L’adozione dell’intelligenza artificiale nelle imprese europee cresce, ma le differenze tra aziende di grandi e piccole dimensioni restano significative. Secondo i dati riportati nelle note redazionali dell’intervista, nel 2025 il 20% delle imprese dell’Unione europea utilizzava tecnologie di AI. La quota scendeva al 17% tra le piccole imprese e saliva al 55% tra le grandi. L’Italia, con il 16,4%, rimaneva sotto la media europea.
Ma che cosa significa davvero “adottare” l’intelligenza artificiale? Per Andrea Orlandini, ricercatore del CNR, docente universitario e presidente dell’Associazione Italiana per l’Intelligenza Artificiale, la risposta non coincide con l’acquisto di una piattaforma. La questione centrale è capire quali processi migliorare, con quali strumenti e sotto quale controllo.
Professor Orlandini, dove si vede oggi l’impatto più concreto dell’intelligenza artificiale?
Fare previsioni a tre o cinque anni è diventato difficile, perché gli orizzonti temporali si sono molto ristretti. Oggi uno degli effetti più evidenti riguarda la scrittura di codice. Gli strumenti vengono utilizzati sia dalle aziende che sviluppano software sia dalle società di consulenza che personalizzano sistemi per i clienti.
Il passaggio successivo è rappresentato dagli agenti, sistemi capaci non soltanto di rispondere, ma anche di proporre o compiere azioni. Il concetto non è nuovo: nella ricerca si studiano i Sistemi Multi-Agente da decenni. La vera questione è la loro affidabilità.
Un’area importante potrebbe essere quella dei world model, modelli capaci di simulare aspetti del mondo reale. Un agente può operare su una rappresentazione digitale della realtà e tradurre successivamente le decisioni in azioni, attraverso dispositivi, robot o altri sistemi.
Quando un sistema passa dalla risposta all’azione, quale nuovo rischio emerge?
Il tema principale è quello della delega. Stiamo cominciando ad affidare a questi sistemi anche azioni economiche, come fare acquisti o gestire operazioni finanziarie.
Se un agente a cui ho delegato un acquisto commette un errore e genera un danno molto rilevante, bisogna stabilire chi ne risponde. L’evoluzione tecnologica rende quindi urgente affrontare non soltanto l’efficienza, ma anche responsabilità, limiti operativi e meccanismi di controllo.
Le prestazioni dei sistemi generativi vengono spesso presentate come molto elevate. Qual è l’equivoco più pericoloso?
L’idea che siano quasi infallibili. Si parla delle cosiddette allucinazioni come se fossero un difetto marginale, ma in un processo critico anche una percentuale di errore molto bassa può produrre conseguenze gravi.
Un chirurgo, per esempio, prende moltissime decisioni in tempi brevi. Basta una scelta sbagliata per compromettere l’intera catena decisionale e di sicurezza. Più introduciamo questi sistemi in contesti critici, più dobbiamo ragionare sulle conseguenze dell’errore.
C’è poi una contraddizione. Alcuni produttori presentano i propri sistemi come strumenti da inserire nei processi aziendali, ma nelle condizioni d’uso precisano che non sono affidabili al 100% o che hanno finalità limitate. Le imprese devono leggere attentamente queste condizioni e capire quale responsabilità stanno assumendo.
Esiste il rischio che il dibattito si concentri troppo sull’AI generativa?
Sì. L’intelligenza artificiale generativa è molto visibile, ma non è necessariamente la soluzione migliore per ogni problema.
Esistono approcci che combinano reti neurali, logica e rappresentazione della conoscenza. Nei problemi di pianificazione, scheduling e ottimizzazione delle risorse, alcuni strumenti dell’intelligenza artificiale classica funzionano molto meglio. I modelli generativi generalisti, invece, possono essere meno adatti.
Sistemi come Claude, Gemini o ChatGPT sanno qualcosa di moltissimi argomenti. È come affidare un problema altamente specialistico a una persona con una conoscenza generale molto ampia, ma senza una preparazione specifica in quel dominio.
Quali applicazioni possono produrre valore nelle PMI?
Oltre all’intelligenza generativa, vedo opportunità nella pianificazione, nello scheduling, nell’ottimizzazione e nel machine learning, soprattutto quando l’impresa dispone di molti dati.
Le PMI hanno una forte necessità di accedere a questi strumenti, ma incontrano almeno due barriere: i costi e la mancanza di persone con competenze adeguate.
Esistono iniziative utili, come i percorsi organizzati da alcune agenzie regionali per l’innovazione per offrire agli imprenditori un quadro generale e alcune buone pratiche. Il limite è che le soluzioni non possono essere trasferite automaticamente da un settore all’altro. Quando cambia il contesto, una parte dell’analisi deve ricominciare.
Molte imprese faticano a orientarsi tra corsi, piattaforme e consulenze. Da dove dovrebbero partire?
Le aziende sono sommerse da proposte. Dopo una prima fase di entusiasmo, hanno capito che accanto a iniziative serie ce ne sono molte meno solide. Per questo diverse associazioni imprenditoriali ci chiedono una bussola per distinguere ciò che si può fare realmente dalle promesse che rischiano di non essere mantenute.
Il punto di partenza non deve essere lo strumento. Sembra che basti andare al supermercato, comprare “due pacchetti di intelligenza artificiale” e utilizzarli. Non funziona così.
Bisogna analizzare i processi, individuare i passaggi che generano più problemi o più costi e valutare se l’intelligenza artificiale possa intervenire in modo utile. In alcuni casi sarà necessario modificare profondamente anche il modo di lavorare o il modello di business.
Quindi non tutte le imprese devono utilizzare l’AI in ogni attività?
Esatto. Oggi chi dichiara di non utilizzare l’intelligenza artificiale rischia di essere considerato arretrato. Ma in alcuni processi l’AI non serve. In altri casi serve un’intelligenza artificiale diversa da quella scelta inizialmente.
Ho ascoltato rappresentanti di aziende raccontare di progetti partiti con grande entusiasmo e poi rallentati o fermati. Questo accade quando si parte dalla tecnologia invece che dal problema.
La domanda corretta non è: “Dove possiamo inserire l’AI?”. È: “Quale problema dobbiamo risolvere e qual è lo strumento più adatto?”.
Quali competenze servono per integrare persone e macchine?
Servono competenze di project management e process management, ma anche attenzione alla gestione delle persone e alle resistenze interne.
In passato capitava che i robot nelle catene di montaggio venissero manomessi perché percepiti come una minaccia al lavoro. Oggi dinamiche simili interessano anche i colletti bianchi e ruoli con responsabilità più elevate.
Per questo alcune grandi imprese cercano anche profili umanistici, capaci di comprendere l’impatto psicologico e organizzativo del cambiamento. L’adozione dell’AI non è soltanto un progetto informatico. È un progetto di trasformazione aziendale.
Per una PMI, quanto è importante la gestione dei dati?
È decisiva. Oltre alla privacy, esiste un problema legato al controllo delle informazioni.
Quando si caricano su servizi esterni dati aziendali, o dati appartenenti ai clienti, si stanno trasferendo informazioni senza avere sempre piena consapevolezza di come saranno gestite e di dove finiranno.
Prima di utilizzare un sistema, bisogna quindi chiedersi quali dati gli verranno affidati, chi potrà accedervi, dove saranno conservati e se l’impresa è autorizzata a utilizzarli in quel modo.
Anche la normativa può condizionare gli investimenti?
Certamente. Il quadro europeo e nazionale sta diventando più articolato. Le imprese devono capire se l’applicazione che stanno progettando possa rientrare tra i sistemi sottoposti a requisiti specifici o considerati ad alto rischio.
Il pericolo è investire in una soluzione che successivamente richieda modifiche rilevanti o che non possa essere utilizzata secondo le modalità previste. Una PMI potrebbe così trovarsi in una situazione irregolare senza esserne pienamente consapevole.
Per questo competenze legali, tecniche e organizzative devono dialogare fin dall’inizio del progetto.
Quale rischio dell’intelligenza artificiale stiamo già sottovalutando?
La produzione e la diffusione di informazioni false o difficili da verificare.
Il problema non riguarda soltanto la generazione iniziale del contenuto. Giornali, siti e canali social possono riprendere una notizia senza verificarla adeguatamente. Una notizia falsa, se è credibile e viene replicata molte volte, finisce per essere percepita come vera.
Ho ascoltato il racconto di un caso avvenuto all’estero alla vigilia di un’elezione dove era stato diffuso sui canali social un video falso nel quale un candidato annunciava il proprio ritiro. Il contenuto venne bloccato, ma l’impatto potenziale era evidente.
Dovremmo concentrarci meno su scenari estremi e più su quello che sta già accadendo e che non stiamo governando bene.
Come dovrebbe essere progettata una formazione realmente utile?
La formazione deve spiegare come funzionano questi sistemi e quali semplificazioni contengono. Comprenderne il funzionamento aiuta a riconoscerne i limiti.
Poi servono laboratori. Bisogna mostrare casi in cui gli strumenti funzionano bene e casi in cui sbagliano in modo evidente.
In un’iniziativa realizzata nel 2023 con 500 studenti al Teatro Palladium di Roma, tre gruppi di ragazzi risposero alle stesse domande. Due lavorarono senza strumenti di intelligenza artificiale, uno con il loro supporto. In alcuni casi il gruppo che utilizzava l’AI ottenne risultati migliori; in altri produsse risposte completamente sbagliate.
Il principio è semplice: questi sistemi non devono essere trattati come oracoli. Possono velocizzare e ottimizzare il lavoro, ma i risultati devono essere controllati. Per farlo, le persone devono mantenere le competenze specifiche del proprio mestiere.
Come si supera la distanza tra ricerca e imprese?
In Germania la ricerca applicata ha un riferimento importante nella Fraunhofer-Gesellschaft. Quando un progetto produce risultati concreti, intervengono figure dedicate a collegare la ricerca alle esigenze del territorio e a valutare spin-off, servizi o modelli basati su software aperto e consulenza.
In Italia questo lavoro viene svolto, ma in modo poco sistematico. Non manca la competenza. Manca un investimento strutturale nel trasferimento tecnologico.
Al CNR, per esempio, ci sono 88 istituti distribuiti sul territorio e un ufficio di valorizzazione della ricerca composto da troppe poche unità di personale per far fronte alla capacità dell’ente di generare risultati trasferibili. Inoltre, i gruppi di ricerca devono reperire le risorse finanziarie per sostenere le proprie attività soprattutto attraverso bandi competitivi.
Dobbiamo formare persone ibride, capaci di comprendere sia la tecnologia sia le esigenze delle aziende. L’obiettivo è trasformare un euro investito nella ricerca in valore economico per le imprese e migliore qualità della vita per la società.
Quale intervento concreto potrebbe aiutare le PMI?
Un punto fondamentale riguarda l’accesso alle infrastrutture di calcolo, che hanno costi spesso fuori dalla portata di una piccola impresa.
Una proposta possibile è offrire voucher dedicati. Le PMI potrebbero acquistare capacità di calcolo e accedere, con modalità regolamentate, alle infrastrutture pubbliche disponibili.
Non basta finanziare genericamente l’innovazione. Bisogna mettere le imprese nella condizione di utilizzare risorse che da sole non potrebbero permettersi.
L’intelligenza artificiale può aiutare il sistema produttivo italiano a rispondere alla concorrenza globale, ma deve essere adattata ai territori, ai settori e alle dimensioni aziendali. Le esigenze della Lombardia non sono necessariamente le stesse della Puglia, della Calabria, del Lazio o della Sardegna.
La tecnologia può essere simile. I problemi da risolvere, invece, cambiano. Ed è da quei problemi che ogni progetto dovrebbe partire.
