AI verticale, svolta nelle imprese: i modelli generalisti non bastano più

L’Ai verticale guadagna terreno nelle imprese perché i modelli generalisti, pur efficaci nelle attività trasversali, mostrano limiti quando devono confrontarsi con processi industriali complessi, dati proprietari e regole di settore. Secondo la ricerca 2026 “The Reckoning” commissionata da Aptean a Vanson Bourne, il 77% dei decisori ritiene che gli strumenti di intelligenza artificiale general purpose non siano sufficienti per le esigenze delle organizzazioni di grandi dimensioni e con operazioni articolate. L’88% considera invece molto importante o essenziale disporre di soluzioni costruite per uno specifico comparto o una determinata funzione aziendale.

Il dato segna un passaggio di fase. Dopo due anni dominati dalla sperimentazione dell’Ai generativa, la questione non è più soltanto quante aziende abbiano introdotto la tecnologia, ma quanto profondamente riescano a inserirla nei flussi operativi e a trasformarla in risultati misurabili. Il report, basato sulle risposte di 1.535 decisori di Stati Uniti, Canada, Regno Unito, Paesi Bassi, Francia e Germania, mostra che il 98% delle organizzazioni utilizza o sta implementando l’AI. Solo il 46%, tuttavia, l’ha resa parte integrante o essenziale dei processi principali.

Dalla sperimentazione all’integrazione nei processi

Il problema non è dunque una mancanza di fiducia nella tecnologia. L’82,5% degli intervistati afferma che il valore dell’AI è evidente, ma non ancora pienamente realizzato. Inoltre, l’83% ha avviato i progetti per cogliere opportunità competitive e aumentare velocità ed efficienza, mentre soltanto il 17% dichiara di essere stato mosso soprattutto dal timore di restare indietro.

La distanza tra aspettative e risultati nasce spesso dalle modalità con cui sono stati scelti i primi strumenti. Molte imprese hanno adottato piattaforme immediatamente disponibili, facili da sperimentare e già accessibili attraverso browser o suite di produttività. Questi sistemi funzionano bene nella generazione di testi, nella sintesi di documenti o nell’assistenza a compiti standardizzati. Diventano meno efficaci quando devono interpretare distinte base, previsioni della domanda a livello di singolo prodotto, vincoli logistici, dati di produzione o procedure regolatorie.

Un modello generalista non possiede automaticamente la terminologia, le eccezioni operative e i criteri con cui un determinato settore misura il successo. L’AI verticale restringe invece il campo di applicazione e viene addestrata o configurata su dati, regole di conformità e processi specifici. La specializzazione dovrebbe ridurre le risposte imprecise e facilitare il collegamento con i sistemi già utilizzati dall’azienda.

Per Tvn Reddy, Ceo di Aptean, il limite non riguarda la qualità intrinseca della tecnologia, ma la sua progettazione: “Un modello generico non conosce la vostra attività, le vostre regole di conformità né ciò che significa avere successo nel vostro settore. Un’AI costruita su misura, invece, li conosce, ed è spesso questo a fare la differenza tra successo e fallimento”.

Erp e supply chain, l’integrazione pesa più del modello

La motivazione più citata dalle imprese a favore delle soluzioni specializzate non è la potenza dell’algoritmo, ma la possibilità di integrarlo più facilmente con le piattaforme operative. Il 47% indica il collegamento con sistemi come Erp e applicazioni di supply chain come principale vantaggio dell’AI verticale. Seguono la maggiore pertinenza e accuratezza dei risultati, segnalata dal 42%, e il supporto strategico fornito da vendor che conoscono il settore, indicato dal 40%. Il 38% associa inoltre questi strumenti a un ritorno sull’investimento più elevato.

La complessità dell’integrazione emerge come uno dei principali ostacoli alla scalabilità. L’82% degli intervistati considera il collegamento dell’AI con i sistemi core una sfida più difficile della tecnologia di intelligenza artificiale in sé. L’81% indica nella qualità o nell’accessibilità dei dati la maggiore barriera alla riuscita dei progetti, mentre il 75% attribuisce un peso rilevante alla mancanza di governance.

Il quadro ridimensiona l’idea secondo cui l’acquisto di un modello avanzato possa compensare una base informativa frammentata. Un sistema di previsione alimentato da dati incoerenti non produce semplicemente una risposta sbagliata: può moltiplicare automaticamente gli errori su ordini, scorte, consegne e investimenti. In uno dei casi riportati da Aptean, un produttore alimentare statunitense ha dovuto interrompere un progetto per la pianificazione delle promozioni perché le informazioni storiche erano disperse tra tabelle personalizzate e sistemi legacy. “Avevamo riposto troppe speranze nei dati a disposizione. Il progetto è fallito immediatamente”, ha spiegato un manager intervistato.

La lezione è rilevante anche per il mercato italiano, dove molte imprese manifatturiere convivono con architetture applicative stratificate e personalizzazioni accumulate nel tempo. L’AI rende più urgente un lavoro già necessario: armonizzare i dati, documentare i processi, costruire interfacce e definire responsabilità chiare.

Il ritorno sull’investimento resta difficile da dimostrare

L’adozione diffusa non coincide automaticamente con la capacità di misurare il valore. Il 43% delle aziende utilizza l’efficienza operativa tra i principali indicatori di successo, il 36% guarda alla riduzione dei costi e il 34% alla qualità e velocità delle decisioni. Soltanto il 32% indica direttamente il ritorno sull’investimento o il periodo di recupero della spesa tra le metriche prioritarie.

Il rischio è che le organizzazioni misurino ciò che è più semplice contare e non ciò che descrive davvero l’impatto sul business. La riduzione del personale, per esempio, può essere immediatamente tradotta in un risparmio, mentre il miglioramento della qualità delle previsioni, la diminuzione degli errori o la capacità liberata per sostenere la crescita richiedono modelli di valutazione più articolati.

Il 92% degli intervistati afferma che il ricorso a competenze esterne aiuterebbe a ricavare più valore dall’AI. La percentuale indica non soltanto una domanda di integrazione tecnica, ma anche una carenza di capacità interne nel costruire business case, Kpi e sistemi di controllo coerenti.

È in questo ambito che la verticalizzazione può offrire un vantaggio ulteriore. Un’applicazione progettata per logistica, manifattura o agroalimentare può incorporare indicatori già vicini alla realtà operativa del cliente. Nel caso di un distributore citato dal report, un sistema specializzato nella lettura di polizze di carico e documenti doganali ha superato il 98% di accuratezza e contribuito a raddoppiare il numero di consegne gestite per addetto.

Le performance migliorano, ma lo studio richiede cautela

Il confronto condotto da Aptean mostra che le organizzazioni che combinano strumenti generalisti e settoriali hanno registrato miglioramenti in tutti gli otto indicatori operativi analizzati rispetto alle aziende che utilizzano esclusivamente piattaforme general purpose. Il 70,6% del primo gruppo ha segnalato un aumento del Net promoter score, contro il 57,2% del secondo. Per la fidelizzazione dei clienti il confronto è tra 78,3% e 71,2%, mentre per l’accuratezza delle previsioni è tra 85,1% e 77%.

Il risultato non implica che i sistemi generalisti debbano essere abbandonati. Indica piuttosto una probabile evoluzione verso architetture ibride: piattaforme orizzontali per attività comuni, applicazioni verticali per processi ad alta complessità e rilevanza competitiva.

Va inoltre considerato un limite metodologico. La ricerca confronta la quota di imprese che ha dichiarato un miglioramento dei Kpi nel corso dell’ultimo anno, ma non misura l’entità del miglioramento e non dimostra che sia stato causato esclusivamente dall’AI. Le aziende che adottano strumenti specializzati potrebbero anche disporre di maggiori competenze digitali, dati più maturi o programmi di trasformazione già avanzati. Il report offre quindi un segnale significativo, non una prova definitiva di causalità.

Shadow Ai, la risposta informale ai limiti degli strumenti aziendali

Quando le soluzioni autorizzate non rispondono alle esigenze operative, i dipendenti cercano alternative. Circa il 40% degli intervistati dichiara di utilizzare sul lavoro strumenti di AI senza approvazione formale. In Francia la quota raggiunge il 50%, nei Paesi Bassi il 47%, in Canada il 43%, in Germania il 39%, negli Stati Uniti il 38% e nel Regno Unito il 30%.

La shadow AI è generalmente trattata come un problema di sicurezza e conformità, ma il report suggerisce una lettura ulteriore: rappresenta anche un indicatore dell’inadeguatezza del portafoglio applicativo ufficiale. Bloccare gli strumenti non autorizzati senza analizzare le ragioni del loro utilizzo rischia di lasciare irrisolti i bisogni che ne hanno favorito la diffusione.

Le conseguenze possono essere rilevanti. Dati riservati, proprietà intellettuale e informazioni commerciali possono finire in servizi che non sono stati sottoposti a valutazioni di sicurezza. Inoltre, le decisioni prese sulla base di contenuti non verificati possono sfuggire ai controlli e agli audit aziendali.

Agenti autonomi, la governance rincorre l’adozione

Il divario diventa ancora più critico con l’AI agentica. L’88% delle organizzazioni incluse nello studio consente già ai sistemi di prendere decisioni autonome in almeno un ambito. Il 49% lo permette nella previsione e pianificazione, il 48% nelle attività rivolte ai clienti e il 42% anche in decisioni strategiche, come la selezione dei fornitori o la pianificazione della capacità.

Il 96% riconosce la necessità di un framework formale di governance, ma il 36% non lo ha ancora costruito. La velocità con cui vengono delegati compiti ai sistemi supera dunque quella con cui vengono definite responsabilità, soglie di accuratezza e procedure di escalation.

Nei settori regolamentati l’errore non si traduce soltanto in un Kpi negativo. Può produrre sanzioni, merci bloccate, violazioni contrattuali o decisioni discriminatorie. La specializzazione del modello può ridurre il rischio derivante dalla mancanza di contesto, ma non sostituisce la governance. Occorrono supervisione umana, registrazione delle decisioni, verifiche indipendenti e una chiara attribuzione delle responsabilità.