Il dieci percento delle imprese mid-market ha portato tutte le proprie iniziative AI oltre la fase pilota (IT Brief UK, 2026). Il restante novanta percento compra gli stessi strumenti, dagli stessi fornitori, più o meno allo stesso prezzo.
È questa la parte su cui vale la pena fermarsi. Se fosse lo strumento a produrre il rendimento, i rendimenti non si disperderebbero così.
Un nuovo working paper NBER dà un nome a questa dispersione. Babina, He e Jiang riconducono i primi guadagni di produttività dell'AI non alla tecnologia ma al capitale organizzativo: la conoscenza durevole e specifica dell'impresa che un'azienda accumula attraverso il learning-by-doing (NBER, 2026). Lo strumento è l'occasione del guadagno. Non è l'asset.
Lo stesso investimento, due decenni diversi
"Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital" è stato pubblicato nell'agosto 2026 da Tania Babina, Alex Xi He e Renhao Jiang (NBER, 2026).
Lo strumento di misura è la parte interessante. Invece di contare licenze, spesa verso i fornitori o adozione auto-dichiarata — tutte misure di distribuzione — gli autori costruiscono una misura di investimento in AI a livello di impresa a partire dall'occupazione AI-skilled, che spazia dal machine learning fino all'AI generativa e agentica. Chi un'azienda assume è più difficile da falsificare di ciò che un'azienda dichiara di fare.
Applicato a questa misura, il risultato principale è un contrasto più che un coefficiente:
Gli investimenti in AI risultano associati alla crescita della produttività negli anni recenti, ma non nel decennio precedente.
Stessa misura. Stessa classe di tecnologia. Due risposte diverse.
Gli autori fanno poi il lavoro che la maggior parte della ricerca sull'adozione salta: si chiedono cosa sia cambiato. La loro risposta è l'accumulazione di capitale organizzativo — e per verificarla costruiscono una seconda misura originale, ricavata dalle descrizioni dei ruoli dei lavoratori, per identificare quali posizioni costruiscano effettivamente quel capitale. I guadagni di produttività, rilevano, sono trainati dai ruoli AI-skilled che costruiscono capitale organizzativo. Non dall'organico AI in generale. Non dagli strumenti in generale.
Una cautela che dichiaro prima che qualcuno ci costruisca sopra una slide: il corpo del working paper è ad accesso riservato, e ho verificato il disegno di ricerca e la direzione dei risultati, non le dimensioni degli effetti. Nessuno dovrebbe ancora attaccare una percentuale a questo studio — me inclusa.
Perché il decennio precedente non abbia prodotto nulla non è risolto dal paper, e segnalo la mia lettura come inferenza e non come risultato: l'ondata del machine learning ha comprato soprattutto previsione collocata accanto al processo — un punteggio, una proiezione, una dashboard da consultare. L'ondata attuale si colloca dentro il processo, che è l'unica posizione dalla quale uno strumento può generare apprendimento su come il lavoro viene realmente svolto. Una previsione adiacente a un processo non ti insegna il processo.
Cosa significa davvero "capitale organizzativo"
Il termine non è nuovo e non è vago. Eisfeldt e Papanikolaou lo hanno formalizzato sul Journal of Finance: il capitale organizzativo è un fattore produttivo incorporato nel talento chiave dell'impresa, dotato di efficienza specifica all'impresa, con un diritto sui flussi di cassa aziendali. Le imprese che ne detengono di più hanno registrato rendimenti medi superiori di circa il 4,6% rispetto a quelle che ne detengono meno (Eisfeldt e Papanikolaou, 2013).
In linguaggio operativo: è la conoscenza accumulata su come si fa il lavoro da voi. Quali eccezioni contano. Quali segnali del cliente anticipano l'abbandono. Quale passaggio del vostro processo di chiusura è quello che si rompe davvero.
Una licenza vi dà una capacità generica. Il capitale organizzativo è ciò che accade quando quella capacità viene puntata ripetutamente sul vostro lavoro specifico e il risultato viene conservato da qualche parte che non sia la testa di una singola persona.
La prima è acquistabile. Il secondo no.
Perché il vostro concorrente ha comprato lo stesso stack e non ha costruito capitale organizzativo
Accostate il risultato NBER alle evidenze sul mid-market e lo schema smette di essere astratto.
Klarus ha intervistato 500 decisori senior in imprese di Regno Unito e Irlanda con ricavi tra 200 milioni e 2 miliardi di sterline e tra 300 e 3.000 dipendenti. Il settantatré percento aveva implementato l'AI parzialmente o integralmente. Il dieci percento aveva portato tutte le iniziative oltre il pilota. Il novanta percento era fermo o ancora in fase iniziale (IT Brief UK, 2026).
Lo stesso studio contiene un'inversione che vale la pena leggere due volte: il 91% si dichiarava fiducioso nelle competenze AI interne — mentre il 48% indicava la mancanza di competenze AI come motivo principale per cui i progetti non avanzavano. La stessa popolazione è contemporaneamente certa di avere la capacità e certa che la capacità manchi.
Sotto entrambe le affermazioni: l'83% segnalava scarsa qualità dei dati e il 69% dichiarava che dati inadeguati avevano impedito o ritardato attività AI.
L'Heartbeat Index di CLA ha trovato la stessa forma sull'altra sponda dell'Atlantico. Su 722 organizzazioni piccole e mid-market, il 69,9% riteneva che la propria forza lavoro avesse le competenze necessarie per il futuro. Solo il 49,5% riportava un qualche miglioramento di efficienza dai recenti investimenti in tecnologia o AI, e appena il 20,2% riportava impatti fortemente positivi (CLA, 2026).
Due campioni mid-market indipendenti. Entrambi riportano capacità presente e risultati assenti.
Questa combinazione esclude la diagnosi che la maggior parte delle imprese sta finanziando. Se il vincolo stringente fossero le competenze, la popolazione osservata riporterebbe una carenza di competenze. Riporta l'opposto. Ciò che manca non è la fluidità nell'uso — è il meccanismo che trasforma quella fluidità in qualcosa che l'impresa possiede.
I pilota non falliscono. Non depositano.
Valliance ha intervistato 1.000 leader senior di grandi imprese europee e ha rilevato che il 40% delle iniziative AI resta in fase pilota per costruzione — mai chiuse, mai scalate. Nelle organizzazioni con programmi AI maturi e consolidati la quota sale al 48% (Consultancy.uk, 2026).
Più maturità, più pilota perpetui. Non è l'aspetto di una curva di apprendimento.
Il costo è nello stesso dataset. Le imprese bloccate in fase pilota riportano un ROI forte nel 20% dei casi. Quelle che scalano lo riportano nel 76%. La coorte bloccata aspetta anche più a lungo per vedere valore: 6,6 mesi contro 5,9 (Consultancy.uk, 2026).
Letto attraverso la lente NBER, il divario diventa leggibile. Un pilota che si chiude senza modificare un processo documentato, una definizione di ruolo o una regola decisionale ha prodotto un risultato e non ha depositato nulla. Il team ha imparato. L'impresa no. Ripetetelo dodici volte e avrete dodici esperienze e zero capitale organizzativo — che è esattamente la configurazione che mostra investimento in AI senza crescita della produttività associata.
Il test del deposito
Rendiamolo aritmetico. Un'impresa di servizi da 200 FTE avvia sei pilota AI in un anno, ciascuno con circa due mesi di lavoro part-time — in pratica un anno-uomo di attenzione senior, prima delle licenze. Il reporting standard chiede quanto ha risparmiato ciascun pilota. Chiedete invece quanti hanno prodotto un artefatto durevole: una procedura riscritta, un set di prompt e valutazioni mantenuto nel tempo, una regola decisionale ora usata da persone che il pilota non l'hanno mai toccato.
Se la risposta è uno, avete convertito circa due mesi di quell'anno in capitale organizzativo e speso il resto in formazione. I pilota non sono stati fallimenti — cinque di essi semplicemente non sono stati capitalizzati. Questa distinzione non compare da nessuna parte in un ROI deck standard, ed è esattamente per questo che continua a essere rifinanziata.
L'inquadramento di Valliance è che il problema non è la sperimentazione, ma ciò che viene dopo. Il paper NBER spiega perché quella frase è un'affermazione contabile e non uno slogan. Il learning-by-doing produce interesse composto solo se l'apprendimento viene catturato in qualcosa di durevole.
L'obiezione onesta
Quattro limiti, detti chiaramente.
Associazione non è causalità. Il risultato NBER è un'associazione tra investimento in AI e crescita della produttività, mediata da una misura costruita di capitale organizzativo. È plausibile che le imprese capaci di costruire bene capitale organizzativo siano meglio gestite anche in modi che le rendono migliori adottanti di AI. Il disegno del paper è accurato; non è un trial randomizzato.
Entrambe le misure originali sono proxy. L'investimento in AI dedotto dalle assunzioni AI-skilled sottostima le imprese che comprano capacità invece di assumerla. Il capitale organizzativo dedotto dalle descrizioni dei ruoli sottostima le imprese la cui conoscenza risiede nei sistemi più che nei testi dei ruoli. Proxy di questo tipo colgono la direzione in modo più affidabile della magnitudine.
La conferma sul mid-market è regionale e auto-dichiarata. Klarus riguarda Regno Unito e Irlanda; CLA è un panel di clienti statunitensi. Entrambi sono auto-dichiarati. Concordano tra loro, il che è significativo, e nessuno dei due è un campione probabilistico nazionale, il che conta.
Il capitale organizzativo ha una porta d'uscita. È l'obiezione più affilata, e Eisfeldt e Papanikolaou l'hanno sollevata tredici anni fa: il capitale organizzativo è incorporato nel talento chiave, e quel talento detiene un diritto sui suoi rendimenti. La conoscenza che vive in tre persone senior è specifica dell'impresa fino alla settimana in cui una di loro si dimette. Qui la codificazione non è zavorra burocratica — è la differenza tra un asset e un rischio di retention.
Cosa decidere questo trimestre
Quattro mosse. Nessuna richiede un nuovo fornitore.
- Valutate ogni pilota attivo su ciò che ha lasciato, non su ciò che ha accelerato. Una domanda per pilota: indicate il documento di processo, la regola decisionale o la definizione di ruolo che è cambiata grazie a esso. Se la risposta onesta è "il team è diventato più veloce", avete finanziato un'esperienza. Il 40% di Valliance è fatto interamente di esperienze.
- Riscrivete una job description AI attorno alla codificazione. Il risultato NBER passa attraverso i ruoli che costruiscono conoscenza specifica dell'impresa. La maggior parte delle job description AI-adjacent nel mid-market specifica strumenti. Specificate invece il deliverable: workflow documentati, set di valutazione mantenuti, regole decisionali eseguibili da altri.
- Sistemate le fondamenta dati prima della prossima licenza. L'83% di scarsa qualità dei dati non è una nota a margine, è il motivo per cui il learning-by-doing non riesce ad accumularsi — un agente che non raggiunge il vostro storico non può imparare la vostra impresa. È una voce di budget del Q4 in concorrenza diretta con l'espansione delle licenze, e dovrebbe vincere.
- Verificate dove è incorporato il vostro capitale organizzativo. Elencate i cinque processi che l'AI ha migliorato in modo misurabile quest'anno, poi indicate dove è conservato ciascun miglioramento. Ognuno che si riduce a una persona invece che a un artefatto è un guadagno di produttività con allegata una lettera di dimissioni.
Il vostro concorrente può comprare il vostro stack questo pomeriggio. Non può comprare i diciotto mesi che il vostro team ha passato a imparare quali eccezioni contano — a meno che non li abbiate lasciati non documentati, nel qual caso può semplicemente assumerli.
Il capitale organizzativo è l'unica parte del vostro investimento in AI che è davvero vostra. Decidete questo trimestre se lo state costruendo, o se state solo affittando l'occasione per farlo.
