Sander van ‘t Noordende, CEO di Randstad, ha usato un’espressione precisa al World Economic Forum di Davos a gennaio 2026: “il grande adattamento”. Non la grande sostituzione, non la grande trasformazione. L’adattamento — un processo graduale, disordinato, pieno di errori e correzioni, che sta avvenendo a velocità diverse nei diversi settori e nelle diverse dimensioni d’impresa. Per le aziende italiane, il grande adattamento del 2026 ha contorni specifici che dipendono dalla struttura produttiva del paese, dalla cultura manageriale prevalente e dal livello di maturità digitale di partenza.
Lo stato dell’adozione: dove siamo in Italia a inizio 2026
L’Italia parte da una posizione di ritardo relativo rispetto ai paesi europei più avanzati nell’adozione dell’IA. Secondo le stime disponibili, la percentuale di imprese italiane che usano strumenti di intelligenza artificiale in modo strutturato — non come esperimento una tantum ma come parte dei processi operativi — è inferiore alla media dell’Europa occidentale. Il divario è più marcato tra le PMI, che costituiscono oltre il 90% del tessuto produttivo italiano e che in molti casi non hanno ancora completato la transizione digitale di base — cloud, gestione dati, processi digitalizzati — che è il prerequisito per l’integrazione dell’IA.
Le grandi imprese italiane sono più avanti. Banche, assicurazioni, telecomunicazioni, utilities e grandi gruppi manifatturieri hanno avviato progetti AI negli ultimi due anni, spesso con il supporto di partner tecnologici internazionali. I casi d’uso più diffusi sono la gestione dei clienti (chatbot, assistenti virtuali, analisi del sentiment), l’ottimizzazione dei processi interni (automazione documentale, analisi predittiva, gestione delle scorte) e il supporto alle decisioni (analisi dati, reportistica automatizzata, modellazione finanziaria).
Il report Mercer Global Talent Trends 2026 rileva che il 40% dei lavoratori esprime ansia per l’IA — un dato globale che in Italia si somma a preoccupazioni specifiche legate alla precarietà contrattuale e alla percezione di scarsa protezione in caso di ristrutturazione. Il 62% dei dipendenti ritiene che i propri dirigenti sottovalutino l’impatto dell’IA sul lavoro quotidiano. In Italia, dove la distanza gerarchica tra management e operativi è spesso più marcata che nei paesi nordici, questo divario percettivo rischia di tradursi in resistenza passiva all’adozione.
I casi d’uso che funzionano e quelli che falliscono
Le imprese italiane che hanno integrato l’IA con successo condividono alcune caratteristiche. Hanno iniziato con casi d’uso circoscritti e misurabili — un singolo processo, un singolo reparto — anziché con progetti ambiziosi di trasformazione globale. Hanno investito nella formazione del personale coinvolto prima del deployment, non dopo. Hanno mantenuto la supervisione umana sull’output dell’IA, soprattutto nelle fasi iniziali. E hanno misurato i risultati con metriche concrete — tempo risparmiato, errori ridotti, costi evitati — anziché con indicatori vaghi di “innovazione”.
Nel settore bancario italiano, diverse banche hanno implementato modelli linguistici per l’analisi automatica delle richieste di credito, la generazione di report di compliance e l’assistenza ai clienti di primo livello. I risultati sono positivi quando il sistema è progettato come supporto al decisore umano — il modello prepara la bozza, il funzionario verifica e decide. I risultati sono negativi quando il sistema è usato come sostituto del giudizio umano senza adeguata supervisione — con il rischio di errori su decisioni di credito che hanno conseguenze patrimoniali e legali.
Nel manifatturiero, le applicazioni più diffuse riguardano la manutenzione predittiva — modelli che analizzano i dati dei sensori per prevedere i guasti prima che si verifichino — e l’ottimizzazione della supply chain. Questi casi d’uso non si basano su modelli linguistici generativi ma su modelli di machine learning più tradizionali, il che li rende meno soggetti al rischio di allucinazioni ma più dipendenti dalla qualità dei dati disponibili. Le PMI manifatturiere italiane che raccolgono dati in modo sistematico — temperatura, vibrazioni, consumi energetici — possono trarne beneficio; quelle che non hanno ancora digitalizzato la raccolta dati devono fare un passo indietro prima di poter fare un passo avanti.
I progetti che falliscono seguono un pattern altrettanto riconoscibile. Partono da aspettative irrealistiche alimentate dalla narrazione commerciale dei fornitori di tecnologia. Sottovalutano la qualità dei dati necessari — i modelli AI funzionano bene con dati puliti e strutturati, e molte PMI italiane hanno dati frammentari, duplicati, inconsistenti, distribuiti su fogli Excel, email e sistemi legacy che non comunicano tra loro. Trascurano la gestione del cambiamento organizzativo — introdurre uno strumento AI senza preparare le persone che lo useranno genera rifiuto, uso improprio o abbandono. E non hanno un responsabile interno con le competenze per gestire il progetto: delegano tutto al fornitore esterno, perdendo il controllo e la comprensione di ciò che viene implementato.
Un errore ricorrente nelle PMI italiane è l’adozione “a macchia di leopardo”: un reparto usa ChatGPT, un altro prova Gemini, il responsabile marketing ha il proprio abbonamento personale a Claude, il management non sa chi usa cosa e con quali dati. L’assenza di una governance dell’IA — chi decide quali strumenti adottare, con quali regole, per quali compiti, con quale livello di supervisione — crea rischi di sicurezza, di conformità normativa e di incoerenza operativa. L’AI Act, con l’obbligo di alfabetizzazione operativo da febbraio 2026, rende questa governance non più facoltativa ma obbligatoria.
Il ruolo del PNRR e degli incentivi pubblici
Il Piano Nazionale di Ripresa e Resilienza ha stanziato risorse per la digitalizzazione delle imprese italiane, inclusa una componente dedicata all’IA. I fondi disponibili coprono l’acquisto di tecnologie, la consulenza specializzata e la formazione del personale. Il limite è che i fondi PNRR sono distribuiti attraverso meccanismi burocratici complessi che molte PMI faticano a navigare: bandi con scadenze ravvicinate, rendicontazione dettagliata, requisiti documentali stringenti, tempi di erogazione lunghi. Le imprese con risorse interne per gestire la burocrazia accedono ai fondi; quelle senza — che sono spesso le più bisognose di supporto — restano escluse.
La Strategia italiana per l’intelligenza artificiale 2024-2026 ha delineato priorità condivisibili — formazione, ricerca, adozione nelle PMI, etica — ma la sua traduzione in interventi operativi concreti procede a ritmo lento. Il gap tra la dichiarazione di intenti e l’implementazione è un problema cronico della politica industriale italiana, non specifico dell’IA. Le associazioni di categoria e le camere di commercio stanno provando a fare da ponte tra le risorse disponibili e le imprese che ne hanno bisogno, ma il coordinamento è frammentario e la copertura territoriale disomogenea. Al Sud, dove il tessuto imprenditoriale è più fragile e le competenze digitali più scarse, i fondi per l’IA rischiano di restare inutilizzati per mancanza di capacità progettuale delle imprese destinatarie.
Un canale alternativo che sta emergendo è quello dei fondi interprofessionali per la formazione continua. Fondimpresa, il più grande fondo interprofessionale italiano, finanzia progetti formativi aziendali con risorse già accantonate attraverso i contributi obbligatori. Le PMI che aderiscono al fondo possono utilizzare queste risorse per finanziare la formazione AI del proprio personale — un percorso meno burocratico dei bandi PNRR e più adatto alle esigenze di imprese con strutture amministrative ridotte. Il problema è che molte PMI non sanno di avere queste risorse a disposizione o non sanno come attivare i piani formativi. Anche qui, il ruolo di intermediazione delle associazioni di categoria e delle associazioni professionali è determinante.
Lezioni pratiche per le imprese italiane che iniziano ora
Per le imprese italiane che non hanno ancora avviato un percorso strutturato di integrazione dell’IA, il 2026 è il momento di iniziare — non con un progetto ambizioso, ma con un approccio pragmatico. Il primo passo è la mappatura: identificare i processi interni che consumano più tempo, generano più errori o producono meno valore — la contabilità di routine, la gestione delle email, la produzione di report standardizzati, la traduzione di documenti, il primo livello di assistenza clienti. Questi sono i candidati naturali per un primo caso d’uso dell’IA.
Il secondo passo è la selezione dello strumento. Per la maggior parte delle PMI, la scelta razionale è un modello proprietario via API o un servizio integrato nell’ecosistema già in uso — Gemini dentro Google Workspace, Copilot dentro Microsoft 365, Claude via API per chi ha un minimo di competenza tecnica. L’opzione open source è preferibile per le imprese con requisiti di privacy stringenti, competenze tecniche interne e volumi di utilizzo elevati. La scelta non deve essere definitiva: molte imprese iniziano con un servizio integrato per i compiti standard e aggiungono un modello diverso via API per i compiti specialistici. L’approccio multi-modello — usare strumenti diversi per compiti diversi — è più complesso da gestire ma spesso produce risultati migliori di un approccio monolitico.
Un aspetto spesso trascurato nella selezione è la conformità normativa. L’AI Act impone obblighi diversi a seconda del livello di rischio del sistema AI utilizzato. Un’azienda che adotta un chatbot per il servizio clienti deve verificare che il fornitore del modello rispetti gli obblighi di trasparenza previsti per i modelli general purpose. Un’azienda che usa l’IA per selezionare candidati o valutare il merito creditizio rientra nella categoria ad alto rischio e deve conformarsi a obblighi più stringenti. La scelta dello strumento non è solo tecnica: è anche giuridica, e richiede una valutazione che molte PMI non possono fare da sole.
Il terzo passo è la formazione. L’AI Act lo impone, la prudenza lo suggerisce. Il personale che userà lo strumento AI deve capire come funziona, cosa può fare bene e cosa fa male, come verificare l’output e quando non usarlo. La formazione non deve essere un corso una tantum ma un processo continuo, perché gli strumenti cambiano ogni pochi mesi e le capacità dei modelli evolvono rapidamente.
Il quarto passo è la misurazione. Dopo tre mesi di utilizzo, l’impresa deve poter rispondere alla domanda: l’IA ha ridotto i tempi? Ha migliorato la qualità? Ha ridotto gli errori? Ha generato valore misurabile? Se la risposta è sì, si espande il caso d’uso ad altri processi. Se la risposta è no, si analizza perché — formazione insufficiente, dati di scarsa qualità, compito non adatto all’IA, resistenza del personale — e si corregge o si abbandona. L’IA non è un atto di fede: è uno strumento che deve dimostrare il proprio valore con i numeri, non con le promesse. Le imprese che non misurano non sanno se stanno ottenendo un beneficio o se stanno pagando per un servizio che nessuno usa — e nel secondo caso, scoprirlo dopo un anno anziché dopo tre mesi costa quattro volte tanto.
Il grande adattamento è in corso. Le imprese italiane che lo affrontano con metodo, realismo e investimento nelle persone — non solo nella tecnologia — hanno le migliori probabilità di trarne beneficio. Quelle che lo ignorano o lo affrontano con improvvisazione rischiano di pagare due volte: una per l’investimento sbagliato, una per il ritardo accumulato.
