30 giugno 2026·18 min di lettura·

Massimo Mentrasti, Founder & CEO

Founder & CEO

Massimo Mentrasti

Con tre decenni di lavoro in aziende internazionali, di cui gli ultimi due in ruoli manageriali e imprenditoriali, ha acquisito un’esperienza senza precedenti nella vendita e nella gestione di grandi progetti di trasformazione in diversi settori e aree funzionali (e-commerce per la vendita al dettaglio, marketing digitale per l’automotive, CRM e applicazioni per le banche, sistemi di controllo a terra per l’industria aerospaziale). In qualità di partner di Accenture, negli ultimi 15 anni ha costruito da zero e guidato lo sviluppo di practice focalizzate su un’offerta altamente innovativa, come ad esempio trasformazione digitale, analytics, marketing digitale e automazione.

massimo@aevoluta.com

L'intelligenza artificiale è la tecnologia più trasformativa degli ultimi vent'anni. Scrive codice complesso, analizza in pochi secondi migliaia di documenti, sostiene un ragionamento a più passaggi, produce in mezz'ora analisi di mercato che a un consulente esperto avrebbero richiesto una settimana. Per velocità, il salto di capacità degli ultimi tre anni non ha precedenti in nessun'altra tecnologia.

Ma viviamo dentro un hype assordante. Gartner stima che nel 2026 la spesa mondiale in AI raggiungerà 2.590 miliardi di dollari, in crescita del 47% sull'anno precedente.¹ Nell'ultimo trimestre rilevato il termine «AI» è comparso in oltre il 65% delle conference call sugli utili delle società dell'S&P 500, con un picco del 94% nel settore tecnologico.²

Si parla solo di agenti, solo di modelli, solo di intelligenza artificiale, e l'effetto è un'ondata epocale di Fear of Missing Out.

Non è un caso che ad alimentare l'hype con più insistenza sia chi ha il maggiore interesse economico a farlo. Il 1° giugno 2026 Anthropic ha depositato in via confidenziale la documentazione per la propria quotazione, dopo un round che l'ha valutata 965 miliardi di dollari³; una settimana dopo ha fatto lo stesso OpenAI, valutata 852 miliardi.⁴ Più si avvicina il giorno della quotazione, più cresce, per chi guida queste aziende, l'incentivo a tenere alta la narrazione sul potenziale illimitato dell'AI. Non a caso è entrato nel linguaggio comune persino il termine «p(doom)», cioè la probabilità che l'AI provochi una catastrofe per l'umanità: un tempo era una battuta da addetti ai lavori, oggi è una domanda da conferenza.

Nel frattempo, fuori dai consigli di amministrazione, l'AI la usano già quasi tutti, ognuno a modo suo. Il 44% degli adulti americani ha usato ChatGPT almeno una volta (erano il 34% un anno fa) e circa un quarto lo fa ogni giorno.⁵ Sul lavoro il fenomeno è altrettanto diffuso: il 78% di chi usa l'AI in ufficio porta strumenti personali, spesso senza dirlo a nessuno.⁶

Ma questo uso individuale e informale, quello che gli analisti chiamano shadow AI, non si traduce quasi mai in capacità organizzativa. Le aziende, nella pratica, restano spesso ferme al progetto pilota, e l'hype stride sempre più con i risultati concreti. Il motivo, lo vedremo, è lo stesso di ogni trasformazione digitale degli ultimi trent'anni.

Lo stesso modello, le stesse capacità di ragionamento, sono oggi a disposizione di chiunque: del leader di mercato e dell'ultimo arrivato, della multinazionale e della microimpresa. E se la tecnologia è identica per tutti, se l'analisi di mercato che arriva al board della trillion company assomiglia a quella che finisce sulla scrivania della PMI, allora la differenza va cercata altrove: nelle persone, nei dati proprietari e nel modello operativo che tiene insieme il tutto. Resta sullo sfondo, per ora, il tema del sovranismo tecnologico, che potrebbe complicare ulteriormente lo scenario.

La favola è seducente: prendete un processo che già esiste, aggiungeteci un agente, e diventerà più rapido, più economico, più scalabile. Funziona perché resta dentro la comfort zone aziendale: si compra la tecnologia, si chiede all'IT di implementarla, si misurano i benefici, senza affrontare un cambiamento organizzativo complesso. Ma nella stragrande maggioranza dei casi quella favola è falsa.

Gartner prevede che oltre il 40% dei progetti di AI agentica verrà cancellato entro il 2027, per costi fuori controllo o valore di business poco chiaro.⁷ McKinsey rileva che solo l'1% delle aziende si considera «matura» nell'adozione dell'AI, mentre il 92% intende comunque aumentare gli investimenti nei prossimi tre anni.⁸

C'è un paradosso dietro questi numeri. ChatGPT, Claude e Gemini sono nati per essere usati da una persona, su un browser, per un compito, ed è esattamente così che la maggior parte dei dipendenti li usa già, a prescindere da cosa l'azienda abbia approvato. È lo shadow AI: l'uso informale, individuale e non governato di strumenti di AI, fuori da qualunque processo o controllo. Il risultato è spiazzante: l'azienda nel suo complesso misura un'adozione bassissima mentre, scrivania per scrivania, l'AI è già ovunque. Ma quell'uso non diventa capacità collettiva: ogni persona reinventa lo stesso prompt, nessuna lezione arriva al collega, e i dati più sensibili finiscono, una conversazione alla volta, su server che nessuno ha validato.

Lo shadow AI non è la prova che un'azienda sta adottando l'AI. Spesso è la prova che non lo sta facendo.

In Italia il divario è già visibile: nel 2025 il 71% delle grandi imprese ha avviato almeno un progetto di AI, contro appena l'8% delle piccole e medie imprese.¹⁶ Non è un problema di accesso alla tecnologia, ma di chi, in azienda, sa cosa farne.

Un segnale recente arriva proprio mentre scrivo: secondo il Financial Times, Amazon, Walmart, Uber, Cisco e Meta stanno introducendo tetti di spesa sui token e regole più severe su quando un agente vada davvero usato. Uber ha fissato un limite di 1.500 dollari al mese per dipendente su ciascuno strumento di AI coding, dopo aver bruciato l'intero budget AI del 2026 in quattro mesi.¹⁵

Non è un ripensamento sull'AI: è la controprova della favola raccontata sopra. Si sta investendo in AI, nella maggioranza dei casi, senza impatto sui risultati economici. La ragione è semplice: un processo sub-ottimo, una volta automatizzato, resta sub-ottimo, solo più veloce e più difficile da correggere perché ora «la fa la macchina». Lo stesso vale per i KPI: misurare un call center sulle chiamate chiuse, quando l'agente le chiude in fretta senza risolverle, produce un servizio peggiore, solo più rapidamente. E vale per la governance: se nessuno decide cosa l'AI può fare senza supervisione, a deciderlo sarà il fornitore della tecnologia, per default — una delega implicita, spesso inconsapevole.

Le organizzazioni che ottengono risultati concreti fanno il contrario: formano le proprie persone e ridisegnano il modello operativo (organizzazione, processi e governance, talenti) prima di costruire agenti.

Il costo del calcolo è collassato. Il 27 gennaio 2025 il laboratorio cinese DeepSeek ha pubblicato R1, un modello addestrato con un budget stimato attorno ai 6 milioni di dollari — una frazione di quanto dichiarano di spendere i laboratori americani — con prestazioni competitive con i migliori modelli occidentali. Nel giro di una sola seduta di borsa Nvidia ha perso 589 miliardi di dollari di capitalizzazione: la più grande perdita di valore in un solo giorno nella storia dei mercati finanziari.¹¹

Il costo dei token è collassato ancora più in fretta. Secondo lo Stanford HAI AI Index, ottenere prestazioni equivalenti a GPT-3.5 è passato da 20 dollari a 7 centesimi per milione di token in diciotto mesi: oltre 280 volte in meno.¹⁰

I consumi sono esplosi. Google dichiara di elaborare oggi oltre 3.200.000 miliardi di token al mese, più di 300 volte il volume di due anni fa.¹³

Il mercato si è moltiplicato. Da 196,6 miliardi di dollari nel 2023 a una previsione di 1.811 miliardi entro il 2030.¹⁴

Al mercato non sono serviti anni per accorgersi che il vantaggio computazionale si stava restringendo: è bastato un fine settimana. Nessun settore industriale ha mai eroso così in fretta il proprio vantaggio iniziale. Quello che un trimestre fa era un differenziale raro e costoso, il trimestre dopo è alla portata di chiunque abbia una carta di credito.

Tutto questo porta a una conclusione scomoda: se l'intelligenza diventa come l'energia elettrica o la banda larga, è un vantaggio reale solo per chi, dentro l'azienda, ha le persone capaci di usarla meglio e più in fretta dei concorrenti.

Immaginate due analisti che usano lo stesso modello per preparare la stessa proposta a un cliente. Il primo chiede al modello di scrivere il documento, lo rilegge una volta per un controllo sommario e lo invia. Il resto del tempo lo dedica ad altro, si spera attinente alle proprie mansioni professionali. In poco tempo ha prodotto qualcosa che «sembra» accettabile.

Il secondo usa lo stesso strumento per una prima bozza in quindici minuti, poi investe le ore che gli restano per verificare ogni numero, chiedere al modello di smontare la propria stessa argomentazione, controllare cosa fanno i concorrenti e aggiungere l'informazione che solo lui possiede: che il cliente, tre settimane prima, al telefono, gli aveva confidato la vera preoccupazione dietro quel brief.

Due proposte, lo stesso modello. La prima è indistinguibile da quella che avrebbe prodotto qualunque concorrente con lo stesso accesso. La seconda no, e la differenza non sta nel modello, ma nella persona che lo ha usato.

È per questo che un'organizzazione priva di capacità critiche, messa davanti a strumenti potenti, non diventa più produttiva: diventa più rapidamente dipendente dall'automazione. Il contributo di chi si accontenta della prima risposta tende a zero, perché una prima risposta un agente la produce meglio, più in fretta e a costo quasi nullo. Un'organizzazione capace, invece, non diventa solo più produttiva: comincia a pensare e a decidere a una velocità che fino a poco fa sarebbe sembrata fuori portata. E in un mondo dove gli agenti di tutti tendono a fare le stesse cose nello stesso modo, è proprio quella velocità di pensiero a restare l'unica cosa davvero scarsa: il giudizio, la curiosità, la conoscenza tacita del cliente che nessun modello ha mai letto da nessuna parte. Il fattore competitivo ha smesso di essere la tecnologia: si è spostato dentro le persone che decidono cosa farne.

Un modello linguistico, per quanto potente, nasce addestrato sulla conoscenza generale del mondo: sa scrivere un contratto-tipo, ma non sa nulla dei dieci anni di reclami che avete registrato su un singolo impianto, delle ragioni per cui un certo cliente ha davvero rinunciato al rinnovo, di come si comporta il vostro magazzino il venerdì prima di un ponte.

Questa conoscenza esiste già, quasi sempre, dentro l'azienda: nel CRM, nei ticket di assistenza, nei log di produzione, nelle e-mail commerciali, in anni di preventivi. Ma quasi mai in una forma che un agente può usare. McKinsey, in un report del maggio 2026, lo chiama il moat dei «dati privilegiati»: un vantaggio che nasce non dal modello che si compra, ma dai dati che lo alimentano, perché sono cumulativi e nessun concorrente può comprarli o replicarli.⁹

Due aziende possono comprare lo stesso modello, dallo stesso fornitore, allo stesso prezzo, e ottenere risultati radicalmente diversi: non perché l'agente «capisca» meglio l'una o l'altra, ma perché una ha passato anni a strutturare, pulire e collegare i propri dati, e l'altra no. Ciò che resta diverso, da azienda ad azienda, è cosa quei modelli sanno della vostra azienda in particolare. E quella conoscenza, a differenza del modello, non è in vendita da nessuna parte.

Organizzazione. Se nessuno ha la responsabilità esplicita di guidare l'adozione dell'AI, quella responsabilità non resta vacante: si frammenta in centinaia di scelte individuali, una per dipendente. Serve un'ownership chiara, vicina al business e non solo all'IT, capace di trasformare in pratica condivisa ciò che oggi resta l'iniziativa privata di chi ha già cominciato a usare questi strumenti per conto proprio. È esattamente il vuoto in cui prolifera lo shadow AI.

Processi e governance. Non si automatizza un singolo passaggio del processo esistente: si ridisegna dall'inizio alla fine, partendo dal risultato che si vuole ottenere, non dall'attività che si vuole velocizzare. Le regole vanno definite — cosa un agente può fare da solo, cosa richiede supervisione umana — e i KPI ridisegnati: le vecchie metriche premiano la produzione più rapida dell'output sbagliato.

Talenti. La formazione continua non è un corso da fare una volta: è un'infrastruttura permanente, alla pari di una rete o di un gestionale. Chi non sa interrogare criticamente un sistema AI vedrà amplificati i propri limiti; chi lo usa bene vedrà amplificati i propri punti di forza. Di tutte e tre le dimensioni, questa è la più importante: la competenza critica richiede anni per essere costruita, mentre un processo mal disegnato o una regola incompleta si correggono in poche settimane. È il motivo per cui le aziende che vinceranno questa fase non saranno quelle con l'agente più sofisticato, ma quelle con le persone più capaci di usarlo.

Prima il modello operativo nel suo complesso: organizzazione, processi e governance, talenti. Solo alla fine, una volta chiaro cosa deve succedere e chi ne risponde, ha senso disegnare l'architettura tecnica degli agenti: quanti, con quale autonomia, su quali dati, con quale supervisione.

Chi inverte questo ordine non sta sbagliando i dettagli implementativi. Sta scegliendo, senza saperlo, di automatizzare più in fretta i propri difetti organizzativi — per poi scoprirlo, con una certa sorpresa, nei numeri del trimestre successivo.

È esattamente questo il lavoro di Aevoluta. Con il framework proprietario Aevolution™ accompagniamo le aziende lungo la trasformazione AI in modo strutturato e senza rischi: prima il disegno del modello operativo abilitato dall'AI (organizzazione, processi e governance, talenti e valorizzazione dei dati proprietari), poi la realizzazione degli agenti che lo supportano. E poiché la conformità al GDPR e all'AI Act non può essere un controllo dell'ultimo minuto, la integriamo fin dalla progettazione: compliance by design, a ogni passo del percorso.

La prima era digitale ha premiato chi possedeva l'informazione. La seconda ha premiato chi possedeva le piattaforme. L'era dell'intelligenza abbondante non premierà chi spende di più in token e meno in stipendi. Vinceranno le aziende AI-fluent: quelle le cui persone sanno usare l'AI con padronanza e spirito critico, valorizzare i propri dati e ripensare con coraggio il proprio modello operativo.

Applied intelligence to evolve human.