Negli ultimi anni l’Intelligenza Artificiale è entrata stabilmente nel linguaggio delle imprese. Prima come tema di sperimentazione, poi come leva di efficienza, oggi sempre più come possibile fattore di trasformazione dei processi, delle competenze e dei modelli organizzativi.

Il punto, però, è capire che cosa significhi davvero “adottare l’AI”. Usare un singolo strumento generativo, introdurre automazioni in alcuni reparti o ripensare processi aziendali intorno a dati, governance e competenze significa collocarsi su livelli molto diversi di maturità.

È qui che il dibattito sull’innovazione nelle imprese diventa più interessante. Non basta più chiedersi quante aziende stiano usando l’AI. La domanda più utile è un’altra: quante stanno riuscendo a trasformarla in valore operativo, misurabile e sostenibile?

Dalle ricerche analizzate emerge un quadro coerente: l’AI è sempre più diffusa nelle imprese, ma la sua adozione corre più velocemente della capacità organizzativa di governarla. I dati mostrano una crescita evidente in Europa e in Italia, insieme a un divario ancora significativo tra utilizzo degli strumenti, maturità digitale, competenze interne e integrazione nei processi. La vera sfida, quindi, non è solo introdurre l’AI, ma renderla parte di un modello operativo più maturo, misurabile e sostenibile.

Adozione dell’AI nelle imprese: cosa dicono i dati europei e italiani

A livello europeo, l’adozione dell’AI nelle imprese è in crescita. Secondo Eurostat, nel 2025 il 19,95% delle imprese dell’Unione Europea con almeno 10 addetti utilizza tecnologie AI. Anche in Europa la dimensione aziendale pesa molto: l’AI è usata dal 17% delle piccole imprese, dal 30,36% delle medie e dal 55,03% delle grandi imprese. Eurostat segnala inoltre che il divario può essere spiegato da fattori come complessità di implementazione, economie di scala e costi di investimento.

Il quadro italiano si inserisce in questa traiettoria. Il report ISTAT mostra che nel 2025 il 16,4% delle imprese italiane con almeno 10 addetti utilizza almeno una tecnologia di AI, contro l’8,2% del 2024 e il 5,0% del 2023. La crescita è ancora più marcata nelle grandi imprese, che passano dal 32,5% del 2024 al 53,1% del 2025; nelle PMI l’utilizzo raddoppia, dal 7,7% al 15,7%.

Questi numeri confermano una tendenza chiara: l’AI non è più confinata a pochi casi sperimentali o a grandi gruppi tecnologici. Allo stesso tempo, mostrano un divario ancora evidente tra imprese grandi e imprese più piccole. Non è solo una questione di accesso agli strumenti, ma di capacità di integrarli in contesti organizzativi spesso molto diversi per risorse, competenze e maturità digitale.

Anche il livello generale di digitalizzazione aiuta a leggere il fenomeno. Sempre secondo la stessa rilevazione ISTAT, nel 2025 quasi l’80% delle imprese italiane con almeno 10 addetti raggiunge un livello base di digitalizzazione, definito come l’adozione di almeno quattro attività digitali su dodici del Digital Intensity Index. Il 38,1% si colloca invece a livelli almeno alti, cioè con almeno sette attività digitali su dodici. Nelle grandi imprese i valori salgono rispettivamente al 96,4% e all’81,4%.

La ricerca ITIR – Università di Pavia aggiunge un ulteriore livello di lettura, concentrato sulle imprese italiane medio-grandi. Nel campione analizzato, il 59,8% dei lavoratori intervistati dichiara di fare almeno un qualche uso dell’AI nello svolgimento della propria attività lavorativa. Il dato cambia molto in base al profilo: l’adozione è più alta tra i Top Manager, pari al 91,2%, tra chi si definisce esperto di AI, pari all’89,7%, e tra i lavoratori più giovani, pari al 71,9%.

Il dato di fondo è quindi triplice:

  1. l’AI cresce rapidamente, anche in Italia;
  2. le grandi imprese restano più avanti rispetto alle PMI;
  3. la digitalizzazione di base è diffusa, ma la maturità più avanzata resta meno comune.

È in questa distanza tra adozione e maturità che si inserisce la riflessione più interessante.

Perché adottare l’AI non significa ancora trasformare l’azienda

A livello internazionale, diverse ricerche convergono su un punto: usare l’AI non significa necessariamente trasformare l’organizzazione. Il report McKinsey evidenzia che le aziende stanno iniziando a creare strutture e processi per generare valore dalla GenAI, ma il percorso è ancora nelle fasi iniziali. Tra le pratiche citate rientrano la riprogettazione dei workflow, il rafforzamento della governance e l’inserimento di figure senior nel presidio dell’AI.

Anche BCG insiste sulla distanza tra potenziale e impatto. Secondo la loro ricerca, solo il 5% delle aziende analizzate è classificato come future-built, cioè capace di generare valore AI su scala; il 35% sta scalando l’AI e iniziando a generare valore; il 60% ottiene invece benefici materiali limitati, nonostante gli investimenti.

Le evidenze italiane aiutano a leggere questa distanza in modo più concreto. La ricerca dell’Osservatorio AI4Innovation del Politecnico di Milano distingue tra utilizzo occasionale e utilizzo strutturato dell’AI nei processi di innovazione. L’utilizzo occasionale è sperimentale, individuale e non integrato nei processi; quello strutturato prevede workflow definiti, strumenti dedicati, governance e metriche. È proprio tra queste due modalità che si gioca la reale trasformazione del processo innovativo.

Lo studio ITIR – Università di Pavia conferma lo stesso divario da un’altra prospettiva. Nelle imprese medio-grandi analizzate, l’AI è già diffusa, ma solo il 14,4% dei lavoratori ritiene di possedere una competenza significativa nell’utilizzo di queste tecnologie. Inoltre, appena l’1,8% delle imprese si colloca in una fase di maturità molto avanzata e radicata nell’uso dell’AI. Il dato mostra che, pur a fronte di una diffusione crescente, il processo di adozione organizzativa resta spesso ancora acerbo.

Questo passaggio è centrale. Un’impresa può usare strumenti generativi per scrivere testi, analizzare documenti o supportare attività quotidiane senza aver davvero modificato il proprio modo di lavorare. Un’altra può integrare l’AI dentro processi core, definire responsabilità, metriche, controlli e percorsi di adozione. In entrambi i casi si può parlare di utilizzo dell’AI, ma il livello di trasformazione è molto diverso. La differenza non sta quindi nella presenza della tecnologia, ma nella capacità dell’organizzazione di renderla parte stabile del proprio modo di operare.

AI e processi di innovazione: dove l’utilizzo è più maturo

Le ricerche internazionali indicano che il valore dell’AI dipende sempre meno dal semplice accesso agli strumenti e sempre più dalla capacità di inserirli nei processi. McKinsey, per esempio, collega la generazione di valore alla capacità di rewiring, cioè di ripensare il modo in cui l’organizzazione lavora: workflow, governance, adozione, formazione, KPI e fiducia negli output.

Nel contesto italiano, il report dell’Osservatorio AI4Innovation è particolarmente utile perché osserva come GenAI e Agentic AI entrano nelle diverse fasi del processo di innovazione, distinguendo tra utilizzo occasionale e utilizzo strutturato.

Nel front-end, cioè nelle attività che precedono la formalizzazione di un progetto, l’AI risulta più diffusa nelle fasi in cui è più semplice sperimentare. L’idea generation è l’ambito con la maggiore diffusione complessiva: il 45% delle aziende dichiara un utilizzo occasionale e il 13% un utilizzo strutturato. Anche il PoC building mostra un livello relativamente più avanzato, con il 18% di utilizzo strutturato. Al contrario, l’idea evaluation resta la fase meno presidiata in modo strutturato, con il 9%.

La lettura è chiara: l’AI entra più facilmente dove le barriere operative sono basse, come nella generazione di idee o nella costruzione di prototipi. Fatica invece a diventare strutturale nelle fasi in cui servono maggiore fiducia negli output, governance e revisione dei criteri decisionali.

Nel back-end dell’innovazione, cioè nella fase in cui le idee selezionate vengono trasformate in soluzioni concrete, il quadro è simile. Il knowledge management è l’ambito più avanzato: circa il 60% del campione dichiara almeno una forma di utilizzo dell’AI, con il 27% in modo strutturato e il 33% in modo occasionale. Nel decision making, invece, meno di un’azienda su tre ha avviato un percorso di integrazione dell’AI e l’utilizzo strutturato si ferma al 13%. Nel project management, il 70% del campione non utilizza strumenti AI a supporto della gestione progettuale e solo il 12% dichiara un utilizzo strutturato.

Il report ITIR – Università di Pavia aiuta a spiegare questa distanza da un’altra prospettiva: l’AI entra spesso dal basso. Il 6,5% dei rispondenti dichiara di utilizzare sul lavoro applicazioni AI pagate con fondi propri. Il dato è più alto tra gli Expert, pari all’11,5%, e tra i profili definiti Rebel, pari al 9,6%. È un segnale di adozione spontanea e non sempre governata, che può anticipare bisogni reali, ma pone anche questioni di sicurezza, governance dei dati e standardizzazione dei processi.

In sintesi, l’AI viene utilizzata più facilmente per cercare informazioni, generare idee, sintetizzare documenti o costruire prototipi. Diventa più difficile integrarla nei momenti in cui l’organizzazione deve prendere decisioni, monitorare progetti, assegnare responsabilità e modificare routine operative consolidate.

Competenze, governance e dati: le condizioni per usare bene l’AI

A livello internazionale, il tema delle competenze è particolarmente evidente per le PMI. Il report OECD descrive l’adozione dell’AI da parte delle PMI come ancora relativamente bassa rispetto ad altre tecnologie digitali e alle grandi imprese. Il paper individua tra i principali fattori abilitanti connettività, dati, algoritmi, capacità computazionale, competenze e finanza.

In Italia il problema emerge in modo molto concreto. Secondo ISTAT, tra le imprese che non utilizzano AI ma ne hanno preso in considerazione l’adozione, gli ostacoli principali sono la mancanza di competenze, indicata dal 58,6%, la carenza di chiarezza legislativa, indicata dal 47,3%, l’indisponibilità o scarsa qualità dei dati necessari, indicata dal 45,2%, le preoccupazioni su privacy e protezione dei dati, indicate dal 43,2%, e i costi elevati, indicati dal 43,0%.

Anche il report dell’Osservatorio AI4Innovation conferma la centralità delle competenze. Il 96% dei rispondenti ritiene necessario sviluppare nuove skill all’interno dei team di innovazione, per lavorare efficacemente con GenAI e agenti: il 52% in modo significativo e il 44% almeno in parte. Tra le leve adottate per colmare i gap, la formazione interna è citata dal 75% dei rispondenti, seguita dall’upskilling on-the-job su progetti pilota, indicato dal 62%, e dalle partnership con fornitori e consulenti, indicate dal 48%.

Il dato sui profili ricercati è altrettanto interessante: il 51% dei rispondenti indica come priorità i profili ibridi, cioè figure che combinano competenze di innovation management con una conoscenza di base dell’AI. I profili tecnici puri, come data scientist, ML engineer o AI engineer, sono citati dal 32%.

La ricerca dell’ITIR – Università di Pavia aggiunge un dato complementare sulla governance. Il 50,5% delle imprese organizza attività di formazione, workshop o eventi dedicati all’AI. Tuttavia, le soluzioni più strutturate sono molto meno diffuse: il 17,0% del campione ha sviluppato norme, regolamenti o processi espressamente progettati per lavorare con l’intelligenza artificiale; il 16,3% ha istituito ruoli ad hoc per l’AI; solo l’8,6% dispone di un’unità organizzativa interamente dedicata. Le policy formali per la governance e l’utilizzo dell’AI sono presenti nel 21,1% delle organizzazioni.

In sintesi, le imprese non hanno bisogno solo di nuovi strumenti. Hanno bisogno di costruire le condizioni per usarli bene:

  • competenze diffuse, non solo specialistiche;
  • governance chiara su dati, rischi e responsabilità;
  • processi ridisegnati attorno ai casi d’uso realmente utili;
  • metriche per distinguere sperimentazione, produttività attesa e valore generato.

È una differenza sostanziale. L’AI può semplificare attività ripetitive, accelerare l’analisi di informazioni e supportare decisioni operative. Inserita senza governance, può però produrre l’effetto opposto: strumenti scollegati, flussi paralleli, dati duplicati, utilizzi non tracciati e decisioni difficili da ricostruire.

Investimenti in AI: crescita, aspettative e integrazione nei processi

A livello internazionale, l’AI è ormai stabilmente nelle priorità di investimento. Il report Deloitte segnala che l’intelligenza artificiale sta passando da una fase di sperimentazione a una fase di maggiore integrazione aziendale. A livello globale, il 25% degli intervistati dichiara che l’AI sta avendo un effetto trasformativo sulla propria azienda, il 30% delle organizzazioni sta riprogettando processi chiave intorno all’AI, mentre il 37% dichiara di utilizzarla ancora a livello superficiale.

Nel mercato italiano, Deloitte rileva che l’82% delle aziende intervistate prevede di aumentare gli investimenti in AI nel prossimo anno e che il 92% si aspetta un aumento di produttività grazie all’adozione di questi strumenti. Sono dati utili, ma vanno trattati con prudenza: misurano aspettative, percezioni e orientamenti di investimento di aziende intervistate, non una prova definitiva di impatto economico già realizzato in tutti i contesti.

La ricerca dell’Osservatorio AI4Innovation aggiunge un dettaglio utile sulla natura degli investimenti nelle imprese italiane analizzate. La voce più citata è l’accesso dei dipendenti a LLM e strumenti generativi, indicata dal 73% dei rispondenti. Segue lo sviluppo interno di soluzioni su misura o basate su dati proprietari, indicato dal 67%. I tool verticali con AI integrata sono citati dal 38%, le piattaforme low-code e no-code dal 29%, mentre solo il 9% dichiara di non stare investendo in AI.

Il report ITIR – Università di Pavia introduce un dato più prudente sugli investimenti effettivamente consolidati. Nelle imprese italiane medio-grandi del campione, il 17,8% dichiara di effettuare un qualche investimento in AI, pari ad almeno l’1% del budget totale. Il report segnala inoltre che quasi il 55% del campione dichiara di non conoscere, o preferisce non indicare, la quota di budget destinata all’AI. Questo può riflettere ragioni di riservatezza, ma anche una limitata tracciabilità della spesa, coerente con una diffusione dell’AI spesso ibrida e bottom-up.

Questa distribuzione suggerisce due livelli diversi di adozione. Da un lato, l’accesso agli strumenti generalisti rappresenta spesso il primo passo: utile per diffondere familiarità e aumentare l’efficienza individuale. Dall’altro, lo sviluppo di soluzioni su misura o basate su dati proprietari indica un passaggio più strategico: il valore non deriva solo dall’accesso al modello, ma dalla capacità di collegarlo a dati, processi e conoscenza specifici dell’organizzazione.

Le priorità dichiarate confermano questa impostazione. Secondo il report dell’Osservatorio AI4Innovation, il 72% dei rispondenti indica come priorità l’aumento dell’efficienza operativa e il 59% l’automazione delle attività ripetitive. Il 43% cita l’esplorazione di nuove opportunità e nuovi modelli di business, mentre il 40% indica il miglioramento della qualità decisionale grazie a una base informativa più ampia.

Il punto, quindi, non è solo quanto si investe, ma dove si investe e con quale profondità. L’accesso agli strumenti è necessario, ma non basta a costruire un vantaggio stabile. La differenza si gioca nella capacità di collegare l’AI a dati proprietari, processi core, competenze interne e governance.

Dall’adozione alla governance: la sfida organizzativa dell’AI

Le fonti analizzate raccontano una dinamica abbastanza chiara. L’AI nelle imprese cresce rapidamente, anche in Italia. Le grandi aziende sono più avanti, le PMI accelerano ma restano più esposte a vincoli di competenze, risorse e maturità digitale. Gli investimenti aumentano, le aspettative sono alte, ma la trasformazione reale dipende ancora dalla capacità di integrare l’AI dentro processi, dati, governance e competenze.

La ricerca dell’Osservatorio AI4Innovation rafforza questa lettura perché mostra, nel dettaglio dei processi di innovazione, la distanza tra uso occasionale e uso strutturato. L’AI è già presente in molte attività, ma spesso come supporto puntuale, soprattutto attraverso strumenti generalisti. Il passaggio a un’integrazione più profonda richiede roadmap, competenze, metriche, ridisegno dei workflow e una governance capace di accompagnare l’adozione nel tempo.

Il report ITIR – Università di Pavia aggiunge un punto decisivo: le nuove forme di AI tendono a entrare in azienda anche senza una regia esplicita, attraverso iniziative spontanee, sperimentazioni locali e pratiche bottom-up. Per questo il tema non è solo decidere se adottare l’AI, ma governarne la diffusione prima che diventi opaca, frammentata o incoerente rispetto agli obiettivi dell’organizzazione.

La differenza nei prossimi anni non sarà probabilmente tra imprese che “usano” l’AI e imprese che non la usano. Sarà tra organizzazioni che la introducono come strumento aggiuntivo e organizzazioni che riescono a inserirla in modo coerente nel proprio modello operativo.

È una distinzione meno appariscente, ma molto più concreta. Perché l’innovazione, nelle imprese, non si misura solo dalla tecnologia adottata. Si misura dalla capacità di renderla utile, governabile e sostenibile nel tempo.

Bibliografia

Note sulle fonti

Le fonti citate non misurano sempre lo stesso fenomeno. ISTAT ed Eurostat offrono una fotografia statistica dell’adozione dell’AI nelle imprese. Politecnico di Milano e Università di Pavia approfondiscono maturità, processi di innovazione e governance. McKinsey, BCG, Deloitte e OECD forniscono una lettura manageriale e internazionale del fenomeno. Per questo i dati non vanno letti come percentuali direttamente sovrapponibili, ma come livelli diversi della stessa trasformazione.

Ti interessa questo tema? Iscriviti alla nostra newsletter mensile! Riceverai aggiornamenti su AI, innovazione e trasformazione digitale. VAI!