Il quaranta per cento delle iniziative di AI nelle più grandi aziende europee viene mantenuto come progetto pilota perpetuo — mai chiuso, mai portato in produzione — "per scelta". Questa cifra non cala man mano che le organizzazioni migliorano con l'AI. Aumenta. All'interno dei programmi di AI più maturi, la quota di pilota permanenti sale al 48%, anche se la spesa media in AI raggiunge i 39,2 milioni di sterline l'anno e cresce del 27% su base annua (Valliance, tramite Consultancy.uk, 2026). Più esperienza, più budget, più sofisticazione — e più progetti pilota che non portano da nessuna parte. È questo il paradosso, ed è il segnale più chiaro finora che ciò che compromette i ritorni dell'AI non sono gli esperimenti. È la decisione mancante che dovrebbe seguirli.
La lettura istintiva di quei dati è "i pilota AI falliscono, quindi attenzione ad avviarli". È esattamente la lezione sbagliata. Il risultato più acuto nascosto nel sondaggio di Valliance su 1.000 alti dirigenti è che la sperimentazione funziona benissimo; ciò che manca è il varco kill-or-scale — il momento in cui qualcuno valuta un pilota, rispetto a metriche concordate in anticipo, e lo dichiara o morto o pronto per la produzione. Per un Head of Operations di un'azienda da 200 dipendenti che sta finalizzando il piano AI dell'anno prossimo, il problema del passaggio dal pilota alla produzione non è un motivo per rallentare. È un motivo per installare una decisione che i colleghi delle grandi aziende, con tutto il loro budget, non hanno ancora.
Il paradosso: la maturità dovrebbe curare la pilotite. Non lo fa.
Il modello intuitivo dell'apprendimento organizzativo dice che più progetti di AI esegui, più diventi bravo a portarli a termine. Costruisci muscolo: impari quali casi d'uso scalano, elimini più in fretta quelli inutili, il tasso di successo sale. I dati di Valliance dicono che ai vertici del mercato sta accadendo l'opposto. Le organizzazioni con i programmi più consolidati sono quelle che accumulano il maggior numero di pilota perpetui — 48% contro il 40% di base (Valliance, tramite Consultancy.uk, 2026).
Questo dovrebbe fermarvi. Significa che la "pilotite" — la condizione di sperimentare all'infinito senza mai impegnarsi — non è una malattia da principianti che la maturità cura. È una condizione strutturale che la maturità amplifica, perché i programmi maturi hanno il budget per tenere in vita più pilota a tempo indeterminato e la complessità politica per evitare di ucciderne qualcuno. Ogni pilota ha uno sponsor. Ogni sponsor ha una ragione per cui "sta ancora imparando". Nessuno è proprietario del verdetto. Il risultato è un portafoglio che cresce ai margini e non si risolve mai al centro.
Valliance è precisa sul meccanismo: il fallimento non è l'esperimento, è ciò che accade — o non accade — dopo. Metriche di successo scadenti, scarsa adozione e ingaggi di consulenza strutturati per estendersi anziché concludersi spingono i pilota in un'orbita di attesa. I 39,2 milioni di sterline di spesa media non comprano sistemi di produzione. Una grande parte compra il diritto di continuare a eseguire esperimenti che nessuno chiuderà mai formalmente.
Perché "la sperimentazione è fallita" è la diagnosi sbagliata
Ecco perché la distinzione conta sul piano operativo. Se la diagnosi è "l'AI non funziona", la cura è distribuire di meno. Se la diagnosi è "non decidiamo mai", la cura è la governance — e il vantaggio di farlo bene è grande e ben documentato.
Quando l'AI è davvero integrata in un flusso di lavoro anziché lasciata nel limbo dei pilota, il divario di prestazioni non è marginale. L'esperimento sul campo di Harvard Business School e BCG sui knowledge worker ha rilevato che i consulenti che usavano l'AI in modo corretto completavano i compiti circa il 25% più velocemente e producevano lavoro valutato circa il 40% più alto in qualità rispetto al gruppo di controllo (Harvard Business School & BCG, 2023). È questo il premio che attende dall'altra parte del varco. L'organizzazione dai pilota perpetui paga il prezzo pieno dell'AI e ne raccoglie quasi nessun ritorno, perché l'incremento di qualità del 40% si materializza solo quando lo strumento è in produzione, nel flusso di lavoro quotidiano, con adozione — non quando viene "valutato" in un ambiente di test per il diciottesimo mese.
Il costo del non decidere emerge anche nei dati macro. L'analisi del 2025 del MIT, ampiamente citata, ha rilevato che circa il 95% dei pilota di AI generativa nelle aziende non ha prodotto alcun impatto misurabile sul conto economico — solo circa uno su venti è arrivato a un vero ritorno finanziario (MIT, tramite Fortune, 2025). Letta insieme a Valliance, l'immagine si fa più nitida: il problema non è che l'AI non possa rendere — i pochi che la integrano bene rendono moltissimo. Il problema è che alla stragrande maggioranza dei pilota non viene mai imposto di dimostrare di rendere, quindi finiscono nel 95% per inerzia.
È questa la diagnosi. Non "la sperimentazione è fallita". La sperimentazione è riuscita e non è mai stata convertita. L'organo mancante è il varco decisionale.
Il costo di un varco mancante è più alto per dollaro per il mid-market
Sarebbe comodo archiviare la cosa come un problema delle grandi aziende — budget da 39,2 milioni di sterline, multinazionali europee con 1.000 dirigenti, una scala di spreco che un'azienda mid-market non raggiungerà mai. Quella comodità è fuori luogo, e la ragione è aritmetica.
Un'azienda con 39,2 milioni di sterline di spesa in AI può portarsi dietro una dozzina di pilota zombie come errore di arrotondamento. Lo spreco è reale ma diluito in un budget enorme; il pilota perpetuo è una voce di spesa che il CFO tollera. Un'azienda da 200 dipendenti non può diluire nulla. Se state eseguendo tre pilota di AI e due sono perpetui per inerzia, non state sprecando un errore di arrotondamento — state allocando male una frazione significativa di un budget tecnologico discrezionale che è stato difficile ottenere in primo luogo. La percentuale di spreco può essere simile; la sopravvivenza a quello spreco no. Il mid-market sente ogni pilota bloccato in un modo da cui le grandi aziende sono strutturalmente isolate.
C'è una seconda asimmetria. La grande azienda ha funzioni di governance — un transformation office, un comitato di revisione del portafoglio, un CIO il cui staff può almeno vedere i pilota zombie. In un'azienda da 200 dipendenti, il pilota che il vostro responsabile operations ha avviato con un fornitore in primavera non ha alcun comitato di revisione pronto a giudicarlo. Se non costruite personalmente il varco, non c'è alcun varco. La scoperta di Valliance che persino i programmi enterprise maturi non riescono a uccidere i pilota è, letta correttamente, un avvertimento: se le organizzazioni costruite appositamente per governare questo ancora non ci riescono, il mid-market non arriverà alla disciplina per caso. Va installata deliberatamente.
Il contro-argomento: "Bain dice che i casi d'uso stanno già scalando"
L'obiezione più forte a tutto questo viene da una fonte credibile, e merita una risposta diretta. Il sondaggio executive 2026 di Bain & Company avanza qualcosa di simile a una contro-narrazione — che nella maggior parte delle categorie di casi d'uso le aziende stanno portando l'AI dal pilota alla produzione, e che la storia del "tutto bloccato nei pilota" è esagerata. Se Bain ha ragione, il varco kill-or-scale sta risolvendo un problema che si sta già risolvendo da solo.
Entrambi i risultati possono essere veri contemporaneamente, e tenere insieme la tensione è più utile che schierarsi. La scalabilità è disomogenea. Un'organizzazione può davvero portare in produzione i suoi due o tre casi d'uso migliori mentre allo stesso tempo accumula una lunga coda di pilota che non si risolveranno mai — il 40%-48% misurato da Valliance. Bain conta i vincitori che hanno fatto il salto; Valliance conta l'arretrato che non l'ha fatto. La lezione per il mid-market non è "ignorate Bain". È che le organizzazioni che riescono a scalare sono proprio quelle che prendono decisioni esplicite di scala — e quelle che annegano nei pilota perpetui sono quelle che non hanno mai costruito il meccanismo per decidere. Il varco è ciò che separa la storia di scala di Bain dalla storia di stallo di Valliance. Volete stare dal lato giusto di quella linea, di proposito.
Le prove di supporto puntano nella stessa direzione. La ricerca Work Reimagined di EY ha rilevato che, mentre quasi nove dipendenti su dieci usano ora l'AI in qualche forma, solo circa un quarto delle organizzazioni è effettivamente posizionato per convertire quella diffusione in risultati ad alto valore (Deloitte, State of AI in the Enterprise, 2026). L'uso è universale; la conversione è rara. Il fattore differenziante non è l'accesso all'AI. È la disciplina di decidere cosa fare di ogni implementazione.
Costruire il varco kill-or-scale: tre componenti per questo trimestre
La soluzione è circoscritta, economica e interamente sotto il vostro controllo prima che il prossimo ciclo di budget blocchi la spesa. Non vi serve un transformation office. Vi serve un varco, e un varco ha tre parti. Applicatelo a ogni pilota di AI attivo che state eseguendo oggi, e rendetelo obbligatorio per ognuno nuovo.
Primo, una finestra di valutazione fissa. Ogni pilota riceve una data di fine nel momento in cui parte — 60 giorni, 90 giorni, un trimestre, qualunque cosa si adatti al caso d'uso, ma una data, fissata in anticipo. L'unico comportamento che crea i pilota perpetui è la scadenza aperta: un pilota senza fine non deve mai affrontare il giudizio. Chiudete la scadenza e imponete il verdetto. Se un pilota raggiunge la sua finestra senza una decisione, il default non è "estendere". Il default è "uccidere".
Secondo, metriche di successo concordate in anticipo. Prima che il pilota parta, mettete per iscritto come si presenta il successo in numeri che avrete davvero alla fine — ore risparmiate a settimana, tasso di errore ridotto, throughput per persona, tasso di adozione tra gli utenti previsti. La ragione per cui le grandi aziende mature si bloccano, secondo Valliance, sono metriche scadenti e scarsa adozione: i pilota a cui non è mai stata data un'asticella chiara da superare possono sempre sostenere di "stare ancora imparando". Un pilota con una metrica concordata in anticipo o la raggiunge o no. Definite l'asticella prima di avere un interesse a spostarla.
Terzo, un verdetto binario e un proprietario nominato. Alla fine della finestra, una persona responsabile — non un comitato — emette una di esattamente due decisioni: portarlo in produzione con un budget reale e un piano di adozione, oppure ucciderlo e recuperare la spesa. Non esiste una terza opzione. "Estendere di un altro trimestre" è la malattia, non una decisione. Il vantaggio di HBS-BCG — 25% più veloce, 40% migliore — è incassabile solo sul lato "scala" di quel verdetto, e solo quando scalare significa vera integrazione, non un ambiente di test più grande.
Nessuna di queste tre cose richiede personale o una piattaforma. Richiedono di decidere, in anticipo, che un pilota guadagni la sua prosecuzione superando un'asticella definita entro una data definita, giudicato da una persona nominata. È questo l'intero pavimento di governance per il passaggio dal pilota alla produzione, ed è la differenza tra un portafoglio che converte e uno che coltiva silenziosamente zombie.
La storia aggregata dei dati 2026 di Valliance è che le organizzazioni con la maggiore maturità nell'AI sono le peggiori a finire ciò che iniziano — e che il mid-market, che non può permettersi la loro tolleranza per lo spreco, ha più da guadagnare da una disciplina che non hanno mai costruito. La decisione davanti a un Head of Operations questo trimestre non è se eseguire più pilota di AI. È se un singolo pilota nei vostri libri oggi ha una data di fine, un numero di successo e un nome attaccato al verdetto. Scegliete il vostro pilota attivo più costoso e dategli tutti e tre prima che il budget si chiuda. Il varco kill-or-scale non è il freno del vostro programma di AI. È l'unica cosa che trasforma la spesa in un ritorno.
