Il 90% delle aziende usa l'intelligenza artificiale in azienda, ma solo il 6% ottiene risultati trasformativi. Il dato arriva da un sondaggio HubSpot su 6.000 clienti presentato a UNBOUND 2026. La differenza non è il modello adottato né il numero di strumenti, ma il contesto aziendale che alimenta i casi d'uso: dati CRM, procedure, conoscenza dei clienti.
Il contesto aziendale è l'insieme dei dati, delle procedure e delle conoscenze proprie di una singola organizzazione, dallo storico delle trattative registrate nel CRM alle regole con cui si qualifica un lead, fino ai feedback raccolti dal servizio clienti, che un sistema di intelligenza artificiale può utilizzare per produrre risposte pertinenti a quella impresa. È l'unico ingrediente di un progetto AI che un concorrente non può acquistare né copiare.
Perché il problema si presenta adesso
Nei due anni precedenti la domanda in azienda era se adottare o meno l'intelligenza artificiale. Quella fase è chiusa: gli strumenti sono entrati ovunque, spesso dal basso e senza una decisione formale. La domanda oggi è diversa e riguarda il ritorno, perché le licenze si rinnovano, i consumi crescono e i risultati restano difficili da dimostrare.
Yamini Rangan, CEO di HubSpot, ha definito questa fase maxing phase, la tendenza a fare di più senza ottenere di più: più strumenti, più agenti, più token consumati, a fronte di impatti che non compaiono nei numeri di fine trimestre.
Il problema tocca in modo particolare le PMI manifatturiere e distributive italiane strutturate, dove convivono un ERP consolidato, un CRM adottato di recente e processi commerciali che vivono in parte nelle teste delle persone e in parte nei file locali. In quel contesto l'AI produce contenuti e sintesi, ma non incide su pipeline, margini o tempi di risposta. Le conseguenze sono concrete: spesa ricorrente senza attribuzione, iniziative che restano pilota per mesi, e una diffidenza crescente da parte di chi deve approvare il budget successivo.
Perché il 90% delle aziende usa l'AI e solo il 6% ottiene risultati
Usare l'intelligenza artificiale e ottenere risultati sono due cose diverse, e il divario fra le due è ormai misurabile. Nel sondaggio HubSpot su 6.000 clienti presentato a UNBOUND 2026, il 90% delle aziende dichiara di utilizzare l'AI, mentre solo il 6% riporta risultati che definisce trasformativi.
Quel 6% non è un gruppo di aziende più fortunate. Secondo i dati presentati, ha 4 volte più probabilità di raggiungere gli obiettivi di fatturato e 3 volte più probabilità di centrare gli obiettivi di efficienza rispetto a tutte le altre. Lo stesso dato è stato ripreso da Forbes il 16 settembre 2026, che ha impostato l'analisi sulla stessa domanda: cosa fanno di diverso.
La risposta che emerge dal sondaggio è controintuitiva per chi governa un budget tecnologico. La variabile discriminante non è la quantità di strumenti attivati, né la classe di modello scelta, né la spesa mensile in token. È la qualità del collegamento fra il sistema AI e i dati dell'azienda.
Vale la pena fermarsi sul motivo. Un modello linguistico, per quanto avanzato, conosce il mondo ma non conosce l'impresa che lo interroga. Non sa quali clienti hanno margini bassi, quali trattative si chiudono più spesso in estate, quale obiezione ricorre nel settore che l'azienda presidia. Senza queste informazioni può produrre un testo corretto e generico. Con queste informazioni può produrre una valutazione che nessun concorrente è in grado di replicare, perché nessun concorrente dispone degli stessi dati.
È da qui che nasce l'asimmetria fra il 90% e il 6%. Il primo gruppo ha comprato accesso a una tecnologia disponibile a tutti. Il secondo ha collegato quella tecnologia a qualcosa che possiede soltanto lui.
I casi d'uso più diffusi sono quelli a minor impatto
C'è una relazione inversa fra quanto un caso d'uso è popolare e quanto incide sui risultati, e la ragione è sempre la stessa: i casi d'uso facili da attivare sono facili perché non richiedono contesto.
Il grafico presentato a UNBOUND 2026 mette in relazione la diffusione dei casi d'uso dell'AI con il loro impatto misurato. Nella parte bassa stanno le attività che ogni azienda ha attivato per prime, dalla generazione di contenuti generici all'invio massivo di email assistito dall'AI. Nella parte alta stanno le attività che richiedono conoscenza, dati e contesto: l'analisi delle performance di campagna, la prioritizzazione della pipeline commerciale, la lettura sistematica dei feedback dei clienti.
| Tipo di caso d'uso | Esempi | Contesto richiesto | Perché l'impatto è quello che è |
|---|---|---|---|
| Basso impatto | Contenuti generici, email di massa, riscrittura di testi | Nessuno, funziona con il modello appena attivato | Il risultato è replicabile da chiunque abbia lo stesso abbonamento |
| Alto impatto | Analisi delle campagne, prioritizzazione della pipeline, sintesi dei feedback dei clienti | Dati CRM storici, segmentazioni, criteri di qualificazione, conversazioni del servizio clienti | Il risultato dipende da dati che solo quell'azienda possiede |
I numeri presentati a UNBOUND 2026 riguardano proprio la parte alta del grafico. Dove l'AI lavora su un contesto solido, cioè conoscenza del cliente, dati aziendali e storico delle interazioni, i lead qualificati dal marketing crescono di oltre il 200%, aumentano le trattative chiuse positivamente e cresce il numero di meeting prenotati con i clienti.
La conseguenza operativa è che la prima domanda da porsi davanti a un nuovo caso d'uso non è quanto tempo fa risparmiare, ma quali dati aziendali richiede per funzionare. Se la risposta è nessuno, quel caso d'uso produrrà un risparmio di tempo reale e un vantaggio competitivo nullo, perché il concorrente sta già facendo la stessa cosa con lo stesso strumento.
Questo spiega anche perché molti progetti AI si fermano dopo la fase pilota. Il pilota viene scelto fra i casi d'uso facili, proprio perché è veloce da mostrare, e restituisce esattamente il risultato che quella categoria può dare: un miglioramento percepito, non misurabile a livello di conto economico. Chi valuta il progetto sulla base di quel pilota conclude, ragionevolmente, che non vale l'investimento successivo.
Il modello conta meno del telaio che gli fornisce contesto
Il modello è solo una delle tre parti di un sistema AI, ed è quella su cui si può intervenire di meno. Dharmesh Shah, cofondatore e CTO di HubSpot, nel suo intervento a UNBOUND 2026 scompone qualsiasi applicazione di intelligenza artificiale in tre componenti.
| Componente | Cos'è | Chi la governa | Errore tipico |
|---|---|---|---|
| Motore | Il modello linguistico che elabora la richiesta | Il fornitore della tecnologia | Inseguire sempre il modello più potente invece di scegliere quello adatto al compito |
| Telaio | Il software che passa al modello contesto, strumenti, dati e limiti operativi | L'azienda, insieme al partner tecnologico | Lasciarlo vuoto e attribuire al modello un risultato mediocre |
| Pilota | La persona che definisce l'obiettivo, fornisce feedback e decide quando il risultato è accettabile | L'azienda | Delegare senza definire cosa significa un buon risultato |
Il telaio è la parte che le aziende sottovalutano di più, anche perché è l'unica che richiede lavoro interno. Costruirlo significa decidere a quali dati un agente può accedere, con quali regole, entro quali limiti, e con quali istruzioni permanenti deve operare. È un lavoro di configurazione e di scrittura, non di sviluppo.
Su questo punto abbiamo maturato una convinzione operativa lavorando con i clienti: il singolo intervento che più alza la qualità di un agente non è il passaggio a un modello superiore, ma il collegamento dell'agente ai dati del CRM e la definizione esplicita dei criteri con cui l'azienda valuta un lead. Chi sta valutando se sviluppare internamente o acquistare una soluzione pronta trova in questa analisi su come impostare un agente AI in una PMI i criteri di scelta e le voci di costo da considerare.
I modelli si deprezzano, il contesto si apprezza
C'è una ragione strutturale per cui il contesto merita più attenzione del modello: i due si comportano in modo opposto nel tempo. Un modello ha un ciclo di vita breve e viene superato nel giro di mesi. Il contesto aziendale, se viene accumulato in modo ordinato, vale di più con il passare del tempo, perché ogni nuovo modello lo trova già pronto e lo usa meglio del precedente.
Shah distingue quattro atteggiamenti verso l'intelligenza artificiale e i risultati di crescita che producono: combatterla erode la crescita, ignorarla la limita, adottarla la stimola, comporla la moltiplica. Comporre significa che ogni utilizzo lascia qualcosa dietro di sé, un'istruzione scritta, un dato strutturato, una procedura codificata, e che il lavoro successivo riparte da quel punto anziché da zero.
È la stessa cosa che il sondaggio HubSpot misura dall'esterno. Il 6% che ottiene risultati trasformativi non dispone di modelli migliori, perché i modelli sono gli stessi per tutti. Dispone di un contesto accumulato che rende quei modelli utili nel proprio specifico mercato.
Un esempio documentato aiuta a capire cosa cambia in pratica. Nel progetto realizzato con Packstyle, azienda italiana di packaging personalizzato, la configurazione degli agenti HubSpot Breeze sui dati già presenti nel CRM ha portato il tempo di qualificazione dei lead a un terzo del precedente e ha raddoppiato il volume di prospect contattati ogni mese, con un go live in tre settimane. I dettagli del progetto sono descritti nella case history sugli agenti AI applicati al processo commerciale. Il risultato non è arrivato da un modello particolare: è arrivato dal fatto che l'agente leggeva dati che l'azienda aveva già.
Va detto con altrettanta chiarezza che il contesto sbagliato è peggio dell'assenza di AI. È il passaggio più netto del keynote di apertura: con un contesto errato o mancante, i risultati sono inferiori a quelli che la stessa azienda otterrebbe senza usare affatto l'intelligenza artificiale. Gli esempi portati sono operativi e riconoscibili: un agente che raccomanda prodotti usciti dal catalogo, un'analisi che applica una definizione sbagliata di ARR, un'approvazione instradata verso una persona che non ha quella delega.
Il prerequisito, quindi, non è tecnologico: dati anagrafici affidabili, una pipeline che riflette il processo reale, proprietà del CRM compilate con criteri condivisi, un catalogo aggiornato. Dove questo manca l'AI non resta neutra, perché amplifica l'errore e lo distribuisce più velocemente di quanto farebbe una persona.
Da dove partire: quattro passaggi da dieci minuti
Il punto di partenza non è la scelta dello strumento, ed è per questo che i quattro passaggi proposti da Shah alla chiusura del suo intervento non richiedono alcuna tecnologia. Ognuno costa circa dieci minuti e va poi mantenuto aggiornato.
- Scegliere l'indicatore da migliorare. Uno solo e misurabile: il tasso di apertura delle email commerciali, il numero di opportunità generate, le ore spese ogni settimana su un'attività ripetitiva. Senza quel numero non è possibile distinguere un'AI che aiuta da una che si limita a produrre output.
- Scrivere un documento su chi sei e come lavori. Di cosa si occupa l'azienda, a chi si rivolge, quanto devono essere sintetiche le risposte, quale tono usare con i clienti, cosa si considera un buon risultato. Quel testo va inserito come istruzione permanente in ogni strumento AI utilizzato, e sulla qualità dell'output pesa più di qualsiasi cambio di modello.
- Scrivere una job description per ogni compito delegato a un agente. Cosa deve fare, con quali informazioni, entro quali limiti, e in quali casi deve fermarsi e passare la mano a una persona. Lo stesso livello di dettaglio che si userebbe assumendo qualcuno per quel ruolo.
- Alzare l'asticella ogni settimana. Provare un compito leggermente più complesso di quelli abituali, invece di ripetere sempre i due o tre usi già acquisiti. È il meccanismo che trasforma l'adozione in accumulo.
Tre passaggi su quattro sono esercizi di scrittura. Il costo di ingresso non è la tecnologia, è mettere nero su bianco quello che di solito resta implicito nelle procedure aziendali. Per chi sta valutando in parallelo l'evoluzione della piattaforma, le novità presentate a UNBOUND 2026 sul CRM che aggiorna i dati in autonomia sono descritte in questa sintesi degli annunci HubSpot.
Domande frequenti
Come applicare l'intelligenza artificiale in azienda partendo da zero?
Si parte da un solo indicatore da migliorare e da un caso d'uso che richieda dati già presenti in azienda, tipicamente nel CRM. Attivare uno strumento senza collegarlo ai dati produce output generici. La sequenza corretta è definire l'obiettivo misurabile, verificare la qualità dei dati disponibili, collegare l'agente e misurare dopo quattro settimane.
Come affrontare un progetto di intelligenza artificiale in azienda?
Come un progetto di processo, non come un acquisto di software. Le fasi sono la scelta dell'indicatore, la verifica della qualità dei dati, la scrittura delle istruzioni permanenti e dei limiti operativi, la configurazione, la misurazione. La parte tecnologica è la più breve. La parte lunga è la definizione esplicita di regole che oggi sono implicite.
Come cambia il lavoro in azienda con l'intelligenza artificiale?
Cambia soprattutto la distribuzione del tempo. Le attività ripetitive di raccolta e sintesi si riducono, mentre cresce il tempo dedicato a definire criteri, verificare output e correggere. Nel progetto Packstyle la preparazione di un meeting commerciale è passata da circa un'ora a quindici minuti, ma il lavoro di definizione dei criteri di qualificazione è aumentato.
Cosa migliorano le aziende con l'intelligenza artificiale?
I dati presentati a UNBOUND 2026 indicano una crescita dei lead qualificati superiore al 200%, più trattative chiuse positivamente e più meeting prenotati, nei casi in cui l'AI lavora su un contesto solido. Con un contesto errato o assente i risultati sono peggiori rispetto a non usare l'AI. I casi d'uso che incidono sui ricavi richiedono accesso ai dati aziendali.
Quante aziende utilizzano davvero l'intelligenza artificiale?
Secondo il sondaggio HubSpot su 6.000 clienti presentato a UNBOUND 2026 il 90% delle aziende intervistate utilizza l'AI, ma solo il 6% dichiara risultati trasformativi. Quel 6% ha 4 volte più probabilità di raggiungere gli obiettivi di fatturato e 3 volte più probabilità di centrare quelli di efficienza.
Il passo successivo
Se l'elemento discriminante è il contesto, la prima verifica non riguarda quale strumento adottare ma quali dati aziendali sono già utilizzabili da un sistema AI e quali no.
Turatti Consulting, società di consulenza digitale con sede a Treviso e HubSpot Platinum Solutions Partner, esegue questa verifica come analisi a sé stante: mappatura delle proprietà CRM effettivamente compilate, valutazione della qualità dei dati di pipeline, individuazione dei due o tre casi d'uso ad alto impatto sostenibili con i dati disponibili, stima dell'indicatore su cui misurarli. L'esito è un documento che dice da dove partire e cosa sistemare prima di partire.
Per richiederla è sufficiente scrivere indicando il CRM in uso e il processo commerciale che si vuole misurare.
