C’è stata una valanga di speculazioni su quanto l’AI sia realmente penetrata nelle grandi aziende, ma la maggior parte delle informazioni esistenti consiste solo in autodichiarazioni sull’uso dell’AI o sondaggi che catturano il sentiment qualitativo degli acquirenti piuttosto che dati concreti. Inoltre, i pochi studi che esistono affermano che l’AI sta deludendo nell’enterprise, in particolare uno studio del MIT che sostiene che il 95% dei pilot di AI generativa fallisce nella conversione.
Basandoci sui nostri dati interni e conversazioni con executive aziendali, troviamo quella statistica difficile da credere. Abbiamo tracciato da vicino dove l’AI sta vedendo la maggiore adozione e dove il ROI è stato chiaro, e abbiamo compilato dati concreti su cosa funziona davvero nell’AI enterprise.
Penetrazione dell’AI nell’Enterprise
Secondo la nostra analisi, il 29% delle Fortune 500 e circa il 19% delle Global 2000 sono clienti paganti di una startup AI leader. Per qualificarsi per questa statistica, queste aziende hanno dovuto firmare un contratto top-down con una startup AI, convertire con successo un pilot e andare live con il prodotto nella loro organizzazione.
Questo livello di penetrazione in un periodo così breve è notevole, dato che le aziende Fortune 500 non sono note per essere early adopter di tecnologia. Storicamente, molte startup dovevano inizialmente vendere ad altre startup per ottenere slancio iniziale, e solo dopo qualche anno riuscivano a chiudere il primo contratto enterprise, e ci volevano significativamente più entrate e tempo prima di poter eventualmente acquisire un cliente delle dimensioni di una Fortune 500.
L’AI ha ribaltato quella norma. OpenAI ha lanciato ChatGPT a novembre 2022 e ha immediatamente messo sotto i riflettori il potenziale dell’AI sia per i consumatori che per le aziende. Nel farlo, hanno scatenato una tempesta di interesse nell’AI che le generazioni precedenti di tecnologia non avevano mai suscitato, e le grandi aziende sono state disposte a scommettere su prodotti più nuovi prima di quanto abbiano mai fatto. Il risultato: poco più di 3 anni dopo, quasi un terzo delle Fortune 500 e un quinto delle Global 2000 hanno deployment AI enterprise reali nelle loro organizzazioni.
Cosa Funziona nell’AI Enterprise
Dove sta avvenendo questa adozione più velocemente, e come si mappa al lavoro che i modelli sono intrinsecamente migliori a fare?
Il modo più indicativo per valutare questo è sovrapporre lo slancio delle entrate tra i casi d’uso rispetto alle capacità teoriche dei modelli come definite da GDPval, un benchmark noto di OpenAI che valuta le capacità del modello su compiti reali economicamente preziosi. Per noi, questi due fattori racchiudono sia quanto i modelli potrebbero essere buoni, sia quanto valore stanno dimostrando di fornire oggi.
Coding
Il coding è il caso d’uso dominante per l’AI di quasi un ordine di grandezza. È abbondantemente chiaro nella crescita esplosiva riportata di aziende come Cursor, così come nella crescita iper di strumenti come Claude Code e Codex. Questi tassi di crescita hanno superato praticamente le previsioni anche più ottimistiche di tutti, e di gran lunga la maggioranza dell’adozione di strumenti AI da parte di Fortune 500/Global 2000 è nel codice.
In molti modi, il coding rappresenta il caso d’uso ideale per l’AI, sia in termini di ciò che la tecnologia può fare sia di quanto prontamente il mercato enterprise lo accetterà. Il codice è denso di dati, il che significa che c’è una quantità massiccia di codice di alta qualità disponibile online per l’addestramento dei modelli. È anche basato su testo, rendendolo facile da analizzare per i modelli. È preciso e non ambiguo, con sintassi rigorosa e risultati prevedibili. E crucialmente, è verificabile: chiunque può eseguirlo e sapere se funziona, creando cicli di feedback stretti per i modelli da cui imparare e migliorare.
È anche un’applicazione eccellente dal punto di vista aziendale. Abbiamo sentito costantemente dalle portfolio companies che i livelli di produttività dei loro migliori ingegneri sono aumentati di 10-20x con gli strumenti di coding AI. Assumere ingegneri è sempre stato difficile e costoso, quindi qualsiasi cosa che migliori la loro produttività ha un ROI chiaro – e la magnitudine del miglioramento che gli strumenti di coding AI forniscono crea un enorme incentivo ad adottare.
Support
Il support è sul lato opposto del bilanciere rispetto al codice. Mentre l’ingegneria software spesso ottiene il maggior investimento e attenzione in un’organizzazione, il support è spesso trascurato. Il lavoro in un’organizzazione di support è lavoro back-office, entry-level, che è spesso esternalizzato a società offshore o società di business process outsourcing (BPO) perché le aziende lo ritengono troppo noioso e complicato da gestire internamente.
L’AI si è dimostrata eccezionale nel gestire questo lavoro per diverse ragioni. Prima di tutto, la natura della maggior parte delle interazioni di support è limitata nel tempo, con un intento vincolato (ad esempio, emettere un rimborso) che produce un problema ben definito da affrontare per gli agenti. Il support è anche una delle uniche funzioni in cui i compiti coinvolti nel ruolo sono chiaramente definiti.
Search
L’ultima categoria orizzontale con una chiara attrazione del mercato enterprise è la ricerca. Il caso d’uso primario di ChatGPT è la ricerca stessa, e quindi l’impatto della ricerca è probabilmente fortemente integrato nelle entrate e nell’utilizzo di ChatGPT ed è probabilmente ampiamente sottovalutato qui.
La ricerca AI è così ampia come categoria che ha permesso a molte grandi startup indipendenti di emergere. Uno dei principali punti dolenti che molte aziende hanno internamente è permettere ai dipendenti di semplicemente localizzare ed estrarre informazioni rilevanti attraverso un insieme disparato dei loro sistemi. Glean ha prosperato come principale fornitore startup per questo caso d’uso.
Industrie
Tecnologia
Di gran lunga l’industria più comune ad adottare l’AI finora è l’industria tech. ChatGPT stesso ha riportato che il 27% dei suoi utenti business proviene dal tech, e molti dei primi clienti di aziende come Cursor, Devin e Glean erano aziende tech. Questo è del tutto prevedibile dato che il tech è quasi sempre un early adopter ed è l’industria che ha generato l’ondata AI.
Ciò che è più sorprendente è che mercati che storicamente non erano considerati early adopter si sono rivelati desiderosi questa volta.
Legal
Il settore legale è stato sorprendentemente una delle industrie first-mover nell’AI. Il legal era storicamente noto per essere un mercato difficile per il software, con tempistiche lunghe e un acquirente meno orientato alla tecnologia.
Questo era perché il software enterprise tradizionale forniva un valore limitato agli avvocati: gli strumenti di workflow statici non acceleravano il lavoro non strutturato e sfumato che gli avvocati tipicamente facevano. Ma l’AI ha reso la value proposition della tecnologia per gli avvocati molto più chiara. L’AI è eccellente nell’analisi di testi densi, nel ragionamento su grandi quantità di testo e nel riassumere e redigere risposte – tutto lavoro che gli avvocati fanno regolarmente.
I risultati sono chiari. Harvey ha riportato circa 200 milioni di dollari in entrate ricorrenti annualizzate (ARR) entro 3 anni dalla fondazione, e aziende come Eve hanno più di 450 clienti e hanno raggiunto una valutazione di 1 miliardo di dollari quest’autunno.
Healthcare
Healthcare è un altro mercato che sta rispondendo all’AI in un modo in cui non ha mai fatto per il software tradizionale. Aziende come Abridge, Ambience Healthcare, OpenEvidence e Tennr sono cresciute tremendamente velocemente in termini di entrate sulla base di casi d’uso discreti come la trascrizione medica, la ricerca medica o l’automazione back office delle regole bizantine che governano come viene fornita e pagata l’assistenza sanitaria.
Healthcare era storicamente un mercato più lento nell’adottare software perché 1) il lavoro altamente qualificato e complesso si mappava male ai problemi che il software di workflow tradizionale poteva risolvere e 2) il dominio degli EHR system-of-record come Epic stringeva i nuovi fornitori di software. Con l’AI, tuttavia, le aziende sono state in grado di affrontare lavoro discreto di lavoro umano che aggira il system of record sia sostituendo il lavoro amministrativo (ad esempio, trascrittori medici) sia potenziando il lavoro di maggior valore che i medici stavano facendo.
L’AI sta arrivando per tutti i mercati
Questa analisi misura la percentuale di vittoria che il modello top valutato ha avuto contro esperti umani come benchmarked attraverso GDPval. Sulla base di ciò, è chiaro che i modelli sono diventati significativamente migliori nel lavoro economicamente prezioso dall’autunno 2025.
Perché, allora, non vediamo tutte le industrie che si classificano altamente su questa valutazione avere lo stesso tipo di slancio di entrate che altri hanno avuto?
Le industrie che hanno adottato l’AI con fervore finora hanno alcune somiglianze: sono basate su testo, coinvolgono lavoro routinario e ripetitivo, hanno un naturale coinvolgimento human-in-the-loop per iniettare giudizio umano, regolamentazione limitata e hanno output finali chiaramente verificabili (ad esempio, codice che funziona, un ticket di supporto risolto).
Il risultato più notevole qui è che le capacità del modello stanno migliorando rapidamente. Ci sono diversi domini che hanno mostrato miglioramenti drammatici negli ultimi 4 mesi – con contabilità e auditing che mostrano un salto di quasi il 20% su GDPval e persino domini come il lavoro di polizia/detective che mostrano un miglioramento di quasi il 30%. Ci aspettiamo che questi salti producano nuovi prodotti e aziende convincenti nei loro domini rilevanti.
Implicazioni per i builder
Sapere dove le aziende stanno traendo valore e come stanno pensando al ROI – così come quali settori stanno chiaramente vedendo attrazione vs quali sono a venire – ci permette di pensare più chiaramente a dove sono le opportunità per i builder AI.
Servire acquirenti tech, legal e healthcare è chiaramente terreno fertile in questo momento, ma non crediamo che ci sarà un “vincitore” in ogni categoria. Nel legal, per esempio, ci sono molti tipi di avvocati – consulenti interni, studi legali, avvocati di brevetti, avvocati attori, ecc. – che hanno tutti workflow diversi e diverse esigenze che le aziende potrebbero affrontare. Lo stesso vale per l’healthcare dato il mosaico di diversi tipi di medici, strutture sanitarie, ecc.
Oltre questi settori, un altro modo fruttuoso di pensarci è dove le capacità stanno diventando forti, ma dove non c’è ancora stata un’azienda di successo in termini di entrate. Molte delle attuali aziende sono state costruite appena prima che le capacità del modello sbloccassero davvero il prodotto, ma avevano costruito abbastanza infrastruttura tecnica e consapevolezza del cliente/mercato da essere le più avvantaggiate quando gli sblocchi del modello sono arrivati.
Infine, è importante prestare attenzione a dove i laboratori stanno concentrando i loro ultimi sforzi di ricerca sul lavoro economicamente prezioso. Con gli agenti a lungo orizzonte che migliorano rapidamente, investimenti seri nell’uso del computer e ricerca in interfacce affidabili per modalità oltre il testo (ad esempio, fogli di calcolo, presentazioni), c’è un’intera classe di nuove startup che presto avranno l’infrastruttura abilitante richiesta per produrre valore enterprise significativo.
