Il dibattito sul ritorno degli investimenti legati all’intelligenza artificiale generativa è sempre più acceso, e le imprese cercano strumenti affidabili per orientarsi tra promesse di produttività e necessità di misurare il reale impatto economico. Nel corso di un webinar organizzato da Gartner sul tema del calcolo del valore e dei costi dei progetti di AI generativa, Rita Sallam, Distinguished VP Analyst, ha illustrato un modello concettuale che consente di classificare i casi d’uso GenAI e di comprenderne il diverso profilo di rischio, investimento e ritorno.
Indice degli argomenti
La necessità di distinguere tra produttività e valore
Secondo la ricerca condotta da Gartner, più del 70% delle organizzazioni considera come aspetti più rilevanti delle iniziative di AI generativa il ritorno sugli investimenti (ROI) e la realizzazione dei benefici. Tuttavia, solo il 57% delle aziende afferma di riuscire a raggiungere i risultati attesi. Questa distanza tra priorità e performance è ciò che spinge a una riflessione più profonda sulla natura stessa del valore.
Sallam ha spiegato che «la produttività non equivale automaticamente a valore». Restituire un’ora al giorno a un dipendente non significa necessariamente che quell’ora venga reinvestita in attività ad alto impatto. Parte di quel tempo può essere assorbita da interazioni informali, da compiti marginali o semplicemente dispersa nella complessità organizzativa. Gartner utilizza il concetto di productivity leak per descrivere questa perdita di potenziale: anche se un miglioramento appare significativo sulla carta, la sua traduzione in outcome finanziari o competitivi concreti dipende da come l’organizzazione decide di gestire e indirizzare quel tempo.
Il modello Defend, Extend, Upend
Per colmare il divario tra risultati attesi e benefici reali, Gartner propone un framework che suddivide i casi d’uso GenAIin tre categorie: Defend, Extend e Upend. Ognuna ha obiettivi, orizzonte temporale e complessità differenti, e richiede metriche di valutazione adeguate.
Defend: l’efficienza incrementale
I casi di tipo Defend comprendono applicazioni che rafforzano attività esistenti con benefici limitati ma rapidi da implementare. Esempi frequenti sono l’assistenza alla scrittura di codice, il supporto alla produttività individuale e la creazione di contenuti di marketing.
Questi progetti generano un ritorno sul dipendente, più che sul conto economico, poiché permettono di svolgere le stesse attività in meno tempo. Tuttavia, il legame con i risultati finanziari resta debole: molte aziende non riducono il personale dopo l’introduzione di strumenti come i copiloti di programmazione, ma si limitano a distribuire diversamente il carico di lavoro. La traduzione in valore può avvenire solo se il tempo risparmiato viene reinvestito per migliorare il prodotto, aumentare le vendite o ridurre il tasso di abbandono dei clienti.
In alcuni casi, come la produzione di contenuti di marketing, la GenAI può consentire anche una riduzione di spese esterne, ad esempio quelle legate ad agenzie o servizi di traduzione, offrendo quindi un collegamento più diretto a benefici economici. Tuttavia, resta fondamentale dimostrare in modo chiaro al dipartimento finanziario l’effettiva incidenza di questi risparmi.
Extend: migliorare processi e decisioni
La categoria Extend riguarda invece i casi in cui l’AI generativa viene integrata in processi aziendali specifici, estendendone la capacità decisionale o esecutiva. Questi progetti possono essere realizzati tramite l’acquisto di funzionalità integrate nei software enterprise – ad esempio Salesforce, SAP o Microsoft – oppure attraverso lo sviluppo di applicazioni custom basate su API di modelli linguistici di grandi dimensioni.
Un esempio citato da Sallam è quello di un’azienda del settore mortgage che ha inserito un’interfaccia conversazionale sui documenti di underwriting, riducendo i tempi di approvazione dei prestiti da due mesi a due settimane. Un altro caso è quello del gruppo internazionale di recruiting PageGroup, che ha utilizzato la GenAI per ridurre il tempo medio necessario a scrivere un annuncio di lavoro da 90 minuti a 5. Tuttavia, come hanno sottolineato i manager coinvolti, questo risultato è stato possibile solo grazie a un investimento di sette anni nella costruzione di un enterprise data fabric, che ha permesso di integrare informazioni provenienti da quattro sistemi differenti e di precompilare le descrizioni.
Questi esempi mostrano che i casi d’uso GenAI di tipo Extend richiedono un investimento più elevato rispetto ai Defend, in particolare nella gestione e preparazione dei dati. In cambio, offrono un legame più diretto con la riduzione dei costi o l’aumento dei ricavi, ad esempio attraverso un miglioramento del tasso di chiusura delle vendite, la riduzione dei tempi di risposta ai clienti o l’aumento della qualità dei servizi offerti.
Upend: trasformazione strategica
La terza categoria, definita Upend, si riferisce a investimenti ad alta intensità che mirano a trasformare radicalmente processi e mercati. In questo caso, le organizzazioni cercano di creare nuovi prodotti, servizi o addirittura settori competitivi.
Secondo Sallam, questi progetti richiedono «un livello più elevato di tolleranza al rischio e tempi più lunghi per la realizzazione dei benefici». Gli upfront cost della GenAI includono la gestione completa dell’infrastruttura cloud, lo sviluppo di applicazioni personalizzate e il fine-tuning o il pre-training di modelli open source. A ciò si aggiunge la necessità di competenze specialistiche in data science e data engineering, con costi di inferenza che rimangono significativi nel tempo.
Gli indicatori per valutare i casi Upend non sono legati solo a produttività o efficienza, ma a KPI strategici come la quota di mercato, la percentuale di ricavi generati da nuove linee di business e il customer lifetime value. In settori come il farmaceutico, investimenti di questo tipo diventano quasi un requisito competitivo, ad esempio nella scoperta di nuovi farmaci e nei trial clinici.
Dati, governance e gestione del cambiamento
Un elemento trasversale a tutte le categorie è l’importanza della data readiness. Come ha evidenziato Sallam, l’accuratezza dei risultati e l’ottimizzazione dei costi dipendono dalla qualità dei dati. Una base informativa frammentata o non strutturata può far lievitare il numero di token necessari per ogni richiesta, aumentando così le spese e riducendo l’efficacia dei modelli.
Altrettanto rilevante è la gestione del cambiamento. Gartner segnala che spesso le imprese sottovalutano l’impatto della formazione degli utenti e della revisione dei processi di lavoro. «Se non si insegna alle persone come utilizzare correttamente queste tecnologie e come trasformare i flussi operativi, i benefici resteranno teorici», ha affermato Sallam.
Il portfolio degli investimenti in GenAI
Il framework suggerisce di guardare ai casi d’uso GenAI come a un portafoglio di investimenti, bilanciando progetti a basso rischio e valore incrementale con iniziative più ambiziose e strategiche. La scelta dipende dal grado di maturità tecnologica, dal settore di appartenenza e soprattutto dall’ambizione che la leadership attribuisce all’AI. Secondo Gartner, il percorso più efficace non si limita a calcolare il costo dei modelli, ma richiede una valutazione complessiva del total cost of ownership, che include infrastruttura, dati, competenze, licenze e change management. In questo modo è possibile collegare le promesse della generative AI a risultati concreti e sostenibili per l’organizzazione.
