Lo studio McKinsey “The State of AI in 2025” mostra un’adozione dell’intelligenza artificiale in aumento, con un utilizzo diffuso ma spesso limitato a sperimentazioni o progetti pilota. Il report evidenzia differenze significative tra le organizzazioni che riescono a ottenere valore dall’AI e quelle che faticano a farlo, mostrando come competenze, processi e struttura organizzativa influenzino la capacità di passare dai pilota all’uso operativo.
L’articolo sintetizza i risultati principali e approfondisce il ruolo delle competenze specialistiche nel successo dei progetti di intelligenza artificiale in PMI e startup.
Il report McKinsey “The State of AI in 2025”, basato su un campione globale composto da quasi duemila partecipanti, analizza lo stato dell’intelligenza artificiale all’interno delle organizzazioni.
La tecnologia è ormai diffusa in modo capillare, ma questa crescita non coincide ancora con una trasformazione completa dei processi: l’intelligenza artificiale è presente, ma la sua integrazione resta spesso superficiale. Molte aziende adottano strumenti avanzati, ma non hanno ancora sviluppato le condizioni per scalare la tecnologia e renderla parte del lavoro quotidiano.
Il report evidenzia differenze nette tra le organizzazioni che riescono a ottenere valore dall’intelligenza artificiale (c.d. "high performer") e quelle che restano nella fase di sperimentazione. Il divario riguarda la capacità di estendere i casi d’uso, disporre di infrastrutture adeguate e sostenere una governance stabile dei modelli nel tempo.
Questa distanza nasce dal fatto che molte organizzazioni non dispongono delle condizioni necessarie per passare dai pilota all’uso operativo. Il resto dell'articolo analizza i livelli di adozione, le barriere più ricorrenti e gli elementi organizzativi che caratterizzano le realtà "high performer".
Note:
La diffusione dell’intelligenza artificiale è ampia, ma la maturità resta limitata: l’88 per cento delle aziende utilizza l’AI, ma solo una minoranza va oltre sperimentazione e pilota.
L’adozione dell’intelligenza artificiale ha raggiunto livelli elevati: 88% delle organizzazioni dichiara di utilizzare almeno una applicazione basata sull’AI. Il dato rappresenta un aumento rispetto alle rilevazioni precedenti e conferma una diffusione trasversale.
Le aziende impiegano l’AI per attività come:
Questa presenza capillare indica un interesse crescente e un ampliamento delle applicazioni. Tuttavia, l’adozione non è sinonimo di maturità. L’utilizzo è spesso localizzato e non allineato con un processo di integrazione strutturata.
La maggior parte delle aziende si ferma alle fasi iniziali: due terzi delle aziende si trovano ancora nelle prime fasi del percorso di adozione: sperimentazione e pilota.
In cosa consistono queste fasi?
Queste fasi rappresentano momenti utili per esplorare le potenzialità dell’AI, ma non generano un impatto trasversale.
Solo circa un terzo delle aziende ha iniziato a scalare l’AI in modo significativo, integrando più casi d’uso o estendendo la tecnologia a diversi processi. Il divario tra utilizzo dichiarato e integrazione reale è evidente. Le imprese utilizzano l’AI, ma non la incorporano stabilmente nelle proprie attività.
Gli agenti AI sono promettenti, ma ancora poco diffusi e perlopiù in fase di sperimentazione.
Il report mcKinsey dedica una sezione specifica agli AI agents, sistemi basati su modelli fondamentali in grado di eseguire sequenze di attività e gestire task complessi. L’adozione di queste soluzioni è ancora contenuta:
Gli AI agents sono più presenti in funzioni come IT e knowledge management, dove trovano spazio in casi d’uso legati a gestione delle richieste interne, ricerca avanzata di informazioni e automazione di flussi di lavoro articolati.
In sintesi, l’adozione dell’intelligenza artificiale è ampia e in crescita, ma il livello di maturità resta basso e la tecnologia non ha ancora un impatto significativo sui processi aziendali.
Le aziende "high performer" stanno scalando più velocemente l'AI grazie a risorse dedicate, infrastrutture più solide e una governance più strutturata.
Il report evidenzia un aspetto cruciale: la scalabilità dipende dalle condizioni organizzative che ne permettono l’uso operativo.
Le realtà che dichiarano benefici significativi dall’AI presentano caratteristiche ricorrenti:
Le aziende identificate come “AI high performers” presentano una visione e una strategia per l’intelligenza artificiale chiaramente definite. La leadership è allineata sugli obiettivi e sulla creazione di valore e dispone di una roadmap che articola iniziative e casi d’uso prioritari, in coerenza con la strategia complessiva dell’organizzazione.
Queste organizzazioni investono in programmi di formazione mirati per sviluppare competenze AI interne e adottano una strategia per attrarre, integrare e trattenere professionisti con skill tecniche specifiche. La pianificazione della forza lavoro tiene conto dell’impatto dell’AI sui ruoli e sulle attività future.
Gli high performers mostrano un coinvolgimento attivo dei leader nelle iniziative AI e adottano un modello di governance che collega e coordina gli sforzi tra funzioni. Ripensano i processi operativi per integrare l’AI nel lavoro quotidiano, utilizzano team con modalità di lavoro agili, accelerano i cicli di sviluppo e applicano un approccio iterativo alla costruzione e al miglioramento delle soluzioni.
Queste organizzazioni dispongono di un’infrastruttura tecnologica e di un’architettura in grado di sostenere progetti AI avanzati e l’adozione di tecnologie aggiornate. L’ambiente tecnico è progettato per supportare l’implementazione, l’evoluzione e la gestione delle soluzioni AI.
Gli high performers sviluppano "data product" (set di dati organizzato come un prodotto riutilizzabile, costruito per servire uno o più casi d’uso aziendali) riutilizzabili e orientati a specifici obiettivi di business. I dati non sono trattati come asset generici, ma organizzati in prodotti strutturati che supportano casi d’uso e applicazioni in modo scalabile.
Infine, queste organizzazioni definiscono processi che stabiliscono quando è necessaria la validazione umana degli output dei modelli. Integrano l’AI nei workflow, comprese le attività operative quotidiane e le interfacce utilizzate dal personale. Monitorano inoltre KPI specifici delle soluzioni AI per valutarne prestazioni, rischi ed evoluzione.
Tra i fattori associati alla capacità di scalare emerge la disponibilità di competenze specialistiche.
Il report mostra che figure come data engineer, machine learning engineer, software engineer, data scientist, data architect e AI product manager sono più presenti nelle organizzazioni che riescono a estendere l’AI su più processi.
Queste competenze garantiscono qualità dei dati, integrazione tecnica, monitoraggio continuo e gestione degli aspetti critici dei modelli.
Le organizzazioni con ricavi superiori a un miliardo di dollari hanno assunto con maggiore frequenza ruoli tecnici avanzati, mentre le aziende più piccole ne dispongono meno. La presenza di queste competenze contribuisce a spiegare perché le organizzazioni più strutturate riescano più spesso a rendere l’AI operativa su scala più ampia.
I vantaggi emergono su costi, ricavi e dimensioni qualitative come innovazione e soddisfazione dei clienti.
Le diminuzioni dei costi sono più frequenti in software engineering, manufacturing e IT.
L’intelligenza artificiale contribuisce a incrementare i ricavi in funzioni come marketing e vendite, strategia e finanza e sviluppo prodotto.
Le principali applicazioni riguardano:
Il report evidenzia un impatto elevato sull’innovazione: il 64% delle aziende dichiara miglioramenti in quest’area.
Anche soddisfazione dei clienti e differenziazione competitiva mostrano risultati significativi.
L’AI porta valore quando è inserita in funzioni con processi chiari e una maggiore disponibilità di dati di qualità.
L’integrazione efficace dell’AI richiede profili specializzati e ruoli dedicati alla gestione di dati, modelli e architetture.
L’estensione dell’intelligenza artificiale si basa su competenze avanzate nella gestione dei dati, nello sviluppo dei modelli e nell’integrazione tecnica.
Il report McKinsey mostra che le aziende che superano la fase di pilota dispongono di figure in grado di strutturare i dati, sviluppare modelli affidabili e industrializzare le soluzioni su architetture scalabili.
McKinsey include tra le competenze AI le seguenti:
Costruisce, ottimizza e mantiene pipeline dati complesse. Garantisce qualità, coerenza e disponibilità del dato.
Ruolo nel ciclo di vita dell’AI:
Sviluppa, ottimizza e porta in produzione modelli di machine learning, assicurando continuità e affidabilità.
Ruolo nel ciclo di vita dell’AI:
Integra modelli AI nei sistemi aziendali tramite API, backend e applicazioni su larga scala.
Ruolo nel ciclo di vita dell’AI:
Sperimenta, modella e valida soluzioni AI basate su dati complessi.
Ruolo nel ciclo di vita dell’AI:
Definisce l’architettura dati aziendale e stabilisce standard, sicurezza e governance.
Ruolo nel ciclo di vita dell’AI:
Guida l’intero ciclo del “prodotto AI”: roadmap, KPI, priorità, governance.
Ruolo nel ciclo di vita dell’AI:
Le aziende ad alte prestazioni o "high performer", che integrano l'AI in più processi aziendali e ottengono risultati misurabili, hanno configurazioni organizzative più avanzate.
Il report McKinsey AI 2025 mostra che le organizzazioni più mature nell’uso dell’AI dispongono di competenze tecniche dedicate - come data engineer, machine learning engineer, software engineer, data architect e AI product manager - che permettono di sviluppare, industrializzare e monitorare i modelli.
Questi ruoli rendono possibile trasformare i prototipi in soluzioni operative e distribuire l’AI su più processi. Senza questa combinazione di professionalità e governance, anche iniziative promettenti tendono a rimanere nella fase di pilota.
Le aziende "high performer", che adottano l’AI in modo più maturo, prevedono ruoli dedicati alla supervisione dell’intero ciclo di vita dei modelli:
L’estensione dell’AI richiede competenze dedicate e processi tecnici strutturati. Le aziende che li sviluppano riescono a trasformare i prototipi in soluzioni operative e a distribuirli su più funzioni.
Lo studio McKinsey mostra coma l'’adozione efficace dell’intelligenza artificiale dipenda da diversi fattori, come infrastrutture, processi, governance e competenze specialistiche: queste ultime rappresentano un elemento particolarmente rilevante per rendere operative le soluzioni e mantenerle nel tempo.
Ruoli come data engineer, machine learning engineer, software engineer, data scientist e data architect, insieme all’AI product manager, sono presenti con maggiore frequenza nelle aziende high performer, cioè quelle che riescono a utilizzare l’AI su più processi e a ottenere risultati migliori. Queste organizzazioni (spesso di grandi dimensioni e con livelli di maturità più elevati) dispongono di team che presidiano dati, modelli e architetture, assicurando qualità, continuità e sicurezza. È questa configurazione che consente di andare oltre la fase di pilota e rendere l’AI parte dei processi operativi.
PMI e startup si trovano in una situazione diversa ed è comprensibile: dispongono di volumi di dati più ridotti, infrastrutture meno mature e organici limitati. Soprattutto, non possono sostenere l’assunzione stabile delle competenze necessarie per far funzionare l’AI su larga scala. Il risultato è una distanza crescente tra sperimentazione e implementazione, con iniziative che spesso rimangono isolate o non vengono consolidate nei processi.
myFractional Tech risponde a questo problema offrendo a PMI e startup l’accesso a competenze tech & AI, con una formula flessibile e su misura in base all'esigenza specifica, per un numero di giornate a settimana definito.
Con questo modello, le imprese possono integrare figure come ad esempio data architect, ML engineer o AI product manager per progetti mirati, senza i vincoli di un’assunzione tradizionale. Possono inoltre calibrare le risorse AI in base alla fase in cui si trovano, dalla sperimentazione iniziale all'integrazione diffusa nei processi aziendali.
Perché mancano productization, redesign dei processi e infrastrutture adeguate.
Riduzioni dei costi in software engineering, manufacturing e IT. Incrementi dei ricavi in marketing e vendite, strategia e finanza, sviluppo prodotto.
Le professioni centrali sono data engineer, machine learning engineer, software engineer, data scientist, data architect, AI product manager, prompt engineer, specialisti di compliance ed etica, data visualization specialist e AI business translator.
Integra i modelli nei sistemi dell’azienda, costruisce API, backend e automazioni necessarie a rendere la soluzione operativa.
Il data engineer prepara e struttura i dati: crea pipeline, pulisce i dataset e garantisce standard di qualità.
Il machine learning engineer sviluppa, ottimizza e porta in produzione i modelli, mentre il data scientist lavora sulle fasi iniziali di prototipazione.
Il software engineer trasforma il modello in un’applicazione utilizzabile, costruisce API e collega l’AI ai processi interni.
Attraverso esperti AI in modalità fractional, inseriti nei progetti solo per il tempo necessario, senza i costi e i vincoli di un team interno dedicato.
McKisney, The state of AI in 2025 - Agents, innovation and transformation, Novembre 2025: https://www.mckinsey.com/~/media/mckinsey/business%20functions/quantumblack/our%20insights/the%20state%20of%20ai/november%202025/the-state-of-ai-2025-agents-innovation_cmyk-v1.pdf?utm_source=enterpriseaiexecutive.ai&utm_medium=referral&utm_campaign=mckinsey-s-state-of-ai-2025