Due anni dopo l’esplosione di ChatGPT, la parola intelligenza artificiale è ovunque, ma la domanda resta: sta davvero creando valore industriale, o siamo nel pieno di una bolla narrativa? Tra entusiasmi (automazione, produttività) e scetticismi (inquina, consuma, licenzia, ma produce davvero guadagni?), nel 2025 la risposta sembra essere sì, ma a determinate condizioni (processi chiari, metriche proprietarie, governance e human-in-the-loop).
Il World Economic Forum stima che entro il 2030 il 39% delle competenze core cambierà, un dato che fotografa la pressione sulla formazione continua e evidenzia la necessità di esempi concreti e visioni settoriali. Il dato, aggiornato al 2025, è leggermente inferiore al 44% stimato nel 2023, ma conferma un cambiamento profondo nelle skill richieste alle persone e nelle architetture organizzative che le devono abilitare.
Indice degli argomenti
AI e lavoro: l’analisi di Yale
Sul fronte del lavoro, i primi dati empirici non supportano l’idea di un effetto più significativo sull’occupazione rispetto alle precedenti innovazioni tecnologiche. Un’analisi condotta dagli economisti della Yale University, in collaborazione con Brookings, non rileva finora impatti macro negativi sul mercato del lavoro statunitense riconducibili all’IA generativa; la trasformazione sembra graduale e concentrata nella ridefinizione dei ruoli più che nella sostituzione netta. In questo quadro “il mercato del lavoro non è stato ancora seriamente sconvolto dall’IA”. Per le imprese questo significa che la sfida è nel riallineamento e nella riprogettazione di competenze e processi.
AI Act e impatti sulle imprese
Sul versante della regolazione, l’AI Act europeo ha fissato delle tappe chiare, con la sua entrata in vigore ad agosto 2024, con particolare riferimento alla classificazione dei sistemi di intelligenza artificiale ad alto rischio. La sua applicazione, però, è rivolta a tutti gli operatori della catena di forniture e di utilizzo dell’intelligenza artificiale. Per coloro che operano in tale settore, questo renderà strutturale la documentazione di rischio, prestazioni e trasparenza dei sistemi IA.
Che cosa significa ciò per le imprese? La fattibilità della convergenza tra modelli generativi, automazione dei processi e dati operativi è “assunta” in molti casi d’uso, il focus si sposta però verso l’entità del valore creato e la velocità di esecuzione.
Dove l’IA è già matura: customer management, marketing e retail
Se c’è un ambito dove l’IA ha superato ogni aspettativa, è la gestione della relazione con il cliente. Assistenti conversazionali oggi risolvono in autonomia gran parte delle richieste di primo livello, integrandosi con i sistemi di ordini, resi, pagamenti e logistica.
Il caso Klarna, che ha dichiarato di aver gestito con un assistente IA la maggioranza delle conversazioni su richieste di assistenza, con carichi equivalenti a 700 operatori full-time, e tempi di risoluzione dei ticket ridotti da 11 a 2 minuti, è emblematico di una curva di apprendimento ormai ripida sul piano operativo, pur con discussioni aperte sulla reale portata dei numeri e sulle condizioni di partenza dei contact center.
Il marketing sta vivendo un’accelerazione altrettanto concreta, con contenuti generati e personalizzati sulla base di dati proprietari, riduzioni importanti dei tempi di per le campagne promozionali e processi decisionali automatizzati basati sulla raccolta e sull’analisi di dati e sull’osservazione delle tendenze economiche per estrarre decisioni strategiche. Anche nel settore moda, un’industria storicamente creativa, ma oggi fortemente data-driven, l’IA rappresenta una priorità per la previsione della domanda, l’ottimizzazione delle scorte, ma soprattutto per plasmare il coinvolgimento dei consumatori e il processo decisionale.
Finanza: valore potenziale alto, esecuzione selettiva
La finanza è attualmente tra i settori con il potenziale economico più rilevante. Le stime più citate indicano un valore aggiuntivo annuale nell’ordine di 200–340 miliardi di dollari a livello globale, con casi d’uso che spaziano da assistenza clienti, antiriciclaggio, trading algoritmico, che consente di eseguire ordini in tempi rapidissimi, fino a incrementi nella produttività dello sviluppo di codice specifico e gestione dei rischi. Il punto, però, è l’industrializzazione: nel 2025 molte banche hanno strutturato funzioni centrali per orchestrare i casi d’uso e governare rischi e compliance, ma la scalabilità rimane da dimostrare e dipende dal modello operativo.
Le analisi più recenti confermano il “doppio registro”: grande entusiasmo per il potenziale, prudenza nella messa in produzione su larga scala per ragioni organizzative e regolamentari. Chi porta risultati tangibili tende a coniugare centralizzazione delle competenze, misurazione dell’impatto e un portafoglio limitato di casi d’uso portati fino in fondo.
Manifattura e Industria 4.0: accelerazione reale, ma con un approccio human-in-the-loop
Nelle fabbriche, l’IA sta uscendo dalla “fase pilota” su due direttrici: manutenzione predittiva e controllo qualità visivo. Le evidenze 2024–2025 indicano riduzioni significative dei fermi non pianificati e miglioramenti nell’OEE[1] quando i modelli vengono integrati nei sistemi di manutenzione e nei MES[2]. Tuttavia, molte organizzazioni faticano a superare la frammentazione dei dati e a sostenere i costi di MLOps[3] in ambienti brownfield [4].
Il controllo qualità alimentato dalla visione artificiale cresce in precisione e copertura, come mostrano implementazioni in automotive. Ma l’aspetto più interessante è che l’IA non “sostituisce” l’operatore: lo assiste, segnalando difetti millimetrici, proponendo contromisure, tracciando prove per audit. L’approccio human-in-the-loop, evidenziato da studi accademici e deployment industriali, resta lo schema vincente per gestire casi safety-critical e variabilità di processo.
La ragione è semplice: nei contesti ad alto rischio e bassa tolleranza all’errore, l’umano supervisiona, certifica e “chiude il ciclo” decisionale, mentre l’IA scala l’attenzione e standardizza la qualità. Articoli di rassegna accademici su smart manufacturing, XAI e collaborazione uomo-robot arrivano alla stessa conclusione: autonomia sì, ma supervisionata e spiegabile.
Fashion & luxury: dalla creatività aumentata alla supply chain trasparente
La filiera della moda sta usando l’IA su due fronti complementari. A monte, generazione e valutazione rapida di concept, palette e pattern, con cicli creativi più brevi e supportati da insight su trend e domanda. A valle, previsione della domanda, pianificazione e allocazione dinamica, con l’obiettivo di ridurre invenduto e resi. Nel 2025 la competitività del settore passa dalla capacità di legare creatività, dati e sostenibilità in un unico sistema operativo.
ESG e cybersecurity: IA come leva e come superficie d’attacco
La crescita dell’IA porta con sé nuovi costi infrastrutturali (modelli, MLOps, gestione dei dati) e impatti energetici/idrici da governare. Secondo IEA – International Energy Agency, i consumi elettrici dei data center potrebbero più che raddoppiare entro il 2030 (~945 TWh), con l’IA come principale driver. Anche in Italia sono previsti forti ampliamenti di capacità, con nuove infrastrutture dedicate all’IA. La questione energetica e idrica entra così a pieno titolo tra i criteri ESG: l’efficienza di raffreddamento, la localizzazione dei siti e l’uso di Power Purchase Agreement verdi diventano elementi centrali di sostenibilità operativa.
Parallelamente, l’IA diventa uno strumento abilitante per la sostenibilità: consente una misurazione più granulare di emissioni e consumi lungo la supply chain, supporta il carbon accounting e migliora la due diligence sui fornitori. Tuttavia, apre anche nuove sfide di trasparenza e distorsione (bias) nei modelli predittivi. Con l’entrata a regime dell’AI Act europeo, la documentazione dei rischi, delle prestazioni e della trasparenza dei sistemi IA “ad alto rischio” diventerà obbligatoria, con effetti diretti sulle catene di fornitura industriali e sulla rendicontazione ESG.
Sul fronte della cybersecurity, il 2025 segna un aumento della minaccia e, in parallelo, l’adozione di strumenti IA per difesa e la risposta. I report europei indicano una crescita degli attacchi DDoS e ransomware e ribadiscono il ruolo dell’IA tanto come strumento degli attaccanti quanto dei difensori. Il Rapporto Clusit 2025, focalizzato anche sull’Italia, e l’ENISA Threat Landscape confermano la necessità di rafforzare detection, automazione e competenze.
Che cosa funziona davvero, cosa no e cosa aspettarsi
Tre evidenze emergono dai progetti che, nel 2025, portano valore industriale misurabile:
- Ogni iniziativa deve essere legata a un processo aziendale preciso e misurata con KPI proprietari (ad esempio riduzione dei fermi macchina, degli scarti o dei tempi di manutenzione). In questo modo si evitano progetti “vetrina” senza impatto operativo.
- Le aziende più avanzate applicano pratiche di MLOps e di governance dei dati, anticipando i requisiti dell’AI Act invece di adattarsi all’ultimo momento.
- L’intervento umano resta essenziale non per frenare, ma per garantire sicurezza, qualità e responsabilità, soprattutto nei contesti industriali e regolamentati.
Nonostante questi progressi, molti settori faticano a superare la fase sperimentale. Nella manifattura, la varietà di impianti e sistemi brownfield rende difficile raccogliere dati affidabili e costruire modelli riutilizzabili. Nelle aziende con più stabilimenti, le differenze operative impediscono di scalare facilmente le soluzioni. In finanza, la forte regolamentazione rallenta la diffusione dei casi d’uso più sensibili. Gli analisti parlano quindi di difficoltà nel “portare a scala” i progetti, anche se gli strumenti tecnici sono ormai maturi.
A frenare la crescita è spesso la cultura manageriale, più che le competenze dei dipendenti. I lavoratori si dimostrano pronti, ma i leader faticano a ripensare processi, ruoli e incentivi in chiave data-driven.
Nei prossimi due anni si prevede una diffusione di tre pratiche ormai consolidate:
- Agenti IA specializzati in processi verticali come customer care, procurement o manutenzione, con obiettivi e metriche di fine processo chiari.
- Integrazione tra IA e sistemi industriali in tempo reale, con meccanismi di spiegabilità e controllo umano integrati fin dall’inizio.
- Compliance-by-design, cioè progettare le soluzioni già conformi ai requisiti europei, così da ridurre tempi e costi quando le norme diventeranno vincolanti.
In sintesi, l’IA genera valore solo quando è parte integrante dei processi aziendali, con metriche e responsabilità definite; quando affianca le persone nei compiti complessi o ripetitivi; e quando la governance è vista come un fattore abilitante e non come burocrazia. È un approccio pragmatico e coerente con le priorità dell’industria italiana, che ora deve concentrarsi sul consolidare ciò che funziona e abbandonare il resto.
Bibliografia
[1] OEE (Overall Equipment Effectiveness) è un indicatore di prestazione fondamentale nell’industria che misura l’efficienza complessiva di un impianto produttivo
[2] MES (Manufacturing Execution System) è un software per l’industria che ottimizza la produzione monitorando, tracciando e controllando tutte le fasi del processo in tempo reale. Raccoglie dati direttamente dalle macchine e dagli operatori, migliorando l’efficienza, la tracciabilità dei prodotti e il controllo qualità.
[3] MLOps è l’acronimo di “machine learning operations” (operazioni di machine learning) e si riferisce al processo di gestione del ciclo di vita del machine learning, dallo sviluppo al deployment fino al monitoraggio.
[4] Ambiente brownfield si riferisce a un’area, un sito o un sistema esistente che può essere complesso da riutilizzare o aggiornare a causa di problemi come contaminazione, strutture obsolete o infrastrutture esistenti
