Cita da Fondazione Olitec su 27 Febbraio 2026, 9:03 am

Negli ultimi trent’anni la consulenza si è strutturata come un’industria dell’intelligenza “a noleggio”: persone altamente istruite, metodologie replicabili, accesso privilegiato a benchmark e una catena di produzione capace di trasformare problemi ambigui in decisioni presentabili. Il punto, oggi, è che una porzione enorme di quel valore non risiede in un gesto creativo irripetibile, ma in una sequenza di attività che si ripetono in ogni progetto: ricerca e raccolta di informazioni, lettura e sintesi di documenti, costruzione di confronti, produzione di ipotesi, modellazione di scenari, stesura di piani, redazione di report, preparazione di presentazioni, minute di meeting, tracciamento di KPI e aggiornamento continuo di materiali. Proprio queste attività—testuali, analitiche, procedurali—coincidono con il terreno in cui i sistemi di IA generativa e, soprattutto, gli agenti integrati nei software aziendali stanno progredendo più velocemente. Da qui nasce una previsione che sembra drastica ma ha basi statistiche e sperimentali solide: la maggior parte delle società di consulenza, intese come “fabbriche di ore” orientate a deliverable standardizzabili, verrà sostituita da sistemi di IA, oppure verrà ridimensionata fino a cambiare natura.

La chiave per capire perché questa previsione è plausibile non è chiedersi se l’IA “pensa come un consulente”, ma se può svolgere con qualità sufficiente i compiti che compongono il lavoro consulenziale. La letteratura più seria usa un approccio per compiti: non valuta professioni come blocchi, ma scompone il lavoro in attività e misura quanto siano esposte alle capacità dei modelli linguistici, specialmente quando questi modelli non agiscono da soli ma sono incorporati in strumenti e piattaforme. In questo senso, uno studio diventato riferimento (“GPTs are GPTs”) mostra che una quota molto ampia di lavoratori ha almeno una parte dei compiti potenzialmente impattata; soprattutto, quando si considera il “software potenziato da LLM” (non il semplice chatbot), la frazione di attività eseguibili più velocemente cresce in modo drastico. È un passaggio cruciale, perché la consulenza vive proprio di processi trasformabili in toolchain: ricerca + sintesi + struttura + scrittura + revisione + formattazione + aggiornamento. (arXiv)

Poi c’è l’evidenza sperimentale in un contesto che assomiglia in modo inquietante alla consulenza reale, non a un test da laboratorio. Il lavoro “Navigating the Jagged Technological Frontier”, basato su un esperimento preregistrato con 758 consulenti in una grande società globale, mostra che l’accesso a GPT-4 migliora produttività, velocità e qualità su molti compiti tipici; allo stesso tempo evidenzia una dinamica che conta tantissimo per il futuro del settore: i benefici sono grandi “dentro la frontiera” delle capacità dell’IA, ma quando si finisce “fuori frontiera” la collaborazione uomo-IA può peggiorare il risultato. Questo non smentisce la sostituzione: la rende selettiva e, quindi, industrialmente gestibile. Perché le aziende, e i vendor di software, spingeranno a standardizzare i compiti “dentro frontiera” (quelli ripetibili e verificabili) e ad automatizzarli in modo controllato, lasciando all’umano soprattutto ciò che richiede contesto, responsabilità e negoziazione.

Il punto economico diventa immediatamente numerico. Se su una fetta ampia delle attività quotidiane l’IA consente di produrre gli stessi output in meno tempo e con meno persone—e gli esperimenti indicano che questo accade in modo statisticamente significativo—il modello basato su piramidi di junior e su settimane di lavoro dedicate alla produzione di materiali entra in pressione. Non perché sparisca il bisogno di capire, decidere, cambiare, ma perché il costo marginale di produrre analisi e documenti crolla. In parallelo, la ricerca empirica su adozioni reali di strumenti di IA in contesti lavorativi “di massa” mostra un meccanismo complementare: l’IA tende a comprimere la distribuzione di produttività, aiutando soprattutto chi è meno esperto e rendendo più “scalabile” una qualità media accettabile. Questo, applicato alla consulenza, significa che molte attività tipicamente delegate ai livelli junior diventano automatizzabili o internalizzabili.

Il vero acceleratore, però, non è l’IA “usata dai consulenti”; è l’IA che entra nei sistemi del cliente come agente operativo. Quando un’azienda dispone di agenti che interrogano i propri data warehouse, generano report secondo policy interne, preparano automaticamente note per comitati, monitorano scostamenti, propongono azioni correttive e documentano l’audit trail, una parte enorme della consulenza tradizionale non viene più acquistata, viene assorbita dal software. Qui le previsioni degli analisti non sono una curiosità: descrivono una traiettoria di mercato in cui una quota consistente delle applicazioni enterprise incorpora agenti “task-specific” in tempi ravvicinati, portando l’automazione dal livello del testo al livello del workflow. Anche accettando che molti progetti agentici falliranno o verranno cancellati—e questo è previsto dagli stessi analisti—il risultato non è un ritorno al passato: è una selezione naturale che lascia in piedi i casi d’uso più robusti, quelli che sostituiscono davvero ore di lavoro ripetitivo. (Gartner)

A questo punto, la previsione “la maggior parte delle società di consulenza verrà sostituita” va letta nel modo corretto: non come estinzione del ruolo di consulente, ma come sostituzione del modello industriale dominante. La consulenza che vive di deliverable standardizzabili—ricerche comparative, benchmark, reportistica, PMO documentale, “slideware”, razionalizzazione di processi descrittivi, analisi descrittive ricorrenti—è quella che più assomiglia a un insieme di compiti trasformabili in pipeline automatizzate. È proprio qui che il rapporto fra costo e valore cambia più violentemente: se prima pagavi settimane di lavoro per ottenere una sintesi, domani pagherai un sistema che la produce ogni giorno, con standard, controlli e tracciabilità, e con aggiornamento continuo. Quando questo accade, non è necessario che l’IA sia “perfetta”: basta che sia sufficientemente buona, più rapida, più economica e inserita in una governance di verifiche umane dove serve. È la logica con cui l’automazione ha già eroso altri servizi professionali nel passato: prima rende il lavoro più veloce, poi lo standardizza, infine lo incorpora nella piattaforma.

C’è un ulteriore aspetto, spesso ignorato: la consulenza prospera quando l’incertezza è alta e le competenze interne sono scarse, ma soffre quando i budget discrezionali vengono razionalizzati e si pretende un ritorno misurabile. Il contesto macro del lavoro e delle ristrutturazioni, secondo analisi globali, indica un periodo in cui molte aziende si aspettano cambiamenti consistenti nelle mansioni e nella composizione dell’occupazione entro il 2030, con quote rilevanti di ruoli che vengono spiazzati e con una forte pressione alla riqualificazione. In un mondo così, una parte della domanda di consulenza si sposta dall’“advice” alla “messa a terra”: implementare, integrare, governare, misurare. E questo porta a un paradosso: nel breve la consulenza può anche crescere, perché le aziende chiamano consulenti per avviare l’IA; nel medio periodo, però, quando l’IA diventa infrastruttura ordinaria e i casi d’uso diventano prodotti, ciò che prima era progetto diventa funzione interna o servizio software. (World Economic Forum)

Questo spiega perché oggi osservi segnali apparentemente contraddittori. Da un lato, varie analisi di settore descrivono una ripresa della domanda di consulenza proprio trainata dall’adozione dell’IA, dalla trasformazione digitale e dai vincoli infrastrutturali che l’IA introduce (dati, cloud, sicurezza, energia, data center). Dall’altro, gli stessi osservatori riconoscono che l’IA permette ad alcuni clienti di ridurre la dipendenza dagli advisor esterni su porzioni del lavoro più “meccaniche”. In pratica, la consulenza viene usata come ponte: accelera la transizione, ma la transizione riduce la necessità della consulenza tradizionale. È un meccanismo tipico delle tecnologie general purpose: prima generano spesa per essere adottate, poi eliminano spesa perché cambiano la struttura dei costi. (Financial Times)

In questa dinamica, le società di consulenza non verranno tutte “spazzate via” nello stesso modo. Molte si divideranno in due specie. La prima è quella che si trasforma in azienda di prodotto e di delivery continuo: costruisce piattaforme, agenti, strumenti verticali, e vende risultati misurabili più che giornate uomo. La seconda resta legata al vecchio modello e subisce una compressione progressiva: meno ore vendibili, più concorrenza sul prezzo, meno bisogno di grandi team per produrre documenti, maggiore difficoltà a giustificare il costo quando il cliente vede che un tool interno può ottenere l’80% del risultato in un decimo del tempo. Quando questa compressione supera una soglia, la “maggior parte” del mercato consulenziale, così come lo abbiamo conosciuto, viene di fatto sostituita: non perché scompare il problema da risolvere, ma perché il modo più efficiente di risolverlo diventa un sistema.

Resta, naturalmente, una componente umana che non solo non scompare, ma diventa più preziosa. È la consulenza che si colloca dove la responsabilità non è delegabile a una macchina: governance, accountability, scelte strategiche ad alta ambiguità, gestione del rischio, negoziazione tra poteri interni, trasformazione culturale, gestione di crisi, progettazione di incentivi, e tutte le situazioni in cui il nodo non è “produrre un documento”, ma “far accadere qualcosa” in un’organizzazione reale. Anche qui l’IA aiuta, eccome, ma non elimina la necessità di una figura che si assuma l’onere della decisione e dell’adozione. Proprio lo studio sulla “frontiera frastagliata” mette in guardia dal credere che l’IA sia uniformemente competente: quando si usa l’IA dove non è affidabile, si rischiano errori con un’apparenza di sicurezza molto pericolosa. Quindi la consulenza che sopravvive non è quella che scrive meglio; è quella che sa progettare sistemi, controlli, metriche, e che sa rendere l’IA operativa senza trasformarla in una fabbrica di errori ben formattati.