Consulenti IT vs Intelligenza Artificiale: la tua azienda può davvero fare a meno di un professionista umano?

Partiamo da due numeri verificabili, perché su questo tema gli slogan abbondano e i dati scarseggiano. Il primo: Gartner prevede che oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027, per costi che sfuggono di mano, valore di business poco chiaro o controlli di rischio inadeguati. Il secondo: secondo le rilevazioni McKinsey, solo il 5,5% circa delle organizzazioni riesce ad attribuire all'AI più del 5% dell'EBIT con un valore "significativo". Non sono numeri da scettico: l'AI è una tecnologia reale e potente. Sono numeri che dicono un'altra cosa, e cioè che tra avere l'AI e ricavarne valore c'è un abisso, e quell'abisso si chiama ingegneria.

La domanda del titolo, "la tua azienda può fare a meno di un professionista umano", è quindi mal posta. La domanda giusta è: chi ti tiene fuori da quel 40% che fallisce? Te lo spiego non come qualcuno che teme l'AI, ma come un ingegnere che costruisce e gestisce pipeline di automazione basate su LLM in produzione ogni giorno, e che proprio per questo ne conosce sia la potenza sia i punti dove si rompe.

La domanda giusta non è se l'AI sostituisce l'esperto

L'AI in azienda non è un'ipotesi futura: è già qui. Il report Boston Consulting Group sul valore dell'AI nei tech services stima un nuovo bacino di valore netto fino a 200 miliardi di dollari nei prossimi cinque anni, e rileva che circa tre quarti delle imprese vogliono lavorare con partner esterni per costruire e mettere in produzione i casi d'uso prioritari. L'accesso agli strumenti AI da parte della forza lavoro, secondo Deloitte, è passato da meno del 40% a circa il 60% in un solo anno. Chi ti dice che l'AI è una bolla non sta guardando i dati.

Ma chi ti dice che basta "adottare l'AI" per migliorare il business sta guardando i dati ancora peggio. La stessa BCG osserva che le imprese si aspettano dall'AI miglioramenti di produttività del 30-40%, mentre i fornitori si impegnano in media solo sul 6-15%, e che oltre il 60% delle aziende non ha ancora visto un miglioramento misurabile del costo totale nei propri progetti agentici. Il quadro reale non è "AI sì o AI no": è una tecnologia potente che la stragrande maggioranza delle organizzazioni sta usando male. Ed è esattamente in questo scarto tra promessa e risultato che vive il valore di un professionista esperto.

Perché il 40% dei progetti AI fallisce

Quando un progetto AI fallisce, raramente è perché "il modello non era abbastanza intelligente". Fallisce per ragioni profondamente umane e ingegneristiche. Gartner usa un'espressione efficace, agent washing: stima che di tutte le migliaia di vendor che si dichiarano "agentic AI", solo un centinaio circa offra qualcosa di realmente agentico; il resto è rebranding di chatbot, RPA e assistenti preesistenti. Un'azienda che compra l'etichetta invece della sostanza è già a metà strada verso quel 40% di cancellazioni.

Le altre cause sono altrettanto concrete: costi che esplodono perché nessuno ha modellato il consumo di token a regime, casi d'uso scelti perché "fanno scena" e non perché risolvono un problema misurabile, e controlli di rischio inadeguati. Quest'ultimo punto è il più sottovalutato. Un agente che agisce in autonomia su sistemi aziendali senza confini operativi chiari non è un'efficienza, è una passività non quantificata. Decidere quali use case meritano davvero un'implementazione agentica, e quali no, è una valutazione di ingegneria e di business insieme, non una scelta di prodotto. È il primo punto in cui un esperto ti fa risparmiare molto più di quanto costa.

Il 40% dei progetti AI non fallisce perché l'AI non funziona. Fallisce perché nessuno ha fatto l'analisi seria prima di partire: quale problema, a quale costo, con quali confini, con quale piano se il modello cambia. Quella analisi è il lavoro.

L'errore che vedo più spesso: comprare la tecnologia prima del problema

Il modo più comune di finire nel 40% ha una forma riconoscibile. L'azienda parte dall'entusiasmo per uno strumento, "mettiamo un agente AI sul customer care", "automatizziamo i preventivi con l'AI", e solo dopo, a progetto avviato, scopre che il problema vero era un altro: i dati di partenza sono sporchi, il processo da automatizzare non era nemmeno formalizzato, oppure il costo per interazione a regime rende l'automazione più cara del lavoro umano che doveva sostituire. È la sequenza invertita: si compra la soluzione e poi si cerca il problema a cui applicarla.

Un approccio ingegneristico ribalta l'ordine. Si parte dal processo, lo si misura, si stima il consumo di token e il costo a regime su volumi reali, si verifica che i dati esistano e siano utilizzabili, e solo allora si decide se e come l'AI ha senso. Spesso la risposta è "sì, ma non come pensavi": magari l'agente autonomo non serve, basta un'automazione più semplice e deterministica che costa un decimo e non introduce rischi di comportamento imprevedibile. Sapere quando non usare l'AI agentica è una competenza tanto quanto saperla implementare, e in termini di budget risparmiato è probabilmente la più preziosa. Lo strumento entusiasma; il risultato lo porta a casa chi ha fatto le domande noiose prima di firmare.

Cosa fa un ingegnere che l'AI da sola non fa

Il valore di un professionista umano nell'era dell'AI non è l'empatia, ed è ora di smettere di raccontarlo così. È governare ciò che l'AI produce. McKinsey lo sintetizza in uno spostamento netto: nell'era agentica non basta più che i sistemi non dicano cose sbagliate, devono non fare cose sbagliate. Si passa dalla validazione dell'output alla validazione dell'azione, ed è terreno di ingegneria pura: controlli di accesso, principio del minimo privilegio, audit trail, sandboxing, human-in-the-loop sulle azioni critiche.

C'è poi un fronte che la maggioranza dei team ignora del tutto: la sicurezza del codice generato dall'AI. Il codice che un assistente produce in pochi secondi porta con sé una superficie d'attacco nuova, fatta di pattern vulnerabili plausibili, dipendenze allucinate e logiche di autorizzazione sottilmente sbagliate. Ne ho scritto in dettaglio analizzando la sicurezza del codice generato da LLM: è esattamente il tipo di rischio che un occhio esperto intercetta e un acquirente entusiasta no. Nella mia pipeline personale di automazione gestisco decine di codebase con orchestrazione LLM, e la regola che applico è invariabile: l'AI accelera la produzione, ma la validazione resta una responsabilità umana e ingegnerizzata, mai un atto di fede.

Questo spiega anche il dato di governance più citato del 2026, e cioè che solo circa il 21% delle aziende ha un modello di governance degli agenti realmente maturo. Ho dedicato un articolo a cosa significhi essere nel 21% che governa l'AI invece di subirla. Il restante 79% sta scalando deployment autonomi senza l'infrastruttura di controllo per reggerli: è la riserva da cui si pesca buona parte di quel 40% di fallimenti.

Il rischio che nessun modello può coprire da solo

C'è un'ultima dimensione che rende il professionista umano non sostituibile, e non ha nulla a che vedere con l'intuizione: la continuità. Un modello di frontiera è un fornitore, e come ogni fornitore può cambiare prezzo, condizioni, disponibilità, o essere sospeso da una decisione che non controlli. Costruire un processo di business critico inchiodandolo a un singolo modello, senza un piano di sostituibilità, è un rischio architetturale che nessun agente prenderà mai in carico al posto tuo: l'AI ottimizza dentro i vincoli che le dai, non progetta la propria via di fuga.

È un lavoro da ingegnere: un abstraction layer che renda il modello intercambiabile, eval di portabilità che misurino quanto si degrada cambiando provider, un fallback documentato. L'ho descritto parlando di come progettare la sostituibilità del modello AI. È la differenza tra usare l'AI e dipenderne. Se vuoi vedere come integro questi strumenti in sistemi di produzione con governance dei costi e validazione strutturata, nel mio hub dedicato all'AI per le aziende raccolgo gli articoli tecnici con metodologia e perimetro dichiarato.

L'integrazione, non la sostituzione

Niente di tutto questo significa rifiutare l'AI: sarebbe la posizione speculare e ugualmente sbagliata all'entusiasmo acritico. La traiettoria che i dati indicano non è "umani contro agenti", ma umani che orchestrano agenti. La stessa BCG descrive modelli di delivery in cui il professionista smette di eseguire i compiti ripetitivi, che passano all'automazione, e si concentra sulle decisioni di architettura, di rischio e di valore. L'AI gestisce il volume, l'esperto gestisce il giudizio.

Nel mio lavoro quotidiano questo è già la norma: uso l'automazione LLM come un moltiplicatore della mia capacità, non come un sostituto del mio criterio. Genero, esploro e refattorizzo molto più velocemente di prima, ma le scelte che contano, cosa automatizzare, dove mettere i confini, quando fidarsi dell'output e quando no, restano dove devono stare. È questo il modello che funziona per un'azienda: non comprare "l'AI" come se fosse una soluzione, ma adottarla dentro un disegno che qualcuno con competenza ha pensato e che qualcuno con responsabilità presidia.

Perché un consulente indipendente, e non solo un grande integratore

C'è un dettaglio nei report di mercato che raramente arriva nelle slide di vendita, ed è molto utile per chi deve scegliere a chi affidarsi. I grandi fornitori di servizi hanno modelli di delivery conservativi: si impegnano in media su miglioramenti di produttività del 6-15% a fronte di aspettative del 30-40%, lavorano ancora in larga parte a tempo e materiali invece che su risultati misurabili, e faticano a riconvertire le proprie strutture verso un modello in cui sono gli umani a orchestrare gli agenti. È una conseguenza della loro scala, non un difetto morale, ma per un'azienda media italiana significa spesso pagare molto per un'adozione AI prudente e lenta.

Un consulente senior indipendente, con profondità tecnica full-stack che spazia dall'ingegneria del software all'infrastruttura alla sicurezza, può coprire quel divario più in fretta e con meno sovrastruttura. Non perché sia "più bravo" in assoluto, ma perché è la persona che progetta, valida e presidia, senza i passaggi e i margini di una piramide di delivery. È esattamente il profilo che i dati indicano come scarso e richiesto: i report parlano di nuovi ruoli, come l'AI product engineer, in crescita a ritmi del 40-50% l'anno, segno che la competenza che integra davvero l'AI nei sistemi è il collo di bottiglia, non la tecnologia.

Il punto che ne deriva, per chi sta valutando, è semplice: non cercare chi ti vende "l'AI", cerca chi ti dimostra un impatto. I report sono espliciti nel dire che il "possiamo aiutarvi con l'AI" generico non basta più: servono prove di impatto e prototipi ingegnerizzati. È una buona notizia, perché ti dà un criterio di selezione concreto. Chiedi a chi ti propone un progetto AI di mostrarti, non di raccontarti, dove ha già fatto funzionare la cosa.

L'intelligenza artificiale sostituirà i consulenti IT?

No, ma cambierà il mestiere, e lo sta già facendo. La parte esecutiva e ripetitiva della consulenza tecnica viene assorbita dall'automazione, e questo è un bene. Quello che cresce di valore è il lavoro che l'AI non può fare da sola: scegliere i problemi giusti, progettare i confini, validare ciò che la macchina produce, garantire la continuità e rispondere quando qualcosa va storto. Il consulente che si limitava a "fare le cose" è davvero in difficoltà; quello che sa governare sistemi, AI inclusa, vale più di prima.

Domande frequenti

Conviene aspettare che l'AI sia più matura prima di adottarla?

No, ma conviene adottarla con metodo. Aspettare significa accumulare ritardo competitivo in un mercato che cresce a doppia cifra; adottarla senza criterio significa entrare nel 40% di progetti che vengono cancellati. La via sensata è iniziare da casi d'uso circoscritti e misurabili, con confini e costi chiari, e crescere da lì.

L'AI può sostituire il mio reparto IT interno?

Può potenziarlo enormemente, sollevandolo dai compiti ripetitivi, ma non può assumersi la responsabilità delle decisioni di architettura, sicurezza e continuità. Quelle restano umane, perché qualcuno deve risponderne quando un agente sbaglia o un fornitore cambia le regole.

Come capisco se un progetto AI ha senso per la mia azienda?

Partendo dal problema, non dalla tecnologia. Se non sai dire quale processo misurabile l'AI migliorerebbe, di quanto, e con quale costo a regime, non è ancora un progetto: è un'aspirazione. La prima consulenza utile è proprio questa analisi, ed è ciò che separa un investimento da una scommessa.

La conclusione, dopo aver guardato i numeri invece degli slogan, è meno rassicurante di "l'AI non capisce le emozioni" e molto più utile: l'AI è potente e va adottata, ma il valore non sta nello strumento, sta nel disegno e nel presidio che ci metti intorno. È lì che un ingegnere esperto fa la differenza tra il 5,5% che ne ricava valore e il resto che insegue. Se hai un progetto AI concreto e vuoi capire se regge un'analisi seria prima di investirci, usa il modulo di preventivo gratuito: poche domande, due minuti, e ti dico con franchezza se rientra nel mio perimetro o se ti conviene un'altra strada.