Gen-AI & Agentic-AI tra consapevolezza, prudenza ed azione. Una fotografia di dove siamo, dove dovremmo essere, e del costo di ogni giorno di ritardo.
Sull'adozione dell'AI nelle imprese convivono, nello stesso dibattito, dati ottimistici e dati allarmanti. La contraddizione è apparente: ciascuno sta misurando una cosa diversa.
La risposta non è nell'inaffidabilità di uno dei dataset, ma nella distinzione metodologica tra adozione estensiva e adozione intensiva. È questa la chiave analitica dell'intero report.
Presenza dell'AI in almeno una funzione aziendale, indipendentemente da scala, profondità di integrazione e impatto misurabile. Un team di marketing che usa ChatGPT per i testi, un developer che usa Copilot per il debugging: entrambi contribuiscono a questa misura.
Deployment completo in produzione, con KPI misurabili, impatto verificabile sul ROI a sei mesi dal pilot, integrazione nei processi core, ridisegno organizzativo. È la soglia che separa un esperimento da una capability strategica.
Usare i dati "ottimistici" come benchmark rassicurante è un errore strategico. Leggere i dati "pessimistici" come prova che l'AI non funziona è un errore simmetrico. Il gap tra estensivo e intensivo non si chiude da solo con il tempo: richiede scelte organizzative deliberate.
Dal campione Polimi emergono tre stadi di maturità dichiarata. Tre quarti del campione si attribuisce un livello medio o avanzato. Il dato va però letto con prudenza: è maturità dichiarata, non misurata.
Il dato più critico emerge nel taglio per dimensione: le medie imprese mostrano solo 9% di AI Scalers e 50% di Starters. È il classico stuck in the middle: troppo grandi per l'agilità delle piccole, non abbastanza strutturate per la sistematicità delle grandi. Un segmento critico della nostra economia resta esposto al rischio di rimanere schiacciato.
Il contro-intuitivo — le piccole imprese del campione (quelle strutturate per fare innovazione) registrano 30% di Scalers: l'agilità decisionale può diventare vantaggio competitivo reale.
La ricerca ha indagato l'adozione di GenAI e Agentic AI in cinque fasi di front-end (esplorazione) e tre dimensioni di back-end (esecuzione). Il filo conduttore è la distanza tra utilizzo occasionale e utilizzo strutturato.
Idea generation è la fase con la maggiore diffusione (58% totale): bassa barriera di ingresso, qualsiasi LLM generalista basta. Ma la letteratura recente segnala un rischio: gli LLM potenziano la creatività individuale ma riducono la diversità collettiva delle idee prodotte.
Idea evaluation è paradossalmente la fase meno presidiata (9% strutturato) proprio dove l'AI potrebbe dare di più — standardizzazione dei criteri, riduzione dei bias. Il gap tra potenziale e adozione è il più ampio di tutto il front-end.
PoC building mostra il divario più esplosivo tra AI Scalers e AI Starters: 56% contro 0%. La barriera di ingresso — strumenti, competenze, processi — separa chi può da chi non può.
Il knowledge management è l'area più matura (60% utilizzo totale): barriere organizzative basse, casi d'uso immediatamente accessibili. Ma tra chi adotta, il 72% si affida a LLM generalisti e solo il 18% ha agenti o workflow automatizzati. La conoscenza viene ancora "interrogata", non strutturalmente orchestrata.
Decision making e project management sono gli ambiti a maggiore impatto strategico — e quelli più arretrati. Nel decision making solo il 13% è strutturato. Nel project management il 70% del campione non usa AI.
Quando parlo con il Board, il messaggio è: non ti chiedo di valutare un progetto AI — l'AI è IL progetto.
È la dimostrazione empirica che la domanda di AI nelle organizzazioni è reale, diffusa e già in atto. È anche la mappa più precisa dei casi d'uso a maggiore priorità — con domanda già validata dall'adozione spontanea dei dipendenti.
La domanda strategica non è più "dobbiamo adottare l'AI?" — essa è già adottata, informalmente, diffusamente, inevitabilmente. La domanda è:
Vogliamo governarla,
o continuare a subirla?
Non basta chiedersi quando un'organizzazione ha adottato l'AI — la curva di Rogers. Serve una seconda variabile ortogonale: la profondità d'uso. Dall'incrocio delle due dimensioni emergono sette profili distinti, che permettono di mappare la realtà organizzativa con una precisione che le sole survey di adozione non raggiungono.
Il confine strategicamente rilevante non è orizzontale (quando) ma verticale (quanto profondamente). Un Late Conformist arrivato ultimo ma pragmatico genera più valore di un Corporate Follower arrivato prima ma superficiale.
Un Late Conformist arrivato ultimo ma pragmatico può generare più valore organizzativo di un Corporate Follower che ha acquistato licenze enterprise senza ridisegnare i processi. Il timing non determina il valore: la profondità sì.
Le caselle scure rappresentano i Frontier Users: i profili 3, 4 e 5. Identificarli nell'organizzazione — spesso sono già presenti, invisibili e non riconosciuti — è il punto di partenza di qualsiasi strategia AI che voglia essere concreta anziché dichiarativa.
Erik Brynjolfsson ha documentato che le General Purpose Technologies — elettricità, IT, AI — richiedono una fase iniziale di investimento intangibile prima dell'accelerazione dei risultati. L'AI promette tempi più rapidi delle GPT storiche. Ma chi aspetta paga un prezzo esponenziale, non lineare.
Un'azienda che ha iniziato nel 2020 dispone oggi di cinque anni di dati proprietari, modelli fine-tuned, workflow ridisegnati, personale formato sul ciclo completo apprendimento-errore-correzione. Chi inizia nel 2026 parte da zero, in un mercato dove la scarsità di talenti AI è più acuta e il time-to-value è più lungo.
BCG quantifica il gap: le imprese con capability AI più mature ottengono 1,7× la crescita dei ricavi e 3,6× il total shareholder return rispetto ai laggard.
Chi è già nel tratto ascendente continua a salire. Chi è ancora all'inizio della discesa deve ancora attraversare il fondo.
Il report si chiude con un'agenda concreta per il management italiano. Non uno shopping di tecnologie: una sequenza di decisioni organizzative con priorità esplicite.
La maggior parte dei pilot fallisce non per limiti tecnologici ma per carenze di integrazione organizzativa, sponsorship esecutiva e governance. Serve una leadership chiara sull'AI (Chief AI Officer o equivalente) con mandato formale, budget e autorità cross-funzionale. La tecnologia è la variabile più facile.
Prima di investire in PoC, capire dove l'organizzazione si trova lungo cinque dimensioni: dati (qualità, governance, accessibilità), tecnologia (infrastruttura, legacy, API), organizzazione (processi, decision-making, change management), strategia (obiettivi AI, allineamento del management), competenze (profili interni, piano di sviluppo). Includere sempre la mappatura della Shadow AI esistente.
Non disperdere le risorse. Gli AI leader concentrano gli investimenti su 3–4 casi d'uso prioritari; i laggard disperdono su decine di PoC (solo 4 su 33 arrivano in produzione — IDC). Il caso d'uso ideale soddisfa simultaneamente tre criteri: strategicamente rilevante, tecnicamente fattibile, organizzativamente implementabile. Un singolo caso d'uso ben scelto ha impatto culturale superiore a dieci PoC mediocri incompiuti.
Secondo il World Economic Forum Future of Jobs Report 2025, i gap di competenze sono il principale ostacolo alla trasformazione per il 63% delle imprese. L'obiettivo non è trasformare i manager in data scientist: è renderli AI-literate — capaci di identificare opportunità, valutare proposte tecniche, distinguere un PoC ben progettato da uno mal strutturato, e guidare il cambiamento organizzativo necessario per l'adozione intensiva.
Le discussioni manageriali sull'AI si concentrano sui costi visibili dei progetti — investimento, rischio, complessità. I costi della non adozione (perdita di competitività, difficoltà ad attrarre talento, minore scalabilità) sono spesso meno esplicitati. Costruire un modello quantitativo interno di COI — e presentarlo ai board con lo stesso rigore dei business case tradizionali — riequilibra le decisioni di investimento.
Senza un'AI Strategy esplicita e una Technology Roadmap che integri i tre layer — Market & Business (quali problemi risolvere), Product & Service (come l'AI modifica offerta ed esperienza), Technology (stack, governance dei dati, architettura) — i PoC nascono per caso anziché per strategia, proliferano senza priorità, consumano risorse senza generare apprendimento cumulativo. È la condizione che il report MIT chiama Pilot Purgatory.
Ma la velocità con cui si sta chiudendo non è determinata dalla tecnologia — che evolve in modo esponenziale ma prevedibile — bensì dalle decisioni organizzative che le aziende italiane prendono o rimandano ogni giorno.