In Italia raddoppiano in tre anni le imprese che utilizzano l’AI

“L’Intelligenza Artificiale per il sistema Italia” è il titolo del report diffuso nell’estate 2025 da Confindustria. Il report si basa su dati Istat e su una mappatura effettuata dalla stessa Confindustria su 241 casi d’uso da 76 aziende.

Il report dà una definizione “pragmatica” dell’intelligenza artificiale: “sistemi che dimostrano comportamenti intelligenti, analizzando l’ambiente e intraprendendo azioni autonome per raggiungere obiettivi specifici, sempre guidati da istruzioni umane e nel rispetto di valori etici fondamentali come trasparenza e inclusività”. Questi sistemi possono essere puramente software (es. analisi immagini, riconoscimento vocale) o incorporati in hardware (es. robot, veicoli a guida autonoma).

L’adozione dell’AI nel sistema produttivo italiano: un quadro disomogeneo

L’adozione dell’intelligenza artificiale nei sistemi produttivi italiani ha mostrato un andamento non lineare, con un lieve declino nel 2023 rispetto al 2021, seguito da segnali incoraggianti di ripresa nel 2024. Secondo i dati ISTAT del rapporto “Imprese e ICT”, nel 2021 il 6,2% delle imprese italiane con almeno dieci addetti utilizzava software o sistemi basati su AI per almeno una delle sette finalità aziendali definite. Questa percentuale è scesa al 5% nel 2023, evidenziando un rallentamento attribuibile a fattori quali i costi di implementazione, la carenza di competenze specializzate e la complessità normativa.

Tuttavia, il 2024 ha segnato una ripresa, con l’8,2% delle imprese che dichiarano di impiegare almeno una tecnologia AI. Questo incremento è trainato in particolare dalle attività manifatturiere (8%) e dai servizi non finanziari (9%), con un significativo sviluppo nella digitalizzazione della produzione e nell’automazione.

Nonostante la ripresa, l’Italia rimane nelle posizioni di retroguardia nel confronto europeo. Nel 2021, l’Italia era significativamente al di sotto della media europea (5,1% contro l’8%), e nel 2023 il divario si è ampliato in termini assoluti (8,2% per l’Italia rispetto al 13,5% dell’UE), anche se in termini relativi l’arretramento è stato lieve.

La situazione non è sensibilmente peggiorata, ma le distanze con il resto d’Europa rimangono notevoli.

“Le imprese italiane hanno un colossale patrimonio informativo fatto di conoscenze tecniche e know-how, gli elementi fondamentali della nostra competitività come Paese a livello internazionale”, commenta Alberto Tripi, Special advisor per l’intelligenza artificiale di Confindustria. “L’intelligenza artificiale aiuta le imprese a sistematizzare e gestire questo patrimonio informativo: non sostituendo l’elemento umano, ma rinforzandolo e massimizzandone l’impatto”.

Considerando più finalità aziendali (due o tre), la ripresa del 2024 è confermata, con la percentuale di imprese che utilizzano l’AI per almeno due scopi quasi raddoppiata tra il 2021 e il 2024 (dal 2,8% al 5,2%) e per almeno tre scopi (dall’1,6% al 2,9%). Questi valori, sebbene in crescita, restano decisamente ridotti, indicando che gran parte del lavoro per promuovere la diffusione dell’AI nelle imprese italiane deve ancora essere affrontato, nonostante un grande potenziale.

Barriere all’adozione e priorità strategiche

L’indagine Istat evidenzia che le principali barriere a una più intensa adozione dell’AI sono i costi elevati (49,6% delle imprese nel 2023) e la mancanza di competenze digitali adeguate (55,1%). Questo fenomeno è particolarmente accentuato nelle Piccole e Medie Imprese (PMI), dove solo l’1,4% delle imprese con meno di 50 addetti ha implementato tecnologie AI per almeno tre finalità aziendali nel 2023, rispetto all’8,7% delle imprese con oltre 250 addetti. Dato che le PMI rappresentavano il 99,3% delle imprese attive totali nel 2022, per Confindustria la diffusione dell’AI in questo segmento rappresenta una priorità.

Nel periodo 2021-2024, l’AI è risultata sempre più strategica per la Ricerca & Sviluppo e l’innovazione, i processi amministrativi, il marketing e le vendite. Sembra invece ridimensionarsi la sua portata nei processi di produzione, nella logistica, nella sicurezza ICT e nella contabilità e controllo.

Per superare le disomogeneità nell’adozione tra settori, territori e classi dimensionali, saranno cruciali le politiche pubbliche e una strategia di Confindustria per una diffusione dell’AI nel mondo della produzione industriale che sia la più ampia ed equilibrata possibile.

Il vero potenziale in Italia è l’applicazione dell’AI in settori in cui siamo già leader mondiali”, prosegue Tripi. “Per farlo, è importante aprire un vero dialogo tra gli utenti di applicazioni AI e i suoi sviluppatori, combinando conoscenze ed esigenze specifiche delle imprese nei nostri comparti chiave con la capacità dell’industria IT di creare soluzioni di intelligenza artificiale, generando valore per entrambe le parti. Il sistema industriale italiano sa cogliere con immediatezza i cambiamenti dei parametri di riferimento agendo di conseguenza: è questo che ci consentirà di gestire con successo anche il tumultuoso e stimolante processo di innovazione tecnologica in corso.

La mappatura dei casi d’uso: come l’AI sta trasformando le imprese italiane

Il Sounding Board Intelligenza Artificiale di Confindustria ha avuto come obiettivo principale la mappatura delle applicazioni di AI già attive nelle aziende italiane, con un focus su settori di rilevanza strategica per l’Italia. Sono stati raccolti 241 casi d’uso da 76 aziende, creando un archivio di know-how che racconta l’esperienza delle imprese e i cambiamenti nel modo di lavorare. Questi progetti sono già attivi e implementati. Circa il 18,3% dei casi d’uso utilizza funzioni di AI Generativa, una percentuale rilevante ma non predominante, a testimonianza dell’ampiezza delle applicazioni di AI.

Applicazioni di AI nei settori strategici italiani (verticali)

Le aziende italiane stanno adattando modelli e algoritmi di intelligenza artificiale per creare soluzioni personalizzate per i propri settori. I principali settori coinvolti nei casi d’uso analizzati sono salute e scienze della vita (21,6%), manifatturiero (20,7%), mobilità sostenibile (17,4%), pubblica amministrazione (6,6%) e turismo (5,4%), oltre a un 28,2% di casi multi-settore o altro.

• Salute e scienze della vita: L’AI è una forza trasformativa nel settore sanitario. Le applicazioni includono l’automazione della documentazione clinica tramite trascrizione speech-to-text e modelli linguistici avanzati, permettendo ai medici di concentrarsi sui pazienti. Sta trasformando la diagnostica per immagini, con algoritmi che analizzano radiografie, TAC e risonanze magnetiche per identificare anomalie con maggiore precisione. Sistemi di supporto alle decisioni cliniche analizzano grandi quantità di dati per fornire suggerimenti personalizzati per diagnosi e terapie, utili nei board multidisciplinari. La telemedicina e il monitoraggio remoto beneficiano di assistenti virtuali per gestire prenotazioni e monitorare parametri vitali a distanza, ampliando l’accesso alle cure. L’AI contribuisce anche alla medicina preventiva e personalizzata, identificando fattori di rischio e suggerendo interventi basati su dati clinici, genomici e stili di vita. Nell’intersezione con il farmaceutico, l’AI analizza reti biologiche per identificare terapie mirate basate su mutazioni genetiche multiple, un passo verso la medicina di precisione.

• Manifatturiero: le industrie manifatturiere stanno subendo una profonda trasformazione. Oltre alla nota manutenzione predittiva, spicca l’uso di digital twin, repliche virtuali di impianti fisici per monitorare e ottimizzare le performance, come i consumi energetici o il tracciamento in tempo reale di flotte e mezzi operativi, migliorando efficienza e sicurezza sul lavoro. L’AI è applicata anche alla gestione del magazzino tramite computer vision per riconoscimento e tracciabilità dei materiali, superando i limiti delle etichette tradizionali. È fondamentale per la diffusione della robotica mobile autonoma all’interno delle imprese. Un uso innovativo è la previsione dei costi di produzione per nuovi prodotti, stimando i costi con precisione e quantificando l’incertezza, riducendo i tempi di risposta ai preventivi e liberando risorse umane. Questa capacità predittiva può estendersi al calcolo dell’impronta di CO2. Sistemi di computer vision potenziati dall’AI espandono le capacità dei robot industriali, consentendo il riconoscimento di oggetti in scenari caotici. In ambito safety e sicurezza, i sistemi AI monitorano flussi di persone, veicoli e merci per rilevare anomalie. L’analisi predittiva delle tolleranze dimensionali dei prodotti ottimizza i processi produttivi e l’allocazione della produzione tra diversi impianti.

• Mobilità sostenibile: l’AI sta rivoluzionando il settore della mobilità e dei trasporti, accelerando la transizione ecologica e riducendo costi e emissioni. Esempi includono l’implementazione di digital twin nel trasporto pubblico per monitorare performance e ottimizzare i consumi energetici. Nella manutenzione predittiva, strumenti AI misurano il rischio di rottura dei componenti di autobus e sistemi di bordo, consentendo alle officine di identificare preventivamente i guasti, ottimizzando tempi e spazi e riducendo il fermo dei mezzi e le scorte. L’AI ottimizza la “curva chilometrica” dei mezzi, raccomandando quali autobus impiegare in caso di perturbazioni per allungare la vita dei motori e velocizzare la risposta alle interruzioni del servizio. Nella logistica urbana e pianificazione del trasporto pubblico, sistemi AI ottimizzano i percorsi con vincoli specifici, riducendo fino al 25% i chilometri percorsi, i consumi e le emissioni. L’analisi avanzata dei clienti del trasporto pubblico tramite machine learning permette di definire metriche come il Customer Lifetime Value e la propensione al reclamo, personalizzando le strategie di marketing. Nelle infrastrutture stradali, l’AI trasforma monitoraggio e manutenzione: sistemi di computer vision e LIDAR creano modelli digitali dettagliati, riconoscendo automaticamente difetti nel manto stradale e segnaletica, migliorando la capacità di risposta e l’esperienza degli utenti.
  • Esempi globali di AI e mobilità sostenibile (ispirazione per l’Italia): A Singapore, i digital twin nelle reti ferroviarie e bus hanno permesso di simulare e ottimizzare il traffico passeggeri e il consumo energetico, con risparmi fino al 15%. In Lituania, digital twin integrati con droni e sensori per la manutenzione stradale hanno ridotto del 90% le emissioni e aumentato l’efficienza delle riparazioni. La manutenzione predittiva a Londra ha ridotto del 58% le ore di disservizio nella metropolitana. In Cina, algoritmi di ottimizzazione avanzata per 16.000 autobus elettrici hanno ridotto del 43% i costi energetici complessivi, evitando 1,35 milioni di tonnellate di CO2 annue. Negli Stati Uniti, l’ottimizzazione IA dei percorsi logistici ha ridotto di 100 milioni di miglia annue i percorsi e risparmiato 10 milioni di galloni di carburante. Nella micromobilità urbana, a New York, modelli predittivi IA per il riposizionamento delle biciclette hanno migliorato l’efficienza del 12%. In Europa (e già a Roma e Milano), sistemi di computer vision su monopattini elettrici rilevano comportamenti scorretti. A Barcellona, tecniche di computer vision e machine learning rilevano l’evasione tariffaria nel trasporto pubblico, risultati analoghi sono stati ottenuti in Italia. A Pittsburgh, l’AI regola dinamicamente i semafori, riducendo i tempi di viaggio del 25% e le emissioni dei veicoli del 21%. A San Francisco, robotaxi elettrici completamente autonomi hanno evitato 570mila kg di CO2 in un anno. A Singapore, la gamification basata su AI ha aumentato del 12% gli spostamenti fuori dagli orari di punta, riducendo l’affollamento.
• Pubblica amministrazione: l’AI offre grandi opportunità per velocizzare e rendere più efficiente la macchina amministrativa e migliorare l’esperienza dei cittadini. Si estende alla gestione intelligente dell’illuminazione stradale e delle gallerie, dove sonde ottimizzano i livelli di luce per sicurezza ed efficienza energetica, integrando dati da sensori IoT e immagini ad alta risoluzione per una pianificazione predittiva degli interventi. Nella pubblica amministrazione locale, l’AI trasforma la gestione delle città attraverso sistemi integrati per il monitoraggio del verde pubblico (controllo granulare degli alberi tramite sensori IoT) e piattaforme di supporto decisionale che integrano big data. L’innovazione include l’interoperabilità semantica tra amministrazioni con interfacce in linguaggio naturale, che democratizzano l’accesso ai dati pubblici e permettono simulazioni dell’impatto delle politiche cittadine. L’AI facilita anche lo smaltimento dei rifiuti, lavorando con sensori IoT per monitorare parametri chimici e motori in tempo reale, riducendo del 50% i giorni di fermo degli impianti. Per il controllo di grandi spazi naturali, sistemi di videosorveglianza potenziati dall’IA applicano algoritmi di scansione rapida per individuare oggetti specifici (es. naufragi, zattere) in vasti tratti di mare.

• Turismo: nel settore turistico, l’AI analizza grandi quantità di dati per gestire i flussi turistici, aumentare l’efficienza e creare nuovi servizi personalizzati. Il Ministero del Turismo stima che l’AI possa ridurre la concentrazione estiva fino al 15%, i costi operativi fino al 20% e alleggerire del 20% i flussi verso aree sovraffollate. L’AI è utilizzata per l’ottimizzazione dinamica dei prezzi, analizzando domanda di mercato, disponibilità, stagionalità e concorrenza per suggerire il prezzo ottimale e aumentare i ricavi. Strumenti di analisi dati avanzati permettono di comprendere meglio i turisti per offrire marketing mirato e offerte personalizzate, assistendo anche nella creazione di itinerari. Soluzioni di AI generativa supportano le imprese turistiche nel migliorare l’esperienza del cliente, semplificando le risposte alle recensioni, supportando la gestione delle prenotazioni e assistendo i clienti tramite chatbot avanzati su siti e WhatsApp.

Applicazioni di AI per funzione aziendale

Molti casi d’uso possono essere applicati a più settori con piccole modifiche, e vengono riassunti in base alla funzione aziendale di riferimento. Le funzioni aziendali più interessate all’uso dell’AI, secondo i casi d’uso ricevuti, sono:

• Operations (37,3%),
• Funzioni corporate/Risorse umane (12,4%),
• Manutenzione (7,9%),
• Servizio clienti (7,5%),
• Ricerca e sviluppo (7,1%),
• Sales e Marketing (6,6%),
• Finanza e acquisti (6,2%),
• Quality Control (3,3%),
• Altro (11,6%).

• Risorse umane e funzioni amministrative: l’AI in queste aree migliora efficienza e qualità del lavoro. Nel settore HR, l’AI è preziosa per la gestione dei talenti e l’analisi organizzativa, creando “mappe di competenza” multidimensionali che identificano pattern e suggeriscono interventi per lo sviluppo del personale. Potenzi i processi di selezione automatizzando l’analisi dei curricula, anonimizzando i dati e massimizzando il matching tra candidati e posizioni, velocizzando il recruiting e consentendo valutazioni più obiettive se sviluppata correttamente. I sistemi AI innovano anche l’assessment dell’occupabilità dei dipendenti, analizzando domanda di mercato, profili contrattuali ed evoluzione delle competenze per anticipare i trend del mercato del lavoro. Sul fronte amministrativo, l’AI trasforma la gestione documentale e il back-office con algoritmi di Natural Language Processing (NLP) che automatizzano l’estrazione di informazioni da documenti, fatture e contratti, riducendo tempi ed errori. Algoritmi avanzati smistano comunicazioni e-mail, assegnano priorità e generano bozze di risposta, identificando comunicazioni urgenti e creando ticket automatici. Queste attività si estendono alle funzioni legali, dove l’AI automatizza l’estrazione di informazioni chiave da contratti e normative, facilita la ricerca legale intelligente e supporta il monitoraggio continuo degli aggiornamenti normativi, semplificando la compliance. Assistenti virtuali basati su AI e sistemi di knowledge mapping utilizzano NLP per creare rappresentazioni semantiche della conoscenza aziendale, facilitando il trasferimento di know-how e accelerando le decisioni, rispondendo a domande frequenti e guidando i dipendenti. Queste applicazioni si evolvono tramite apprendimento continuo. Questa trasformazione porta alla nascita di nuovi ruoli professionali ibridi, combinando HR, tecnologia e analisi dei dati, in un’ottica antropocentrica di complementarità e potenziamento reciproco tra AI e competenze umane.
• Manutenzione predittiva: ambito già maturo, l’AI ha radicalmente trasformato l’approccio alla gestione degli asset industriali, introducendo un paradigma data-driven per anticipare e prevenire guasti, riducendo al minimo i tempi di inattività. L’uso di dashboard in tempo reale ha ottimizzato l’interazione degli operatori e ridotto i tempi di risposta agli alert. L’implementazione di digital twin ha permesso di testare preventivamente modifiche, riducendo i rischi. La manutenzione predittiva si applica anche al prodotto stesso durante il suo ciclo di vita, come la previsione della formazione di ghiaccio nei banchi frigo. Un risultato significativo è l’impatto sulla sicurezza, riducendo l’esposizione degli operatori a situazioni rischiose e prevenendo guasti critici. Un’applicazione cruciale è il “meta-monitoraggio” dei sensori stessi, con modelli di machine learning che controllano costantemente la qualità della sensoristica, identificando anomalie sistematiche. Nel manifatturiero, la combinazione di algoritmi di manutenzione predittiva e computer vision per il controllo qualità permette di identificare trend anomali prima che causino problemi sistematici. Nelle infrastrutture, l’AI analizza reti di grandi dimensioni, come le infrastrutture stradali (object detection e computer vision per crepe profonde) e quelle elettriche (mappature aeree e mobili per anomalie). I benefici economici includono riduzioni consistenti nei costi operativi, migliore gestione delle risorse e delle scorte, miglioramento della qualità del prodotto finale e aumento del tempo di effettivo utilizzo degli impianti.
• Servizi clienti: l’AI sta trasformando il modo in cui le organizzazioni gestiscono la relazione con i clienti, superando il modello basato esclusivamente sul contatto umano. I chatbot di nuova generazione gestiscono autonomamente richieste semplici e delegano quelle complesse agli operatori. Soluzioni integrate combinano assistenti virtuali multimodali, analisi predittiva e automazione intelligente per un supporto più efficace e personalizzato. Assistenti virtuali evoluti interagiscono tramite testo e voce, accedendo in tempo reale ai sistemi documentali e sfruttando l’AI generativa per sintesi e chiarimenti, mantenendo un dialogo naturale e contestualizzato. Si è raggiunta un’assistenza virtuale al 100% per alcuni servizi, riducendo drasticamente le chiamate al supporto tradizionale e offrendo supporto 24/7. L’integrazione tra diversi canali di comunicazione permette agli assistenti virtuali di gestire richieste da chatbot su siti web, app, social e telefoniche, identificandone automaticamente natura e urgenza. L’AI monitora continuamente la soddisfazione degli utenti attraverso l’analisi in tempo reale dei feedback e delle interazioni, identificando criticità emergenti e permettendo l’adattamento dei servizi. L’automazione intelligente si estende alla gestione della documentazione e delle comunicazioni (classificazione e-mail, generazione risposte, creazione ticket), riducendo i tempi di risposta e liberando risorse umane per attività a valore aggiunto. Questi sistemi apprendono e migliorano continuamente, adattandosi alle specificità dell’organizzazione.
• Ricerca e Sviluppo: l’AI sta accelerando drasticamente i processi di ricerca e sviluppo, aprendo nuove frontiere. Nel settore farmaceutico e medico, l’AI analizza reti biologiche complesse nell’oncoterapia, studiando pathways mutati e interazioni molecolari per patologie complesse. Esistono piattaforme per la progettazione di farmaci che integrano algoritmi AI con simulazioni di dinamica molecolare e chimica quantistica, accelerando lo sviluppo e portando nuovi farmaci in fase clinica. L’AI sviluppa ulteriormente la medicina di precisione, analizzando dati clinici e genomici per identificare quali pazienti rispondono meglio a terapie specifiche e per comprendere i fattori di resistenza. Analizza dati su gruppi di pazienti con patologie specifiche per identificare i farmaci più adatti alla terapia personalizzata. Nelle malattie genetiche rare, l’AI sviluppa modelli predittivi per identificare correlazioni genotipo-fenotipo e marker prognostici, supportando decisioni terapeutiche tempestive e personalizzate. L’uso di “digital twin” in ambito farmaceutico (es. ricerca vaccini) permette di simulare gli effetti e virtualizzare parzialmente i test clinici, accelerando drasticamente i tempi di sviluppo. Fuori dal farmaceutico, l’AI è preziosa per l’ottimizzazione dei processi industriali, calcolando l’impronta di carbonio dei prodotti e simulando proprietà di nuove molecole. Sistemi “copilota” basati su AI generativa assistono nelle operazioni di processo, fornendo accesso rapido alla documentazione tecnica e facilitando il trasferimento di conoscenze. La potenzialità dell’AI nella R&D risiede nella capacità di analizzare enormi quantità di dati, identificando pattern non evidenti e accelerando i cicli di sviluppo, esplorando soluzioni innovative difficilmente individuabili con approcci tradizionali.
• Sales e Marketing: l’AI sta evolvendo il modo in cui le aziende gestiscono le attività commerciali, offrendo soluzioni che combinano efficienza operativa con la personalizzazione di beni e servizi. Introduce nuove possibilità per analizzare dati non convenzionali e interpretare il comportamento dei clienti, elaborando grandi volumi di dati non strutturati (es. immagini, contenuti social) per mappare le esperienze di consumo. Nel settore alimentare, l’AI analizza milioni di contenuti online per comprendere contesti di consumo e preferenze, fornendo insight preziosi per le strategie di marketing. Un altro ambito è la previsione delle vendite, dove gli strumenti IA elaborano segnali interni ed esterni per identificare modelli di vendita e valutare dinamicamente la domanda, ottimizzando lo stock e raggiungendo elevati livelli di sell-through. I moderni sistemi di previsione AI generano previsioni accurate, con miglioramenti fino al 19% rispetto ai metodi tradizionali, suggerendo azioni concrete per ottimizzare le performance commerciali. Si estende alla previsione dei prezzi per gare d’appalto (es. farmaceutico) tramite analisi di dati storici. Nel marketing, l’AI trasforma la creazione di contenuti: strumenti di copywriting assistito generano testi personalizzati per diversi canali e target, mantenendo coerenza e adattandosi alle esigenze comunicative. In un caso di studio farmaceutico, ha ridotto del 50% i tempi di produzione dei contenuti e del 70% i costi di copywriting. Il futuro del marketing e delle vendite sarà sempre più legato ai dati e personalizzato, con l’AI che potenzia le capacità degli operatori senza sostituirle, trovando il giusto equilibrio tra automazione ed esperienza umana.
• Finanza e acquisti: l’AI può migliorare e facilitare i processi finanziari e di approvvigionamento aziendali, ottimizzando costi, agilizzando processi interni e aumentando l’efficienza operativa. Nel settore finanziario, l’AI assiste nell’analisi del rischio creditizio, con sistemi di machine e deep learning che analizzano dati macroeconomici e di settore per previsioni finanziarie accurate. Un esempio è l’uso dell’AI per la gestione assistita del calcolo della solvibilità e assegnazione dei limiti di credito, riducendo i tempi di elaborazione degli ordini. Nelle funzioni di acquisto e gestione fornitori, l’AI trasforma i processi tradizionali attraverso sistemi di automazione intelligente. Piattaforme in settori come energetico, manifatturiero e trasporti utilizzano algoritmi di machine learning per prevedere la domanda e ottimizzare gli ordini di approvvigionamento, analizzando dati storici e trend di mercato per una gestione migliore del magazzino e una riduzione delle scorte e dei costi. L’affidabilità di questi sistemi può permettere l’automazione parziale o totale delle operazioni di acquisto, come l’automazione del processo di asta per il rifornimento di carburante. L’AI migliora l’analisi dei documenti legali e contrattuali negli acquisti tramite NLP, che estrae e classifica automaticamente informazioni chiave, velocizzando le revisioni e riducendo gli errori umani. I benefici includono riduzione dei costi operativi, migliore gestione del capitale circolante, diminuzione degli errori nelle previsioni di acquisto e ottimizzazione dei processi decisionali.
• Quality control: il controllo qualità è un ambito in rapido sviluppo dell’AI, soprattutto nel manifatturiero. Offre soluzioni innovative per identificare difetti e anomalie con precisione e velocità impossibili con metodi tradizionali, con un impatto sulla produttività e sulla sostenibilità, riducendo gli scarti. Sistemi di visione artificiale potenziati dall’AI (computer vision) consentono l’ispezione automatica dei prodotti in tempo reale, analizzando centinaia di immagini al secondo per verificare difetti, allineamenti e qualità delle finiture. Questi sistemi AI si adattano automaticamente a diversi contesti, illuminazione e variazioni dei prodotti, garantendo un controllo costante e affidabile. Un esempio è l’uso di reti neurali supervisionate per il controllo qualità di componenti industriali, rilevando automaticamente errori di assemblaggio, difetti superficiali o componenti mancanti, riducendo il tasso di errore rispetto all’ispezione manuale. L’AI analizza anche gli scarti per rilevare anomalie di produzione in anticipo. L’AI affianca il personale, che può concentrarsi su attività a maggior valore aggiunto come l’analisi delle cause dei difetti e l’ottimizzazione dei processi. I benefici sono molteplici: riduzione degli scarti, miglioramento della qualità, ottimizzazione dei tempi di ispezione e standardizzazione dei controlli. I sistemi AI generano automaticamente report dettagliati per tracciare trend e identificare problemi precocemente. Queste tecnologie trovano applicazione in diversi settori: farmaceutico (fiale, blister), semiconduttori (wafer), manifatturiero (simboli, componenti), cemento (qualità del clinker) e batterie industriali (monitoraggio temperatura e resistenza interna).
• Altre funzioni aziendali e sostenibilità: esistono ulteriori applicazioni che dimostrano il potenziale trasformativo dell’AI. Nella sicurezza informatica, l’AI è fondamentale per anticipare e contrastare minacce cyber, analizzando enormi quantità di dati per identificare pattern sospetti e rilevare attacchi, automatizzando attività di routine e offrendo soluzioni anche per le PMI. L’utilizzo di dati sintetici per il testing del software permette di generare set di dati realistici ma privi di informazioni sensibili, facilitando lo sviluppo e il collaudo di nuove applicazioni e riducendo le attività di compliance legate alla privacy. Nella comunicazione e accessibilità, l’AI trasforma la disponibilità delle informazioni: sistemi avanzati di trascrizione e traduzione in tempo reale convertono contenuti audio e video in testo, rendendo l’informazione accessibile a un pubblico più ampio, cruciale in contesti multilingue come stazioni e aeroporti e per utenti con disabilità sensoriali. L’AI impatta anche il monitoraggio dei media e l’analisi della reputazione aziendale, analizzando il sentiment sui social media e valutando l’impatto delle campagne di comunicazione. La biometria vocale permette l’identificazione sicura degli utenti attraverso la voce, con applicazioni dal blocco di utenze telefoniche al sicuro accesso a servizi bancari.
  • L’AI per la sostenibilità: l’AI gioca un ruolo importante per un’economia più sostenibile, riducendo gli sprechi e contribuendo a maggiore efficienza. Può ridurre i consumi energetici, garantire una gestione più efficace delle reti e un utilizzo più efficiente delle risorse. Nel settore energetico, i sistemi AI sono efficaci nella previsione dei guasti di rete, appoggiandosi a sistemi di manutenzione predittiva. Progetti di manutenzione predittiva nelle reti di distribuzione del gas utilizzano robot quadrupedi con sensori per monitorare manometri e rilevare perdite. Nelle reti idriche, i digital twin integrano dati di sensori IoT per monitoraggio continuo, simulazioni e pianificazione accurata degli interventi. L’AI è preziosa nella riduzione degli sprechi energetici, ottimizzando sistemi di teleriscaldamento tramite algoritmi che integrano dati meteorologici e serie storiche della domanda energetica, e con digital twin che identificano opportunità per operare a potenza ridotta. Nei servizi cloud, soluzioni di auto-scaling basate su AI ottimizzano l’utilizzo delle risorse computazionali, riducendo costi e migliorando l’efficienza energetica. Nella gestione delle reti elettriche, tecnologie AI addestrate tramite reinforcement learning hanno permesso miglioramenti prestazionali fino al 20% nei siti più congestionati, ottimizzando il diagramma di irradiazione delle antenne. L’AI è applicata con successo alla previsione della domanda di gas, analizzando variabili meteorologiche e serie storiche per il bilanciamento della rete. Soluzioni NILM (Non Intrusive Load Monitoring) utilizzano l’AI per identificare singoli dispositivi elettrici in un’abitazione e monitorarne il consumo con minima invasività, valutando i consumi, rilevando anomalie e regolando l’uso per evitare picchi energetici. Nel settore agricolo, sistemi innovativi di pianificazione dell’irrigazione basati su AI stimano il fabbisogno idrico delle colture con giorni di anticipo, risparmiando acqua e migliorando la qualità e quantità del raccolto. Altri sistemi AI monitorano la biodiversità e l’impatto ambientale, combinando algoritmi AI con soluzioni 4.0.

Indicazioni chiave dall’analisi dei casi d’uso: verso un’adozione efficace

L’analisi dei 241 casi d’uso ha permesso a Confindustria di estrapolare indicazioni pratiche per l’introduzione e la diffusione dell’AI nel mondo industriale italiano.

1. L’importanza della qualità dei dati: l’accesso a dati di qualità è cruciale per addestrare efficacemente gli algoritmi e ottenere risultati affidabili. È fondamentale costruire dataset rappresentativi e accurati, sia interni che esterni, adeguatamente “puliti” e categorizzati. L’adozione di una data platform dedicata può essere d’aiuto, e un modello aziendale data-driven richiede investimenti nella formazione dei dipendenti.
2. Aspetti organizzativi e di cultura d’impresa: l’adozione dell’AI deve coinvolgere tutta l’azienda, non solo le strutture tecniche. I migliori risultati si ottengono quando l’AI è integrata nei processi esistenti, supportata da una strategia chiara e un adeguato piano di change management. Il percorso di implementazione deve partire dalla rappresentazione dei processi esistenti per ridisegnarli con le funzioni interne coinvolte. Il coinvolgimento e l’informazione del personale sono decisivi per superare resistenze “ideologiche”, unendo le competenze degli analisti con l’esperienza pratica degli operatori. Sono inoltre fondamentali percorsi di formazione (upskilling e reskilling) per garantire i benefici attesi.
3. Aspetti tecnici e implementativi: è opportuno adottare piattaforme di digitalizzazione e sistemi IoT fin dall’inizio per migliorare la qualità dei dati. Lo sviluppo tramite un team interno può formare competenze riutilizzabili. La collaborazione con esperti e startup innovative specializzate in AI è consigliabile. L’implementazione di modelli AI ha richiesto una maggiore strutturazione della documentazione interna in alcune aziende, aumentando la consapevolezza sulla standardizzazione dei processi.
4. Un approccio graduale e pragmatico: l’AI prevalentemente affianca l’uomo nello svolgimento dei compiti, e solo in alcuni casi lo sostituisce. Le esperienze suggeriscono di partire da progetti pilota ben definiti e circoscritti, valutando attentamente costi/benefici basati su business case pratici. Alcune aziende sconsigliano progetti con lunghi tempi di sviluppo, preferendo quelli che permettono di ottenere e valutare i risultati in tempi brevi, con un approccio agile basato su rapida prototipazione e iterazione. Gli impatti possono non essere immediatamente evidenti, richiedendo tempo e versioni successive per migliorare le prestazioni e far “emergere” il valore.
5. Un approccio basato sull’intelligenza “sorvegliata”: l’AI produce i risultati più significativi quando è sempre gestita e sottoposta a controllo umano. Le risorse umane liberate dall’IA possono essere dedicate ad attività a maggiore valore aggiunto. Anche in processi interamente automatizzati, i lavoratori monitorano l’efficacia del sistema e il raggiungimento degli obiettivi, nel rispetto delle norme esistenti.

Il contesto regolatorio europeo e le sue implicazioni per l’Italia

L’Unione Europea, con il fenomeno noto come “Brussels Effect”, proietta la propria regolamentazione oltre i confini territoriali. L’AI Act (Regolamento UE 2024/1689), entrato in vigore nell’agosto 2024, si inserisce in un quadro normativo europeo già articolato (GDPR, Data Governance Act, Data Act, DSA, DMA, Cybersecurity Act, direttive NIS e NIS 2), con l’obiettivo di conferire al quadro regolatorio europeo una funzione paradigmatica per orientare le dinamiche giuridiche globali e armonizzare gli standard applicabili all’intelligenza artificiale.

Per le imprese italiane che intendono integrare sistemi di AI ad alto rischio, in qualità di “deployer” (utilizzatori), gli obblighi sono significativi. Il regolatore comunitario ha affidato al deployer la valutazione dei rischi e la responsabilità per eventuali danni. Questo comporta rilevanti investimenti in tecnologia, organizzazione e formazione, e interseca normative esistenti su privacy (GDPR), sicurezza sul lavoro e tutela della salute dei lavoratori. Si tratta di un percorso complesso, che sconta le scarse conoscenze in tema di AI e rischia di far prevalere gli aspetti negativi se non governato opportunamente a livello nazionale.

Gli obblighi del deployer si articolano in quattro ambiti: sorveglianza, trasparenza, integrità e sicurezza. L’obbligo di alfabetizzazione digitale (art. 4), già in vigore dal 2 febbraio, impone ai deployer di garantire un adeguato livello di formazione e consapevolezza nell’utilizzo delle tecnologie AI.

Gli articoli 26 e 27 dell’AI Act impongono misure tecniche e organizzative per un uso conforme, inclusa la verifica della qualità dei dati di input e la conservazione dei log generati dal sistema per almeno sei mesi. È richiesta una sorveglianza continua del sistema e la segnalazione immediata di anomalie. Prima dell’impiego di un sistema di IA ad alto rischio in ambito lavorativo, il deployer deve informare i lavoratori o i loro rappresentanti.

Questa architettura regolatoria mira a un sistema di coordinamento tra attori con competenze specifiche. Trasparenza, spiegazione e riesame umano delle decisioni automatiche richiedono linguaggi chiari e contesti comprensibili. La governabilità del sistema e la gestione del rischio non possono essere definite a priori, ma variano in base alla natura dei dati e dello strumento impiegato, rendendo impossibile soluzioni di semplificazione uniformi per tutti gli operatori economici, soprattutto per le PMI con governance meno strutturata.

L’AI Act, pur riconoscendo la necessità di un approccio antropocentrico, deve anche preservare l’impresa dal rischio di “iper-regolamentazione”.

Conclusioni

In conclusione, la mappatura dell’AI in Italia rivela un paese che sta muovendo passi significativi verso l’adozione di questa tecnologia rivoluzionaria, con applicazioni concrete e innovative in svariati settori e funzioni aziendali. Tuttavia, la strada è ancora lunga, specialmente per colmare il divario con la media europea e per superare le barriere legate a costi, competenze e qualità dei dati.

Il contesto regolatorio europeo aggiunge un ulteriore strato di complessità, ma anche di opportunità per garantire uno sviluppo etico e sostenibile dell’AI, purché supportato da politiche pubbliche mirate e da una solida cultura d’impresa che valorizzi l’intelligenza “sorvegliata” e l’innovazione collaborativa.