AI as a service: an empirical study on benefits, challenges and adoption profiles in large italian enterprises

This thesis investigates the adoption of Artificial Intelligence as a Service (AIaaS) in large Italian companies with the aim of answering three questions: (i) what benefits are realized and (ii) what critical issues emerge after the adoption of AIaaS solutions; (iii) how the control choices and the breadth of the scope of use of AI are associated with different outcome profiles. The present work aims to fill a literature gap on AIaaS, still limited in analyzing organizational effects after AIaaS entered the corporate perimeter. To accomplish this, this work combines a systematic literature review with eight semi-structured interviews with C-level personnel and managers from large Italian companies operating in heterogeneous sectors. The materials were transcribed, coded using a theory-informed codebook and compared to each other to identify recurrences and anomalies. The analysis was guided by two tools: the Outcome Compass, which synthesizes the main evidence along five dimensions (Agility, Efficiency, Effectiveness, Assurance & Governance, Skills & Experience), and the Sourcing–Scope Matrix, which places cases on the control and pervasiveness of use axes. The results show that the adoption of AIaaS generates rapid value through on-demand scalability and standardization mechanisms: this reduces release times, elevates productivity and, once practices are stabilized, contains the TCO and guarantees preconfigured levels of normative compliance. These gains are offset by operational risks such as privacy constraints, integration overhead, skills gaps, cost volatility and lockin risk. Some themes often emphasized in the debate (e.g. legal and ethical responsibility) instead emerge marginally in the sample, indicating a prevalent focus on technical and economic-management problems in the short term. The intersection with the Sourcing–Scope Matrix highlights distinctive patterns: approaches “SaaS oriented” accelerate pilot projects and commissioning but increase exposure to lock-in and cost volatility, especially with large scope and variable loads. On the contrary, more internalized structures guarantee control of MLOps data, models and pipelines, reducing lock-in and unpredictability of costs, in the face of greater initial investments, skills needs and release times. On a scientific level, the thesis proposes an original framework to make the outcomes of AIaaS observable and comparable; on a managerial level, it offers a diagnostic device to evaluate one's positioning, anticipate trade-offs and design governance policies, skills and FinOps consistent with objectives and digital maturity.

Questa tesi indaga l’adozione dell’Intelligenza Artificiale as a Service (AIaaS) nelle grandi imprese italiane con l’obiettivo di rispondere a tre domande: (i) quali benefici si realizzano e (ii) quali criticità emergono dopo l’adozione di soluzioni AIaaS; (iii) come le scelte di controllo e l’ampiezza dello scope d’uso dell’AI si associano a differenti profili di esito. Il contributo punta a colmare una lacuna della letteratura sull’AIaaS, ancora limitata nell’analizzare gli effetti organizzativi dopo che esso è entrato nel perimetro aziendale. Per effettuare ciò, il presente lavoro combina una revisione sistematica della letteratura con otto interviste semi-strutturate a personale C-level e managers di grandi imprese italiane operanti in settori eterogenei. I materiali sono stati trascritti, codificati tramite un codebook theory-informed e confrontati fra loro per individuare ricorrenze e anomalie. L’analisi è stata guidata da due strumenti: l’Outcome Compass, che sintetizza le principali evidenze lungo cinque dimensioni (Agilità, Efficienza, Efficacia, Assurance & Governance, Skills & Experience), e la Sourcing–Scope Matrix, che posiziona i casi sugli assi controllo e pervasività d’uso. Dai risultati emerge che l’adozione di AIaaS genera valore rapido attraverso meccanismi di scalabilità on-demand e standardizzazione: ciò riduce i tempi di rilascio, eleva la produttività e, una volta stabilizzate le pratiche, contiene il TCO e garantisce livelli di compliance normativa preconfigurati. Questi guadagni sono controbilanciati da rischi operativi come vincoli di privacy, overhead di integrazione, gap di competenze, volatilità dei costi e rischio di lock-in. Alcuni temi spesso enfatizzati nel dibattito (es. responsabilità legale ed etica) emergono invece in modo marginale nel campione, indicando una focalizzazione prevalente su problemi tecnici ed economico-gestionali nel breve periodo. L’incrocio con la Sourcing–Scope Matrix evidenzia pattern distintivi: approcci “SaaS oriented” accelerano progetti pilota e messa in esercizio, ma accrescono l’esposizione a lock-in e volatilità dei costi, soprattutto con scope ampio e carichi variabili. Al contrario, assetti più internalizzati garantiscono presidio di dati, modelli e pipeline MLOps, riducendo lock-in e imprevedibilità dei costi, a fronte di maggiori investimenti iniziali, fabbisogni di competenze e tempi di rilascio. Sul piano scientifico, la tesi propone un framework originale per rendere osservabili e comparabili gli esiti di AIaaS. Sul piano manageriale, offre un dispositivo diagnostico per valutare il proprio posizionamento, anticipare trade-off e progettare politiche di governance, competenze e FinOps coerenti con obiettivi e maturità digitale.