Nel mercato italiano dell’intelligenza artificiale, che nel 2025 arriva a 1,8 miliardi di euro con una crescita annua del +50%, la leadership AI sta diventando una competenza di gestione prima ancora che un tema tecnologico.
Indice degli argomenti
L’evoluzione della leadership nell’era dell’intelligenza artificiale
Secondo i dati di Osservatori Digital Innovation, la Generative AI pesa il 46% del valore e cresce del +60%, ma l’adozione reale resta disomogenea: le grandi imprese concentrano il 63% della spesa e nel 71% dei casi hanno avviato almeno un progetto, mentre solo il 21% dichiara numerose progettualità operative. Nelle PMI, nonostante un 69% di interesse, i progetti attivi si fermano all’8%.
Questa distanza tra intenzione, sperimentazione e messa a terra emerge anche nella quotidianità dei team: l’AI è presente nelle licenze e nei tool, ma non sempre entra nei processi con continuità. Nelle grandi aziende con progetti AI, l’84% ha attivato iniziative GenAI e ha acquistato licenze ready-to-use (tra cui Microsoft Copilot, ChatGPT Plus e Gemini Advanced), però solo circa la metà prova a misurare i benefici, spesso affidandosi al feedback dei dipendenti. In questo scenario, il tema “CEO e intelligenza artificiale” non riguarda la capacità di scegliere un modello, ma di rendere l’AI una leva di business senza perdere controllo su execution, persone e governance.
| Lo scenario italiano in dettaglio Secondo recenti analisi, l’accelerazione è destinata a continuare. L’82% delle aziende italiane prevede di aumentare ulteriormente gli investimenti in intelligenza artificiale nel corso del prossimo anno. Le aspettative sono alte: il 92% dei manager si attende un incremento significativo della produttività aziendale grazie all’adozione di queste tecnologie. Tuttavia, emergono anche delle criticità: la carenza di talenti e competenze specifiche viene indicata dal 39% delle imprese come la principale barriera all’adozione, seguita dalla difficoltà a identificare casi d’uso a valore (27%) e da problemi legati alla governance e alla qualità dei dati (27%). [Deloitte] |
Le competenze strategiche per valutare l’integrazione tecnologica
Proseguendo su questa linea, la prima discontinuità che si chiede a chi guida un’organizzazione è la capacità di valutare l’AI come parte della strategia, non come iniziativa isolata. Un riferimento utile arriva dal report di Gartner “The Pillars of a Successful Artificial Intelligence Strategy”, che insiste sulla necessità di una strategia AI eseguibile, allineata a obiettivi di business, condizioni di mercato e pressione competitiva, e soggetta a riallineamenti frequenti con le strategie digital/IT e di dati e analisi.
In pratica, l’attenzione non si concentra solo su “cosa possiamo fare con l’AI”, ma su come si costruisce un portafoglio coerente di iniziative e capacità. La strategia è un equilibrio tra visione, driver e rischi, con priorità chiare per il portafoglio AI e obiettivi di pianificazione per un modello operativo maturo che includa tecnologia, dati, organizzazione, alfabetizzazione, ingegneria e governance. Il punto critico, esplicitato da Gartner, è il rischio di disconnessione tra la roadmap del modello operativo e il portafoglio delle iniziative, che porta a non realizzare il valore atteso.
Da qui discende una pratica concreta: la discussione strutturata con i C-level per far emergere priorità, opportunità, sfide e preoccupazioni legate all’AI. Quando questa conversazione diventa ricorrente e supportata da indicatori, l’AI smette di essere un “progetto IT” e diventa una scelta di posizionamento.
Come bilanciare sperimentazione e controllo dei costi operativi
Se la strategia stabilisce cosa conta, la fase successiva mette alla prova un altro aspetto della leadership AI: la sostenibilità economica e la prevedibilità dei costi. Il passaggio a un’AI “a consumo”, basata su token, API e infrastruttura cloud, rende insufficiente fermarsi al prezzo dichiarato di un modello. Nei processi reali, l’LLM viene invocato più volte nello stesso workflow: interpretazione dell’input, recupero di informazioni, orchestrazione di tool esterni, validazione dell’output. Ogni passaggio genera token di input e output, e il costo cresce con la struttura del processo più che con la singola richiesta.
La pressione sulla spesa aumenta quando entrano in gioco contesti lunghi e persistenti. Con finestre di contesto estese, lo stesso set informativo può essere conteggiato a ogni chiamata API anche se non cambia, con un effetto cumulativo che emerge soprattutto quando l’AI scala e diventa continua. A questo si aggiunge il consumo legato a reasoning token e chiamate iterative, più frequente nei modelli avanzati e nei flussi agentici multi-step.
| Attività | Tempo medio senza AI | Tempo medio con AI (es. Copilot) | Risparmio di tempo stimato |
| Redazione di un’email complessa | 5-10 minuti | ~2 minuti | 3-8 minuti per email |
| Riepilogo di una riunione (30-60 min) | 30 minuti | ~11 minuti | 19 minuti |
| Creazione di una bozza di report | Diverse ore | Pochi minuti | Significativo (varia con la complessità) |
Tabella di stima del risparmio di tempo grazie a strumenti di AI Generativa come Microsoft Copilot. [Copilot Circle]
Nelle pratiche osservate sul campo, alcune scelte ricorrenti aiutano a rendere il costo misurabile e gestibile:
- Segmentare l’uso dei modelli per task, riservando i modelli più costosi alle fasi ad alto valore e usando alternative più economiche per attività ripetitive come classificazione, estrazione o sintesi brevi.
- Ridurre chiamate ridondanti con caching e riuso di risultati intermedi, e separare nettamente gli ambienti di test e produzione per evitare che prompt instabili impattino sui consumi dei flussi core.
Guidare il cambiamento con una visione centrata sul business
Con costi e strategia sul tavolo, il passaggio decisivo è trasformare iniziative e tool in comportamenti organizzativi. I numeri indicano che la tecnologia da sola non basta: a fronte di aspettative elevate, l’adozione quotidiana resta spesso bassa. Un dato di Gartner sintetizza la frizione: solo l’8% dei dipendenti usa l’AI frequentemente per migliorare il proprio lavoro, mentre il 95% dei CIO si aspetta un valore significativo, in particolare in produttività. La distanza si spiega con la “preparazione umana”: formazione insufficiente e resistenza al cambiamento.
| Secondo uno studio di IBM, il 64% dei CEO concorda sul fatto che il successo dell’intelligenza artificiale generativa dipenda più dall’adozione da parte delle persone che dalla tecnologia stessa. Questo sottolinea la necessità di spostare il focus dalla sola implementazione tecnologica a una gestione del cambiamento che metta i dipendenti al centro, rendendoli parte attiva della trasformazione. [IBM] |
Guidare il cambiamento significa, quindi, far convergere tre piani:
- Il primo è l’accountability di business: use case, ownership e metriche
- Il secondo è la capacità di creare le condizioni perché le persone sperimentino in sicurezza e traducano l’uso dell’AI in routine di lavoro
- Il terzo è la governance, che nel mercato italiano è ancora in maturazione
Approcci come il framework di from9to10, orientati a portare l’adozione da fase iniziale a maturità avanzata, vengono adottati proprio per mantenere l’allineamento tra roadmap, processi e capitale umano, evitando che l’AI resti confinata a iniziative episodiche.
L’importanza di una comunicazione aziendale chiara e trasparente
Su questa base, la comunicazione interna diventa una leva di execution. Rendere espliciti obiettivi, confini d’uso e aspettative riduce ambiguità e abbassa la barriera d’ingresso, soprattutto quando l’AI entra in funzioni dove l’adozione è più frequente. Non a caso, tra i casi d’uso più diffusi nelle grandi imprese compaiono i chatbot conversazionali e l’Intelligent Document Processing: applicazioni che impattano direttamente il lavoro quotidiano e richiedono regole chiare su qualità, escalation e responsabilità.
Un acceleratore concreto, in tal senso, è l’uso dei segnali sociali. Quando l’adozione è visibile e osservabile, i dipendenti ricevono un messaggio implicito su ciò che è valorizzato. In parallelo, creare forum o canali in cui emergono casi d’uso e lezioni apprese facilita l’apprendimento tra pari, riducendo la dipendenza da comunicazioni top-down.
Un ulteriore elemento è la coerenza tra narrazione e misurazione. Se metà delle aziende misura i benefici soprattutto con feedback dei dipendenti, la comunicazione deve includere anche come e quando quel feedback viene tradotto in miglioramenti di processo, evitando che l’AI venga percepita come un’iniziativa calata dall’alto e non negoziabile.
Mitigare la resistenza culturale promuovendo nuove opportunità
In continuità con la comunicazione, la riduzione della resistenza passa da un change management pratico, basato su sperimentazione controllata e monitoraggio dei segnali deboli. Le evidenze raccolte indicano che la frizione non deriva solo da carenze tecniche, ma dal modo in cui il cambiamento viene vissuto e gestito giorno dopo giorno.
Una prima leva è la sperimentazione in sicurezza: sandbox e programmi pilota strutturati aiutano a costruire fiducia e confidenza, combinando una guida top-down con un’esplorazione bottom-up. Per rendere questo modello scalabile, ricorre la figura dei AI champions tra IT e business, con attività di coaching e supporto e condivisione sistematica delle lezioni apprese.
| Le nuove priorità della leadership Una recente analisi sui CEO ha identificato sei “dure verità” che i leader devono affrontare nell’era della GenAI. Queste includono: rivalutare le competenze del team, riconoscere che il cliente non sempre sa cosa vuole, evitare scorciatoie tecnologiche, gestire costruttivamente i conflitti ai vertici, valutare criticamente le partnership e, soprattutto, capire che le persone possono resistere al progresso. La tecnologia è solo uno strumento; il suo successo dipende da chi la usa. [IBM] |
La seconda leva riguarda i manager come moltiplicatori. Le best practice indicano che quando i manager sono dotati di formazione mirata e risorse pratiche, diventano catalizzatori dell’adozione: sanno rispondere alle preoccupazioni, gestire resistenze e sostenere la sperimentazione sicura.
La terza leva è la misurazione di indicatori “leading”, non solo dei risultati finali, che includano KPI come prontezza organizzativa, esperienza dei dipendenti e employer brand legato all’AI. L’obiettivo è intercettare dove l’adozione si blocca o accelera e usare questi segnali per interventi tempestivi e miglioramento continuo.
Infine, la partnership tra IT e HR può rappresentare un buon acceleratore in termini di adozione. Coinvolgere il CHRO come co-leader esecutivo consente di allineare strategia tecnologica e dimensione umana, integrando la formazione e i meccanismi di feedback nei canali di comunicazione e nelle piattaforme di learning già esistenti. In questo modo, la leadership AI non rimane una competenza individuale, ma una capacità organizzativa che sostiene il passaggio dalla sperimentazione all’operatività e rende più solido l’impatto dell’intelligenza artificiale per il business.
