L’88% delle aziende usa l’AI. Il margine va a chi la vende.

Quasi tutti i consigli sulla strategia aziendale per l’AI partono dalla decisione sbagliata: quale modello scegliere, a quale fornitore affidarsi, da quale reparto far partire il primo progetto pilota. La domanda che decide l’economia dell’operazione è un’altra: chi controlla gli input, i contratti e l’infrastruttura che stabiliscono se l’AI genera margine per chi la adotta o rendita per chi la fornisce?

Usare l’AI è ormai la norma; ricavarne valore resta l’eccezione. Nell’ultima indagine globale di McKinsey, l’88% degli intervistati usa l’AI in almeno una funzione aziendale, ma solo il 7% l’ha portata a regime su tutta l’organizzazione, e gli “AI high performer” — le aziende che attribuiscono all’AI almeno il 5% dell’EBIT — sono circa il 6% del campione. Due anni prima, dopo sei anni ferma intorno al 50%, la quota di aziende che usano l’AI era balzata al 72%. La curva si è mossa; i conti economici, nella maggior parte dei casi, no.

Leggo tutto questo come un problema di economia politica. Non vinceranno le aziende con più iniziative AI, ma quelle che conservano potere contrattuale, portano i guadagni sul proprio conto economico e restano libere di cambiare fornitore quando le condizioni economiche cambiano.

Ne ho parlato a lungo in un’intervista recente; la conversazione integrale è qui sotto.

La domanda strategica che nessuno fa

I dirigenti trattano l’AI come una scelta tecnologica. Quell’inquadramento mette il modello al centro e l’azienda in secondo piano, come se bastasse scegliere una tecnologia e innestarla nei processi esistenti.

La strategia AI è una questione di controllo sul modello operativo: dati, disegno dei flussi di lavoro, condizioni dei fornitori, relazioni con i clienti e distribuzione dei guadagni che ne derivano. Ciò che conta è chi cattura il margine quando l’AI cambia il costo di servire un cliente, produrre un bene o prendere una decisione.

Si può usare l’AI e uscirne più deboli

Un’azienda può automatizzare un processo e, nello stesso gesto, perdere potere strategico. Se l’automazione poggia su un’API proprietaria, su capacità di calcolo a noleggio e su condizioni restrittive sui dati, l’azienda ha scambiato la dipendenza dal lavoro con la dipendenza dall’infrastruttura. La voce di costo migliora per un po’; il fornitore acquisisce dati sull’utilizzo, controlla la roadmap e si tiene il diritto di cambiare prezzi e condizioni di accesso.

È uno schema già visto nel software aziendale e nel cloud. A valle le aziende comprano efficienza; a monte i provider accumulano ricavi ricorrenti, dati comportamentali e potere negoziale. Chi compra diventa più veloce, non più solido.

Il test strategico: se un’azienda non può spostare dati, modelli e flussi di lavoro senza interrompere l’operatività, la sua capacità AI non la controlla.

Il margine è un risultato di governance

Le aziende che catturano valore trattano l’AI come un portafoglio di cambiamenti al modello operativo, non come un insieme di licenze. Prima di mettere in produzione fissano la base di partenza — costo, tempo di ciclo, tasso di errore, esito della decisione — assegnano la responsabilità del risultato e negoziano le condizioni che decidono se il sistema sopravvive a un cambio di fornitore.

Acquisti, revisione legale e supervisione del consiglio di amministrazione stanno quindi dentro la strategia AI, non dopo. Il modello è un componente. A decidere chi incassa il surplus è il controllo sul sistema che lo circonda.

Usare l’AI non è un vantaggio competitivo

I numeri sulla diffusione impressionano, ma il controllo economico sta altrove. Capgemini rileva che l’80% delle organizzazioni ha aumentato gli investimenti in AI generativa rispetto al 2023, e che il 24% l’ha integrata in una parte o nella maggior parte delle operazioni, contro il 6% di dodici mesi prima. L’espansione dimostra che l’AI è uscita dalla fase sperimentale. Non dice nulla su chi si sia assicurato una posizione solida — ed è esattamente lo scarto tra l’88% che usa l’AI e il 6% di high performer nei dati McKinsey.

Le metriche di attività sono facili da produrre

Un’azienda può contare progetti pilota, utenti attivi e documenti generati senza dimostrare di aver migliorato i propri conti. Sono misure che premiano l’attività, non il controllo, e lasciano che siano i fornitori a definire il successo attraverso l’utilizzo — distogliendo il management dalla posizione commerciale dell’azienda e da chi si tiene il surplus.

I due gruppi si distinguono su tre punti:

• Segnale principale. Chi la usa ovunque misura l’utilizzo nelle varie funzioni; chi cattura valore misura la variazione di EBIT, volumi, tassi di errore o costo unitario.
• Modello operativo. I primi aggiungono strumenti ai flussi esistenti; i secondi ridisegnano i processi collegati attorno a decisioni e risultati.
• Posizione verso i fornitori. I primi dipendono in larga misura da infrastrutture e condizioni esterne; i secondi hanno negoziato portabilità, governance e opzioni di uscita.

La metrica diventa più utile quando passa dall’utilizzo al risultato operativo. Un’analisi a livello di impresa negli Stati Uniti ha rilevato una relazione positiva tra ampiezza dell’integrazione dell’AI e risultati commerciali, spiegata dalla complementarità operativa: l’AI crea più valore quando compiti collegati si rafforzano a vicenda che quando gira come strumento isolato. Questo non dimostra che ogni implementazione ampia produca risultati migliori. Dà però ai team di strategia un metro più utile: tracciare l’AI per processo e per classe di decisione, poi confrontare volumi, tassi di errore, latenza e qualità decisionale con una base di controllo. Contare i prompt non dice nulla al management sulla cattura del valore.

La concentrazione batte l’entusiasmo

BCG riferisce che il 60% delle aziende ricava dall’AI un valore pressoché nullo nonostante investimenti consistenti. Chi il valore lo cattura destina oltre l’80% degli investimenti AI a ridisegnare le funzioni chiave e a costruire nuove offerte, insegue in media 3,5 casi d’uso contro i 6,1 degli altri e si aspetta un ritorno 2,1 volte superiore.

L’implicazione è una sola: disciplina di portafoglio. A un caso d’uso concentrato si possono dare ingegneria dei dati, ridisegno dei flussi, formazione, governance e un responsabile commerciale. A un elenco sparso di progetti pilota non arriva niente di tutto questo, o non abbastanza a lungo da incidere sui conti. Usare l’AI ha senso strategico solo quando il management sa indicare il processo toccato, il risultato misurato e chi incassa il guadagno. Senza questi tre elementi, l’aumento dell’utilizzo può rafforzare la posizione del fornitore più di quella del cliente.

Concentrazione dell’infrastruttura e potere contrattuale

Il mercato a monte fissa i limiti della strategia a valle. Le aziende che usano l’AI dipendono da un piccolo gruppo di proprietari dell’infrastruttura per capacità di calcolo, distribuzione cloud e accesso ai modelli di base, e quella dipendenza dà ai fornitori influenza su prezzi, continuità del servizio, standard tecnici e circolazione dei dati prima ancora che si firmi un contratto.

L’analisi dell’OCSE sulla concorrenza nell’infrastruttura AI stima la quota di Nvidia nelle GPU usate per l’AI oltre l’80% e la quota combinata dei tre maggiori provider cloud oltre il 60%. Queste cifre non misurano la redditività di nessuna singola azienda. Mostrano dove si concentra il potere contrattuale lungo la filiera — le condizioni dentro cui viene disegnata ogni strategia AI aziendale.

La dipendenza diventa esposizione strategica

Un’azienda che costruisce un flusso di lavoro critico attorno all’interfaccia di un solo modello può trovarsi con costi di uscita elevati anche dove le alternative esistono. La dipendenza si annida nei formati dei prompt, nei sistemi di valutazione, nei pesi affinati con il fine-tuning, negli schemi dei dati, nella formazione del personale e nelle applicazioni a valle. Un sostituto tecnico non è automaticamente un sostituto commerciale.

Gli acquirenti europei hanno una domanda in più, su sovranità e continuità. Settori regolamentati ed enti pubblici possono aver bisogno di clausole chiare su residenza dei dati, verificabilità e accesso al servizio; se il fornitore controlla l’infrastruttura e l’acquirente non ha diritti di portabilità, gli obblighi di conformità alzano il costo di cambiare provider.

La struttura è quella che ho descritto nell’analisi su surplus del produttore e monopolio: la proprietà di una risorsa scarsa fa affluire più valore a monte, soprattutto quando gli acquirenti non riescono a coordinarsi o a cambiare con facilità.

Anche la capacità di calcolo è un problema contrattuale

La concentrazione non implica di per sé prezzi più alti o condizioni penalizzanti. Significa che gli acquirenti devono valutare le alternative reali prima di andare su larga scala. Una strategia costruita solo sulle prestazioni tecniche trascura i costi di capacità, i diritti d’uso sui dati, il rischio di interruzioni e la spesa per formare di nuovo il personale su un sistema sostitutivo.

Le dipendenze vanno mappate per ogni flusso di lavoro critico: provider dell’infrastruttura, proprietario dei dati, dipendenza dal modello, meccanismo di portabilità, piano di riserva operativo. L’esercizio separa la capacità noleggiata dal vantaggio proprietario, e mostra dove un fornitore può erodere i margini dell’azienda senza cambiare il proprio prodotto.

Gli acquisti come leva strategica

La scelta AI decisiva può stare in un contratto più che in un catalogo di modelli. Le condizioni di acquisto stabiliscono chi può usare i dati, a chi appartengono gli output del fine-tuning, come l’acquirente può verificare il sistema e cosa succede quando il rapporto finisce. Determinano la cattura del valore e il potere contrattuale prima ancora della messa in produzione.

Le linee guida OCSE sull’AI negli appalti pubblici individuano in una regolamentazione debole e in indicazioni di acquisto scarse una fonte di incertezza giuridica, e avvertono che licenze sui dati scritte male producono lock-in sui dati e sul fornitore: sistemi meno efficaci e più difficili da sostituire.

Le condizioni standard favoriscono la continuità

Un contratto standard tratta la portabilità come un dettaglio tecnico. Un acquirente strategico la tratta come una condizione di controllo, perché decide il potere negoziale futuro, non solo le modalità di uscita. Lo scarto si vede su quattro dimensioni:

• Dati. Condizioni standard: esportazione limitata, diritti di riutilizzo poco chiari. Condizioni strategiche: accesso definito, formati utilizzabili, proprietà chiara.
• Output dei modelli. Standard: trattamento ambiguo del fine-tuning e degli asset derivati. Strategiche: diritti espliciti su pesi, prompt, valutazioni e output.
• Uscita. Standard: assistenza alla transizione subordinata a disponibilità o a pagamento. Strategiche: piano di transizione collaudato, trasferimento di conoscenze e portabilità.
• Audit. Standard: informativa limitata da parte del fornitore. Strategiche: verificabilità, segnalazione degli incidenti e dichiarazioni del fornitore.

Il governo federale statunitense compra ormai alle condizioni strategiche. Il memorandum sugli acquisti di AI emesso dall’OMB nell’aprile 2025, M-25-22, impone alle agenzie di prevenire il lock-in con trasferimento di conoscenze, portabilità di dati e modelli, termini di licenza chiari e trasparenza sui prezzi. Gli appalti pubblici sono un indicatore utile perché i governi comprano su larga scala difendendo continuità, responsabilità e liceità dell’uso.

Le aziende dovrebbero applicare la stessa disciplina. Prima di approvare la messa in produzione, verificare di poter esportare i propri dati, riprodurre il proprio processo di valutazione e far girare il flusso con un altro fornitore — e stabilire chi paga per un cambio di modello, un calo di prestazioni o un adeguamento normativo prima che succeda.

La governance sta nel processo di acquisto

Una verifica di sicurezza, da sola, non basta. Responsabili commerciali, legali, di conformità e operativi devono valutare insieme la catena delle dipendenze, comprese sicurezza e integrità delle informazioni: i controlli devono reggere sotto pressione, non poggiare sulle rassicurazioni date in fase di vendita.

Il contratto deve anche specificare prove e rimedi — registrazioni delle modifiche al sistema, obblighi di segnalazione degli incidenti, accesso per l’audit e un percorso definito per trasferire conoscenze e dati. Sono queste clausole a trasformare la governance da rito di approvazione a condizione per continuare a usare il sistema.

Regola contrattuale: nessuna dipendenza AI va approvata senza aver definito i diritti di uscita dell’acquirente prima della messa in produzione.

Disciplina di portafoglio, non progetti pilota a pioggia

I progetti pilota proliferano perché l’attività è facile da rendicontare e il valore difficile da dimostrare. Un reparto lancia un esperimento, un fornitore fa una demo, il management può mostrare che sull’AI si sta lavorando. Il test più duro è se l’iniziativa abbia un percorso credibile verso la produzione, un responsabile economico con nome e cognome e una struttura di fornitura che tenga in azienda una quota significativa dei guadagni. I numeri BCG di cui sopra — investimenti concentrati, meno casi d’uso, ritorni attesi più alti — dicono che la concentrazione batte la novità.

Scegliere il collo di bottiglia, non la novità

Un portafoglio disciplinato parte da dove fa male: un ritardo costoso, un errore ricorrente, una decisione vincolata, un’opportunità di prodotto in cui l’AI può cambiare la posizione dell’azienda. Poi verifica se l’organizzazione controlla i dati e può ridisegnare il flusso circostante. La sequenza di selezione:

• Valore in gioco. Quale risultato misurabile cambia se il sistema funziona in modo affidabile?
• Onere di integrazione. Quali processi, ruoli e sistemi devono cambiare prima che il risultato conti?
• Difendibilità. Dati proprietari, conoscenza dei flussi o relazioni con i clienti renderebbero la capacità difficile da copiare?
• Esposizione al fornitore. L’azienda può cambiare modello o provider di infrastruttura senza perdere il processo?
• Criteri di interruzione. Quali elementi giustificherebbero la chiusura del progetto?

L’ultima domanda quasi nessuno la fa.

Senza un criterio di interruzione, un pilota acquista protezione politica man mano che l’investimento cresce — e il fornitore acquista un cliente che non sa più fermarsi.

Il che dà ai fornitori ogni incentivo a vendere proof of concept invece di rispondere dei risultati in produzione.

Legare l’iniziativa a chi decide

Ogni progetto ha bisogno di un responsabile di business, uno solo, che risponda del risultato, accanto all’eventuale responsabile tecnico della messa in produzione. È lui a definire la base di partenza, approvare il gruppo di controllo o il metodo di confronto e rendicontare i risultati in termini commerciali.

Una diffusione più rapida alza il costo di una governance di portafoglio debole, perché i progetti competono per gli stessi dati, la stessa capacità ingegneristica e la stessa attenzione del management. Vanno respinte le iniziative che non mostrano un percorso verso la produzione, un responsabile e una fonte difendibile di valore. Un portafoglio più piccolo cambia anche il potere contrattuale: acquisti e finanza ottengono elementi più chiari su quali dipendenze meritino finanziamento, rinegoziazione o eliminazione.

La regolamentazione ridisegna la filiera

La regolamentazione sta cambiando chi si fa carico di informazioni, responsabilità e adempimenti lungo la filiera dell’AI. L’AI Act europeo assegna gli obblighi in base al ruolo dell’attore e al profilo di rischio del sistema — il che ne fa una questione di filiera, non un’ultima verifica legale. Le regole per i fornitori di modelli di AI per finalità generali si applicano dal 2 agosto 2025; chi ha immesso modelli sul mercato prima di quella data ha tempo fino al 2 agosto 2027.

L’informazione diventa una leva negoziale

Obblighi di trasparenza, gestione del rischio e documentazione erodono il vantaggio informativo dei provider a monte. Gli acquirenti ottengono elementi più chiari sui sistemi che comprano; i provider devono dimostrare come rispettano gli obblighi. Si creano così le basi per negoziare garanzie, accesso per l’audit, segnalazione degli incidenti e chi risponde delle correzioni.

La conformità alza anche le barriere all’ingresso. I grandi provider spalmano i costi di documentazione, test e governance su una base clienti ampia; i fornitori piccoli li assorbono con più fatica. Il risultato, in termini di economia politica, è misto: gli acquirenti sono più protetti da rischi che prima non vedevano, e la concentrazione può aumentare se i costi di conformità escludono i fornitori minori. La strategia deve tenere conto di entrambi gli effetti.

La ripartizione del rischio va negoziata

Un acquirente non dovrebbe considerare l’etichetta di “deployer” una risposta completa. Deve identificare gli obblighi che l’uso previsto genera, stabilire quali dichiarazioni del fornitore siano vincolanti e specificare come cambia la responsabilità quando il modello a monte viene aggiornato.

Tutto questo appartiene alla fase di acquisto, prima della produzione. I contratti devono collegare classificazione del sistema, documentazione, monitoraggio, risposta agli incidenti e diritti di uscita, e specificare accesso ai log e rimedi quando una modifica del fornitore crea nuovi rischi normativi o operativi. Gestita così, la conformità diventa parte del potere contrattuale: incide su prezzo, responsabilità e condizioni di uscita invece di arrivare come costo amministrativo quando i termini commerciali sono già chiusi.

Criteri di decisione per chi opera e per chi investe

La strategia AI va messa alla prova con domande falsificabili, non con elenchi di funzionalità. Chi controlla l’input critico, chi incassa il margine, chi paga quando le ipotesi saltano.

Per chi opera

• Controllo. L’azienda può esportare dati, i risultati delle valutazioni e i flussi che dipendono dal modello in forma utilizzabile?
• Margine. L’iniziativa cambia un processo rilevante per l’EBIT o aumenta soprattutto l’attività attorno al prodotto di un fornitore?
• Portabilità. Un altro provider potrebbe subentrare senza ricostruire il processo operativo?
• Rischio. Il contratto attribuisce la responsabilità per output inesatti, modifiche normative e interruzioni del servizio?
• Concentrazione. Un cambio nei prezzi o nelle condizioni di accesso all’infrastruttura altererebbe in modo sostanziale il business case?

Queste domande trasformano la scelta dell’AI in un’analisi operativa e negoziale. Un pilota che migliora i volumi ma lascia in mano ad altri dati, valutazione e diritti di uscita produce attività senza controllo durevole. La pianificazione del personale rientra nella stessa valutazione: se l’AI cambia quali mansioni restano la porta d’ingresso in azienda, vanno esaminati competenze, supervisione e mobilità interna invece di trattare il lavoro come un costo residuo — la stessa lente che ho usato per i posti di lavoro nella programmazione.

Per chi investe

Prima di accettare una narrazione di crescita basata sull’AI, va mappata la posizione dell’azienda nella filiera. Possiede dati che altri non hanno, o affitta l’accesso a un modello? Può trasferire ai clienti i costi dell’infrastruttura? Il margine lordo dipende da un fornitore di cui non può influenzare le condizioni? Il modello deve verificare come si muovono i costi se l’azienda cambia provider, quanto in fretta i clienti possono andarsene e se gli obblighi di conformità rafforzano o indeboliscono la sua posizione. La distinzione è tra utilizzo dichiarato e valore trattenuto: la sola messa in produzione non garantisce ritorni durevoli, quindi vanno esaminati condizioni di rinnovo, concentrazione dei clienti, costi legati all’utilizzo e capacità dell’azienda di rinegoziare l’accesso.

Per chi fa le regole

La domanda è se le norme sugli appalti impongano interoperabilità, portabilità dei dati e un’informativa sostanziale da parte dei fornitori. Sono misure che riducono la dipendenza dai pochi proprietari dell’infrastruttura, soprattutto dove gli enti pubblici sono clienti di riferimento, e decidono se la domanda pubblica rafforzi gli operatori già dominanti o apra spazio ad alternative. Il test: la norma aumenta il numero di alternative credibili a disposizione degli acquirenti, o rende più preziosa la capacità di conformità di chi è già dentro? È questo a separare la governance formale dalla concorrenza effettiva.

Una strategia AI è credibile quando ogni affermazione importante supera queste prove. Se il business case dipende da un accesso permanente al fornitore, da adempimenti di cui nessuno ha calcolato il costo o da cambiamenti ai processi mai misurati, il consiglio di amministrazione non sta approvando una strategia. Sta approvando un’esposizione.

Per approfondire

• McKinsey, The state of AI in 2025: Agents, innovation, and transformation
• McKinsey, The state of AI in early 2024
• Indagine Capgemini via TechTarget
• U.S. Census Bureau CES, analisi a livello di impresa sull’integrazione dell’AI
• BCG, Are You Generating Value from AI? The Widening Gap
• OCSE, Competition in artificial intelligence infrastructure
• OCSE, Governing with AI — AI in public procurement
• OECD.AI, OMB Memorandum M-25-22
• Commissione europea, quadro normativo dell’AI Act

Fabio Lauria
CEO & Founder, ELECTE

Ogni settimana esploriamo l’AI senza l’hype — con dati, analisi e una prospettiva indipendente.