Intelligenza artificiale per aziende: cosa dicono i dati e 7 lezioni per le PMI

In sintesi:

• Nel 2025 usa almeno una tecnologia di intelligenza artificiale il 16,4% delle imprese italiane con almeno 10 addetti: il doppio dell'anno prima, ma sotto la media UE del 20%. Tra le grandi imprese è il 53,1%, tra le PMI il 15,7% (Istat).
• Il dato più importante è un altro: un'impresa su tre che usa l'AI non indica alcuna finalità aziendale. Si adotta lo strumento prima di aver scelto il problema.
• Gli studi sul campo mostrano guadagni reali (+14% di produttività nell'assistenza clienti, fino a +34% per chi è meno esperto) ma anche un rischio preciso: sui compiti sbagliati l'AI peggiora il lavoro delle persone brave.

Questo articolo non è un elenco di "10 modi in cui l'AI rivoluzionerà la tua azienda". È quello che dicono i dati — Istat, Eurostat, Politecnico di Milano e la ricerca accademica — tradotto in lezioni pratiche per chi guida una PMI e deve decidere dove mettere i soldi.

Dove sono davvero le aziende italiane

I numeri più recenti vengono dalla rilevazione Istat Imprese e ICT 2025, pubblicata a dicembre 2025:

La crescita è rapidissima, ma il divario tra grandi e piccole si sta allargando: era di circa 20 punti nel 2023, oggi è di 37 punti. Nella media europea (Eurostat, 2025) l'AI la usa il 20% delle imprese, con picchi del 42% in Danimarca.

L'Osservatorio Artificial Intelligence del Politecnico di Milano conferma il quadro dal lato del mercato: €1,8 miliardi nel 2025, +50% in un anno. Il 71% delle grandi aziende ha almeno un progetto di AI, ma tra le PMI ha avviato progetti solo il 15% delle medie e il 7% delle piccole.

Il dato che però dovrebbe far riflettere di più è un altro. Secondo Istat, il 33,4% delle imprese che usano l'AI non indica nessuna finalità aziendale — era il 15,5% un anno prima — e l'83% di queste sono imprese tra 10 e 49 addetti. Istat stessa definisce questa adozione "poco strutturata".

Lezione 1: prima il processo, poi lo strumento

Quel 33,4% descrive un errore comune: comprare licenze o provare strumenti "perché bisogna fare qualcosa con l'AI", senza un problema preciso da risolvere.

La ricerca sui fallimenti dice la stessa cosa. Un rapporto della RAND Corporation (2024), basato su interviste a 65 data scientist e ingegneri, individua cinque cause principali del fallimento dei progetti di AI. Le prime due sono organizzative, non tecniche: il problema viene capito o comunicato male (spesso si ottimizza la metrica sbagliata) e si sceglie la tecnologia prima di capire il problema reale degli utenti.

In pratica: prima di parlare di modelli o fornitori, scrivi su una riga quale processo vuoi migliorare e come misurerai il risultato. "Ridurre da 3 giorni a 3 ore il tempo di risposta alle richieste di preventivo" è un obiettivo. "Introdurre l'AI nel commerciale" no.

Lezione 2: l'AI aiuta di più chi ha meno esperienza

Lo studio più solido sugli effetti dell'AI generativa al lavoro è quello di Brynjolfsson, Li e Raymond (pubblicato nel 2025 sul Quarterly Journal of Economics). Hanno misurato il lavoro di 5.179 operatori di assistenza clienti prima e dopo l'introduzione di un assistente AI:

• +14% di richieste risolte all'ora, in media;
• +34% per gli operatori nuovi o meno esperti;
• effetto quasi nullo sui più esperti.

Il motivo: l'assistente aveva "imparato" dalle conversazioni dei migliori operatori e trasferiva quel sapere a chi era appena arrivato.

In pratica: uno dei casi d'uso con il ritorno più chiaro per una PMI è la formazione e il supporto del personale nuovo — rendere disponibile a tutti quello che oggi sanno solo le due o tre persone con più esperienza.

Lezione 3: la "frontiera frastagliata" — prova sui tuoi compiti

Un esperimento con 758 consulenti del Boston Consulting Group (Dell'Acqua e altri, Harvard Business School, 2023) ha mostrato due facce opposte dello stesso strumento:

• Sui compiti alla portata dell'AI, chi la usava ha completato il 12,2% di compiti in più, il 25,1% più velocemente e con una qualità superiore di oltre il 40%.
• Su un compito scelto appositamente fuori dalla portata dell'AI, chi la usava aveva 19 punti percentuali in meno di probabilità di arrivare alla risposta giusta rispetto a chi lavorava senza.

I ricercatori la chiamano "frontiera tecnologica frastagliata": l'AI è eccellente in alcuni compiti e inaffidabile in altri apparentemente simili, e da fuori non si capisce dove passa il confine. Il rischio non è solo che l'AI sbagli, ma che persone competenti si fidino e smettano di controllare.

In pratica: prima di estendere uno strumento a tutta l'azienda, provalo su un campione di casi reali tuoi, confrontando il risultato con quello fatto a mano. È l'unico modo di sapere da che lato della frontiera sta il tuo processo.

Lezione 4: il famoso "95% dei progetti fallisce" — cosa misura davvero

Nel 2025 ha fatto il giro del mondo un rapporto del MIT (The GenAI Divide) secondo cui il 95% delle organizzazioni non ottiene alcun ritorno dai progetti di AI generativa. Vale la pena capire cosa misura:

• il "successo" è definito come un progetto uscito dalla fase pilota con KPI misurabili e un impatto sul conto economico entro 6 mesi;
• i dati vengono da 52 interviste, un sondaggio a 153 dirigenti e l'analisi di circa 300 iniziative pubbliche — non da un campione casuale, e il rapporto è dichiaratamente preliminare e non sottoposto a revisione scientifica.

Quindi non dice che il 95% dei progetti "fallisce", ma che pochissimi dimostrano un impatto economico misurabile in sei mesi. Due osservazioni del rapporto sono comunque utili per una PMI:

• i ritorni migliori arrivano spesso dall'automazione del back-office (amministrazione, operations, gestione documenti), più che da vendite e marketing dove si concentra la maggior parte dei budget;
• solo il 40% delle aziende analizzate ha comprato un abbonamento ufficiale a un modello linguistico, ma in oltre il 90% i dipendenti usano regolarmente strumenti di AI, spesso personali. È la cosiddetta "shadow AI".

In pratica: definisci il KPI prima del pilota e guarda prima ai processi interni ripetitivi. Ed è probabile che i tuoi collaboratori usino già l'AI: meglio dare loro uno strumento ufficiale e delle regole che fingere che non succeda.

Lezione 5: diffida degli "agenti" che non lo sono

A giugno 2025 Gartner ha previsto che oltre il 40% dei progetti di "agentic AI" verrà cancellato entro la fine del 2027, per costi crescenti, valore poco chiaro o controlli sui rischi inadeguati. Gartner segnala anche il fenomeno dell'agent washing: fornitori che rinominano "agente AI" un normale chatbot o un'automazione RPA. Secondo le sue stime, delle migliaia di fornitori che si presentano come "agentic", solo circa 130 lo sono davvero.

È una previsione, non un dato misurato, ma il messaggio per chi compra è concreto. Quando un fornitore ti propone un "agente AI", chiedi:

1. Quale compito preciso porta a termine, dall'inizio alla fine?
2. Quali sistemi legge e su quali agisce (gestionale, CRM, email)?
3. Dove interviene una persona prima delle azioni importanti?
4. Come si vede perché ha preso una certa decisione, quando sbaglia?
5. Quanto costa al mese con i tuoi volumi, non con quelli della demo?

Se le risposte sono vaghe, probabilmente non serve un agente — o non è un agente. Spesso un'automazione classica basta: per GB Viaggi, una pipeline tra gestionale, CRM e WhatsApp gestisce oltre 3.000 prenotazioni al giorno senza alcun agente. Ho spiegato la differenza nella guida Agente AI: cos'è e come funziona.

Lezione 6: le barriere vere sono competenze e dati

Tra le imprese italiane che hanno valutato l'AI senza adottarla, gli ostacoli più citati sono (Istat 2025):

Il costo è solo al quinto posto. Le due barriere che contano di più — competenze e dati — non si risolvono comprando un software.

In pratica: se i dati che servono a un processo sono sparsi tra fogli Excel, email e la memoria di qualcuno, il primo progetto non è l'AI ma mettere ordine in quei dati. Nel progetto di previsione delle scorte per Pellemoda, prima dell'agente il lavoro si basava su revisioni settimanali di fogli di calcolo: buona parte del valore è venuta dal rendere quei dati affidabili e disponibili ogni giorno.

Lezione 7: gli obblighi di legge sono pochi, ma ci sono

La "normativa poco chiara" è il secondo ostacolo citato. In realtà, per una PMI che usa strumenti di AI (senza svilupparne per il mercato) gli obblighi principali oggi sono questi:

• Formazione del personale (AI Act, art. 4). Dal 2 febbraio 2025 chi usa sistemi di AI deve occuparsi dell'alfabetizzazione in materia di AI del proprio personale. Con il regolamento "Digital Omnibus" (Reg. UE 2026/1744, in vigore da luglio 2026) l'obbligo è stato attenuato: va sostenuto lo sviluppo delle competenze, senza dover garantire un livello specifico per ogni persona. Una formazione interna documentata è il minimo ragionevole.
• Informare i lavoratori (Legge 132/2025, art. 11). Dal 10 ottobre 2025 il datore di lavoro deve informare i dipendenti quando usa l'AI in sistemi decisionali o di monitoraggio automatizzati che li riguardano — selezione, gestione del rapporto, assegnazione dei compiti.
• Professionisti (Legge 132/2025, art. 13). Commercialisti, avvocati, consulenti e altri professionisti possono usare l'AI solo per attività di supporto, con il lavoro intellettuale che resta prevalente, e devono comunicare al cliente quali sistemi di AI usano, in modo chiaro e semplice.

A questi si aggiunge il GDPR, che vale per qualsiasi trattamento di dati personali. Ne parlo in dettaglio nella guida su AI, GDPR ed EU AI Act per PMI.

Ci sono incentivi?

Nessun incentivo europeo specifico per l'AI nelle PMI risulta attivo in questo momento. Due strumenti nazionali possono però essere rilevanti:

• Voucher Cloud e Cybersecurity (MIMIT). €150 milioni, contributo del 50% su spese tra €4.000 e €20.000 per PMI e lavoratori autonomi. Le domande si presentano dal 10 novembre 2026 al 20 gennaio 2027 (precompilazione dal 20 ottobre), a sportello. Secondo le FAQ del Ministero, rientrano anche le soluzioni SaaS che integrano funzionalità di intelligenza artificiale.
• Iperammortamento 2026–2028 (Legge di Bilancio 2026). Secondo le prime analisi, include anche sistemi e modelli di AI tra i beni agevolabili. Le condizioni vanno verificate con il proprio commercialista.

Da dove partire, in concreto

Mettendo insieme i dati, il percorso che riduce di più il rischio per una PMI è:

1. Scegli un processo frequente, ripetitivo, con un costo che sai misurare — meglio se nel back-office.
2. Definisci il KPI prima di iniziare: tempo, errori, costo per pratica.
3. Controlla i dati che servono: esistono, sono affidabili, sono accessibili?
4. Fai un pilota su casi reali, confrontando il risultato con il lavoro fatto a mano.
5. Tieni una persona nel loop sulle decisioni con conseguenze, e forma chi userà lo strumento.
6. Estendi solo ciò che ha funzionato, misurato.

Se il pilota non migliora il KPI, fermarsi è un risultato, non un fallimento: hai speso poco per scoprire che quel processo non era quello giusto.

Se vuoi capire quale processo della tua azienda ha più senso affrontare per primo, offro una call conoscitiva gratuita di 30 minuti. Per una prima stima dei costi c'è anche il calcolatore.

Fonti

• Istat, Imprese e ICT – Anno 2025, 15 dicembre 2025
• Eurostat, Use of artificial intelligence in enterprises, 11 dicembre 2025
• Osservatorio Artificial Intelligence, Politecnico di Milano, comunicato 2026
• Brynjolfsson, Li, Raymond, Generative AI at Work, NBER / Quarterly Journal of Economics 2025
• Dell'Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School, 2023
• RAND Corporation, The Root Causes of Failure for Artificial Intelligence Projects, 2024
• MIT NANDA, The GenAI Divide: State of AI in Business 2025, luglio 2025
• Gartner, Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, 25 giugno 2025
• Legge 23 settembre 2025, n. 132, Gazzetta Ufficiale
• MIMIT, Voucher Cloud e Cybersecurity, agosto 2026