Chi resta indietro con gli agenti AI, e perché non è una questione di tecnologia

Le previsioni sull’impatto economico dell’intelligenza artificiale si somigliano tutte: una percentuale di produttività in più all’anno, migliaia di miliardi aggiunti al prodotto mondiale entro una data tonda. Sono cifre che circolano molto e invecchiano male, perché nessuno torna a verificarle e chi le cita raramente guarda la data.

Un dato però non è una previsione: si misura ogni anno, e dice qualcosa di più utile di tutte le stime messe insieme.

Il numero decisivo

Il 55% delle grandi imprese europee usa l’AI, contro il 17% delle piccole. Il divario cresce più in fretta dell’adozione.

Secondo Eurostat, nel 2025 ha usato almeno una tecnologia di intelligenza artificiale il 19,95% delle imprese europee con almeno dieci addetti - una su cinque - con una crescita di 6,5 punti in un anno. La diffusione c’è ed è rapida.

Ma il dato aggregato nasconde l’essenziale:

Dimensione dell’impresa	Ha usato l’AI nel 2025
Grandi	55,0%
Medie	30,4%
Piccole	17,0%

Una grande impresa europea su due, una piccola su sei. È il divario di adozione, e a renderlo interessante non è la sua ampiezza: è il paragone con le tecnologie che l’hanno preceduto, perché è più largo di quello che si era osservato per il cloud e per l’analisi dei dati. L’intelligenza artificiale non sta livellando, sta amplificando differenze organizzative che esistevano già.

Questo punto merita una sosta, perché smentisce l’idea più diffusa su questa tecnologia - che essendo accessibile a tutti, ridurrebbe le distanze. Il modello è accessibile a tutti. Quello che serve per usarlo, no.

Perché il divario non è tecnologico

Il modello costa poco e si compra a consumo. A mancare sono i dati in ordine, chi sa fare la domanda, e il tempo per sbagliare.

Se fosse una questione di accesso alla tecnologia, il divario si sarebbe già chiuso: chiamare un modello costa pochi centesimi e non richiede acquisti. Se persiste, e si allarga, le cause stanno altrove - e sono tre, tutte organizzative:

• i dati in ordine. Un agente lavora su ciò che l’azienda sa di sé: documenti, storici, procedure. Un’organizzazione in cui le informazioni stanno in fogli di calcolo personali e nelle teste delle persone non ha niente da dare in pasto a un agente, e il problema non si risolve comprando un modello migliore;
• la competenza di dominio. Non serve un esperto di modelli: serve chi conosce abbastanza bene un processo da sapere dove un agente aiuterebbe e dove sarebbe una complicazione. È una competenza di mestiere prima che tecnica, e nelle piccole imprese quelle persone ci sono, ma sono le stesse che mandano avanti il lavoro corrente;
• il tempo per sbagliare. I primi tentativi vanno male, ed è normale. Una grande impresa può permettersi tre esperimenti falliti prima del quarto che funziona; una piccola spesso ha un colpo solo, e dopo un fallimento la conclusione diventa «non fa per noi».

Questa terza causa è la più sottovalutata e la più decisiva. Il divario non nasce dal costo del tentativo, nasce dal numero di tentativi che ci si può permettere.

Le tre sono cause di risorse mancanti. La quarta ha natura diversa, e non compare in nessun preventivo perché non si paga in denaro.

Il costo che non si mette a preventivo

Un agente che funziona cambia chi decide e cosa vuol dire fatto bene. Quello è il livello più profondo della cultura, e non si muove per decreto.

La serie dedicata alla cultura aziendale, su questo blog, ha già lo strumento che serve qui, e conviene riprenderlo invece di reinventarlo. Seguendo Edgar Schein, quella serie distingue tre livelli: gli artefatti, cioè quello che si vede - strumenti, spazi, procedure scritte; i valori dichiarati, cioè quello che l’azienda dice di sé; e gli assunti taciti, le convinzioni profonde che nessuno ha scritto e tutti seguono, che regolano il comportamento quotidiano.

Guardata con quella lente, l’adozione di un agente si distribuisce sui tre livelli in modo molto sbilanciato.

Comprare lo strumento tocca il primo livello: è un artefatto in più, si fa in un pomeriggio. Dichiarare che «siamo un’azienda che usa l’intelligenza artificiale» tocca il secondo: costa una riunione e una slide. Ma un agente che funziona davvero tocca il terzo, perché cambia chi decide, chi controlla il lavoro di chi, e cosa vuol dire averlo fatto bene. Quelle tre cose stanno negli assunti taciti, e lì non si arriva con un annuncio.

È il costo del cambiamento culturale, e ha due proprietà che lo rendono insidioso per un’impresa piccola.

Si paga nella stessa moneta della seconda causa. Non è una voce di formazione: è il tempo e l’attenzione delle poche persone che conoscono davvero il processo - le stesse che servivano per fare la domanda giusta. Cultura e competenza attingono allo stesso serbatoio, ed è per questo che la piccola impresa viene stretta due volte dallo stesso vincolo.

Un tentativo fallito non costa solo quello che è costato. Quando il primo esperimento va male, non si perde soltanto la spesa: si deposita un assunto tacito - «queste cose non funzionano da noi» - e disfare un assunto tacito costa molto più del tentativo che l’ha prodotto. È la ragione per cui il primo tentativo pesa in modo sproporzionato proprio dove ci si può permettere di farne uno solo, e chiude il cerchio con la terza causa.

Una condizione, infine, la serie sulla cultura la ripete e vale identica qui: gli assunti taciti seguono quello che i capi fanno, non quello che annunciano. Se chi guida continua a chiedere il lavoro anche nel modo vecchio «per sicurezza», l’agente resta un artefatto per sempre - usato quando c’è tempo, ignorato quando ce n’è poco, e mai dentro il modo in cui l’azienda lavora davvero.

Tre prospettive, e quanto sono già vere

Standard condivisi, modelli specialistici, autonomia dell’agente: dalla cosa che sta già succedendo a quella che resta una dimostrazione.

Fra le prospettive che si trovano elencate, tre meritano attenzione, e vanno distinte in base a quanto sono già vere:

• gli standard condivisi: sta già succedendo. L’interoperabilità fra agenti e strumenti era la promessa più incerta di due anni fa; oggi il Model Context Protocol si è affermato come standard aperto adottato in modo trasversale, e uno strumento scritto una volta funziona con agenti diversi. Come sia fatto quel dialogo lo racconta il pezzo sui protocolli. È il cambiamento più concreto e il meno raccontato, perché non ha l’aria di una notizia;
• il modello specialistico: vero, con una precisazione. Un modello addestrato su una materia stretta può battere un generalista su quella materia usando meno risorse. Ma la scelta pratica quasi sempre è un’altra: fra un generalista ben istruito e uno specialista da mantenere. Per la maggior parte delle organizzazioni la prima strada arriva prima e costa meno;
• l’autonomia dell’agente: qui conviene la prudenza. Si descrivono agenti che decidono da soli quali compiti affrontare e in quale ordine, con supervisione minima. Tecnicamente è possibile. Ma la domanda che resta aperta non è tecnica - chi risponde dei danni se l’agente sbaglia in autonomia? - e finché non ha una risposta, la piena autonomia resta una dimostrazione più che una pratica. Chi costruisce oggi fa bene a progettare i punti in cui una persona può fermare il sistema, come raccomanda il pezzo sull’architettura di un agente.

Cosa farei, se dovessi decidere

Non «investire in formazione»: quattro mosse che una piccola impresa può fare questo mese, a partire da chi decide.

Gli elenchi di raccomandazioni per aziende e per chi fa le regole tendono a essere veri per chiunque e quindi inutili per qualcuno: investire in formazione, adottare soluzioni aperte, promuovere la standardizzazione, favorire l’inclusività. Nessuno può dissentire, e nessuno sa cosa fare lunedì mattina.

Provo a dire quattro cose che si possono fare, per un’impresa che sta nel 17%:

• far usare gli strumenti a chi decide, sul proprio lavoro. Prima ancora che nella filiera, l’AI va messa sulla scrivania di chi dirige: la rassegna delle offerte da confrontare, il rapporto mensile che qualcuno ricompone a mano ogni volta, i contratti da leggere per trovarci una clausola. Non è un corso, ed è la ragione per cui funziona: si impara su lavoro vero, quello di cui si conosce già la risposta giusta. Chi non ha mai visto un modello sbagliare non sa dove collocarlo; chi non l’ha mai visto funzionare non sa che cosa chiedergli, e continuerà a valutare le proposte dei fornitori su ciò che promettono invece che su ciò che ha visto fare. Da quell’esperienza diretta nasce la capacità di riconoscere, nella propria filiera, i punti dove la tecnologia aiuta davvero e quelli dove aggiunge solo complicazione - e si riduce il divario di percezione fra chi guida e chi lavora, che il pezzo sulla cultura aziendale misura coi numeri;
• cominciare da un processo che fa male e che si conosce bene, non da quello che si automatizzerebbe meglio. Il primo tentativo serve a imparare come si lavora con questi strumenti, e si impara più in fretta su un terreno familiare, dove si riconosce subito una risposta sbagliata;
• mettere in ordine i dati di quel processo, e solo di quello. Non un progetto di riordino generale, che non finisce mai: i documenti e gli storici che servono a quel singolo caso. È lavoro noioso ed è la parte che determina l’esito;
• decidere in anticipo come si misura se ha funzionato, e scriverlo prima di cominciare. È la stessa domanda che chiude l’articolo sull’architettura di un agente, e qui ha una ragione in più: senza un criterio deciso prima, un primo tentativo mediocre viene letto come un fallimento della tecnologia invece che come un esperimento da correggere. È così che un’organizzazione si convince che «non fa per noi».

Per chi fa le regole la traduzione è simmetrica: le politiche che spostano qualcosa non sono quelle che finanziano l’acquisto di tecnologia, ma quelle che finanziano il secondo e il terzo tentativo - cioè che riducono il costo di sbagliare, che è la vera barriera.

I concetti che questo articolo introduce

Otto voci nuove, sull’adozione e sulla cultura, non sulla tecnica.

Fonti

• Eurostat, Use of artificial intelligence in enterprises
  • i dati di adozione 2025 per dimensione d’impresa.
• Nell’Unione europea un’azienda su cinque usa tecnologie di intelligenza artificiale e Adozione AI nelle imprese: Italia, UE e G7 a confronto per la lettura del divario e il confronto con le altre tecnologie digitali.

Le previsioni macroeconomiche che circolano su questo tema - punti di produttività all’anno, migliaia di miliardi di prodotto mondiale entro una data - risalgono in gran parte al 2023 e non sono state verificate qui. Non sono citate di proposito: un dato misurato ogni anno dice di più di una stima che nessuno rivede.