Nelle sue considerazioni finali sul 2025, il Governatore della Banca d’Italia, Fabio Panetta, ha dedicato molto spazio al tema dell’intelligenza artificiale.
Tra le analisi Panetta ha citato un paper appena pubblicato e firmato da dieci ricercatori della Banca d’Italia, dal titolo emblematico: L’adozione dell’intelligenza artificiale: effetti su produttività e politiche a sostegno.
È un documento che merita lettura attenta perché riconduce la discussione alla sua dimensione più concreta: quella dei dati. Dati che raccontano una tecnologia i cui benefici aggregati sono ancora largamente potenziali, che dipendono da condizioni precise e che richiedono politiche coerenti per materializzarsi. La strada è più tortuosa di quanto spesso la retorica lasci intendere.
Si tratta infatti di un paper che affronta tre questioni distinte in modo rigoroso:
- quanto l’intelligenza artificiale potrebbe valere per la crescita italiana nel lungo periodo,
- attraverso quale meccanismo la diffusione stenta a tradursi in produttività nel breve
- e quali politiche siano effettivamente giustificate e in quale forma.
Indice degli argomenti
Quanto vale l’intelligenza artificiale per la produttività italiana
La parte più originale del lavoro è anche quella più concreta: quanto vale, in termini di crescita della produttività, una diffusione ampia dell’intelligenza artificiale nell’economia italiana?
Per rispondere, i ricercatori costruiscono un modello calibrato sulla struttura produttiva del paese, che simula come un aumento di efficienza in un settore si propaghi agli altri attraverso i legami di fornitura. L’idea di fondo è semplice: se un’impresa diventa più produttiva e abbassa i prezzi dei propri prodotti, le aziende che comprano quei prodotti come input vedono scendere i propri costi, diventano a loro volta più competitive e così via lungo tutta la catena. I settori che forniscono input a molti altri comparti, le cosiddette attività centrali nella rete produttiva, amplificano questo effetto più di quelli che vendono prevalentemente al consumatore finale.
Perché le stime internazionali sulla produttività divergono
Prima di applicare questo approccio all’Italia, il paper inquadra il problema confrontando le stime internazionali disponibili, che divergono in modo sconcertante. Due economisti di primo piano, Acemoglu e Aghion con Bunel, arrivano a conclusioni quasi dieci volte distanti tra loro sull’impatto dell’intelligenza artificiale sulla crescita della produttività totale dei fattori: rispettivamente 0,07 e 0,68 punti percentuali annui. Il paper spiega che metà di questa differenza dipende da un’unica ipotesi: quante mansioni siano davvero esposte all’intelligenza artificiale nella pratica, fuori dai laboratori e dai contesti sperimentali in cui la tecnologia è stata testata. Il primo autore stima il 20 per cento, il secondo il 60 per cento. Il resto della differenza dipende da quante di quelle mansioni convenga effettivamente automatizzare e da quanto risparmio produca farlo: due variabili che, a differenza della prima, non sono destinate del mercato ma possono essere influenzate dalle politiche pubbliche.
Il nodo della velocità di adozione
I risultati per l’Italia, su un orizzonte decennale, variano in funzione della velocità di adozione. Nello scenario lento, paragonabile alla diffusione storica dell’elettricità, la crescita annua della produttività del lavoro aumenterebbe di 0,2 punti percentuali. Nello scenario intermedio, paragonabile ai computer e a internet, di 0,7 punti. Nello scenario rapido, paragonabile alla diffusione dei telefoni cellulari, di 1,1 punti. In tutti e tre gli scenari si stima un lieve effetto positivo sull’occupazione, nell’ordine di un decimo di punto. Per un paese che ha sofferto di stagnazione della produttività strutturale per tre decenni, anche lo scenario conservativo avrebbe un peso non trascurabile.
La scomposizione settoriale
La scomposizione settoriale, ricavata dallo scenario di rapida adozione, è anch’essa istruttiva. Il contributo principale alla crescita del PIL viene dalla manifattura (2 punti percentuali su dieci anni), seguita dal commercio (1 punto) e dalle attività professionali, scientifiche e tecniche (0,8 punti). Il caso delle attività professionali rivela la logica del modello: il loro contributo è in larga misura indiretto, cioè generato non dall’aumento di produttività nel settore stesso ma dalla sua posizione di centralità nella rete produttiva. Questo comparto serve e collega filiere diverse, rendendo la propagazione dei suoi guadagni di efficienza particolarmente estesa. I settori dell’energia, delle costruzioni e dell’istruzione figurano invece con contributi più contenuti, coerentemente con la loro posizione più periferica o downstream nella rete.
I limiti del modello
Gli autori del paper segnalano con onestà i limiti del modello. Sul lato dell’ottimismo, l’impatto potrebbe essere ancora più ampio se l’intelligenza artificiale riuscisse ad accelerare la ricerca e sviluppo, compresa quella finalizzata al proprio stesso avanzamento, aprendo un canale di feedback innovativo che il modello non cattura.
Le stime vanno però lette con cautela per almeno tre ragioni. La prima: il modello non tiene conto del fatto che anche i competitori esteri adotteranno l’intelligenza artificiale e diventeranno più efficienti, il che potrebbe erodere parte dei vantaggi competitivi dei servizi italiani venduti sui mercati internazionali. La seconda: il modello ipotizza che i guadagni di produttività si trasferiscano interamente sui prezzi, ma nella realtà una parte di quei guadagni potrebbe essere trattenuta sotto forma di profitti più alti dai grandi fornitori di tecnologia che controllano il mercato, senza arrivare alle imprese e ai consumatori. La terza è quella più specifica per l’Italia: il “meccanismo di amplificazione” descritto presuppone che i lavoratori si spostino dai settori che perdono peso a quelli che crescono, ma il mercato del lavoro italiano è storicamente poco mobile, per ragioni sia geografiche sia di competenze, e questo potrebbe smorzare sensibilmente gli effetti positivi stimati.
Perché i benefici dell’intelligenza artificiale non si vedono ancora
Il paper distingue nettamente tra le prospettive di lungo periodo appena descritte e l’evidenza di breve periodo, che racconta una storia diversa. A livello di singola attività, i dati internazionali mostrano guadagni concreti e misurabili: nella scrittura professionale, Noy e Zhang (2023) documentano una riduzione del 40 per cento del tempo medio di completamento con un incremento del 18 per cento della qualità; nel customer service, Brynjolfsson et al. (2025) stimano un aumento della produttività del 14 per cento; nella programmazione, Gambacorta et al. (2024) rilevano incrementi dell’ordine del 55 per cento misurati in linee di codice prodotte.
Ma il processo produttivo di un’impresa non è fatto di una singola mansione: è una catena di attività che devono funzionare tutte insieme. Se l’intelligenza artificiale rende il 30 per cento più veloce la redazione di un report ma il collo di bottiglia è altrove, nell’approvazione del management o nella capacità produttiva dello stabilimento, il guadagno sull’intera catena è marginale. Il principio è analogo a quello di una squadra in cui migliorare le prestazioni del componente più forte non cambia il risultato se il limite è dato dal più debole. Vale anche l’argomento inverso: se le attività che l’intelligenza artificiale rende più efficienti rappresentano una quota piccola del valore prodotto dall’impresa, il miglioramento complessivo resterà contenuto anche in presenza di guadagni notevoli su quella singola funzione.
I dati empirici confermano questa lettura. Un’indagine – citata dal paper – condotta su 6.000 dirigenti di imprese in Stati Uniti, Regno Unito, Germania e Australia rileva che oltre l’80 per cento delle aziende non vede ancora effetti apprezzabili dell’intelligenza artificiale su occupazione o produttività. Una ricerca McKinsey su 1.750 grandi imprese mostra che solo un terzo di quelle che hanno adottato l’intelligenza artificiale dichiara un impatto positivo sui propri margini operativi. Per le imprese italiane, l’analisi condotta nel paper su dati Banca d’Italia giunge alle stesse conclusioni: nessun effetto sistematico misurabile sul fatturato per dipendente, sull’occupazione o sugli investimenti. Il 70 per cento delle imprese che già usano l’intelligenza artificiale dichiara che finora non ha cambiato nulla nella propria produttività. La metà di quelle stesse imprese si aspetta però un impatto positivo nei prossimi tre anni. I dati sull’intelligenza artificiale industriale negli Stati Uniti suggeriscono che il pattern sia quello classico di ogni grande trasformazione tecnologica: prima si sostengono i costi di integrazione e riorganizzazione, poi, con un ritardo che può essere di anni, arrivano i benefici.
Non è la prima volta che accade qualcosa di simile. Negli anni Ottanta e Novanta, le imprese investirono massicciamente in informatica senza che la produttività aggregata accelerasse, tanto che l’economista Robert Solow coniò la famosa battuta: si vede l’era dei computer ovunque tranne che nelle statistiche della produttività. I benefici arrivarono, ma solo dopo che le aziende avevano ripensato i propri processi, formato il personale e riorganizzato il lavoro attorno alle nuove tecnologie. Ricerche successive hanno mostrato che questa storia si è ripetuta in modo asimmetrico tra paesi: Germania e Stati Uniti ne hanno saputo cogliere i benefici molto più dell’Europa meridionale. Studi citati nel paper documentano che le differenze nell’adozione e nell’efficacia dell’ICT spiegano ancora oggi una quota sostanziale del divario di produttività che separa l’Italia dalla frontiera nel periodo 1995-2008, e che politiche di sussidio all’acquisto di tecnologia o all’istruzione da sole non erano sufficienti a ridurlo: risultarono efficaci solo gli interventi che agirono direttamente sulle inefficienze manageriali. È una lezione che il paper cita esplicitamente come avvertimento per chi è tentato di leggere le proiezioni sull’intelligenza artificiale con eccessivo ottimismo.
Le barriere all’adozione dell’AI nelle imprese italiane
Quante imprese italiane si trovino oggi nella condizione di non riuscire ad adottare l’intelligenza artificiale pur avendone valutato la possibilità lo dicono i dati Eurostat: circa una su dieci tra quelle con almeno dieci dipendenti. La ragione più citata, in tutte le classi dimensionali, è la mancanza di competenze adeguate, che nelle piccole imprese raggiunge il 60 per cento delle risposte. Ma i ricercatori mettono in guardia contro la tentazione di ridurre il problema a questa sola voce: sarebbe, scrivono esplicitamente, un errore di diagnosi.
Perché le imprese non adottano: un reticolo di vincoli, non un singolo ostacolo
Il quadro che emerge dai dati è più complesso della sola carenza di competenze. Le imprese che hanno valutato l’intelligenza artificiale senza procedere indicano anche costi di implementazione che precedono benefici incerti, dati aziendali frammentati e difficili da integrare, e un quadro normativo ancora in evoluzione che spinge razionalmente ad aspettare prima di investire. Il paper ricostruisce la logica economica di questo blocco collettivo attraverso il concetto di complementarità strategiche: il vantaggio che un’impresa ottiene dall’adottare l’intelligenza artificiale non dipende solo da quanto vale la tecnologia in assoluto, bensì anche da quante altre imprese la usano lungo la stessa filiera. Se il fornitore a monte non ha ancora integrato l’intelligenza artificiale nei propri processi, il cliente a valle ottiene benefici ridotti anche se ha investito. Se pochi nella filiera adottano, il mercato per chi sviluppa soluzioni specializzate è troppo piccolo per giustificare l’investimento. Se mancano i dati condivisi, gli standard comuni e le competenze interne, adottare una singola tecnologia produce rendimenti limitati. Ogni fattore si blocca sull’altro, e il risultato è che il mercato tende spontaneamente verso un equilibrio di bassa adozione che si autoalimenta.
Da questo schema deriva quello che il paper chiama il “missing middle”: il vuoto tra chi offre e chi dovrebbe adottare. Il mercato oggi è polarizzato tra strumenti generalisti accessibili a chiunque ma non adattati ai processi specifici delle singole aziende, e soluzioni su misura che solo le grandi imprese possono permettersi. Le PMI restano intrappolate nel mezzo: troppo piccole per le seconde, troppo specifiche per le prime. I fornitori non investono in soluzioni verticali scalabili perché la domanda è troppo frammentata per renderlo conveniente, e la domanda resta frammentata anche perché mancano le soluzioni adatte. È un circolo vizioso che il mercato da solo non è strutturalmente in grado di spezzare.
Le politiche per l’intelligenza artificiale tra domanda, offerta e fattori abilitanti
Il confronto internazionale contenuto nell’appendice del paper è impietoso. Su una griglia di valutazione in ventidue dimensioni di policy, l’Italia ottiene 13 punti su 21, contro i 21 di Singapore e Francia, i 19 della Danimarca, i 18 di Germania e Spagna. Il ritardo non riguarda un singolo aspetto bensì l’intera architettura: gli strumenti di accompagnamento alle imprese, lo sviluppo di applicazioni specializzate, le infrastrutture di calcolo, la certezza normativa. Un dato finanziario fotografa la sproporzione meglio di qualsiasi griglia: i Competence Center italiani hanno ricevuto in tutto 186 milioni di euro nell’arco di sei anni, dal 2019 al 2025. Il solo Fraunhofer Institute tedesco incassa ogni anno 2,2 miliardi di euro di fondi pubblici. I centri Catapult nel Regno Unito 320 milioni di sterline all’anno. Non si tratta di un gap recuperabile con qualche aggiustamento.
La tesi centrale del paper è che i sussidi generici alla digitalizzazione, il tipico strumento a cui l’Italia ha storicamente fatto più ricorso, producono effetti diffusi ma superficiali. Servono bensì strumenti selettivi inseriti in una strategia coerente, articolata lungo tre assi.
Il primo asse riguarda la domanda
Il primo asse riguarda la domanda. Le imprese hanno bisogno di essere accompagnate nell’adozione da strutture capaci di valutare tecnicamente i progetti e seguirne l’implementazione, non di ricevere un voucher da spendere sul mercato. Il modello che il paper indica come riferimento è il programma 100 Experiments di AI Singapore: le imprese propongono casi d’uso concreti e misurabili, team specializzati li sviluppano in sei mesi con una copertura pubblica significativa dei costi, e i prototipi funzionanti diventano esempi replicabili che riducono l’incertezza per tutta la filiera. L’effetto non è solo sull’impresa che partecipa: è segnalare al mercato dei fornitori che la domanda esiste ed è seria.
Il secondo asse riguarda l’offerta
Il secondo asse riguarda l’offerta. Occorre sviluppare un ecosistema di startup e scale-up specializzate nella traduzione della tecnologia generica in applicazioni adatte ai processi produttivi specifici delle filiere italiane. A questo si può affiancare il pre-commercial procurement, uno strumento attraverso cui la pubblica amministrazione finanzia lo sviluppo di soluzioni innovative non ancora disponibili sul mercato, condividendo il rischio con le imprese private e mantenendo in capo a queste ultime i diritti di proprietà intellettuale. In Italia questo strumento esiste, è stato formalizzato attraverso il programma Smarter Italy gestito da AgID, e il paese ha una partecipazione non trascurabile ai programmi europei in materia. Ma la complessità procedurale e la discontinuità dei finanziamenti ne hanno finora limitato la capacità di realizzare una massa critica.
Il terzo asse riguarda i fattori abilitanti
Il terzo asse riguarda i fattori abilitanti, quelli senza i quali gli altri due producono poco. Il primo è la condivisione dei dati: le applicazioni di intelligenza artificiale più efficaci richiedono dati specifici di settore e di processo che oggi sono frammentati nei sistemi di ogni singola azienda. Il modello tedesco Catena-X nell’automotive, che consente alle imprese di condividere dati lungo la filiera mantenendone la sovranità, è l’esempio citato nel paper come direzione da seguire.
Il secondo è la certezza normativa: l’AI Act europeo è in fase di attuazione e molte imprese adottano strategie di attesa proprio perché non sanno ancora quali obblighi si applicheranno alle loro applicazioni. I sandbox regolatori, ambienti controllati in cui testare soluzioni innovative prima che le regole siano completamente definite, sono già operativi in Spagna e Danimarca ma non ancora in Italia. Il terzo fattore abilitante è l’accesso alle infrastrutture di calcolo. Il supercalcolatore Leonardo del Cineca di Bologna è tra i più potenti d’Europa, ma nel 2024 ha destinato alle industrie solo il 5 per cento della propria capacità, essendo stato concepito e gestito principalmente per la ricerca scientifica. L’AI Factory IT4LIA, che evolverà Leonardo con circa 430 milioni di euro di investimento in cofinanziamento europeo e nazionale, punta a cambiare questo, rendendo le risorse di calcolo accessibili alle imprese con focus su manifattura, agroalimentare, cybersecurity e studio della terra. La sfida, osserva il paper, non è tecnologica: è trasformare un’istituzione nata per la ricerca in un interlocutore stabile delle PMI.
Il rischio dei sussidi assorbiti dai fornitori
C’è infine un avvertimento che il paper formula con precisione e che merita di essere riportato. Anche quando le politiche sono ben disegnate, esiste il rischio che i sussidi alla domanda vengano in parte assorbiti dai fornitori sotto forma di prezzi più alti, senza arrivare alle imprese beneficiarie.
In un mercato come quello dell’intelligenza artificiale, in cui pochi grandi operatori controllano i modelli di base, l’infrastruttura cloud e sempre più spesso le applicazioni di settore, non si tratta di una preoccupazione teorica. Il paper rinvia a un lavoro specifico sul disegno ottimale dei sussidi in presenza di potere di mercato, bensì non sviluppa le implicazioni per la strategia italiana. È una lacuna che il dibattito pubblico non potrà a lungo ignorare.
L’intelligenza artificiale vale tra 0,2 e 1,1 punti di produttività: ma dipende da noi
Il paper dà sostanza alle anticipazioni contenute nelle considerazioni finali di Panetta. Non è una conferma di quanto già si sapeva: è una costruzione analitica che quantifica il potenziale, spiega con rigore perché i benefici non si vedono ancora nel breve periodo e disegna la mappa precisa delle condizioni necessarie perché quella crescita si materializzi nel lungo. La forchetta tra 0,2 e 1,1 punti di produttività annua non dipende dalla velocità con cui evolve la tecnologia: dipende dalla velocità con cui il sistema paese costruisce le condizioni per adottarla in profondità. La distanza tra i due estremi è quasi interamente determinata da fattori su cui si può intervenire: coerenza delle politiche, scala degli investimenti nelle strutture di accompagnamento, condivisione dei dati lungo le filiere, certezza normativa. Sono esattamente i fattori su cui l’Italia sconta i ritardi più strutturali. Il confronto con Germania, Singapore e Danimarca non è consolante. Ma almeno ora sappiamo con precisione dove siamo indietro, di quanto e perché.
