Il successo dei consumatori come inganno | La grande disillusione: quando l'intelligenza artificiale fallisce in fabbrica

“Illusione del pensiero”: perché l’hype di ChatGPT si è schiantato contro il pavimento della fabbrica

Mentre il mondo continua ad ammirare le capacità creative di ChatGPT, nell'economia reale si sta svolgendo un dramma completamente diverso. Nuovi dati mostrano che il sogno di una rivoluzione dell'intelligenza artificiale nell'industria rischia di trasformarsi nella delusione più costosa della storia digitale.

Dopo la corsa all'oro, c'è un po' di sbornia. Per tre anni, l'intelligenza artificiale generativa ha dominato i titoli dei giornali, ha fatto salire i prezzi delle azioni e ha preannunciato un'era di produttività illimitata. Ma chiunque guardi dietro le quinte delle scintillanti demo tecnologiche e veda dove avviene la vera creazione di valore – nei capannoni di produzione, nei centri logistici e nei bilanci dell'industria – sperimenta un brusco risveglio.

Ciò che funziona come un chatbot utile nella vita privata spesso fallisce clamorosamente nei complessi meccanismi della produzione industriale. I dati sono allarmanti: mentre i giganti della tecnologia investono migliaia di miliardi nei data center, secondo recenti studi del MIT e di McKinsey, il 95% delle implementazioni di intelligenza artificiale nelle aziende risulta inefficace. Invece della promessa esplosione di efficienza, stiamo assistendo a un'esplosione di costi senza alcun ritorno sull'investimento.

Dal "divario di apprendimento" e dalla mancanza di strategie basate sui dati alla capitolazione delle PMI tedesche: questo articolo espone senza mezzi termini perché la bolla dell'intelligenza artificiale potrebbe essere sul punto di scoppiare, perché l'intelligenza artificiale spesso simula solo un'"illusione di pensiero" e perché il 2026 sarà un anno cruciale per l'intero settore tecnologico. Un'analisi della disillusione diffusa e la domanda su cosa rimarrà dopo l'hype.

Adatto a:

• "Strutturalmente in bancarotta"? L'attività in perdita di ChatGPT: la scioccante verità sul modello di business di OpenAI

Perché il sogno della fabbrica automatizzata sta diventando la disillusione più costosa della storia digitale

Dopo tre anni di clamore sfrenato attorno a ChatGPT e all'intelligenza artificiale generativa, si sta delineando una svolta. Quella che è stata annunciata come una rivoluzione della produttività si sta rivelando sempre più come il classico schema dell'iperbole tecnologica: impressionanti effetti dimostrativi si scontrano con realtà aziendali preoccupanti. Mentre milioni di persone in tutto il mondo utilizzano l'intelligenza artificiale per testo, immagini e attività digitali quotidiane, la svolta promessa non si è concretizzata dove avviene la vera creazione di valore economico: negli stabilimenti di produzione, nelle linee di assemblaggio e nei complessi processi industriali.

I numeri parlano da soli. Un'analisi McKinsey del 2025 rivela l'intera portata della discrepanza: mentre il 78% delle aziende utilizza ora l'intelligenza artificiale in qualche forma, una percentuale altrettanto ampia non riesce a rilevarne alcun beneficio misurabile. Il Massachusetts Institute of Technology si spinge ancora oltre nel suo studio completo, giungendo a una conclusione schiacciante: il 95% di tutte le implementazioni di intelligenza artificiale aziendali non mostra alcun impatto sul conto economico. Solo il 5% dei progetti pilota riesce a passare dalla fase di test all'effettiva disponibilità alla produzione. Ciò che emerge qui non è una temporanea difficoltà di adattamento, ma un fallimento strutturale con cause profonde che avranno conseguenze di vasta portata.

Il successo del consumatore come inganno

L'ampia accettazione dell'intelligenza artificiale nella sfera privata ha creato una pericolosa illusione. OpenAI segnala ben 800 milioni di utenti settimanali di ChatGPT a settembre 2025, un aumento di otto volte rispetto a novembre 2023. In Germania, il 64% della popolazione utilizza chatbot o assistenti vocali basati sull'intelligenza artificiale almeno una volta alla settimana; tra i 16 e i 29 anni, questa percentuale sale all'89%. Questi impressionanti tassi di adozione trasmettono l'impressione di una tecnologia che si è affermata con successo. Tuttavia, questa impressione è fondamentalmente fuorviante se si considera l'effettiva creazione di valore.

L'uso da parte dei consumatori si concentra su applicazioni a basso impatto economico: risposte a domande quotidiane, creazione di testi per scopi personali e generazione di immagini per l'intrattenimento. L'87% degli utenti utilizza esclusivamente versioni gratuite dei servizi. Questo dato da solo illustra la limitata disponibilità a pagare e quindi il valore economico percepito. Sebbene OpenAI generi un fatturato annuo stimato di 12 miliardi di dollari, questo successo deriva principalmente dal numero di utenti e dalle licenze aziendali, non da guadagni di produttività dimostrabili nell'economia reale.

Il vero banco di prova per l'intelligenza artificiale non sta nel generare contenuti per i social media o nel rispondere a domande banali, ma negli ambienti complessi della produzione industriale, della logistica e del controllo della produzione. Qui, i sistemi devono far fronte a processi fisici, diversi mix di prodotti, specifiche mutevoli ed ecosistemi di macchine complessi. Ed è proprio qui che i fallimenti diventano evidenti.

Ritorna il paradosso della produttività

Ciò che sta emergendo attualmente è una preoccupante ripetizione di un fenomeno che gli economisti già conoscono dagli anni '80: il paradosso di Solow. Il premio Nobel Robert Solow osservò nel 1987 che l'era informatica è visibile ovunque tranne che nelle statistiche sulla produttività. Questa situazione paradossale si è ripetuta con la digitalizzazione negli anni 2000. Secondo i dati dell'OCSE, nonostante i massicci investimenti nella digitalizzazione, la produttività in Germania è aumentata solo dello 0,7% annuo tra il 2010 e il 2018. Tra il 1992 e il 2010, era addirittura diminuita dell'1,55% annuo.

Stiamo assistendo a una terza iterazione di questo paradosso della produttività, questa volta con l'intelligenza artificiale come presunto fattore di svolta. Un'analisi McKinsey del 2025 mostra che il 92% delle aziende aumenterà i propri investimenti in intelligenza artificiale, ma solo l'1% ha un'implementazione matura. Infatti, il 67% segnala che almeno un'iniziativa di intelligenza artificiale ha ridotto la produttività complessiva. Questi dati rivelano una discrepanza devastante tra il volume degli investimenti e i rendimenti realizzati.

Le ragioni di questo paradosso ricorrente sono molteplici. Una sfida fondamentale risiede nella natura stessa dei moderni sistemi di intelligenza artificiale. Gli attuali modelli linguistici di grandi dimensioni (LML) dominanti si basano sul riconoscimento statistico di pattern nei dati di addestramento, non sul ragionamento logico sistematico o sulla comprensione autentica. Uno studio Apple del giugno 2025 ha riassunto sinteticamente il problema: persino la cosiddetta IA spiegabile, che delinea il suo processo di risoluzione dei problemi passo dopo passo, genera semplicemente un'illusione di pensiero. Questa limitazione fondamentale rende i sistemi inaffidabili per applicazioni in cui precisione e coerenza sono cruciali, proprio le qualità indispensabili nei processi di produzione industriale.

Fallimento nella realtà industriale

L'implementazione dell'intelligenza artificiale negli ambienti di produzione incontra una serie di ostacoli persistenti che non possono essere superati con semplici miglioramenti tecnologici. Uno studio del MIT identifica il cosiddetto divario di apprendimento come il problema principale: la maggior parte dei sistemi di intelligenza artificiale non è in grado di apprendere dal feedback operativo, adattarsi a contesti mutevoli o migliorare nel tempo. Il 90% degli utenti aziendali intervistati preferisce i colleghi umani all'intelligenza artificiale per progetti complessi e a lungo termine, perché i sistemi richiedono un input esteso ogni volta che vengono utilizzati e non creano un contesto persistente.

Questa carenza strutturale è aggravata da una serie di fattori organizzativi e tecnici. L'Istituto Economico Tedesco (IW) e diverse indagini di settore tracciano un quadro coerente: il 76% delle piccole e medie imprese (PMI) si scontra con una qualità dei dati insufficiente e silos di dati frammentati. Il 68% non dispone di una strategia di intelligenza artificiale ben sviluppata. L'82% segnala significative lacune nelle competenze in materia di intelligenza artificiale. La Germania attualmente ha una carenza di 244.000 professionisti STEM, inclusi 29.500 specialisti IT. Queste cifre dimostrano che il problema si estende ben oltre i limiti tecnologici.

Affinché un'azienda manifatturiera implementi con successo l'IA, è necessaria una serie di prerequisiti: dati di alta qualità, strutturati e integrati provenienti da diverse fonti; infrastrutture tecniche per l'acquisizione, l'archiviazione e l'elaborazione di questi dati; specialisti con competenze sia nella scienza dei dati che negli specifici processi di produzione; strutture organizzative per la gestione del cambiamento e la promozione dell'accettazione; e chiari quadri di governance per le responsabilità e la gestione del rischio. Se anche uno solo di questi elementi manca, i progetti hanno un'alta probabilità di fallimento.

La realtà delle aziende manifatturiere tedesche è sconfortante. Uno studio dell'Università di Coblenza mostra che, sebbene due terzi delle 120 aziende intervistate dichiarino già di utilizzare l'intelligenza artificiale, l'80% di esse lo fa solo da circa due anni. Uno sguardo più attento alle pratiche produttive effettive rivela che i processi basati sull'intelligenza artificiale sono ancora una prospettiva lontana per la maggior parte delle aziende manifatturiere. L'ostacolo maggiore è il consolidamento e la disponibilità dei dati, seguito a breve distanza dalla carenza di personale qualificato, che vincola ulteriormente le già limitate risorse IT.

Esplosione dei costi senza ritorno sugli investimenti

Parallelamente alla mancanza di benefici operativi, i costi di investimento stanno aumentando a proporzioni vertiginose. La spesa globale per i data center di intelligenza artificiale è stimata in 600 miliardi di dollari nel 2025 e si prevede che salirà a una cifra compresa tra 3 e 4 trilioni di dollari entro il 2030. Ciò rappresenta un tasso di crescita annuo del 46%. McKinsey prevede addirittura un fabbisogno di 7 trilioni di dollari entro il 2030 solo per le infrastrutture dei data center. OpenAI, attraverso la sua iniziativa Stargate con Oracle e Softbank, sta pianificando data center per un valore di 500 miliardi di dollari. Il CEO di Meta, Mark Zuckerberg, prevede costi di 600 miliardi di dollari entro il 2028.

Queste enormi somme di denaro dovranno prima o poi ripagarsi. Sequoia Capital ha calcolato che il settore dell'intelligenza artificiale dovrebbe generare 600 miliardi di dollari di fatturato annuo per giustificare gli investimenti attuali, un ostacolo che sembra quasi impossibile da superare nel breve termine. Goldman Sachs ha lanciato severi avvertimenti: 1.000 miliardi di dollari di investimenti in intelligenza artificiale potrebbero non produrre i rendimenti attesi. L'analista Jim Covello lo ha detto senza mezzi termini: esagerare con cose per cui il mondo non ha bisogno o non è pronto, di solito finisce male.

La componente energetica è particolarmente problematica. I prezzi della capacità nella cruciale regione PJM negli Stati Uniti sono saliti a 329 dollari per megawatt-giorno per l'anno di consegna 2026/2027, un aumento di quasi nove volte rispetto al 2025/2026. Questa critica pressione per l'efficienza sta costringendo gli hyperscaler ad adottare immediatamente architetture a basso consumo energetico. Tuttavia, anche con architetture migliorate, si profila un momento di forte espansione a metà del 2026, quando l'offerta guidata dalla spesa in conto capitale crescerà più rapidamente dell'utilizzo monetizzato. In questo scenario, il costo per token potrebbe avvicinarsi allo zero, portando a una rapida svalutazione della capacità di inferenza di nuova costruzione.

La situazione ricorda la bolla delle dot-com dei primi anni 2000, quando ingenti investimenti in cavi in ​​fibra ottica portarono a una sovracapacità mai pienamente sfruttata. Molti dei nuovi data center AI potrebbero subire un destino simile se la domanda non si sviluppasse al ritmo previsto. Il Gartner Hype Cycle, un consolidato strumento di previsione dei cicli tecnologici, suggerisce che l'intelligenza artificiale potrebbe entrare nella sua terza fase, quella della disillusione, nel 2026. In questa fase, limiti e costi elevati diventano palesi, problemi di scalabilità e la mancanza di modelli di business validi portano al fallimento di molti progetti e alla scomparsa di fornitori.

La classe media tedesca sta capitolando

Mentre i giganti della tecnologia continuano a investire miliardi nell'intelligenza artificiale, nelle piccole e medie imprese (PMI) tedesche sta emergendo una tendenza degna di nota: una ritirata strategica. Un sondaggio condotto su 200 PMI, pubblicato a gennaio 2026 dalla società di consulenza aziendale Horvath, rivela che queste aziende investiranno solo lo 0,35% del loro fatturato in tecnologie di intelligenza artificiale nel 2025, rispetto allo 0,41% del 2024. Ciò significa che le PMI stanno investendo circa il 30% in meno rispetto al mercato complessivo, un divario che si sta ampliando.

Le ragioni di questo sviluppo sono rivelatrici. Le tensioni geopolitiche hanno destabilizzato molte aziende di medie dimensioni, spostandone l'attenzione sull'ottimizzazione dei costi. Ma, cosa ancora più importante, le prime applicazioni dell'IA potrebbero non aver prodotto gli sperati guadagni di efficienza. Heiko Fink, direttore dello studio e membro del consiglio di amministrazione di Horvath, avverte con forza: se la trasformazione dell'IA non verrà accelerata in modo massiccio ora, il divario tecnologico si trasformerà in un rischio strategico esistenziale.

Le sfide che le piccole e medie imprese (PMI) devono affrontare sono molteplici e profondamente radicate. Gli ostacoli burocratici e la lentezza dei progressi nella digitalizzazione compromettono significativamente la loro capacità di implementare l'IA. Le preoccupazioni relative alla protezione dei dati e alla sovranità digitale ne ostacolano ulteriormente l'adozione. Uno studio completo sull'IA nelle PMI del 2025 traccia un quadro drammatico: sebbene l'86% ne riconosca l'importanza, solo il 23% ha implementato con successo progetti concreti di IA. Solo il 32% ha una strategia di IA ben sviluppata e solo il 19% ha istituito un responsabile o un team dedicato all'IA.

I problemi relativi ai dati si stanno rivelando un importante tallone d'Achille. Il 76% delle piccole e medie imprese (PMI) si scontra con una qualità dei dati insufficiente e con silos di dati tra i sistemi. L'83% non dispone di una strategia completa per i dati. Il 69% non sa nemmeno di quali dati ha bisogno per le applicazioni di intelligenza artificiale. Il 58% non dispone di strutture di governance dei dati. Questi dati dimostrano che il problema inizia molto prima dell'effettiva implementazione dell'intelligenza artificiale: manca un'infrastruttura digitale fondamentale.

A ciò si aggiunge il deficit di governance. Sebbene il 91% ritenga fondamentali la sicurezza e la conformità dell'IA, il 76% non dispone di un quadro di governance per l'IA. Questa discrepanza rappresenta un rischio legale e reputazionale significativo, in particolare con l'AI Act dell'UE, entrato in vigore nell'agosto 2024. Sebbene il regolamento crei un quadro necessario per un utilizzo responsabile dell'IA, molte aziende lo percepiscono come un eccesso di regolamentazione che le pone in una posizione di svantaggio competitivo rispetto a Stati Uniti e Cina. Mentre le aziende europee si dibattono nella giungla delle nuove normative, i giganti della tecnologia in Nord America e Asia continuano a godere di relativa libertà.

Una nuova dimensione della trasformazione digitale con 'Managed AI' (Intelligenza Artificiale) – Piattaforma e soluzione B2B | Xpert Consulting - Immagine: Xpert.Digital

Qui scoprirai come la tua azienda può implementare soluzioni di intelligenza artificiale personalizzate in modo rapido, sicuro e senza elevate barriere all'ingresso.

Una piattaforma di intelligenza artificiale gestita è il pacchetto completo e senza pensieri per l'intelligenza artificiale. Invece di dover gestire tecnologie complesse, infrastrutture costose e lunghi processi di sviluppo, riceverai una soluzione chiavi in ​​mano su misura per le tue esigenze da un partner specializzato, spesso entro pochi giorni.

I principali vantaggi in sintesi:

⚡ Implementazione rapida: dall'idea all'applicazione operativa in pochi giorni, non mesi. Forniamo soluzioni pratiche che creano valore immediato.

🔒 Massima sicurezza dei dati: i tuoi dati sensibili rimangono con te. Garantiamo un trattamento sicuro e conforme alle normative, senza condividere i dati con terze parti.

💸 Nessun rischio finanziario: paghi solo per i risultati. Gli elevati investimenti iniziali in hardware, software o personale vengono completamente eliminati.

🎯 Concentrati sul tuo core business: concentrati su ciò che sai fare meglio. Ci occupiamo dell'intera implementazione tecnica, del funzionamento e della manutenzione della tua soluzione di intelligenza artificiale.

📈 A prova di futuro e scalabile: la tua intelligenza artificiale cresce con te. Garantiamo ottimizzazione e scalabilità continue e adattiamo i modelli in modo flessibile alle nuove esigenze.

Maggiori informazioni qui:

• La soluzione di intelligenza artificiale gestita - Servizi di intelligenza artificiale industriale: la chiave per la competitività nei settori dei servizi, dell'industria e dell'ingegneria meccanica

Dove l'intelligenza artificiale crea effettivamente valore aggiunto

Nonostante il quadro generale sia per lo più preoccupante, esistono aree e casi d'uso in cui l'intelligenza artificiale genera in modo dimostrabile un valore aggiunto. Tuttavia, queste storie di successo sono altamente specifiche e seguono modelli riconoscibili che si differenziano significativamente dai progetti di massa falliti.

Uno studio IBM dell'ottobre 2025 mostra che il 62% delle aziende in Germania sta già ottenendo significativi incrementi di produttività grazie all'intelligenza artificiale. Quasi la metà prevede di vedere un ritorno sull'investimento misurabile entro dodici mesi, principalmente attraverso una maggiore soddisfazione dei dipendenti, un risparmio di tempo e un aumento del fatturato. Uno studio SAP giunge a conclusioni simili: il ROI medio degli investimenti in intelligenza artificiale è del 16% nel primo anno e si prevede che quasi raddoppierà, raggiungendo il 31% entro due anni. Il 64% degli intervistati ha dichiarato di essere soddisfatto del proprio attuale ritorno sull'investimento, superiore a quello di qualsiasi altro investimento tecnologico.

Questi dati positivi, tuttavia, vengono notevolmente ridimensionati se si analizza più da vicino dove e come viene creato il valore. Lo studio del MIT individua un modello cruciale: le implementazioni di intelligenza artificiale di successo si concentrano sull'automazione del back-office, non sulle grandiose promesse di processi di produzione rivoluzionati. L'automazione dei documenti, i processi di approvvigionamento e la valutazione dei rischi mostrano i rendimenti più elevati. Le implementazioni di successo consentono di risparmiare tra i due e i dieci milioni di dollari all'anno riducendo l'outsourcing dei processi aziendali. I costi di agenzia diminuiscono del 30% quando gli strumenti di intelligenza artificiale si occupano delle attività creative e analitiche.

Adatto a:

• Dalla sperimentazione alla scalabilità e all'industrializzazione: l'intelligenza artificiale aziendale nel 2026 come punto di svolta verso operazioni aziendali strutturate

Un problema fondamentale si manifesta nella distribuzione degli investimenti

Oltre la metà dei budget destinati all'intelligenza artificiale generativa viene spesa in marketing e vendite, nonostante l'automazione del back-office generi spesso rendimenti più elevati. Questa errata allocazione è sintomatica di un'adozione tecnologica guidata dall'entusiasmo generale piuttosto che da un'analisi razionale costi-benefici.

Nella produzione industriale stessa, i successi sono sporadici e limitati ad applicazioni specifiche. La manutenzione predittiva, che utilizza i dati delle macchine per rilevare tempestivamente usura o guasti, mostra un successo dimostrabile. Case automobilistiche come Volkswagen utilizzano l'intelligenza artificiale nei loro stabilimenti per analizzare i dati dei sensori, riducendo al minimo i tempi di fermo non pianificati. Ford utilizza l'intelligenza artificiale per automatizzare processi di produzione come la saldatura e l'assemblaggio. General Motors ha ridotto i tempi di fermo del 20% grazie alla manutenzione predittiva.

Il controllo qualità tramite visione artificiale è un altro ambito con un successo documentato. I sistemi supportati dall'intelligenza artificiale analizzano le immagini delle telecamere in tempo reale e rilevano anche difetti microscopici, aumentando significativamente l'affidabilità. Le analisi dimostrano che un'infrastruttura di intelligenza artificiale completamente implementata può offrire un ritorno sull'investimento dal 200 al 300% grazie alla riduzione dei difetti e a cicli di ispezione più rapidi. L'ottimizzazione della supply chain e dell'inventario consente di ottenere un ROI dal 150 al 250% prevenendo le rotture di stock e migliorando la gestione della supply chain.

Fondamentalmente, questi successi non derivano dalla semplice implementazione plug-and-play di soluzioni di intelligenza artificiale standard, ma piuttosto da un'integrazione profonda e personalizzata in processi specifici, accompagnata da una significativa gestione del cambiamento e da un adattamento continuo. I dati del MIT mostrano che le partnership esterne raggiungono la prontezza produttiva circa il doppio delle volte rispetto agli sviluppi interni, il 67% rispetto al 33%. Gli acquirenti di successo trattano i fornitori di intelligenza artificiale non come fornitori di software, ma come partner commerciali, e misurano il successo in base ai risultati aziendali piuttosto che ai benchmark tecnici.

L'economia ombra dell'intelligenza artificiale come indicatore

Un'analisi più attenta dei modelli di utilizzo evidenzia un fenomeno affascinante: nel 90% delle aziende intervistate, i dipendenti utilizzano strumenti di intelligenza artificiale privati ​​per il proprio lavoro, sebbene solo il 40% delle aziende abbia acquisito licenze ufficiali di intelligenza artificiale. Questa cosiddetta economia sommersa dell'intelligenza artificiale dimostra una contraddizione fondamentale: gli individui possono utilizzare l'intelligenza artificiale con successo se gli strumenti sono flessibili e intuitivi. L'implementazione istituzionale, d'altro canto, fallisce a causa della complessità, della mancanza di integrazione e delle barriere organizzative.

Questo mondo parallelo di utilizzo non ufficiale dell'IA ha diverse implicazioni. In primo luogo, dimostra che la tecnologia stessa può essere vantaggiosa se prontamente disponibile. In secondo luogo, rivela un enorme problema di governance: l'81% delle aziende non ha linee guida per l'utilizzo degli strumenti di IA. Il 64% ha preoccupazioni sulla privacy dei dati. Il 73% non è in grado di misurare i guadagni di produttività. Il 58% segnala problemi di qualità nell'output dell'IA. Senza un concetto olistico di IA sul posto di lavoro, l'IT ombra e gli scenari di strumenti inefficienti rappresentano un rischio reale.

La discrepanza tra l'utilizzo individuale da parte dei consumatori e la mancata implementazione aziendale è sintomatica del problema fondamentale dell'intelligenza artificiale nella sua forma attuale. I sistemi sono ottimizzati per casi d'uso semplici e individuali, con basso rischio e complessità. Tuttavia, falliscono sistematicamente quando devono essere integrati in contesti organizzativi complessi con elevati requisiti di qualità e affidabilità. Il cosiddetto divario di apprendimento – l'incapacità dei sistemi di apprendere dal feedback e di adattarsi ai contesti – li rende inadatti ai progetti complessi e a lungo termine che dominano le imprese industriali.

Divergenze specifiche del settore

L'analisi del MIT rivela un altro schema cruciale: solo due dei nove settori studiati, tecnologia e media, mostrano reali cambiamenti strutturali attraverso l'intelligenza artificiale. In altri sette settori, tra cui la produzione manifatturiera, la trasformazione rimane sfuggente nonostante una significativa attività pilota. Questa divergenza specifica per settore non è una coincidenza, ma riflette differenze fondamentali in termini di complessità e requisiti.

Le aziende tecnologiche e dei media operano in ambienti digitali con dati strutturati, elevata standardizzazione dei processi e cicli di iterazione brevi. I loro modelli di business si basano su software e servizi digitali, non su prodotti fisici con catene di fornitura e processi di produzione complessi. Dispongono di ampi pool di data scientist ed esperti di intelligenza artificiale. La loro cultura organizzativa è orientata alla rapida adozione della tecnologia. Tutti questi fattori favoriscono il successo dell'implementazione dell'intelligenza artificiale.

Le aziende manifatturiere e industriali affrontano sfide completamente diverse. Gli ambienti di produzione sono definiti da sfumature: mix di prodotti variabili, specifiche in continua evoluzione, domanda fluttuante ed ecosistemi di macchine complessi. Quando i modelli di intelligenza artificiale ignorano queste realtà, i falsi allarmi proliferano e la fiducia dei lavoratori si indebolisce. Il Manufacturing Leadership Council stima che la maggior parte dei dati di produzione reali rimanga inutilizzata. Quando il contesto viene trascurato, l'intelligenza artificiale è soggetta a errori costosi, come la classificazione di rumori di processo come difetti o la trascuratezza di segnali di miglioramento concreti.

A ciò si aggiunge il problema della frammentazione degli scenari IT e OT. Architetture vecchie di decenni spesso isolano i sistemi di tecnologia operativa, che generano dati macchina, dai sistemi di tecnologia informatica, responsabili dei dati di processo e aziendali. Questa frammentazione oscura segnali cruciali e fa sì che i modelli di intelligenza artificiale operino con una visione parziale, obsoleta o incoerente della realtà aziendale. Superare queste barriere strutturali richiede ingenti investimenti infrastrutturali che danno i loro frutti solo nel lungo termine.

La Smart Manufacturing Survey 2025 di Deloitte ha rilevato che il 92% dei produttori ritiene che la produzione intelligente guiderà la competitività futura, ma l'84% non può rispondere automaticamente all'intelligence dei dati. Un'indagine di S&P Global riporta che il 42% delle organizzazioni ha abbandonato la maggior parte delle iniziative di intelligenza artificiale entro il 2025, rispetto a solo il 17% nel 2024. Un rapporto RAND del 2024 conclude che oltre l'80% dei progetti di intelligenza artificiale industriale fallisce, un dato attribuito alla complessità dei processi, alla scarsa qualità dei dati e alla mancanza di contesto reale.

La portata delle promesse non mantenute

Per comprendere appieno la portata di questa disillusione, vale la pena ripensare alle promesse fatte nel 2023 e nel 2024. Nel gennaio 2025, il CEO di OpenAI, Sam Altman, annunciò trionfalmente sul suo blog di aver finalmente saputo come costruire un'intelligenza artificiale generale. Sostenne che gli agenti di intelligenza artificiale avrebbero avuto un impatto notevole sui risultati aziendali più avanti nello stesso anno. Poi, nel novembre 2025, Altman considerò un risultato significativo il fatto che ChatGPT fosse finalmente in grado di gestire correttamente i trattini. Questa discrepanza tra aspirazioni e realtà dimostra quanto fossero distanti le aspettative dalle capacità effettive.

L'Institute for Economic Research Consult, commissionato da Google, ha previsto che l'uso dell'intelligenza artificiale generativa potrebbe aumentare il valore aggiunto lordo nel settore manifatturiero tedesco fino al 7,8%, pari a 56 miliardi di euro. La realtà, tuttavia, è ben diversa. La produttività del lavoro nell'ingegneria meccanica e in altri settori del settore manifatturiero è rimasta praticamente invariata dal 2018, con un aumento annuo di appena lo 0,4%. Finora, non vi è alcun segno di un dividendo derivante dall'intelligenza artificiale.

McKinsey prevedeva che l'intelligenza artificiale avrebbe aumentato la produttività, con un enorme potenziale per l'economia globale. Goldman Sachs, d'altra parte, avvertiva che, nonostante i costi elevati, la tecnologia era ben lungi dall'essere utile. Gli eccessi con cose per cui il mondo non ha bisogno o per cui non è pronto di solito finiscono male. La società di venture capital Sequoia e l'hedge fund Elliott vedono già le aziende tecnologiche in territorio di bolla.

Le voci critiche nella comunità scientifica si stanno facendo sempre più forti. Lo scienziato cognitivo Gary Marcus avverte che, sebbene sempre più aziende stiano sperimentando la tecnologia, non si riscontrano miglioramenti sostanziali. Uno studio di Forrester prevede che circa un quarto degli investimenti pianificati in IA saranno rinviati entro il 2026. Il Boston Consulting Group dipinge un quadro di stagnazione pagata a caro prezzo: solo una percentuale estremamente piccola di aziende è stata finora in grado di tradurre i propri ingenti investimenti in un reale valore aggiunto.

Le cause strutturali del fallimento

L'analisi dei progetti di intelligenza artificiale falliti rivela un modello coerente di cause strutturali che non possono essere risolte attraverso miglioramenti iterativi degli algoritmi. L'ostacolo principale è la mancanza di governance. La maggior parte delle aziende tratta l'intelligenza artificiale come un semplice progetto IT, piuttosto che come un ecosistema che richiede una manutenzione continua. Mancano responsabilità chiare, quadri di gestione del rischio e meccanismi per la garanzia continua della qualità.

Il problema della maturità dei dati rappresenta il secondo ostacolo fondamentale. Un'analisi di aziende tecnologiche basata su oltre 20.000 ore di ricerca in più di 50 aziende rivela che solo il 14% possiede le basi necessarie per un'implementazione di successo dell'IA. La maggior parte si scontra con dati frammentati, sistemi incoerenti e una mancanza di governance dei dati. Senza dati di alta qualità, strutturati e accessibili, anche gli algoritmi più avanzati rimangono inefficaci.

Il divario di competenze aggrava ulteriormente il problema. In Germania mancano attualmente 244.000 professionisti STEM, inclusi 29.500 specialisti IT. Per gli esperti di informatica, inclusi data scientist e specialisti di intelligenza artificiale, si prevede che il divario di competenze raggiungerà quota 18.655 entro il 2027. Il maggiore incremento relativo è previsto tra i manager nei settori dell'ingegneria delle reti IT e dell'amministrazione IT. Le aziende si trovano ad affrontare il dilemma di aver bisogno di competenze per un'implementazione di intelligenza artificiale di successo, che sono scarsamente disponibili sul mercato.

Il deficit nella gestione del cambiamento costituisce il quarto pilastro del fallimento. L'implementazione tecnica è solo metà dell'equazione. Senza una gestione completa del cambiamento, l'accettazione viene vanificata. Un fornitore di servizi finanziari ha implementato un sofisticato sistema di rilevamento delle frodi, ma ha avuto scarsi effetti a causa della mancanza di integrazione nel processo di approvazione, poiché i dipendenti aggiravano regolarmente il sistema. Operatori e ingegneri sono spesso scettici quando le raccomandazioni dell'IA non sono in linea con la realtà aziendale o provengono da sistemi "black-box" che non forniscono alcuna spiegazione trasparente.

L'errata allocazione delle risorse aggrava questi problemi strutturali. Oltre la metà dei budget destinati all'intelligenza artificiale generativa viene spesa per vendite e marketing, nonostante l'automazione del back-office generi spesso rendimenti più elevati. Le aziende inseguono progetti ambiziosi senza aver prima creato l'infrastruttura digitale di base. Si basano su dati demografici perfetti che collassano immediatamente in condizioni reali. Sottovalutano sistematicamente lo sforzo richiesto per l'integrazione, la manutenzione e l'adattamento continuo.

I prossimi ventiquattro mesi come un bivio

I prossimi due anni saranno cruciali per l'ulteriore sviluppo dell'intelligenza artificiale nella produzione e nell'industria. Diverse tendenze indicano che il 2026 e il 2027 saranno un periodo cruciale in cui vincitori e vinti si distingueranno nettamente.

L'Hype Cycle di Gartner suggerisce che l'intelligenza artificiale entrerà nella fase di disillusione nel 2026. Durante questa fase, i limiti e i costi elevati diventano evidenti. I problemi di scalabilità e la mancanza di modelli di business validi portano al fallimento di molti progetti e alla scomparsa di fornitori. Tuttavia, questa fase non è una catastrofe, ma piuttosto una necessaria correzione del mercato. Le tecnologie che superano l'Hype Cycle raggiungono il plateau di produttività dopo la fase di disillusione, dove avviene la vera creazione di valore.

Le dinamiche degli investimenti indicano un potenziale momento di picco a metà del 2026. Se l'offerta, trainata dalle spese in conto capitale, crescesse più rapidamente dell'utilizzo monetizzato, il costo per token potrebbe avvicinarsi allo zero. Ciò porterebbe a una rapida svalutazione della capacità di inferenza di nuova costruzione e imporrebbe massicce svalutazioni. Le aziende che si sono rese conto troppo tardi che i loro investimenti in intelligenza artificiale non stavano generando un ritorno dovranno apportare dolorosi aggiustamenti.

Allo stesso tempo, sta emergendo una nuova generazione di sistemi di intelligenza artificiale, nota come IA agentica. Questi sistemi sono dotati di memoria persistente e apprendimento iterativo, colmando così direttamente il divario di apprendimento che le aziende identificano come un ostacolo importante. I primi esperimenti con agenti del servizio clienti che gestiscono autonomamente richieste complete, o agenti di processo finanziario che monitorano le transazioni di routine, dimostrano un potenziale promettente. Le aziende che investono ora in sistemi di IA adattivi e profondamente integrati stanno creando vantaggi competitivi che saranno difficili da recuperare in futuro.

Anche il panorama normativo giocherà un ruolo cruciale. La legge europea sull'intelligenza artificiale stabilisce un quadro giuridico vincolante con periodi di transizione da sei a 36 mesi e sanzioni potenzialmente consistenti in caso di inadempienza. Sebbene ciò comporti obblighi di conformità e oneri di documentazione, l'intelligenza artificiale "Made in Europe" potrebbe anche essere vista come un marchio di qualità. Le aziende che implementano tempestivamente i requisiti di conformità possono posizionarsi come pioniere nel campo dell'intelligenza artificiale affidabile. La domanda è se la regolamentazione europea creerà il vantaggio sperato in termini di fiducia o se agirà principalmente come uno svantaggio competitivo rispetto a Stati Uniti e Cina.

Cosa segue la disillusione?

L'attuale disillusione nei confronti dell'intelligenza artificiale nella produzione e nell'industria non è una difficoltà temporanea di adattamento, ma il risultato inevitabile di aspettative esagerate di fronte a una tecnologia strutturalmente incompleta. I sistemi attualmente definiti IA sono strumenti altamente sofisticati per casi d'uso specifici, non risolutori di problemi universali. Possono riconoscere schemi nei dati, ma non possono pensare in modo sistematico e logico. Possono automatizzare attività semplici, ma non possono ottimizzare autonomamente processi di produzione complessi. Possono supportare le competenze umane, ma non sostituirle.

Questa consapevolezza non segna la fine dell'innovazione nell'intelligenza artificiale, ma piuttosto l'inizio di una fase più realistica. Le aziende che avranno successo nei prossimi anni saranno quelle che non considereranno l'intelligenza artificiale come una panacea, ma come uno strumento che richiede un'attenta integrazione, una manutenzione continua e aspettative realistiche. Non investiranno in progetti fantascientifici, ma nei fondamenti digitali fondamentali: qualità dei dati, integrazione di sistema, sviluppo delle competenze e gestione del cambiamento organizzativo.

La creazione di valore nei prossimi anni avverrà principalmente in casi d'uso definiti in modo rigoroso, in cui entreranno in gioco i punti di forza dell'intelligenza artificiale, del riconoscimento di pattern in grandi set di dati, dell'automazione di attività ripetitive e dell'elaborazione rapida di informazioni strutturate. La manutenzione predittiva continuerà ad acquisire importanza. Il controllo qualità basato sulla visione artificiale si affermerà. L'automazione del back-office garantirà notevoli risparmi sui costi. Tuttavia, la visione di fabbriche autonome e auto-ottimizzanti rimarrà fantascienza nel prossimo futuro.

Le PMI tedesche si trovano ad affrontare una svolta strategica. L'attuale riluttanza a investire nell'IA è comprensibile, visti i risultati deludenti dei progetti precedenti. Tuttavia, l'astinenza totale non è la soluzione. Le aziende che ora creano i prerequisiti fondamentali – infrastrutture dati, processi digitali e sviluppo delle competenze – potranno beneficiare della prossima generazione di sistemi di IA una volta che saranno maturi. Chi continua ad aspettare e vedere rischia di rimanere completamente indietro.

La disillusione che circonda l'intelligenza artificiale nella produzione e nell'industria è in definitiva una necessaria correzione di aspettative esagerate. Ci costringe a confrontarci con realtà scomode: che la tecnologia da sola non porta alla trasformazione, che i fattori organizzativi e umani sono almeno altrettanto importanti degli algoritmi e che la creazione di valore sostenibile richiede tempo e lavoro sistematico. L'intelligenza artificiale ha dimostrato il suo valore aggiunto per testo e immagini. Per la componente economica nella produzione e nell'industria, questa dimostrazione è ancora in sospeso e resta da vedere se e quando potrà essere fornita.

☑️ La nostra lingua commerciale è l'inglese o il tedesco

☑️ NOVITÀ: corrispondenza nella tua lingua nazionale!

Konrad Wolfenstein

Sarei felice di servire te e il mio team come consulente personale.

Potete contattarmi compilando il modulo di contatto o semplicemente chiamandomi al numero +49 89 89 674 804 (Monaco) . Il mio indirizzo email è: wolfenstein ∂ xpert.digital

Non vedo l'ora di iniziare il nostro progetto comune.

☑️ Supporto alle PMI nella strategia, consulenza, pianificazione e implementazione

☑️ Creazione o riallineamento della strategia digitale e digitalizzazione

☑️ Espansione e ottimizzazione dei processi di vendita internazionali

☑️ Piattaforme di trading B2B globali e digitali

☑️ Pioneer Business Development/Marketing/PR/Fiere

Approfitta dell'ampia e quintuplicata competenza di Xpert.Digital in un pacchetto di servizi completo | Ottimizzazione di R&S, XR, PR e visibilità digitale - Immagine: Xpert.Digital

Xpert.Digital ha una conoscenza approfondita di vari settori. Questo ci consente di sviluppare strategie su misura che si adattano esattamente alle esigenze e alle sfide del vostro specifico segmento di mercato. Analizzando continuamente le tendenze del mercato e seguendo gli sviluppi del settore, possiamo agire con lungimiranza e offrire soluzioni innovative. Attraverso la combinazione di esperienza e conoscenza, generiamo valore aggiunto e diamo ai nostri clienti un vantaggio competitivo decisivo.

Maggiori informazioni qui:

• Utilizza l'esperienza 5x di Xpert.Digital in un unico pacchetto, a partire da soli € 500/mese