“Innovazione & AI nelle imprese italiane: GenAI & Agentic AI”: qual è il grado di maturità delle aziende italiane? Quello che emerge dalla ricerca dell’Osservatorio AI4Innovation della PoliMi (Innovation&Strategy) è ancora la sperimentazione con progetti pilota in contesti aziendali limitati e un uso diffuso ma superficiale dei singoli lavoratori, senza una regia centrale.
Le interviste svolte tra gennaio e marzo 2026 a Innovation Manager e responsabili AI rivelano che solo il 26% delle imprese sarebbero “AI Scaler” per aver trasformato l’AI in una componente strutturale del proprio modello di innovazione, mentre il 49% sarebbe ancora “AI Experimenter” con progetti pilota e il restante 25% “AI Starter”, con un uso sporadico e spontaneo.
Differenza di investimenti in AI generativa e AI agentica tra piccole, medie e grandi imprese
In particolare, le medie imprese investono ancora poco: una su due è Starter, per iniziativa dei singoli, 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 Scaler: si tratta però di aziende con un profilo tech elevato (startup e pmi innovative), capaci di trasformare l’agilità decisionale in un vantaggio competitivo reale.
Tra le grandissime imprese il 16% si dice Scaler e il 67% Experimenter (con progetti pilota su casi d’uso specifici e una integrazione parziale), tra le grandi ben il 39% si posiziona nella fascia più matura (Scaler): 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, ma tra un’adozione estensiva, individuale, spesso superficiale e con strumenti generalisti, peraltro diffusa e in crescita e un’adozione invece intensiva, che prevede l’integrazione nei processi core con workflow definiti, tool dedicati, governance e metriche, ancora confinata a una minoranza di organizzazioni», commenta Stefano Mizio, responsabile dell’Osservatorio AI4Innovation.
Mizio mette in guardia sulla cosiddetta “Shadow AI”, il fenomeno dei dipendenti che adottano l’AI in autonomia, senza governance da parte dell’azienda, con rischi, pericoli e scarso impatto sul business.
«Il ritardo nell’adozione intensiva produce uno svantaggio esponenziale, poiché chi ha iniziato sta già accumulando un know-how operativo difficilmente colmabile, grazie a una 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», aggiunge Stefano Mizio.
Il tema delle competenze per l'AI, agentica e generativa
Un’adozione strutturata delle nuove tecnologie richiede anche un robusto aggiornamento di competenze. La figura più ricercata ha un “profilo ibrido”, abbastanza competente da dialogare con i sistemi e abbastanza manageriale da tradurre quella competenza in valore organizzativo e di business.
«La capacità di programmare non è più il discrimine, il vero prerequisito è comprendere come questi strumenti funzionino, quali ne siano limiti e come governarli in modo responsabile. I profili tecnici puri (data scientist, ML engineer, AI engineer) rimangono necessari (32%), ma non sono più la risposta prevalente alla domanda su chi debba guidare l’innovazione AI driven nelle organizzazioni», spiega Muzio.
Formazione interna per nuove competenze e upskilling
Tra il 96% che ritiene necessarie nuove competenze, la formazione interna si conferma lo strumento più diffuso per colmare il gap e costruire competenze interne (75%). 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.
Gli obiettivi principali dell’adozione dell’AI
Il 72% dei rispondenti cita l’aumento dell’efficienza operativa, il 59% l’automazione delle attività ripetitive e il 43% l’esplorazione di nuove opportunità e modelli di business.
Quasi la metà del campione, dunque, non concepisce l’AI solo come strumento per eseguire meglio le attività esistenti, ma come leva trasformativa per ridefinire l’offerta, aprire nuovi spazi di mercato e ripensare il modello competitivo.
Approccio che può tradursi in un vantaggio competitivo strutturale, colto dalla metà delle piccole aziende, che hanno un’agilità organizzativa che si traduce non solo in una maggiore velocità di adozione, ma anche in una visione strategica più aperta alle traiettorie di rottura.
Il 40% riconosce il miglioramento della qualità decisionale con una base informativa più ampia, il 33% punta alla maggiore oggettività delle decisioni attraverso scoring, previsioni e valutazioni più consistenti e il 21% coglie la riduzione del rischio e il supporto alla compliance:
Leva d’innovazione ancora poco utilizzata
Nelle fasi specifiche del front-end, cioè l’inizio del ciclo innovativo, l’Idea Generation è quella in cui si fa più uso di Intelligenza artificiale (58%), favorita dalla bassa barriera d’ingresso dei modelli linguistici (LLM - Large Language Model).
L’Idea Evaluation, invece, 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. Ed è qui che le nuove tecnologie potrebbero garantire un’accelerazione notevole.
I progetti approvati si confrontano infatti con vincoli tecnici, scarsità di risorse e resistenze e così, spesso, non riescono a generare valore. L’AI potrebbe ampliare in modo significativo la qualità e la disponibilità delle informazioni, supportare un aggiornamento continuo dello stato dei progetti, mitigare bias/pregiudizi 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 a grandi organizzazioni con governance AI strutturata e metriche definite.
Tool ancora generalisti per il knowledge management
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).
Qui 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 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.
Occasione mancata, per ora, per un maggior 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 soprattutto in una fase di pre-adozione.
Nel project management il quadro è analogo. Il 70% non utilizza strumenti AI a supporto della gestione progettuale e solo il 12% dichiara un utilizzo strutturato. Anche qui domina l’approccio più semplice, con strumenti generalisti (74%), contro il 32% che usa tool verticali e il 16% che ha implementato automazioni o sistemi agentici.
Come si distribuiscono gli investimenti in AI generativa e agentica
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. La percentuale è alta e segnala che una quota significativa del campione ha già maturato una consapevolezza strategica precisa. 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.