Le imprese cercano sempre di ottenere un vantaggio competitivo sui concorrenti. Nella corsa alla soddisfazione del consumatore la vittoria va a chi riesce a creare processi più efficienti che consentano di vendere prodotti a prezzi più bassi, o a chi ottiene prodotti e servizi di qualità comparativamente migliore che vengono apprezzati dai clienti disposti a pagare prezzi più elevati per goderne.
Indice degli argomenti
L’IA per creare valore in azienda: come cambiare le strategie e i processi d’impresa
La letteratura di management si interroga da tempo sul modo migliore per creare e mantenere per un periodo più lungo possibile questo vantaggio competitivo e l’avvento dell’IA spinge a ragionare su come debbano cambiare le strategie e i processi d’impresa per garantire che tale innovazione sia in condizione di creare valore.
Una delle teorie più famose per spiegare come le imprese raggiungono un vantaggio competitivo è la Resource Based View (RBV) che si basa sull’analisi delle risorse materiali e immateriali che l’impresa crea o acquisisce e che la distinguono dai concorrenti. Il modo in cui queste risorse sono combinate dà vita alle competenze distintive delle imprese che rendono la loro azione difficilmente imitabile dai concorrenti e garantiscono un vantaggio competitivo per un tempo sufficientemente lungo a ottenere profitti.
L’IA cambia la natura delle risorse e così la loro rilevanza e la distinzione tra la sua applicazione di natura sostitutiva a processi di natura operativa e la capacità di essere di supporto a nuove e più efficaci combinazioni di risorse può diventare un criterio utile a comprendere quando l’IA crei davvero valore all’interno delle imprese.
L’utilizzo del modello della catena del valore di Porter può quindi aiutare anche a comprendere quali attività, tra quelle primarie e secondarie, si prestino maggiormente a un impatto non meramente sostitutivo delle applicazioni dell’IA.
IA come tecnologia disruptive e creazione di valore
L’intelligenza artificiale è considerata una tecnologia disruptive che può cambiare i processi organizzativi delle imprese, le sue funzioni principali e anche i meccanismi di consumo innescando miglioramenti della produttività tali da sostenere la crescita economica in maniera rilevante [1], [2]. In particolare, l’intelligenza artificiale e le sue applicazioni agiscono sui processi di innovazione garantendo uno sviluppo non lineare dei suoi benefici in quanto l’IA può essere considerata non semplicemente un esempio di “nuova tecnologia” ma una “general purpose technology” ossia una “tecnologia a uso generale”.
Questo tipo di tecnologie storicamente sono state uno dei fattori più importanti per l’avanzamento del progresso tecnologico e della crescita economica, di cui l’innovazione è un fattore determinante [3]. Attraverso i meccanismi di automazione e di generazione autonoma di innovazione incrementale, l’intelligenza artificiale è potenzialmente capace di ridisegnare i meccanismi di produzione tradizionali e la distinzione classica tra capitale e lavoro, contribuendo a cambiare anche le forme tradizionali di organizzazione di impresa [4].
Di fronte a questa presunta nuova rivoluzione e all’enfasi che ne accompagna l’espansione ha senso indagare sull’effettiva capacità delle applicazioni di IA di essere integrate con successo all’interno dei processi aziendali.
Appare quindi opportuno ragionare sulle caratteristiche delle applicazioni tecnologiche di intelligenza artificiale capaci di creare realmente valore aggiunto duraturo, consentendo l’ottenimento di un vantaggio competitivo sui concorrenti.
Efficienza, imitabilità e rischio bolla negli investimenti in IA
Quando le applicazioni di IA garantiscono recuperi di efficienza ma sono imitabili con facilità, possono anche aiutare il conto economico ma non garantiscono un vantaggio competitivo e non consentono di ottenere redditività superiori per periodi lunghi. È questo il punto di vista di alcuni autori [5] che dubitano della portata rivoluzionaria dell’IA definendola una tecnologia “normale” a cui il sistema riuscirà ad adattarsi senza la necessità di interventi straordinari di regolazione o di salti tecnologici di natura eccezionale.
D’altra parte, si moltiplicano gli esempi di investimenti ingenti in IA da parte di grandi imprese che non trovano ritorni economici adeguati né concreti riscontri nel miglioramento delle performance di vendita che migliorano la redditività di lungo periodo [6].
Quello nella IA è già uno dei più grandi investimenti nella storia moderna dell’economia e quest’anno le big tech americane spenderanno oltre 400 miliardi di dollari nelle infrastrutture necessarie per fare funzionare le applicazioni, con un totale che ha superato i 3 mila miliardi di dollari. C’è il grande rischio di assistere a una nuova bolla high tech con l’impossibilità di ripagare tutti questi investimenti [7].
Il fatto che investimenti ingenti non si traducano automaticamente in ritorni economici adeguati non è un’anomalia. Al contrario, è l’esito prevedibile quando l’IA sia adottata come tecnologia “generica”, acquistabile sul mercato e replicabile dai concorrenti.
In questi casi i benefici tendono a trasformarsi rapidamente in un requisito di settore: migliorano l’efficienza interna, ma non spostano in modo duraturo i driver del vantaggio competitivo. Anzi, nel breve periodo possono perfino comprimere la redditività, perché ai costi di licenza e infrastruttura si sommano i costi di integrazione (processi, dati, formazione, compliance) e la concorrenza assorbe velocemente i guadagni sotto forma di prezzi più bassi o di standard più alti.
Quando l’IA diventa risorsa: co-specializzazione e complementarità
Il salto verso livelli di redditività superiore e persistente avviene solo quando l’IA non resta un “tool”, ma viene co-specializzata con risorse e competenze specifiche dell’impresa – dati proprietari, routine decisionali, conoscenza tacita, relazioni con clienti e fornitori – diventando così difficile da imitare.
Ma questa co-specializzazione non nasce in qualunque punto dell’organizzazione: emerge soprattutto quando l’IA viene integrata in processi ad alta intensità di giudizio, dove la tecnologia è complementare (non sostitutiva) al lavoro umano.
In questi contesti l’IA non “prende il posto” della persona: riduce i costi cognitivi di ricerca e sintesi, amplia lo spazio delle alternative, rende visibili trade-off e rischi, e consente ai decisori di apprendere più velocemente dai feedback.
È proprio questa integrazione complementare – IA che potenzia il giudizio invece di rimpiazzarlo – che genera un cognitive moat: un vantaggio cumulativo di apprendimento e decisione che migliora la qualità delle scelte, accelera l’innovazione e sostiene nel tempo una proposta di valore distintiva (o una gestione superiore di rischio e complessità), traducendosi in margini più alti per periodi lunghi.
Le imprese che innovano con successo costruendo vantaggi competitivi che durano nel tempo e sono capaci di adattarsi alle condizioni di contesto che cambiano hanno, nei ruoli chiave, individui capaci di intuire pattern di consumo innovativi o di applicare con successo nuove invenzioni a contesti esistenti.
Per questi individui solo le applicazioni IA che potenziano i loro processi cognitivi possono avere valore aggiunto e, almeno allo stato, difficilmente tali caratteristiche individuali possono essere sostituite dall’IA.
Back to the basics: RBV e catena del valore come chiavi di lettura
Nel presente lavoro cercheremo di guardare all’IA all’interno delle imprese con una filosofia “back to the basics”. Prima ci concentreremo su una delle teorie di impresa che spiega come sia possibile ottenere un vantaggio competitivo attraverso la descrizione delle risorse distintive di una impresa: la Resources Based View [8]. Ci chiederemo se e quando l’IA in impresa può essere considerata una risorsa e quindi aiutare a costruire valore aggiunto utile a ottenere un vantaggio competitivo.
Nel proseguo rispolvereremo un modello utile a spiegare la creazione di valore aggiunto all’interno dell’impresa: la catena del valore [9]. Attraverso l’analisi dei processi di impresa che creano valore cercheremo di capire come utilizzare questo modello per individuare possibili applicazioni dell’IA che non siano di mera sostituzione ma abbiano maggiori probabilità di potenziare l’azione dei singoli individui per creare valore aggiunto duraturo.
Le imprese e l’adozione della IA: obiettivi UE e dati di diffusione
L’Unione Europea ha fissato due obiettivi principali per la trasformazione delle imprese da qui al 2030: più del 90% delle piccole e medie imprese dovrebbe raggiungere un livello almeno base di capacità digitale e almeno il 75% di tutte le imprese dovrebbe utilizzare servizi di cloud computing, essere in grado di adottare strumenti di analisi dei big data o utilizzare applicazioni di AI all’interno dei processi produttivi.
Per monitorare l’andamento della transizione digitale delle imprese l’Eurostat ha elaborato il Digital Intensity Index (DII) che prende in considerazione l’utilizzo di 12 differenti tecnologie digitali per il business e assegna un punto per ciascuna delle tecnologie utilizzate.
Un punteggio di 4 è considerato necessario per il livello base che attualmente è raggiunto dal 73% delle imprese con una punta di 98% per quelle di grandi dimensioni.
Diffusione dell’IA nell’Unione europea: tassi, usi e divari
Sempre più imprese ricorrono all’intelligenza artificiale (IA) per migliorare il modo in cui operano. Grazie all’IA, macchine e sistemi sono in grado di apprendere e prendere decisioni in modo parzialmente autonomo, contribuendo al raggiungimento di obiettivi specifici.
Nel 2024, oltre il 13% delle imprese dell’Unione europea ha utilizzato tecnologie di IA, un dato in crescita rispetto all’8% registrato nel 2023.
Come già accade per il cloud computing, l’adozione dell’IA è molto più diffusa tra le grandi imprese (41%) rispetto alle piccole e medie imprese (13%).
Le applicazioni di IA più comuni riguardano l’analisi dei testi scritti, utilizzata dal 7% delle imprese europee.
Il 5% delle imprese europee adotta applicazioni di generazione automatica di testi o contenuti vocali e la trasformazione del linguaggio parlato in formati comprensibili dalle macchine.
A livello geografico emergono forti differenze tra i paesi europei: la Danimarca guida la classifica con il 28% delle imprese che utilizzano l’IA, seguita da Svezia e Belgio (25%). All’estremo opposto si collocano Romania (3%), Polonia e Bulgaria (6%), dove l’adozione resta ancora molto limitata [10].
Italia: crescita dell’adozione e ruolo delle competenze
In Italia l’ISTAT pubblica un rapporto annuale su imprese e ICT che, nell’ultima edizione, presenta alcuni elementi positivi: da un lato l’introduzione dell’intelligenza artificiale nelle imprese con almeno 10 addetti è cresciuta dell’8,2% del 2024 al 16,4% del 2025 mentre nel 2023 era solo del 5,0% [11].
È la mancanza di competenze adeguate a frenare l’adozione dell’IA in quasi il 60% delle aziende che hanno valutato, ma poi non realizzato, investimenti in IA.
Il divario tra piccole e medie imprese nell’adozione di strumenti digitali si va riducendo, anche se in maniera lieve e le differenze più rilevanti restano nelle tecnologie che richiedono competenze specialistiche avanzate, come l’analisi dei dati e l’utilizzo di software gestionali ERP.
PMI e grandi imprese: la forbice nell’IA continua ad ampliarsi
L’adozione di tecnologie di IA mostra invece un andamento opposto con la forbice tra PMI e grandi imprese che continua ad ampliarsi passando da circa 20 punti percentuali nel 2023 a 25 nel 2024 e fino a 37 nel 2025.
Nel 2025, il 16,4% delle imprese con almeno 10 addetti utilizza almeno una tecnologia di IA con le imprese di maggiori dimensioni che registrano una crescita del 53,1%.
Anche le PMI hanno comunque raddoppiato il tasso di utilizzo passando dal 7,7% del 2023 al 15,7% del 2024 anche se, in termini territoriali, restano le imprese del Nord-ovest quelle che fanno registrare una crescita più accentuata.
Tra le tecnologie IA più comuni ci sono l’estrazione di conoscenza e informazione da documenti di testo (70,8%), l’IA generativa relativa al linguaggio e a immagini, video, suoni/audio oltre che la conversione della lingua parlata in formati leggibili da dispositivi informatici (41,3%).
A seguire ci sono le applicazioni IA per l’analisi dei dati con tecniche di machine learning (20,0%), per il riconoscimento delle immagini e l’automazione dei flussi di lavoro (18%) e per il movimento delle macchine (5,9%).
C’è ancora ampio spazio per la crescita dell’adozione e della diffusione dell’IA all’interno delle imprese in quanto l’83,6% delle imprese non adotta alcuna tecnologia di IA.
Funzioni e settori: dove l’IA è più presente
Le funzioni di impresa in cui l’intelligenza artificiale viene adottata più frequentemente sono il marketing e le vendite (33,1%), l’organizzazione dei processi amministrativi (25,7%) e l’area della ricerca e sviluppo o innovazione (20,0%).
Entrando nel dettaglio delle diverse tecnologie di IA e delle funzioni di impresa nelle quali sono applicate, un ulteriore sondaggio svolto dall’Istituto Nazionale di Statistica ha evidenziato che le tecniche di IA generativa e di analisi linguistica sono più diffuse e rilevanti nell’area del marketing e delle vendite e in quella dei processi amministrativi.
In queste due funzioni sono anche particolarmente diffuse le tecniche di automatizzazione dei flussi di lavoro.
L’ambito della sicurezza informatica è fortemente interessato dall’applicazione di tecnologie IA legate a tecniche predittive quali il machine learning.
Allo stesso tempo, le tecnologie di apprendimento automatico risultano particolarmente rilevanti anche per l’ambito della Ricerca e Sviluppo, funzione d’impresa che presenta, insieme al marketing, una maggiore varietà nell’utilizzo di tecniche dell’IA.
Le tecnologie di IA associate alla movimentazione delle macchine in autonomia mostrano solo un limitato impiego nell’ambito dei processi produttivi e della logistica soprattutto in ragione della necessità di infrastrutture dedicate.
I settori nei quali si fa maggiore utilizzo delle applicazioni IA sono quelli della sicurezza ICT per le grandi imprese (43,7%), le telecomunicazioni (38,4%) e la fornitura di energia (28,2%).
Ostacoli all’adozione: competenze, dati, norme e costi
Tra le imprese che attualmente non utilizzano IA, solo l’11,5% ne ha preso in considerazione l’utilizzo e le motivazioni poste a base della mancata adozione sono relative alla mancanza di competenze specifiche (58,6%), alla carenza di certezze legislative (47,3%), all’indisponibilità o alla scarsa qualità dei dati necessari (45,2%) per il funzionamento delle applicazioni, alle preoccupazioni relative alla normativa sulla privacy e alla protezione dei dati (43,2%).
Altre imprese lamentano costi elevati (43,0%) e considerazioni etiche (25,7%). Solo una parte residuale degli intervistati (14,8%) ritiene che l’adozione dell’IA non sia utile per la gestione della propria impresa.
La resource based view e l’IA come risorsa: condizioni e limiti
Come abbiamo visto dai più recenti dati disponibili l’adozione di tecnologie IA non sembra indirizzata verso funzioni di impresa specifiche e le applicazioni più frequenti si trovano sia in processi deputati alla costruzione di relazioni con i clienti sia in quelli interni e organizzativi di back-office che spesso sono interessati da investimenti maggiormente orientati al recupero di efficienza.
Il tipo di tecnologie IA adottate sembra indicare un maggiore uso orientato alla sostituzione o all’affiancamento del lavoro umano finalizzato a una maggiore produttività ma, nel complesso, i dati sembrano confermare una certa eterogeneità nell’adozione dell’IA all’interno delle imprese, certamente frutto del momento iniziale di diffusione della tecnologia ma anche di una ancora non marcata capacità di utilizzo strategico di tali innovazioni.
Le imprese sono gestite e hanno successo solo se ottengono un vantaggio competitivo sostenibile rispetto ai concorrenti. Porter [9] definisce il vantaggio competitivo come quel valore che l’impresa è in grado di creare per i suoi clienti e che eccede i costi che si sostengono per la sua formazione.
Nel corso del tempo diverse teorie di impresa hanno provato a spiegare come sia possibile creare questo valore e quali siano le strategie più efficaci e ci sembra che l’adozione dell’IA all’interno delle imprese possa davvero essere considerato un fattore che, se ben gestito e integrato, possa contribuire a raggiungere un vantaggio competitivo duraturo.
RBV: risorse, combinazioni e caratteristiche VRIN
Una delle teorie che spiega la capacità dell’impresa di creare valore e ottenere un vantaggio competitivo è la Resource Based View (RBV) al cui centro ci sono le risorse di impresa come fattori di cui la stessa si deve appropriare, creandole o acquistandole, e che deve combinare nel modo più efficace possibile.
L’unicità di queste risorse, della capacità di combinarle e dell’unicità dell’ambiente di impresa in cui le stesse sono utilizzate spiega così le performance differenti tra imprese anche simili e appartenenti al medesimo settore.
Le risorse dell’impresa sono gli asset, le capacità, la conoscenza e più in generale tutti quegli elementi che costituiscono punti di forza rispetto alla possibilità di svolgere il proprio compito meglio dei concorrenti.
Grazie alle risorse, che sono proprietarie e specifiche, il vantaggio competitivo diventa tale quando la strategia che lo crea non è simultaneamente replicata dai concorrenti ed è sostenibile e duraturo se questa strategia, frutto della combinazione delle risorse, non è imitabile dai concorrenti con facilità o nel breve periodo.
Perché possano potenzialmente creare questo vantaggio le risorse d’impresa devono quindi presentare alcune caratteristiche specifiche: a) essere di valore (nel senso che devono mettere l’impresa in condizione di sfruttare opportunità o neutralizzare minacce); b) essere rare; c) essere non perfettamente imitabili; d) essere non sostituibili.
IA “sostitutiva” e assenza di valenza strategica
In questo senso ci sembra che la mera applicazione di IA a processi che vengano automatizzati o abbiano recuperi significativi di efficienza non abbia le caratteristiche di una risorsa.
Si tratta di soluzioni che possono contribuire a migliorare l’efficienza complessiva della gestione, riducendo i costi e aumentando i margini, ma non ci sembrano avere alcuna valenza strategica in termini di sfruttamento di opportunità e non sono rare perché spesso sono imitabili, anche se con rilevanti differenze e possono essere sostituite da applicazioni di IA diverse ma con le stesse funzioni.
In generale quindi appare possibile dire che quando l’IA ha effetti meramente sostitutivi delle capacità cognitive degli individui, in base alle caratteristiche delle risorse, è possibile prevede che il vantaggio competitivo fornito da tali capacità tenda a erodersi perché, in quanto risorsa tecnologica, l’utilizzo aziendale dell’IA presenta costi marginali di riproduzione prossimi allo zero e poche barriere all’imitazione.
Se invece al contrario, l’IA supporta e potenzia le capacità cognitive umane, ci si può aspettare che essa acquisisca le caratteristiche di una risorsa e generi vantaggi competitivi, poiché, in quanto tecnologia di scopo generale, l’IA consente la creazione di combinazioni uniche di risorse precedentemente non correlate [12].
Dove l’IA può diventare capability: decisioni non routinarie e know-how
Le aree dove riteniamo possano individuarsi le applicazioni di IA come risorse sono quelle dove esiste un alto valore di interazione con le persone che sono chiamate a prendere decisioni.
E, di conseguenza, tanto più queste decisioni sono di natura non routinaria e strategica o di lungo periodo, tanto più l’applicazione dell’IA è finalizzata alla creazione di un modo unico di decidere, potenziato e ampliato dal ricorso a queste tecnologie, tanto maggiore è la possibilità che le applicazioni IA in impresa con queste caratteristiche acquistino il valore di risorse che creano valore utile a ottenere un vantaggio competitivo sostenibile.
In questo senso è possibile affermare che l’utilizzo della IA all’interno dell’impresa deve contribuire alla creazione di una vera e propria competenza (capability) e cioè essere inclusa in una combinazione di risorse che vedono gli individui e il loro know-how al centro di un processo in cui la risorsa IA è un supporto decisivo alle decisioni di impresa di natura strategica [13].
Lo sforzo di gestione dovrebbe quindi tendere a individuare quei processi nei quali il ruolo delle risorse umane e del know-how ha maggiore rilevanza per capire se e come le applicazioni di IA possano contribuire a potenziare tali risorse.
L’analisi può essere condotta quindi utilizzando un altro modello base della teoria di management che punta a individuare i processi di impresa dove si forma con maggiore probabilità il valore aggiunto che consente l’ottenimento di un vantaggio competitivo.
L’analisi della catena del valore e l’IA: mappare attività e margini
Lo scopo del modello della catena del valore è quello di consentire di individuare il modo in cui l’impresa crea valore.
Il modello scompone l’attività complessiva dell’impresa in componenti singole strategicamente rilevanti, al fine di comprendere l’andamento dei costi e le attuali e potenziali fonti di differenziazione rispetto a quanto operato dai concorrenti.
La catena del valore rappresenta il valore totale creato dall’impresa ed è formata dalle attività di valore e dal margine (cf. Figura 1). Le prime sono le attività che l’impresa compie da un punto di vista materiale e tecnologico e costituiscono le basi sulle quali l’impresa crea valore per i propri clienti.
Il margine è la differenza tra il valore complessivamente creato per ciascuna attività e i costi necessari allo svolgimento di ciascuna di esse.
Ogni attività impiega input specifici, risorse umane e la tecnologia necessaria a svolgerla secondo criteri orientati alla massimizzazione del valore di impresa.
Attività primarie e secondarie: dove può incidere l’IA
Come si vede dalla Figura 1, le attività possono essere divise in due categorie: 1) attività primarie e 2) attività secondarie. Le prime sono quelle specificatamente deputate alla creazione dei prodotti e dei servizi che vengono venduti dall’impresa mentre le seconde sono dedicate al supporto delle prime attraverso l’acquisizione degli input, di natura materiale e immateriale, necessari per il loro svolgimento.
Il modello è concettualmente semplice e deve la sua fortuna anche alla facilità di applicazione come strumento di analisi.
A noi sembra uno strumento utile anche per verificare quali siano le aree nelle quali l’IA possa avere maggiori probabilità di creare valore e diventare una risorsa nel senso indicato in precedenza.
Una analisi delle attività di impresa attraverso questo modello può aiutare a individuare quali siano le aree dove si crea maggior valore e l’esame delle singole attività consente di individuare quali di queste siano interessate da maggior coinvolgimento di risorse umane chiave e di utilizzo di know-how legato a decisioni di natura strategica.
È in queste attività deputate alla maggior creazione di valore e interessate da un più intensivo coinvolgimento di risorse umane chiave e di decisioni di natura strategica che le applicazioni IA possono trovare spazio come vere e proprie risorse di valore, rare, difficilmente imitabili e non facilmente sostituibili.
Il valore del modello: decisioni più informate sugli investimenti in IA
Non sarebbe realistico aspettarsi che questo modello produca regole universali o una “bacchetta magica” per decidere se investire o no in IA. Il suo valore sta altrove: obbliga a guardare le attività una per una secondo un criterio orientato alla creazione specifica di valore, con attenzione a ciò che l’impresa fa davvero e a dove si genera margine.
Questa lettura concreta dei processi aiuta a indirizzare gli investimenti verso le applicazioni con maggiore potenziale di creare valore aggiunto, invece di disperderli in iniziative generiche e facilmente imitabili.
Quali attività incidono davvero sulle performance dell’impresa—cioè su crescita, margini, rischio e capacità di adattamento?
In quali punti del processo decisionale il giudizio dei dirigenti e del team è determinante, perché da quelle valutazioni dipendono investimenti, scelte operative e risultati che possono generare guadagni significativi o, al contrario, perdite pesanti?
E ancora: quali attività creano il maggior valore per il cliente e rappresentano già oggi un elemento distintivo rispetto ai concorrenti?
Eterogeneità degli esiti: stessa IA, impatti diversi
Le risposte cambiano inevitabilmente da settore a settore e da impresa a impresa. Proprio per questo serve uno schema concettuale semplice che aiuti a fare autoanalisi: individuare le attività “ad alta leva” e capire dove un investimento in IA possa produrre più valore.
Un punto cruciale è che la stessa applicazione di IA può generare effetti molto diversi in aziende diverse.
In un’impresa può essere integrata con risorse chiave—dati proprietari, competenze specialistiche, routine decisionali—e diventare un supporto concreto per chi crea valore attraverso giudizio e coordinamento.
In un’altra può finire in un segmento della catena del valore a basso impatto sulle performance, producendo solo risparmi di costo e recuperi di efficienza: utili, ma difficili da trasformare in vantaggio competitivo duraturo, perché legati soprattutto alla sostituzione di processi routinari.
Applicare il modello della catena del valore per mappare dove l’IA può incidere di più non offre ricette universali, né soluzioni “one size fits all”.
Offre però qualcosa di molto utile: decisioni più informate su dove allocare capitale e attenzione, e una riduzione del rischio di investire in applicazioni che producono gli stessi risultati per tutti – e quindi difficilmente sostengono redditività superiori nel lungo periodo.
Conclusioni: distinguere sostituzione e potenziamento per investire meglio
Le applicazioni dell’IA nelle imprese stanno mostrando difficoltà a garantire adeguati ritorni agli investimenti effettuati.
Il rischio dell’ennesima bolla tecnologica legata alla frenesia di inseguire l’investimento alla moda resta dietro l’angolo e riteniamo che sia importante trovare strumenti e teorie che aiutino a ponderare con maggiore cura le scelte in questo campo.
L’idea di fondo di questo contributo è di tornare alle basi della letteratura di management utilizzando due concetti ormai consolidati al fine di distinguere le applicazioni IA di mera sostituzione da quelle di potenziamento e supporto che hanno maggiori probabilità di creare valore aggiunto.
La teoria delle risorse (Resource Based View) indica quali caratteristiche le risorse d’impresa devono avere per creare valore e ci sembra orienti le scelte relative agli investimenti in applicazioni IA verso strumenti che aiutino le persone in posizioni chiave nei processi interni a prendere decisioni in maniera più efficiente e con maggiore efficacia.
La ricerca di quali siano in un’impresa i processi in cui agiscono risorse umane chiave e vengono prese decisioni con impatti di maggior profondità per le performance di impresa può invece essere svolta utilizzando il modello della catena del valore.
Anche questo è un elemento ormai radicato nella letteratura di management e riteniamo che possa essere utile per individuare quelle attività che già creano maggior valore grazie agli elementi che abbiamo descritto.
È lì che andrebbero orientati gli investimenti in applicazioni IA che avrebbero così maggiore probabilità di non essere di mera sostituzione ma di supportare e potenziare attività che già contribuiscono a creare valore.
Il nostro “back to the basics” vuole solo essere un richiamo a ricordare che, per molti aspetti, molti dei problemi nuovi che si affrontano in economia possono essere analizzati utilizzando strumenti teorici che hanno dato buona prova di sé nel tempo spiegando le dinamiche d’impresa e i suoi processi fondamentali in contesti che cambiano.
La RBV e la catena del valore sono strumenti che possono contribuire al dibattito sull’utilizzo dell’IA all’interno delle imprese riducendo i rischi che gli argomenti e i dibattiti di moda spesso portano con sé: provare a reinventare l’esistente senza guardare agli obiettivi di fondo, sprecando così risorse in investimenti con scarse possibilità di ritorno.
Bibliografia
[1] Filippucci, F., Gal, P., Jona-Lasinio, C., Leandro, A., and Nicoletti, G. (2024). The impact of artificial intelligence on productivity, distribution and growth: key mechanisms, initial evidence and policy challenges, OECD Artificial Intelligence Papers, No. 15, April 2024.
[2] Gonzales, J.T. (2023). Implications of AI innovation on economic growth: a panel data study, Journal of Economic Structures, 12(1), p. 13.
[3] Cockburn, I., Henderson, R., and Stern, S. (2018). “The impact of artificial intelligence on innovation: An exploratory analysis”, in The Economics of Artificial Intelligence: An Agenda, University of Chicago Press.
[4] Aghion, P., Jones, B., and Jones, C. (2018). “Artificial Intelligence and Economic Growth”, in The Economics of Artificial Intelligence: An Agenda, NBER, pp. 237-28.
[5] Narayanan, A., and Sayash K. (2025). “AI as Normal Technology: An Alternative to the Vision of AI as a Potential Superintelligence”, Knight First Amendment Institute at Columbia University.
[6] The Economist. (2025). Investors expect AI use to soar. That’s not happening. The Economist, Nov 26.
[7] The Economist. (2025). What if the $3trn AI investment boom goes wrong? The Economist, Sep 11.
[8] Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management. Vol. 17, No. 1, 99-120
[9] Porter, M. E. (1985). Competitive Advantage: Creating and Sustaining Superior Performance. New York. Free Press.
[10] Eurostat (2025). Digitalisation in Europe – 2025 edition. https://ec.europa.eu/eurostat/web/interactive-publications/digitalisation-2025#digital-transformation
[11] ISTAT (2025). Report ICT e Imprese.
[12] Krakowski, S., Luger, J., & Raisch, S. (2023). Artificial intelligence and the changing sources of competitive advantage. Strategic Management Journal, 44(6), 1425–1452. https://doi.org/10.1002/smj.3387
[13] Amit, R., Schoemaker, P.J.H. (1993). Strategic Assets and Organizational Rent. Strategic Management Journal, Vol. 14, 33-46
