L'AI trasformerà interi settori. Ma prima che le organizzazioni possano coglierne appieno il valore, devono affrontare una sfida più immediata: mantenerne il controllo.
I risultati del Flexera State of ITAM 2026 mostrano che, dopo anni di progressi costanti, per molte aziende la visibilità sul patrimonio IT e il controllo dei costi stanno subendo una battuta d'arresto. Rispetto all'anno precedente, una quota inferiore di organizzazioni dichiara di avere una visibilità completa dei propri asset IT (36%), mentre l'ottimizzazione della spesa software è diventata una priorità assoluta a causa delle crescenti pressioni sui costi (19%).
Queste tendenze riflettono le sfide legate al controllo e al finanziamento della rapida diffusione dell'intelligenza artificiale all'interno delle organizzazioni. Solo il 31% delle aziende dichiara di avere visibilità sugli strumenti AI utilizzati, mentre il 59% afferma che gli sprechi legati alla spesa per l'AI sono aumentati rispetto all'anno precedente.
Si tratta di un segnale che dovrebbe preoccupare sia i responsabili IT sia il management aziendale. L'AI non è semplicemente un'ulteriore categoria di software da monitorare. Le sue caratteristiche distintive, l'enorme potenziale di valore e i rischi che comporta richiedono un livello di governance superiore rispetto alle tecnologie delle generazioni precedenti.
Se le organizzazioni gestiscono l'intelligenza artificiale come una tradizionale implementazione SaaS, rischiano di ripetere gli errori già commessi con la proliferazione incontrollata di cloud e SaaS, ma in tempi molto più rapidi, con una visibilità ancora minore e conseguenze potenzialmente più rilevanti.
Ci sono diverse ragioni per cui l'attuale accelerazione nell'adozione dell'intelligenza artificiale è così difficile da governare.
La prima è la velocità. Il ritmo dell'innovazione nel campo dell'AI non ha precedenti rispetto ai cicli tecnologici del passato. Nuovi modelli, strumenti, assistenti e agenti vengono introdotti nel giro di poche settimane, ciascuno con la promessa di migliori prestazioni o funzionalità più estese. È naturale che i team aziendali vogliano sperimentare, che le persone cerchino di aumentare la propria produttività, che i reparti puntino a rendere i processi più efficienti e che il management voglia dimostrare risultati concreti. Questo entusiasmo è un elemento positivo, ma crea anche le condizioni ideali per la diffusione della Shadow AI.
A differenza di quanto accadeva con le precedenti ondate di adozione software, l'AI entra spesso nelle organizzazioni attraverso molteplici canali contemporaneamente. Può presentarsi come applicazione autonoma, come funzionalità integrata in una piattaforma SaaS esistente, come chiamata API all'interno di un ambiente cloud, come sottoscrizione a un chatbot o come agente sviluppato da un team al di fuori dell'IT centrale. Singolarmente, ogni iniziativa può sembrare di portata limitata. Nel loro insieme, però, generano un livello crescente di costi, rischi e dipendenze operative che molte organizzazioni non riescono a vedere nella loro interezza.
La seconda sfida è che l'AI si comporta in modo diverso rispetto alle tradizionali applicazioni cloud e SaaS. La spesa non è distribuita soltanto tra strumenti, API, modelli e ambienti cloud differenti, ma è anche meno prevedibile e fortemente influenzata dai comportamenti degli utenti. I consumi possono aumentare improvvisamente quando un processo viene automatizzato o quando emerge un nuovo caso d'uso particolarmente efficace. In assenza di controlli adeguati, i costi possono crescere rapidamente prima ancora che Finance, Procurement o ITAM si rendano conto di ciò che sta accadendo.
L'intelligenza artificiale rende inoltre più complesso prevedere il valore generato. Le soluzioni di automazione tradizionali venivano generalmente valutate in base a velocità, uniformità e riduzione dei costi. L'AI generativa è molto più variabile. La qualità dei risultati dipende dal modello utilizzato, dalla qualità dei dati, dalla progettazione degli agenti, dai prompt impiegati e dalle competenze delle persone che li utilizzano. Se uno o più di questi elementi risultano carenti, le organizzazioni rischiano di sostenere costi senza ottenere risultati affidabili.
In termini pratici, questo significa token sprecati, strumenti duplicati, licenze inutilizzate, bassi livelli di adozione e un divario sempre più ampio tra gli investimenti in AI e il valore effettivamente generato per il business.
Le organizzazioni non devono smettere di sperimentare con l'intelligenza artificiale. Devono però adottare un approccio diverso, che consenta di gestirla come parte integrante del patrimonio IT e di misurarne concretamente il valore generato.
Il primo passo consiste nell'avvicinare ITAM e FinOps. L'ITAM porta con sé disciplina nella gestione dell'inventario, della proprietà degli asset, dei diritti di utilizzo, dei contratti, della conformità e del controllo del ciclo di vita. FinOps offre invece visibilità sui consumi, attribuzione dei costi, capacità previsionali, ottimizzazione e accountability per la spesa cloud. L'AI richiede entrambe le prospettive. Uno strumento AI con licenza può assomigliare a una soluzione SaaS. Un modello eseguito nel cloud può essere assimilato a una voce di costo basata sul consumo. Un agente può combinare software, cloud, dati e automazione dei processi. Gestire ciascun elemento separatamente non è più sufficiente.
Un approccio più efficace consiste nel creare una vista unificata degli asset e dell'utilizzo dell'AI. Le organizzazioni devono sapere quali strumenti di intelligenza artificiale sono approvati, chi ne è responsabile, chi li utilizza, quali dati coinvolgono, come vengono finanziati e quale valore ci si aspetta che generino.
Per farlo servono informazioni accurate, aggiornate e correlate tra loro sull'intero patrimonio IT. Ciò include la proprietà delle applicazioni, le condizioni contrattuali, i diritti di accesso degli utenti, le risorse cloud, l'utilizzo delle soluzioni SaaS, la criticità per il business e la classificazione del rischio. Integrando queste informazioni con i dati economici e finanziari, è possibile ottenere una visione completa dell'evoluzione di adozione, costi e risultati.
Una volta ottenuta la giusta visibilità, l'attenzione deve spostarsi sulla comprensione di dove e come l'AI genera valore misurabile per il business. Per raggiungere questo obiettivo è consigliabile:
Disporre dell'infrastruttura e dei processi necessari per governare l'intelligenza artificiale è importante, ma non sufficiente. Senza un'implementazione efficace, ottenere un reale ritorno sugli investimenti rimarrà difficile.
Le persone in tutta l'organizzazione devono sviluppare le competenze necessarie per scegliere il modello più adatto, progettare prompt efficaci, validare i risultati generati, monitorare l'utilizzo e gestire il ciclo di vita degli agenti. In assenza di queste competenze fondamentali, il rischio è consumare rapidamente risorse e budget ottenendo risultati non all'altezza delle aspettative e introducendo potenziali criticità.
Anche le organizzazioni che dispongono di una solida strategia dei dati tenderanno a ottenere risultati migliori. Senza una base dati affidabile e ben governata, infatti, anche i prompt progettati nel modo più accurato avranno minori probabilità di produrre risultati di qualità.
L'AI agentica alza ulteriormente il livello della sfida. Gli agenti hanno il potenziale di automatizzare workflow complessi, ma introducono anche nuove domande legate a proprietà, autorizzazioni di accesso, test, costi, modalità di errore e accountability. Prima di estendere su larga scala i casi d'uso basati sugli agenti, le organizzazioni dovrebbero definire regole e limiti chiari: cosa l'agente è autorizzato a fare, a quali sistemi può accedere, quali approvazioni umane sono necessarie, come vengono misurate le prestazioni e come vengono monitorati i costi.
L'obiettivo non è ostacolare i casi d'uso ad alto valore, ma assicurarsi che siano sicuri, misurabili e sostenibili dal punto di vista economico fin dall'inizio. Per molte organizzazioni, il supporto di competenze specialistiche può accelerare significativamente questo percorso. La sfida non consiste semplicemente nello scegliere uno strumento o definire una policy. Si tratta di integrare discovery, governance, ottimizzazione dei costi, gestione delle licenze, consumi cloud, sicurezza e valore di business all'interno di un unico modello operativo. Un obiettivo che richiede esperienza trasversale in ambito software, cloud, dati e intelligenza artificiale.
L'intelligenza artificiale premierà le organizzazioni che sapranno muoversi rapidamente, ma non quelle che lo faranno senza una direzione chiara. Le aziende che riusciranno a ottenere il massimo valore dall'AI saranno quelle in grado di sapere quali strumenti vengono utilizzati, comprenderne i costi, gestire i rischi associati e reinvestire i risparmi ottenuti nei casi d'uso che generano il maggiore impatto per il business.
Tutto parte dalla capacità di colmare i gap di visibilità, collegare la spesa al valore generato e assicurarsi di disporre dei dati e delle competenze necessarie per creare risultati concreti limitando al minimo sprechi e inefficienze.
SoftwareOne aiuta le organizzazioni a portare chiarezza, controllo e risultati di business in ecosistemi complessi che coinvolgono software, cloud e intelligenza artificiale. Dall'ITAM e FinOps fino all'implementazione e alla governance dell'AI, i nostri esperti supportano le aziende nell'individuare gli sprechi, ridurre i rischi e creare le basi per investimenti più efficaci nell'intelligenza artificiale. Parla con noi per costruire una roadmap concreta per la visibilità, la governance e l'ottimizzazione dell'AI.
Scopri i trend che stanno ridefinendo oggi la gestione dei costi IT e dei rischi tecnologici scaricando il report completo di Flexera.
Scopri i trend che stanno ridefinendo oggi la gestione dei costi IT e dei rischi tecnologici scaricando il report completo di Flexera.
