Oggi uno spettro si aggira per le aziende e ha il volto dell’intelligenza artificiale: entra senza chiedere permesso, inquieta, divide. È lo spettro di una rivoluzione.
L’adozione dell’IA in azienda può svilupparsi su tre livelli: consultivo, esecutivo e di automazione.
Indice degli argomenti
Uso consultivo: il primo livello di adozione dell’IA
L’uso consultivo dell’IA è la forma più semplice e immediata di adozione, ed è quasi sempre la prima a comparire. Anche senza una decisione formale, i dipendenti iniziano a usare diversi strumenti di IA per farsi supportare nelle attività quotidiane. Se questo avviene spontaneamente, è perché il valore percepito è molto elevato: non di rado le persone arrivano a pagare di tasca propria gli abbonamenti per superare i limiti degli strumenti gratuiti.
Questa diffusione spontanea porta però con sé un rischio spesso sottovalutato: l’esposizione dell’azienda e del suo know-how a problemi di riservatezza.
Privacy e uso dei dati
Negli strumenti gratuiti e negli abbonamenti individuali, l’uso dei dati per il training di solito è abilitato per impostazione predefinita o comunque regolato da impostazioni che l’utente spesso non controlla in modo consapevole. Per questo motivo, l’impiego spontaneo di questi strumenti in ambito aziendale può creare criticità rilevanti sul piano della riservatezza.
Al contrario, i piani business o enterprise offrono in genere garanzie contrattuali più solide: i dati aziendali non vengono usati per addestrare i modelli per impostazione predefinita e non modificabile dall’utente.
Formazione: la leva decisiva
Nell’uso consultivo dell’IA si possono ottenere risultati utili anche senza una preparazione specifica: spesso basta formulare una richiesta come la si rivolgerebbe a un collega. Tuttavia, un uso intuitivo delle chat IA sfrutta solo una parte del loro potenziale.
Con una formazione adeguata, e in particolare con lo studio del prompting, l’efficacia e l’efficienza migliorano sensibilmente. Non è un aspetto secondario: molti strumenti basati su IA, sviluppati da aziende che non possiedono modelli propri, si reggono proprio sulla capacità di costruire prompt molto efficaci. Per questo scrivere buoni prompt non è una banalità, e la formazione dei dipendenti su questo tema è l’intervento più importante nell’ambito dell’uso consultivo dell’IA. Riscontri empirici mostrano che l’adozione dell’IA può produrre incrementi significativi di produttività, ma i benefici dipendono anche da come gli strumenti vengono usati e integrati nel lavoro.
Convenienza economica dell’adozione
Ai costi attuali, per un’azienda è ragionevole fornire un account IA a ogni knowledge worker. Considerando un costo compreso tra 20 e 30 euro al mese per dipendente e un costo medio orario del lavoro in Italia pari a 32 euro nel 2025 secondo Eurostat, basta risparmiare circa un’ora al mese perché l’investimento si ripaghi. In pratica, il tempo recuperato tende a essere molto più elevato:
- Secondo lo studio “Experimental evidence on the productivity effects of generative artificial intelligence” del 2023: −40% tempo medio e +18% di qualità in compiti di scrittura professionale (Zhang, 2023).
- Dal report Microsoft del 2024 “Generative AI in Real-World Workplaces”: oltre 30 minuti al giorno risparmiati per gli AI power users, che sono il 29% degli utenti AI (Jaffe, 2024).
- Secondo lo studio del giugno 2025 “Microsoft 365 Copilot Experiment: Cross-Government Findings Report” del Government Digital Service (GDS) del Regno Unito: 26 min/giorno (Government Digital Service UK, 2025).
- Mentre dai risultati di “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality”: i consulenti con GPT sono 25,1% più rapidi e completano 12,2% più task (Dell’Acqua, 2026).
Nella nostra azienda, dove ci sono molti programmatori (27% del campione), abbiamo registrato 76 min/giorno (media della mediana degli intervalli dichiarati). Il dato deriva da una survey interna svolta nel maggio 2026 a cui hanno risposto 157 dipendenti, in cui è stato richiesto di stimare il tempo giornaliero risparmiato grazie all’uso dell’IA.
La vera sfida: trasformare il tempo in valore
Il punto non è soltanto risparmiare tempo, ma saperlo usare in modo utile e intenzionale. Le aziende devono chiedersi se hanno davvero bisogno di quel tempo aggiuntivo e, soprattutto, come impiegarlo strategicamente. Solo quando il tempo liberato viene reinvestito in attività a maggior valore il ritorno dell’investimento diventa molto significativo.
Il rischio di dipendenza e l’evoluzione dei costi
Un timore diffuso è che, con un’adozione estesa dell’IA, le aziende finiscano per diventarne dipendenti anche sul piano economico, esponendosi a un aumento marcato dei costi da parte dei provider. È probabile che i costi dell’IA continuino a crescere, e in parte lo stiamo già osservando, ma è altrettanto probabile che accanto alle soluzioni oggi dominanti emergano alternative locali credibili: modelli eseguiti su proprie infrastrutture, forse meno potenti ma destinati a migliorare nel tempo.
Se la pressione competitiva si allentasse e i prezzi salissero oltre una soglia sostenibile, le soluzioni on-premise, oggi ancora marginali, diventerebbero molto più interessanti. Questo scenario potrebbe favorire un ritorno parziale all’on-premise, già visibile sul piano infrastrutturale dopo anni di centralità quasi assoluta del cloud. A ciò si aggiunga la presenza di alternative cinesi ed europee rispetto ai principali modelli americani. In ogni caso, una quota di rischio è propria di qualunque scelta imprenditoriale: è parte stessa dell’idea di impresa.
Uso esecutivo dell’IA in azienda
Accanto all’uso consultivo, sta emergendo più lentamente anche l’uso esecutivo dell’IA.
Che cos’è l’uso esecutivo
Per uso esecutivo intendo la delega all’IA dell’esecuzione di un task. Nell’uso consultivo l’utente riceve supporto e completa personalmente il lavoro; nell’uso esecutivo, invece, è l’IA a portarlo a termine.
Il tratto distintivo: si affida all’agente un singolo task, con confini definiti, e gli si chiede un risultato finito anziché un consiglio. L’agente compie azioni concrete, non si limita a generare testo. Per questo l’uso esecutivo si colloca tra la chat, in cui l’IA suggerisce e l’utente esegue, e l’automazione, in cui più task vengono concatenati e attivati senza intervento umano, salvo eccezioni.
Come si realizza
L’uso esecutivo può prendere forma in due modi. Il primo è ricorrere agli strumenti agentici generalisti oggi disponibili sul mercato che operano in contesti generali come web, file system, codice, documenti Office e fonti pubbliche. Il secondo è sviluppare agenti custom, necessari quando il task richiede integrazione con sistemi proprietari o non accessibili via browser, regole di dominio da codificare e verificare, strumenti costruiti ad hoc o livelli di affidabilità che un agente generalista non garantisce.
Due esempi
Agente che classifica il centro di costo delle fatture del ciclo passivo operando sullo SDI e sul gestionale legacy. L’agente acquisisce le fatture elettroniche in arrivo dal Sistema di Interscambio, recupera dall’ERP l’anagrafica dei centri di costo e le imputazioni storiche, e attribuisce ogni riga di fattura al centro di costo corretto. Il nodo è che la stessa voce di spesa può alimentare centri diversi a seconda del contesto. E questa scelta non è deducibile dal solo fornitore o codice IVA: dipende dalla descrizione del bene o servizio fatturato, spesso un testo libero e poco standardizzato. Qui interviene l’IA, che interpreta quella descrizione e propone l’imputazione più coerente con le imputazioni passate, lasciando all’operatore solo la conferma dei casi dubbi. Per realizzarlo servono strumenti dedicati: il connettore allo SDI per ricevere le fatture e i wrapper sulle API del gestionale per leggere l’anagrafica e scrivere la registrazione. Senza questi, l’agente non avrebbe né l’input né il punto di scrittura.
Codifica clinica con validazione deterministica parziale. Si tratta di assegnare codici ICD-10 a una cartella nel rispetto delle regole di codifica nazionali, con un livello di controllo che verifichi ogni codice rispetto al dizionario ufficiale e scarti quelli non ammessi. Qui il compito non è produrre un testo plausibile, ma generare un output verificato rispetto a un sistema di regole esterno. Per questo serve un’orchestrazione custom tra modello e motore di validazione deterministico.
Va comunque osservato che il confine tra agenti generalisti e custom è in movimento: grazie a Model Context Protocol (MCP) e ai connettori, gli agenti generalisti raggiungono un numero crescente di sistemi interni, e il discriminante dell’integrazione si assottiglia progressivamente.
Implicazioni organizzative e ROI
L’uso esecutivo richiede di norma un investimento iniziale più elevato di quello consultivo (salvo i casi più semplici, vicini a un’interazione di tipo chat) e per questo difficilmente si diffonde spontaneamente in azienda. In genere serve una decisione del vertice: non basta affidarsi all’iniziativa dei dipendenti, occorre scegliere su cosa investire e con quale priorità. La formazione può mettere personale non specialistico in condizione di sviluppare gli agenti più semplici; più spesso, però, l’azienda deve rivolgersi a soggetti specializzati. In compenso il ritorno dell’investimento può essere molto alto, anche perché questo livello di adozione è spesso l’anticamera della piena automazione dei processi. Per valutarlo bisogna stimare il tempo-persona risparmiato per task, il costo di sviluppo dell’agente e il consumo di token necessario per eseguirlo.
Un paio di conti illustrativi sui due esempi aiutano a fissare gli ordini di grandezza (cifre ipotetiche, costo del lavoro a 32 €/h come sopra).
Classificazione del centro di costo. Ipotizziamo 4.000 fatture passive l’anno, oggi classificate a mano in 4 minuti ciascuna: circa 267 ore, pari a ∼8.500 € di tempo-persona. Se l’agente ne gestisce in autonomia l’85%, il risparmio lordo è di circa 6.900 € l’anno. A fronte di questo, lo sviluppo dell’agente è stimato in 12.000 € una tantum, cui si aggiungono circa 600 € l’anno di token. Il beneficio netto del primo anno è quindi di circa −5.700 €, ma dal secondo diventa ∼+6.300 € l’anno: l’investimento si ripaga in poco meno di due anni.
Codifica clinica. Ipotizziamo 15.000 cartelle l’anno, oggi codificate a mano in 6 minuti ciascuna: 1.500 ore, pari a ∼48.000 €. Con un assorbimento dell’80%, il risparmio lordo è di circa 38.400 € l’anno. Lo sviluppo è stimato in 35.000 € una tantum, più circa 3.000 € l’anno di token. Il primo anno è in pareggio; dal secondo anno il beneficio diventa ∼+35.400 € l’anno.
Come nel caso dell’uso consultivo dell’IA, il risparmio lordo si traduce in vantaggio economico reale solo se quel tempo viene reinvestito in attività a maggior valore, come già osservato. Altrimenti resta un risparmio potenziale, non monetizzato.
Automazione basata su IA
La process automation non è certo un tema recente, ma l’avvento dell’IA generativa le ha ridato lustro. Grazie a questo tipo di IA è infatti divenuto possibile automatizzare anche quei task di tipo cognitivo che prima ne restavano esclusi; così oggi si può aspirare ad automatizzare molti più processi che in passato.
Dall’uso esecutivo all’automazione
Il passaggio dall’uso esecutivo all’automazione è più di gradiente che di natura. Nell’uso esecutivo l’utente lancia ogni singolo task e ne raccoglie il risultato; nell’automazione quel task diventa un nodo di un processo, dove l’output di un passaggio innesca automaticamente il successivo, senza che una persona rilanci ogni volta l’esecuzione. L’esempio della classificazione del centro di costo lo rende concreto: come task esecutivo, è l’addetto a chiedere all’agente di classificare un lotto di fatture; come workflow automatizzato, l’arrivo di una fattura dallo SDI fa partire da solo la catena: acquisizione, classificazione del centro di costo, scrittura della registrazione provvisoria sul gestionale, instradamento all’approvazione del responsabile e notifica in caso di anomalia. La persona non è più l’innesco di ogni passo, ma il supervisore degli esiti e dei casi dubbi.
Cosa cambia rispetto all’automazione tradizionale
La process automation classica automatizza bene i passaggi deterministici: spostare dati, applicare regole fisse, compilare campi strutturati. Si è sempre fermata però davanti ai passaggi che richiedono interpretazione: leggere un documento non strutturato, decidere in presenza di ambiguità, classificare un caso che non rientra in nessuna regola scritta. Erano proprio questi gli anelli aperti che spezzavano la catena e imponevano un intervento umano in mezzo al flusso. L’IA generativa chiude in buona parte quegli anelli: inserendo un agente come nodo del processo, l’automazione può attraversare anche i passaggi cognitivi, e processi prima non automatizzabili completamente diventano percorribili per intero. È questo il motivo per cui un tema datato è tornato di grande attualità.
Il ruolo dell’uomo e i nuovi rischi
Automatizzare un passaggio cognitivo non significa eliminarne il controllo. Proprio perché l’agente decide su input ambigui, può sbagliare in modi più sottili di un automatismo a regole, che semmai si blocca segnalando l’eccezione. Per questo l’automazione basata su IA si progetta attorno a presìdi espliciti: soglie di confidenza sotto le quali il caso viene messo in coda umana anziché proseguire, validazioni deterministiche, quando possibili, tracciabilità di ogni decisione dell’agente per poterla verificare a posteriori, e punti di approvazione umana sui passaggi a maggior impatto. Il modello di riferimento non è il pilota automatico totale, ma l’automazione con Human-in-the-Loop (HITL): il flusso gira da solo nei casi ordinari e chiama la persona dove serve.
Condizioni di adozione
L’automazione è il livello a più alto investimento e perciò quello che meno tollera l’improvvisazione. Richiede processi stabili e mappati (non ha senso automatizzare un flusso che cambia ogni mese), integrazioni solide con i sistemi che il workflow attraversa e una governance che stabilisca chi risponde degli esiti automatici. Conviene procedere per gradi: partire dai task esecutivi già validati, misurarne affidabilità e ROI, e solo allora concatenarli in un flusso, estendendo l’automazione un nodo alla volta man mano che la fiducia nei singoli passaggi cresce. È un percorso, non un interruttore: ed è anche il punto in cui le tre forme di adozione (consultiva, esecutiva, automazione) smettono di essere stadi separati e diventano un continuum lungo il quale l’azienda avanza alla velocità che la sua maturità organizzativa consente.
L’esperienza diretta di chi scrive mostra che l’automazione completa dei processi può, in alcuni casi, rendere superflui contratti di outsourcing prima ritenuti necessari e quindi generare ROI molto elevati. Un esempio è il fast fashion con e-commerce. Per ogni prodotto si realizzano scatti fotografici (still life e indossato) che poi vanno descritti in più lingue per la pubblicazione online. Grazie alle capacità visive dei modelli multimodali, questa descrizione può essere affidata all’IA, automatizzando di fatto l’intero processo di pubblicazione del nuovo prodotto. Un’attività prima esternalizzata a un fornitore può così diventare interna e completamente automatizzata.
Conclusione
I tre livelli formano una scala crescente di investimento e di complessità di governo. Attenzione però: non è una scala dei ritorni. Ai prezzi attuali degli abbonamenti in molti contesti aziendali il ROI più elevato tende a essere proprio quello dell’uso consultivo, che si ripaga già con un’ora di tempo risparmiato al mese. Allora perché salire di livello? Perché l’uso consultivo sta diventando in fretta una commodity, e una commodity non dà vantaggio competitivo. Chi vuole differenziarsi deve spostarsi sugli altri livelli, ed è lì che si giocherà la competizione.
Questo non vuol dire che il primo si possa trascurare o lasciare a sé stesso. Anche l’uso consultivo richiede una decisione forte del management: poiché si diffonde spontaneamente, va governato dall’alto, con sottoscrizioni enterprise (per mitigare i rischi sulla riservatezza dei dati) e un investimento serio in formazione, a partire dal prompting. L’uso esecutivo chiede a sua volta una decisione del vertice e un investimento dedicato che spesso apre la strada all’automazione. L’automazione completa è il livello a più alto investimento e quello che meno perdona l’improvvisazione: vuole processi stabili, integrazioni solide e un Human-in-the-Loop che conservi il giudizio umano sui passaggi a rischio.
Il tempo liberato diventa valore solo se lo si reinveste in attività che ne valgono di più. Ed è proprio qui che si misura la vera sfida del management: non limitarsi a contabilizzare il tempo risparmiato, ma reinvestirlo in attività a maggior valore aggiunto, che comprendano anche casi d’uso più avanzati dell’IA.
L’uso consultivo è probabilmente il miglior punto di partenza: genera valore rapidamente e con investimenti contenuti. Ma proprio perché tutti possono adottarlo, difficilmente rappresenterà un vantaggio competitivo duraturo. La sfida strategica non è scegliere tra consultivo, esecutivo e automazione, ma usare il primo per finanziare e accelerare gli altri due.
Riferimenti
Dell’Acqua, F. a. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403-423. doi:10.1287/orsc.2025.21838
Government Digital Service UK. (2025, Giugno 2). Microsoft 365 Copilot Experiment: Cross-Government Findings Report. Tratto da www.gov.uk: https://www.gov.uk/government/publications/microsoft-365-copilot-experiment-cross-government-findings-report/microsoft-365-copilot-experiment-cross-government-findings-report-html
Jaffe, S. a. (2024, Luglio). Generative AI in Real-World Workplaces. Tratto da www.microsoft.com: https://www.microsoft.com/en-us/research/publication/generative-ai-in-real-world-workplaces/
Zhang, S. N. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192. doi:10.1126/science.adh2586
