Sei già nel top 1% degli utenti AI. Sì, c’è un divario tra te e chi sta sulla frontiera. I ragazzini scatenati che tengono aperti 20 terminal contemporaneamente, con una knowledge base che si riscrive da sola dopo ogni esecuzione.
La brutta notizia è che non li raggiungerai mai. Quella buona è che non ne hai bisogno. Quel divario, quello che hai davanti, è molto più piccolo di quello che hai alle spalle.
Forse non ti sembra di essere nel top 1% perché vedi nerd su X che creano flotte di agenti su due piedi, ma fidati: sei nel top 1%. Probabilmente usi un modello ogni giorno, hai opinioni su come usarlo al meglio, e magari hai anche armeggiato con gli agenti o hai configurato Hermes sul tuo computer.
Dall’altra parte, tra te e il dipendente medio di una grande azienda c’è un baratro. Forse hanno aperto ChatGPT 4 volte in 2 anni. Hanno usato 3.5-turbo e hanno deciso che l’AI era stupida, senza rendersi conto che GPT-5.6 Sol Ultra ha appena prodotto una dimostrazione di una congettura di teoria dei grafi rimasta aperta per 50 anni. Ogni articolo o post sulla strategia AI dà per scontato che questa persona, il dipendente medio, alla fine recupererà terreno.
Te lo dico io: non lo faranno.
Per contesto, sono il CEO di @varickagents. Lavoriamo con le più grandi aziende del pianeta per implementare agenti AI e strategie nelle loro organizzazioni, quindi sappiamo qualcosa della realtà dell’AI nelle aziende.
FIGURA 1 - Il baratro
Il miglior strumento AI del mondo non li ha resi più veloci
Di recente ho parlato con un leader dell’organizzazione operations di un’azienda non tecnica (migliaia di persone). Senza AI, mi ha detto, il suo team andava a un ritmo decente. Nessuna lamentela particolare.
Poi hanno implementato Claude Cowork e indovina un po’? Il team è rimasto allo stesso ritmo. Mi ha chiesto come mai.
Ho visto la stessa divisione in ogni organizzazione. Non importa se sono 50 o 5000 persone: la divisione è sempre la stessa: un bilanciere. Il 5-10% delle persone erano power user. Usavano Cowork ogni giorno, sfruttando skill file, connettori per Outlook e altro. Erano gli evangelisti, quelli che avevano spinto per Claude Cowork fin dall’inizio, perché sperimentano con l’AI fuori dal lavoro e vedono in prima persona quanto può essere impattante.
Del restante 90%, il 20% lo usava un paio di volte al giorno, ma in modo piuttosto scarso. Ne traevano un certo valore, ma una frazione di quello che ottengono le persone di frontiera. E il restante 70% non lo usava per niente.
FIGURA 2 - Un decimo di loro è bravo
Usarlo e usarlo bene sono abilità diverse
Anche tra chi usa l’AI, il divario di competenze è enorme. Gli utenti di AI che non hanno idea di cosa stanno facendo stanno molto peggio dopo l’AI di prima.
Installare Claude, puntarlo su un repository, inviare un prompt di quattro parole e guardare cosa succede (potrebbe essere giusto, potrebbe essere sbagliato) è banale.
Usarlo bene è un’altra abilità. Sapere quando cancellare il contesto. Sapere che quella cosa che hai appena fatto due volte dovrebbe diventare uno skill file che il modello legge ogni volta, invece di un prompt che riscrivi. Sapere quale 15% del progetto di automazione richiede un modello per il giudizio e quale 85% richiede solo codice deterministico. E soprattutto: leggere bene una diff prima di accettarla.
Se dai lo stesso ticket a due ingegneri, questa divergenza diventa evidente nei primi 5 minuti. Il primo si limita a incollare il testo di Jira in Claude e a premere invio. La correzione toccherà sei file, e questo ingegnere la scrollerà velocemente, vedrà che i test passano ancora e poi farà il merge della PR. Tre settimane dopo, quando la produzione inizia a dare problemi, qualcuno si renderà conto che questa PR ha cambiato un valore di configurazione senza motivo.
Il secondo ingegnere parte allo stesso modo. Incolla il testo di Jira, ma poi indica dove si trova il codice nel repository, quali cartelle e file toccare e quali lasciare stare, e ha già degli skill file che garantiscono che ogni PR inviata da Claude sia minimalista invece che prolissa, e sia adeguatamente testata prima dell’invio. Poi legge la diff, becca una modifica fuori posto, la corregge con un prompt rapido, e fa il merge di una PR grande la metà di quella del primo ingegnere.
FIGURA 3 - Stesso strumento, stessa postazione, risultato diverso
Almeno metà di qualsiasi organizzazione non arriverà mai a quella seconda versione. Usare bene l’AI è un mestiere. Ci vuole un’enorme quantità di iterazioni per diventare davvero bravi a usare l’AI, e l’inerzia di chi non è sull’AI è insormontabile per molti. Trasformare un cannone di fuffa in un power user raffinato è altrettanto difficile.
Un rollout perfetto produce comunque un bilanciere
L’obiezione ovvia è: “beh, quelle sono solo aziende che lo stanno facendo male. Io lo farei molto meglio.” No. Anche se lo implementi alla perfezione, otterrai comunque un bilanciere.
Un altro dirigente con cui abbiamo parlato aveva appena finito di distribuire licenze enterprise alla sua organizzazione. Un impegno a otto cifre per l’anno. Circa il 10% delle persone brucia il 90% dei token.
Per dare un’idea: se l’altro 90% usasse l’AI come fa il decile migliore, la spesa salirebbe di circa 10 volte. Un impegno da 10 milioni di dollari diventa 100 milioni, e il tuo scenario migliore diventa il peggiore.
FIGURA 4 - Il 10% delle postazioni brucia il 90% dei token
L’adozione è binaria, l’abilità è uno spettro
L’indagine McKinsey del 2025 dice che l’88% delle organizzazioni usa l’AI in almeno una funzione aziendale. Solo il 6% vede venire da essa più del 5% del proprio EBIT. Un’altra statistica dal report GenAI Divide del MIT NANDA: il 5% dei progetti pilota integrati genera milioni di valore e l’altro 95% non mostra alcun impatto misurabile su P&L.
Se segui l’adozione come metrica, molto probabilmente stai ponendo (al massimo) un’astrazione di una domanda sì/no. “Questa persona ha fatto l’accesso questo mese?” “Questa persona ha fatto l’accesso quest’anno?” “Questa persona ha inviato almeno 5 prompt al giorno?” Se vuoi distinguere tra “non l’ha mai aperto”, “ci incolla le email per riformattarle” e “ha tre agenti in produzione che toccano il libro mastro”, ti serve un sistema di misurazione migliore. Non è il caso per il 99,9% dei tracker di adozione AI enterprise. Ed è stupido, per ovvie ragioni (vedi: bilanciere, sopra).
FIGURA 5 - Cosa nasconde il numero di adozione
Ma il numero è tecnicamente reale, e le persone non mentono sull’adozione. Questo è molto più facile da misurare della cosa a cui tieni davvero: quanto è brava ogni persona a usare l’AI e qual è il suo ROI per token usato?
Ecco perché l’adozione dell’AI è un mito. Se seguissi davvero questa metrica, ti renderesti conto che non c’è speranza per la stragrande maggioranza delle persone di diventare AI-native in azienda. Significa che non hanno valore? Certo che no. Significa solo che il tuo piano di implementazione e rollout va aggiustato di conseguenza.
Ogni incentivo tiene aperto il baratro
La roadmap di ogni vendor AI promette maggiori capacità per gli agenti, ma non dice nulla sulla capacità dei team di usarli in modo efficace. Quindi gli unici che li usano in modo efficace sono gli utenti di frontiera, che sono i più rumorosi, e quindi la loro voce conta. Sono anche i più lusinghieri per cui sviluppare, quindi è un chiaro win-win. Ogni release di funzionalità alza il livello minimo di abilità necessario per usare bene il prodotto, e questo non fa che allargare il baratro tra la frontiera e la maggioranza dell’organizzazione.
Continuo a vedere aziende sedotte dall’idea di “formare i dipendenti su come fare prompt!” Questo è il 10% del gioco. L’altro 90% è “formare i dipendenti a capire quali flussi di lavoro non dovrebbero mai toccare un modello e quali dovrebbero essere interamente automatizzati.” Il motivo per cui non puoi vendere questo con la stessa facilità della formazione sui prompt è che la risposta è diversa in ogni singola azienda, e servono alcune settimane in loco per capirla.
E i ninja dell’AI dentro la tua azienda non hanno alcun incentivo a risolvere la cosa. La loro leva È il baratro. Fanno il loro lavoro il 70% più velocemente e poi possono tirare i remi in barca. Oppure fanno il lavoro di 3 persone. Ma nel momento in cui tutti sono su quell’onda, perdono il loro vantaggio. Perché dovrebbero sistemarla senza un incentivo in più?
Quindi qual è la soluzione?
Beh, devi fare formazione comunque. Non saprai chi è nella fascia alta e chi no finché non lo fai. In questo senso, la formazione è diagnostica, non correttiva. Ci sono sicuramente persone nella tua azienda che sono interessate all’AI ma non hanno il tempo e lo spazio per andare in profondità. Dovresti fare formazione per far emergere le capacità e il livello di dimestichezza di tutti.
Per la tua fascia alta, i tuoi power user, dagli un posto dove pubblicare, come un database condiviso, così che ogni skill che creano venga pubblicata, classificata e installata dagli altri. Questo è l’unico meccanismo che ho visto trasformare la scoperta di una persona in qualcosa di condivisibile. Qui la classifica è l’incentivo: i power user scambieranno il loro vantaggio con lo status nell’organizzazione. Il divario però rimane: puoi mandarlo a tutti e il 50% delle persone non userà mai una skill.
Per tutti gli altri, il lavoro deve essere fatto senza che loro cambino il loro modo di lavorare, il che significa che l’AI va in background. Del resto, perché l’AI deve essere pilotata da un umano? Basta capire quali sono i processi più ripetitivi, creare agenti nei tuoi sistemi di registrazione esistenti che i dipendenti già usano (Salesforce, NetSuite, Dynamics, ecc.) e coinvolgere gli umani solo dove serve una seconda occhiata.
Per esempio: hai decine di analisti AP che spostano fatture tutto il giorno. Il 90% di questo è automatizzabile. Non puoi aspettarti che creino agenti o che si facciano strada con i prompt in modo affidabile senza rompere qualcosa in produzione. Quindi crea gli agenti che girano ogni singolo giorno, e ora questi analisti si limitano ad approvare, rifiutare o modificare il lavoro che gli agenti fanno.
Una cosa che devi ricordare: le persone non cercano uno strumento che le aiuti a fare il lavoro. Vogliono solo che il lavoro sia fatto.
FIGURA 6 - Due percorsi, dimensionati su chi li percorre davvero
Quindi smettila di riportare “adozione” al consiglio di amministrazione. Riporta quale quota del lavoro odierno è manuale, ibrida o completamente automatizzata. Questa è l’unica reportistica e l’unica conversazione che conta.
Come si costruiscono e si mettono in piedi quegli agenti in background? Quello è un altro articolo. Ma per darvi più contesto, è esattamente ciò che facciamo da Varick, ed è l’unica cosa che ha funzionato per i clienti per cui abbiamo implementato l’AI. Sono aziende incredibilmente grandi con migliaia di persone, e il playbook è lo stesso:
Analizziamo dove avviene davvero il lavoro dentro un’organizzazione, poi costruiamo agenti nei tuoi sistemi di registrazione esistenti, così il lavoro si fa senza chiedere a cinquemila persone di diventare brave in un mestiere che non avevano scelto.
Lavoriamo con aziende con oltre 500 milioni di dollari di fatturato, in ambito finance, vendite, procurement, operations, HR e altro. Dai un’occhiata a varickagents.com. E se vuoi altri contenuti come questo, iscriviti alla nostra newsletter su varickagents.com/newsletter.
TLDR
- Probabilmente sei nel top 1% e, anche se c’è ancora un divario davanti a te, dietro di te c’è un baratro. Il dipendente medio della tua azienda è anni luce dietro di te, e il divario aumenta a ogni release.
- Il rollout medio di Claude Cowork o similari funziona così: il 5-10% diventa power user, il 20% lo usa male, il 70% non lo usa quasi per niente, e nulla diventa più veloce, ma bruci sicuramente milioni di dollari.
- Usare uno strumento e usarlo bene sono abilità separate, e almeno metà di qualsiasi organizzazione non lo usa mai bene.
- Un rollout eccezionale non risolve la cosa. Puoi mettere l’AI davanti a migliaia di persone, ma il 10% della tua organizzazione brucerà comunque il 90% dei token.
- Le metriche di adozione comprimono un intero spettro in un sì o no binario, ed è così che ottieni l’88% di adozione mentre solo il 6% vede un impatto reale sull’EBIT.
- Devi formare la fascia alta e pubblicare ciò che costruisce. Per tutti gli altri, metti l’AI in background nei sistemi in cui già lavorano.
