La partita italiana dell’intelligenza artificiale si gioca su un delicato equilibrio tra competenze di altissimo livello e limiti strutturali che richiedono una trasformazione profonda dei processi organizzativi. Sono riflessioni emerse dal confronto promosso il 10 marzo 2026 da DKTS e Women&Tech ETS, che ha visto la partecipazione di accademici e dirigenti d’azienda.
Il dibattito contemporaneo sullo sviluppo tecnologico nazionale ha individuato nell’intelligenza artificiale in Italia non solo un’opportunità di ammodernamento, ma una variabile strutturale della competitività economica e della sovranità industriale. Le grandi potenze mondiali hanno già avviato una corsa agli investimenti che si misura in decine e centinaia di miliardi di dollari, delineando un perimetro d’azione in cui il Paese deve necessariamente definire la propria posizione.
Indice degli argomenti
Intelligenza artificiale, l’Italia rincorre il resto del mondo…
L’Europa, e l’Italia al suo interno, si trova in una posizione di rincorsa rispetto ai colossi statunitensi e cinesi, specialmente per quanto riguarda la base della piramide tecnologica. Secondo Ernesto Damiani, Professore ordinario di informatica all’Università degli Studi di Milano e Presidente del CINI, il ritardo accumulato riguarda soprattutto l’hardware necessario ai grandi centri di calcolo. Egli osserva che “la tecnologia che mettiamo in questi centri è quasi tutta di provenienza statunitense; c’è l’alternativa cinese, ma l’Europa non ha molto nella parte bassa della tecnologia”.
…ma può emergere nella resilienza delle infrastrutture
Tuttavia, il percorso verso l’autonomia strategica non deve necessariamente passare per il recupero totale del terreno perduto in ogni ambito dello stack tecnologico. Esistono infatti nicchie di specializzazione, situate in strati più alti della filiera, dove il continente può ancora esercitare una leadership significativa. La priorità deve quindi spostarsi verso settori critici come la resilienza delle infrastrutture, un tema diventato centrale dopo le recenti instabilità geopolitiche.
Resilienza e il fenomeno del “caduto digitale”
L’affidabilità dei sistemi di intelligenza artificiale in Italia e nel mondo è stata messa alla prova da eventi traumatici recenti. Damiani riporta un caso emblematico avvenuto negli Emirati Arabi Uniti, dove l’interruzione dei servizi in una regione cloud a causa di attacchi ha portato alla nascita del concetto di “primo caduto digitale”. La ripartenza di un grande modello di IA dopo un’interruzione brusca non è un processo lineare come il riavvio di un computer tradizionale.
Sotto il profilo tecnico, Damiani spiega che “quando si fa ripartire un grande modello di intelligenza artificiale che deve eseguire inferenze a supporto di processi aziendali o organizzativi, ti ritrovi ad avere un cambiamento di personalità”. Questo fenomeno di forgetting (dimenticanza) fa sì che il modello, una volta riattivato su hardware differente o in un’altra regione, mostri capacità di servizio diverse dall’originale. “Non è come il cyborg Terminator che risorge uguale e preciso a se stesso, ma ti trovi di fronte un oggetto differente con capacità di servizio diverse”. Garantire la resilienza diventa quindi un imperativo economico man mano che l’IA si integra nel funzionamento dello Stato.
Oltre l’algoritmo: la qualità della conoscenza
Un punto cardine della strategia per l’intelligenza artificiale in Italia risiede nella distinzione tra potenza di calcolo e qualità della conoscenza. Stefano Alessandro Cerri, professore emerito presso l’Università di Montpellier e pioniere della disciplina in Europa, sottolinea che il problema fondamentale rimane lo stesso sin dai tempi della Calcolatrice Elettronica Pisana del 1954: l’obiettivo non è solo l’elaborazione dei dati, ma la relazione tra informazione e traguardo da raggiungere.
La fase attuale dell’informatica, caratterizzata dai modelli linguistici di grandi dimensioni (LLM), segna il passaggio a una visione agentica e collaborativa. In questa prospettiva, l’informatica non è più solo una questione di velocità logica o algoritmi individualisti, ma una disciplina sperimentale basata sulla comunicazione tra agenti umani e artificiali. Cerri afferma che “la qualità della conoscenza non è solo dati e informazione, ma è la relazione fra dati e informazione e l’obiettivo che permettono di raggiungere. Questa relazione è tipicamente collaborativa”. Per le imprese italiane, questo significa che la competenza sul dominio diventa il fattore determinante: un professionista esperto può utilizzare l’IA come moltiplicatore delle proprie capacità, a patto che sappia definire cosa significhi “essere intelligente” nel proprio specifico contesto applicativo.
La trasformazione organizzativa nelle grandi imprese: il caso Mediolanum
L’integrazione dell’intelligenza artificiale in Italia richiede un radicale ripensamento delle strutture aziendali. Silvia Migliavacca, Direttore Demand, Supply Chain e Coordinamento Progetti Strategici del Gruppo Mediolanum, evidenzia come l’IA debba essere considerata una tecnologia abilitante capace di generare efficacia operativa, superando la logica della pura sostituzione del lavoro umano. La sfida odierna non è più la scomparsa delle professioni, ma la loro integrazione profonda con gli strumenti digitali.
L’esperienza maturata nel settore finanziario suggerisce che l’efficacia dell’IA dipenda da una strategia chiara che preceda l’adozione dello strumento. Nel contesto della gestione di portafogli, ad esempio, piattaforme avanzate aiutano a costruire scenari di investimento, ma non possono sostituire la sensibilità umana di fronte a shock esogeni non prevedibili dai dati storici. Migliavacca osserva che il valore risiede in una “relazione aumentata”, dove la tecnologia supporta il professionista per offrire un servizio migliore, mantenendo la fiducia come base del rapporto. “L’applicazione si presta tantissimo: dall’analisi quantitativa tradizionale dei mercati all’uso dell’AI generativa in ambiti legali, di contrattualistica, di processi operativi e di gestione delle istanze dei clienti”.
Il capitale umano e l’eredità del PNRR
Un tema di urgenza nazionale riguarda il destino dei circa 3.000 giovani ricercatori che, solo nell’area di Milano, hanno partecipato ai progetti legati al Piano Nazionale di Ripresa e Resilienza (PNRR). Gianna Martinengo, coordinatrice del Comitato Scientifico di MUSA Scarl e Presidente di Women&Tech ETS, lancia un allarme sulla possibile dispersione di questo patrimonio intellettuale straordinario. Questi professionisti non sono solo studiosi accademici, ma figure che hanno vissuto esperienze trasformative applicando l’IA in contesti reali.
Esiste il rischio concreto che, al termine dei finanziamenti, queste energie vengano assorbite da altri paesi europei, come già accaduto in passato con prototipi italiani sviluppati e poi implementati in Francia, Germania o Inghilterra. Per evitare questo scenario, è necessaria una decisione politica che favorisca il passaggio di questi ricercatori e tecnologi verso il mondo produttivo, magari attraverso una diminuzione del costo del lavoro per le aziende che scelgono di stabilizzarli. L’obiettivo è trasformare gli 11 Ecosistemi della Ricerca attivi in Italia in ponti permanenti tra università e impresa, garantendo un reale trasferimento di know-how.
Democratizzazione dell’IA per le PMI e la Pubblica Amministrazione
L’intelligenza artificiale in Italia ha il potenziale per democratizzare l’accesso a competenze avanzate anche per le piccole e medie imprese. Esempi pratici dimostrano come l’IA possa aiutare i piccoli imprenditori a gestire pratiche complesse, come la giustificazione tecnica per ottenere agevolazioni fiscali sui rinnovamenti d’impianto. In questo senso, l’IA agisce come un motore di competenze che permette all’azienda di restare competitiva senza dover necessariamente internalizzare figure di consulenza proibitive.
Anche la Pubblica Amministrazione, sia centrale che locale, mostra segnali di apertura verso questa trasformazione. L’opportunità risiede nel migliorare la qualità dei provvedimenti amministrativi, a patto di rispettare le responsabilità pubbliche e di evitare l’acquisto di soluzioni “chiavi in mano” prive di controllo umano. Un esperimento rilevante riguarda il coinvolgimento di 5.000 medici di famiglia che riceveranno assistenza dall’IA per gestire i processi burocratici e organizzativi, migliorando i tempi di risposta ai pazienti senza però delegare la diagnosi clinica alla macchina.
Rispetto ai tempi della tecnologia, che evolvono con una velocità definita “quasi disumana”, l’ostacolo principale rimane culturale e formativo. È indispensabile superare il modello che ha visto spesso la scuola e la PA dare priorità all’hardware rispetto alle competenze. Damiani suggerisce una visione ottimista basata sulla natura dialogica dell’intelligenza artificiale moderna: “non devo imparare a programmare o ad avere competenze STEM; devo imparare a dialogare con strumenti tecnologici pronti a interagire”. In questa nuova armonia tra persona e macchina, la capacità italiana di astrazione e diffusione delle idee può diventare il vantaggio competitivo decisivo per il futuro del Paese.
FAQ: Intelligenza Artificiale
Che cos’è l’Intelligenza Artificiale?
L’Intelligenza Artificiale è la disciplina che studia come realizzare sistemi informatici in grado di simulare il pensiero umano. Secondo la Treccani, si tratta della disciplina che studia i fondamenti teorici, le metodologie e le tecniche che permettono di progettare sistemi hardware e software capaci di fornire prestazioni che sembrerebbero appartenere esclusivamente all’intelligenza umana. Rifacendosi alle teorie di Alan Turing, l’AI può essere definita come “la scienza di far fare ai computer cose che richiedono intelligenza quando vengono fatte dagli esseri umani”. Oggi l’intelligenza artificiale è diventata parte della vita quotidiana, consentendo alle macchine di eseguire vari compiti che un tempo erano prerogativa degli umani.
Quali sono le origini dell’Intelligenza Artificiale?
Le origini dell’Intelligenza Artificiale risalgono al XVII secolo quando filosofi come Leibniz, Thomas Hobbes e René Descartes esplorarono la possibilità che il pensiero razionale potesse essere sistematizzato come l’algebra o la geometria. Tuttavia, il “padre” del concetto nell’età moderna è considerato Alan Turing, che nel 1950 pubblicò “Computing Machinery and Intelligence” introducendo il “test di Turing”. Il termine “Artificial Intelligence” venne coniato ufficialmente il 31 agosto 1955 come titolo di un workshop organizzato da John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. Questo seminario, tenutosi nel 1956, è considerato la data di nascita ufficiale di questo campo di studio e sperimentazione.
Quali sono le principali tecnologie di Intelligenza Artificiale?
L’Intelligenza Artificiale comprende diverse tecnologie chiave: il Natural Language Processing (NLP) che permette alle macchine di comprendere e generare linguaggio umano; il Speech Recognition per la trascrizione e trasformazione del parlato; i Virtual Agents come chatbot e assistenti virtuali; le piattaforme di Machine Learning che permettono ai computer di apprendere dai dati; l’AI-optimized Hardware specificamente progettato per calcoli AI; i sistemi di Decision Management che inseriscono regole logiche nei sistemi AI; le Deep Learning Platform basate su reti neurali artificiali; la Biometrica per interazioni naturali uomo-macchina; la Robotic Process Automation per automatizzare azioni umane; e il Text Analytics per comprendere strutture e significati dei testi.
Che differenza c’è tra Intelligenza Artificiale Generale (AGI) e Intelligenza Artificiale specializzata?
L’Intelligenza Artificiale Generale (AGI) e l’intelligenza artificiale specializzata (o “debole”) sono concetti distinti. Mentre l’AGI è un sistema dotato di capacità cognitive universali, che consentono di apprendere, comprendere e operare in una vasta gamma di domini e contesti, l’intelligenza artificiale specializzata è progettata per eseguire compiti specifici e ben definiti, come il riconoscimento di immagini, la traduzione linguistica o il gioco degli scacchi. L’IA specializzata eccelle nell’ottimizzazione di compiti particolari, ma non può andare oltre i limiti del suo ambito predefinito ed è già ampiamente utilizzata, guidando l’innovazione in molteplici industrie e applicazioni pratiche.
Quali sono le applicazioni dell’Intelligenza Artificiale nei diversi settori?
L’Intelligenza Artificiale trova applicazione in numerosi settori. Nell’industria, l’AI ottimizza la produzione, riduce gli sprechi e migliora la progettazione dei prodotti. Nel settore sanitario, gli algoritmi di deep learning analizzano immagini diagnostiche, predicono l’evoluzione delle patologie e suggeriscono trattamenti personalizzati. In agricoltura, AI, droni e sensori intelligenti monitorano la salute delle colture e ottimizzano irrigazione e fertilizzazione. Nel settore finanziario, l’AI analizza grandi volumi di dati per identificare frodi e valutare rischi. Nell’istruzione, permette percorsi didattici personalizzati. Nelle smart city, l’AI gestisce traffico, trasporti pubblici e rifiuti per città più sostenibili. Nella logistica, ottimizza ogni fase della catena di approvvigionamento, dalla previsione della domanda alla consegna.
Come funziona l’Intelligenza Artificiale prescrittiva?
L’Intelligenza Artificiale prescrittiva è una branca avanzata dell’AI che non si limita a prevedere eventi futuri (come fa quella predittiva), ma fornisce raccomandazioni operative su cosa fare per ottenere il miglior risultato possibile. Utilizza algoritmi di ottimizzazione, simulazione e modelli matematici per analizzare una vasta gamma di variabili, vincoli e obiettivi, generando scenari decisionali ottimali. È in grado di valutare milioni di possibili soluzioni e selezionare quella più efficiente, tenendo conto delle condizioni reali del contesto aziendale. È particolarmente utile in ambiti complessi come la supply chain, la logistica, la produzione e la pianificazione strategica, dove le decisioni devono essere rapide, data-driven e ad alto impatto.
Quali sono le sfide etiche legate all’Intelligenza Artificiale?
L’adozione dell’intelligenza artificiale nei processi di innovazione apre scenari straordinari, ma anche nuove complessità da governare. Le principali criticità etiche includono la gestione dei bias nei modelli generativi, i rischi di allucinazione nei sistemi di GenAI e la mancanza di framework di governance adeguati a monitorare la qualità e l’affidabilità dei risultati prodotti. Si aggiungono problemi legati alla protezione dei dati sensibili, alla proprietà intellettuale delle soluzioni co-create con l’AI e alla readiness culturale delle organizzazioni. La sfida non è più se adottare l’AI, ma come farlo in modo etico, controllato e sostenibile, bilanciando la potenza predittiva degli algoritmi con la necessaria supervisione umana.
Cos’è l’Explainable AI (XAI) e perché è importante?
L’Explainable AI (XAI), o intelligenza artificiale spiegabile, è un ramo dell’AI che sviluppa metodi e tecniche per fornire spiegazioni chiare e interpretabili rispetto alle decisioni prese dai modelli di machine learning e deep learning. Grazie a queste spiegazioni, gli utenti possono comprendere il “perché” e il “come” si è arrivati ai risultati proposti dagli algoritmi. L’XAI è fondamentale per aumentare la fiducia nelle soluzioni AI, garantire la conformità alle normative (come l’AI Act europeo), ottimizzare i processi decisionali identificando errori o bias, e migliorare la relazione con clienti e utenti. In settori come la sanità, dove le decisioni hanno impatto diretto sulla vita dei pazienti, l’XAI è cruciale per permettere ai medici di comprendere e validare le predizioni dei modelli AI.
Quali sono le startup italiane che utilizzano l’Intelligenza Artificiale?
In Italia esistono diverse startup innovative che utilizzano l’Intelligenza Artificiale per offrire servizi in vari settori. Tra queste troviamo Eyra (Horus), che ha sviluppato un dispositivo indossabile che osserva la realtà e la descrive alle persone non vedenti; The Energy Audit (TEA), che si occupa di efficienza e diagnosi energetica; Unfraud, specializzata nell’individuazione di frodi nelle transazioni; Expert System, che sviluppa tecnologie semantiche per la gestione dei big data; Stamplay, una piattaforma che aiuta gli sviluppatori a integrare servizi esistenti; e Indigo, che utilizza chatbot e machine learning per automatizzare la comunicazione con gli utenti in chat, fornendo assistenti virtuali personalizzati.
Perché molti progetti di Intelligenza Artificiale falliscono nelle aziende?
Secondo una ricerca del Massachusetts Institute of Technology, il 95% dei progetti di intelligenza artificiale generativa nelle aziende non produce risultati misurabili. Le cause principali di questo fallimento includono: scarsa integrazione con i sistemi esistenti, strategie AI deboli o assenti, budget mal allocati che privilegiano la tecnologia rispetto all’integrazione, competenze insufficienti per gestire progetti complessi, e aspettative irrealistiche sui tempi di implementazione. Al contrario, le startup mostrano risultati migliori grazie a un approccio AI-first: niente legacy tecnologiche da gestire, agilità organizzativa e focus su problemi specifici. Il messaggio è chiaro: senza integrazione, governance e strategia, i progetti AI falliscono nella grande maggioranza dei casi.
Come sta evolvendo l’automazione grazie all’Intelligenza Artificiale?
L’automazione sta evolvendo significativamente grazie all’Intelligenza Artificiale, che la rende più intelligente, flessibile e capace di rispondere in tempo reale alle complessità del mondo reale. L’RPA (Robotic Process Automation) si sta trasformando grazie all’IA, rendendo i software robotici capaci di prendere decisioni basate su dati contestuali, elaborare linguaggio naturale e apprendere dai feedback. I veicoli autonomi rappresentano una frontiera visibile dell’AI in azione, interpretando l’ambiente circostante e prendendo decisioni in millisecondi. Nell’industria 4.0, l’IA analizza dati in tempo reale per ottimizzare produzione e manutenzione, mentre chatbot e assistenti virtuali ridefiniscono la relazione tra brand e clienti. Secondo PwC, entro il 2030 l’AI potrebbe contribuire fino a 15.700 miliardi di dollari all’economia globale.
