I numeri sull’AI raccontano un paradosso che molte aziende stanno già sperimentando. L’adozione cresce, l’uso si diffonde, i pilot si moltiplicano. Eppure il valore non scala con la stessa velocità.
McKinsey rileva che il 78% delle organizzazioni usa AI in almeno una funzione aziendale e il 71% utilizza regolarmente strumenti di generative AI, ma oltre l’80% non vede ancora un impatto tangibile sull’EBIT a livello d’impresa.
BCG aggiunge un altro elemento: l’uso è ormai quotidiano per leader e manager, mentre tra i frontline worker l’adozione si è fermata al 51%. Il punto, quindi, non è più capire se l’AI entrerà in azienda. Il punto è capire perché, in molte aziende, non sta ancora cambiando davvero il lavoro.
La risposta, spesso, non è tecnologica. È manageriale. Quando l’AI viene introdotta come scorciatoia per fare a meno delle persone, l’organizzazione reagisce in modo prevedibile: si difende, si irrigidisce, minimizza, finge adesione. Nasce così la forma più comune di falsa adozione: quella in cui i tool ci sono, i casi pilota anche, ma il lavoro quotidiano continua quasi uguale a prima.
Indice degli argomenti:
Il primo errore: confondere adozione con sostituzione
Molti programmi di AI adoption si bloccano nel momento stesso in cui vengono annunciati. Non per un problema di licenze, modelli o sicurezza, ma per il messaggio implicito che portano con sé. Se il management comunica, anche solo indirettamente, che l’AI serve soprattutto a comprimere ruoli, ridurre attività umane o “superare” i team, la reazione più probabile non è la curiosità. È la resistenza.
Hilary Gridley osserva che un team difficilmente abbraccia davvero l’AI se percepisce che il leader è soprattutto impaziente di rimpiazzarlo; McKinsey, dal canto suo, segnala che il maggiore ostacolo alla riuscita non è la disponibilità dei lavoratori, ma la leadership.
È una dinamica comprensibile. Nessuna persona investe davvero energie nell’apprendere un nuovo modo di lavorare se percepisce che quello sforzo servirà soprattutto ad addestrare la propria irrilevanza. Per questo il tema non è solo culturale, ma strategico. L’adozione reale dell’AI richiede fiducia organizzativa. E la fiducia non nasce dai proclami sull’innovazione, ma dalla percezione concreta che l’azienda stia investendo sulle persone, non aggirandole.
Qui c’è un punto che molte imprese sottovalutano: i dipendenti sono spesso più pronti dei vertici ad abbracciare questi strumenti.
Un report McKinsey del 2025 conclude che i dipendenti usano l’AI molto più di quanto i leader immaginino, che chiedono soprattutto più formazione e supporto e che il problema, in molti casi, non è convincere la base, ma dare un mandato chiaro e credibile al cambiamento.
Il secondo errore: saltare chi conosce davvero il lavoro
Il modo più veloce per rallentare l’adozione è tentare di ridisegnare i processi senza coinvolgere chi li conosce nel dettaglio. L’AI funziona bene dove incontra due ingredienti insieme: competenza tecnica e competenza di dominio. Il primo serve a capire che cosa è possibile fare. Il secondo serve a capire che cosa vale davvero la pena fare, dove stanno le eccezioni, quali sono i colli di bottiglia, che cosa distingue un output mediocre da uno utile.
Gridley insiste proprio su questo punto: la trasformazione riesce quando si porta sufficiente competenza tecnica ai domain expert, oppure sufficiente comprensione del dominio a chi costruisce le soluzioni.
Per questa ragione il management non dovrebbe sostituire i domain expert, ma trasformarli nei protagonisti della riprogettazione. Chi sta vicino al cliente, al processo, alla decisione, all’errore ricorrente, possiede il contesto che nessun modello e nessun team esterno possono ricostruire fino in fondo. Pensare che basti innestare una tecnologia o delegare all’esterno il compito di riscrivere il lavoro produce spesso risultati eleganti in presentazione e deboli nella pratica.
Questo non significa che partner e consulenti non servano. Servono eccome, ma quando trasferiscono metodo, accelerano apprendimento, aiutano a leggere priorità e vincoli. Non quando si sostituiscono alla comprensione interna del lavoro. Gridley osserva che il ricorso agli esterni può perfino peggiorare il problema se segnala al team sfiducia, mentre il nodo vero resta sempre lo stesso: combinare competenza tecnica, contesto aziendale e fiducia organizzativa. L’adozione diventa robusta solo quando l’intelligenza di processo resta dentro l’azienda e cresce insieme all’uso dell’AI.
Il terzo errore: introdurre strumenti senza cambiare il contesto
Molte aziende dichiarano che l’AI è strategica, ma poi la trattano come un’attività opzionale da svolgere quando c’è tempo. È qui che la trasformazione si svuota. Se il management vuole davvero adoption, non basta mettere a disposizione un copilota o organizzare qualche ora di workshop. Deve modificare le condizioni operative in cui le persone lavorano.
Questo significa almeno quattro cose.
- La prima è proteggere tempo di sperimentazione. Se ogni funzione è saturata da obiettivi trimestrali, urgenze e routine, nessuno userà l’AI per ripensare il proprio lavoro in modo serio.
- La seconda è definire priorità esplicite. Se il cambiamento non rientra tra gli obiettivi concreti dell’anno, verrà inevitabilmente trattato come accessorio.
- La terza è rendere visibili i risultati. I comportamenti si diffondono quando l’organizzazione vede che un esperimento utile viene riconosciuto, raccontato, imitato.
- La quarta è creare un ambiente in cui l’errore iniziale sia ammesso come parte dell’apprendimento.
Gridley propone esattamente queste leve: tempo per sperimentare, priorità reale, obiettivi ambiziosi, riconoscimento dei risultati, cultura dell’apprendimento e leadership che dà l’esempio.
Su questo punto le ricerche recenti convergono. McKinsey segnala che la riprogettazione dei workflow è il fattore più correlato all’impatto economico dell’AI, mentre BCG osserva che il valore si genera quando le aziende smettono di limitarsi a introdurre tool e iniziano a ridisegnare i flussi di lavoro end-to-end. In altre parole, la leva non è il software in sé, ma il contesto organizzativo che ne rende possibile l’uso trasformativo.
Il management come abilitatore, non come spettatore
C’è poi un cambiamento più profondo. Nell’era degli assistenti e degli agenti AI, le competenze manageriali diventano ancora più centrali. Ethan Mollick lo sintetizza bene: dare istruzioni chiare, definire l’obiettivo, stabilire i confini della delega, valutare l’output, correggere e migliorare sono tutte capacità di management prima ancora che di prompting. L’AI, da questo punto di vista, non riduce il bisogno di management. Lo rende più visibile.
Per questo il ruolo del management non è controllare ogni sperimentazione dall’alto, né restare a guardare aspettando che l’adozione emerga spontaneamente. È creare le condizioni affinché le persone imparino a lavorare meglio con l’AI, con standard chiari e aspettative credibili. Il manager efficace non dice soltanto “usate questi strumenti”. Dice: ecco quali problemi vale la pena risolvere, ecco come riconosciamo un buon risultato, ecco dove avete autonomia, ecco come condividiamo ciò che funziona.
Quando questo accade, l’AI smette di essere una promessa astratta o una minaccia vaga. Diventa un’infrastruttura operativa. Entra nelle decisioni, nelle revisioni, nelle analisi, nelle attività ripetitive ma anche nei passaggi ad alto valore. Soprattutto, smette di dipendere dall’entusiasmo di pochi pionieri.
Dal training al cambiamento del lavoro
Un altro equivoco ricorrente è pensare che basti formare per adottare. La formazione è necessaria, ma non sufficiente. Un corso può aumentare familiarità e lessico comune, ma da solo non cambia processi, responsabilità e rituali. L’adozione reale inizia quando ciò che si apprende trova un posto nel lavoro concreto: nella riunione commerciale, nel ciclo di delivery, nel passaggio di consegne tra funzioni, nel modo in cui si costruisce una presentazione, si analizza un’anomalia o si prepara una decisione.
Per questo le aziende più mature non trattano l’AI come un tema solo formativo, ma come un intervento di redesign. Partono da domande molto pratiche: quali attività assorbono tempo senza generare differenziazione? Dove la qualità dipende da accesso, sintesi o valutazione di informazioni? Dove esistono colli di bottiglia cognitivi che possono essere alleggeriti? Dove il manager continua a fare da snodo manuale per attività che potrebbero essere delegate, orchestrate o rese verificabili meglio?
L’adozione vera comincia lì. Non nel catalogo dei tool, ma nella riscrittura del lavoro.
Una regola semplice per non sbagliare partenza
Se c’è una regola semplice che il management dovrebbe tenere a mente è questa: l’AI non si diffonde contro le persone, ma attraverso le persone. Ogni scorciatoia che tenta di saltare questa evidenza può dare velocità apparente all’inizio, ma tende a produrre fragilità dopo. Ogni investimento che aiuta chi conosce il lavoro a ripensarlo con l’AI richiede più pazienza, ma genera adozione più solida.
Il management, quindi, non deve scegliere se proteggere il team o innovare. Deve capire che, in questa fase, le due cose coincidono. Le aziende che lo capiranno prima non saranno necessariamente quelle con più licenze o più pilot. Saranno quelle capaci di trasformare competenze diffuse, fiducia interna e qualità manageriale in nuova capacità operativa.
Takeaway
- L’AI adoption fallisce quando viene percepita come progetto di sostituzione, non come leva di potenziamento del lavoro.
- I domain expert sono il centro della trasformazione, perché conoscono contesto, eccezioni e criteri di qualità reali.
- Il management deve creare tempo, priorità, incentivi e rituali di apprendimento, non solo acquistare strumenti.
- Il valore emerge quando si ridisegnano workflow e decisioni, non quando si aggiungono tool a processi invariati.
