McKinsey Technology Trends Outlook 2026: guida per i CIO

Chatbot e applicazioni generative hanno dominato la prima fase dell’AI. Ora l’attenzione si sposta sulla capacità di utilizzare questi sistemi su larga scala e integrarli nei processi aziendali. Data center, chip, reti, energia e competenze diventano fattori determinanti, mentre l’intelligenza artificiale trova applicazione anche nella robotica, nella ricerca scientifica e nelle infrastrutture.

È il quadro tracciato dalla sesta edizione del McKinsey Technology Trends Outlook 2026. Il rapporto individua 14 tendenze e mostra come la crescita dell’AI coinvolga ormai l’intero sistema tecnologico. Per i CIO, la sfida riguarda soprattutto la capacità di trasformare sperimentazioni e prototipi in soluzioni affidabili, sicure e sostenibili.

Quattordici tendenze, tre macroaree

McKinsey organizza il quadro in tre macroaree.

• “AI revolution” comprende lo sviluppo software agentico, l’AI agentica, l’impiego dell’intelligenza artificiale nella scoperta scientifica e nell’ingegneria, le infrastrutture e le architetture dei modelli.
• “Compute & Connectivity Frontiers” riunisce semiconduttori specifici per applicazione, cybersecurity e sistemi affidabili, connettività avanzata, realtà immersiva e tecnologie quantistiche.
• “Cutting-Edge Engineering” include robotica, mobilità, tecnologie spaziali, life science e bioingegneria, energia e sostenibilità.

Le categorie servono a orientare la lettura, mentre gran parte dell’innovazione nasce dalla convergenza tra domini. Un robot autonomo, per esempio, combina modelli di AI, chip specializzati, sensori, software, reti e sistemi di sicurezza. Un data center destinato ai workload di intelligenza artificiale dipende dalle architetture di calcolo, dalla capacità delle reti e dalla disponibilità di elettricità. Anche l’avanzamento della ricerca farmaceutica attraverso modelli generativi resta legato ai laboratori, alla qualità dei dati, ai test clinici e alle procedure regolatorie.

La selezione deriva da un’analisi quantitativa di sei segnali: ricerche online, articoli di stampa, brevetti, pubblicazioni scientifiche, investimenti in equity e domanda di talenti. A questi indicatori McKinsey affianca interviste con manager, decisori pubblici, investitori ed esperti di diversi settori e aree geografiche. Il livello di adozione aziendale viene valutato su una scala da uno, che indica un’innovazione ancora iniziale, a cinque, corrispondente a una diffusione pienamente integrata. Gli investimenti considerati sono raccolte di capitale sui mercati pubblici e privati e operazioni finanziarie; restano esclusi capex e spese operative delle aziende.

La tassonomia è cambiata rispetto al precedente rapporto. Cloud ed edge computing, presenti nell’edizione precedente, escono dalla mappa perché hanno raggiunto una diffusione più matura e registrano livelli di innovazione misurata inferiori a quelli delle tecnologie di frontiera. Entrano invece lo sviluppo software agentico e l’AI per la scoperta scientifica e l’ingegneria, due ambiti nei quali l’impatto dell’intelligenza artificiale è diventato abbastanza rilevante da meritare una categoria autonoma.

Dall’AI generativa agli agenti

Lo sviluppo software agentico segna il passaggio dagli assistenti che suggeriscono porzioni di codice a sistemi basati su modelli linguistici capaci di pianificare, programmare, eseguire test, correggere errori e distribuire modifiche.

Il ruolo degli sviluppatori si sposta così verso l’orchestrazione e la supervisione di agenti che possono lavorare su attività più lunghe. McKinsey stima che, se applicato con successo, questo approccio potrebbe liberare quasi mille miliardi di dollari di valore per le imprese. Il dato sugli investimenti mostra la velocità del fenomeno: dai 4,9 miliardi di dollari del 2025 si è passati a oltre 61 miliardi nella prima metà del 2026, cifra influenzata in misura dominante dall’acquisizione di Cursor per 60 miliardi.

La produttività del singolo programmatore rappresenta soltanto una parte del cambiamento. Il codice generato deve entrare nei processi di revisione, integrazione, test, sicurezza e rilascio dell’organizzazione. La produzione può accelerare più della capacità aziendale di verificare e distribuire software affidabile, con il rischio di accumulare componenti fragili nei sistemi. Di conseguenza, l’evoluzione riguarda l’intero ciclo di sviluppo e richiede controlli, piattaforme e modalità operative coerenti con il nuovo ritmo.

L’AI agentica estende lo stesso principio ai processi aziendali. Gli agenti interpretano obiettivi, interagiscono con applicazioni e dati, coordinano altri sistemi e adattano le azioni al contesto con una supervisione umana limitata. Secondo la ricerca richiamata nel rapporto, l’89% delle organizzazioni utilizza regolarmente l’AI e la maggioranza sta almeno sperimentando gli agenti. Il ritorno economico rimane più circoscritto: soltanto il 37% attribuisce ai propri programmi di intelligenza artificiale un impatto positivo sull’EBIT, il risultato operativo prima di interessi e imposte.

Il divario dipende anche dai requisiti di integrazione. I flussi agentici richiedono aggiornamenti dello stack tecnologico, accesso governato a dati e applicazioni, capacità di osservare le azioni compiute e una maggiore disponibilità di calcolo, perché consumano più token dei chatbot tradizionali. L’agente diventa una componente dell’architettura e del modello operativo, con effetti su costi, sicurezza, ruoli e responsabilità.

Con l’AI cresce l’R&D, test e sperimentazione dettano i tempi

L’AI applicata alla ricerca scientifica e all’ingegneria è ancora in una fase relativamente iniziale, ma il suo raggio d’azione continua ad ampliarsi. I modelli sono sempre più utilizzati per formulare ipotesi, progettare esperimenti, ottimizzare molecole ed esplorare spazi progettuali di una complessità e ampiezza prima difficilmente gestibili. Nelle attività di ricerca e sviluppo, inizialmente concentrate su previsione e modellazione, stanno emergendo workflow più autonomi, nei quali sistemi agentici supportano e coordinano diverse fasi del processo.

Proprio la crescente capacità di generazione dell’AI porta però in primo piano una nuova sfida: la validazione dei risultati. Nel settore biofarmaceutico, ad esempio, l’AI è in grado di proporre migliaia di candidati farmaci in tempi che in passato avrebbero consentito di individuarne solo una manciata, mentre la validazione in laboratorio, la sperimentazione clinica e l’approvazione regolatoria continuano a richiedere tempi molto più lunghi.

Lo stesso fenomeno si osserva nella scienza dei materiali, dove nuovi composti possono essere progettati più rapidamente di quanto i laboratori riescano a sintetizzarli e verificarli. Il collo di bottiglia, quindi, tende a spostarsi dalla generazione delle idee alla capacità di testarle, selezionarle e trasformarle in applicazioni concrete.

Lo stesso meccanismo emerge nelle scienze della vita e nella bioingegneria. I modelli biologici multimodali e gli strumenti di progettazione assistita facilitano la generazione di proteine e candidati terapeutici, ma spostano la pressione sulla qualità dei dati, sulla capacità di eseguire test, sui processi produttivi, sulle sperimentazioni cliniche e sulla qualificazione da parte dei clienti. Gli investimenti in equity del comparto hanno raggiunto 101 miliardi di dollari nel 2025, mantenendosi intorno ai 100 miliardi…