Decision throughput e AI: come sbloccare i margini nei processi aziendali

L’economia invisibile delle scelte operative

Il costo di una decisione tardiva non compare mai in una voce di conto economico dedicata. Un’azienda conosce al centesimo la spesa per materie prime, salari, energia, ammortamenti e canoni software, ma raramente calcola le ore impiegate in riunioni, verifiche incrociate e passaggi gerarchici per stabilire quanto produrre, quale prezzo applicare a un lotto o quando fermare una linea per manutenzione.

Nel nostro primo approfondimento sul rapporto McKinsey 2026 abbiamo analizzato la svolta del Make vs Buy e la gestione dei costi dei token. Resta aperta la questione operativa su dove si generi il valore reale quando gli algoritmi entrano nei reparti. Nelle imprese manifatturiere e distributive, impiegare cinque giorni per ricalcolare un piano di produzione significa accumulare scorte nel magazzino sbagliato, saturare linee in modo inefficiente e perdere ordini urgenti.

Lo studio di McKinsey «The decision dividend: How AI creates economic value», dedicato al dividendo delle decisioni, chiarisce questo passaggio con un dato di bilancio: le spese generali e amministrative (SG&A), che comprendono i costi di gestione e pianificazione, incidono tipicamente per una quota compresa tra il 5% e il 12% del fatturato. Anche riducendo a zero queste voci non si spiegherebbero i margini ottenuti dai leader di mercato. Il valore economico non nasce dal taglio della manodopera, ma dalla capacità di comprimere la latenza decisionale: passare da cicli di revisione settimanali a ricalcoli continui basati su dati operativi aggiornati in tempo reale.

Decision throughput: la metrica che supera il conteggio delle licenze

Misurare il rendimento dell’AI contando gli assistenti virtuali attivati o le licenze software distribuite ai dipendenti non dice nulla sulla reale creazione di valore. L’errore più comune consiste nello scambiare la visibilità su una dashboard con la reale capacità operativa, misurando i dati visualizzati anziché le decisioni completate.

Il parametro strategico su cui valutare l’impatto economico è il decision throughput: la capacità dell’infrastruttura aziendale di valutare, instradare e trasformare i dati grezzi in azioni operative verificate a un ritmo sostenibile.

Nelle attività lineari, come il servizio clienti, la risoluzione assistita riduce i costi di gestione da 7-20 dollari a frazioni di centesimo, tagliando i tempi medi di lavorazione da oltre dieci minuti a meno di due. L’impatto finanziario più consistente si registra tuttavia quando gli algoritmi governano l’allocazione del capitale circolante e la saturazione degli impianti.

Un piano della domanda aggiornato più volte al giorno sulla base degli ordini effettivi, delle giacenze nei nodi logistici e dello stato di efficienza dei macchinari previene sia le rotture di stock sia le sovrapproduzioni. Un esempio concreto è la piattaforma di Revenue Growth Management adottata dal gruppo Reckitt: simulando in tempo reale l’impatto di prezzi, promozioni e portafoglio su dati di vendita e disponibilità a scaffale, l’azienda ha trasferito le raccomandazioni operative direttamente alla rete commerciale e ai punti vendita. Il vantaggio economico scaturisce dalla velocità: intervenire mentre una dinamica di mercato è in corso protegge la marginalità lorda prima che le condizioni esterne mutino.

Il paradosso di Acemoglu: dai compiti semplici ai processi complessi

Per comprendere perché molti investimenti in intelligenza artificiale non generano profitto, occorre distinguere la natura delle attività automatizzate. Nel saggio economico The Simple Macroeconomics of AI (NBER Working Paper 32487), Daron Acemoglu evidenzia come i guadagni aggregati di produttività dell’AI rischino di rimanere contenuti (stimati tra lo 0.53% e lo 0.66% in dieci anni a livello macroeconomico) se le applicazioni restano confinate ai compiti semplici (easy-to-learn tasks).

La velocità di adozione dell’AI non ha precedenti storici: mentre la macchina a vapore ha impiegato 55 anni per raggiungere la parità di costo con il lavoro umano, la dinamo elettrica 30 anni e internet 7 anni, l’AI ha tagliato questo traguardo in appena 2 anni grazie alle infrastrutture cloud condivise.

La facilità di accesso economico non garantisce però un impatto automatico sui processi industriali complessi (hard-to-learn tasks). I compiti lineari hanno regole chiare ed esiti oggettivi; al contrario, la gestione di una linea produttiva o la negoziazione delle forniture dipendono da vincoli fisici e conoscenza tacita non formalizzata. Le soluzioni generiche a scatola chiusa funzionano bene sui primi, ma falliscono sui secondi. Il ROI aziendale si sblocca unicamente quando l’intelligenza artificiale viene alimentata dalla semantica dei dati proprietari, calando i modelli all’interno della logica operativa dell’impresa.

Aumentare la resa degli impianti senza nuovi investimenti

Un errore comune nella pianificazione industriale consiste nel ritenere necessario l’acquisto di nuove linee o magazzini quando quelli esistenti sembrano saturi. Spesso il limite non risiede nella capacità nominale dell’hardware, ma nella lentezza delle decisioni di schedulazione e manutenzione.

Sistemi integrati che ottimizzano i parametri operativi in base alle condizioni reali dei macchinari aumentano il tasso di utilizzo degli impianti già ammortizzati, posticipando o azzerando investimenti in conto capitale (Capex). Secondo le analisi di McKinsey sui migliori casi osservati, riprogettare i flussi informativi consente di raggiungere incrementi dell’EBITDA fino al 20%, con tempi di recupero dell’investimento compresi tra dodici e ventiquattro mesi.

Quando i sistemi integrano agenti capaci di compiere azioni dirette, la gestione del decision throughput richiede una solida architettura di sicurezza. In linea con i principi del NIST AI Risk Management Framework (NIST AI RMF) e con gli obblighi del Regolamento UE 2024/1689 (AI Act), l’operatività degli agenti deve poggiare su identità digitali tracciabili (Non-Human Identities), permessi di accesso granulari (RBAC) e protocolli Human-in-the-Loop che riservano all’operatore umano la convalida delle scelte strategiche.

Come accelerare il ciclo decisionale

Nelle decisioni industriali il rinvio rappresenta un costo occulto: rimandare di un anno l’ottimizzazione dei processi significa accumulare inefficienze operative e perdere un vantaggio competitivo difficilmente recuperabile. Eliminare i colli di bottiglia decisionali significa trasformare dati storici, registri di produzione e flussi di magazzino in risposte operative immediate.

Vuoi calcolare il reale costo della latenza decisionale nei tuoi reparti e scoprire dove sbloccare margini operativi? Prenota una sessione di assessment tecnico con gli specialisti di Aidia.

Lettura consigliata

Per esaminare i fondamenti teorici ed economici sull’impatto dell’intelligenza artificiale tra compiti semplici e processi complessi, è possibile consultare lo studio economico ufficiale: Leggi il working paper NBER: The Simple Macroeconomics of AI di Daron Acemoglu.

Fonti

• Daron Acemoglu (National Bureau of Economic Research), «The Simple Macroeconomics of AI», NBER Working Paper n. 32487 (maggio 2024), https://www.nber.org/papers/w32487

• McKinsey & Company, McKinsey Industrials Insights (Industrials & Electronics Practice), Lari Hämäläinen e Steffen Fuchs, «The decision dividend: How AI creates economic value» (26 agosto 2026), https://www.mckinsey.com/industries/industrials/our-insights/the-decision-dividend-how-ai-creates-economic-value

• McKinsey & Company, QuantumBlack AI Insights, «The state of AI in 2026: On the road to ROI» (agosto 2026), https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

• Parlamento Europeo e Consiglio dell’Unione Europea, «Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio del 13 giugno 2024 che stabilisce regole armonizzate sull’intelligenza artificiale (AI Act)», Gazzetta Ufficiale dell’Unione Europea (12 luglio 2024), https://eur-lex.europa.eu/legal-content/IT/TXT/?uri=OJ:L_202401689

• National Institute of Standards and Technology (NIST), «AI Risk Management Framework (AI RMF 1.0) e Generative AI Profile (NIST-AI-600-1)», U.S. Department of Commerce (Luglio 2024), https://www.nist.gov/itl/ai-risk-management-framework

• NHI Management Group, «Decision Throughput: Definition & Framework Alignment (NIST AI RMF, NIST SP 800-53)» (1 agosto 2026), https://nhimg.org/glossary/decision-throughput/