Solo il 4% di 767 leader statunitensi delle operations e della supply chain dichiara di aver raggiunto il successo su tutte e quattro le condizioni che PwC indica come predittive della cattura di valore dall'AI — AI pienamente integrata a livello aziendale, agenti autonomi che scalano senza barriere significative, una struttura operativa orizzontale in essere e investimenti tecnologici che producono i risultati attesi. L'89% afferma che i propri investimenti tecnologici non hanno reso. L'87% indica la qualità dei dati come il vincolo determinante. E solo il 41% opera con il modello operativo orizzontale che il 94% dichiara necessario (PwC, 23 aprile 2026). Il 96% non sta fallendo perché la sua AI è peggiore. Sta fallendo perché sta mettendo in sequenza ciò che il 4% sta co-sviluppando.
Per un Head of Operations di una funzione da 200 FTE che sta finalizzando il resto della roadmap AI 2026, questa è l'inversione operativa che dovrebbe rimodellare il piano di questo trimestre. Eseguire deployment AI, ristrutturazione orizzontale, igiene dei dati e ridisegno della responsabilità come un unico programma di AI operating model — oppure unirsi al 96% che, secondo i dati stessi di PwC, non riesce a estrarre valore da nessuno di questi elementi presi isolatamente.
Il 4% non è migliore nell'AI. È migliore nel sequenziamento.
Il sondaggio PwC 2026 Digital Trends in Operations, pubblicato il 23 aprile e che copre 767 executive statunitensi di operations e supply chain, definisce il "4%" non in base alla maturità AI isolata ma in base al raggiungimento simultaneo di quattro workstream che la maggior parte delle funzioni operations mid-market tratta come trimestri di lavoro separati (DC Velocity, aprile 2026). Ciascuna condizione di per sé non è notevole. La variabilità sta nel fatto che corrano in parallelo o meno.
Si guardi il divario tra aspirazione ed esecuzione. Il 94% dei rispondenti afferma che un modello operativo orizzontale e collaborativo è necessario per catturare valore dall'AI su scala. Solo il 41% ne dispone. Quel divario di 53 punti non è un problema di consapevolezza — ogni CHRO e COO del sondaggio sa che il modello deve cambiare. È un problema di sequenziamento. Il 96% sta dicendo: aggiusteremo il modello operativo dopo che i pilot AI mostreranno valore. Il 4% sta dicendo: i pilot AI non mostreranno valore finché il modello operativo non sarà aggiustato.
I dati sostengono la seconda postura. L'89% ammette che gli attuali investimenti tecnologici non hanno prodotto i ritorni attesi. L'87% indica la scarsa qualità dei dati come il blocco al valore (PwC, 23 aprile 2026). Questi due numeri non sono indipendenti. Gli investimenti tecnologici non rendono perché i dati che li alimentano sono scarsi. I dati sono scarsi perché il modello operativo non ha un unico responsabile per essi. Il modello operativo non ha un responsabile perché l'azienda è "ancora in fase di pilot AI." La dipendenza chiude il ciclo, e l'unica via d'uscita è agire su tutti e quattro i problemi nello stesso trimestre.
Perché il playbook sequenziale fallisce specificamente nelle operations mid-market
Il pattern sequenziale — "prima si fa deployment degli strumenti AI, poi si ridisegna il modello operativo, poi si bonificano i dati, poi si assegnano le responsabilità" — è il default nella maggior parte delle funzioni operations mid-market perché rispecchia come funzionano effettivamente cicli di budget, piani di assunzione e procurement vendor. Ciascuno è una voce di spesa separata, con un VP diverso come responsabile, valutata su una metrica diversa. È esattamente la struttura che produce l'esito del 96%.
Il report State of Organizations 2026 di McKinsey inquadra lo stesso risultato dall'angolo del modello operativo: "Raggiungere i guadagni di produttività dell'AI richiede di mettere in discussione e ridisegnare il modello operativo di individui e team, ricablare end-to-end e costruire capacità nello stesso tempo" (McKinsey, 2026). L'espressione chiave è "nello stesso tempo." La tentazione mid-market è di leggerla come "prima o poi." L'analisi di McKinsey è esplicita sul fatto che "prima o poi" non funziona — il ricablaggio è ciò che genera la produttività e il deployment AI è ciò che genera il payoff del ricablaggio. Disaccoppiali e nessuno dei due produce il ritorno.
C'è una seconda ragione per cui il playbook sequenziale fallisce peggio nel mid-market che nell'enterprise. Una funzione operations da 200 FTE ha approssimativamente 8–12 trimestri di runway prima che la propria tesi di investimento AI o si componga o venga tagliata. Spendere due di quei trimestri facendo deployment di strumenti, altri due ridisegnando il modello operativo, altri due sui dati e altri due sulla responsabilità brucia il runway prima che un singolo workstream inizi a rinforzare gli altri. La composizione non comincia mai. Il board vede quattro voci di costo e una linea ROI piatta. Il programma viene ridimensionato. Il pattern del 4% non riguarda la scala; riguarda il tempo di ciclo, e il mid-market ne ha di meno da sprecare.
Cosa significa effettivamente "parallelo" in una funzione operations da 200 FTE
Parallelo non significa quattro programmi a pari priorità che girano indipendentemente — questo produce caos su scala mid-market. Significa un unico programma con quattro workstream sotto un insieme di OKR condivisi, sequenziati all'interno del trimestre invece che attraverso più trimestri.
OKR condiviso — non report di stato condiviso
Il pattern del 4% su scala mid-market tipicamente si ancora a un OKR trimestrale che richiede esplicitamente che tutti e quattro i workstream si muovano: un miglioramento misurabile in una singola metrica di throughput di decisioni ad alto giudizio (contratti chiusi per settimana, eccezioni risolte senza escalation, deal qualificati instradati correttamente), dove la metrica si muove solo se l'AI è messa in produzione contro il workflow, il workflow è posseduto orizzontalmente, i dati che lo alimentano sono puliti e una persona nominata è responsabile dell'esito. L'OKR è la funzione forzante. Senza, i quattro workstream tornano per default a quattro roadmap separate in quattro one-on-one con VP separati.
Uno sponsor, un forum settimanale, un backlog
Il 41% con modelli operativi orizzontali condivide una caratteristica strutturale che la maggior parte delle funzioni operations mid-market non ha: uno sponsor per il programma AI che è responsabile di tutti e quattro i workstream, un forum settimanale dove i quattro lead siedono allo stesso tavolo e un backlog dove richieste AI, cambiamenti al modello operativo, fix dei dati e decisioni di responsabilità vengono prioritizzati l'uno contro l'altro. Spezzare il backlog tra IT, HR, dati e operations è il modo in cui il sequenziamento rientra di nascosto.
Igiene dei dati come operazione quotidiana, non come progetto
Il dato dell'87% sulla qualità dei dati dice qualcosa di specifico su come il 4% gestisce i dati. Non stanno facendo progetti pluri-trimestrali di pulizia dati in parallelo al deployment AI. Stanno incorporando l'igiene dei dati nella cadenza operativa quotidiana del team che usa l'AI — ogni escalation di un agente che fallisce per qualità dei dati genera una richiesta di fix in giornata di cui l'operatore è responsabile. I dati migliorano alla velocità di utilizzo dell'agente. Trattare i dati come un workstream separato fa sì che restino indietro rispetto all'AI di quattro trimestri; incorporarli nelle operations dell'agente fa sì che precedano di due settimane.
La contro-argomentazione e perché i dati PwC la chiudono
La contro-argomentazione naturale da parte di un COO mid-market disciplinato sui costi è: l'esecuzione parallela costa di più in anticipo, e il 96% sta sequenziando proprio perché non può permettersi la scommessa parallela. Quella logica è internamente coerente e produce la risposta sbagliata. I dati di PwC sono inusualmente diretti sul calcolo: l'89% riporta che l'attuale approccio sequenziale ha già prodotto investimenti tecnologici che non hanno reso, e l'87% riporta che ha prodotto uno strato dati che blocca la cattura di valore (PwC, 23 aprile 2026). La scommessa sequenziale non è più economica. È solo distribuita su più trimestri, il che rende il fallimento meno visibile trimestre per trimestre e impossibile da invertire alla fine.
La scommessa parallela su scala mid-market è anche più piccola in termini assoluti del ricablaggio enterprise in stile McKinsey che lo stesso report descrive per aziende con oltre 10 miliardi di dollari. Una funzione operations da 200 FTE può eseguire un programma parallelo-quattro credibile con un senior operator aggiuntivo (lo sponsor del programma), un forum settimanale e un budget dati ed engineering reindirizzato — non aumentato. L'investimento marginale è un ruolo e una riunione. Il ritorno marginale, secondo la distribuzione PwC, è la differenza tra l'esito del 4% e l'esito del 96% sullo stesso deployment AI.
Cosa i dati PwC non dicono
Vale la pena nominare due limiti, perché l'inquadramento del "4%" è stato usato in entrambe le direzioni e il sondaggio non sostiene nessuno dei due estremi.
I dati PwC non dicono che l'AI non funzioni nelle operations — sta funzionando, nel 4% che ha raggiunto le condizioni parallele. Non dicono nemmeno che le operations mid-market non possano replicare il pattern del 4% — il campione del sondaggio sono leader statunitensi di operations e supply chain trasversali allo spettro, e il pattern parallelo-quattro è strutturale, non dipendente dalla scala. Quello che i dati dicono è più stretto e più utile: la roadmap AI sequenziale, eseguita come quattro trimestri seriali di lavoro, ha un tasso storico di fallimento del 96% nella coorte dove è stata studiata in modo più approfondito. Non è una previsione. È una misurazione retrospettiva di quello che è già accaduto.
Il secondo limite: "parallelo" non è la stessa cosa di "procurement simultaneo." Il pattern del 4% riguarda un singolo programma con responsabilità condivisa, non l'acquistare tutto insieme. Le funzioni operations mid-market che cercano di acquistare la piattaforma AI, la consulenza sul modello operativo, gli strumenti dati e il framework di responsabilità nello stesso trimestre tipicamente producono l'esito del 96% due volte più velocemente. La logica parallela si applica alla responsabilità di esecuzione, non al procurement vendor.
La decisione per questo trimestre
Per un Head of Operations che sta finalizzando la roadmap AI di questo trimestre tra oggi e la fine del Q2 2026, l'implicazione operativa si comprime in una frase:
Nessun workstream di deployment AI viene approvato questo trimestre a meno che non sia abbinato al cambiamento di modello operativo orizzontale che richiede, alla cadenza di igiene dati da cui dipende e alla responsabilità nominata per l'esito che dovrebbe produrre — e tutti e quattro siedano sotto un unico OKR con un unico sponsor.
Se una proposta non riesce a descrivere tutti e quattro nello stesso documento, è una scommessa sequenziale travestita da parallela, e la distribuzione PwC dice che produrrà l'esito del 96%. Se una proposta riesce a descriverli tutti e quattro, è una candidata per la piccola minoranza di investimenti AI operating model che davvero si compongono. Il costo del triage è una riunione per proposta. Il costo al ribasso del non fare triage, alle traiettorie di spesa che il sondaggio descrive, è la maggior parte del budget AI sui prossimi quattro trimestri.
Il numero del 4% non è aspirazionale. È quello che è già accaduto a 767 leader di operations che avevano le stesse opzioni del lettore di questo articolo e hanno scelto una struttura piuttosto che un'altra. La domanda ora è su quale struttura il piano del prossimo trimestre sarà costruito.
