Innovazione, POLIMI: "Solo un'azienda su 4 sta adottando l'AI in modo strutturato"

(Teleborsa) - Il rapporto tra imprese e Intelligenza Artificiale in Italia ha superato la fase sperimentale. Eppure, nonostante l'accelerazione tecnologica degli ultimi due anni abbia reso l'AI uno strumento operativo a tutti gli effetti, la sua diffusione nei processi di innovazione aziendale rimane limitata: è il momento di passare da un'adozione estensiva, diffusa ma superficiale, a un uso intensivo, con procedure definite, strumenti dedicati, governance e metriche che al momento sono prerogativa di pochi. È quanto emerge dal Report "Innovazione & AI nelle imprese italiane: Gen-AI & Agentic-AI". La ricerca, condotta su un campione rappresentativo di aziende italiane dall'Osservatorio AI4Innovation della POLIMI School of Management (Innovation&Strategy), presentata oggi insieme alle aziende partner, rivela che solo il 26% si dichiara AI Scalers, cioè ha trasformato l'AI in una componente strutturale del modello di innovazione, mentre il 49% è AI Experimenters, con progetti pilota su casi d'uso specifici e un'integrazione parziale; il restante 25% è AI Starters, realtà in cui l'approccio all'AI è ancora sporadico, guidato dall'iniziativa di singoli, privo di una regia strategica centrale.

Stando al sondaggio condotto tra gennaio e marzo 2026 tra gli Innovation Manager e i responsabili AI delle imprese intervistate, il segmento più critico si trova nelle medie imprese, dove il 50% si dichiara ancora Starter e solo il 9% raggiunge il profilo Scaler: troppo grandi per essere agili, ma non abbastanza strutturate per investire in modo sistematico. Di contro, le piccole imprese del campione mostrano una vitalità sorprendente, con il 30% di Scalers: si tratta però di aziende con un profilo tech elevato, capaci di trasformare l'agilità decisionale in un vantaggio competitivo reale. Tra le grandissime imprese il 16% si dice Scaler (il 67% Experimenters), tra le grandi ben il 39% si posiziona nella fascia più matura: le organizzazioni di maggiore dimensione dispongono di risorse e strutture che accelerano i percorsi di adozione, ma al tempo stesso frenano la scalabilità effettiva.

"Il confine strategico non è più tra chi usa l'AI e chi no – commenta Stefano Mizio, responsabile dell'Osservatorio AI4Innovation – ma tra l'adozione estensiva, individuale, spesso superficiale e con strumenti generalisti, che è diffusa e in crescita (la Shadow AI, cioè il fenomeno dei dipendenti che adottano l'AI in autonomia, è una realtà di massa che richiede una governance urgente), e l'adozione intensiva, che invece prevede l'integrazione nei processi core con workflow definiti, tool dedicati, governance e metriche, confinata a una minoranza di organizzazioni. Il ritardo nell'adozione intensiva produce uno svantaggio esponenziale, poiché chi ha iniziato sta già accumulando un know-how operativo difficilmente colmabile, imboccando la corretta direzione evolutiva: passare a un'integrazione strutturata dell'AI nella gestione della conoscenza, nel supporto alle decisioni e nel monitoraggio dei progetti. La vera sfida è costruire le condizioni organizzative affinché l'AI diventi parte integrante del modo in cui l'innovazione viene portata a valore".

L'integrazione tecnologica richiede anche un profondo aggiornamento delle competenze: il 96% dei team Innovation ritiene che sia necessario svilupparne di nuove e la figura più ricercata (51%) è il "profilo ibrido", abbastanza competente da dialogare con i sistemi e abbastanza manageriale da tradurre quella competenza in valore organizzativo. "Questo non è casuale – spiega Mizio –: la capacità di programmare non è più il discrimine, il vero prerequisito è comprendere come questi strumenti funzionano, quali sono i loro limiti, come governarli in modo responsabile. I profili tecnici puri (data scientist, ML engineer, AI engineer) rimangono necessari – e il 32% che li ricerca lo conferma – ma non sono più la risposta prevalente alla domanda su chi deve guidare l'innovazione AI-driven nelle organizzazioni".

I profili ricercati dalle aziende italiane

Tra il 96% che ritiene necessarie nuove competenze (il 52% in modo significativo, il 44% almeno in parte) la formazione interna si conferma lo strumento più diffuso (75%) per colmare il gap, a riprova che le aziende stanno investendo per costruire competenze proprie. L'upskilling on-the-job su progetti pilota segue con il 62% (si impara facendo, sperimentando su casi d'uso reali), mentre il 48% ricorre a partnership con fornitori e consulenti, soprattutto nelle fasi di adozione; più contenuto (28%) chi sta procedendo con assunzioni.

La survey in dettaglio: in quali fasi dell'innovazione è più presente l'uso dell'AI?

Scendendo più in dettaglio, in che modo la Generative AI e gli agenti AI (sistemi capaci di pianificare e agire in modo semi-autonomo) stanno trasformando l'approccio delle imprese italiane alle opportunità di innovazione? I dati raccolti dalla survey ne hanno indagato l'adozione in cinque fasi specifiche del front-end, cioè l'inizio del ciclo innovativo, prima che un progetto sia formalizzato in un percorso strutturato: l'Idea Generation, il momento in cui vengono generate le idee, è quello in cui si fa più uso dell'AI (58% dei rispondenti), favorito dalla bassa barriera d'ingresso dei modelli linguistici, mentre l'Idea Evaluation, quando le proposte vengono selezionate e valutate, ha un tasso di adozione strutturata di appena il 9%, frenato dalla diffidenza verso i frequenti fraintendimenti in cui l'AI incorre.

Il back-end invece è la fase in cui le idee scelte vengono trasformate in soluzioni concrete e integrate nei processi aziendali: è qui che i progetti approvati si confrontano con vincoli tecnici, scarsità di risorse e resistenze, spesso non riuscendo a generare valore. L'emergere della Generative AI e dell'Agentic AI apre oggi la possibilità concreta di superare queste criticità, perché l'AI può ampliare in modo significativo la qualità e la disponibilità delle informazioni, supportare un aggiornamento continuo dello stato dei progetti, mitigare bias e distorsioni: un modello strutturalmente diverso in cui agenti AI e persone collaborano in modo complementare. I risultati della survey mostrano però che questo potenziale è ancora limitato a piccole imprese con profilo tech elevato o grandi organizzazioni con governance AI strutturata e metriche definite.

L'area in cui l'AI risulta più presente è il knowledge management, dove circa il 60% del campione dichiara almeno una qualche forma di utilizzo (27% in modo strutturato, 33% occasionale): le barriere organizzative sono più basse e i casi d'uso immediatamente accessibili, come la ricerca di informazioni e la sintesi documentale. Tuttavia, il 72% si affida a LLM (modelli di machine learning in grado di comprendere e generare testo in linguaggio umano) generalisti, mentre solo il 24% utilizza tool verticali e appena il 18% ha introdotto agenti o workflow automatizzati. Questo indica che la conoscenza aziendale viene ancora soprattutto "interrogata", più che strutturalmente acquisita e resa disponibile in modo continuo.

Il quadro è ancora più arretrato nei settori a maggiore impatto strategico e organizzativo. Nel decision making, meno di un'azienda su tre ha avviato un qualche percorso di integrazione dell'AI: l'utilizzo strutturato si ferma al 13%, mentre il restante campione si colloca prevalentemente in una fase di pre-adozione. Nel project management il quadro è analogo: il 70% del campione non utilizza strumenti AI a supporto della gestione progettuale; solo il 12% dichiara un utilizzo strutturato. Anche qui domina l'approccio più semplice, con il 74% degli utilizzatori che si affida a strumenti generalisti, contro il 32% che usa tool verticali e il 16% che ha implementato automazioni o sistemi agentici.

L'AI roadmap: solo il 24% delle imprese dispone di un percorso pienamente formalizzato

La survey ha poi chiesto ai rispondenti se la propria organizzazione avesse definito una roadmap per l'integrazione dell'AI: il 24% dichiara di disporre di un percorso pienamente formalizzato, con priorità, casi d'uso, governance e criteri di misurazione; il 43% di uno parzialmente formalizzato, con linee guida e priorità generali, mentre il 34% ammette di procedere in modo opportunistico. Quasi due terzi del campione si attribuisce dunque una qualche forma di pianificazione strategica sull'AI, ma sovrapponendo i dati con chi si collocava su livelli medio-alti di maturità emerge un leggero disallineamento: è possibile raggiungere un livello strutturato di integrazione AI senza una pianificazione esplicita? Probabilmente no.

Lo spacchettamento per dimensione aziendale aggiunge ulteriori sfumature. Tra le grandissime imprese, il 27% dichiara una roadmap pienamente formalizzata, una quota superiore al 16% che si collocava tra gli AI Scalers: il dato è coerente, avere una pianificazione strutturata non garantisce di essere già Scalers, ma è difficile diventarlo senza. Al contrario, l'85% delle piccole imprese si dichiarava su livelli di maturità medio-alti, ma solo il 58% avrebbe una roadmap formalizzata o parzialmente formalizzata: questa asimmetria riflette la minore propensione alla pianificazione nelle organizzazioni più piccole, compensata spesso dall'agilità decisionale. Ma fino a che punto questo può supplire alla governance, quando si parla di una tecnologia con implicazioni così ampie su processi, dati e responsabilità?

Investimenti in AI: il 67% punta allo sviluppo interno di soluzioni su misura

Quali sono gli investimenti in AI, dove vengono allocati e con quale logica? Solo il 9%, dunque una quota assai marginale, ammette di non stare investendo in AI, mentre il 73% dei rispondenti indica come prioritario l'accesso dei dipendenti a LLM e strumenti generativi, molti dei quali sono già inseriti negli ambienti di lavoro e dunque non richiedono una decisione di investimento esplicita: aiutano a diffondere la familiarità con l'AI ma producono un impatto limitato. Il 67% però dichiara di investire nello sviluppo interno di soluzioni su misura e/o su dati proprietari: è una percentuale alta e segnala che una quota significativa del campione ha già maturato una consapevolezza strategica precisa, cioè che il vero vantaggio competitivo sta nel combinare l'AI con dati proprietari, processi specifici e conoscenza organizzativa che i competitor non possono replicare. In questa prospettiva, anche gli investimenti in tool verticali (38%) e in piattaforme low/no-code (29%) possono rappresentare il modo con cui le aziende, in particolare quelle più piccole, costruiscono capacità operative su casi d'uso specifici, proteggendo al tempo stesso il perimetro dei propri dati.

Priorità di utilizzo dell'AI: l'efficienza operativa e l'automazione delle attività ripetitive

Infine, la survey indaga quali siano le priorità nell'utilizzo dell'AI per l'innovazione: il 72% dei rispondenti cita l'aumento dell'efficienza operativa, il 59% l'automazione delle attività ripetitive, il 43% l'esplorazione di nuove opportunità e nuovi modelli di business. Quasi la metà del campione, dunque, non concepisce l'AI esclusivamente come uno strumento per eseguire meglio le attività esistenti, ma come una leva per ridefinire l'offerta, aprire nuovi spazi di mercato e ripensare il modello competitivo. È una postura strategica che, se sostenuta da investimenti e governance adeguati, può tradursi in un vantaggio competitivo strutturale. Seguono due priorità legate al decision making che nel loro insieme raccolgono una quota significativa di menzioni: il 40% cita il miglioramento della qualità decisionale grazie a una base informativa più ampia, il 33% punta alla maggiore oggettività delle decisioni attraverso scoring, previsioni e valutazioni più consistenti. Chiude la classifica, con il 21%, la riduzione del rischio e il supporto alla compliance: ciò non significa che il tema non sia urgente (anzi, in settori sensibili come quello bancario o sanitario è prioritario), ma non è di competenza degli Innovation Manager.

Quali sono oggi le principali priorità di utilizzo dell'AI per l'innovazione nelle aziende?

L'efficienza operativa e l'automazione mantengono il primato in tutte le categorie dimensionali, con percentuali che crescono con la dimensione aziendale: le grandissime imprese citano l'efficienza operativa nell'83% dei casi, le grandi nel 77%, le medie nel 77%, le piccole nel 65. Il dato più interessante emerge però sull'esplorazione di nuovi modelli di business: a citarla è il 50% delle piccole imprese, segno che hanno ben compreso il potenziale trasformativo dell'AI. La loro agilità organizzativa si traduce non solo in una maggiore velocità di adozione, ma anche in una visione strategica più aperta alle traiettorie di rottura.