L’intelligenza artificiale generativa ha cambiato, in meno di tre anni, il paesaggio tecnologico delle imprese. Eppure, a fronte di strumenti progettati per abbattere qualsiasi barriera di accesso, la curva di adozione nei sistemi produttivi avanzati — e in quello italiano in modo particolare — avanza a ritmo diseguale, con un divario che, invece di chiudersi, si va allargando rispetto alle economie di riferimento.
Questo saggio si interroga sul perché. La risposta corrente, quella che domina i sondaggi e le agende politiche, punta al deficit di competenze. Ma è una risposta che, presa alla lettera, rischia di essere più fuorviante che illuminante: indica un sintomo senza diagnosticarne le cause, e finisce per orientare le risorse verso i rimedi meno efficaci.
Di seguito, sviluppiamo l’argomento in tre movimenti logici. Il primo scompone l’etichetta «competenze» nelle sue componenti reali, mostrando che cosa i dati aggregati nascondono. Il secondo identifica i predittori empirici dell’adozione e propone un’interpretazione teorica della non-adozione come scelta deliberata e razionale, per poi trarne le conseguenze per la formazione e per la riorganizzazione aziendale. Il terzo quantifica il costo dell’attesa, colloca l’Italia in fondo alla classifica internazionale, e individua le leve sistemiche su cui agire. Al termine, dovrebbe essere chiaro che il rompicapo non è un paradosso tecnologico, ma la conseguenza logica di un ecosistema organizzativo strutturalmente fragile.
Indice degli argomenti
Sapere cosa non sappiamo
I moderni strumenti di intelligenza artificiale — in particolare gli assistenti basati su modelli linguistici di grandi dimensioni che hanno rivoluzionato il mercato a partire dal 2022 — sono progettati attorno alla conversazione naturale. Non occorre saper programmare, non si deve configurare nulla di complesso, non è necessario conoscere i meccanismi statistici sottostanti. L’interfaccia è una casella di testo in cui si scrive proprio come se si parlasse con la macchina.
Secondo qualsiasi parametro ragionevole, l’ostacolo all’uso di una chatbot è inferiore rispetto a quasi tutte le tecnologie digitali che l’hanno preceduta. I fogli di calcolo o i software computazionali usati nelle scienze richiedono un apprendimento strutturato; persino la posta elettronica, agli albori, non era intuitiva. La chatbot basata sull’intelligenza artificiale, al contrario, viene incontro agli utenti là dove essi già si trovano, praticamente senza attrito.
Allora perché la «mancanza di competenze» continua a dominare le classifiche degli ostacoli indicati dai manager delle imprese per l’adozione in azienda dell’IA?
I numeri parlano chiaro. Un gruppo di economisti coordinato da Ivan Yotzov della Banca d’Inghilterra ha recentemente pubblicato un articolo nei Working Paper del National Bureau of Economic Research che analizza i dati di quattro grandi economie avanzate: Stati Uniti, Germania, Gran Bretagna e Australia. I dati mostrano che il deficit di competenze è tra gli ostacoli più citati dalle imprese che non hanno adottato l’IA.
Eurostat, nelle rilevazioni sull’uso delle tecnologie digitali nelle imprese europee nel 2024, riporta che in diversi paesi membri la carenza di personale qualificato supera, come barriera dichiarata, sia i costi sia i problemi infrastrutturali. In Italia il quadro è ancora più netto. L’indagine campionaria INVIND della Banca d’Italia mostra che il 58,6% delle imprese che hanno valutato l’IA senza poi adottarla cita la mancanza di competenze come ragione principale, davanti all’incertezza normativa (47,3%), alla qualità dei dati (45,2%) e ai costi (43%). Il White Paper su «Evidence of AI and generative AI adoption in Italian firms» della MIB Trieste School of Management conferma che, su un campione di imprese italiane, la carenza di competenze raccoglie 45 segnalazioni, seconda soltanto ai vincoli di budget e in netta prevalenza rispetto a tutti gli altri ostacoli organizzativi.
Quali sono, allora, le competenze che gli imprenditori e i manager ritengono di non avere e che li rendono cauti nell’adozione dell’IA?
La risposta più onesta è che i sondaggi rivelino correttamente una vulnerabilità percepita, ma non la articolino in maniera adeguata. Ovvero: le competenze mancano davvero, ma i questionari non chiedono quali. In realtà, gli intervistati applicano un’etichetta unica a un insieme di cose assai diverse — e finché quell’etichetta non è opportunamente disaggregata, il suo significato è oscuro ed è difficile capire quali esigenze manifestino le imprese.
Tre competenze
La prima competenza celata dietro un’etichetta troppo generale è saper interagire con uno strumento IA, formulare domande utili, interpretare le risposte. È la competenza che l’interfaccia conversazionale ha reso quasi irrilevante come barriera. La sua persistenza riflette probabilmente l’inerzia psicologica del non aver mai provato, non una difficoltà oggettiva: bastano pochi giorni di esposizione alla chatbot per superare la diffidenza iniziale e iniziare a dialogare in maniera efficace con la macchina.
La seconda è la competenza strategica e organizzativa: la capacità di capire dove, all’interno di un’azienda, l’IA crei valore. Come ridisegnare i flussi di lavoro per accoglierla; come redistribuire ruoli e responsabilità quando una macchina inizia ad assistere o a sostituire parti di processi esistenti. Questa non è una competenza tecnica. Richiede una teoria del funzionamento dell’impresa e dei suoi processi produttivi, una conoscenza dei colli di bottiglia operativi e, senza dubbio, l’autorità organizzativa per cambiare le cose. È il tipo di competenza che i consulenti di management vendono a caro prezzo e che un corso di «prompt engineering» non insegna.
La terza è la competenza valutativa: la capacità di esaminare criticamente gli output dell’IA, riconoscerne gli errori, individuare i limiti delle risposte generate in modo automatico e mantenere una supervisione umana significativa sulle decisioni conseguenti. È la più esigente delle tre, e anche la meno visibile — perché si esercita soltanto dopo l’adozione. Un dirigente che non abbia mai usato l’IA per la pianificazione finanziaria non può sapere, prima di provarci, quanta competenza di dominio serva per accorgersi che una previsione plausibile sia in realtà sbagliata.
I dati aggregano tutte e tre le competenze sotto una voce sola. Finché non la si separa nelle sue componenti, la conclusione sarà che alle imprese servano soprattutto programmi di alfabetizzazione digitale — vale a dire la competenza meno vincolante — lasciando così non coperte le più importanti e, soprattutto, le più sfidanti, con conseguente ritardo nell’adozione dell’IA.
Due soluzioni per un rompicapo
Diagnosticato il problema come inappropriata aggregazione — un’unica etichetta che cela tre deficit distinti — occorre rispondere a due domande che si integrano reciprocamente: quali imprese adottino l’IA, e cosa trattenga le altre, soprattutto ora che la barriera tecnologica all’ingresso è praticamente scomparsa.
La prima domanda ha una risposta empirica: ci dice chi arriva prima e perché. La seconda ha una risposta teorica: ci dice come interpretare la non-adozione di chi non è distratto o mal informato, ma sta ragionando. Le due risposte sono altrettante facce della stessa medaglia. La prima identifica la risorsa organizzativa che rende l’adozione possibile, la seconda spiega perché la sua assenza — quando accompagnata da sufficiente consapevolezza strategica — produca non inerzia, ma attesa deliberata. Il confine tra chi adotti e chi aspetti non è tracciato dalla tecnologia, ma dalla struttura decisionale dell’impresa.
Il management conta più della tecnologia
Se la mancanza di competenze digitali di base fosse davvero il freno principale, ci aspetteremmo che ad adottare l’IA fossero soprattutto le imprese con forza lavoro più istruita, o quelle con infrastrutture IT più sviluppate. I dati non lo confermano.
In un recente lavoro pubblicato nei Quaderni di Economia e Finanza della Banca d’Italia, elaborando i dati dell’indagine INVIND, Lorenzo Bencivelli e i suoi colleghi trovano che i predittori di gran lunga più robusti dell’adozione dell’IA sono due: il punteggio MOPS — un indice che misura la qualità delle pratiche manageriali e organizzative dell’impresa — e l’intensità della spesa in ricerca e sviluppo. Questi effetti reggono anche dopo aver controllato per dimensione, settore, area geografica, propensione all’export e produttività. Le infrastrutture IT e i livelli di istruzione della forza lavoro non emergono come fattori causali indipendenti.
È un risultato che vale la pena fermarsi a considerare. Il MOPS misura, per esempio, se le performance siano monitorate sistematicamente, se gli obiettivi siano espliciti, se le responsabilità siano chiare. Non misura, invece, se qualcuno sappia usare l’intelligenza artificiale. In altri termini, le imprese che adottano l’IA più precocemente non sono quelle con i dipendenti più digitalmente alfabetizzati — sono quelle con la struttura decisionale più solida.
La competenza che fa la differenza è quindi organizzativa, non tecnica. Ciò risolve in parte il rompicapo: il dato del 58,6% non sta dicendo «non sappiamo usare uno strumento», sta dicendo — senza saperlo articolare chiaramente — «non siamo organizzati per gestirlo».
L’attesa razionale
Ma c’è un secondo livello, più sottile, che spiega un’altra fetta del fenomeno — e che richiede di introdurre una distinzione che i sondaggi non fanno mai: quella tra un rischio post-adozione e una barriera pre-adozione.
Una barriera pre-adozione è ciò che impedisce di cominciare. Un rischio post-adozione è un problema che emerge soltanto dopo aver iniziato a usare lo strumento. Tra i più rilevanti c’è quello che potremmo chiamare l’effetto sostituzione tra IA e giudizio. Quando un sistema artificiale produce output abbondanti e dall’aria convincente a costo quasi zero, l’incentivo a esercitare un giudizio critico indipendente si indebolisce. L’output è lì, pronto, ben scritto: perché affaticarsi a dubitarne? La competenza che serve per resistere a questa deriva — la competenza valutativa — è esattamente ciò che l’interfaccia conversazionale rende invisibile: l’accesso è senza attrito, ma il problema di governo non lo è.
Un dirigente d’azienda lungimirante potrebbe anticipare questo rischio prima di adottare l’intelligenza artificiale. Se lo facesse, la scelta di non adottare non sarebbe ignoranza né pigrizia. Sarebbe piuttosto un’attesa razionale, una decisione deliberata di rimandare l’adozione fino a quando non sarà stata costruita la capacità organizzativa necessaria a gestire ciò che l’adozione porta con sé. In termini economici, è come esercitare un’opzione di investimento: quando i costi di un errore post-adozione sono alti e l’incertezza sulla propria capacità di governo è elevata, aspettare ha un valore positivo.
Questa lettura è coerente con tutti i principali pattern empirici. Spiega perché le imprese con MOPS elevato adottino prima: hanno già costruito l’architettura decisionale che rende il rischio post-adozione gestibile. Spiega perché la barriera di competenze coesista con un’interfaccia accessibile: la competenza rilevante è organizzativa, non tecnica. E spiega perché budget, normativa e qualità dei dati seguano le competenze nella classifica degli ostacoli: per le imprese che ragionano strategicamente, il vincolo non è di risorse ma di prontezza istituzionale.
La sfida alla formazione
Se questa analisi è corretta, l’implicazione per le imprese è immediata. Comprare programmi di alfabetizzazione digitale e corsi sull’uso dell’IA significa raggiungere la competenza meno vincolante con lo strumento sbagliato. Le imprese frenate dall’attesa razionale non hanno bisogno di imparare a usare una chatbot. Hanno bisogno di supporto nel ridisegnare i processi decisionali, nel chiarire le strutture di responsabilità e nel costruire la capacità manageriale per restare il soggetto critico in una gerarchia decisionale condivisa con una macchina.
Questa consapevolezza ridisegna interamente l’agenda della formazione aziendale. Il problema non è tecnico — non si risolve aumentando le ore di corso su strumenti e piattaforme. È un problema di architettura organizzativa e di cultura decisionale. Formare un lavoratore a usare una chatbot è relativamente semplice. Formare un’organizzazione a mantenere il controllo critico sugli output di quella chatbot è un’impresa di ordine superiore: richiede che le persone sappiano non solo cosa chiede di fare lo strumento, ma quando fidarsi della risposta e quando no, e che le strutture interne all’impresa redistribuiscano le responsabilità di controllo in modo esplicito.
Il rischio concreto, in assenza di questo aggiustamento, è la formazione di un’illusione di competenza. Un’organizzazione i cui dipendenti abbiano frequentato corsi di alfabetizzazione digitale può sviluppare una falsa confidenza nella qualità degli output generati dall’IA, proprio perché chi li usa sa abbastanza da non sentirsi incompetente, ma non abbastanza da esercitare il giudizio critico richiesto dalla posta in gioco. È una condizione più pericolosa dell’ignoranza consapevole, perché non produce l’attesa razionale ma produce invece l’adozione incauta.
Una formazione all’altezza della sfida dovrebbe quindi articolarsi su almeno tre piani distinti. Il primo riguarda il singolo: non solo come usare lo strumento, ma come riconoscerne i limiti e mantenere un giudizio autonomo sulle sue risposte. Il secondo riguarda il gruppo: come ridistribuire i compiti di verifica e revisione, e come costruire le routine organizzative che rendono il controllo sistematico e non episodico. Il terzo riguarda la leadership: come sviluppare, nei quadri e nei dirigenti, la consapevolezza strategica necessaria a decidere dove l’IA crei valore genuino e dove, invece, sostituisca un giudizio umano che non può essere delegato senza costi.
La formazione aziendale che risponde a questa sfida non è erogabile in un corso di due giorni. I programmi che si limitano all’interfaccia tecnica rischiano di essere non solo insufficienti, ma controproducenti: abbassano la soglia di diffidenza senza costruire la capacità di governo che rende la diffidenza appropriata. È un’agenda di riforma organizzativa, prima ancora che formativa. Ed è esattamente ciò di cui le imprese italiane — in modo particolare quelle di medie dimensioni — hanno bisogno, ma che il mercato della formazione, per come è oggi strutturato, non è ancora in grado di consegnare.
Il dividendo perduto
Nei due movimenti precedenti abbiamo scomposto il rompicapo. Il primo ha mostrato che la «mancanza di competenze» è un’etichetta che nasconde tre deficit distinti — di interazione, organizzativo e valutativo — e che i programmi di formazione si concentrano sul meno vincolante tra essi. Il secondo ha identificato il vero predittore dell’adozione: non la dotazione di capitale umano digitale, ma la qualità delle pratiche manageriali; e ha spiegato perché le imprese organizzativamente più fragili scelgano razionalmente di aspettare, e perché la formazione convenzionale non basti a sbloccarle. Resta però aperta la domanda più urgente: quanto costa, in termini di produttività, questa attesa?
Il valore dell’adozione effettiva
Le prove più solide sul contributo produttivo dell’IA provengono da survey sui lavoratori — non dalle dichiarazioni strategiche dei dirigenti. Bick, Blandin, Deming, Fuchs-Schündeln e Jessen (NBER WP 34995, 2026) hanno condotto nel 2025–2026 survey rappresentativi in sette paesi, chiedendo direttamente ai lavoratori che usano l’IA quante ore settimanali risparmino. Il risultato: gli utenti risparmiano in media il 5,8% delle proprie ore lavorative, una stima coerente con i risultati degli esperimenti di laboratorio sulla produttività.
Tenendo conto sia dei risparmi degli utenti sia dei mancati risparmi dei non-utenti, il risparmio aggregato negli USA è del 2,3% del totale delle ore lavorate. Dati settoriali su 29 paesi europei mostrano che ogni aumento di 10 punti percentuali nel tasso di adozione delle imprese è associato a 2–5 punti percentuali di crescita cumulativa della produttività nel periodo 2022–2024. Gli autori sono espliciti: il nesso non è causale, ma è statisticamente robusto, scompare nei periodi-placebo precedenti all’IA generativa, ed è confermato su entrambe le sponde dell’Atlantico. A livello micro, l’IA produce guadagni concreti; a livello macro, quei guadagni iniziano a comparire nelle statistiche nazionali.
L’Italia al fondo della classifica
L’Italia occupa l’ultimo posto tra i sette paesi osservati: il 25,6% dei lavoratori usa l’IA per il proprio lavoro, contro il 43% negli USA e il 36% nel Regno Unito. Ancor più preoccupante è la dinamica: tra la primavera del 2025 e l’inverno del 2026, l’adozione italiana è cresciuta di meno di un punto percentuale, contro i 3,6 punti degli USA. Il gap non si sta chiudendo: si sta allargando.
La risposta non è tecnologica. ChatGPT costa 20 euro al mese in Italia esattamente come negli USA: il prezzo non spiega nulla. La spiegazione è organizzativa. Solo il 16% dei lavoratori italiani riceve dall’impresa sia incoraggiamento esplicito sia accesso diretto agli strumenti IA, contro il 42% negli USA. Il 70% non riceve nessuna delle tre forme di supporto considerate — incoraggiamento, strumenti, formazione. Una decomposizione statistica formale dimostra che le differenze nelle pratiche di management e nell’incoraggiamento aziendale spiegano statisticamente quasi tutto il divario tra Italia e USA, ben oltre le differenze di composizione demografica e settoriale. Il vero fattore discriminante non è se la tecnologia sia accessibile, ma se l’impresa scelga attivamente di spingere i propri lavoratori a usarla.
Un ecosistema da costruire, non una tecnologia da importare
Le stime di Bick et al. indicano che un aumento di 10 punti percentuali nel tasso di adozione è associato a 2–5 punti di crescita cumulativa della produttività nel periodo 2022–2024. Il divario attuale tra Italia e USA è di circa 17 punti: applicando quel coefficiente, l’Italia avrebbe già mancato tra i 3 e gli 8 punti percentuali di crescita cumulativa. Con il gap che si allarga — meno di un punto di nuova adozione in Italia contro 3,6 negli USA nell’ultimo anno — il conto è destinato a peggiorare.
Il quadro empirico fin qui tracciato indica con sufficiente nitidezza dove risieda il vincolo. I due movimenti precedenti avevano mostrato che il predittore più robusto dell’adozione non è la dotazione tecnologica né il capitale umano digitale, ma la qualità delle pratiche organizzative dell’impresa — il MOPS score, la chiarezza degli obiettivi, la struttura delle responsabilità. Bick et al. precisano il meccanismo: ciò che separa le imprese ad alta adozione dalle altre non è l’accesso agli strumenti, identico su entrambe le sponde dell’Atlantico, ma la scelta attiva dell’impresa di incoraggiare i propri lavoratori a usarli.
Questo sposta il problema da un piano individuale a uno sistemico. Se il vincolo fosse tecnico, basterebbe abbassare il prezzo degli strumenti o formare i singoli lavoratori. Se fosse informativo, basterebbe diffondere buone pratiche. Ma il deficit di management organizzativo che emerge dai dati è strutturalmente correlato alla dimensione d’impresa, al settore e alla posizione geografica: è distribuito, persistente e non si autocorregge per esposizione alla tecnologia. Le PMI che ne soffrono di più sono anche quelle con minore capacità di acquisire consulenza specializzata e minore liquidità per sperimentare. In assenza di un sistema di supporto esterno che trasferisca capacità organizzativa dove il mercato non la produce spontaneamente, il gap tende a consolidarsi. Le politiche che investono in R&S o in alfabetizzazione digitale di massa mancano il bersaglio perché aggrediscono vincoli che i dati non identificano come i più stringenti.
Quattro leve per l’ecosistema
Quello che serve è costruire attorno alle imprese — in particolare alle PMI — un ecosistema di supporto organizzativo capace di attivare quattro meccanismi complementari.
Sussidi condizionati all’organizzazione, non alla spesa tecnologica
Gli incentivi fiscali e i voucher disponibili alle imprese per l’adozione dell’IA dovrebbero essere condizionati non al mero acquisto di licenze software, ma all’adozione di protocolli interni di uso dell’IA: policy aziendali, figure di coordinamento, revisione dei flussi di lavoro. Il principio è semplice — si finanzia la capacità di usare lo strumento, non lo strumento in sé. Diversamente, si rischia di pagare abbonamenti inutilizzati.
Consulenza organizzativa per le PMI
Un programma pubblico-privato di affiancamento aiuterebbe le piccole e medie imprese — cuore del sistema produttivo italiano — a ridisegnare processi e strutture di responsabilità in presenza dell’IA, colmando il deficit di management strategico identificato nei movimenti precedenti. Non si tratta di formazione tecnica: si tratta del tipo di supporto che oggi solo le grandi imprese possono permettersi di acquistare sul mercato della consulenza.
Reti di apprendimento tra imprese
Piattaforme settoriali in cui le imprese che hanno già adottato l’IA condividano casi d’uso concreti con quelle ancora in attesa razionale abbasserebbero il costo informativo della prima adozione senza sostituire il giudizio manageriale con prescrizioni dall’alto. L’apprendimento orizzontale tra pari — tra imprese dello stesso settore e dimensione — è storicamente il canale più efficace di diffusione delle innovazioni organizzative nelle economie a forte concentrazione di PMI.
Misurare l’adozione effettiva
Nessuna politica può essere valutata su ciò che non si misura. Integrare nelle indagini statistiche esistenti — INVIND, ISTAT ICT — domande sull’incoraggiamento aziendale, sulla fornitura di strumenti e sulla quota di ore lavorative dedicate all’IA, seguendo il modello dei survey di Bick et al., consentirebbe di monitorare il comportamento lavorativo effettivo e non le sole dichiarazioni strategiche. Solo così è possibile valutare le politiche in corso e correggere la rotta prima che il divario diventi strutturalmente irreversibile.
Conclusione
Il rompicapo con cui abbiamo aperto questo saggio aveva un’apparente paradosso: la tecnologia più accessibile della storia è anche quella adottata più lentamente. La soluzione è ora completa. Non è un paradosso: è la conseguenza logica di un ecosistema organizzativo fragile.
Il nodo centrale è questo: la difficoltà nell’adozione dell’IA non risiede nella tecnologia, né nelle competenze di base necessarie per usarla. Risiede nella capacità — ancora scarsa, distribuita in modo diseguale, e difficile da trasmettere con i metodi formativi esistenti — di integrare quello strumento in strutture organizzative capaci di mantenerlo sotto controllo critico. Chi questa capacità ce l’ha già, adotta presto e raccoglie i dividendi di produttività che i dati documentano. Chi non ce l’ha, attende — spesso in modo razionale — oppure adotta senza la necessaria prontezza e rischia di farlo male.
L’Italia si trova in posizione particolarmente esposta su entrambe le dimensioni. Il tessuto produttivo è dominato da PMI con strutture manageriali deboli, dove il MOPS è basso, l’incoraggiamento aziendale all’uso dell’IA è raro e il mercato della consulenza specializzata è inaccessibile. I dati mostrano che il gap con le economie di punta si sta allargando, non chiudendo, e che le politiche correnti — centrate su voucher tecnologici e alfabetizzazione digitale — non aggrediscono i vincoli giusti.
La strada indicata dall’analisi è più impegnativa, ma più precisa. Il dividendo che l’IA promette non si incassa comprando licenze o frequentando corsi. Si incassa costruendo, impresa per impresa e settore per settore, la capacità organizzativa di usare quella tecnologia con giudizio. È un cantiere aperto. La sua urgenza è proporzionale al costo crescente dell’attesa.
Fonte principale: Bick, Blandin, Deming, Fuchs-Schündeln & Jessen (2026), «Mind the Gap: AI Adoption in Europe and the US», Brookings Papers on Economic Activity, marzo 2026. I dati sull’incoraggiamento aziendale e sulla decomposizione del gap sono tratti dall’analisi dei survey originali condotti in 7 paesi (55.000 osservazioni totali). Le stime sul gap produttivo sono puramente associative e non causali.
Partecipa alla community