- L'AI non sta migliorando i margini di profitto per le aziende non tecnologiche.
- L'analisi di Apollo Global Management evidenzia una produttività piatta nel S&P 493.
- Il limite dell'AI risiede nella mancanza di giudizio umano, etica e cultura aziendale.
Gli investimenti miliardari nell’intelligenza artificiale non stanno portando i profitti sperati alla maggior parte delle imprese. Secondo Torsten Slok, capo economista di Apollo Global Management, l’entusiasmo attorno all’AI non trova riscontro nei bilanci delle aziende che non appartengono al settore tecnologico.
L’analisi di Slok si concentra sul cosiddetto S&P 493, ovvero l’indice S&P 500 privato delle giganti come Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia e Tesla. In questo gruppo, i margini di profitto e il fatturato per singolo lavoratore sono rimasti sostanzialmente piatti, senza segni evidenti di un aumento della produttività grazie all’AI.
Perché l’AI non sta aumentando la produttività aziendale?
Il problema risiede nella natura stessa della tecnologia. Slok suggerisce che l’AI sia un eccellente calcolatore, ma che nel mondo del business la vera risorsa sia il giudizio umano. Le macchine non comprendono concetti fondamentali come la responsabilità, la fiducia o la cultura aziendale, elementi che invece determinano il rischio reputazionale e, di conseguenza, i ricavi.
Questo scenario descrive un ecosistema in cui i costi operativi per l’addestramento dei modelli sono altissimi. Lo dimostra il caso di Anthropic, che ha registrato perdite miliardarie nel 2025: se i giganti del settore faticano a raggiungere l’equilibrio finanziario, per le aziende non tech il ritorno sull’investimento AI sembra ancora molto lontano.
Il divario tra costi e rendimenti è evidente quando osserviamo i capitali immessi nel settore. Mentre aziende come OpenAI raccolgono capitali enormi da colossi come Amazon e NVIDIA, molte imprese tradizionali faticano a trasformare l’intelligenza a basso costo in una crescita reale del fatturato. La sfida non è solo tecnologica, ma strutturale.
L’ombra del paradosso di Solow
Questo scetticismo non è del tutto privo di precedenti storici nella letteratura economica. Già nel 1987, l’economista Robert Solow osservò come l’informatica, nonostante la sua pervasività, non si riflettesse ancora in modo significativo nelle statistiche sulla produttività nazionale. Il cosiddetto paradosso di Solow suggerisce che i vantaggi derivanti da una tecnologia dirompente non siano immediati, ma richiedano una fase di assestamento in cui le infrastrutture e i processi aziendali vengono completamente ridisegnati per sfruttare le nuove capacità.
L’attuale fase dell’intelligenza artificiale potrebbe trovarsi esattamente in questo limbo, dove l’investimento in capitale è massiccio ma il ritorno è bloccato dalla necessità di una trasformazione strutturale che le aziende non hanno ancora completato.
Nel caso dell’intelligenza artificiale, la transizione sembra essere ancora ostacolata da quello che gli esperti definiscono il debito dei dati. Molte aziende operano con sistemi legacy o architetture di dati frammentate, creando silos informativi che impediscono ai modelli linguistici di accedere a una conoscenza coerente e accurata. Senza una base di dati pulita, strutturata e accessibile, l’integrazione dell’AI si riduce a un esercizio di costosa sperimentazione piuttosto che a un motore di efficienza operativa, rendendo l’implementazione un costo fisso piuttosto che un investimento generativo.
La curva di apprendimento e il calo della produttività iniziale
Un altro fattore determinante riguarda la dinamica della curva di adozione tecnologica. Quando una nuova tecnologia viene introdotta, si verifica spesso un calo temporaneo della produttività, noto come effetto curva a J. Le organizzazioni devono affrontare costi di formazione del personale, tempi di adattamento ai nuovi flussi di lavoro e la necessità di correggere gli errori generati da un uso ancora immaturo degli strumenti. Questo periodo di instabilità può durare diversi anni prima che i benefici netti inizino a superare i costi di implementazione, creando un disallineamento temporaneo tra quanto l’azienda spende e quanto effettivamente produce.
Inoltre, la complessità di integrare l’AI nei processi decisionali richiede un cambiamento culturale che va oltre la semplice acquisto di licenze software. La necessità di stabilire nuovi protocolli di governance, garantire la sicurezza dei dati e definire chi sia responsabile dell’output generato dalle macchine aggiunge strati di complessità burocratica e tecnica. Finché queste barriere non verranno abbattute, l’impatto economico dell’intelligenza artificiale rimarrà confinato a una fase di investimento intensivo, con rendimenti che sembrano sfuggire sistematicamente alle previsioni più ottimistiche del mercato.
Il rischio di una concentrazione monopolistica dei guadagni
Esiste poi una questione di distribuzione del valore che potrebbe spiegare l’attuale stagnazione dei margini per le imprese non tecnologiche. Se l’intelligenza artificiale diventa un servizio essenziale, il valore economico si sposterà inevitabilmente dai consumatori di tecnologia ai produttori della tecnologia stessa. In questo scenario, le aziende che utilizzano l’AI per ottimizzare i propri processi rischiano di vedere gran parte del risparmio ottenuto trasferirsi direttamente ai fornitori di cloud e di modelli linguistici, sotto forma di canoni di abbonamento e costi di elaborazione.
Questo meccanismo potrebbe creare un circolo vizioso in cui l’efficienza guadagnata dall’utente finale viene assorbita dai margini di giganti come Microsoft o Nvidia, lasciando le aziende tradizionali in una condizione di neutralità finanziaria o, peggio, di erosione dei profitti.
L’onere della supervisione e il paradosso della verifica
Un elemento operativo che contribuisce a questo stallo è la necessità di una supervisione umana costante. Poiché i modelli attuali sono ancora soggetti a allucinazioni e a errori logici, l’automazione completa rimane un obiettivo lontano per molti settori critici. Le aziende non stanno semplicemente sostituendo il lavoro umano con quello delle macchine, ma stanno spesso trasformando il ruolo dei dipendenti da esecutori a supervisori.
Questo passaggio richiede una nuova competenza specifica per validare l’accuratezza degli output, trasformando quello che doveva essere un risparmio di manodopera in un nuovo costo operativo legato alla gestione della qualità e alla mitigazione del rischio.
A questo si aggiunge il passaggio strutturale da modelli di spesa CapEx a modelli OpEx. Mentre in passato l’acquisto di software tradizionale prevedeva spesso un investimento iniziale in licenze che poi si stabilizzava nel tempo, l’adozione dell’AI si basa prevalentemente sul consumo di risorse di calcolo via cloud.
Questo significa che i costi operativi sono direttamente proporzionali all’intensità d’uso. Per molte imprese, questo si traduce in una spesa costante e crescente che non permette di beneficiare delle classiche economie di scala, mantenendo i margini compressi nonostante l’aumento della capacità computazionale disponibile.
