In sintesi · lettura 5 min
- Il 70% dei CMO considera l’AI una priorità, ma solo il 30% ha capability mature per scalarla (Gartner 2026).
- Solo il 5% delle organizzazioni ha processi altamente pronti per gli agenti AI (Deloitte).
- Il valore arriva quando l’AI ridisegna workflow e modelli di business, come per Esprinet e Class Editori.
Il 2023 è stato l’anno della scoperta, il 2024 quello dei primi esperimenti, il 2025 quello dei copilot. Il 2026 sta diventando l’anno in cui molte aziende scoprono una verità meno spettacolare ma molto più importante:
Mettere l’AI sopra un processo mediocre produce soprattutto un processo mediocre più veloce.
I dati mostrano bene la distanza tra entusiasmo e maturità. Il CMO Spend Survey 2026 di Gartner indica che il 70% dei CMO considera prioritario diventare leader nell’AI e che il 15,3% del budget marketing è ormai destinato a iniziative AI, ma soltanto il 30% dichiara capability abbastanza mature per scalarla.
BCG trova una contraddizione simile: il 96% dei 300 CMO intervistati ritiene che l’AI stia guidando una trasformazione end-to-end del marketing, ma il 42% la utilizza ancora soprattutto per assistere attività umane discrete. Meno di un terzo è arrivato a workflow guidati da agenti e soltanto l’8% utilizza campagne in cui più agenti operano autonomamente.
La prossima frontiera non è il prompt. È il processo
Deloitte stima che entro quattro anni il 74% dei leader si aspetti che quasi metà dei processi aziendali venga ridisegnata o ricostruita attorno agli agenti AI. Eppure oggi soltanto il 5% delle organizzazioni considera i propri processi altamente preparati agli agenti, e appena il 15% ha scalato sistemi multi-agent orchestrati tra diverse funzioni.
Questa distanza è probabilmente il vero tema dell’AI transformation. Non scegliere il modello migliore, ma capire: quale lavoro dovrebbe essere svolto diversamente?
Da use case isolati a sistema operativo
Un buon progetto AI dovrebbe iniziare da workflow reali. Prendiamo un’attività commerciale: un agente può preparare il meeting analizzando CRM, email, customer history e mercato; durante la riunione può estrarre decisioni e next step; dopo può aggiornare il CRM, predisporre una proposta, preparare un follow-up e ricordare al sales manager gli impegni.
A quel punto non abbiamo automatizzato un task: abbiamo ridisegnato un pezzo del lavoro. Ed è qui che l’impatto cambia scala.
Il caso Esprinet: partire dal lavoro quotidiano
Nel 2026 Esprinet ha esteso Microsoft Copilot nella propria organizzazione e sviluppato agenti specifici per diverse attività. Secondo il case study Microsoft, il progetto ha generato benefici interni di produttività e ha coinvolto anche l’ecosistema di oltre 34.000 reseller: più di 5.000 partner hanno utilizzato le soluzioni, riducendo in alcuni casi fino al 50% il tempo dedicato alle attività ripetitive.
La lezione è che l’AI non rimane confinata nel dipartimento IT: diventa capability distribuita.
Il caso Class Editori: un patrimonio esistente diventa un nuovo prodotto
Class Editori ha utilizzato Google Cloud per costruire MFGPT, un agente finanziario basato su quarant’anni di archivio editoriale e dati finanziari in tempo reale. Il progetto non si è limitato a migliorare la produttività interna: ha creato un nuovo servizio, convertito utenti trial in abbonati e generato accordi B2B.
È forse il passaggio più importante. L’AI può ridurre i costi, ma la vera trasformazione inizia quando permette di creare prodotti, servizi o business model che prima non erano economicamente possibili.
Technology last
Prima di scegliere piattaforme e modelli servono alcune decisioni organizzative:
- Quali processi vogliamo trasformare?
- Quali dati servono?
- Dove deve rimanere una decisione umana?
- Chi è responsabile dell’output dell’agente?
- Come misuriamo il valore?
- Come proteggiamo dati, brand e clienti?
Deloitte rileva che, nonostante la rapida diffusione dell’agentic AI, soltanto una società su cinque dispone di un modello maturo di governance per agenti autonomi. Governance ed execution non sono il freno all’AI: sono ciò che permetterà di scalarla.
Il punto di vista Step Change
Una AI strategy efficace non dovrebbe produrre una lista di tool, ma una mappa della trasformazione: partire dai processi e dai pain point, valutare valore e fattibilità, scegliere pochi use case ad alto impatto, ridisegnare workflow e responsabilità, costruire governance, formare le persone, misurare e scalare ciò che funziona.
In altre parole, passare da “dove possiamo usare l’AI?” a una domanda molto più potente: “se oggi potessimo riprogettare questa azienda sapendo che esiste l’AI, continueremmo davvero a lavorare nello stesso modo?”
Spunto di lavoro
Scegliete un processo aziendale che coinvolge almeno tre persone, cinque passaggi e più sistemi. Invece di chiedervi come automatizzare ogni attività, provate a immaginare come lo progettereste oggi partendo da zero.