Ambito di applicazione: settore manifatturiero artigianale e industriale italiano, con un orizzonte temporale a breve termine compreso tra il 2026 e il 2029 e un orizzonte strutturale che si estende fino al 2035.

Sintesi esecutiva / BLUF

• L’industria manifatturiera italiana può difendere la propria posizione competitiva, ma non può difendere ogni singola mansione, professione o modello produttivo esistente.
• L’obiettivo strategico non è resistere all’automazione, bensì controllare quali attività vengono automatizzate, quali conoscenze vengono digitalizzate e quali capacità umane rimangono parte del valore di mercato del prodotto.
• La maggiore vulnerabilità dell’Italia risiede nel crescente divario di adozione tra grandi imprese e PMI: nel 2025 l’utilizzo dell’IA ha raggiunto il 53,1% tra le grandi imprese , ma solo il 15,7% tra le PMI .
• L’impatto immediato ricadrà principalmente sulle attività amministrative, analitiche, di pianificazione, di documentazione e di controllo qualità standardizzato, non sulla completa sostituzione dei lavoratori specializzati della produzione.
• Nei settori del lusso, delle calzature, dell’arredamento, della meccanica di precisione e in altri settori che utilizzano materiali variabili, il giudizio degli esperti rimane economicamente difendibile quando incide sulla qualità, sulla resa, sulla personalizzazione o sull’autenticità del marchio.
• Tuttavia, la maestria artigianale che non può essere misurata, trasmessa o integrata nella produzione digitale diventerà un collo di bottiglia anziché un vantaggio competitivo.
• Le grandi aziende manifatturiere devono combinare robotica, visione artificiale, sistemi predittivi e riorganizzazione della forza lavoro; le imprese artigianali necessitano di infrastrutture tecnologiche condivise e di un’integrazione a costi accessibili.
• L’esito più probabile è un sistema produttivo a due velocità: gli esportatori digitalmente integrati e gli artigiani di alta gamma avanzano, mentre i produttori intermedi sottocapitalizzati perdono margini e potere contrattuale.
• L’elemento decisivo non sarà l’intensità di lavoro, bensì la capacità di combinare la ripetibilità delle macchine con il controllo umano delle variazioni.
• L’Italia potrà rimanere una potenza manifatturiera solo se saprà trasformare l’artigianato tradizionale in una maggiore capacità industriale, senza però convertire l’unicità in una produzione standardizzata di beni di consumo.

---

Il vantaggio competitivo dell’Italia nel settore manifatturiero: il valore umano che l’intelligenza artificiale non può mercificare.

L’Italia può difendere la propria base manifatturiera dall’avanzata dell’intelligenza artificiale, ma non difendendo ogni singola mansione esistente. La strategia praticabile consiste nell’automatizzare le attività ripetitive, proteggendo e amplificando digitalmente il giudizio che genera qualità, flessibilità e potere di determinazione dei prezzi. Questa distinzione è importante perché l’esposizione dell’Italia è insolitamente asimmetrica: le grandi aziende possono finanziare infrastrutture dati, integrazione e team specializzati, mentre le piccole imprese manifatturiere e le officine si fanno carico dei costi fissi della trasformazione su ricavi molto più ristretti. Il risultato potrebbe essere un Made in Italy più forte e tecnologicamente avanzato, oppure un sistema industriale diviso tra leader integrati e fornitori dipendenti. La questione decisiva, quindi, non è se le macchine entreranno nelle fabbriche. Sono già entrate. La questione è se le aziende italiane controlleranno le macchine, i dati e l’allocazione delle competenze umane, o se cederanno tutto a clienti più grandi e piattaforme esterne.

La divisione dietro il titolo

L’accelerazione è reale. Il 15 dicembre 2025, Istat ha riportato che la quota di imprese italiane con almeno dieci dipendenti che utilizzano l’intelligenza artificiale è aumentata dal 5,0% nel 2023 all’8,2 % nel 2024 e al 16,4% nel 2025. Ma l’aggregato nasconde la principale linea di faglia industriale: l’adozione ha raggiunto il 53,1% tra le grandi imprese , contro il 15,7% tra le PMI . Il divario dimensionale si è ampliato da circa 20 punti percentuali nel 2023 a 37 punti nel 2025. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025

I grandi gruppi possono ripartire i costi di sensori, sicurezza informatica e specialisti tra i vari stabilimenti. Le PMI, invece, assorbono costi fissi simili su un volume di ricavi più limitato e spesso devono prima sistemare dati frammentati. Il vantaggio si moltiplica: chi adotta queste tecnologie genera dati di migliore qualità e attrae ulteriori capitali.

L’adozione non è trasformazione

L’espressione “adottatore di IA” dice poco sulla maturità industriale. Tra gli utenti italiani nel 2025, il 70,8% estraeva informazioni da testi e il 59,1% utilizzava tecnologie generative. Solo il 20,0% utilizzava il machine learning per l’analisi dei dati, circa il 18% il riconoscimento di immagini o l’automazione dei flussi di lavoro e il 5,9% applicava l’IA al movimento autonomo delle macchine. Gli uffici cambiano prima ancora dei laboratori.

Istat ha inoltre rilevato che il 33,4% delle aziende che utilizzano l’IA non ha identificato uno scopo aziendale specifico tra quelle intervistate; l’83,3% di questo gruppo aveva da 10 a 49 dipendenti. Acquistare l’accesso a un modello non significa trasformazione. La trasformazione inizia quando dati verificati informano una decisione responsabile e migliorano gli scarti, i tempi di inattività, il consumo energetico, i tempi di consegna, la resa o la qualità. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025

Dove la macchina vince

Le macchine offrono un chiaro vantaggio economico quando gli input sono stabili, le tolleranze esplicite, i movimenti ripetibili, le eccezioni rare e i volumi di produzione sufficienti a recuperare i costi di integrazione. Ciò include l’elaborazione dei documenti, l’analisi della domanda, la pianificazione della produzione, il controllo dimensionale standard, la movimentazione ripetitiva e la previsione di interventi di manutenzione selezionati. Nell’UE, nel 2025, il 55,03% delle grandi imprese utilizzava l’IA, rispetto al 30,36% delle medie imprese e al 17,0% delle piccole imprese . Tra gli utilizzatori di IA, il 33,46% delle grandi aziende la impiegava nei processi produttivi, contro il 19,02% delle piccole imprese . Utilizzo dell’intelligenza artificiale nelle imprese — Eurostat — 2025

La fattibilità tecnica non equivale alla superiorità industriale. L’analisi economica deve includere l’integrazione, la validazione, i tempi di inattività, i falsi rifiuti, le rilavorazioni e la perdita di flessibilità, non solo la manodopera.

Dove il buon senso ripaga ancora

Una scarpa di alta gamma rende visibile il confine. I sistemi digitali possono ottimizzare i modelli, eseguire i tagli, programmare gli ordini, tracciare i componenti e segnalare anomalie superficiali. Ma la pelle naturale varia in spessore, elasticità, grana e risposta alla tensione. Un operatore esperto non si limita a ripetere un movimento: interpreta diversi segnali deboli, anticipa le conseguenze a valle e modifica il processo prima che si perda valore.

La competenza rimane monetizzabile quando garantisce un premio di qualità, aumenta la resa dei materiali, accelera la personalizzazione, evita costosi guasti o trasmette conoscenze rare. Il solo “tocco umano” non è una strategia: un’attività manuale che non produce alcun valore distintivo è vulnerabile. Un breve intervento che consente di risparmiare materiale costoso può tuttavia risultare economicamente vantaggioso.

L’architettura ottimale prevede la selezione automatica con valutazione da parte di esperti: i robot eseguono movimenti stabili; gli operatori controllano le anomalie e trasformano le correzioni in conoscenza produttiva. Il quadro Industria 5.0 della Commissione europea collega la competitività a un modello resiliente e incentrato sull’uomo. Industria 5.0 — Commissione europea — consultato a settembre 2026

Il collo di bottiglia delle competenze

Tra le imprese italiane che hanno preso in considerazione l’IA ma non l’hanno adottata, il 58,6% ha citato competenze inadeguate, il 47,3% incertezza sulle conseguenze legali, il 45,2% dati insufficienti o di scarsa qualità, il 43,2% preoccupazioni relative alla privacy e il 43,0% costi eccessivi. Solo il 14,8% ha giudicato la tecnologia inutile. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025 L’ostacolo principale è quindi la capacità di assorbimento, non l’ostilità all’innovazione.

L’Italia ha bisogno di operatori capaci di mettere in discussione le raccomandazioni delle macchine, di ingegneri che comprendano la variabilità dei materiali e di manager che calcolino l’economia complessiva del processo. L’articolo 4 del Regolamento UE sull’intelligenza artificiale richiede un’adeguata alfabetizzazione digitale del personale, commisurata all’esperienza e al contesto. Regolamento (UE) 2024/1689 — Parlamento europeo e Consiglio — giugno 2024. Nel settore manifatturiero, ciò significa sapere quando fidarsi, quando fermarsi e quando segnalare un problema.

I maestri artigiani devono definire difetti, variazioni accettabili e azioni correttive per apprendisti e sistemi. Estrarre competenze solo per indebolire la loro posizione genera resistenza e lascia un modello statico mentre la conoscenza vivente si deteriora.

I dati sono il nuovo know-how industriale

I dati di produzione contengono la memoria dell’azienda: tolleranze, comportamento dei materiali, difetti e correzioni effettuate dagli esperti. Il loro trasferimento indiscriminato potrebbe creare un surrogato della sua competenza. I contratti devono stabilire la proprietà, vietare la formazione non autorizzata, disciplinare l’archiviazione e i subappaltatori e garantire l’esportazione e la cancellazione dei dati.

La dipendenza rappresenta un pericolo parallelo: le cronologie e i flussi di lavoro potrebbero rimanere vincolati a infrastrutture proprietarie. La sovranità richiede dati portabili, accesso segmentato e una modalità alternativa per le operazioni critiche. La Commissione auspica un accesso più ampio ai dati industriali gestiti; le imprese italiane devono impedire che la condivisione reciproca si trasformi in divulgazione unilaterale. Strategia europea per i dati — Commissione europea — consultato a settembre 2026

Capitale con condizioni

L’Italia possiede già significativi strumenti finanziari. Il suo piano di ripresa e resilienza destina 13,4 miliardi di euro alla transizione digitale e all’innovazione del sistema produttivo, comprese le tecnologie avanzate, la ricerca e la formazione. Piano di ripresa e resilienza dell’Italia — Commissione europea — consultato a settembre 2026. Il Programma nazionale di ricerca, innovazione e competitività 2021-2027 prevede 5,56 miliardi di euro , di cui 3,75 miliardi per ricerca, innovazione, digitalizzazione, investimenti e competenze e 601,8 milioni di euro per le tecnologie critiche STEP. Programma nazionale di ricerca, innovazione e competitività — MIMIT, MUR e MASE — marzo 2026.

I finanziamenti dovrebbero premiare l’assorbimento piuttosto che l’acquisizione. Gli incentivi dovrebbero richiedere una base di produzione, piani di governance dei dati e di gestione della forza lavoro, portabilità e misurazione post-implementazione, non macchinari isolati con un’etichetta di intelligenza artificiale.

La Commissione elenca 19 fabbriche di IA , tra cui l’italiana IT4LIA , e 13 antenne ; gli hub europei per l’innovazione digitale forniscono valutazioni, formazione e supporto tecnico. Devono operare come servizi di estensione per le piccole imprese manifatturiere, non come remote vetrine di ricerca.

Scelta della posizione competitiva

L’intelligenza artificiale non può compensare una posizione industriale non definita. I produttori su larga scala devono competere attraverso la produttività, le tolleranze, l’affidabilità delle consegne e le catene di approvvigionamento integrate; un’automazione insufficiente si traduce in uno svantaggio diretto in termini di costi. Gli specialisti flessibili richiedono una pianificazione interoperabile, cambi di produzione rapidi e un supporto meccanico adattato ai piccoli lotti. Gli artigiani di alta gamma devono automatizzare le lavorazioni non differenzianti, documentando al contempo la provenienza e preservando le operazioni che giustificano un prezzo più elevato. I gruppi del lusso devono combinare la scalabilità con un intervento umano tracciabile, senza però commercializzare l’uniformità automatizzata come espressione di artigianalità.

Le aziende più a rischio sono quelle con costi di produzione troppo elevati, troppo standardizzate per poter beneficiare di un premio e troppo poco digitalizzate per garantire una flessibilità superiore. L’intelligenza artificiale accentua una debolezza strategica già esistente.

Il modello italiano

La risposta italiana dovrebbe essere organizzata attorno a distretti e filiere produttive. Le microimprese non possono permettersi ciascuna di avere esperti di dati, laboratori di robotica e team legali. Possono però condividere audit di processo indipendenti dai fornitori, strutture di test sicure, specialisti dell’integrazione e formazione specifica di settore, mantenendo al contempo la proprietà del proprio know-how produttivo. La strategia “Apply AI” dell’UE , presentata l’ 8 ottobre 2025 , mira proprio ad accelerare l’adozione dell’IA nei settori strategici, in particolare tra le PMI, e a rafforzare la sovranità tecnologica europea. Comunicazione della Commissione: Strategia “Apply AI” — Commissione europea — ottobre 2025

L’Italia dovrebbe combinare centri distrettuali per l’intelligenza artificiale, spazi dati governati, laboratori condivisi di visione artificiale, sistemi di apprendistato e incentivi basati sui risultati: un’architettura distribuita compatibile con le sue reti specializzate.

Il costo dell’inazione

Il pericolo più probabile non è una fabbrica senza persone. È un sistema a due velocità in cui gruppi integrati controllano dati, pianificazione e accesso ai clienti, mentre i fornitori più piccoli mantengono il lavoro fisico ma perdono margini e potere contrattuale. Gli acquisti digitali richiederanno sempre più informazioni strutturate su capacità produttiva, provenienza, difetti, consumo energetico e tempi di consegna. I fornitori che rimangono poco trasparenti dal punto di vista informativo potrebbero essere penalizzati prima ancora che i robot sostituiscano una singola operazione.

L’Italia può difendere sia la scala industriale che l’artigianalità, ma solo rifiutando la falsa alternativa tra tecnologia e lavoro umano. La ripetitività deve essere automatizzata; la variabilità misurata; le competenze valorizzate; i dati industriali controllabili; e ogni investimento valutato in base a qualità, produttività, resilienza e posizionamento sul mercato. Il vantaggio competitivo decisivo non sarà il numero di persone o macchine in uno stabilimento, bensì la conoscenza precisa di dove ciascuna crea valore e il mantenimento del controllo sul sistema che le collega.

---

Riassunto principale

L’Italia può difendere il valore, non ogni singolo posto di lavoro esistente.

L’industria manifatturiera italiana non sarà in grado – e non dovrebbe nemmeno tentare – di mantenere inalterata l’attuale ripartizione dei compiti. Può tuttavia difendere e potenzialmente rafforzare la propria quota di produzione ad alto valore aggiunto se le imprese distinguono tra il lavoro meramente integrato nel processo e il giudizio umano che è insito nel valore del prodotto. Le evidenze disponibili non supportano uno scenario a breve termine in cui l’intelligenza artificiale si limiti a rimuovere le persone dalle fabbriche. L’OCSE stima che il 27% dell’occupazione nei paesi membri sia concentrata in occupazioni ad alto rischio a causa delle tecnologie di automazione considerate nel loro complesso, ma la sua indagine sulle imprese manifatturiere e finanziarie ha rilevato che la maggior parte delle aziende che hanno adottato l’IA non ha modificato i propri livelli occupazionali; le riduzioni segnalate sono state solo leggermente più frequenti degli aumenti e la differenza non è risultata statisticamente significativa. Le stesse evidenze individuano possibili miglioramenti in termini di soddisfazione lavorativa, salute e salari, a fronte di rischi relativi all’intensità del lavoro, alla privacy e ai pregiudizi. Prospettive occupazionali dell’OCSE 2023 — OCSE — Luglio 2023 La conclusione difendibile è quindi più circoscritta sia all’ottimismo tecnologico che alle previsioni di massiccia sostituzione: i singoli compiti saranno riorganizzati più rapidamente di quanto intere professioni scompaiano. Nel settore manifatturiero, l’intelligenza artificiale espande principalmente la capacità di prevedere, classificare, ispezionare, programmare e ottimizzare; la robotica traduce alcune di queste decisioni in azioni fisiche. La sostituzione diventa commercialmente razionale laddove input, tolleranze e movimenti sono sufficientemente standardizzati. L’aumento della produttività rimane superiore laddove la variabilità dei materiali, i bassi volumi di produzione, il giudizio estetico, la riparabilità o i requisiti specifici del cliente rendono l’automazione completa costosa, fragile o dannosa per il valore.

Una scarpa di alta gamma illustra perfettamente questo confine. Il taglio può essere sempre più supportato da nesting digitale, visione artificiale e sistemi di taglio automatizzati; la pianificazione della produzione può essere ottimizzata in base agli ordini, alla disponibilità dei materiali e alle date di consegna; il riconoscimento delle immagini può segnalare anomalie superficiali; e i sistemi di tracciabilità possono associare componenti, lotti e operazioni al prodotto finito. Nessuna di queste funzioni dimostra che l’intero processo produttivo debba essere automatizzato. La pelle varia in spessore, elasticità, grana, difetti e risposta alla tensione. La questione economica non è se una macchina possa eseguire un movimento, ma se possa rilevare la variazione rilevante, interpretarne l’effetto sulla finitura desiderata e correggere l’operazione a un costo totale inferiore rispetto a un operaio specializzato. Tale costo totale include il materiale di scarto, le rilavorazioni, l’interruzione della produzione, la perdita di flessibilità e qualsiasi riduzione dell’autenticità per cui il cliente paga. Laddove l’intervento di un esperto aumenta la resa, preserva materiale prezioso o protegge la finitura visibile, l’artigianalità non è un residuo sentimentale: è capitale produttivo. Tuttavia, questa difesa è condizionata. Se la conoscenza specialistica rimane interamente tacita – detenuta da specialisti anziani, non documentata e non accessibile ai nuovi lavoratori – diventa vulnerabile al pensionamento, alla carenza di manodopera e alla replicabilità incoerente. La risposta strategica consiste quindi nell’acquisire regole decisionali, tassonomie dei difetti, cronologie dei processi e intervalli di variazione accettabili, lasciando l’autorità finale agli operatori qualificati laddove i dati non siano in grado di descrivere appieno la qualità.

La vera minaccia è un sistema industriale a due velocità

Il rischio più immediato per l’Italia non è rappresentato dai macchinari autonomi, bensì dalla disuguaglianza nelle capacità organizzative. Nel 2025, il 16,4% delle imprese italiane con almeno dieci dipendenti utilizzava almeno una tecnologia di intelligenza artificiale, il doppio rispetto all’8,2% registrato nel 2024 e oltre il triplo rispetto al 5,0% del 2023. Questa accelerazione cela un divario strutturale sempre più ampio: l’adozione ha raggiunto il 53,1% tra le grandi imprese , ma solo il 15,7% tra le PMI , con un divario di circa 37 punti percentuali , rispetto ai circa 20 punti del 2023. Tra le aziende che hanno preso in considerazione l’IA ma non l’hanno implementata, il 58,6% ha individuato nella carenza di competenze un ostacolo, il 47,3% ha citato la mancanza di chiarezza normativa, il 45,2% dati inadeguati o di scarsa qualità, il 43,2% preoccupazioni relative alla privacy e alla protezione dei dati e il 43,0% costi eccessivi. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025 Questi dati indicano che l’esposizione industriale dell’Italia risiede meno in un’intrinseca incapacità tecnologica che nel costo fisso di adozione. Un grande produttore può distribuire la spesa per l’ingegneria dei dati, la sicurezza informatica, l’integrazione e il personale specializzato su più stabilimenti e linee di prodotto. Un’impresa artigianale o una piccola impresa industriale potrebbe aver bisogno delle stesse categorie di competenze, ma non essere in grado di assorbirle internamente. Se questo squilibrio persiste, le grandi aziende utilizzeranno l’IA per ridurre i tempi di consegna, le scorte, i difetti e il consumo energetico, mentre i fornitori più piccoli continueranno a essere collegati tramite fogli di calcolo, ispezioni manuali e registri di produzione frammentati. La pressione risultante si manifesterà prima sui margini, sulle condizioni di consegna e sulla dipendenza dai clienti dominanti, non necessariamente in termini di perdita di posti di lavoro.

Il breve termine fino al 2029 sarà quindi caratterizzato da un’automazione selettiva. L’IA generativa si diffonderà rapidamente attraverso la documentazione, i preventivi, la traduzione tecnica, il supporto agli acquisti, il servizio clienti, la preparazione alla conformità e la generazione di contenuti di prodotto. Il machine learning convenzionale si espanderà nella previsione della domanda, nel rilevamento delle anomalie, nella manutenzione predittiva e nella classificazione della qualità. L’automazione fisica progredirà più lentamente nei processi artigianali altamente variabili perché richiede sensori, integrazione delle macchine, dati affidabili e spesso layout di produzione riprogettati. I dati Istat del 2025 mostrano già questa gerarchia: tra le imprese che utilizzano l’IA, il 70,8% ha applicato l’estrazione di conoscenza basata su testo e il 59,1% ha utilizzato l’IA generativa, mentre solo il 20,0% ha utilizzato l’analisi dei dati tramite machine learning, circa il 18% ha applicato il riconoscimento delle immagini o l’automazione dei flussi di lavoro e il 5,9% ha utilizzato l’IA per il movimento autonomo delle macchine. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025 L’adozione si sta quindi muovendo più velocemente nel lavoro informativo che nella trasformazione fisica dei materiali. Ciò crea una finestra temporale limitata durante la quale le imprese italiane possono digitalizzare le funzioni gestionali e di supporto, raccogliere dati di produzione e preparare i lavoratori prima che la robotica più avanzata diventi economicamente sostenibile.

La maestria artigianale si rafforza quando è progettata

La componente artigianale rimarrà difendibile laddove coincidano tre condizioni. In primo luogo, l’intervento umano deve produrre un effetto economico misurabile: maggiore resa dei materiali, minori tassi di scarto, finitura superiore, maggiore personalizzazione, correzione più rapida di variazioni impreviste o un sovrapprezzo legato alla provenienza. In secondo luogo, l’azienda deve essere in grado di dimostrare tale contributo attraverso la tracciabilità, la certificazione, la documentazione dei processi o una differenziazione visibile al cliente. In terzo luogo, la tecnologia deve rafforzare, anziché oscurare, il contributo umano. Un’azienda che commercializza l’artigianalità utilizzando l’intelligenza artificiale per imitare la provenienza o nascondere una produzione completamente standardizzata indebolisce la credibilità della categoria. Al contrario, un’azienda che registra le caratteristiche dei materiali, supporta gli operatori con informazioni in tempo reale, automatizza le operazioni ripetitive e documenta dove si è verificato un intervento qualificato può rendere l’artigianato più scalabile senza affermare che ogni fase rimanga manuale. L’obiettivo industriale è l'”automazione limitata”: le macchine controllano i parametri ripetibili; i lavoratori mantengono l’autorità sulle eccezioni il cui trattamento influisce sul valore commerciale.

Questo modello cambia il ruolo del lavoratore. L’operatore qualificato del prossimo decennio non si limiterà a eseguire movimenti tradizionali. Interpreterà gli output dei sensori, convaliderà le raccomandazioni delle macchine, individuerà nuovi difetti, regolerà i parametri di processo e insegnerà al sistema quali variazioni sono rilevanti. Ciò aumenta l’importanza delle competenze ibride: conoscenza dei materiali, ingegneria di produzione, controllo statistico di processo, tracciabilità digitale e capacità di contestare gli output automatizzati. Crea anche il rischio di dequalificazione. Se le aziende acquisiscono le decisioni degli esperti solo per allontanare i lavoratori dal processo, potrebbero perdere il feedback tacito attraverso il quale si evolve la conoscenza produttiva. Se, invece, utilizzano la conoscenza acquisita per formare apprendisti, supportare il personale meno esperto e segnalare i casi anomali agli specialisti senior, l’intelligenza artificiale può ampliare la portata produttiva delle competenze limitate. La governance entra quindi in fabbrica attraverso la progettazione del lavoro: chi può intervenire sul sistema, come vengono registrate le correzioni, se il monitoraggio delle prestazioni diventa invasivo e se i guadagni di produttività vengono reinvestiti nelle competenze o ottenuti esclusivamente attraverso la riduzione della forza lavoro.

Scala e artigianalità si confrontano con imperativi strategici differenti

La produzione manifatturiera italiana su larga scala non può difendersi solo attraverso la differenziazione artigianale. Componenti automobilistici, macchinari, prodotti farmaceutici, imballaggi, metalli e beni di consumo standardizzati competono in termini di produttività, tolleranze, consumo energetico, affidabilità delle consegne e integrazione con le catene di approvvigionamento internazionali. In questi settori, un’automazione ritardata si traduce in uno svantaggio in termini di costi. L’architettura necessaria combina dati di produzione interoperabili, visione artificiale, manutenzione predittiva, gemelli digitali laddove economicamente giustificati, sicurezza informatica e operatori in grado di supervisionare i sistemi automatizzati. Il pericolo è quello di acquistare prodotti di IA isolati senza ristrutturare i dati e i diritti decisionali. L’Istat riporta che nel 2025 il 33,4% delle imprese che utilizzavano l’IA non era in grado di associare il proprio utilizzo ad alcuna delle funzioni aziendali prese in esame; si trattava prevalentemente di aziende con 10-49 dipendenti . Ciò suggerisce che parte dell’adozione osservata rimane sperimentale e non strutturata a livello organizzativo. Acquistare l’accesso a un modello generativo non equivale a una trasformazione industriale.

La produzione artigianale e di alta gamma si scontra con l’errore opposto: usare l’unicità come pretesto per evitare la misurazione. La digitalizzazione non richiede di ridurre la qualità a un unico punteggio automatizzato. Richiede di documentare sufficientemente le fonti di variazione per migliorare la pianificazione, la formazione, la tracciabilità e l’utilizzo dei materiali. I servizi condivisi saranno essenziali perché molte imprese sono troppo piccole per gestire infrastrutture di intelligenza artificiale proprietarie. Le European AI Factories (Fabbriche di IA europee) mirano a connettere capacità di calcolo, dati e talenti con università, industria e PMI; la Commissione elenca 19 AI Factories , tra cui l’italiana IT4LIA , e 13 antenne associate , con almeno nove nuovi supercomputer ottimizzati per l’IA che dovrebbero più che triplicare la capacità di IA di EuroHPC. (AI Factories — Commissione europea — consultato a settembre 2026) La loro rilevanza per la produzione manifatturiera italiana dipenderà non solo dalla potenza di calcolo complessiva, ma anche dalla possibilità per le imprese di accedere a dataset specifici del settore, supporto ingegneristico, ambienti di test sicuri e competenze di implementazione a un costo compatibile con i piccoli volumi di produzione.

Gli strumenti politici esistono, ma il coordinamento rimane decisivo.

L’Italia non è priva di programmi pubblici. Il Programma nazionale Ricerca, Innovazione e Competitività 2021-2027 ha una dotazione complessiva di 5,56 miliardi di euro , di cui 3,72 miliardi provenienti dal Fondo europeo di sviluppo regionale e 1,84 miliardi di cofinanziamenti nazionali . La sua prima priorità destina 3,75 miliardi di euro a ricerca, innovazione, digitalizzazione, investimenti e competenze, mentre la priorità STEP relativa alle tecnologie critiche prevede uno stanziamento di 601,8 milioni di euro . Programma Nazionale Ricerca, Innovazione e Competitività per la transizione verde e digitale 2021–2027 — MIMIT/MUR/MASE — Mar 2026 SIMEST prevede anche una riserva dedicata di 200 milioni di euro per investimenti in IA e calcolo quantistico da parte di imprese a orientamento internazionale, con un tasso agevolato pari allo 0,371% , finanziamenti fino a 500.000 euro per le microimprese , 2,5 milioni di euro per le PMI e le PMI innovative e 5 milioni di euro per altre imprese , nel rispetto delle norme di ammissibilità dello strumento. Transizione digitale o ecologica — SIMEST — consultato a settembre 2026

I soli finanziamenti non basteranno a colmare il divario di adozione. La priorità politica difendibile è un modello di estensione della produzione in grado di effettuare audit di processo, valutazioni di disponibilità dei dati, formazione dei lavoratori e selezione di tecnologie indipendenti dai fornitori all’interno dei singoli sistemi produttivi. L’Italia dovrebbe considerare i maestri artigiani come parte integrante dell’infrastruttura per l’innovazione: le loro conoscenze devono alimentare i dataset, gli standard di ispezione e le interfacce uomo-macchina. Il sostegno pubblico dovrebbe privilegiare risultati produttivi misurabili – minori scarti, riduzione dei tempi di inattività, personalizzazione più rapida, maggiore efficienza energetica, lavoro più sicuro e formazione efficace degli apprendisti – piuttosto che l’acquisto di apparecchiature etichettate come “IA”. I finanziamenti dovrebbero inoltre tutelare i dati industriali. Se le informazioni proprietarie su materiali, tolleranze, correzione dei difetti e specifiche del cliente vengono trasferite indiscriminatamente a piattaforme esterne, le imprese potrebbero cedere proprio il know-how di processo che le differenzia. La questione competitiva non è quindi solo se le aziende italiane adottino l’IA, ma se mantengano il controllo sui dati, sui modelli e sul feedback operativo generato dall’adozione.

Esito a lungo termine: polarizzazione anziché scomparsa

Entro il 2035, il settore manifatturiero italiano si dividerà probabilmente in tre gruppi. Il primo sarà composto da grandi e medie imprese che integreranno l’intelligenza artificiale in tutte le fasi di progettazione, approvvigionamento, produzione, manutenzione e gestione commerciale. La loro occupazione potrebbe diminuire, concentrandosi maggiormente su attività ripetitive di supervisione e amministrazione, a scapito dell’integrazione di sistemi, della manutenzione, della governance dei dati e del controllo di produzione di alto livello. Il secondo gruppo comprenderà imprese artigianali di alta gamma che utilizzeranno strumenti digitali a supporto del prodotto, preservando al contempo l’intervento umano laddove questo rimanga visibile, economicamente rilevante e riconosciuto dal cliente. Queste imprese potranno rafforzare la tracciabilità e la personalizzazione, ma solo se formeranno i successori ed eviteranno la dipendenza da piattaforme proprietarie inaccessibili. Il terzo gruppo – e il più esposto – includerà aziende che si collocano tra l’artigianalità e le economie di scala: troppo standardizzate per imporre un sovrapprezzo significativo, troppo piccole o mal organizzate per automatizzare efficacemente i processi e troppo dipendenti dai grandi clienti per controllare i prezzi o i piani di investimento.

Il giudizio centrale è quindi condizionale ma affermativo. La produzione manifatturiera italiana, sia artigianale che su larga scala, può difendersi dagli effetti dirompenti dell’IA, ma non attraverso la stessa strategia. I produttori industriali devono automatizzare a sufficienza per proteggere la produttività e le prestazioni di consegna. I produttori artigianali devono individuare con precisione dove l’esperienza umana modifica il prodotto e utilizzare la tecnologia per rafforzare, documentare e trasmettere tale esperienza. Entrambi i settori richiedono una governance dei dati più rigorosa, una formazione continua e un’allocazione ponderata dei diritti decisionali tra persone e sistemi. La fabbrica vincente non impiegherà necessariamente più o meno persone. Saprà perché una persona è necessaria in una determinata fase, perché una macchina è superiore in un’altra e come l’interazione tra di esse produce un vantaggio che i concorrenti non possono riprodurre a basso costo.

Tabella delle prove principali

Indicatore	Valore/status	Data di riferimento	Definizione/ambito di applicazione	Emittente	Fonte esatta
Le imprese italiane utilizzano l’intelligenza artificiale	16,4%	2025	Imprese con almeno 10 dipendenti	Stato	Imprese e ICT – Anno 2025 — Istat — Dec 2025
Adozione dell’intelligenza artificiale tra le PMI italiane	15,7%	2025	Imprese con 10-249 dipendenti	Stato	Imprese e ICT – Anno 2025 — Istat — Dec 2025
Adozione dell’intelligenza artificiale nelle grandi imprese italiane	53,1%	2025	Imprese con almeno 250 dipendenti	Stato	Imprese e ICT – Anno 2025 — Istat — Dec 2025
Le aziende citano la mancanza di competenze come ostacolo all’adozione dell’IA.	58,6%	2025	Non utenti che hanno preso in considerazione l’adozione dell’IA	Stato	Imprese e ICT – Anno 2025 — Istat — Dec 2025
Occupazione in settori ad alto rischio di automazione	27%	Valutazione 2023	Occupazione nei paesi OCSE; tutte le tecnologie di automazione, inclusa l’intelligenza artificiale.	OCSE	Prospettive occupazionali dell’OCSE per il 2023 — OCSE — Luglio 2023
Busta PN RIC italiana	5,56 miliardi di euro	Programma 2021-2027	FESR e cofinanziamento nazionale	PREZZO/PARETE/MISURA	Programma Nazionale Ricerca, Innovazione e Competitività — MIMIT/MUR/MASE — Mar 2026
Infrastruttura europea per l’intelligenza artificiale	19 fabbriche di IA; 13 antenne	Stato consultato a settembre 2026	Rete europea collegata a EuroHPC	Commissione europea	Fabbriche di IA — Commissione europea — consultato a settembre 2026

Percorsi industriali concorrenti

Ipotesi	Supporto diagnostico	Prove contrarie	Osserva gli indicatori	Stato attuale
H₁ — Ampia sostituzione del lavoro	Riduzione dei costi dell’automazione; espansione della visione artificiale e della robotica	Le attuali evidenze concrete non mostrano una contrazione statisticamente significativa dell’occupazione complessiva a seguito dell’adozione dell’IA.	Occupazione per unità di prodotto; licenziamenti per mansione; adozione di macchine autonome	Plausibile nelle funzioni standardizzate, ma insufficientemente supportato come risultato a livello dell’intera economia.
H₂ — Potenziamento umano	Attualmente l’adozione dell’IA è concentrata nelle funzioni di informazione, analisi e supporto.	I benefici possono essere ottenuti attraverso l’intensificazione del carico di lavoro o successive riduzioni della forza lavoro.	Spese di formazione; tassi di rendimento aggiuntivi; produttività e salari	Percorso a breve termine più supportato
H₃ — Divergenza industriale a due velocità	Divario di 37 punti percentuali nell’adozione dell’IA tra grandi aziende e PMI.	Infrastrutture condivise e finanziamenti mirati potrebbero ridurre i costi fissi	Adozione da parte delle PMI, integrazione cloud/dati e posizioni lavorative qualificate	Principale rischio strutturale italiano
H₄ — Rinforzo premium per l’artigianato	Il controllo delle variazioni umane, la provenienza e la personalizzazione rimangono elementi monetizzabili.	La qualità delle macchine potrebbe eventualmente avvicinarsi a standard premium accettabili.	Sovrapprezzo, tassi di rifiuto, ordini personalizzati e tracciabilità	Forte in segmenti selezionati di lusso e con materiali variabili, non è una difesa universale
H₅ — Svuotamento dei produttori intermedi	Le imprese prive di economie di scala o di un’unicità difendibile subiscono pressioni sui margini.	La collaborazione tra fornitori, la specializzazione e l’automazione condivisa potrebbero ripristinare la competitività.	Cessazione dei rapporti con i fornitori, consolidamento, margini contrattuali e spese in conto capitale.	rischio materiale a lungo termine

Principali gap e indicatori da monitorare

• Analisi settoriali italiane che distinguono l’utilizzo dell’IA nel settore manifatturiero da quello dei servizi e delle funzioni amministrative.
• Misurazioni comparabili dei tassi di difettosità, scarti, rilavorazioni e produttività prima e dopo l’implementazione dell’IA.
• Prove che distinguono le licenze sperimentali per l’IA dai sistemi integrati nei processi decisionali di produzione.
• Dati sulla struttura per età e sul tasso di sostituzione delle professioni artigianali specializzate.
• Prove contrattuali che dimostrino se i guadagni di produttività vengono trattenuti dalle PMI o acquisiti dagli acquirenti dominanti.
• Misurazione di quanto i consumatori continueranno a pagare per una lavorazione umana certificata, anche quando la qualità prodotta dalle macchine diventerà meno distinguibile.

L’asimmetria: adozione dell’IA, scala industriale e divario tra PMI e PMI

Il giudizio strategico

La principale vulnerabilità del settore manifatturiero italiano non risiede nella scarsa consapevolezza tecnologica, né in un’intrinseca incompatibilità tra intelligenza artificiale e artigianalità. È piuttosto il crescente divario tra le imprese capaci di convertire l’IA in una capacità produttiva integrata e quelle limitate a utilizzi isolati, sperimentali o amministrativi. Nel 2025, il 16,4% delle imprese italiane con almeno dieci dipendenti utilizzava almeno una tecnologia di IA, rispetto all’8,2% del 2024 e al 5,0% del 2023. L’accelerazione complessiva è sostanziale, ma la distribuzione è più rilevante: l’adozione ha raggiunto il 53,1% tra le grandi imprese e solo il 15,7% tra le PMI , creando un divario di circa 37 punti percentuali . Tale divario era di circa 20 punti nel 2023 e 25 punti nel 2024. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025 Il rischio è quindi cumulativo. I produttori più grandi acquisiscono esperienza, migliorano i propri dati, riprogettano i flussi di lavoro e attraggono specialisti; Le imprese più piccole si trovano ad affrontare gli stessi costi fissi di integrazione con minori risorse finanziarie e gestionali. Se questa dinamica persiste, l’intelligenza artificiale non si limiterà a differenziare le imprese tecnologicamente avanzate da quelle tradizionali, ma ridistribuirà margini, potere contrattuale, know-how produttivo e controllo delle relazioni con i clienti lungo intere catene di fornitura industriali.

L’adozione non è trasformazione

La statistica “utilizza l’IA” non deve essere considerata la prova che un’azienda abbia trasformato il proprio sistema produttivo. Può descrivere qualsiasi cosa, dall’uso occasionale dell’IA generativa nel marketing alla visione artificiale integrata nel controllo qualità. I ​​dati Istat rivelano che l’adozione italiana rimane concentrata in applicazioni informative relativamente accessibili. Tra le imprese che hanno segnalato l’utilizzo dell’IA nel 2025, il 70,8% ha impiegato tecnologie che estraggono conoscenza da documenti scritti, il 59,1% ha utilizzato l’IA generativa per linguaggio, immagini, video o audio e il 41,3% ha utilizzato tecnologie di riconoscimento vocale. Solo il 20,0% ha utilizzato il machine learning per l’analisi dei dati; circa il 18% ha segnalato il riconoscimento delle immagini o l’automazione dei flussi di lavoro; e appena il 5,9% ha utilizzato l’IA per consentire il movimento fisico delle macchine. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025 Queste categorie non si escludono a vicenda, ma la loro distribuzione stabilisce la direzione attuale: l’IA sta entrando più rapidamente nel livello amministrativo e gestionale che in quello produttivo fisico. Di conseguenza, è più probabile che gli effetti occupazionali a breve termine si manifestino nella documentazione, nei preventivi, nella gestione dei clienti, nella pianificazione e nel coordinamento amministrativo, piuttosto che attraverso la rimozione in massa degli operatori qualificati dalla produzione di materiali variabili.

Un secondo campanello d’allarme emerge dalla finalità organizzativa attribuita all’adozione. Nel 2025, il 33,4% delle imprese italiane che utilizzavano l’IA non ha identificato alcuna finalità aziendale tra quelle incluse nell’indagine, rispetto al 15,5% del 2024 ; l’83,3% di queste imprese aveva tra 10 e 49 dipendenti. L’Istat interpreta questo dato come prova di un’adozione sempre più diffusa, ma ancora in fase iniziale o sperimentale. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025 Questa distinzione è decisiva. Un piccolo produttore i cui dipendenti utilizzano un modello generativo pubblico per redigere e-mail è statisticamente un’azienda che ha adottato l’IA, ma non ha necessariamente ridotto i difetti, accorciato i tempi di setup, migliorato la resa dei materiali o reso più affidabili le previsioni di consegna. La metrica gestionale rilevante non è quindi il possesso di una licenza di IA. È la percentuale di flussi di lavoro critici in cui i dati verificati entrano in un modello controllato, generano una raccomandazione attuabile, raggiungono un responsabile decisionale e producono un risultato operativo misurabile. Senza questa catena, l’adozione si riduce al consumo di un servizio digitale piuttosto che all’accumulo di capacità industriale.

Perché la scalabilità amplifica il vantaggio

L’intelligenza artificiale si comporta come una capacità generica che richiede risorse complementari. Un modello non può ottimizzare la pianificazione della produzione se ordini, inventari, stato delle macchine e disponibilità di manodopera sono memorizzati in sistemi incompatibili. La visione artificiale non può migliorare la qualità se le classi di difetti non sono definite o le immagini non sono associate a materiali, operazioni e risultati. La manutenzione predittiva non può funzionare in modo affidabile senza la cronologia dei sensori e registrazioni coerenti dei guasti. Le grandi aziende sono in una posizione migliore perché possono distribuire i costi fissi di ingegneria dei dati, sicurezza informatica, revisione legale, integrazione dei sistemi e reclutamento di specialisti su più siti, prodotti e transazioni. Possono anche tollerare progetti pilota non riusciti e mantenere le competenze interne dopo che i fornitori se ne vanno. Le imprese più piccole devono affrontare costi indivisibili: il progetto di integrazione minimo fattibile può essere modesto rispetto al budget di una multinazionale, ma eccessivo rispetto al flusso di cassa di un’officina o di un fornitore specializzato.

Le evidenze europee confermano che si tratta di un effetto dimensionale strutturale piuttosto che di un’anomalia italiana. Nel 2025, il 17,0% delle piccole imprese , il 30,36% delle medie imprese e il 55,03% delle grandi imprese utilizzavano l’IA. Eurostat individua tra le possibili spiegazioni la complessità dell’implementazione, le economie di scala e l’accessibilità economica. Il divario operativo è visibile anche all’interno di specifiche funzioni aziendali. Tra le imprese che utilizzano l’IA, il 33,46% delle grandi imprese la impiega nei processi produttivi, rispetto al 19,02% delle piccole imprese ; le cifre corrispondenti per la sicurezza informatica erano rispettivamente del 47,51% e del 14,51% . Utilizzo dell’intelligenza artificiale nelle imprese — Eurostat — 2025. Le imprese più grandi, quindi, non si limitano ad adottare l’IA con maggiore frequenza. Sono meglio posizionate per implementarla in funzioni che richiedono l’integrazione con macchinari, dati operativi, controlli di sicurezza e governance formale. È a questo punto che il divario di adozione si trasforma in un divario di produttività e resilienza.

L’ostacolo per l’Italia è la capacità organizzativa.

L’evidenza italiana identifica un sistema di vincoli stratificato. Tra le imprese che hanno preso in considerazione l’IA ma non l’hanno adottata, il 58,6% ha citato competenze insufficienti, il 47,3% incertezza sulle conseguenze legali, il 45,2% dati non disponibili o inadeguati, il 43,2% preoccupazioni relative alla privacy e alla protezione dei dati e il 43,0% costi eccessivi. Solo il 14,8% ha considerato l’IA inutile. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025 Il problema non è quindi prevalentemente un rifiuto culturale. È l’assenza delle capacità complementari necessarie per trasformare la tecnologia di uso generale in un utilizzo industriale controllato. Le competenze sono elencate per prime, ma le barriere si rafforzano a vicenda: un’azienda priva di competenze tecniche non può valutare la qualità dei dati, calcolare i rendimenti, selezionare un fornitore appropriato o determinare quali obblighi legali si applicano. L’ambiguità legale aumenta il costo percepito della sperimentazione. Dati deboli impediscono progetti pilota accurati. I progetti pilota falliti confermano poi il sospetto del management che la tecnologia sia immatura o irrilevante.

Il crescente divario dimensionale dimostra anche che un accesso più economico all’IA generativa non democratizza automaticamente la trasformazione industriale. Il costo marginale dell’utilizzo di un chatbot in cloud può essere basso, ma il costo di integrare in modo sicuro l’IA con la pianificazione della produzione, le specifiche del cliente, la proprietà intellettuale e i macchinari rimane significativo. Gli input scarsi non si limitano alla potenza di calcolo. Includono dati storici accurati, competenze di processo, tempo del management, sicurezza informatica, gestione delle modifiche e l’autorità di riprogettare il lavoro. La politica industriale italiana deve quindi distinguere tra accesso e assorbimento. L’accesso significa che un’impresa può acquistare software o servizi informatici. L’assorbimento significa che può identificare un’applicazione valida, preparare i dati necessari, adattare le operazioni, formare i dipendenti, monitorare le prestazioni e mantenere il controllo della conoscenza risultante. Sovvenzionare il primo senza costruire il secondo rischia di produrre un elevato numero di imprese formalmente digitalizzate con limitati guadagni in termini di produttività.

Il meccanismo di trasmissione della catena di approvvigionamento

Il divario digitale legato all’intelligenza artificiale si diffonderà lungo le catene di approvvigionamento anche quando i piccoli fornitori non adotteranno direttamente questa tecnologia. I grandi produttori e i gruppi del lusso utilizzeranno sempre più l’IA per prevedere la domanda, classificare i fornitori, valutare i ritardi, monitorare la qualità e ottimizzare gli acquisti. Ai loro fornitori verrà richiesto di fornire dati più frequenti, strutturati e standardizzati. Le aziende incapaci di fornire informazioni in tempo reale su capacità produttiva, provenienza dei materiali, consumo energetico, stato delle consegne o risoluzione dei difetti diventeranno meno visibili ai sistemi di approvvigionamento automatizzati e più costose da gestire. La conseguenza immediata potrebbe non essere l’esclusione, ma piuttosto contratti di durata inferiore, assegnazioni di ordini più ridotte, requisiti di reporting più stringenti e una maggiore pressione sui prezzi.

Questo meccanismo crea un paradosso per i fornitori artigianali. Il loro valore commerciale può dipendere dalla flessibilità, dalla conoscenza tacita e dalla capacità di risolvere problemi di produzione non standard, eppure la loro posizione nella catena di fornitura può dipendere sempre più dalla standardizzazione digitale. La risposta corretta non è standardizzare il prodotto fino a far scomparire le sue caratteristiche distintive, bensì standardizzare le informazioni che lo riguardano: specifiche dell’ordine, registri dei materiali, fasi di lavorazione, tolleranze, interventi, risultati di qualità e stato di consegna. Un laboratorio può conservare il giudizio umano nella selezione o nella finitura della pelle, documentando digitalmente i motivi del rifiuto di un pezzo, la correzione applicata e la validazione del risultato. Ciò consente all’artigianato di rimanere fisicamente adattabile, pur diventando organizzativamente comprensibile. Le aziende che non riescono a fare questa distinzione rischiano di perdere contratti non per la qualità inferiore della loro lavorazione, ma perché i clienti non riescono a integrarle in reti di produzione basate sui dati.

Le grandi aziende si trovano ad affrontare una modalità di fallimento diversa

Le dimensioni aziendali forniscono risorse, ma non garantiscono una diffusione capillare delle tecnologie. Le grandi imprese possono accumulare progetti pilota, licenze e rapporti con i fornitori senza modificare il sistema operativo. Il Regno Unito offre un utile monito. Entro giugno 2026, circa il 35% delle aziende britanniche con almeno dieci dipendenti dichiarava di utilizzare almeno una tecnologia di intelligenza artificiale, rispetto al 12% circa di fine 2023. Tuttavia, il numero medio di tecnologie utilizzate per azienda che le ha adottate è aumentato solo da circa 1,4 a 1,6 , e l’Ufficio nazionale di statistica ha giudicato l’impatto trasformativo fino ad oggi relativamente limitato per la maggior parte delle aziende che le hanno adottate. (Artificial Intelligence in UK Businesses: 2023 to 2026 — Office for National Statistics — Jul 2026) Le grandi aziende possono quindi soffrire di un eccesso di tecnologie senza integrazione: molte applicazioni scollegate, proprietà incerta e insufficiente connessione con l’economia della produzione.

Precedenti dati provenienti dal Regno Unito mostrano inoltre che il settore manifatturiero segue un percorso di adozione distinto. Nel 2023, l’IA era utilizzata dal 5% delle imprese manifatturiere , rispetto al 9% delle imprese di servizi , mentre l’adozione di attrezzature specializzate e robotica nel settore manifatturiero ha raggiunto rispettivamente il 64% e il 14% . Inoltre, il 91% delle imprese che utilizzavano l’IA utilizzava anche sistemi cloud e l’83% utilizzava attrezzature specializzate. Le imprese nel decile superiore per punteggi relativi alle pratiche di gestione avevano una probabilità sostanzialmente maggiore di aver adottato tecnologie avanzate rispetto a quelle nel decile inferiore. Pratiche di gestione e adozione di tecnologia e intelligenza artificiale nelle imprese del Regno Unito — Ufficio nazionale di statistica — marzo 2025. Questi dati supportano una conclusione più ampia: l’IA raramente si inserisce in un vuoto industriale. Si basa su investimenti precedenti in macchinari, infrastrutture cloud, software specializzati e una gestione disciplinata. La differenza rilevante è quindi la prontezza tecnologica cumulativa, non l’acquisizione di IA in isolamento.

Una posizione comparata europea

I confronti internazionali diretti richiedono cautela perché le indagini utilizzano campioni, domande e date di rilevazione differenti. La stima dell’ONS del Regno Unito per il 2026, ad esempio, non dovrebbe essere accostata direttamente all’indagine armonizzata sulle imprese italiana del 2025 come se i dati appartenessero allo stesso insieme. Il parametro di riferimento europeo comparabile è Eurostat, che registra l’adozione dell’intelligenza artificiale nelle imprese con almeno dieci dipendenti, suddivise in categorie dimensionali armonizzate. In questo contesto, la distribuzione dimensionale a livello UE – 17,0% piccole, 30,36% medie e 55,03% grandi – è molto simile a quella italiana. Il tasso di adozione del 53,1% tra le grandi imprese in Italia si avvicina alla cifra UE per le grandi imprese, mentre l’adozione tra le PMI italiane rimane il fattore limitante più rilevante. Utilizzo dell’intelligenza artificiale nelle imprese — Eurostat — 2025

Francia, Germania e Regno Unito rimangono rilevanti non solo come parametri di riferimento per l’adozione dell’IA, ma anche come sistemi industriali concorrenti. Le grandi aziende tedesche del Mittelstand spesso possiedono una maggiore integrazione ingegneristica e attrezzature più avanzate, sebbene le piccole imprese debbano comunque affrontare lo stesso problema dei costi fissi. La Francia può incanalare l’adozione attraverso programmi nazionali più centralizzati e figure di riferimento settoriali. Il Regno Unito ha ecosistemi di servizi e finanziari per l’IA più solidi, ma i dati ufficiali mostrano che l’adozione dell’IA nel settore manifatturiero è rimasta indietro rispetto all’utilizzo della robotica e delle attrezzature specializzate. Il vantaggio distintivo dell’Italia è la sua fitta rete di fornitori specializzati e produttori di alta qualità; il suo punto debole corrispondente è la frammentazione. L’obiettivo strategico non è quindi quello di riprodurre la struttura aziendale di un altro Paese, bensì di dare alle piccole imprese manifatturiere italiane accesso a capacità di integrazione normalmente disponibili solo all’interno delle grandi organizzazioni.

L’architettura di finanziamento

L’Italia dispone di risorse materiali per l’aggiornamento tecnologico. Il Programma Nazionale Ricerca, Innovazione e Competitività 2021-2027 ha una dotazione complessiva di 5,56 miliardi di euro , di cui 3,72 miliardi di euro provenienti dal Fondo europeo di sviluppo regionale e 1,84 miliardi di euro di cofinanziamento nazionale . La sua prima priorità assegna 3,75 miliardi di euro a ricerca, innovazione, digitalizzazione, investimenti e competenze, mentre 601,8 milioni di euro sono destinati alla priorità STEP relativa alle tecnologie critiche. Programma Nazionale Ricerca, Innovazione e Competitività per la transizione verde e digitale 2021-2027 — MIMIT, MUR e MASE — Mar 2026. A livello europeo, sono in fase di creazione 19 AI Factories e 13 antenne associate , tra cui l’IT4LIA italiana , per connettere capacità di calcolo, dati e competenze con enti di ricerca, industria e PMI. AI Factories — Commissione europea — consultato a settembre 2026.

Per le imprese orientate a livello internazionale, SIMEST pubblicizza una riserva dedicata di 200 milioni di euro per investimenti in intelligenza artificiale e calcolo quantistico. Alle condizioni indicate, il finanziamento massimo è pari al minore tra il 35% del fatturato medio degli ultimi due bilanci e i massimali di 500.000 euro per le microimprese , 2,5 milioni di euro per le PMI e le PMI innovative , o 5 milioni di euro per le altre imprese . Transizione digitale o ecologica — SIMEST — consultato a settembre 2026. Questi strumenti affrontano il problema della disponibilità di capitale, ma non forniscono automaticamente integratori affidabili, dati industriali utilizzabili o capacità gestionali interne. L’errore politico da evitare è finanziare le attrezzature senza finanziare il cambiamento organizzativo necessario per utilizzarle.

La risposta industriale richiesta

Colmare il divario richiede competenze condivise piuttosto che investimenti identici a livello aziendale. Distretti industriali, centri tecnologici, università, camere di commercio e associazioni di settore dovrebbero fornire valutazioni dei processi indipendenti dai fornitori, ambienti di test sicuri, supporto di ingegneria dei dati e formazione del personale. Le piccole imprese non necessitano di un laboratorio di intelligenza artificiale interno. Hanno bisogno di accedere a competenze in grado di determinare se un’applicazione proposta sia tecnicamente fattibile, economicamente rilevante e compatibile con i vincoli di dati e di produzione dell’azienda. I sistemi condivisi devono tuttavia preservare la riservatezza: l’infrastruttura condivisa non può diventare un meccanismo attraverso il quale tolleranze proprietarie, classificazioni dei difetti, progetti o informazioni sui clienti migrano verso concorrenti o fornitori di piattaforme.

Gli incentivi pubblici dovrebbero pertanto essere vincolati a parametri operativi di riferimento verificati e a risultati post-investimento. Gli indicatori rilevanti includono gli scarti per unità, le ore di rilavorazione, i tempi di fermo macchina, il consumo energetico per unità, i tempi di setup, la varianza di consegna, la resa dei materiali e il tempo necessario per qualificare un nuovo operatore. Un progetto di intelligenza artificiale che non sia in grado di identificare quale di queste variabili intende migliorare non dovrebbe essere considerato una trasformazione industriale. Per le aziende artigianali, la valutazione deve includere anche la preservazione degli attributi che giustificano il sovrapprezzo: uniformità qualitativa, personalizzazione, provenienza, riparabilità e documentazione dell’intervento di personale qualificato. Ciò evita di costringere ogni azienda ad adottare lo stesso modello di automazione.

Matrice delle prove chiave

Dimensione	Italia	Parametro di riferimento dell’UE	Implicazione strategica
Adozione dell’IA, tutte le imprese coinvolte	16,4% nel 2025	Intervallo per paese : 5,21–42,03%	L’Italia sta facendo rapidi progressi, ma è ancora lontana dall’adozione universale.
Adozione dell’IA nelle PMI	15,7%	Piccolo 17,0% ; medio 30,36%	Il vincolo è concentrato nelle organizzazioni più piccole.
Adozione dell’IA nelle grandi imprese	53,1%	55,03%	Le grandi imprese italiane sono vicine al parametro di riferimento per classe dimensionale dell’UE.
divario tra grandi e PMI in Italia	Circa 37 pagine	Divario tra UE grande e piccolo : 38,03 pp	L’asimmetria è strutturale, non è una caratteristica esclusivamente italiana.
Barriera di competenze tra coloro che non prendono in considerazione l’adozione	58,6%	70,89%	La formazione delle competenze è più urgente delle campagne di sensibilizzazione.
Intelligenza artificiale utilizzata per il movimento autonomo delle macchine.	Il 5,9% degli italiani adotta l’IA	1,39% di tutte le imprese dell’UE	L’intelligenza artificiale fisica è ancora molto meno diffusa rispetto all’intelligenza artificiale informatica.
L’intelligenza artificiale nei processi produttivi	Nel comunicato citato non è presente alcuna cifra italiana direttamente comparabile.	Tra gli utenti di IA nell’UE, il 33,46% sono grandi aziende e il 19,02% piccole.	L’integrazione della produzione comporta una penalità dimensionale separata.

Sentenze chiave

• Le grandi imprese italiane non sono al centro della crisi di adozione; il vero problema risiede nel crescente divario di competenze delle PMI.
• L’adozione nominale sovrastima la trasformazione industriale perché gran parte dell’utilizzo attuale rimane a scopo informativo, amministrativo o sperimentale.
• Le economie di scala creano vantaggi cumulativi in ​​termini di dati, integrazione, sicurezza informatica, personale specializzato e capacità di assorbire i progetti pilota falliti.
• Le imprese artigianali possono rimanere selettive dal punto di vista tecnologico, ma non possono rimanere prive di trasparenza informativa.
• La digitalizzazione della catena di approvvigionamento penalizzerà i fornitori non integrati prima che l’automazione fisica elimini i loro ruoli produttivi.
• I finanziamenti pubblici avranno un effetto limitato se non saranno accompagnati da una riprogettazione dei processi, dallo sviluppo delle competenze professionali e da un accesso facilitato alle competenze di integrazione.
• Senza interventi, il probabile esito non è la scomparsa dell’industria manifatturiera italiana, bensì la sua polarizzazione tra aziende leader integrate e imprese arretrate sempre più dipendenti.

Cosa cambierebbe la valutazione?

Il giudizio migliorerebbe se dati armonizzati mostrassero una rapida diffusione dell’IA tra le piccole e medie imprese manifatturiere italiane, un utilizzo crescente nelle funzioni di produzione e controllo qualità, incrementi di produttività misurabili e investimenti costanti nelle competenze della forza lavoro. Peggiorerebbe invece se l’adozione continuasse ad aumentare statisticamente pur rimanendo concentrata in applicazioni generiche per ufficio, se i grandi clienti imponessero requisiti di dati che i piccoli fornitori non sarebbero in grado di soddisfare, o se la conoscenza dei processi industriali migrasse verso piattaforme esterne senza garanzie contrattuali e tecniche.

Registro pubblico aperto

• Dati armonizzati sull’adozione dell’IA in Italia, specificamente per il settore manifatturiero, disaggregati simultaneamente per dimensione aziendale e tecnologia.
• Misurazioni longitudinali che collegano l’implementazione dell’IA a produttività, occupazione, salari, difetti e resa dei materiali.
• Dati settoriali specifici per calzature, pelletteria, tessile, arredamento, meccanica di precisione e altre produzioni ad alta intensità artigianale.
• Statistiche ufficiali comparabili per il periodo 2025-2026 relative a Francia e Germania, utilizzando definizioni allineate alle serie italiane ed Eurostat.
• Prove che distinguono l’utilizzo di strumenti di intelligenza artificiale pubblici da parte dei dipendenti dai sistemi gestiti dall’azienda e integrati nella produzione.

Il confine della produzione: cosa possono standardizzare le macchine e cosa viene ancora monetizzato dal giudizio umano

Il giudizio determinante

Il confine tra lavoro meccanico e lavoro umano non è determinato dal fatto che un’attività sia stata tradizionalmente definita artigianale o meno. È determinato dall’interazione tra variabilità del processo, osservabilità, ripetibilità, costo degli errori e valore riconosciuto dal cliente . Le macchine hanno un vantaggio economico quando gli input possono essere classificati in modo affidabile, i risultati desiderati possono essere espressi come parametri misurabili, le eccezioni sono sufficientemente rare e i volumi di produzione giustificano i costi di capitale e di integrazione. Il giudizio umano conserva il suo vantaggio quando le differenze rilevanti sono difficili da osservare, la qualità dipende dal contesto piuttosto che da una tolleranza fissa, le eccezioni si verificano frequentemente, la correzione richiede una comprensione causale o l’acquirente attribuisce valore a un intervento umano verificato. Ciò significa che né la produzione artigianale né la produzione industriale costituiscono un’unica categoria di automazione. La stessa scarpa di alta gamma può includere operazioni adatte alla completa automazione, operazioni che richiedono l’assistenza di una macchina e operazioni in cui il controllo umano qualificato rimane commercialmente decisivo. L’errore gestionale sarebbe quello di automatizzare in base alla visibilità di un’attività piuttosto che al suo contributo all’economia complessiva del prodotto.

Il confine produttivo corretto è quindi dinamico. Un’attività che oggi richiede il giudizio umano potrebbe diventare automatizzabile grazie a sensori migliori, dati più rappresentativi, robotica più avanzata o una riprogettazione del prodotto stesso. Viceversa, l’automazione tecnica non garantisce automaticamente la superiorità economica. Un sistema può svolgere un’attività nominale generando al contempo rilavorazioni inaccettabili, sprechi di materiale, tempi di inattività, rischi per la sicurezza informatica o perdita di differenziazione del prodotto. La questione rilevante non è se l’IA o la robotica possano riprodurre un movimento isolato in condizioni controllate, bensì se il sistema completo sia in grado di gestire la reale variabilità produttiva, mantenere la qualità richiesta, riprendersi dalle anomalie e produrre un costo unitario inferiore, corretto per il rischio, senza compromettere le caratteristiche per cui il cliente paga. Questa distinzione è particolarmente importante per il settore manifatturiero italiano, dove il valore competitivo risiede spesso nella flessibilità dei piccoli lotti, nelle complesse relazioni con i fornitori, nella scarsità di materiali, nella personalizzazione e nel know-how di processo accumulato, piuttosto che nella standardizzazione per volumi massimi.

Cinque test per il confine dell’automazione

Un’attività produttiva dovrebbe passare alla completa automazione solo dopo aver superato cinque test. Il primo è l’osservabilità : sensori e dati devono catturare le variabili effettivamente utilizzate da un esperto. Una telecamera può rilevare variazioni di colore, ma non cogliere differenze di consistenza, elasticità, tensioni interne o risposta tattile. Il secondo è la specificabilità : l’output accettabile deve essere esprimibile in termini sufficientemente precisi e stabili. Una tolleranza numerica è più facile da automatizzare rispetto a un giudizio estetico condizionato dalle caratteristiche di un particolare materiale. Il terzo è la ripetibilità : il processo deve incontrare un numero sufficiente di casi comparabili affinché l’automazione possa apprendere o essere eseguita in modo coerente. Il quarto è la recuperabilità : il sistema deve identificare le condizioni anomale, arrestarsi in sicurezza e inoltrare le eccezioni a un’autorità umana competente. Il quinto è l’economicità : il risparmio sulla manodopera diretta deve superare il costo complessivo di attrezzature, integrazione, validazione, manutenzione, preparazione dei dati, supervisione, tempi di inattività, sicurezza informatica e guasti di qualità.

Questi test separano la fattibilità fisica dalla razionalità industriale. La saldatura automobilistica ad alto volume li supera più facilmente rispetto al restauro, alla finitura su misura o all’assemblaggio di materiali naturali altamente variabili. L’ispezione automatizzata può classificare un difetto comune con elevata precisione, ma avere prestazioni scadenti quando l’illuminazione, la geometria della superficie o le caratteristiche del materiale differiscono dall’ambiente di addestramento. Un sistema robotico può riprodurre con precisione pressione e traiettoria, ma non disporre di informazioni sufficienti per determinare quando la pressione corretta dovrebbe cambiare. In questi casi, l’automazione può comunque fornire assistenza per il posizionamento, la misurazione o la forza, mentre l’operatore mantiene il controllo della decisione eccezionale. Il quadro Industria 5.0 della Commissione europea definisce esplicitamente l’obiettivo industriale come incentrato sull’uomo, sostenibile e resiliente, ponendo l’accento sulla tecnologia che supporta e responsabilizza i lavoratori, anziché considerare la sostituzione come destinazione predefinita. Industria 5.0: Verso un’industria più sostenibile, resiliente e incentrata sull’uomo — Commissione europea — gennaio 2021

Lo stack di produzione deve essere disaggregato

Il confine della produzione diventa più chiaro quando la produzione viene suddivisa in livelli anziché in mansioni. Il primo livello comprende l’elaborazione delle informazioni : previsioni della domanda, preventivi, istruzioni di lavoro, documentazione di approvvigionamento, analisi delle scorte, registri di conformità e traduzione. Queste attività sono altamente esposte perché i loro input e output sono sostanzialmente digitali. Il secondo livello comprende la percezione e la classificazione : identificazione dei difetti superficiali, misurazione dei componenti, confronto di immagini, riconoscimento di comportamenti anomali delle macchine e verifica di etichette o assemblaggi. L’intelligenza artificiale può svolgere efficacemente questi compiti laddove le condizioni di rilevamento e le definizioni dei difetti siano controllate. Il terzo livello comprende l’esecuzione fisica : taglio, movimentazione, assemblaggio, rivestimento, lavorazione, imballaggio e trasporto. L’automazione dipende dalla variabilità fisica degli input e dal costo di riconfigurazione delle attrezzature. Il quarto livello comprende la risoluzione delle eccezioni : determinare perché si è verificato un difetto, se il materiale può essere recuperato, come devono essere modificati i parametri di processo e se il risultato finale rimane commercialmente accettabile. Il quinto livello comprende la valutazione del prodotto : decisioni su sensazione al tatto, finitura, equilibrio, coerenza estetica, autenticità e aspettative specifiche del cliente.

I dati attuali sull’adozione confermano che questi livelli si stanno evolvendo a velocità diverse. Nel 2025, nelle imprese dell’UE, le tecnologie di analisi del linguaggio scritto erano utilizzate dall’11,75 % , mentre l’IA per la generazione di immagini, video o audio ha raggiunto il 9,55% e la generazione di linguaggio o codice l’8,76% . Le tecnologie che consentono alle macchine di muoversi fisicamente attraverso l’osservazione e le decisioni autonome erano utilizzate solo dall’1,39 % delle imprese . Anche tra le grandi imprese, dove l’adozione è sostanzialmente più elevata, il movimento fisico autonomo era la categoria di IA meno utilizzata, con l’ 8,55% . Utilizzo dell’intelligenza artificiale nelle imprese — Eurostat — 2025. I dati supportano quindi una transizione graduale. L’elaborazione delle informazioni e alcune attività di percezione stanno rapidamente superando il confine; la manipolazione fisica adattabile e la risoluzione di eccezioni non strutturate rimangono considerevolmente più difficili.

La scarpa di alta gamma come sistema industriale

Nel settore delle calzature di alta gamma, la progettazione digitale, la gradazione dei modelli, la configurazione degli ordini e l’ottimizzazione del taglio e del layout sono ottime candidate all’automazione, poiché implicano informazioni formali e un’allocazione calcolabile dei materiali. Il taglio computerizzato può riprodurre le geometrie con precisione, mentre la visione artificiale può supportare la mappatura dei segni visibili e il posizionamento dei componenti. La pianificazione della produzione può abbinare gli ordini a materiali, macchinari, manodopera e impegni di consegna. I sistemi di tracciabilità possono associare pelli, componenti, operatori e fasi di lavorazione al prodotto finito. Queste funzioni non eliminano l’artigianalità, ma riducono l’attrito informativo e le ripetizioni esecutive ad essa connesse.

Il confine tra pelle e cuoio diventa meno stabile quando il sistema incontra la pelle naturale. Due pelli – e diverse regioni della stessa pelle – possono reagire in modo diverso a tensione, piegatura, scarnitura, montaggio e finitura. L’aspetto superficiale non rivela necessariamente tutte le proprietà rilevanti per la produzione. Un operatore esperto integra vista, tatto, resistenza, udito e conoscenza degli effetti a valle. Il valore dell’operatore non risiede solo nel movimento manuale, ma nella rapida interpretazione che collega il comportamento attuale del materiale alla futura qualità del prodotto. Una macchina può standardizzare la lunghezza del punto e la tensione nominale; l’esperto determina se il materiale richiede una deviazione dall’impostazione nominale. Un sistema di visione può segnalare un’irregolarità visiva; l’esperto decide se si tratta di un difetto, di una caratteristica naturale utilizzabile o di un elemento che deve essere posizionato lontano dalla parte visibile.

Ciò non rende l’attività permanentemente immune all’automazione. Stabilisce piuttosto le informazioni che un sistema automatizzato dovrebbe acquisire e la soglia economica che dovrebbe superare. Se i sensori multimodali rilevano in modo affidabile spessore, elasticità, condizioni superficiali e deformazione, parte del processo decisionale dell’esperto può essere trasferita al software. Tuttavia, l’azienda deve comunque valutare il costo di accettazioni e rifiuti errati e sprechi di materiale. In un prodotto di alta gamma, un errore a bassa frequenza può comportare un costo sproporzionatamente elevato perché incide su un materiale costoso, su un prodotto finito, sulla consegna a un cliente di alto valore o sulla reputazione del marchio. La revisione umana rimane quindi razionale anche quando le macchine eseguono la maggior parte delle classificazioni. La soluzione ottimale potrebbe essere lo screening automatizzato con la valutazione da parte di esperti dei casi ambigui, piuttosto che un’ispezione manuale universale o un’autorità automatica universale.

Dove il giudizio umano diventa monetizzabile

Il giudizio umano è economicamente giustificabile solo quando modifica un risultato riconoscibile dall’azienda o dal cliente. Ciò può avvenire attraverso cinque canali: premio di qualità, resa dei materiali, flessibilità, riduzione del rischio e trasmissione della conoscenza . Il premio di qualità si verifica quando un intervento qualificato produce una finitura, una vestibilità, un suono, un gusto, un effetto visivo o un risultato tattile per i quali gli acquirenti sono disposti a pagare di più. La resa dei materiali è importante quando gli esperti recuperano o riallocano gli input che un sistema automatizzato scarterebbe. La flessibilità è importante quando ordini di basso volume, personalizzati o in rapida evoluzione renderebbero antieconomica un’automazione dedicata. La riduzione del rischio si verifica quando l’intervento umano previene guasti rari ma costosi. La trasmissione della conoscenza crea valore quando gli esperti formano gli apprendisti, perfezionano gli standard e generano gli esempi etichettati necessari per i futuri miglioramenti tecnologici.

L’espressione “tocco umano” è commercialmente insufficiente se non collegata ad almeno uno di questi meccanismi. Un’attività può richiedere un notevole sforzo manuale senza però produrre alcun valore tangibile per il cliente né alcun vantaggio operativo. In tal caso, tutelarla significa preservare la forza lavoro piuttosto che adottare una strategia industriale. Al contrario, un intervento apparentemente minore può giustificare il controllo umano se determina se un input costoso si trasforma in un prodotto di qualità superiore o in uno scarto. Le aziende dovrebbero quindi calcolare il contributo del giudizio umano per le operazioni critiche utilizzando effetti misurabili: riduzione degli scarti e delle rilavorazioni; aumento dell’utilizzo dei materiali; riduzione dei tempi di cambio produzione; costi di garanzia evitati; sovrapprezzo associato alla personalizzazione o alla lavorazione certificata; e risoluzione positiva di casi non standard. Lo scopo non è ridurre la maestria artigianale a un semplice punteggio, ma impedire al management di eliminare competenze preziose semplicemente perché il loro contributo non è mai stato registrato.

Una matrice di allocazione pratica

Condizioni di produzione	Assegnazione preferenziale	Motivo
Input stabili, tolleranze esplicite, volume elevato, basso tasso di eccezioni	Automazione guidata da macchine	La ripetibilità e la scalabilità giustificano i costi di integrazione
Lavoro stabile ma pericoloso, faticoso o ergonomicamente dannoso	Automazione con supervisione umana	I vantaggi in termini di sicurezza e coerenza sono predominanti.
Variazione osservabile con un numero sufficiente di esempi etichettati	classificazione assistita dall’IA	Le macchine filtrano il volume; gli esseri umani gestiscono l’ambiguità
Materiali variabili con costosi falsi scarti	Valutazione umana dopo screening automatico	Il recupero da parte di esperti può superare il costo della manodopera
Modifiche frequenti al prodotto e piccoli lotti	Automazione flessibile o cobotica	L’automazione dedicata potrebbe non recuperare il suo costo di investimento.
Criteri di accettazione estetici o specifici del cliente	Decisione controllata dall’uomo con supporto digitale	La qualità dipende dal contesto e dalle aspettative del mercato.
Nuovo difetto o deviazione di processo senza analoghi storici	Autorità di escalation umana	Il sistema non dispone di un confine decisionale validato
Movimento ripetitivo senza alcun contributo umano riconosciuto dal mercato.	Candidati all’automazione	L’esecuzione manuale di per sé non crea differenziazione
Intervento artigianale a supporto della provenienza o della determinazione del prezzo	Esecuzione umana con tracciabilità	L’intervento fa parte dell’identità commerciale del prodotto.
Competenza di processo concentrata in specialisti dell’invecchiamento	Priorità immediata per l’acquisizione delle conoscenze	L’inazione crea rischi di successione e continuità

La matrice stabilisce che i ruoli umani e delle macchine non debbano essere assegnati in base alla qualifica professionale. Un singolo operatore può supervisionare l’esecuzione automatizzata, ispezionare i risultati incerti, risolvere le anomalie ed eseguire un’operazione estetica finale. Allo stesso modo, una cella di produzione può passare dalla modalità automatizzata a quella controllata dall’uomo a seconda del materiale o dell’ordine. Questo è più complesso rispetto alla sostituzione di un’intera mansione, ma è economicamente più preciso.

Controllo qualità: la frontiera più importante nel breve termine

Il controllo qualità è tra le applicazioni più interessanti perché collega direttamente l’intelligenza artificiale agli sprechi, alle rilavorazioni, al rischio di garanzia e all’accettazione da parte del cliente. Tuttavia, dimostra anche perché il giudizio umano non può essere eliminato semplicemente perché un algoritmo raggiunge un’elevata precisione media. Le conseguenze industriali di un errore dipendono dalla sua tipologia. Un rifiuto errato comporta uno spreco di materiale e di tempo produttivo; un’accettazione errata trasferisce il difetto a valle, dove la correzione diventa più costosa o impossibile. La soglia corretta, quindi, varia in base al valore del prodotto, alla fase del processo e alla gravità del difetto. Un sistema che ispeziona un componente intermedio non dovrebbe necessariamente utilizzare la stessa regola decisionale di un sistema che approva un prodotto di lusso finito.

Un’architettura robusta suddivide i casi in tre zone. La conformità evidente può essere accettata automaticamente. La non conformità evidente può essere rifiutata o deviata. La zona di incertezza viene affidata a un operatore qualificato. Ogni decisione umana diventa quindi un feedback strutturato: vengono conservate l’immagine, le proprietà del materiale, i parametri operativi, la motivazione della decisione e il risultato finale. Questo genera un processo verificabile e migliora gradualmente il modello. La revisione umana non è un imbarazzo temporaneo da eliminare il più rapidamente possibile. È un meccanismo di controllo che protegge la qualità e al contempo amplia la base di dati. Il confine dovrebbe essere spostato solo quando le prestazioni osservate dimostrano che l’automazione mantiene o migliora l’economia complessiva del processo in condizioni normali ed eccezionali.

Pianificazione, manutenzione e lavori amministrativi

La pianificazione della produzione si presta molto bene all’assistenza dell’IA, ma è poco adatta a un’autorità non supervisionata quando gli obiettivi sono in conflitto. Un modello può stimare la domanda, identificare i colli di bottiglia e generare programmi, ma i manager devono decidere come bilanciare l’utilizzo con la resilienza, le scorte con il rischio di consegna e l’efficienza con la stabilità della forza lavoro. I dati storici possono inoltre contenere carenze passate, modelli di ordini distorti o priorità dei clienti che non sono più valide. La macchina può esplorare uno spazio di soluzioni più ampio; la direzione rimane responsabile della definizione dell’obiettivo e della determinazione dei vincoli che non possono essere violati.

La manutenzione predittiva segue uno schema simile. Sensori e modelli possono identificare le anomalie che precedono il guasto, consentendo di programmare la manutenzione prima che si verifichi l’arresto. Il vantaggio è massimo laddove i tempi di inattività sono costosi e si dispone di una cronologia operativa sufficiente. Il tecnico umano rimane essenziale quando i sintomi hanno cause multiple, i sensori non sono affidabili o la riparazione richiede improvvisazione. L’intelligenza artificiale può dare priorità alle ispezioni e recuperare i dati storici rilevanti, ma il sistema non dovrebbe convertire previsioni incerte in sostituzioni automatiche dei componenti senza una validazione economica. In caso contrario, l’azienda scambia i tempi di inattività non pianificati con spese di manutenzione non necessarie.

Le funzioni amministrative supereranno più rapidamente la soglia dell’automazione. La redazione di documenti di routine, l’estrazione di informazioni sugli ordini, la riconciliazione dei registri e la produzione di preventivi iniziali possono essere parzialmente automatizzate poiché gli output sono digitali e la revisione è relativamente poco costosa. Tuttavia, l’automazione deve preservare la responsabilità. Un preventivo generato che includa una tolleranza, un impegno di consegna o una condizione contrattuale errati può trasferire il rischio direttamente alla produzione. La revisione umana dovrebbe essere mirata in base alle conseguenze, piuttosto che applicata indiscriminatamente a ogni output.

L’automazione incentrata sull’uomo non è solo politica sociale

La progettazione centrata sull’uomo viene spesso presentata come una forma di tutela dei lavoratori, ma è anche una strategia per l’affidabilità industriale. Gli operatori rilevano segnali deboli, risolvono combinazioni di eventi non rappresentate nei dati di addestramento e preservano la produzione in caso di guasto parziale del sistema. Eliminare la loro autorità può portare alla creazione di una fabbrica che funziona in modo efficiente nelle condizioni previste, ma che fallisce bruscamente quando le ipotesi vengono meno. L’approccio Industria 5.0 della Commissione Europea collega la centralità dell’uomo alla resilienza, anziché considerarle obiettivi separati. Industria 5.0 — Commissione Europea — consultato a settembre 2026

Il principio operativo dovrebbe essere il controllo umano su eccezioni, obiettivi e decisioni irreversibili . I lavoratori devono avere l’autorità di interrompere un processo, rifiutare una raccomandazione automatizzata e documentare il motivo per cui il sistema ha commesso un errore. La direzione deve distinguere tra un’interruzione legittima e la resistenza al cambiamento. Le interruzioni dovrebbero essere analizzate per individuare eventuali schemi ricorrenti: ripetuti interventi giustificati indicano che il modello o il confine del processo sono difettosi; ripetuti interventi ingiustificati possono indicare problemi di formazione o interfacce mal progettate. Eliminare i diritti di interruzione nasconde entrambe le forme di evidenza. Il risultato potrebbe apparire altamente automatizzato, pur diventando meno capace di apprendere.

L’intelligenza artificiale può anche compromettere le competenze se l’operatore viene ridotto a un ruolo di monitoraggio passivo. Le capacità si indeboliscono quando i lavoratori non sono più in grado di diagnosticare, decidere o esercitarsi in operazioni complesse. Le aziende devono quindi progettare meccanismi mirati per il mantenimento delle competenze: rotazione delle esercitazioni manuali, simulazione di condizioni anomale, revisione dei casi difficili, tutoraggio e certificazione dell’autorità di escalation. In caso contrario, l’azienda potrebbe scoprire, in caso di guasto del sistema, che dipendenti nominalmente qualificati non sono più in grado di operare in autonomia.

Proprietà intellettuale e cattura dell’artigianato

La digitalizzazione del sapere artigianale crea sia resilienza che rischio di appropriazione. Immagini di materiali, classificazioni dei difetti, parametri di processo, azioni correttive e specifiche del cliente possono costituire un insieme di dati industriali di grande valore. Se queste informazioni vengono trasferite su una piattaforma esterna senza chiare restrizioni in merito a conservazione, addestramento del modello, riutilizzo e accesso da parte dei subappaltatori, l’azienda potrebbe cedere il sapere che intendeva proteggere. Il confine economico tra uomo e macchina è quindi anche un confine di proprietà: chi controlla il modello, i dati di addestramento, le correzioni e la cronologia operativa.

Le aziende italiane dovrebbero classificare il know-how produttivo prima della sua implementazione. Le informazioni amministrative generiche possono essere adatte a sistemi esterni soggetti a controlli ordinari. I progetti dei clienti, le tolleranze, le ricette, le procedure di finitura, le regole di selezione dei materiali e le correzioni degli esperti richiedono una maggiore tutela contrattuale e tecnica. Casi d’uso sensibili possono giustificare l’elaborazione locale, infrastrutture private, dataset segregati o modelli che non trasmettano input proprietari a un servizio generale. L’obiettivo non è l’isolamento tecnologico, bensì la preservazione del potere contrattuale. Un’azienda che concede a un fornitore l’accesso alle decisioni cumulative dei suoi dipendenti più qualificati può contribuire a creare un sostituto della propria competenza senza però mantenerne la proprietà.

Misurare il risultato corretto

I progetti di automazione dovrebbero essere valutati in base a una base di riferimento produttiva, piuttosto che sulla base di una narrazione di modernità tecnologica. Prima dell’implementazione, l’azienda dovrebbe registrare i tempi di ciclo, i tempi di manodopera, gli scarti, le rilavorazioni, i tempi di inattività, il consumo energetico, i difetti sfuggiti, le variazioni di consegna, i tempi di setup e la frequenza degli interventi di esperti. Dopo l’implementazione, gli stessi indicatori dovrebbero essere misurati in condizioni operative e con mix di prodotti comparabili. I guadagni di produttività non dovrebbero essere dedotti da una dimostrazione o da una previsione del fornitore.

Per le operazioni ad alta intensità artigianale, la valutazione deve includere variabili che i programmi di automazione convenzionali spesso omettono: materiale recuperato, conservazione delle opzioni personalizzate, resi dei clienti, accettazione finale da parte di ispettori esperti, sovrapprezzo e tempo necessario per formare i nuovi operatori. Un sistema che riduce la manodopera diretta ma aumenta gli scarti di pelle, sopprime la personalizzazione o indebolisce la qualità percepita può distruggere più valore di quanto ne salvi. Al contrario, uno strumento che lascia invariato il personale ma consente agli stessi specialisti di gestire più ordini, formare più rapidamente gli apprendisti o ridurre lo spreco di materiali rari può essere economicamente trasformativo.

Di conseguenza, i confini della produzione dovrebbero essere rivisti periodicamente. L’automazione non è una decisione binaria una tantum. Si tratta di un trasferimento controllato di responsabilità basato sulle prestazioni osservate. L’onere della prova dovrebbe aumentare con l’irreversibilità e le conseguenze commerciali della decisione trasferita.

Il modello di produzione emergente

Il modello più valido per la produzione italiana di alta gamma non è né l’officina tradizionale rimasta immutata, né la fabbrica completamente automatizzata. È un sistema produttivo leggibile digitalmente, assistito da macchine e comandato dall’uomo . Movimenti ripetitivi, manipolazione di materiali pericolosi, misurazioni standard, elaborazione di documenti e classificazione di grandi volumi vengono automatizzati. Gli esperti si concentrano sull’allocazione dei materiali, sulla risoluzione delle eccezioni, sull’adattamento dei processi, sull’accettazione estetica, sulle decisioni specifiche per il cliente e sul miglioramento continuo del lavoro, sia umano che automatizzato.

Per la produzione su larga scala, il confine si sposterà ulteriormente verso l’automazione, poiché i volumi giustificano l’integrazione e i processi possono essere riprogettati per l’esecuzione automatica. Ciononostante, l’autorità umana rimane necessaria per la definizione degli obiettivi, la gestione di condizioni anomale, la sicurezza, le interruzioni della fornitura e le complesse valutazioni di qualità. Per i produttori artigianali, l’automazione fisica rimarrà più selettiva, ma la tracciabilità digitale e la pianificazione supportata dall’intelligenza artificiale diventeranno imprescindibili. Un’azienda può legittimamente decidere che la finitura finale debba rimanere un’operazione manuale. Non può però utilizzare tale decisione per giustificare informazioni di inventario inadeguate, standard di qualità non documentati o la dipendenza da un unico specialista la cui conoscenza svanisce con il pensionamento.

Sentenze chiave

• Automatizzabile non significa che automatizzare sia economicamente razionale .
• Le applicazioni più promettenti a breve termine riguardano l’elaborazione delle informazioni, la pianificazione, il supporto alle ispezioni, la documentazione e le funzioni predittive.
• L’automazione fisica progredisce più rapidamente laddove gli input e le tolleranze sono stabili e il volume di produzione assorbe i costi fissi di integrazione.
• Il giudizio umano rimane monetizzabile quando migliora la resa, risolve le eccezioni, protegge i materiali costosi, consente la personalizzazione o mantiene un riconosciuto premio di qualità.
• L’artigianato privo di misurazione e tracciabilità è vulnerabile; l’artigianato ridotto interamente a dati rischia di essere appropriato e mercificato.
• L’architettura ottimale è spesso costituita da screening automatico, esecuzione automatica o supporto decisionale combinati con l’autorità umana su casi ambigui, importanti o nuovi.
• L’autonomia dei lavoratori e i meccanismi di prelazione sono elementi di resilienza operativa, non semplici aspetti di politica del lavoro.
• Le imprese devono misurare l’economia complessiva del processo, piuttosto che il risparmio diretto sulla manodopera.

Cosa cambierebbe la valutazione?

Il confine della produzione si sposterebbe significativamente verso le macchine se la rilevazione multimodale potesse acquisire in modo affidabile le proprietà tattili e strutturali dei materiali, se la manipolazione robotica flessibile diventasse economicamente vantaggiosa per piccoli lotti e se dati longitudinali di fabbrica dimostrassero costi totali inferiori senza deterioramento della qualità premium. Rimarrebbe invece incentrato sull’uomo più a lungo se i materiali variabili continuassero a generare elevati tassi di eccezione, se i clienti pagassero premi verificabili per l’intervento di personale specializzato, se l’automazione aumentasse i falsi scarti o se i dati industriali non potessero essere protetti dall’appropriazione esterna.

Registro pubblico aperto

• Dati italiani specifici per settore che confrontano l’ispezione di qualità effettuata da personale umano, con l’ausilio di sistemi informatici e automatizzata.
• Dati verificati sulla resa dei materiali e sulle rilavorazioni successive all’implementazione dell’IA nei settori della pelle, delle calzature, dei tessuti, dell’arredamento e dell’ingegneria di precisione.
• Misurazioni ufficiali del sovrapprezzo attribuibile specificamente alla manodopera umana.
• Evidenze longitudinali sulla conservazione delle competenze dopo l’automazione e sulle prestazioni dei lavoratori durante i guasti del sistema.
• Dati comparabili sui costi totali per la robotica flessibile nella produzione di piccoli volumi e altamente personalizzata.
• Prove pubbliche sul controllo contrattuale dei dati relativi alla formazione industriale forniti a piattaforme esterne di intelligenza artificiale.

La risposta strategica: investimenti, competenze, proprietà dei dati e posizionamento industriale.

Il giudizio determinante

L’Italia non dovrebbe perseguire un obiettivo generico di “più IA” nel settore manifatturiero. Dovrebbe invece perseguire una sovranità tecnologica selettiva a livello aziendale e di filiera : la capacità di individuare applicazioni economicamente valide, integrarle nella produzione, preservare il controllo sul know-how industriale e garantire che i guadagni di produttività rafforzino, anziché indebolire, la base manifatturiera nazionale. La divisione strategica non sarà tra le imprese che utilizzano l’IA e quelle che non la utilizzano, bensì tra le imprese che controllano gli scopi, i dati e gli aspetti economici dei propri sistemi e quelle che diventano dipendenti da piattaforme esterne, fornitori o clienti dominanti.

La risposta necessaria si articola in quattro componenti che si rafforzano a vicenda. Gli investimenti devono essere vincolati ai risultati operativi, non all’acquisizione di attrezzature. La politica delle competenze deve coniugare la competenza produttiva con le competenze digitali, anziché separare i tecnici dagli operatori esperti. La governance dei dati deve considerare gli storici di produzione e le correzioni effettuate dagli esperti come risorse strategiche. Il posizionamento industriale deve determinare in quali settori l’Italia compete grazie alle economie di scala, in quali grazie alla flessibilità e in quali la comprovata competenza umana garantisce un premio difendibile. Il fallimento in una qualsiasi di queste componenti indebolisce le altre: i macchinari senza competenze rimangono sottoutilizzati; le competenze senza dati non possono formare sistemi affidabili; i dati senza proprietà rafforzano i fornitori più dei produttori; l’automazione senza posizionamento accelera la mercificazione.

L’investimento deve iniziare dal processo

La prima decisione di investimento non dovrebbe essere la scelta di un prodotto basato sull’intelligenza artificiale, bensì l’individuazione di un problema produttivo la cui importanza economica sia misurabile. I progetti candidati dovrebbero essere classificati in base alle perdite di base: scarti, rilavorazioni, fermi macchina, consumo energetico, ritardi nelle consegne, errori di previsione, tempi di setup, oneri amministrativi, rischi legati alla garanzia o dipendenza da competenze specialistiche rare. Solo dopo aver quantificato il meccanismo di perdita, la direzione aziendale dovrebbe stabilire se l’intervento più efficiente risieda nell’intelligenza artificiale, nell’automazione convenzionale, in sensori più performanti, nella riprogettazione dei processi o nella formazione dei dipendenti.

Questa sequenza è importante perché molti problemi operativi descritti come opportunità di intelligenza artificiale sono in realtà fallimenti nella raccolta, nella manutenzione o nella disciplina gestionale dei dati. Un’azienda manifatturiera non può ottenere una manutenzione predittiva affidabile da cronologie delle macchine incomplete. Non può automatizzare la classificazione della qualità se i difetti non sono mai stati definiti in modo coerente. Non può ottimizzare la pianificazione della produzione quando inventario, ordini e disponibilità effettiva delle macchine risiedono in sistemi incompatibili. In questi casi, il primo investimento è la creazione di una baseline digitale verificabile. L’intelligenza artificiale può rivelarsi utile in seguito, ma introdurla prematuramente aggiunge un ulteriore livello di incertezza.

Il sostegno pubblico italiano dovrebbe pertanto applicare un modello di finanziamento a fasi:

• Fase diagnostica: mappatura dei processi, valutazione della maturità digitale, inventario dei dati e misurazione del punto di riferimento.
• Fase preparatoria: sensori, interoperabilità, sicurezza informatica, pulizia dei dati e formazione del personale.
• Fase pilota: un caso d’uso circoscritto con criteri di successo e fallimento definiti.
• Fase di industrializzazione: integrazione con i sistemi operativi, supervisione umana responsabile e accordi di continuità.
• Fase di scalabilità: la replicazione su altri prodotti o stabilimenti avviene solo dopo aver verificato i risultati.
• Fase successiva all’implementazione: misurazione della produttività, della qualità, dell’occupazione, della sicurezza e degli effetti indesiderati.

Il piano italiano di ripresa e resilienza destina già 13,4 miliardi di euro alla transizione digitale e all’innovazione del sistema produttivo, compresi incentivi per le tecnologie avanzate, la ricerca e lo sviluppo e le attività di formazione. Piano italiano di ripresa e resilienza — Commissione europea — consultato a settembre 2026. La questione strategica non è quindi semplicemente il volume dei finanziamenti pubblici. Si tratta piuttosto di stabilire se la spesa contribuisca a costruire capacità cumulative a livello aziendale o se produca acquisti scollegati i cui benefici svaniscano al termine del ciclo di sovvenzioni.

Le diverse imprese richiedono diverse strategie di capitale

Non ci si può aspettare che una microimpresa, una PMI industriale e un gruppo manifatturiero multinazionale seguano la stessa architettura di investimento.

Tipo di impresa	Investimento prioritario	Modello da evitare	Supporto richiesto
microimpresa artigianale	Registri digitali, tracciabilità, pianificazione, ispezione assistita e acquisizione di conoscenze	Automazione proprietaria costosa, progettata per volumi elevati e stabili.	Competenze tecniche condivise, piccoli progetti pilota e semplici garanzie contrattuali
piccolo fornitore industriale	Interoperabilità, visibilità della produzione, dati di qualità e integrazione con i sistemi dei clienti.	Strumenti di intelligenza artificiale isolati, non collegati a macchinari o flussi di lavoro.	Servizi di integrazione a livello distrettuale e infrastruttura di test condivisa
Produttore di medie dimensioni	Manutenzione predittiva, visione artificiale, ottimizzazione della pianificazione e automazione flessibile	Progetti pilota di diversi fornitori senza un’architettura unificata	Responsabile interno del prodotto, governance dei dati e riorganizzazione della forza lavoro.
Grande gruppo industriale	Integrazione su scala aziendale, gemelli digitali, dati dei fornitori e controllo automatizzato	Centralizzazione che elimina la conoscenza della produzione locale	Validazione indipendente, autorità a livello di impianto e inclusione nella catena di fornitura
Gruppo di lusso o premium	Tracciabilità di provenienza, personalizzazione, resa dei materiali e lavorazione artigianale.	Automazione che indebolisce l’autenticità o mercifica il design	Set di dati protetti e standard espliciti di intervento umano

Per le microimprese, possedere infrastrutture complesse è generalmente meno importante che ottenere un accesso affidabile ad esse. Gli European Digital Innovation Hubs forniscono valutazioni della maturità digitale, formazione, assistenza tecnica e collegamenti con i finanziamenti, mentre l’architettura AI Factory dell’UE è progettata per connettere capacità di calcolo, dati e competenze con l’industria e le PMI. European Digital Innovation Hubs Network — Commissione europea — consultato a settembre 2026 AI Factorys — Commissione europea — consultato a settembre 2026 L’Italia dovrebbe utilizzare queste reti come servizi di estensione industriale piuttosto che come vetrine generiche per l’innovazione. Il loro successo dovrebbe essere misurato dai sistemi implementati, dai miglioramenti della produzione verificati e dalle competenze mantenute all’interno delle imprese partecipanti.

Il sostegno di capitale deve premiare l’assorbimento

Gli incentivi pubblici tradizionalmente privilegiano le spese in conto capitale identificabili perché le attrezzature sono facili da fatturare e verificare. La trasformazione basata sull’intelligenza artificiale dipende fortemente da investimenti complementari meno visibili: analisi dei processi, preparazione dei dati, tempo dei dipendenti, riprogettazione dei flussi di lavoro, sicurezza informatica, integrazione e validazione post-implementazione. Se solo i macchinari o le licenze software sono ammissibili, le aziende potrebbero ottimizzare le proprie richieste in base alle regole di sovvenzione piuttosto che al valore industriale.

Il Programma Nazionale Ricerca, Innovazione e Competitività per la transizione verde e digitale 2021-2027 prevede uno stanziamento di 5,56 miliardi di euro , di cui 3,75 miliardi destinati alla priorità relativa a ricerca, innovazione, digitalizzazione, investimenti e competenze e 601,8 milioni di euro per le tecnologie critiche STEP. Programma Nazionale Ricerca, Innovazione e Competitività per la transizione verde e digitale 2021-2027 — MIMIT, MUR e MASE — Mar 2026. SIMEST prevede inoltre una riserva dedicata di 200 milioni di euro per investimenti in IA e calcolo quantistico da parte di imprese a vocazione internazionale. Transizione digitale o ecologica — SIMEST — consultato a settembre 2026.

Questi strumenti dovrebbero essere valutati in base all’addizionalità e all’assorbimento. L’addizionalità si interroga se il sostegno pubblico abbia generato un investimento produttivo che altrimenti sarebbe stato ritardato o abbandonato. L’assorbimento si interroga se il beneficiario abbia acquisito la capacità organizzativa necessaria per continuare a utilizzare, migliorare e gestire la tecnologia anche dopo la conclusione del progetto finanziato. Un sistema sovvenzionato che rimane gestito da fornitori, poco compreso internamente e scollegato da risultati produttivi misurabili non garantisce una competitività duratura.

Le competenze fanno parte del capitale

Il problema centrale in termini di competenze non è che ogni operaio debba diventare un programmatore. Il problema è che le aziende hanno bisogno di persone capaci di fare da ponte tra la realtà produttiva e i sistemi digitali. I profili critici includono operatori che comprendano i dati e le misurazioni, ingegneri che comprendano la variabilità dei materiali, tecnici in grado di interpretare i modelli senza rinunciare al giudizio, manager che sappiano valutare l’economia complessiva del processo e personale legale o addetto alla sicurezza che comprenda i flussi di dati industriali.

Secondo Istat, il 58,6% delle imprese italiane che hanno valutato l’adozione dell’IA ma non l’hanno poi implementata, ha individuato nella mancanza di competenze adeguate un ostacolo. La stessa indagine mostra che l’adozione dell’IA è associata molto più fortemente al marketing, all’amministrazione e alla ricerca che ai macchinari fisici autonomi. Imprese e ICT – Anno 2025 — Istat — Dicembre 2025 La risposta appropriata è quindi una formazione specifica per la professione, piuttosto che una generica sensibilizzazione all’IA. Un ispettore di qualità necessita di competenze in materia di soglie di confidenza, falsa accettazione, falso rifiuto e escalation. Un tecnico di manutenzione necessita di interpretazione delle anomalie e validazione dei sensori. Un pianificatore della produzione deve comprendere i vincoli di ottimizzazione e le conseguenze di dati inesatti. Un manager deve saper distinguere una dimostrazione convincente da un ritorno sull’investimento riproducibile.

La formazione dovrebbe essere suddivisa in quattro livelli:

• Alfabetizzazione sull’IA per tutti i lavoratori interessati: scopi, limitazioni, gestione dei dati, segnalazione degli errori e diritti.
• Competenza operativa: utilizzo, verifica e gestione dei sistemi impiegati in un particolare flusso di lavoro.
• Competenza di integrazione: connessione dell’IA con macchinari, software aziendali, sicurezza informatica e sistemi di qualità.
• Competenza strategica: selezione degli investimenti, gestione dei fornitori, tutela della proprietà intellettuale e riorganizzazione aziendale.

Non si tratta semplicemente di una prassi gestionale raccomandata. L’articolo 4 della legge europea sull’intelligenza artificiale impone ai fornitori e agli implementatori di adottare, per quanto possibile, misure per garantire un livello adeguato di alfabetizzazione in materia di IA tra il personale e le altre persone che utilizzano sistemi di IA per loro conto, tenendo conto delle loro conoscenze, esperienza, formazione e del contesto di utilizzo. Regolamento (UE) 2024/1689 — Parlamento europeo e Consiglio — giugno 2024. La formazione sulla conformità non dovrebbe essere ridotta a un modulo online standard. Il livello di alfabetizzazione richiesto è diverso tra chi utilizza l’IA generativa per la corrispondenza e chi si affida alla visione artificiale per rilasciare un componente in produzione.

Il maestro artigiano deve accedere al sistema digitale

Le competenze tradizionali dovrebbero essere considerate una fonte di dati industriali, ma non sfruttate come se non avessero un proprietario o un contesto istituzionale. Gli operatori senior dovrebbero partecipare alla definizione delle categorie di difetti, delle variazioni accettabili, delle regole di escalation e delle circostanze in cui una raccomandazione relativa alla macchina deve essere respinta. I loro interventi dovrebbero essere documentati con relative spiegazioni e collegati ai risultati di produzione. Questo permette di creare materiale formativo per gli apprendisti, prove a supporto del miglioramento dei processi ed esempi concreti per lo sviluppo tecnologico.

La retribuzione e lo status dovrebbero riflettere questo ruolo aggiuntivo. Se le aziende chiedono a lavoratori esperti di trasferire decenni di conoscenze in un sistema che potrebbe in seguito ridurre il loro potere contrattuale o eliminare la loro posizione, la resistenza è economicamente razionale. I programmi di acquisizione delle conoscenze dovrebbero pertanto includere obiettivi trasparenti, il riconoscimento dei contributi, l’impegno alla formazione e regole definite su come le conoscenze acquisite verranno utilizzate. Ove opportuno, i contratti collettivi o i meccanismi di governance interna dovrebbero disciplinare il monitoraggio, la valutazione e la riallocazione.

L’obiettivo strategico non è quello di preservare ogni metodo ereditato. Alcune pratiche si riveleranno inefficienti una volta misurate. Altre riveleranno contributi prima invisibili al management. Il punto è sottoporre sia la tecnologia che la tradizione a un esame oggettivo. Un passaggio manuale che non influisce sulla qualità, sulla flessibilità o sul rischio dovrebbe essere riconsiderato. Un intervento specialistico che prevenga in modo sistematico costosi guasti dovrebbe essere formalizzato e tutelato.

La proprietà dei dati rappresenta la sovranità industriale a livello aziendale.

I dati di produzione non sono un mero scarto amministrativo. Contengono la memoria operativa dell’azienda: comportamento delle macchine, caratteristiche dei materiali, modelli di difetto, specifiche del cliente, interventi correttivi, tolleranze di processo, prestazioni dei fornitori e priorità commerciali. L’insieme di questi dati può rivelare come l’azienda produce qualità, dove tollera le variazioni e come risolve problemi che i concorrenti non sono in grado di gestire.

Prima di implementare l’IA, ogni produttore dovrebbe classificare i propri dati in almeno quattro categorie:

Classe di dati	Esempi	Trattamento predefinito
Dati operativi relativi alle materie prime	Manuali pubblici, istruzioni generiche per la manutenzione	L’elaborazione esterna può essere accettabile
Dati aziendali sensibili	Ordini, prezzi, inventari, programmi	Restrizioni contrattuali, controlli di accesso e segregazione
Competenze industriali fondamentali	Parametri di processo, tassonomie dei difetti, ottimizzazione della resa	Protezione elevata; trattamento controllato o locale
Dati relativi all’identità e alla provenienza	Progettazione, interventi artigianali, specifiche del cliente	Massimi controlli contrattuali, tecnici e di audit

Il quadro europeo in materia di dati si sta orientando verso un maggiore accesso e riutilizzo dei dati industriali, ma i diritti di accesso non eliminano la necessità di una governance. La strategia in continua evoluzione della Commissione in materia di dati pone l’accento su dati di alta qualità e ben organizzati come input per l’innovazione nell’IA. Strategia europea per i dati — Commissione europea — consultato a settembre 2026. Per un produttore italiano, tuttavia, una maggiore condivisione dei dati non è automaticamente vantaggiosa. L’azienda deve valutare se uno spazio dati proposto crei valore reciproco o trasferisca conoscenze uniche a una piattaforma, un cliente o un fornitore di tecnologia più forte.

I contratti devono preservare il controllo

I contratti di fornitura di IA dovrebbero definire almeno:

• titolarità dei dati di origine, dei prompt, delle etichette, delle correzioni e degli output del modello;
• se il fornitore può conservare o utilizzare i dati aziendali per l’addestramento dei modelli;
• il luogo e la durata della conservazione;
• accesso da parte di subappaltatori ed entità extra-UE;
• procedure per la cancellazione, l’esportazione e la migrazione;
• conseguenze tecniche e finanziarie della cessazione del servizio;
• diritti di audit e di notifica degli incidenti;
• attribuzione di responsabilità per raccomandazioni errate;
• portabilità di cronologie, configurazioni e parametri appresi;
• protezione dei segreti commerciali e delle informazioni sui clienti;
• accordi di continuità nel caso in cui il fornitore fallisca o modifichi i termini.

Il pericolo strategico maggiore non è necessariamente il furto di dati, bensì la dipendenza senza portabilità . Un produttore potrebbe gradualmente adattare la propria produzione al modello, all’interfaccia e al formato di archiviazione proprietari di un fornitore. Il passaggio a un nuovo sistema diventerebbe quindi rischioso dal punto di vista operativo, anche in caso di aumento dei prezzi o indebolimento delle tutele contrattuali. Le aziende dovrebbero pertanto mantenere dati esportabili, flussi di lavoro documentati e un manuale affidabile o una modalità operativa alternativa per le funzioni critiche.

I grandi gruppi dovrebbero estendere la stessa disciplina anche alle piattaforme dei fornitori. Richiedere ai piccoli fornitori di caricare informazioni dettagliate sulla produzione può migliorare il coordinamento, ma può anche trasferire una visibilità e un potere contrattuale asimmetrici all’acquirente. La politica industriale dovrebbe incoraggiare standard interoperabili che consentano la circolazione delle informazioni necessarie senza dare a un’azienda accesso illimitato al know-how fondamentale di un’altra.

La sicurezza informatica diventa sicurezza della produzione

Una volta che l’intelligenza artificiale connette i sistemi informativi alla produzione, la sicurezza informatica può avere ripercussioni sulla produzione fisica. Dati di addestramento manipolati possono falsare i risultati delle ispezioni. Sensori compromessi possono generare falsi allarmi di manutenzione. Modifiche non autorizzate agli obiettivi di ottimizzazione possono privilegiare la produttività rispetto alla sicurezza o alla qualità. La dipendenza dai servizi cloud può interrompere le operazioni in caso di guasti di connettività o interruzioni del servizio del fornitore. Un sistema che migliora l’efficienza media ma crea un singolo punto di guasto può ridurre la resilienza.

Pertanto, ogni implementazione industriale dovrebbe specificare:

• la durata massima di interruzione accettabile;
• il processo utilizzato in caso di interruzione del servizio di intelligenza artificiale;
• che possono modificare modelli, soglie e obiettivi;
• come vengono registrate le modifiche al modello e alla configurazione;
• come vengono convalidati i dati di input;
• come vengono rilevate le raccomandazioni anomale;
• quali azioni richiedono l’autorizzazione umana;
• se il sistema è isolato dai controlli critici per la sicurezza;
• come l’azienda recupera i propri dati dopo la cessazione del rapporto di lavoro.

Per le imprese artigianali, questi requisiti devono rimanere proporzionati. Un laboratorio di dieci persone non ha bisogno della burocrazia di un gruppo automobilistico. Ha però bisogno di una separazione di base tra i normali strumenti d’ufficio e le informazioni sensibili relative alla produzione, di backup verificati, di accesso limitato e di una regola chiara contro l’inserimento di progetti proprietari o dati dei clienti in sistemi pubblici non approvati.

Il posizionamento industriale deve precedere l’automazione.

La tecnologia non può correggere una posizione di mercato poco chiara. Prima di investire, il management deve decidere quale dei quattro modelli competitivi l’azienda intende difendere.

leadership su larga scala

L’azienda compete in base al costo unitario, alla produttività, all’affidabilità e alla coerenza delle consegne. L’automazione dovrebbe essere profondamente integrata, mentre il lavoro umano si sposterebbe verso l’ingegneria, la supervisione, la manutenzione e la gestione delle eccezioni. La mancanza di investimenti crea un’esposizione diretta a produttori internazionali più efficienti.

Specializzazione flessibile

L’azienda compete grazie a piccoli lotti, configurazione rapida e reattività ingegneristica. Richiede sistemi interoperabili e automazione flessibile, piuttosto che apparecchiature ottimizzate per un singolo prodotto stabile. La competenza umana rimane fondamentale per i cambi di produzione e le specifiche particolari.

Lavorazione artigianale verificata

L’azienda compete grazie alla conoscenza dei materiali, all’intervento qualificato, alla provenienza e a un visibile sovrapprezzo per la qualità. La tecnologia dovrebbe ridurre i costi non differenzianti e documentare l’autenticità senza cancellare l’intervento che giustifica il sovrapprezzo.

Scala premium ibrida

L’azienda combina volumi industriali con operazioni selezionate e controllate dall’uomo. I gruppi del lusso occupano spesso questa posizione. La loro sfida è preservare la credibilità: le affermazioni di marketing sull’artigianalità devono corrispondere a una realtà produttiva tracciabile.

Le imprese più vulnerabili sono quelle intrappolate tra queste due posizioni: troppo costose per competere grazie alle economie di scala, troppo standardizzate per poter applicare un prezzo maggiorato e insufficientemente flessibili per dominare nicchie di mercato specializzate. L’intelligenza artificiale accelera la loro esposizione perché i concorrenti possono ridurre i costi informativi e di coordinamento ancor prima di automatizzare il prodotto fisico.

Il modello strategico italiano

L’Italia dovrebbe organizzare la sua risposta attorno ai distretti manifatturieri e alle filiere produttive, piuttosto che attorno a singole imprese isolate. La frammentazione del Paese diventa un vantaggio solo quando le aziende specializzate possono condividere le infrastrutture senza rinunciare alla propria indipendenza. Un modello nazionale praticabile dovrebbe combinare:

• Centri di estensione distrettuali per l’IA che forniscono audit di processo, supporto all’integrazione e test.
• Trust di dati settoriali o spazi di dati governati con regole rigorose in materia di accesso, finalità e riutilizzo commerciale.
• Laboratori condivisi di visione artificiale e robotica per la produzione di piccoli lotti.
• Programmi di formazione professionale che mettono in contatto lavoratori esperti, apprendisti e ingegneri.
• Incentivi agli investimenti basati sui risultati, legati a produttività, qualità, sicurezza ed efficienza energetica.
• Standard di approvvigionamento portatili che impediscono la dipendenza da un singolo fornitore.
• Requisiti di override umano e di continuità per i sistemi critici per la produzione.
• Provenienza digitale verificata a supporto del posizionamento premium sui mercati internazionali.

La Strategia Italiana per l’Intelligenza Artificiale 2024-2026 identifica le imprese e la formazione come pilastri strategici e presenta l’IA come strumento per rafforzare lo sviluppo nazionale promuovendo al contempo soluzioni trasparenti e affidabili. Pubblicato il documento completo della Strategia Italiana per l’Intelligenza Artificiale 2024-2026 — AgID — Jul 2024 Il prossimo passo politico dovrebbe tradurre questo orientamento nazionale in istituzioni operative a livello settoriale in grado di raggiungere le imprese che non possono progettare autonomamente programmi di trasformazione.

Italia, Francia, Germania e Regno Unito

L’Italia non dovrebbe copiare integralmente un altro modello europeo. Il punto di forza comparativo della Germania risiede nella produzione ad alta intensità ingegneristica, nei beni strumentali e nelle catene di approvvigionamento industriali strutturate; il rischio è che le imprese più piccole debbano ancora affrontare costi di integrazione sproporzionati. La Francia può mobilitare più facilmente istituzioni centrali, promotori nazionali e programmi coordinati, ma la centralizzazione può allontanare il supporto tecnologico dai piccoli ambienti produttivi. Il Regno Unito beneficia di un solido ecosistema di servizi di intelligenza artificiale, tuttavia i dati ufficiali dell’ONS mostrano che l’adozione dell’IA nel settore manifatturiero è rimasta indietro rispetto all’adozione di attrezzature specializzate e robotica. Nel 2023, il 5% delle imprese manifatturiere del Regno Unito ha dichiarato di aver adottato l’IA, mentre il 64% utilizzava attrezzature specializzate e il 14% robotica. Pratiche di gestione e adozione di tecnologia e intelligenza artificiale nelle imprese del Regno Unito — Office for National Statistics — marzo 2025

La posizione più appropriata per l’Italia è un modello distribuito: standard e finanziamenti nazionali, implementazione a livello regionale e distrettuale, competenze tecniche specifiche di settore e controllo a livello aziendale dei dati e delle scelte produttive. La strategia “Apply AI” dell’UE mira esplicitamente ad aumentare l’adozione dell’IA nei settori industriali strategici, in particolare tra le PMI, e a rafforzare la sovranità tecnologica europea. (Comunicazione della Commissione: Strategia “Apply AI” – Commissione europea – ottobre 2025) L’Italia dovrebbe utilizzare questa architettura europea per ottenere risorse di calcolo, modelli e supporto tecnico, proteggendo al contempo il know-how industriale su cui si fonda il suo vantaggio competitivo distintivo nel settore manifatturiero.

Linee d’azione

Opzione	Azione principale	Effetto previsto	Carico principale	Rischio principale
A — Adozione guidata dal mercato	Lasciare gli investimenti e l’integrazione in gran parte alle singole imprese	Rapido movimento tra i leader affermati	Basso onere di coordinamento pubblico	Divergenza delle PMI e dipendenza da piattaforme estere
B —Espansione dei sussidi di capitale	Aumentare i crediti d’imposta e i finanziamenti agevolati	Aumenta gli investimenti in attrezzature e software	Costo fiscale e verifica	Acquisti senza assorbimento organizzativo
C — Sistema di capacità distrettuale	Creare servizi condivisi di supporto tecnico, formazione e test.	Riduce i costi fissi per le PMI e gli artigiani	Coordinamento istituzionale	Frammentazione o cattura da parte dei fornitori
D — Patto strategico per dati e competenze	Proteggere i dati industriali e formalizzare il trasferimento delle conoscenze	Preserva il know-how e rafforza l’adattamento della forza lavoro	Complessità contrattuale e organizzativa	Implementazione più lenta se la governance diventa eccessiva
E — Strategia nazionale integrata	Combinare B, C e D con la valutazione basata sui risultati.	Affronta congiuntamente i temi del capitale, delle capacità e della sovranità.	Maggiore onere di implementazione	Scarso coordinamento tra ministeri, regioni e settori

Corso consigliato

L’opzione E , implementata gradualmente attraverso distretti industriali selezionati, offre il miglior equilibrio strategico. Il sostegno finanziario dovrebbe rimanere disponibile, ma l’accesso a incentivi maggiori dovrebbe richiedere una base di riferimento verificata per i processi, un piano di sviluppo delle competenze, disposizioni in materia di governance dei dati, garanzie di trasferibilità e risultati misurabili successivi all’implementazione. I distretti pilota dovrebbero essere selezionati in base a diversi modelli produttivi: lusso e calzature, macchinari, arredamento, componenti automobilistici e altri settori in cui l’Italia combina PMI, esportatori e artigianato specializzato. L’ampliamento dovrebbe avvenire solo dopo che una valutazione indipendente abbia dimostrato un aumento della produttività, della qualità o della resilienza.

Sequenza di implementazione

Periodo	Priorità	Indicatore decisionale
0-12 mesi	Inventario dei dati, linee di base dei processi, conformità all’alfabetizzazione in materia di IA, regole sull’utilizzo di dati sensibili	Percentuale di aziende con governance dei dati e dell’IA approvata
12–24 mesi	Progetti pilota circoscritti in pianificazione, manutenzione, qualità e documentazione	Guadagni operativi verificati rispetto al valore di riferimento
24–48 mesi	Servizi distrettuali, laboratori condivisi e interoperabilità dei fornitori	Tassi di implementazione e integrazione delle PMI
3–5 anni	Ampliate i sistemi di successo; abbandonate i progetti pilota fallimentari o non trasferibili.	Produttività, rendimento, competenze e performance di esportazione
5–10 anni	Riposizionare le aziende in base alle dimensioni, alla specializzazione flessibile o alla comprovata competenza artigianale.	Controllo costante dei premi, della quota di mercato e della catena di approvvigionamento.

Sentenze chiave

• Gli investimenti dovrebbero finanziare una capacità industriale, non un bene etichettato come intelligenza artificiale.
• La sequenza corretta è: definizione del problema, preparazione dei dati, progetto pilota, validazione, integrazione e scalabilità.
• La politica in materia di competenze deve creare un’autorità ibrida tra operatori, ingegneri, manager e specialisti digitali.
• I maestri artigiani dovrebbero diventare contributori formali alla conoscenza dei processi digitali, non fonti passive di estrazione.
• Le cronologie di produzione, le correzioni degli esperti e le classificazioni dei difetti costituiscono risorse industriali strategiche.
• La portabilità dei fornitori e le restrizioni sull’utilizzo dei dati sono necessarie per evitare che l’adozione tecnologica si trasformi in dipendenza commerciale.
• Il modello istituzionale più efficace in Italia è quello dell’attuazione a livello distrettuale, supportato da finanziamenti nazionali e infrastrutture europee.
• Il posizionamento industriale deve determinare la strategia di automazione; l’automazione non può sostituire il posizionamento.
• Il modello nazionale preferito combina il sostegno finanziario basato sui risultati, la condivisione delle competenze tra le PMI, la governance della forza lavoro e la protezione dei dati industriali.

Cosa cambierebbe la valutazione?

La valutazione strategica migliorerebbe se i programmi pubblici iniziassero a rendicontare risultati verificati in termini di produttività, qualità, energia e forza lavoro, anziché limitarsi a dati su spese e partecipazione; se le PMI avessero accesso sistematico a competenze di integrazione specifiche del settore; e se i contratti di appalto dimostrassero un’effettiva portabilità e restrizioni sul riutilizzo dei dati industriali. Peggiorerebbe invece se l’adozione rimanesse dominata da piattaforme esterne generiche, se la formazione consistesse principalmente in nozioni non operative di sensibilizzazione all’IA, o se i grandi acquirenti utilizzassero la digitalizzazione della catena di fornitura per appropriarsi delle conoscenze dei fornitori e comprimere i margini.

Registro pubblico aperto

• Dati comparabili sulle prestazioni post-investimento per progetti manifatturieri italiani supportati dall’intelligenza artificiale.
• Valutazione pubblica degli effetti di addizionalità e di assorbimento degli attuali incentivi alla transizione digitale.
• Inventari settoriali di insiemi di dati industriali e relative modalità di proprietà.
• Prove sulla portabilità dei fornitori e sulla concentrazione nella produzione di servizi di intelligenza artificiale.
• Misurazioni degli effetti su salari, qualità del lavoro e competenze all’interno di stabilimenti italiani che adottano l’intelligenza artificiale.
• Indicatori ufficiali che distinguono l’acquisizione di software dall’integrazione operativa.
• Dati verificati sull’efficacia dell’implementazione dell’IA nel rafforzare o indebolire il potere contrattuale dei fornitori delle PMI.

Copyright di debugliesintel.com.
È vietata anche la riproduzione parziale dei contenuti senza previa autorizzazione. Tutti i diritti riservati.