Il rapporto tra imprese e Intelligenza Artificiale in Italia ha superato la fase sperimentale. Eppure, nonostante l’accelerazione tecnologica degli ultimi due anni abbia reso l’AI uno strumento operativo a tutti gli effetti, la sua diffusione nei processi di innovazione aziendale rimane limitata.
È quanto emerge dalla ricerca “Innovazione & AI nelle imprese italiane: Gen-AI & Agentic-AI” dell’Osservatorio AI4Innovation POLIMI School of Management.
Dalla ricerca emerge che solo il 26% delle imprese coinvolte si dichiara AI Scalers, cioè ha trasformato l’AI in una componente strutturale del modello di innovazione, mentre il 49% è AI Experimenters, con progetti pilota su casi d’uso specifici e un’integrazione parziale.
Il restante 25% è AI Starters, realtà in cui l’approccio all’AI è ancora sporadico, guidato dall’iniziativa di singoli, privo di una regia strategica centrale.
Indice degli argomenti
AI e imprese, le piccole realtà mostrano una vitalità maggiore
Stando al sondaggio condotto tra gennaio e marzo 2026 tra gli Innovation Manager e i responsabili AI delle imprese intervistate, il segmento più critico si trova nelle medie imprese, dove il 50% si dichiara ancora Starter e solo il 9% raggiunge il profilo Scaler: troppo grandi per essere agili, ma non abbastanza strutturate per investire in modo sistematico.
Di contro, le piccole imprese del campione mostrano una vitalità sorprendente, con il 30% di Scalers: si tratta però di aziende con un profilo tech elevato, capaci di trasformare l’agilità decisionale in un vantaggio competitivo reale.
Tra le grandissime imprese il 16% si dice Scaler (il 67% Experimenters), tra le grandi ben il 39% si posiziona nella fascia più matura: le organizzazioni di maggiore dimensione dispongono di risorse e strutture che accelerano i percorsi di adozione, ma al tempo stesso frenano la scalabilità effettiva.
Dalla Shadow AI all’integrazione nei processi core
L’adozione della GenAI e della AgenticAI nelle imprese delinea oggi una linea di demarcazione netta che separa l’utilizzo superficiale da quello strategico. Il fenomeno della Shadow AI, caratterizzato da dipendenti che utilizzano strumenti generalisti in autonomia, rappresenta ormai una realtà di massa che impone una governance immediata per evitare rischi operativi.
“Il confine strategico non è più tra chi usa l’AI e chi no ma tra l’adozione estensiva, individuale, spesso superficiale e con strumenti generalisti e l’adozione intensiva, che invece prevede l’integrazione nei processi core con workflow definiti, tool dedicati, governance e metriche”, commenta Stefano Mizio, responsabile dell’Osservatorio AI4Innovation.
Secondo Mizio il ritardo in questa transizione genera uno svantaggio competitivo difficile da colmare, poiché le organizzazioni più avanzate stanno già strutturando la gestione della conoscenza e il supporto alle decisioni attorno a queste tecnologie.
La necessità di colmare questo divario emerge chiaramente dalla consapevolezza dei team Innovation: quasi la totalità degli esperti riconosce l’urgenza di sviluppare nuove abilità, con una netta prevalenza di chi ritiene questo bisogno prioritario e strutturale.
Per rispondere a tale sfida, le aziende privilegiano la valorizzazione delle risorse interne attraverso programmi di formazione che coinvolgono tre quarti delle realtà analizzate, preferendo costruire un know-how proprietario piuttosto che affidarsi esclusivamente a nuove assunzioni, che riguardano solo il 28% dei casi.
Molto diffuso è anche l’upskilling on-the-job applicato a progetti pilota, una modalità scelta dal 62% delle imprese per imparare a governare la tecnologia attraverso la sperimentazione pratica su casi reali.
In questa fase di transizione, il supporto di partner esterni e consulenti rimane fondamentale per quasi la metà delle organizzazioni, ma l’obiettivo finale resta la creazione di profili ibridi capaci di tradurre la competenza tecnica in valore manageriale e organizzativo.
Innovazione tra generazione di idee e criticità del back-end
L’analisi dettagliata sull’adozione della GenAI e degli agenti AI rivela una trasformazione a due velocità nell’approccio delle imprese italiane all’innovazione.
Nella fase iniziale del ciclo innovativo, il cosiddetto front-end, l’impatto maggiore si registra nell’Idea Generation, dove il 58% del campione sfrutta la bassa barriera d’ingresso dei modelli linguistici per generare nuovi concetti.
Al contrario, l’Idea Evaluation mostra un’adozione strutturata di appena il 9%, frenata dal timore di possibili fraintendimenti ed errori logici dei sistemi.
Il passaggio al back-end, dove le idee devono trasformarsi in soluzioni concrete scontrandosi con vincoli tecnici e risorse limitate, evidenzia il potenziale ancora inespresso dell’Agentic AI.
Sebbene l’integrazione tra agenti e persone possa migliorare drasticamente la qualità delle informazioni e mitigare i bias, tale modello rimane per ora una prerogativa di piccole realtà ad alto profilo tecnologico o di grandi organizzazioni dotate di una governance strutturata.
Limiti strutturali nella gestione della conoscenza e nei processi decisionali
L’ambito in cui l’AI trova maggiore applicazione è il knowledge management, utilizzato da circa il 60% delle aziende analizzate.
Nonostante l’accessibilità di casi d’uso come la sintesi documentale, il 72% del campione si affida ancora a modelli generalisti, mentre solo il 18% ha introdotto flussi automatizzati o sistemi agentici.
Il dato evidenzia come la conoscenza aziendale venga prevalentemente consultata in modo passivo invece di essere integrata strutturalmente nei processi.
Lo scenario appare ancora più arretrato nei settori a elevato impatto strategico come il decision making, dove meno di un’azienda su tre ha avviato percorsi di integrazione e l’utilizzo strutturato si ferma al 13%.
Una situazione analoga si riscontra nel project management, dove il 70% delle imprese non utilizza alcun supporto AI e solo il 12% dichiara un’adozione sistematica.
Anche in questi ambiti prevale un approccio semplificato, con il 74% degli utenti legato a strumenti generalisti e una partecipazione marginale di soluzioni verticali o automazioni avanzate, confermando una fase di transizione ancora lontana dalla piena maturità operativa.
La pianificazione strategica tra formalizzazione e approccio opportunistico
L’analisi dei percorsi di integrazione tecnologica evidenzia che solo il 24% delle imprese italiane dispone di una roadmap pienamente formalizzata, caratterizzata da priorità chiare, casi d’uso definiti, sistemi di governance e criteri di misurazione.
Una quota maggiore, pari al 43%, adotta invece un piano parzialmente strutturato basato su linee guida generali, mentre il 34% del campione ammette di muoversi in modo opportunistico.
Sebbene quasi due terzi delle organizzazioni dichiarino una qualche forma di pianificazione strategica, il confronto con i livelli di maturità effettiva rivela un disallineamento operativo. Risulta infatti improbabile riuscire a raggiungere un’integrazione strutturata dell’AI senza una programmazione esplicita che ne guidi lo sviluppo.
AI e imprese, asimmetrie dimensionali e sfide della governance
Le differenze tra le diverse dimensioni aziendali offrono ulteriori spunti di riflessione sulla capacità di esecuzione. Nelle grandissime imprese, la presenza di una roadmap formalizzata riguarda il 27% dei casi, una percentuale superiore a quella degli AI Scalers, a conferma del fatto che la pianificazione è un prerequisito necessario ma non sufficiente per scalare la tecnologia.
Le piccole imprese presentano invece una situazione opposta: l’85% si ritiene su livelli di maturità medio-alti, ma solo il 58% possiede una roadmap almeno parzialmente formalizzata.
Un’asimmetria che suggerisce che nelle realtà minori l’agilità decisionale tenda a sostituire la pianificazione rigorosa. Resta tuttavia aperto il dibattito su quanto la flessibilità possa compensare l’assenza di una governance strutturata di fronte a una tecnologia che impatta profondamente su processi, gestione dei dati e responsabilità organizzative.
Investimenti strategici e centralità dei dati proprietari
L’analisi dei flussi finanziari destinati all’innovazione rivela che solo il 9% delle imprese dichiara di non aver ancora avviato investimenti nell’AI, mentre la priorità per il 73% dei rispondenti rimane l’accesso dei dipendenti a modelli linguistici e strumenti generativi che, pur favorendo la familiarità tecnologica, mantengono spesso un impatto operativo contenuto.
Il dato più rilevante riguarda il 67% del campione che ha scelto di investire nello sviluppo interno di soluzioni su misura basate su dati proprietari, segnalando una precisa consapevolezza strategica per cui il vantaggio competitivo risiede nell’integrazione dell’AI con processi specifici e patrimoni informativi non replicabili dai concorrenti.
In un’ottica di potenziamento delle capacità operative le aziende diversificano le proprie allocazioni puntando anche su tool verticali per il 38% e piattaforme low o no-code per il 29%, soluzioni che risultano particolarmente preziose per le realtà minori poiché consentono di costruire rapidamente casi d’uso specifici proteggendo, allo stesso tempo, la riservatezza e l’integrità del perimetro dei dati aziendali.
Efficienza operativa e nuove traiettorie di business
L’indagine sulle priorità nell’impiego dell’AI per l’innovazione evidenzia come l’aumento dell’efficienza operativa e l’automazione delle attività ripetitive rappresentino i principali driver per la maggioranza delle imprese, con percentuali che tendono a crescere proporzionalmente alla dimensione aziendale fino a raggiungere l’83% tra le realtà più grandi.
Nonostante il primato dell’ottimizzazione, il 43% del campione totale e ben il 50% delle piccole imprese considerano la tecnologia una leva fondamentale per esplorare nuovi modelli di business, dimostrando una visione strategica orientata a ridefinire l’offerta e aprire spazi di mercato inediti attraverso l’agilità organizzativa.
Un approccio che si riflette anche nel potenziamento dei processi decisionali, dove il 40% delle aziende mira ad ampliare la base informativa e il 33% punta a una maggiore oggettività tramite scoring e previsioni, mentre la gestione del rischio e la compliance restano obiettivi circoscritti al 21% dei casi, principalmente per una questione di perimetro di competenza degli Innovation Manager.
Nel complesso la capacità di trasformare l’automazione iniziale in un vantaggio competitivo strutturale dipende oggi dalla volontà di sostenere queste innovazioni con una governance adeguata e investimenti mirati sulla qualità del dato.
