L'illusione della produttività individuale: perché l'uso isolato non trasforma la PMI
Immaginiamo una PMI manifatturiera di circa sessanta dipendenti, con un ufficio commerciale e tecnico che gestisce commesse personalizzate. Ogni settimana arrivano decine di richieste di preventivo per forniture su misura. Negli ultimi mesi, alcuni impiegati hanno iniziato a usare ChatGPT o Copilot sul proprio computer: sintetizzano i capitolati in pochi secondi, traducono le email per i clienti esteri più rapidamente e impostano la corrispondenza commerciale con frasi ben scritte.
All'apparenza, la produttività sembra aumentata. Tuttavia, quando l'imprenditore misura il tempo complessivo di attraversamento della commessa - dal momento in cui entra la richiesta a quando l'offerta economica esce verso il cliente - i giorni necessari sono ancora tre.
La ragione di questo stallo è spesso legata alla struttura del flusso di lavoro: il collo di bottiglia principale non era redigere l'email di accompagnamento. Il tempo viene assorbito dall'estrazione manuale dei codici articolo dal file del cliente, dal controllo delle scorte e dei costi dei materiali sul gestionale ERP, dalla verifica della marginalità storica per quel segmento e dal confronto interno tra commerciale e produzione per confermare i tempi di consegna. L'assistente AI velocizza il compito del singolo collaboratore, ma lascia intatto il disordine del processo end-to-end.
Questo scenario illustrativo offre una chiave di lettura organizzativa, ma la portata del divario tra grandi imprese e PMI emerge in modo distinto dai dati quantitativi raccolti sul campo. Secondo l'Osservatorio Artificial Intelligence del Politecnico di Milano, nel 2025 il 71% delle grandi imprese italiane ha avviato almeno un progetto di intelligenza artificiale, contro appena l'8% delle PMI. Parallelamente, la ricerca dell'Osservatorio Innovazione Digitale nelle PMI (2025-2026) evidenzia che il 76% delle PMI non ha investimenti in AI previsti né effettuati, e solo il 7% ha attivato percorsi di formazione strutturata sull'AI.
Il divario non può essere spiegato soltanto attraverso la disponibilità di budget. Anche la maturità organizzativa, la qualità dei dati, la disponibilità di competenze e la capacità di individuare applicazioni economicamente sostenibili possono influenzare le scelte di investimento. Se un'attività non ha regole chiare, l'adozione di un software generativo individuale rischia di non produrre valore economico misurabile, frammentando le abitudini operative in iniziative personali non coordinate (Shadow AI) e lasciando inalterati i tempi e i costi complessivi di gestione, come si riscontra quando si trascura di valutare preventivi e fornitori tecnologici sull'intero ciclo di vita aziendale.
Cosa possono fare gli agenti AI e quali sono i loro limiti reali
Per superare i limiti dell'interazione frammentata, l'attenzione del settore si è spostata verso i cosiddetti workflow agentici o agenti AI.
La differenza fondamentale rispetto a un assistente non risiede semplicemente nella presenza di un'interfaccia di chat: anche un assistente conversazionale avanzato può interrogare documenti, invocare strumenti o supportare attività articolate. La vera distinzione riguarda il grado di autonomia decisionale, la capacità di eseguire azioni direttamente nei software aziendali e l'integrazione continuativa nei processi operativi.
Nel tipico utilizzo operativo, l'assistente tende a essere impiegato in modalità sincrona (l'operatore formula una richiesta, attende la risposta e si occupa manualmente di trasferire le informazioni da un applicativo all'altro, anche laddove il tool consenta alcune automazioni), mentre un agente AI riceve un obiettivo operativo definito, scompone l'attività in passaggi intermedi, consulta archivi o gestionali tramite interfacce applicative (API) ed esegue compiti strutturati restituendo il risultato pronto per la convalida umana.
Nei contributi tecnici pubblicati su DeepLearning.AI, Andrew Ng ha sintetizzato quattro schemi operativi dell'Agentic AI:
- Reflection: il sistema riesamina l'output prodotto a fronte di criteri specifici prima di consegnarlo;
- Tool use: l'agente interroga banche dati, calcolatori o gestionali per estrarre informazioni esatte;
- Planning: il sistema pianifica la sequenza di passi logici necessari per completare l'attività;
- Multi-agent collaboration: la suddivisione del lavoro tra ruoli distinti (es. un componente prepara i dati, un secondo redige il testo, un terzo controlla i requisiti).
Nell'applicazione pratica, tuttavia, emerge una distinzione operativa essenziale: mentre pattern mirati come reflection e tool use consentono implementazioni incrementali e verificabili, il planning autonomo e la collaborazione tra più agenti introducono gradi di complessità e variabilità maggiori. Introdurre più agenti software che dialogano tra loro non garantisce affatto l'assenza di errori e può moltiplicare i comportamenti inattesi.
Un contributo utile per comprendere questa tecnologia arriva dalle analisi sui Compound AI Systems pubblicate dal Berkeley AI Research (BAIR), tra i cui autori figura Matei Zaharia (2024). Le analisi mostrano come, in numerose applicazioni, sia possibile migliorare le prestazioni combinando modelli linguistici, sistemi di ricerca, strumenti software e componenti di verifica, senza affidarsi esclusivamente a modelli sempre più grandi.
Per la PMI, il messaggio è limpido: il valore non sta nell'inseguire l'algoritmo più recente, ma nel collegare strumenti affidabili a dati aziendali ordinati.
Lo spettro delle soluzioni: scegliere la minima complessità necessaria
Uno dei maggiori equivoci attuali è ritenere che la scelta sia binaria: o si resta fermi alla chat individuale, o si deve realizzare un'infrastruttura complessa con decine di agenti autonomi interconnessi.
In realtà, esiste uno spettro articolato di soluzioni tecnologiche. Nelle linee guida operative di Anthropic (Building Effective Agents, 2024), il principio di progettazione raccomandato alle organizzazioni è privilegiare la minima complessità necessaria. Aggiungere componenti agentici dotati di autonomia aperta introduce imprevedibilità, latenza e costi computazionali che raramente sono giustificati in processi operativi ordinari.
L'imprenditore deve valutare le alternative partendo dal problema da risolvere:
| Esigenza operativa dell'impresa | Soluzione da valutare per prima | Livello di complessità |
|---|---|---|
| Riassumere documenti interni o redigere prime bozze di testi | Assistente AI standard (a prompt) | Minima |
| Estrarre dati da documenti ricorrenti con formato stabile (es. DDT, fatture) | Automazione deterministica classica (script, RPA) | Bassa |
| Elaborare documenti variabili e consultare record nel gestionale aziendale | Workflow integrato o singolo agente con strumenti presidiati | Media |
| Gestire richieste clienti articolate con passaggi operativi non standard | Agente AI con perimetro definito e autonomia circoscritta | Medio-alta |
| Coordinare processi complessi e interfunzionali tra più sistemi esterni | Sistema multi-agente orchestrato (solo se giustificato dal ROI) | Massima |
Nota di posizionamento consulenziale: la matrice sopra riportata rappresenta un modello decisionale strategico per l'allocazione delle risorse, non una norma tecnica standardizzata.
Se un processo può essere automatizzato con controlli deterministici e regole fisse di programmazione, l'utilizzo di un agente probabilistico autonomo può introdurre complessità e costi ingiustificati. L'obiettivo della PMI non deve essere l'adozione di agenti intelligenti a ogni costo, ma la soluzione di colli di bottiglia aziendali con la tecnologia più semplice, economica e affidabile disponibile.
Il rischio dell'anticipo incauto: perché oltre il 40% dei progetti agentici potrebbe fermarsi
Nel mercato enterprise si moltiplicano gli annunci sull'impatto trasformativo dell'intelligenza artificiale autonoma. Gartner prevede che entro il 2028 il 33% delle applicazioni software aziendali integrerà funzionalità di Agentic AI, e che entro lo stesso anno almeno il 15% delle decisioni operative giornaliere verrà assunto ed eseguito autonomamente da sistemi intelligenti (rispetto a un punto di partenza stimato prossimo allo zero nel 2024).
Tuttavia, se si osserva la composizione del mercato italiano, il quadro invita a un realismo pragmatico. Secondo i dati dell'Osservatorio Artificial Intelligence del Politecnico di Milano, nel 2025 i sistemi di Process Orchestration e Agentic AI rappresentavano insieme il 4% del valore complessivo del mercato italiano dell'intelligenza artificiale (stimato in 1,8 miliardi di euro). Si tratta di una quota contenuta sul totale degli investimenti in soluzioni AI, che conferma come la spesa aziendale rimanga al momento concentrata su altre tipologie applicative. Per l'imprenditore e la direzione aziendale, questo dato offre un utile termine di paragone per guardare all'evoluzione tecnologica con lucidità ed equilibrio, evitando di confondere le proiezioni di mercato a lungo termine con il peso economico effettivo attualmente ricoperto da queste soluzioni.
Accanto a queste evidenze sulla quota di mercato, gli analisti internazionali richiamano inoltre l'attenzione su una criticità immediata. Secondo una previsione pubblicata da Gartner nel giugno 2025, oltre il 40% dei progetti di Agentic AI potrebbe essere cancellato entro la fine del 2027. Tra le ragioni indicate figurano fattori economici e manageriali: costi computazionali crescenti e imprevisti, ritorno sull'investimento (ROI) opaco e controlli inadeguati sui rischi aziendali.
Questo dato introduce una riflessione fondamentale per la PMI:
Il vero pericolo per un'azienda non è solo arrivare tardi all'innovazione; è anche partire troppo presto con architetture tecnologiche sovradimensionate, senza aver definito i processi e la sostenibilità economica dell'iniziativa.
L'economista Daron Acemoglu, nel paper The Simple Macroeconomics of AI (2024), invita a considerare con prudenza le stime sull'impatto economico dell'intelligenza artificiale. I benefici aggregati dipendono dalla quota di attività effettivamente interessate e dai miglioramenti di produttività ottenibili, che diventano più difficili da stimare nei compiti complessi e fortemente dipendenti dal contesto. Per un'impresa, questo rafforza l'importanza di verificare i risultati di ciascun progetto, anziché presumere che l'adozione della tecnologia produca automaticamente un ritorno economico.
Quando si valuta un investimento in intelligenza artificiale, credo che la prima domanda non debba essere quale tecnologia adottare, ma quale problema aziendale si voglia risolvere. Può sembrare una distinzione banale, ma cambia completamente il modo di affrontare il progetto. Nel primo caso si parte da uno strumento e si cercano attività a cui applicarlo. Nel secondo si parte da un risultato atteso e si valutano le alternative disponibili, compresa la possibilità che l'intelligenza artificiale non sia la soluzione più adatta. È su questa seconda impostazione che ritengo debba basarsi una strategia di innovazione sostenibile per le PMI.
Le competenze chiave per la direzione: dal saper fare al saper coordinare
Nel momento in cui si introducono flussi di lavoro supportati da agenti, la natura delle competenze richieste al management e ai collaboratori si trasforma profondamente.
Il cosiddetto prompt engineering - inteso come la ricerca di formule sintattiche persuasive per interrogare una chat - ha perso centralità. I modelli comprendono istruzioni in linguaggio comune. La vera competenza manageriale risiede nel pensiero sistemico: saper prendere un processo commerciale o produttivo, individuarne le fasi, isolare i colli di bottiglia e tradurre le regole di lavoro in istruzioni chiare e non ambigue per i sistemi digitali.
In questo scenario, l'esperienza professionale senior non viene svalutata, ma diventa l'asset aziendale più importante. I modelli linguistici sono capaci di generare testi formalmente ineccepibili e calcoli ordinati anche quando si basano su premesse errate. Un operatore junior rischia di non notare l'errore di contesto. La figura senior, che conosce il mercato, i margini reali e le dinamiche produttive, è in grado di cogliere con prontezza l'incongruenza: un tempo di lavorazione sottostimato, un costo orario incongruo o una clausola contrattuale rischiosa.
L'orchestrazione dei processi digitali trasforma anche la gestione degli errori. Quando un collaboratore commette una svista, la correzione rimane spesso individuale. In un flusso automatizzato basato su regole aziendali esplicite, l'individuazione di un'anomalia consente di aggiornare i criteri operativi centrali. La modifica non elimina magicamente ogni rischio futuro, ma riduce sistematicamente la probabilità che il medesimo disallineamento si ripeta.
Responsabilità, conformità e governo a soglie di tolleranza
L'autonomia di un sistema software non elimina le responsabilità delle persone e delle organizzazioni coinvolte. L'impiego di sistemi AI non fa venir meno le responsabilità degli amministratori dell'impresa. A seconda delle circostanze, possono inoltre sussistere responsabilità specifiche dei fornitori tecnologici e degli altri soggetti coinvolti.
Gli articoli 14 e 26 dell'AI Act disciplinano specifici requisiti e obblighi di sorveglianza umana per i sistemi classificati ad alto rischio. Per le altre applicazioni non esiste un obbligo generale di approvazione manuale di ogni transazione, ferma restando l'applicazione delle altre disposizioni normative pertinenti (incluso il GDPR) e delle responsabilità dei soggetti coinvolti.
Tuttavia, distinguere tra obblighi di legge, responsabilità legali degli amministratori e scelte organizzative interne è fondamentale. Anche laddove la legge non lo imponga, è l'azienda stessa a dover istituire una governance a soglie di tolleranza:
Adottare una matrice di governo consente all'azienda di velocizzare il lavoro informativo ordinario, mantenendo il presidio e la firma umana su qualsiasi decisione che incida su cassa, contratti e credibilità aziendale.
Da dove iniziare nella PMI: checklist di autovalutazione e percorso graduale
Prima di contattare sviluppatori o investire in piattaforme software, la direzione deve verificare se l'impresa possiede i requisiti organizzativi per trarre beneficio da sistemi agentici.
Checklist di autovalutazione in 5 punti per l'imprenditore
(Strumento editoriale illustrativo, da non intendersi come assessment certificato o perizia tecnica di conformità)
- 1. Processo misurabile: abbiamo individuato almeno un flusso di lavoro aziendale di cui conosciamo tempi medi, costi orari e frequenza degli errori?
- 2. Dati e fonti certe: sappiamo quali documenti e archivi servono per svolgere l'attività e chi è la figura interna responsabile della loro qualità e aggiornamento?
- 3. Regole operative formalizzate: le regole operative del processo sono documentate, accessibili e aggiornate?
- 4. Soglie decisionali: abbiamo stabilito chiaramente quali passaggi possono procedere automaticamente e quali richiedono la firma o la revisione umana preventiva?
- 5. Criteri economici del pilota: abbiamo definito un responsabile interno del progetto e indicatori numerici certi per giudicare i risultati entro 90 giorni?
Raggiungere almeno tre risposte positive su cinque rappresenta un criterio puramente orientativo per capire se l'azienda possiede le condizioni di base per sperimentare. Non si tratta di un test validato o di una soglia scientifica, ma di una guida pratica: se i punti fermi sono meno di tre, introdurre agenti software rischia soltanto di automatizzare e amplificare la confusione esistente.
Il percorso di adozione in quattro passi
Per le aziende che intendono procedere con metodo, il percorso operativo sostenibile si articola in quattro tappe:
- Mappare il processo: selezionare un'area circoscritta ad alta ripetitività (es. pre-qualificazione delle richieste di offerta o verifica bolle/ordini) e trascrivere le regole del flusso;
- Separare esecuzione e giudizio: delegare ai sistemi informatici la raccolta dei dati e la preparazione delle bozze, riservando agli esperti la verifica e l'approvazione finale;
- Avviare un pilota a perimetro stretto: implementare la soluzione più semplice possibile (spesso un workflow con chiamate a strumenti o automazioni deterministiche, prima di passare ad agenti autonomi);
- Misurare i risultati operativi ed economici: verificare con precisione le prestazioni del pilota. Ridurre le ore necessarie per svolgere un'attività non significa automaticamente ridurre i costi aziendali: il beneficio economico effettivo dipende da come il tempo liberato viene impiegato e valorizzato dall'organizzazione.
Per monitorare un progetto pilota a 90 giorni con rigore manageriale, è opportuno verificare congiuntamente sei dimensioni:
| Dimensione | Indicatore operativo ed economico |
|---|---|
| Efficienza | Tempo medio di completamento del processo (lead time) |
| Qualità | Percentuale di errori e tasso di rilavorazione delle pratiche |
| Produttività | Numero di pratiche o preventivi completati per addetto |
| Economia | Costo totale per pratica o transazione elaborata |
| Rischio | Numero di anomalie non rilevate e interventi correttivi necessari |
| Investimento | Costi totali di sviluppo, integrazione, consumo computazionale e manutenzione |
Conclusione: l'intelligenza artificiale non sostituisce la visione d'impresa
La tecnologia non è una strategia. Gli agenti AI rappresentano un'opportunità concreta per snellire attività operative complesse, ma non possono compensare l'assenza di organizzazione, di dati affidabili o di visione commerciale.
Nelle PMI, il successo dell'intelligenza artificiale non dipenderà dall'ampiezza degli investimenti in strumenti di frontiera, ma dalla lucidità con cui gli imprenditori sapranno governare il cambiamento organizzativo. Automatizzare un processo inefficiente, senza comprenderne prima le criticità, rischia di amplificarne i problemi. Ripensare il lavoro prima di scegliere la tecnologia aumenta invece le possibilità di ottenere risultati misurabili e duraturi.
Valutare l'AI nella tua impresa con rigore strategico
Prima di acquistare licenze software o finanziare progetti agentici complessi, verifica se la tua impresa ha le basi di processo e di dati necessarie per ottenere un ritorno sull'investimento misurabile. Affianco imprenditori e direzioni generali nell'analisi dei processi e nella definizione di roadmap AI pragmatiche, indipendenti da singoli vendor tecnologici. Se desideri analizzare la maturità operativa della tua organizzazione, possiamo iniziare con un confronto preliminare sui tuoi processi e sui tuoi obiettivi strategici.
Domande frequenti (FAQ)
Qual è la differenza reale tra un'automazione tradizionale e un agente AI?
L'automazione tradizionale (come script dedicati o RPA) segue regole e percorsi logici predefiniti, pur potendo gestire eccezioni previste tramite controlli di validazione e strumenti di riconoscimento documentale. La differenza essenziale è che un agente AI utilizza un modello linguistico per interpretare contesti non strutturati o variabili e scegliere dinamicamente le azioni successive da compiere, operando comunque all'interno di vincoli e perimetri prestabiliti dall'azienda.
Da quale processo aziendale conviene partire in una PMI?
Il punto di partenza ideale è un processo circoscritto ad alta intensità informativa ma a rischio economico contenuto, in cui i dati storici siano già ordinati: ad esempio la pre-qualificazione delle richieste di offerta in ingresso, l'estrazione dati da documenti tecnici ricorrenti o il primo livello di verifica delle fatture fornitore. Conviene evitare di partire da processi che coinvolgono direttamente la relazione con clienti chiave o impegni contrattuali complessi.
Perché l'uso individuale di ChatGPT spesso non produce miglioramenti di bilancio?
Perché velocizza compiti individuali isolati (come scrivere un testo o sintetizzare un documento) senza toccare i veri colli di bottiglia organizzativi dell'azienda, che solitamente risiedono nel passaggio di dati tra uffici diversi, nei tempi di attesa e nell'assenza di procedure formalizzate. Senza integrazione con i sistemi aziendali e senza una gestione coordinata delle informazioni, i miglioramenti individuali rischiano di non tradursi in una riduzione significativa dei tempi complessivi del processo.
Quali competenze servono all'interno dell'azienda per gestire un progetto pilota?
Nelle prime fasi pilota non è necessariamente indispensabile assumere programmatori specializzati o ingegneri di machine learning interni, a patto di avvalersi di partner tecnici competenti per l'integrazione. La risorsa più rara e preziosa risiede già all'interno dell'impresa: figure senior che conoscano a fondo il processo operativo, sappiano documentare le regole di lavoro, sappiano individuare le anomalie nei dati e abbiano la lucidità decisionale per verificare e convalidare l'operato dei sistemi automatici.