Non se n’è accorto subito.

Gli obiettivi di velocità degli sprint sono saliti. I tempi di risposta attesi per le richieste di funzionalità si sono accorciati. Il suo backlog è cresciuto di un terzo in due mesi. Quando ne ha parlato con il suo responsabile, la risposta è stata disinvolta — quasi allegra: «Abbiamo appena integrato Copilot e Claude Code per tutto il team di ingegneria. Ora dovremmo andare più veloci.»

È un product manager in un’azienda tecnologica di medie dimensioni. Il suo lavoro è fare da tramite tra gli obiettivi di business e la capacità ingegneristica. E dall’oggi al domani, questa traduzione è cambiata. La direzione aveva acquistato strumenti di IA per lo sviluppo e aveva dato per scontato che l’equazione fosse semplice: stesso team più IA uguale più output. Il suo calendario non si è alleggerito. È diventato più pesante — perché ora ci si aspettava che definisse più funzionalità allo stesso ritmo, per un team che stava ancora cercando di capire come usare gli strumenti consegnati tre settimane prima.

Quando ha sollevato obiezioni — spiegando che gli strumenti di IA richiedono una riprogettazione dei flussi di lavoro, che il team aveva bisogno di formazione, che «più veloce» non significa «di più» — la risposta della direzione è stata quella di tre parole che riassumono un problema da 684 miliardi di dollari: «Aggiungi solo la chat bubble all’app.»

Un pulsante. Una bolla. Un piccolo disegno su uno schermo.

Non lo sapeva ancora, ma aveva appena descritto l’aspetto dell’80% dei progetti di adozione dell’IA visti dall’interno — e due delle più grandi aziende di IA al mondo avevano appena speso 11,5 miliardi di dollari confermando che aveva ragione.

I Numeri che Nessuno Voleva Pubblicare

Nel 2025, le grandi aziende mondiali hanno investito 684 miliardi di dollari in iniziative di IA. Secondo l’analisi della RAND Corporation, l’80,3% di quei progetti non è riuscito a consegnare il valore aziendale previsto.

Quel numero merita un momento di riflessione. Otto progetti di IA su dieci — finanziati, dotati di personale, avviati — non hanno fatto ciò che avrebbero dovuto fare.

La ripartizione è istruttiva. Tra i fallimenti, il 33,8% è stato abbandonato prima di raggiungere la produzione — sono morti in fase pilota, in proof-of-concept, nella riunione in cui qualcuno ha finalmente chiesto «quale problema stiamo risolvendo?». Un altro 28,4% ha raggiunto il completamento ma non ha consegnato il valore atteso — il sistema funzionava, tecnicamente, ma nessuno lo usava, o risolveva il problema sbagliato, o il flusso di lavoro che avrebbe dovuto migliorare si era già adattato aggirando il sistema.

La percentuale di organizzazioni che hanno abbandonato almeno un’iniziativa di IA è passata dal 17% al 42% in due anni. I servizi finanziari — il settore che spende di più in IA — guida il tasso di fallimento all’82,1%. La sanità è al 78,9%. L’industria manifatturiera al 76,4%.

Ed ecco la scoperta che spiega quasi tutto il resto: i progetti con risorse dedicate alla gestione del cambiamento hanno successo 2,9 volte più spesso di quelli senza. La differenza tra il 20% che funziona e l’80% che non funziona non è il modello. Non è la potenza di calcolo. Non sono i dati. È se qualcuno ha preparato le persone.

Il Problema del Pulsante

Il decisore che pensa che l’IA sia un pulsante rappresenta una modalità di fallimento specifica che il settore ha a lungo rifiutato di nominare: l’analfabetismo in materia di IA a livello di leadership.

Non è che questi dirigenti siano stupidi. Molti di loro hanno costruito aziende di successo, navigato mercati complessi, preso decisioni in condizioni di incertezza per decenni. Ma l’IA non è come le precedenti adozioni tecnologiche. Quando davi a un team Excel, poteva iniziare a usarlo il giorno successivo — la metafora del foglio di calcolo era intuitiva, la curva di apprendimento era gestibile, l’output era visibile. Quando davi a un team uno strumento di project management, il cambiamento nel flusso di lavoro era significativo ma delimitato — si poteva vedere dove finiva il vecchio processo e dove iniziava il nuovo.

L’IA non funziona così. L’IA cambia la forma stessa del lavoro. Un assistente di codifica non accelera solo la digitazione — sposta ciò su cui un sviluppatore impiega il suo tempo, il che cambia il significato della code review, il che cambia come viene gestito il debito tecnico, il che cambia come vengono definiti i progetti. Un agente di customer support non risponde solo più velocemente — cambia ciò che gestiscono gli agenti umani, il che cambia i profili di assunzione, il che cambia i programmi di formazione, il che cambia l’intera struttura dei costi di supporto.

Il dirigente che dice «aggiungi la chat bubble» sta applicando il vecchio modello mentale del software a un problema di IA. Installa lo strumento, forma il team, misura l’output. Ma l’IA non genera un cambiamento delimitato nel flusso di lavoro. Genera un cambiamento a cascata. E se la direzione non lo capisce — se pensa di comprare un pulsante quando sta comprando una trasformazione dei processi — il progetto si unirà all’80%.

Esiste una modalità di fallimento che le statistiche non catturano: la vergogna. Quando un nuovo strumento non funziona come qualcuno si aspetta, la maggior parte delle persone non alza la mano. Riprova. Ancora e ancora — creando silenziosamente duplicati, workaround ed errori che si accumulano prima che qualcuno se ne accorga. In un vero deployment che abbiamo osservato, un’operatrice ha creato quattro record duplicati senza dirlo a nessuno perché si vergognava di chiedere al suo responsabile come funzionasse il sistema. Il problema non era lo strumento. Non era la formazione — non ce n’era stata. Era che nessuno aveva creato uno spazio sicuro per dire «non capisco». La gestione del cambiamento non è solo un framework di processo. È il permesso di essere confusi ad alta voce.

La Confessione

Il 4 maggio 2026 — lo stesso giorno, a poche ore l’uno dall’altro — OpenAI e Anthropic hanno ciascuno annunciato attività di consulenza aziendale.

OpenAI ha lanciato «The Deployment Company», un veicolo da 10 miliardi di dollari sostenuto da TPG e 19 investitori, con un rendimento annuo garantito del 17,5%. Guidato dal COO Brad Lightcap, è già in trattativa per acquisire tre società di servizi di IA. OpenAI ha contemporaneamente approfondito le partnership con McKinsey, BCG, Accenture e Capgemini — gli stessi giganti della consulenza che fatturano 500 dollari all’ora per dire alle aziende ciò che i propri dipendenti già sanno.

Anthropic ha annunciato una joint venture da 1,5 miliardi di dollari con Goldman Sachs, Blackstone e Hellman & Friedman, esplicitamente modellata sull’approccio di ingegneria forward-deployed di Palantir: integrare ingegneri all’interno dell’azienda cliente per riprogettare i flussi di lavoro dall’interno. In parallelo, EPAM ha lanciato un programma per formare 10.000 «architetti certificati Claude» e 250 ingegneri specializzati «Black Belt».

Due aziende. Lo stesso giorno. La stessa ammissione: il modello da solo non basta.

Non è un cambio di rotta. È una confessione. Per quattro anni, i laboratori di IA di frontiera hanno venduto modelli — API, abbonamenti, token. La promessa implicita era che il modello avrebbe fatto il lavoro. Basta collegarlo. Più intelligente è il modello, più valore crea. Scalare il modello equivale a scalare il valore.

L’80% di tasso di fallimento è la ricevuta di quella promessa.

Cosa Stanno Vendendo Davvero

Guardare oltre i comunicati stampa e gli annunci di partnership. Ciò che OpenAI e Anthropic vendono ora non è consulenza. Non sono «servizi di trasformazione IA». Non è nemmeno competenza.

Stanno vendendo il manuale che avrebbe dovuto essere fornito con il prodotto.

Quando si compra un’auto, il produttore presuppone che si sappia guidare. Se l’80% degli acquirenti avesse un incidente entro un anno, il produttore non direbbe «la nostra auto va bene, sono i guidatori a essere scarsi». Riprogetterebbero l’auto o inizierebbero a vendere lezioni di guida.

I laboratori di frontiera hanno scelto le lezioni di guida. Ma non le hanno chiamate lezioni di guida — le hanno chiamate «attività di servizi IA per aziende» e le hanno prezzate a 10 miliardi di dollari.

Il genio di questa mossa — ed è genuinamente astuta — è che converte un fallimento di prodotto in un flusso di ricavi. Il modello non funziona in azienda? Non è un problema. È un mercato. Vendi il modello. Poi vendi la consulenza per far funzionare il modello. Poi integra i tuoi ingegneri così in profondità nell’azienda che uscire non significa solo togliere il modello ma sradicare l’intero flusso di lavoro che è stato ricostruito attorno ad esso.

Questo è un lock-in a una profondità di cui le aziende SaaS potevano solo sognare. Salesforce si integra nella tua pipeline di vendita. Oracle si integra nel tuo database. OpenAI e Anthropic si stanno integrando nelle tue operazioni, con i loro ingegneri seduti accanto ai tuoi dipendenti, riprogettando come la tua azienda svolge il suo lavoro reale.

Il Modello Palantir

Il confronto con Palantir non è casuale — sia Anthropic che OpenAI vi fanno esplicito riferimento. E il playbook di Palantir è istruttivo.

Gli ingegneri forward-deployed di Palantir non installano semplicemente software. Imparano il business del cliente, identificano dove gli strumenti di Palantir possono aggiungere valore, costruiscono integrazioni personalizzate e diventano i detentori della conoscenza istituzionale su come il sistema di IA funziona all’interno di quella specifica organizzazione. Nel tempo, l’ingegnere Palantir diventa indispensabile — non perché il software sia insostituibile, ma perché l’ingegnere è l’unica persona che capisce come il software si connette ai processi unici dell’azienda.

Quando il contratto arriva al rinnovo, la domanda non è «vale la pena di questo software?». La domanda è «possiamo permetterci di perdere la persona che capisce come funziona tutto?»

Questo è il modello che OpenAI e Anthropic stanno adottando. Non licenze software. Non prezzi API. Dipendenza organizzativa. Il tipo di lock-in in cui il costo di uscita non è una migrazione — è una riorganizzazione.

Cosa Significa per l’80%

La scomoda verità è che le attività di consulenza probabilmente miglioreranno i tassi di adozione dell’IA aziendale. Gli ingegneri integrati che comprendono sia il modello sia il business del cliente produrranno risultati migliori di un decisore che pensa che l’IA sia un pulsante. I progetti avranno più spesso successo. Il ROI si materializzerà. L’80% di tasso di fallimento scenderà.

Ed è esattamente questo il problema.

Il miglioramento verrà in parte dallo sviluppo da parte delle aziende delle proprie capacità di IA — le persone imparano attraverso l’uso, e la curva di apprendimento è reale anche se lenta. Ma il modello di consulenza comprime quella curva affittando competenze invece di costruirle. L’azienda impara più velocemente, ma la conoscenza più profonda — come il modello si connette allo specifico flusso di lavoro, perché alcune configurazioni funzionano e altre no — risiede nella testa del consulente, non nell’organigramma del cliente.

Quando arriverà la prossima generazione di modelli — e arriva sempre — l’azienda avrà bisogno degli stessi ingegneri integrati per adattare il nuovo modello agli stessi flussi di lavoro. Il contratto di consulenza si rinnova. La dipendenza si approfondisce. Il lock-in si accumula.

L’80% di tasso di fallimento era un problema. Le attività di consulenza lo risolvono. Ma lo risolvono come un farmaco risolve un sintomo: creando una dipendenza che richiede lo stesso farmaco indefinitamente.

L’Alternativa che Nessuno Vende

Esiste un altro percorso, ed è quello che nessuno sta confezionando in un veicolo da 10 miliardi di dollari: costruire la competenza internamente.

Le aziende che rientrano nel 20% che ha successo hanno una cosa in comune — non modelli migliori, non budget più grandi, ma una gestione del cambiamento dedicata. Qualcuno all’interno dell’organizzazione il cui lavoro è comprendere lo strumento, riprogettare i processi, formare le persone e iterare sull’implementazione. Non un ingegnere di un fornitore. Non un consulente che se ne va dopo l’incarico. Qualcuno che rimane, che accumula contesto, che capisce perché l’azienda fa le cose nel modo in cui le fa.

L’ironia è tagliente. I laboratori di IA stanno costruendo team di ingegneria forward-deployed perché sanno che il contesto — profondo, specifico, istituzionale — è ciò che fa funzionare l’IA nella pratica. E hanno ragione. Ma stanno vendendo quel contesto come servizio invece di aiutare le aziende a costruirlo per conto proprio.

Uno sviluppatore a Santiago gestisce sette istanze di IA su un mini-PC che costa meno di un mese di consulenza aziendale. Ha fissato la versione del suo CLI, disabilitato gli aggiornamenti automatici, impostato i propri livelli di sforzo di ragionamento e costruito un protocollo di comunicazione tra istanze usando testo normale su HTTP. Nessun fornitore. Nessun consulente. Nessun ingegnere integrato. Solo qualcuno che ha deciso di capire lo strumento invece di aspettare che qualcun altro lo capisse al posto suo.

Questo è il 20%. Non un budget. Non una partnership. Una decisione.

L’Ago nel Pagliaio

Il product manager che descriveva la comprensione della sua azienda dell’IA come «un pulsante nell’app» non sapeva di stare descrivendo un problema da 684 miliardi di dollari. Stava solo sfogandosi riguardo al suo lavoro.

Ma quella frustrazione — il divario tra ciò che la direzione pensa che l’IA faccia e ciò che richiede davvero — è il mercato che due aziende da mille miliardi di dollari hanno appena speso 11,5 miliardi di dollari per indirizzare. Non perché si preoccupino della frustrazione del product manager. Perché hanno capito che la frustrazione è un flusso di ricavi.

L’80% di tasso di fallimento è stata la cosa migliore che sia mai capitata ai laboratori di IA di frontiera. Ha dimostrato che il modello non bastava. E nel dimostrare che il modello non bastava, ha creato il mercato per tutto il resto che volevano vendere.

Perché Falliscono Davvero

Sotto le statistiche, sotto le attività di consulenza e le strategie di lock-in, c’è una spiegazione più semplice del perché l’80% dell’adozione dell’IA fallisce. Non è tecnica. Non è finanziaria. È filosofica.

Le aziende che falliscono chiedono: «Quante persone possiamo sostituire?»

Le aziende che hanno successo chiedono: «Cosa possono fare queste persone ora che non potevano fare prima?»

La prima domanda porta al pulsante — installa lo strumento, riduci il personale, aumenta i margini. L’IA come riduzione dei costi. Il decisore che dice «aggiungi la chat bubble» sta rispondendo alla prima domanda. Non ha bisogno di capire lo strumento perché il compito dello strumento è eliminare la necessità di comprensione. Collegalo, taglia il team, comunicane i risparmi.

La seconda domanda porta all’infrastruttura. Porta a uno sviluppatore che fissa la versione del suo CLI perché vuole che il modello faccia esattamente ciò di cui ha bisogno, non ciò che l’impostazione predefinita prevede. Porta a una flotta di nove istanze di IA distribuite su tre macchine, ognuna specializzata, ognuna che accumula contesto che la rende più utile nel tempo. Porta a un’operatrice in uno studio notarile che — dopo aver fallito quattro volte in silenzio — ottiene un canale di supporto dedicato costruito appositamente perché possa fare domande senza vergogna. Nessuno è stato sostituito. Il sistema ha acquisito capacità che non aveva prima.

L’80% tratta l’IA come un sostituto del giudizio umano. Il 20% la tratta come un’estensione delle capacità umane. La differenza non è il modello. Non è il budget. È ciò che la persona al vertice crede di aver acquistato.

La confessione è sul tavolo. La domanda è se le aziende la intenderanno come un avvertimento — preparate le vostre persone, o qualcun altro lo farà a un prezzo che non smetterete mai di pagare — o come un invito a firmare il prossimo contratto.