Il rapporto tra AI e produttività resta una questione aperta per le imprese italiane. Il CNEL documenta il raddoppio dell’adozione, ma anche la distanza tra disponibilità degli strumenti e capacità di integrarli nei processi: un passaggio che può accentuare gli squilibri del sistema produttivo.
Indice degli argomenti
Rapporto CNEL 2026: cosa emerge su AI e produttività
Secondo l’ultimo Rapporto annuale sulla produttività 2026 presentato il 4 novembre a Roma dal Consiglio nazionale dell’economia e del lavoro (CNEL), nel 2025 la quota di imprese con almeno dieci addetti che usa l’AI è raddoppiata, dall’8,2 al 16,4%, ma resta sotto la media europea e la distanza tra grandi imprese e PMI è salita a 37 punti. Le prime stime italiane sugli effetti non sono concordi. Il rapporto avverte che, senza correzioni, la tecnologia può ampliare i divari tra imprese e territori, come già accaduto con il digitale.
I capitoli statistici del Rapporto sono di Istat e Banca d’Italia, l’introduzione del presidente del CNEL, Renato Brunetta. All’AI sono dedicati un’appendice, Intelligenza artificiale e produttività, curata dal Comitato per l’economia dell’intelligenza artificiale del CNEL (coordinatore scientifico Rosario Cerra), con un paragrafo delle conclusioni, firmate da Pasquale Lucio Scandizzo e Giovanni Tria.
Le notizie, in ordine di rilevanza, sono tre. La prima è la diffusione. Secondo i dati Istat, nel 2025 usa almeno una tecnologia di AI il 16,4% delle imprese con almeno dieci addetti, contro l’8,2% del 2024 e il 5,0% del 2023; la media Ue è del 20,0%. Le grandi imprese (53,1%) sono in linea con quelle europee (circa 55%), le PMI si fermano al 15,7%: il ritardo italiano è soprattutto un ritardo delle imprese più piccole, e la distanza tra i due gruppi è salita da circa 20 a 37 punti in due anni.
La seconda riguarda gli effetti, ancora incerti. Per Ropele e Tagliabracci (Banca d’Italia, Questioni di economia e finanza n. 1005, 2026), tra le imprese con almeno cinquanta addetti l’adozione è associata a un valore aggiunto per addetto più alto del 5,2%.
Bellomarini e altri (n. 1009, 2026), su circa 900 imprese con almeno venti addetti, non trovano effetti sistematici nel breve periodo; le loro simulazioni, costruite con il modello della rete produttiva italiana di Bertolotti, Linarello e Zoi (n. 1020, 2026), stimano per i prossimi dieci anni una crescita annua della produttività del lavoro più alta di 0,2, 0,7 o 1,1 punti percentuali, a seconda della velocità di adozione. Sono scenari, non effetti osservati.
La terza è un avvertimento. Poiché il rendimento dell’AI cresce con la dimensione dell’impresa e con le competenze di chi vi lavora, senza correzioni la tecnologia tende ad ampliare le differenze tra imprese e territori: un AI divide che rischia di sovrapporsi a un divario digitale non ancora colmato. È la tesi che attraversa il volume: in Italia i miglioramenti ci sono, ma non si sommano in crescita del sistema.
Produttività in Italia: la crescita dipende dalle ore lavorate
La produttività del lavoro misura il valore prodotto in un’ora di lavoro. Tra il 1995 e il 2025 in Italia è cresciuta dello 0,2% l’anno, contro l’1,1% dell’Unione europea. Tra il 2019 e il 2025 il PIL è aumentato dell’1,0% l’anno, più che in Germania e in Francia, ma le ore lavorate sono cresciute dell’1,3% e la produttività è scesa dello 0,3%. Il rapporto la chiama crescita estensiva: si produce di più perché si lavora di più, non perché ogni ora rende di più. L’aumento dell’occupazione è un risultato, precisano gli autori, ma non è stato accompagnato da un aumento adeguato del capitale.
Gli investimenti si sono spostati verso il digitale e l’immateriale, cresciuti di oltre il 2% l’anno mentre il capitale materiale restava quasi fermo; nel complesso, però, tra il 2014 e il 2025 il capitale per ora lavorata è diminuito dell’1,1% l’anno.
I miglioramenti che non si compongono
Le conclusioni ne fanno un’unica diagnosi. Dal 2007 gli occupati laureati sono aumentati di 2,6 milioni, le imprese più lontane dalla frontiera del proprio settore recuperano terreno, l’export si sposta verso prodotti a più alta tecnologia. Ma sono miglioramenti che restano confinati nelle singole imprese. Quelle che migliorano non crescono, anche perché soglie fiscali, contributive e regolatorie rendono costoso il passaggio di classe; un tessuto di piccole imprese familiari domanda meno laureati di quanti il sistema ne formi (le professioni qualificate sono circa un terzo dell’occupazione, contro il 43% di Francia e Germania); il credito bancario basato sulle garanzie reali fatica a finanziare l’immateriale.
Gli autori aggiungono, come ipotesi, una domanda interna indebolita da anni di moderazione salariale.
La lezione degli incentivi 4.0
Il caso più vicino al digitale è quello degli incentivi Industria 4.0 e Transizione 4.0. Secondo un approfondimento Istat su oltre 177 mila società manifatturiere, tra il 2013 e il 2022 circa l’82% non li ha mai usati, e chi li ha usati era già più grande, più produttivo e più propenso a investire. Dove agiscono, l’effetto è forte proprio sulle microimprese: una riduzione del 10% del costo d’uso del capitale si associa a un tasso di investimento più alto di quasi il 18%, contro un effetto trascurabile per le medio-grandi.
Nel 2021-2022 oltre il 57% delle manifatturiere che hanno investito nel digitale lo ha fatto senza incentivi. La valutazione del Piano Transizione 4.0 condotta da ministero dell’Economia, ministero delle Imprese e Banca d’Italia trova effetti positivi su investimenti e occupazione; sulla produttività gli effetti sono contenuti per micro e piccole imprese e assenti per le più grandi. La regola che ne traggono le conclusioni vale anche per l’AI: il sostegno pubblico può accelerare la propensione a innovare, non crearla.
AI nelle imprese italiane: cresce l’adozione, si allarga il divario
La crescita dell’AI si è concentrata dove competenze e produttività erano già più alte. Tra il 2024 e il 2025 le PMI hanno raddoppiato la loro quota, ma le grandi imprese, partendo da un livello più alto, hanno aggiunto più punti: il divario cresce anche quando le imprese più piccole accelerano.
Fonte: Istat, Imprese e ICT 2025, ripreso nel Rapporto CNEL sulla produttività 2026 (Tavola 6); riferimenti Ue (Eurostat) come riportati nel rapporto – imprese con almeno 10 addetti, 2024-2025
Lo stesso accade per settori e territori: l’informatica arriva al 53%, la manifattura si ferma al 14,7%, il Nord-Ovest sale in un anno dall’8,9 al 19,3%. Gli usi più frequenti sono marketing e vendite, processi amministrativi e ricerca e sviluppo. Tra le imprese che hanno valutato l’AI senza adottarla, gli ostacoli principali sono la mancanza di competenze (58,6%), la scarsa chiarezza delle norme (47,3%) e l’indisponibilità o la scarsa qualità dei dati (45,2%).
Quanto è profondo l’uso
Sapere quante imprese usano l’AI dice poco su quanto la usino. Un terzo delle adottanti, in larga parte piccole, non la associa a una specifica funzione aziendale. Un’analisi dell’Ufficio Studi Confcommercio con il Centro Studi Tagliacarne sui microdati Istat individua gli adottanti forti, che usano almeno quattro tecnologie di AI: sono il 2,0% delle imprese con almeno dieci addetti e il 17,8% di quelle con almeno 250. Il loro fatturato per addetto è di 539 mila euro, contro 289 mila nelle imprese senza AI, ma, avverte il rapporto, è un’associazione, non un effetto: le imprese più produttive sono anche le più propense ad adottare.
Le indagini della Banca d’Italia vanno nella stessa direzione. Tra le imprese con almeno venti addetti le utilizzatrici sono il 32% nel 2026, ma l’uso intensivo riguarda il 5% e il 70% non segnala effetti sulla produttività, anche se circa la metà se li attende entro tre anni. Tra le microimprese la usa il 5%, più spesso dove il titolare ha maggiori conoscenze finanziarie e sa valutare il rendimento di un investimento.
Una base industriale ancora poco intelligente
Un ambito in cui l’Italia parte avvantaggiata è la robotica. Secondo la International Federation of Robotics, nel 2024 contava circa 237 robot ogni 10 mila addetti della manifattura, sopra la media europea (231) ma lontana dalla Germania (449) e dalla Corea del Sud (1.220), come rilevato in un’analisi precedente sull’AI fisica. È una base per la cosiddetta Physical AI, l’intelligenza artificiale che guida macchine nel mondo fisico. Ma le nuove installazioni sono scese del 16% nel 2024 e di circa l’11% nel 2025, e solo il 5,9% delle imprese che usano l’AI la impiega per il movimento autonomo delle macchine.
L’automazione installata è molta, lo strato di intelligenza che potrebbe renderla più flessibile è ancora sottile.
AI e produttività: gli effetti sui compiti e sulle imprese
L’appendice segue il guadagno lungo quattro passaggi, dal compito al processo, all’impresa, all’economia, e può fermarsi a ciascuno: per questo esperimenti molto favorevoli convivono con effetti modesti nei bilanci e nelle statistiche.
Sui compiti singoli le prove sono solide. In uno studio su 5.172 operatori di assistenza clienti (Brynjolfsson, Li e Raymond, 2025), un assistente basato su AI generativa aumenta del 15% le richieste risolte per ora, circa il 30% per i meno esperti e quasi nulla per i più esperti; in un esperimento sulla scrittura professionale (Noy e Zhang, 2023) il tempo scende del 40% e la qualità sale del 18%. Gli stessi studi mostrano però i limiti.
Nell’esperimento su 758 consulenti del Boston Consulting Group, l’AI migliora velocità e qualità sui compiti alla portata del modello, ma su un compito appena fuori da quel perimetro la probabilità di arrivare alla soluzione corretta scende di 19 punti: è la frontiera frastagliata, per cui compiti che sembrano simili ricevono un aiuto molto diverso. In un altro esperimento (Becker e altri, 2025), sviluppatori esperti al lavoro sui propri progetti hanno impiegato con l’AI il 19% di tempo in più, convinti di essere stati più veloci di circa il 20%.
A livello d’impresa gli effetti medi sono più contenuti. Su oltre dodicimila imprese europee e statunitensi (Aldasoro e altri, 2026), l’adozione è associata a una produttività del lavoro più alta del 4% nella media Ue, con benefici maggiori nelle imprese medie e grandi; la formazione dei lavoratori rafforza l’effetto più della spesa in software e dati.
Un working paper NBER di febbraio 2026 (Firm Data on AI, Yotzov, Bloom, Davis e altri), costruito su un’indagine presso quasi seimila dirigenti in Stati Uniti, Regno Unito, Germania e Australia, trova che circa il 70% delle imprese usa l’AI, ma oltre nove dirigenti su dieci non le attribuiscono effetti su occupazione e produttività nei tre anni precedenti.
L’appendice richiama infine la curva a J descritta da Brynjolfsson, Rock e Syverson (2021): una tecnologia di uso generale richiede investimenti in dati, competenze e riorganizzazione che all’inizio pesano sulla produttività misurata. I risultati deboli di oggi possono esserne la fase iniziale oppure il segno che l’adozione si è fermata agli strumenti individuali; per distinguere i due casi servono dati che seguano le stesse imprese nel tempo.
AI e lavoro: come cambiano i compiti di ingresso
Sul mercato del lavoro le prove disponibili non mostrano finora effetti generalizzati su occupazione e salari. In Danimarca, su 25 mila lavoratori di undici professioni esposte, a due anni dal lancio di ChatGPT gli effetti su retribuzioni e ore sono vicini allo zero e il tempo risparmiato è circa il 3%; cambiano invece i compiti. Negli Stati Uniti, tra i lavoratori di 22-25 anni, l’occupazione nelle professioni più esposte all’AI è scesa del 19% rispetto a quelle meno esposte.
Un esperimento condotto da Anthropic su 52 sviluppatori (Shen e Tamkin, How AI assistance impacts the formation of coding skills, gennaio 2026) aggiunge un elemento. Chi ha imparato a usare una nuova libreria software con l’aiuto di un assistente ha ottenuto nel test successivo un punteggio medio del 50%, contro il 67% di chi ha lavorato senza, e senza un risparmio di tempo statisticamente significativo. Ma conta il modo d’uso: chi si è fatto spiegare il codice dall’assistente ha imparato più di chi gli ha delegato l’intero compito. Il guadagno di oggi può tradursi in minore autonomia domani, se lo strumento sostituisce l’esercizio che forma le capacità.
Da qui una delle indicazioni dell’appendice: nel confronto tra istituzioni e parti sociali va considerata la funzione formativa dei compiti di ingresso, promuovendo usi dell’AI che rafforzino l’apprendimento professionale invece di sostituirlo. Il tema si lega al paradosso dell’istruzione documentato dal rapporto: l’Italia forma più laureati di quanti ne impieghi in professioni qualificate e tra il 2011 e il 2024 ha perso, al netto dei rientri, 441 mila giovani tra 18 e 34 anni, il 40% dei quali laureati. Se l’AI riduce anche i compiti con cui i giovani entrano nelle professioni, la distanza tra le competenze che il Paese forma e quelle che usa può allargarsi.
Capability e capacity: come misurare il valore dell’AI
Il paragrafo delle conclusioni dedicato all’AI distingue due concetti che l’uso corrente confonde. La capacity è la quantità di servizi produttivi disponibile, lo stock di capitale come lo misura la contabilità; la capability è l’insieme dei compiti che un fattore sa svolgere. Una macchina utensile ha una capacity, i pezzi che lavora in un anno, e una capability, i tipi di lavorazione che sa eseguire, che cambia solo se qualcuno la riprogetta. Nelle tecnologie precedenti la capability si è ampliata lentamente; l’AI la converte in capacity con l’auto-apprendimento, in tempi brevi e a costi marginali decrescenti.
Per questo il rapporto propone di trattarla non solo come una nuova voce del capitale immateriale, ma come un fattore produttivo a sé.
Ne derivano tre conseguenze. Sulla misura: un fattore che migliora da solo, con servizi venduti a prezzi decrescenti che non riflettono il valore d’uso, produce un valore che la contabilità attuale non registra. Sull’allocazione: il rendimento cresce con la dimensione e con le competenze, da cui il rischio di AI divide. Sulla natura del bene: un modello può essere usato da molti contemporaneamente e l’accesso è solo in parte escludibile; è un bene pubblico imperfetto, per il quale il mercato da solo non garantisce né il livello di investimento socialmente efficiente né una distribuzione dei benefici coerente con la loro origine collettiva.
AI nelle imprese: le indicazioni del rapporto CNEL
L’appendice aggiunge tre indicazioni specifiche per l’AI. Misurare la profondità dell’uso, non solo la quota di utilizzatrici, collegando indagini statistiche, bilanci e dati amministrativi per distinguere la sperimentazione occasionale dall’integrazione nei processi. Sostenere progetti che tengano insieme tecnologia, formazione e riprogettazione organizzativa, con attenzione alle imprese minori. Fissare le metriche prima di introdurre la tecnologia, documentare anche i progetti che non raggiungono i risultati e calcolare i benefici al netto dei costi di integrazione, formazione e supervisione, così che il sostegno non dipenda dalla sola adozione nominale.
Il principio vale anche per la pubblica amministrazione, come mostra un esperimento finlandese sulle cure primarie citato nell’introduzione (Haaga e altri, 2026): un canale digitale ha aumentato i contatti senza produrre, nel periodo osservato, risparmi misurabili né meno visite in presenza. E vale per i sistemi agentici, che eseguono sequenze di azioni con una supervisione limitata: le prove causali sono scarse, i test di prestazione coprono soprattutto le professioni informatiche e matematiche, e in una catena di azioni un errore non corretto si propaga. Tracciabilità, punti di controllo e possibilità di interrompere il processo diventano condizioni dell’adozione.
AI e produttività: il rischio di ripetere la storia del digitale
Il dato che circolerà di più, il raddoppio delle imprese che usano l’AI, è anche il meno informativo: misura l’accesso a uno strumento, non la trasformazione di un’organizzazione. Il contributo più utile del rapporto è un altro: collocare l’AI dentro la propria diagnosi generale. Se il problema italiano è che i miglioramenti non si compongono, l’AI ne è il caso più evidente, perché premia ciò che c’è già: dimensione, competenze, dati, capacità manageriale. Il divario, del resto, non è nelle grandi imprese ma nelle PMI, cioè nella struttura stessa del sistema produttivo.
E il vincolo non è nuovo: durante la rivoluzione informatica, ricorda l’appendice richiamando Schivardi e Schmitz (2020), la carenza di capacità manageriali ha frenato l’adozione delle tecnologie dell’informazione e i guadagni di produttività nell’Europa meridionale.
L’AI divide, allora, non è soprattutto un divario di accesso: per molti usi gli strumenti costano poco e sono alla portata di tutti. È un divario nella capacità di assorbire la tecnologia: scegliere i casi d’uso, preparare i dati, ridisegnare i processi, decidere che cosa fare del tempo liberato. La capability dei modelli cresce in fretta e in larga parte fuori dall’impresa, la capacità dell’organizzazione di trarne valore no, e la distanza tra le due tende ad allargarsi proprio dove le organizzazioni sono più fragili.
Ne discende una conseguenza per le politiche. Se gli incentivi 4.0 hanno raggiunto soprattutto imprese già propense a investire, uno strumento per l’AI disegnato sull’acquisto di tecnologia rischierebbe un esito simile, con una differenza: il costo di ingresso è basso, e un incentivo all’acquisto sposterebbe ancora meno le decisioni. Alle PMI manca meno il software che il tempo e le competenze per riorganizzarsi intorno al software; le tre indicazioni dell’appendice ne sono la traduzione operativa.
Il secondo aspetto riguarda le persone. Con l’indicazione sui compiti di ingresso, l’appendice porta in sede istituzionale una questione finora discussa soprattutto negli studi accademici. Si tratta del fenomeno che chi scrive ha descritto come scala spezzata: se l’AI assorbe i compiti con cui i giovani imparano un mestiere, il problema non riguarda solo l’occupazione di oggi ma le competenze di domani. La delega progressiva del ragionamento allo strumento, quella che in altre analisi è stata chiamata resa cognitiva, ha un costo che non compare nella produttività del trimestre.
Per la formazione in azienda significa che insegnare a usare gli strumenti non basta: occorre insegnare a usarli senza rinunciare all’esercizio che costruisce le capacità.
Il rapporto non è pessimista e non ci sono ragioni per esserlo: i fattori produttivi esistono, le imprese che migliorano anche. Il rischio che indica è più preciso: che l’AI venga adottata come è stato adottato il digitale, con molti miglioramenti isolati che non diventano crescita del sistema. Evitarlo dipende meno dalla tecnologia che dall’organizzazione delle imprese e dalla qualità delle politiche che le accompagnano.
Partecipa alla community