentemente non trattati nell'ordine dei milioni. Allo stesso tempo, documenta Business Insider, wie Analysten vielen dieser Aussagen derzeit „null Glaubwürdigkeit“ beimessen, finché mancano dati affidabili sulla crescita delle vendite, sui margini e sull'adozione.

Gartner e altri ricercatori di mercato adottano una posizione molto più ambivalente. Da un lato, vedono l'Agentic AI come una tecnologia chiave che potrebbe gestire autonomamente la maggior parte delle richieste standard dei clienti entro il 2029. Dall'altro lato, mettono in guardia contro aspettative eccessive, mancanza di qualità dei dati e incentivi errati che potrebbero far fallire costosi progetti.

Fonte: gruender.de

Consulenza IA: competenza umana incontra l'intelligenza artificiale in un mercato da trilioni.

Un terzo gruppo – ad esempio IBM o integratori specializzati – cerca di concentrarsi maggiormente su casi d'uso concreti e metriche affidabili. IBM sottolinea in diversi contributi che i progetti di Agentic AI di successo di solito iniziano con una chiara definizione della riduzione dei costi, richiedono basi affidabili e analisi dei processi e puntano solo in un secondo momento a nuove fonti di ricavo e modelli di business.

Voci critiche – ad esempio da organizzazioni della società civile – ricordano che le architetture degli agenti possono anche creare nuovi rischi di sorveglianza e dipendenza. Meredith Whittaker von Signal warnt davor, dotare gli agenti di ampi diritti di accesso a dati personali e critici per l'azienda, quando non è chiaro come funzionino esattamente questi sistemi e quali fornitori cloud abbiano accesso in background. Diventa quindi chiaro: non si tratta solo di ROI, ma anche di quale prezzo le aziende sono disposte a pagare per potenziali guadagni di efficienza – finanziariamente, organizzativamente e socialmente.

Implicazioni pratiche e domande aperte

Se nella tua azienda pensi a come guadagnare denaro con l'intelligenza artificiale, la lezione più importante è: il ROI si crea raramente con la semplice introduzione di uno strumento, ma con la riprogettazione coerente dei processi. Gli studi dimostrano che i progetti di successo iniziano spesso dove ci sono costi di processo, tempi di elaborazione o tassi di inattività chiaramente misurabili – ad esempio nell'elaborazione dei documenti, nell'assistenza clienti o nell'IT interna. IBM empfiehlt, vor jedem Projekt eine Prozesszerlegung zu machen: Quanto tempo richiede oggi il processo, quanto costa, dove sono gli ostacoli – e quali metriche dovrebbero cambiare concretamente con l'IA? In secondo luogo, è necessaria una chiara baseline, altrimenti non sarà possibile dimostrare in seguito che gli agenti risparmiano effettivamente tempo, denaro o costi. In terzo luogo, vale la pena considerare separatamente gli effetti duri e morbidi: da un lato i risparmi diretti e i maggiori ricavi, dall'altro la soddisfazione, la capacità innovativa e la resilienza.

Per l'Agentic AI vale inoltre: senza una base dati pulita e una solida progettazione dei processi, la promessa di "dipendente digitale" si trasforma rapidamente in un sistema costoso e imprevedibile. TechRadar bringt es mit „Garbage in, Agentic out“ auf den Punkt e rimanda a casi in cui una scarsa qualità dei dati rende i sistemi autonomi praticamente inutilizzabili. Allo stesso tempo, aziende come IBM dimostrano che gli agenti, in flussi di lavoro chiaramente definiti – ad esempio nel servizio HR o per i ticket IT – possono combinare tassi di automazione molto elevati con risparmi misurabili.

In pratica, questo significa per te e il tuo team: prima di ogni progetto di agente o Gen-AI, ponetevi alcune domande semplici e concrete. Quale metrica dovrebbe cambiare – e di quanto? Quali dati utilizza il sistema e quanto sono realmente buoni? Come sarà concretamente il processo in seguito, incluse le escalation verso le persone? E come viene documentato ciò che l'agente ha deciso? Framework di IBM, Gartner e consulenti specializzati forniscono check-list e metriche che potete adattare.

La presentazione "Agentic AI ROI: From Automation to Decisions" mostra con esempi concreti come le aziende utilizzano gli agenti in modo tale che dai compiti automatizzati nascano effettivi effetti finanziari misurabili e nuove qualità decisionali.

Nonostante tutte le cifre, rimangono aperti punti cruciali. Non esistono ancora meta-studi indipendenti e intersettoriali che valutino il ROI effettivo dei progetti Gen-AI e Agentic AI su più anni e cicli economici. Il MIT spricht zwar von einem „GenAI Divide“ divario tra pochi progetti di grande successo e una vasta massa di esperimenti che producono scarso impatto, ma come si svilupperà questo divario a lungo termine è incerto. Altrettanto aperta è la questione se l'attuale ondata di investimenti si dimostrerà un anticipo di spesa eccessivo o una base per salti di produttività sostenibili.

Un secondo punto aperto è la misurabilità del ROI morbido. Quanto vale se i team di prodotto testano prototipi più velocemente grazie all'IA, i team di marketing trovano gruppi target migliori o i dirigenti prendono decisioni su una base dati più ampia? IBM betont, dass solche Effekte langfristig entscheidend sein können, ma si adattano solo difficilmente alle formule ROI classiche. Consulenti come Kanerika cercano di stabilire sistemi metrici combinati che colleghino indicatori finanziari, produttivi, relativi ai clienti e al rischio – un'area in cui probabilmente ci saranno molti sviluppi nei prossimi anni.

Infine, rimane la domanda di come la regolamentazione, le norme contabili e la vigilanza affronteranno in futuro gli investimenti in IA. Non ci sono ancora standard uniformi su come le aziende debbano comunicare i progetti di IA nei bilanci, nei rapporti di sostenibilità o di rischio e rendere trasparente la loro redditività. Per te questo significa: il tuo standard interno per la misurazione, la documentazione e la governance sarà probabilmente importante quanto la scelta dei modelli o delle piattaforme nei prossimi anni.

Lo stato attuale può essere riassunto in modo sobrio: la maggior parte delle aziende sta ancora cercando un modello di business affidabile per Generative AI e Agentic AI, mentre una piccola minoranza sta già ottenendo chiari effetti finanziari. I dati suggeriscono che il ROI non deriva dalla tecnologia stessa, ma dal modo in cui le aziende ripensano coerentemente i processi, l'organizzazione e la base dati intorno a questa tecnologia.

Se vuoi davvero guadagnare denaro con l'intelligenza artificiale, vale la pena un'occhiata sobria: iniziare in piccolo, misurare chiaramente, allinearsi radicalmente a specifici obiettivi aziendali – e vedere gli agenti non come esseri magici, ma come componenti impegnativi di un nuovo design di processo. In questo modo aumenta la possibilità di passare dal grande gruppo di aziende sperimentatrici al piccolo gruppo di quelle che già oggi ottengono ritorni reali e dimostrabili dall'IA.