La maggior parte della spesa per l'IA aziendale non è ancora uscita dal laboratorio.

      Nuove ricerche mettono un numero preciso su qualcosa che molti leader IT sospettavano già. La maggior parte dei progetti pilota di IA non arriva mai in produzione, e la spesa dietro di essi non sta scomparendo, è semplicemente in attesa. Jon Bitz, chief relationship officer e co-fondatore di KloudStax, afferma che questo limbo non è il fallimento che sembra dall'esterno. I numeri continuano a collocarsi nello stesso quartiere, indipendentemente da chi conta. L'ultima ricerca di Forrester sull'IA agentica ha trovato che tre quarti dei leader aziendali affermano di adottarla, ma solo una piccola minoranza la sta utilizzando in qualcosa di più di semplici progetti pilota limitati. Gartner prevede che entro il 2026, le organizzazioni abbandoneranno il 60% dei progetti di IA che non sono supportati da dati pronti per l'IA e infrastrutture di integrazione. E l'indagine aziendale di Deloitte ha rilevato che più di un terzo delle aziende sta ancora utilizzando l'IA a un livello superficiale, con pochi cambiamenti reali nel modo in cui lavorano quotidianamente. Mettendo insieme questi dati, inizia a formarsi un modello. Le imprese stanno approvando i budget per l'IA più velocemente di quanto stiano convertendo quella spesa in qualcosa che assomigli a un sistema funzionante e ripetibile, e il divario tra i due è diventato una delle domande aperte più scomode nel cloud aziendale in questo momento. La spesa non è sprecata, è parcheggiata. Jon Bitz, che trascorre la maggior parte del suo tempo all'interno di queste conversazioni di budget come partner di Google Cloud, non pensa che la situazione sia così cupa come i numeri di abbandono fanno sembrare. "Una parte significativa della spesa per il cloud IA sta ancora avvenendo in pre-produzione, e questo non è un male", ha detto Bitz. "Test, sperimentazione e validazione sono tutte parti critiche per adottare correttamente l'IA. Hai bisogno di quella fase per capire cosa funziona e cosa no." Dove vede un vero problema è quanto a lungo quella fase tende a trascinarsi senza che nessuno intervenga per farla progredire. "In alcuni casi, una grande quantità di ciò che viene finanziato non ha ancora trovato la sua strada in un flusso di lavoro di produzione stabile e ripetibile", ha detto. La sua lettura sulla soluzione non è di tagliare il budget per la sperimentazione, che è l'istinto a cui molte squadre finanziarie si rivolgono una volta che i numeri dei piloti diventano scomodi. È di essere più deliberati nel convertire ciò che la fase di sperimentazione insegna effettivamente a un'organizzazione in qualcosa che viene realizzato. "Il nostro obiettivo non è necessariamente ridurre la sperimentazione, ma convertirla", ha detto Bitz. "Prendere ciò che si sta imparando e trasformarlo in sistemi di produzione, in modo che la spesa si sposti dai test a carichi di lavoro che stanno effettivamente generando valore all'interno dell'azienda." Dove i soldi vanno effettivamente a lavorare. Chiedi a Bitz dove la spesa per il cloud sta già dando risultati e lui indica un luogo meno appariscente rispetto alla maggior parte dei titoli sull'IA dell'ultimo anno. Non nuove versioni di modelli, non finestre di contesto più grandi, solo le cose poco glamour che stavano già facendo funzionare un'azienda prima che l'IA generativa si presentasse. "Il valore reale sta emergendo nell'automazione dei flussi di lavoro core, prendendo processi manuali e dispendiosi in termini di tempo e trasformandoli in sistemi pronti per la produzione", ha detto, indicando le operazioni di supporto, l'output ingegneristico e l'IA integrata direttamente nei flussi di lavoro generativi di entrate come i luoghi in cui sta atterrando. La cattiva allocazione, nella sua esperienza, tende a seguire un copione familiare. I team inseguono un modello migliore o attivano più GPU perché quella parte è facile, mentre il lavoro più difficile di strutturare i dati e definire i flussi di lavoro viene saltato. "Se i dati non sono strutturati e i flussi di lavoro non sono chiaramente definiti, diventa molto difficile spostare qualsiasi cosa in produzione", ha detto Bitz. Le fatture degli hyperscaler stanno ricevendo maggiore attenzione, non meno fiducia. C'è stata anche una conversazione più forte ultimamente su se le imprese stiano iniziando a opporsi ai prezzi degli hyperscaler stessi, specialmente mentre i carichi di lavoro di IA rendono più difficile prevedere le fatture mensili. I dati sullo Stato del Cloud 2026 di Flexera confermano questo dal lato finanziario, con l'imprevedibilità dei costi legata ai carichi di lavoro dinamici di IA che emerge come uno dei principali ostacoli segnalati dalle imprese, e quasi la metà delle grandi organizzazioni ora gestisce una funzione di governance dell'IA dedicata per tenerla sotto controllo. Bitz afferma che questo non sta portando a una vera opposizione alle piattaforme stesse in ciò che sente nella pratica. "Stiamo iniziando a vedere maggiore scrutinio, ma non così tanta opposizione agli hyperscaler stessi o al valore delle soluzioni e delle piattaforme", ha detto. "Si tratta più di come la spesa è strutturata e gestita." Le domande che le aziende stanno effettivamente ponendo tendono a essere più ristrette rispetto a un referendum sui prezzi del cloud: cosa sta effettivamente guidando la fattura, cosa è legato alla produzione rispetto ai piloti e alle prove di concetto, e dove c'è spazio per ottimizzare. Questo scrutinio sta spingendo le aziende verso scelte architettoniche più opinabili, servizi e carichi di lavoro serverless e gestiti dimensionati a ciò di cui hanno realmente bisogno, insieme a una governance più rigorosa su chi può attivare cosa. Anche i partner stanno assumendo una parte maggiore di quel lavoro di ottimizzazione. "Si tratta meno di sfidare il prezzo e più di chiedere come utilizzare correttamente queste piattaforme", ha detto Bitz. "Quando l'architettura, i dati e i modelli di utilizzo sono giusti, l'economia tende a seguire." L'inefficienza ha una traccia cartacea, e raramente inizia con il calcolo. È tentante trattare le fatture del cloud IA fuori controllo come un problema di calcolo, poiché quella è la voce che tutti possono vedere. Bitz afferma che quasi mai è lì che si trova la vera storia. "Il calcolo è una cosa facile a cui puntare, ma nella maggior parte dei casi, la spesa inefficiente è davvero un riflesso delle lacune nei dati, nell'architettura, nella governance e nei flussi di lavoro non definiti", ha detto. Lanciare un modello più grande o più GPU su un sistema che non è mai stato progettato per supportare l'IA in primo luogo non risolve il disordine sottostante, rende solo la stessa incoerenza più costosa da gestire. Come ha detto Bitz, l'IA non sta creando nuovi problemi all'interno di un'organizzazione, ma amplifica quelli che erano già presenti. Il divario tra grandi budget e piccoli non riguarda davvero il budget. C'è una preoccupazione separata che attraversa molte conversazioni nel mercato medio in questo momento, ovvero che i prezzi del cloud e la complessità dell'infrastruttura stiano silenziosamente ampliando il divario tra le aziende che possono permettersi di sperimentare con l'IA e quelle che non possono. Bitz pensa che il divario sia reale, ma che le persone stiano puntando alla causa sbagliata. "La complessità gioca un ruolo maggiore rispetto a un semplice divario di budget tra SMB, mercato medio e imprese, anche se la barriera all'ingresso è reale", ha detto. Le organizzazioni più grandi hanno spazio per assorbire alcuni errori costosi lungo il cammino. Quelle più piccole non hanno la stessa margine di errore, quindi finiscono per dover essere più precise fin dall'inizio piuttosto che meno ambiziose. "Le aziende che vediamo vincere con l'IA non sono necessariamente quelle che spendono di più, ma quelle che implementano i sistemi più puliti attorno a casi d'uso ben definiti", ha detto Bitz. Cosa succede nei prossimi anno e mezzo. Bitz non si aspetta che la spesa per l'IA rallenti, ma pensa che la conversazione all'interno delle imprese stia già cambiando verso la responsabilità piuttosto che la semplice scala. Sta osservando le organizzazioni che spostano il lavoro di prova di concetto su KPI reali a livello di produzione, prestando maggiore attenzione all'economia unitaria come il costo per output o per flusso di lavoro, team