Il 91% delle aziende mid-market dichiara di avere fiducia nelle proprie competenze interne in materia di AI. Il 10% ha effettivamente portato tutte le proprie iniziative AI oltre la fase pilota (IT Brief UK, 2026).
Stessi 500 rispondenti. Stessa indagine. Stesse sei settimane di rilevazione.
La distanza tra questi due numeri è il punto in cui i piloti AI del mid-market vanno a morire — e il motivo per cui la maggior parte muore non è quello che viene finanziato. Quando agli stessi dirigenti è stato chiesto perché i progetti si fossero arenati, il 48% ha indicato la mancanza di competenze AI. Stanno cioè attribuendo la colpa esattamente a quella capacità che poco prima si erano autovalutati al 91%.
Non è un divario di competenze. È un errore diagnostico, e costa caro.
Che cosa ha misurato davvero l'indagine Klarus
Klarus, insieme a Vitreous World, ha pubblicato il proprio studio sull'AI nel mid-market l'8 luglio 2026. Il campione: 500 decision-maker senior di aziende di Regno Unito e Irlanda con ricavi tra 200 milioni e 2 miliardi di sterline e tra 300 e 3.000 dipendenti — proprietari, C-suite, VP, direttori e responsabili di funzione con autorità sulle decisioni tecnologiche (IT Brief UK, 2026).
L'adozione non è il problema. Il 73% aveva implementato l'AI in modo parziale o completo. Tra chi l'aveva esplorata, solo il 10% aveva portato oltre il pilota tutte le iniziative — lasciando il 90% con lavori fermi o bloccati nelle fasi iniziali (Klarus, 2026).
Questo segmento non è marginale. Klarus cita dati NatWest secondo cui il mid-market britannico genera il 30% del valore aggiunto lordo pur rappresentando lo 0,5% delle imprese. Un tasso di stallo del 90% in quella fascia non è una curiosità del settore tecnologico. È una voce di produttività nazionale — e, più immediatamente, il vostro budget operativo.
L'inversione fiducia–competenza
Leggete insieme i due dati principali e compare una patologia precisa.
91% di fiducia nelle competenze interne. 48% che indica la mancanza di competenze come causa della morte dei piloti. 39% che nomina la "costruzione di competenze interne" come priorità dei prossimi dodici mesi.
Questi tre numeri non possono descrivere accuratamente tutti la stessa organizzazione. Ciò che descrivono è un team sicuro di sé in astratto e improvvisato nel concreto — capace di usare strumenti AI, non testato nel portarli in produzione. La fiducia è reale; semplicemente misura la cosa sbagliata. Saper scrivere un prompt non equivale a saper far girare un modello su dati operativi reali, con audit trail, un responsabile e un piano di rollback.
La conseguenza è un budget mal indirizzato. Quando i leader credono che il vincolo sia la competenza, assumono. Comprano licenze di formazione, organizzano settimane di enablement, aprono una posizione da AI engineer. Nel frattempo il vero blocco resta un livello più sotto, intatto, e il pilota successivo muore esattamente della stessa causa del precedente.
Il vincolo che nessuno finanzia: perché i piloti AI del mid-market si bloccano sui dati
Ecco cosa hanno riportato gli stessi dirigenti quando è stato chiesto loro dei dati anziché delle persone.
L'83% delle aziende che avevano avviato piloti o implementato l'AI ha segnalato una scarsa qualità dei dati. Il 69% ha dichiarato che questo stava attivamente impedendo o ritardando il lavoro sull'AI (IT Brief UK, 2026).
E quando i progetti hanno soddisfatto le aspettative, i rispondenti ne hanno indicato la ragione: qualità dei dati solida, citata come critica dal 59% — davanti a governance, sicurezza, privacy ed etica al 54%.
L'indagine risponde da sola alla propria domanda. La qualità dei dati è il primo fattore di successo citato tra i vincenti e una lamentela quasi universale tra chi è fermo. Semplicemente non è ciò a cui si dà la colpa, perché incolpare i propri dati è meno lusinghiero che incolpare il mercato del lavoro.
Due istituzioni indipendenti, senza alcun interesse in una consulenza al mid-market, puntano nella stessa direzione. Gartner prevede che entro il 2026 le organizzazioni abbandoneranno il 60% dei progetti AI non supportati da dati "AI-ready" (Gartner, 2025). RAND, dopo interviste strutturate con 65 data scientist e ingegneri esperti, ha collocato l'inadeguatezza dei dati tra le cinque cause profonde del fallimento dei progetti AI — accanto alla cattiva comprensione del problema, alla rincorsa della tecnologia invece del caso d'uso e a un'infrastruttura insufficiente per rilasciare e mantenere i modelli (RAND Corporation, 2024).
Tre insiemi di dati. Uno da un'indagine sul mid-market britannico, uno da una previsione di analisti, uno da un istituto di ricerca statunitense che intervista professionisti. Nessuno di essi indica il talento come vincolo primario.
La governance è lo stesso problema con un'etichetta diversa
Il 59% di queste aziende non ha un framework di governance dell'AI completo. Il 48% ha citato preoccupazioni di governance, etica, sicurezza o privacy come motivo di stallo — la stessa quota che ha incolpato la mancanza di competenze (IT Brief UK, 2026).
Trattateli come un unico dato, non come due. Un pilota senza framework di governance non ha un percorso definito verso la produzione, perché nessuno ha risposto a chi approva gli output del modello, cosa succede quando uno è sbagliato, quali dati possono uscire dall'azienda e chi ne è responsabile tra novanta giorni. In assenza di queste risposte, un pilota di successo non può essere promosso. Può solo essere ripetuto.
È questo il meccanismo dietro il 90%. La maggior parte del lavoro AI bloccato non sta fallendo tecnicamente. Supera il pilota e poi arriva a un cancello che nessuno ha costruito, dove aspetta.
Solo il 35% prevede di rafforzare i guardrail sull'AI nell'anno a venire. Per la maggior parte, il cancello resta non costruito.
Le ragioni per non prendere questi dati per oro colato
Voglio essere onesta sulla fonte, perché l'istinto di ridimensionarla è in parte corretto.
Klarus è una società di servizi tecnologici che vende esattamente a questo mercato. Un'indagine che conclude che le aziende mid-market hanno bisogno di fondamenta dati migliori e di una governance più solida è, commercialmente, l'indagine che vorrebbe pubblicare. Il campione riguarda solo Regno Unito e Irlanda, quindi le percentuali specifiche non vanno trapiantate su un'operatività statunitense o UE senza aggiustamenti. E ogni dato qui è autodichiarato: "l'83% segnala scarsa qualità dei dati" misura ciò che i dirigenti credono dei propri dati, non un audit degli stessi.
Due precisazioni giocano però in senso opposto.
Il bias di autodichiarazione in questa indagine gioca contro il risultato, non a favore. Dirigenti che sopravvalutano le proprie competenze al 91% non sono una popolazione incline a esagerare le proprie debolezze. Semmai, l'83% è un pavimento.
E la conferma è indipendente. La previsione di Gartner sui dati AI-ready e le interviste RAND ai professionisti sono state prodotte ad anni di distanza, su continenti diversi, senza alcun rapporto commerciale con Klarus. Quando un'indagine sponsorizzata da un vendor, una previsione di analisti e uno studio di tipo accademico convergono, l'incentivo del vendor va notato e poi messo da parte.
Ciò che nessuno di essi vi dice è se i vostri piloti si stiano bloccando per questa ragione. A questo risponde solo il vostro dato interno — e, per esperienza, quasi nessuno se lo chiede in questa forma specifica.
Che cosa cambia in un'azienda da 300–3.000 persone
Non è la storia del "pilot purgatory" che avete già letto
Al mid-market sono state raccontate ormai tre cose diverse sul perché i piloti AI si arenano: che i diritti decisionali non hanno un proprietario, che i programmi maturi iper-governano e uccidono i propri esperimenti, e ora che il livello dati non è mai stato pronto. Non sono spiegazioni in competizione. Sono tre cancelli sullo stesso percorso, e un pilota deve superarli tutti.
La distinzione che conta sul piano operativo è la sequenza. Diritti decisionali e governance si risolvono con una decisione — qualcuno con autorità nomina un responsabile e un percorso di approvazione, e il cancello esiste entro venerdì. Le fondamenta dati no. Riconciliare le entità tra tre sistemi, recuperare i campi che nessuno ha reso obbligatori e stabilire la lineage sulle tabelle che il modello consumerà davvero è un trimestre di lavoro poco glamour senza alcuna demo finale.
Ed è precisamente per questo che continua a perdere la battaglia di budget contro un programma di formazione.
L'illusione dei dati curati
A queste dimensioni non avete una funzione di data engineering con capacità in eccesso. Avete due o tre persone che sanno dove sta la verità in ciascun sistema, e sono già impegnate al massimo.
È questo il vero vincolo alla scala, e spiega uno schema che la maggior parte dei responsabili operativi riconoscerà: i piloti riescono sui dati curati e falliscono sui dati di produzione. Il pilota girava su un estratto pulito preparato a mano da qualcuno. La produzione gira sul sistema di record, con i suoi ID cliente duplicati, il suo campo di stato a testo libero e i suoi quattro anni di record migrati che nessuno ha validato.
Nulla del modello è cambiato tra le due esecuzioni. Sono cambiati i dati.
Un ultimo risultato da tenere presente: il 45% ha dichiarato che l'AI sta aiutando i dipendenti junior a lavorare meglio o più velocemente, e il 24% che sta creando nuovi ruoli (Klarus, 2026). L'effetto immediato dell'AI sulla forza lavoro nel mid-market si manifesta come supporto ai task e ridisegno delle mansioni, non come riduzione di organico. Se il vostro business case sull'AI è costruito su risparmi di manodopera mentre i vostri pari riportano guadagni di capacità, non state essendo più rigorosi di loro. State misurando un ritorno che questo segmento non sta ancora producendo.
Tre mosse prima di finanziare il prossimo pilota
Fate l'audit dei dati, non del team
Prima che la prossima iniziativa ottenga budget, prendete i tre dataset che consumerà davvero e verificate quattro cose: completezza, tasso di duplicazione, proprietà e lineage. Non il data warehouse in generale — quelle tre tabelle. Serve una settimana di lavoro a un analista e vi dirà sulle probabilità del pilota più di qualsiasi valutazione delle competenze di chi lo conduce.
Costruite il cancello di promozione prima di avviare il pilota
Mettete per iscritto, in anticipo, che cosa un pilota deve dimostrare per arrivare in produzione, chi approva, chi ne è responsabile dopo e cosa succede quando un output è sbagliato. Il 59% di questo mercato non ha un framework simile. Un pilota senza uscita definita non è un esperimento: è una demo con una voce di budget.
Spostate una sterlina di formazione su una sterlina di dati
Se il vostro piano AI 2026 finanzia enablement e assunzioni ma nulla sulla qualità dei dati, state finanziando la spiegazione al 48% invece di quella all'83%. Non serve abbandonare la formazione. Serve una voce sull'altro lato del bilancio, dimensionata su un trimestre di vera bonifica.
Una decisione da prendere questo trimestre
Prendete il vostro pilota AI più recente che non è arrivato alla scala e scrivete una sola frase che dica perché si è fermato. Poi confrontate quella frase con i dati su cui girava.
Se la risposta onesta è che il modello funzionava e la pipeline no, non vi sono mancate competenze AI. Vi è mancata la cosa noiosa, non finanziabile e del tutto risolvibile che sta sotto — e il 90% che non ha mai scalato un pilota AI nel mid-market è fatto per lo più di persone che hanno continuato a finanziare la metà sbagliata del problema.
Il 91% di fiducia non compra nulla. Il 10% scalato è l'unico numero sul tabellone.
