Chatbot e applicazioni generative hanno dominato la prima fase dell’AI. Ora l’attenzione si sposta sulla capacità di utilizzare questi sistemi su larga scala e integrarli nei processi aziendali. Data center, chip, reti, energia e competenze diventano fattori determinanti, mentre l’intelligenza artificiale trova applicazione anche nella robotica, nella ricerca scientifica e nelle infrastrutture.
È il quadro tracciato dalla sesta edizione del McKinsey Technology Trends Outlook 2026. Il rapporto individua 14 tendenze e mostra come la crescita dell’AI coinvolga ormai l’intero sistema tecnologico. Per i CIO, la sfida riguarda soprattutto la capacità di trasformare sperimentazioni e prototipi in soluzioni affidabili, sicure e sostenibili.
Indice degli argomenti
Quattordici tendenze, tre macroaree
McKinsey organizza il quadro in tre macroaree.
- “AI revolution” comprende lo sviluppo software agentico, l’AI agentica, l’impiego dell’intelligenza artificiale nella scoperta scientifica e nell’ingegneria, le infrastrutture e le architetture dei modelli.
- “Compute & Connectivity Frontiers” riunisce semiconduttori specifici per applicazione, cybersecurity e sistemi affidabili, connettività avanzata, realtà immersiva e tecnologie quantistiche.
- “Cutting-Edge Engineering” include robotica, mobilità, tecnologie spaziali, life science e bioingegneria, energia e sostenibilità.
Le categorie servono a orientare la lettura, mentre gran parte dell’innovazione nasce dalla convergenza tra domini. Un robot autonomo, per esempio, combina modelli di AI, chip specializzati, sensori, software, reti e sistemi di sicurezza. Un data center destinato ai workload di intelligenza artificiale dipende dalle architetture di calcolo, dalla capacità delle reti e dalla disponibilità di elettricità. Anche l’avanzamento della ricerca farmaceutica attraverso modelli generativi resta legato ai laboratori, alla qualità dei dati, ai test clinici e alle procedure regolatorie.
La selezione deriva da un’analisi quantitativa di sei segnali: ricerche online, articoli di stampa, brevetti, pubblicazioni scientifiche, investimenti in equity e domanda di talenti. A questi indicatori McKinsey affianca interviste con manager, decisori pubblici, investitori ed esperti di diversi settori e aree geografiche. Il livello di adozione aziendale viene valutato su una scala da uno, che indica un’innovazione ancora iniziale, a cinque, corrispondente a una diffusione pienamente integrata. Gli investimenti considerati sono raccolte di capitale sui mercati pubblici e privati e operazioni finanziarie; restano esclusi capex e spese operative delle aziende.
La tassonomia è cambiata rispetto al precedente rapporto. Cloud ed edge computing, presenti nell’edizione precedente, escono dalla mappa perché hanno raggiunto una diffusione più matura e registrano livelli di innovazione misurata inferiori a quelli delle tecnologie di frontiera. Entrano invece lo sviluppo software agentico e l’AI per la scoperta scientifica e l’ingegneria, due ambiti nei quali l’impatto dell’intelligenza artificiale è diventato abbastanza rilevante da meritare una categoria autonoma.
Dall’AI generativa agli agenti
Lo sviluppo software agentico segna il passaggio dagli assistenti che suggeriscono porzioni di codice a sistemi basati su modelli linguistici capaci di pianificare, programmare, eseguire test, correggere errori e distribuire modifiche.
Il ruolo degli sviluppatori si sposta così verso l’orchestrazione e la supervisione di agenti che possono lavorare su attività più lunghe. McKinsey stima che, se applicato con successo, questo approccio potrebbe liberare quasi mille miliardi di dollari di valore per le imprese. Il dato sugli investimenti mostra la velocità del fenomeno: dai 4,9 miliardi di dollari del 2025 si è passati a oltre 61 miliardi nella prima metà del 2026, cifra influenzata in misura dominante dall’acquisizione di Cursor per 60 miliardi.
La produttività del singolo programmatore rappresenta soltanto una parte del cambiamento. Il codice generato deve entrare nei processi di revisione, integrazione, test, sicurezza e rilascio dell’organizzazione. La produzione può accelerare più della capacità aziendale di verificare e distribuire software affidabile, con il rischio di accumulare componenti fragili nei sistemi. Di conseguenza, l’evoluzione riguarda l’intero ciclo di sviluppo e richiede controlli, piattaforme e modalità operative coerenti con il nuovo ritmo.
L’AI agentica estende lo stesso principio ai processi aziendali. Gli agenti interpretano obiettivi, interagiscono con applicazioni e dati, coordinano altri sistemi e adattano le azioni al contesto con una supervisione umana limitata. Secondo la ricerca richiamata nel rapporto, l’89% delle organizzazioni utilizza regolarmente l’AI e la maggioranza sta almeno sperimentando gli agenti. Il ritorno economico rimane più circoscritto: soltanto il 37% attribuisce ai propri programmi di intelligenza artificiale un impatto positivo sull’EBIT, il risultato operativo prima di interessi e imposte.
Il divario dipende anche dai requisiti di integrazione. I flussi agentici richiedono aggiornamenti dello stack tecnologico, accesso governato a dati e applicazioni, capacità di osservare le azioni compiute e una maggiore disponibilità di calcolo, perché consumano più token dei chatbot tradizionali. L’agente diventa una componente dell’architettura e del modello operativo, con effetti su costi, sicurezza, ruoli e responsabilità.
Con l’AI cresce l’R&D, test e sperimentazione dettano i tempi
L’AI applicata alla ricerca scientifica e all’ingegneria è ancora in una fase relativamente iniziale, ma il suo raggio d’azione continua ad ampliarsi. I modelli sono sempre più utilizzati per formulare ipotesi, progettare esperimenti, ottimizzare molecole ed esplorare spazi progettuali di una complessità e ampiezza prima difficilmente gestibili. Nelle attività di ricerca e sviluppo, inizialmente concentrate su previsione e modellazione, stanno emergendo workflow più autonomi, nei quali sistemi agentici supportano e coordinano diverse fasi del processo.
Proprio la crescente capacità di generazione dell’AI porta però in primo piano una nuova sfida: la validazione dei risultati. Nel settore biofarmaceutico, ad esempio, l’AI è in grado di proporre migliaia di candidati farmaci in tempi che in passato avrebbero consentito di individuarne solo una manciata, mentre la validazione in laboratorio, la sperimentazione clinica e l’approvazione regolatoria continuano a richiedere tempi molto più lunghi.
Lo stesso fenomeno si osserva nella scienza dei materiali, dove nuovi composti possono essere progettati più rapidamente di quanto i laboratori riescano a sintetizzarli e verificarli. Il collo di bottiglia, quindi, tende a spostarsi dalla generazione delle idee alla capacità di testarle, selezionarle e trasformarle in applicazioni concrete.
Lo stesso meccanismo emerge nelle scienze della vita e nella bioingegneria. I modelli biologici multimodali e gli strumenti di progettazione assistita facilitano la generazione di proteine e candidati terapeutici, ma spostano la pressione sulla qualità dei dati, sulla capacità di eseguire test, sui processi produttivi, sulle sperimentazioni cliniche e sulla qualificazione da parte dei clienti. Gli investimenti in equity del comparto hanno raggiunto 101 miliardi di dollari nel 2025, mantenendosi intorno ai 100 miliardi negli ultimi tre anni considerati dal rapporto.
Infrastrutture e modelli: la fase industriale dell’AI
L’AI sta entrando in una nuova fase, caratterizzata dalla diffusione su scala industriale. A sostenerla è un’infrastruttura sempre più articolata che comprende foundation model, sistemi multimodali e di ragionamento, data center, piattaforme cloud, framework di addestramento e pipeline dei dati. Secondo McKinsey, entro il 2030 gli investimenti in conto capitale destinati alla costruzione di data center potrebbero avvicinarsi a 7.000 miliardi di dollari a livello globale. Già nel 2025, gli investimenti in equity nelle infrastrutture AI e nelle architetture dei modelli hanno raggiunto i 145 miliardi di dollari, il secondo valore più elevato tra le 14 tendenze analizzate, alle spalle soltanto di energia e sostenibilità.
Con l’espansione dell’utilizzo dei modelli, cresce anche il peso dell’inferenza, ovvero il processo attraverso cui un sistema già addestrato genera un output. Questa evoluzione sta alimentando la domanda di chip progettati per carichi di lavoro specifici, in grado di offrire maggiore capacità elaborativa per watt e di contenere i costi operativi. McKinsey prevede che entro il 2030 l’inferenza assorbirà il 30-40% della domanda complessiva dei data center e rappresenterà la quota prevalente della potenza di calcolo dedicata all’AI.
Di conseguenza, la co-progettazione di hardware e software diventa un elemento distintivo della competizione tecnologica. Amazon, Google, Meta e Microsoft collaborano sempre più strettamente con i produttori di semiconduttori per sviluppare silicio personalizzato ottimizzato sui propri modelli e workload.
Alcuni hyperscaler stanno inoltre valutando l’opportunità di rendere disponibili questi chip anche a clienti esterni, trasformando una capacità interna in un nuovo asset di mercato. Nel 2025 i semiconduttori specifici per applicazione hanno attratto 41,6 miliardi di dollari di investimenti equity, mentre la domanda di competenze nel settore è aumentata del 22% tra il 2024 e il 2025.
Cybersecurity: la finestra per reagire si restringe
L’intelligenza artificiale sta ridefinendo gli equilibri della cybersicurezza, potenziando allo stesso tempo le capacità di difesa e di attacco. Da un lato, aiuta i team di sicurezza a identificare vulnerabilità, stabilire le priorità di intervento e automatizzare le attività di contenimento; dall’altro, offre agli attaccanti strumenti sempre più efficaci per individuare falle, sviluppare exploit e lanciare campagne su larga scala in tempi ridotti.
Il risultato è una drastica compressione dei tempi di reazione. Il margine che un tempo separava la divulgazione di una vulnerabilità dal suo effettivo sfruttamento si è assottigliato fino quasi a scomparire.
Secondo il rapporto, oltre tre quarti delle vulnerabilità oggi rientrano nella categoria degli “zero day”, ossia risultano associate a un exploit già disponibile nel momento stesso in cui vengono rese pubbliche. Questo rende sempre più difficile per organizzazioni e fornitori intervenire con adeguate misure di protezione prima che le minacce si concretizzino.
La risposta descritta da McKinsey passa da controlli periodici e difese perimetrali verso verifiche continue durante l’esecuzione, autenticazione granulare e contenimento automatizzato. Le architetture zero trust devono applicarsi a persone, dispositivi, carichi di lavoro e agenti AI. A questa trasformazione si aggiunge la preparazione alla crittografia post-quantum, resa urgente dalla prospettiva che futuri computer quantistici possano compromettere algoritmi oggi largamente utilizzati.
Con 77,5 miliardi di dollari di investimenti equity nel 2025 e altri 63 miliardi circa raccolti nella prima metà del 2026, cybersecurity e sistemi trustworthy si confermano tra le aree più consolidate dell’innovazione tecnologica. Per McKinsey, la crescita contenuta di ricerca e brevetti, accompagnata dall’aumento dell’interesse online, è il segnale di un mercato ormai maturo, impegnato più nell’estensione e nell’adozione delle soluzioni esistenti che nell’apertura di nuove frontiere tecnologiche.
La sicurezza, del resto, sta smettendo di essere un livello aggiuntivo per diventare una caratteristica nativa delle infrastrutture digitali. Dall’hardware al software, fino ai sistemi di identità e accesso che governano agenti AI e piattaforme autonome, i principi di protezione e affidabilità vengono integrati direttamente nell’architettura delle tecnologie (security by design). Il concetto di “trustworthy system” si traduce così in un requisito progettuale sempre più centrale.
Connettività, realtà immersiva e quantum
La connettività avanzata entra in una fase orientata all’integrazione. Dopo un decennio concentrato sull’espansione di copertura e capacità attraverso 5G, fibra, Wi-Fi e satelliti, l’attenzione si sposta verso l’interoperabilità intelligente, affidabile e sicura tra utenti, dispositivi, cloud, data center e ambienti fisici. Nel perimetro rientrano il 5G e il futuro 6G, Wi-Fi 6 e 7, reti IoT a basso consumo, trasporto ottico, costellazioni in orbita bassa, servizi direct-to-device e network gestiti dal software e dall’AI. Gli investimenti in equity del 2025 hanno raggiunto 60,5 miliardi di dollari.
Ridimensionate le aspettative di una rapida adozione consumer, la realtà immersiva sta entrando in una fase più pragmatica. Realtà aumentata, virtuale e mista trovano spazio in applicazioni mirate, mentre occhiali intelligenti e dispositivi di spatial computing si trasformano progressivamente da semplici schermi indossabili a piattaforme capaci di percepire e interpretare ciò che accade intorno all’utente.
Grazie alla capacità di raccogliere dati dall’ambiente, comprendere il contesto e reagire in tempo reale, queste tecnologie convergono sempre più verso il concetto di physical AI. La loro evoluzione segna il passaggio da strumenti di visualizzazione a sistemi intelligenti in grado di integrare percezione, interazione e azione, creando un collegamento sempre più stretto tra mondo digitale e realtà fisica.
Il panorama quantistico presenta livelli di maturità differenti tra computing, comunicazioni e sensoristica. Se il calcolo quantistico continua ad attirare gran parte degli investimenti e della ricerca, la maggioranza delle applicazioni aziendali resta ancora nella fase sperimentale. Comunicazioni sicure e crittografia post-quantum mostrano invece percorsi di adozione più vicini al mercato, mentre i sensori quantistici ad alta precisione aprono prospettive in settori come navigazione, timing, ispezione dei semiconduttori e gestione delle infrastrutture.
A sostenere lo sviluppo dell’ecosistema contribuisce una forte crescita dei capitali: gli investimenti sono aumentati da 2,5 miliardi di dollari nel 2024 a 13,3 miliardi nel 2025, segnalando una crescente fiducia nel potenziale industriale di queste tecnologie nel medio-lungo termine.
La physical AI porta autonomia in fabbriche, veicoli e dispositivi
Nella robotica, l’AI agisce come capacità cognitiva: permette alle macchine di interpretare ambienti variabili, ragionare e adattare le proprie azioni. La base installata resta dominata dai robot industriali, con circa cinque milioni di unità operative nel mondo secondo la stima riportata da McKinsey, mentre i sistemi general purpose e gli umanoidi si trovano in una fase precedente di sviluppo. La prima diffusione della physical AI avviene in manifattura e logistica, dove il rapporto tra costi e benefici è più definito, per poi estendersi potenzialmente a ospedali, cantieri, agricoltura e infrastrutture urbane.
McKinsey stima che entro il 2040 la physical AI possa generare almeno mille miliardi di dollari di valore economico globale, in prevalenza nei due settori già più esposti all’automazione. Gli investimenti in robotica sono arrivati a 19,5 miliardi nel 2025, il valore più alto della serie osservata, mentre le offerte di lavoro sono aumentate del 12% rispetto all’anno precedente.
Anche il settore della mobilità sta evolvendo come un ecosistema integrato in cui convergono elettrificazione, guida autonoma, veicoli software-defined, infrastrutture di ricarica, droni e sistemi marittimi avanzati. I robotaxi rappresentano uno degli esempi più visibili di questa trasformazione: in alcune città sono già diventati servizi operativi e replicabili, ma la loro diffusione resta circoscritta a contesti specifici e continua a dipendere da fattori quali l’evoluzione normativa, la gestione delle flotte, i requisiti di sicurezza e il livello di fiducia degli utenti. Nel 2025 il comparto ha attirato 63,5 miliardi di dollari di investimenti, in un contesto caratterizzato da capitali più selettivi e orientati verso applicazioni prossime alla maturità commerciale.
Una traiettoria simile emerge anche nel settore spaziale, dove l’attenzione si sta spostando dalle singole tecnologie alla costruzione di infrastrutture integrate. Sistemi di lancio, satelliti, reti terrestri, servizi di connettività, osservazione della Terra e capacità di elaborazione in orbita stanno dando forma a un ecosistema destinato a supportare un numero crescente di attività economiche sulla Terra. Secondo una stima elaborata da McKinsey insieme al World Economic Forum, la space economy globale potrebbe passare da 630 miliardi di dollari nel 2023 a 1.800 miliardi nel 2035, con un tasso di crescita medio annuo prossimo al 9%. A testimonianza dell’interesse per il settore, nel 2025 gli investimenti equity hanno raggiunto i 15,7 miliardi di dollari.
Energia, la risorsa che determina la possibilità di scalare
La crescita dell’AI incontra un vincolo fisico nella disponibilità di elettricità. Negli Stati Uniti, la potenza richiesta dalle infrastrutture dedicate potrebbe passare da circa 30 gigawatt nel 2025 a oltre 90 nel 2030, un livello paragonabile all’attuale domanda della California. Nello stesso periodo, i data center potrebbero salire dal 3% registrato nel 2022 al 14% del consumo elettrico statunitense.
Il problema riguarda anche i tempi delle infrastrutture. Un data center può essere realizzato più rapidamente delle linee di trasmissione, delle sottostazioni e dei trasformatori necessari ad alimentarlo. In molti mercati i tempi di consegna dei trasformatori superano due anni, mentre nel mondo più di 2.500 gigawatt di progetti energetici attendono la connessione alla rete. La disponibilità di capacità di calcolo affidabile dipende così dall’accesso all’energia quanto da capitale e competenze.
Le tecnologie per energia e sostenibilità hanno ricevuto 194,2 miliardi di dollari di investimenti in equity nel 2025, il valore più alto tra le aree analizzate. Il dato comprende fonti rinnovabili, sistemi di accumulo e potenziamento delle reti, insieme a soluzioni in fasi differenti di maturità come nucleare avanzato, geotermia di nuova generazione, idrogeno a basse emissioni, cattura del carbonio e fusione. Per i grandi consumatori, McKinsey rileva un passaggio dalla semplice acquisizione di elettricità alla sua orchestrazione, attraverso contratti di lungo periodo, infrastrutture dedicate e produzione in sito.
Investimenti e talenti a velocità diverse
I capitali indicano dove si concentra la convinzione degli investitori, ma il rapporto li considera segnali, non previsioni. Per delineare l’andamento del 2026, McKinsey ha misurato le operazioni del primo semestre e annualizzato i tassi di crescita. In base a questa estrapolazione, sviluppo software agentico, infrastrutture e architetture dei modelli, AI per la scoperta scientifica, tecnologie spaziali e robotica sono avviati verso investimenti almeno doppi rispetto al 2025. Tutte le aree, tranne la connettività avanzata, potrebbero chiudere l’anno con finanziamenti superiori.
La composizione delle offerte di lavoro restituisce un’altra misura della maturità. In connettività, cybersecurity, energia, scienze della vita e mobilità, più della metà delle posizioni riguarda funzioni diverse dalla ricerca e sviluppo, comprese operazioni, amministrazione, vendite e marketing. È il segnale di tecnologie che stanno entrando in casi d’uso commerciali. Nei quattro filoni direttamente legati all’AI e nei semiconduttori specifici per applicazione, oltre il 75% delle posizioni resta invece concentrato in ricerca e sviluppo, indice di settori cresciuti rapidamente ma ancora giovani.
Per le organizzazioni, la scarsità riguarda energia, talenti e capitale. A queste risorse si sommano sistemi legacy da aggiornare, reti esposte a rischi in evoluzione e modelli operativi da adeguare. La distanza tra sperimentazione e scala dipende dalla capacità di combinare tecnologia, infrastrutture, competenze e processi, più che dal ritmo con cui compaiono nuovi strumenti.
La chiave di lettura per il CIO: costruire capacità di esecuzione
Il quadro delineato da McKinsey assegna al CIO un perimetro che attraversa l’intera organizzazione. La diffusione degli agenti richiede integrazione con dati e applicazioni, osservabilità, controllo degli accessi e governo dei costi. La crescita dell’inferenza collega la scelta dei modelli all’architettura di calcolo, ai chip, alle reti e all’efficienza energetica. La physical AI aggiunge sistemi connessi che operano nel mondo reale e alza i requisiti di sicurezza, affidabilità e responsabilità.
Il rapporto invita i leader a distinguere le tecnologie che richiedono azione e investimenti immediati da quelle che meritano monitoraggio. L’adozione su scala aziendale resta infatti disomogenea: alcuni ambiti sono già in distribuzione commerciale, altri procedono attraverso esperimenti e progetti pilota. La scelta del portafoglio tecnologico deve quindi riflettere il livello di maturità, la disponibilità delle risorse e la capacità dell’organizzazione di assorbire il cambiamento.
Il passaggio del 2026 riguarda la trasformazione dell’AI da applicazione digitale a componente di processi, macchine e infrastrutture. L’innovazione procede lungo tutte le 14 traiettorie, mentre la possibilità di tradurla in risultati dipende da condizioni operative concrete: energia disponibile, capacità di calcolo, sicurezza incorporata, competenze, aggiornamento dei sistemi e disciplina di esecuzione.
Partecipa alla community