La survey McKinsey 2025 mostra un paradosso: l’adozione è diventata routine, ma lo “scaling” enterprise e l’impatto economico restano l’eccezione. La differenza non la fa la tecnologia: la fa l’organizzazione.

Tutti ne parlano, quasi tutti la usano- ma pochissimi la stanno trasformando in un vantaggio gestionale misurabile. È questo il messaggio meno scontato che emerge da The State of AI 2025 di McKinsey: l’AI è entrata nel lavoro quotidiano (88% delle organizzazioni dichiara un uso regolare in almeno una funzione), però la maggioranza resta bloccata nella terra di mezzo tra entusiasmo e trasformazione (quasi due terzi non ha ancora avviato uno scaling enterprise-wide). In altre parole: l’AI sta diventando un’abitudine di reparto più che una capacità d’impresa.

Adozione “a isole”: molti casi d’uso, poca architettura

La survey di McKinsey, aggiornata a novembre 2025, suggerisce una diffusione per contagio, non per strategia: oltre due terzi usa l’AI in più di una funzione e circa metà in tre o più funzioni. Tradotto: si accumulano use case, ma manca spesso un “sistema operativo” comune, regole, ruoli, processi, metriche. È qui che si gioca la distanza tra sperimentazione e trasformazione: migliorare singoli task è facile; ridisegnare end-to-end è ciò che sposta davvero l’ago.

AI agents: curiosità alta, scala bassa (e non è un caso)

Il 2025 segna l’ingresso degli AI agents nel lessico dei decision maker: il 62% dice di essere almeno in sperimentazione. Ma quando si guarda alla scala la musica cambia: solo il 23% dichiara di star scalando sistemi agentici in qualche parte dell’azienda e, dentro le singole funzioni, la quota di chi scala non supera il 10%.

Valore economico: tanta innovazione, poco EBIT ((Earnings Before Interest and Taxes) 

Secondo i dati del report il 64% delle aziende vede l’AI come leva di innovazione, ma solo il 39% le attribuisce un impatto sull’EBIT a livello enterprise (spesso dichiarato sotto il 5%). L’AI genera micro-miglioramenti facilmente; ma per spostare un indicatore economico servono altre scelte (priorità, budget, governance, e soprattutto processi ripensati.)

Il vero benchmark: non chi “usa”, ma chi “ridisegna”

McKinsey individua un gruppo ristretto di AI high performers (6%): si distinguono perché sono circa 3 volte più propensi a ridisegnare i workflow e perché fanno scelte di investimento nette, oltre un terzo destina più del 20% del digital budget all’AI. Il vero vantaggio, però, non nasce dai prompt, ma dalle decisioni organizzative.

Rischi: non incidenti rari, ma gestione ancora immatura

Infine, il 51% di chi usa AI dichiara almeno una conseguenza negativa; tra le più citate spiccano le inaccuratezze (quasi un terzo). In media le aziende passano dal gestire 2 rischi (2022) a 4 oggi: governance e risk management diventano acceleratori competitivi, non solo compliance. 

Se l’AI è ormai diffusa ma lo scaling è raro, allora la competenza chiave non è “sapere cos’è un LLM”, ma saper progettare il lavoro con l’AI dentro:

• scegliere pochi casi d’uso ad alto impatto e misurarli;
• definire responsabilità e controlli (chi risponde di cosa);
• ridisegnare workflow end-to-end (non task isolati);
• impostare governance e risk management come acceleratori, non freni.

La domanda vera per il management, dunque, non è “quale tool adottiamo?”, ma: quale parte del nostro lavoro siamo disposti a riprogettare davvero, con responsabilità, controlli e metriche, per trasformare l’AI da iniziativa in capability?