Infrastrutture, competenze, dati, regole e fiducia: le leve strategiche per governare la svolta dell’AI

Nel 2026 l’intelligenza artificiale è entrata definitivamente nella sua fase adulta: il tasso di adozione tra le imprese è infatti raddoppiato in un solo anno, passando dall’8,2% del 2024 al 16,4% nel 2025.

Si chiude dunque la stagione della sperimentazione, dell’entusiasmo e dell’accelerazione tecnologica e si apre quella della verifica: un momento cruciale per misurare gli effetti reali e i benefici concreti introdotti nei processi aziendali più importanti, distinguendo i progetti pilota rimasti isolati da ciò che è stato integrato stabilmente nell’operatività ordinaria.

A sottolinearlo è il terzo Rapporto annuale sull’intelligenza artificiale, realizzato dall’Osservatorio Permanente sull’Adozione e l’Integrazione dell’Intelligenza Artificiale di Aspen Institute Italia in collaborazione con Intesa Sanpaolo.

Il rapporto sottolinea come la tecnologia sia passata dall’essere semplice strumento di ottimizzazione o di software applicativo autonomo a vera e propria infrastruttura generale del cambiamento economico e industriale.

In una simile configurazione, l’adozione diffusa deve evolvere verso una stabilità di lungo termine basata sulle tre grandi priorità strategiche e industriali: il passaggio dall’adozione all’integrazione, il governo responsabile della tecnologia e il rafforzamento dell’autonomia strategica europea.

Una crescita rapida ma polarizzata nel tessuto produttivo

L’analisi dei dati macroeconomici evidenzia una dinamica di adozione caratterizzata da un’accelerazione significativa, che nasconde tuttavia profonde asimmetrie dimensionali e geografiche.

In Italia la quota di imprese con almeno dieci addetti che utilizzano tecnologie di intelligenza artificiale ha raggiunto il 16,4% nel 2025. Sebbene la crescita indichi un raddoppio rispetto all’8,2% registrato nel 2024, il sistema produttivo nazionale sconta ancora un divario rispetto alla media dell’Unione Europea, attestata al 20% nello stesso periodo.

La disparità più marcata risiede nella scomposizione del dato per classe dimensionale. Le grandi organizzazioni italiane superano la soglia del 50% di adozione, forti di maggiori risorse finanziarie, infrastrutture informatiche già consolidate e competenze specialistiche interne.

Al contrario, le piccole e medie imprese rimangono ampiamente distanziate. Il divario rivela una difficoltà strutturale di assorbimento tecnologico nel tessuto produttivo meno strutturato, dove mancano le condizioni abilitanti necessarie per avviare l’integrazione di sistemi complessi.

A livello europeo, la diffusione degli strumenti si concentra in specifiche aree funzionali. Le applicazioni più frequenti riguardano la gestione di marketing e vendite, che copre il 34,7% dei casi d’uso complessivi, seguita dai processi amministrativi con il 31,1% e dalle attività di contabilità e finanza con il 23,1%.

La ripartizione conferma come la prima ondata di soluzioni si sia focalizzata soprattutto sull’ottimizzazione di flussi di lavoro ad alta intensità di dati documentali e transazionali, lasciando ancora ampi margini di sviluppo per l’applicazione diretta nei processi operativi e di fabbrica.

L’evoluzione tecnologica dai sistemi generativi all’AI agentica e fisica

Il salto qualitativo più significativo registrato di recente risiede nel superamento del concetto di intelligenza artificiale generativa intesa come semplice assistente conversazionale.

I chatbot e i generatori di testo lasciano il posto ai cosiddetti sistemi agentici, ovvero architetture software capaci di pianificare ed eseguire sequenze complesse di azioni in modo autonomo per raggiungere un obiettivo finale stabilito dall’utente.

Gli agenti autonomi non si limitano a rispondere a singole istruzioni, ma analizzano il problema, lo scompongono in sotto-attività, selezionano gli strumenti digitali più adatti per risolverle e ne verificano i risultati intermedi, ridefinendo il proprio comportamento in base agli ostacoli riscontrati.

Nei contesti industriali, l’unione tra i modelli fondazionali e le macchine fisiche dà vita alla cosiddetta Physical AI. L’integrazione diretta permette a robot, manipolatori e interi impianti di produzione di percepire l’ambiente circostante e di agire di conseguenza nel mondo reale.

Invece di seguire rigide istruzioni di programmazione tradizionali, i macchinari così equipaggiati possono adattarsi a variazioni improvvise della produzione, gestire oggetti mai visti prima e correggere errori operativi in tempo reale. La fabbrica si trasforma così in un vero e proprio ecosistema adattivo, dove l’automazione rigida viene sostituita da una flessibilità dinamica guidata dai dati.

La transizione verso sistemi così avanzati impone tuttavia una profonda riflessione sui criteri di affidabilità e sui protocolli di validazione. Trattandosi di tecnologie basate su modelli probabilistici, i tradizionali metodi di certificazione del software, pensati per logiche deterministiche e flussi di codice ripetitivi, non risultano più applicabili.

Diventa indispensabile sviluppare nuovi modelli di validazione probabilistica, capaci di valutare le prestazioni del sistema entro margini di errore accettabili, e di strutturare protocolli di trasparenza relazionale, garantendo che le decisioni prese dagli agenti autonomi siano sempre ricostruibili e verificabili nei loro passaggi logici fondamentali.

La riprogettazione dei processi per superare la fase sperimentale

Il passaggio dallo stato di prova all’integrazione strutturale si scontra spesso con barriere di natura organizzativa. Molte aziende incorrono in quella che il terzo Rapporto annuale dell’Osservatorio di Aspen Institute Italia definisce la “trappola dei piloti”: solo una quota limitata delle grandi imprese, stimata attorno al 30%, riesce effettivamente a scalare le iniziative portandole oltre la fase di test iniziale.

Il mancato superamento di questa soglia è raramente imputabile a limiti tecnologici o a carenze di budget. Dipende piuttosto, come evidenziato nello studio, dall’assenza di un disegno organizzativo strutturato, capace di coordinare l’introduzione dei modelli con la disponibilità di dati pronti all’uso e con una chiara attribuzione delle responsabilità decisionali.

Il valore reale della tecnologia si concretizza unicamente dove l’inserimento dei sistemi si accompagna a una riprogettazione intenzionale dei flussi di lavoro e delle procedure decisionali aziendali.

Invece di limitarsi ad affiancare strumenti di calcolo ai processi esistenti per automatizzare singole attività in modo isolato, le imprese ad alta maturità tecnologica analizzate nel rapporto ripensano l’intero modello operativo.

Le infrastrutture fisiche, i dati, i flussi di informazione e i compiti assegnati al personale vengono riprogettati in modo congiunto, trasformando l’AI da semplice applicazione software aggiuntiva a vera leva di cambiamento strategico per il servizio o il prodotto stesso.

All’interno di questo nuovo equilibrio, assume rilevanza centrale il principio definito “human in the lead”. Si supera definitivamente l’approccio orientato al mero presidio umano passivo, inteso come semplice sorveglianza visiva di un processo automatizzato.

La direzione, il controllo finale e la responsabilità sostanziale delle scelte supportate dai sistemi probabilistici devono rimanere saldamente in capo alle persone. L’operatore umano non viene escluso dal ciclo decisionale, ma assume un ruolo attivo di indirizzo strategico e di supervisione qualitativa sull’operato degli algoritmi, garantendo il rispetto dei parametri di sicurezza e dei requisiti di conformità operativa.

Competenze, standardizzazione professionale e il fattore umano

La transizione verso un modello operativo integrato richiede un’evoluzione parallela delle competenze tecniche e professionali, un ambito in cui il nostro Paese esprime un posizionamento di eccellenza.

Il rapporto conferma infatti come l’Italia si collochi al secondo posto a livello europeo per produzione scientifica e pubblicazioni di alta qualità dedicate all’intelligenza artificiale. Questa forte base accademica e di ricerca scientifica rappresenta un patrimonio strategico fondamentale, che necessita tuttavia di essere incanalato e strutturato all’interno del mercato del lavoro industriale attraverso percorsi di certificazione chiari.

In questa direzione si inserisce l’importante novità normativa rappresentata dalla norma UNI 11621-8:2026, che definisce in modo sistematico i profili professionali e i requisiti di ruolo legati all’utilizzo dell’AI, standardizzando figure ormai indispensabili per l’industria moderna.

Tra queste spiccano il Chief AI Officer, responsabile della direzione strategica e dell’integrazione tecnologica in azienda, l’AI Prompt Engineer, specializzato nell’ottimizzazione dell’interazione con i modelli linguistici e generativi, e l‘AI Auditor, figura deputata a verificare la conformità, la sicurezza e l’aderenza etica dei sistemi rispetto alle normative vigenti.

La diffusione di questi nuovi profili evidenzia come l’impatto della tecnologia sul mercato del lavoro non si traduca in una sostituzione di massa delle professioni, quanto piuttosto in un fenomeno di potenziamento delle capacità operative, definito come job augmentation.

Come rilevato nello studio, l’interazione con gli algoritmi probabilistici modifica la natura stessa delle mansioni, richiedendo un solido nucleo di competenze critiche e metodologiche.

Per evitare che la trasformazione tecnologica crei nuove forme di esclusione professionale, diventa prioritario avviare piani diffusi e continui di formazione, riqualificazione e aggiornamento delle competenze per l’intero organico aziendale.

Infrastrutture, energia e la sfida della sostenibilità

Un’analisi realistica dell’impatto dei sistemi intelligenti richiede la valutazione di una struttura di costi complessa, che supera di gran lunga la spesa legata alle singole interrogazioni.

Il rapporto evidenzia infatti la necessità di adottare la prospettiva del Total Cost of Ownership (TCO), includendo nel calcolo economico complessivo non solo i costi di esecuzione, ma anche le ingenti risorse necessarie per l’addestramento iniziale dei modelli (training), per il loro successivo affinamento specialistico (fine-tuning) e per la gestione sistemica dell’intera infrastruttura.

Questo modello di calcolo porta in primo piano il tema della sostenibilità ambientale e dei consumi energetici, un fattore diventato ormai discriminante per la scalabilità industriale della tecnologia.

Diventa pertanto indispensabile integrare nei bilanci di sostenibilità aziendali metriche di misurazione precise e standardizzate, come la quantità di energia consumata per ogni singolo ciclo di addestramento o l’impronta carbonica calcolata per unità di output generato dai modelli in fase operativa.

Per sostenere tali carichi di lavoro salvaguardando al contempo la competitività e la sovranità tecnologica, lo studio sottolinea l’importanza strategica di sviluppare infrastrutture su larghissima scala all’interno dei confini europei.

La creazione di vere e proprie AI Gigafactories – centri di calcolo ad altissime prestazioni dedicati alla gestione dei dati industriali – rappresenta la condizione abilitante per garantire l’autonomia strategica del continente, permettendo alle imprese di accedere a servizi avanzati senza dipendere esclusivamente da provider extra-europei.

Le raccomandazioni strategiche di Aspen Institute Italia e Intesa Sanpaolo per la costruzione di una capacità sistemica

Il rapporto di Aspen Institute Italia e Intesa Sanpaolo conclude l’analisi con una serie di raccomandazioni strategiche suddivise per i principali attori del sistema Paese.

La tesi di fondo dello studio trova qui la sua massima espressione: l’intelligenza artificiale non deve essere considerata una tecnologia da adottare passivamente, ma una vera e propria capacità sistemica da costruire, un obiettivo che richiede l’allineamento di infrastrutture, dati, regole e fiducia.

Per le imprese, la raccomandazione principale è il passaggio immediato da un approccio sperimentale e opportunistico a una pianificazione strategica strutturata.

Le aziende devono identificare casi d’uso mirati che incidano direttamente sui processi critici, come la produttività operativa, le attività di ricerca e sviluppo e la logistica. Questa transizione presuppone investimenti costanti e massicci nella governance del dato, inteso come risorsa strategica primaria di cui garantire qualità, accessibilità e sicurezza.

Le competenze devono espandersi oltre i confini del solo ufficio informatico, coinvolgendo attivamente le funzioni legali, le risorse umane, l’ufficio acquisti e la conformità normativa, promuovendo percorsi di formazione multilivello.

Ogni iniziativa, inoltre, deve essere associata a metriche precise per misurarne l’impatto reale sul ritorno sull’investimento e sulla produttività, mantenendo un attento presidio sulla gestione dei fornitori tecnologici esterni per evitare dipendenze critiche o rischi legati alla localizzazione delle informazioni.

Per le istituzioni e i decisori politici, il rapporto evidenzia l’urgenza di un forte coordinamento degli strumenti legislativi e di finanziamento. È necessario allineare le indicazioni del regolamento europeo sulle tecnologie intelligenti con la strategia nazionale, le risorse del Piano Nazionale di Ripresa e Resilienza e lo sviluppo delle infrastrutture di calcolo, così da evitare frammentazioni sul territorio.

Una priorità assoluta risiede nella semplificazione delle procedure per le piccole e medie imprese, agevolando l’accesso ai bandi pubblici e alle infrastrutture computazionali.

La pubblica amministrazione deve proporsi come un vero e proprio laboratorio per un’adozione responsabile, improntata a criteri di trasparenza e di controllo umano sistemico. Infine, per costruire la necessaria legittimità sociale, i decisori politici devono investire nell’alfabetizzazione diffusa dei cittadini e dotarsi di strumenti statistici avanzati, in grado di monitorare non solo l’adozione nominale dei software, ma il loro impatto reale sulla competitività del sistema produttivo.

Nell’ambito della ricerca e delle infrastrutture, la priorità è garantire continuità tra il mondo scientifico e il settore industriale. La traiettoria italiana deve valorizzare l’approccio applicato nei settori in cui il Paese vanta eccellenze storiche, quali la manifattura avanzata, la tutela della salute e la gestione dell’energia.

Per rendere democratico lo sviluppo tecnologico, l’accesso alla grande potenza di calcolo, come quella garantita dal supercomputer Leonardo, deve essere strutturato in modo graduato, aprendosi non solo ai grandi gruppi industriali ma anche a startup, università e centri di ricerca minori.

Lo sviluppo infrastrutturale, infine, deve integrare fin dal principio parametri di efficienza energetica e l’impiego di fonti rinnovabili, trasformando la sostenibilità ecologica in un tratto distintivo dei sistemi europei.

In termini di visione strategica di lungo periodo, lo studio rilancia la proposta di istituire una grande infrastruttura scientifica comune a livello europeo, strutturata sul modello del centro di ricerca nucleare del CERN.

L’istituzione proposta non dovrebbe limitarsi a svolgere funzioni di polo di calcolo tecnico, ma configurarsi come un laboratorio scientifico cooperativo internazionale. Il suo compito principale risiederebbe nel promuovere una comprensione approfondita dei fondamenti teorici dei sistemi complessi, nel definire standard di interoperabilità comuni e nel garantire l’autonomia strategica del continente rispetto ai grandi fornitori tecnologici globali.