Nel 2026 l’intelligenza artificiale esce dalla fase dell’entusiasmo e entra in quella del controllo dei risultati. È il punto di partenza del Rapporto Intelligenza Artificiale 2026 di Aspen Institute Italia, che descrive una tecnologia arrivata alla sua “fase adulta”: non basta più mostrare che i modelli sanno fare di più, bisogna capire dove producono valore stabile, dove restano confinati ai test e quali costi economici, energetici e organizzativi impongono a imprese e istituzioni.Il rapporto fissa bene il cambio di stagione. Negli ultimi anni il dibattito si è concentrato sulla velocità del progresso tecnico: modelli generativi, multimodalità, capacità di scrivere, riassumere, programmare, analizzare immagini e agire dentro ambienti digitali. Ora il discrimine è un altro. Non passa tra chi “usa” e chi “non usa” l’AI, ma tra chi riesce a integrarla nei processi core e chi la lascia ferma in progetti pilota, sperimentazioni isolate o strumenti individuali senza effetti misurabili sull’organizzazione.Indice degli argomenti:
L’adozione cresce, ma non per tuttiIl vero nodo: integrare, non solo adottareModelli più potenti, rischi più concretiL’infrastruttura pesa quanto il softwareLavoro, competenze e nuovi divariRegole e governance: il peso dell’AI ActL’AI cresce, ma i numeri vanno letti meglioIl ritardo italiano non è uniforme: pesa soprattutto la taglia d’impresaLa serie storica mostra una crescita diffusa, ma il recupero italiano è lentoServizi avanti, industria dietro: ma le statistiche non vedono tuttoIl vero spartiacque del 2025 è l’AI generativaI cittadini corrono più delle impreseMisurare “uso” non vuol dire misurare “adozione”La prova del nove è la proof of conceptLa statistica ufficiale rincorre la realtà, quella privata la interpretaI numeri italiani vanno letti insieme a competenze, obiettivi e mercatoLa questione vera non è quanti usano l’AI, ma quanti l’hanno portata nei processiIl caso italiano tra potenziale e ritardiLa questione apertaL’adozione cresce, ma non per tuttiI numeri raccolti nel rapporto mostrano una diffusione in aumento ma molto irregolare. In Europa circa un’impresa su cinque adotta sistemi di AI; in Italia la quota indicata per il 2025 è del 16,4%. Il dato più rilevante, però, è la distanza tra grandi aziende e pmi: le organizzazioni maggiori superano il 50% di adozione, mentre le piccole e medie imprese restano nettamente indietro. Non è una differenza statistica, è una frattura industriale.Le ragioni sono concrete. Le pmi si scontrano con costi iniziali difficili da assorbire, ritorni sull’investimento meno immediati, dati spesso frammentati, carenza di competenze interne e timori sulla riservatezza. A questo si aggiunge un fattore che il rapporto considera decisivo: l’integrazione. Un conto è comprare uno strumento o attivare una licenza, altro è ridisegnare procedure, responsabilità, controlli e flussi informativi intorno a quella tecnologia. Dove questo passaggio non avviene, il beneficio resta locale, spesso invisibile nei conti e fragile nel tempo.Il vero nodo: integrare, non solo adottareUno dei meriti del documento è spostare il focus dal tasso di adozione alla qualità dell’adozione. Il rapporto insiste sul “passaggio dall’adozione all’integrazione” come prima priorità strategica. Tradotto: il valore dell’AI emerge quando gli strumenti entrano nei processi decisionali, sono sostenuti da dati affidabili, trovano personale formato e si muovono dentro una governance chiara. Non basta che un dipendente usi un modello linguistico per scrivere più in fretta una mail o sintetizzare un documento. Il salto avviene quando l’intera organizzazione rivede il modo in cui produce, decide, controlla e misura i risultati.Qui il rapporto usa una formula utile: l’AI non è un fatto meramente tecnico, ma un processo di trasformazione organizzativa. È una distinzione che conta soprattutto in Italia, dove il tessuto produttivo è fatto in larga parte di imprese di dimensione contenuta. Per queste realtà, la tecnologia da sola non risolve nulla. Servono filiere di consulenza, competenze interne, casi d’uso realistici, capacità di selezionare il modello giusto per il compito giusto e un livello minimo di struttura aziendale per governare il cambiamento.Modelli più potenti, rischi più concretiSul piano tecnico il rapporto descrive il passaggio dai sistemi predittivi ai modelli generativi multimodali e poi ai sistemi agentici, cioè capaci di pianificare attività, usare strumenti esterni ed eseguire azioni. È un passaggio rilevante perché allarga il campo delle applicazioni, ma aumenta anche la responsabilità. Più i sistemi acquistano autonomia operativa, più diventano cruciali affidabilità, tracciabilità, supervisione umana e definizione dei limiti entro cui possono agire.Il testo insiste su un punto spesso rimosso nel discorso pubblico: i modelli generativi non distinguono in modo intrinseco tra ciò che è vero e ciò che è solo plausibile. Le “allucinazioni” non sono un difetto marginale, ma una criticità strutturale dell’architettura. Per questo il rapporto considera il presidio umano non una cautela accessoria, ma un requisito tecnico nei contesti che producono effetti giuridici, clinici, finanziari o amministrativi.In questo quadro, la formula “human in the lead” usata a Davos nel 2026 sintetizza bene il principio: l’essere umano deve restare nella direzione del processo, non limitarsi a una firma finale.L’infrastruttura pesa quanto il softwareC’è poi una parte meno visibile del fenomeno, ma sempre più decisiva: l’infrastruttura. L’AI non vive solo nei modelli, vive nella capacità di calcolo, nei data center, nelle reti, nel cloud, nell’energia e nella cybersicurezza. Il rapporto sottolinea che le condizioni materiali dell’adozione stanno acquistando rilievo strutturale e che i consumi elettrici dei data center sono destinati a crescere con forza entro il 2030. Per questo la competizione non riguarda più solo la qualità del modello, ma il controllo dell’intera filiera: semiconduttori, piattaforme cloud, accesso ai dati, potenza computazionale, costi di inferenza.Su questo terreno l’Europa parte con un ritardo evidente rispetto a Stati Uniti e Cina. Il rapporto lega il tema dell’AI a quello dell’autonomia strategica: dipendere da infrastrutture esterne significa esporre imprese e amministrazioni a rischi economici, giuridici e politici. La questione non riguarda solo la competitività, ma anche la resilienza. In altre parole, la sovranità digitale smette di essere uno slogan e diventa una condizione pratica per l’uso di tecnologie che entrano in funzioni sensibili dello Stato e dell’economia.Lavoro, competenze e nuovi divariIl capitolo dedicato alla dimensione socioeconomica rifiuta una lettura troppo semplice del rapporto tra AI e occupazione. Il punto non è soltanto contare i posti che spariscono e quelli che nascono. Il rapporto segnala che la trasformazione investe la qualità delle mansioni, l’autonomia decisionale, il contenuto del lavoro, lo stress cognitivo e la distribuzione del potere dentro le organizzazioni. È una correzione importante rispetto alla narrativa binaria che riduce tutto a sostituzione o salvezza.Per l’Italia il problema si aggrava per un ritardo nell’uso individuale degli strumenti generativi rispetto alla media europea. Questo significa meno familiarità diffusa, meno capacità di sperimentazione dal basso, più rischio che il divario si allarghi tra imprese forti e deboli, tra lavoratori molto qualificati e figure più esposte. Il rapporto avverte che l’accesso diseguale a competenze, dati e occasioni di apprendimento può ampliare i divari cognitivi e organizzativi. La questione, quindi, non è soltanto quanta AI si adotta, ma chi riesce davvero a governarla e chi la subisce.Regole e governance: il peso dell’AI ActUn altro asse dell’analisi riguarda il quadro normativo. Il documento descrive traiettorie diverse tra Stati Uniti, Cina e Unione europea, ma individua nell’Europa il caso in cui la governance del rischio è già diventata un fattore centrale. Con l’AI Act, la governance aziendale dell’AI non può più essere trattata come una formalità residuale. Gestione del rischio, accountability, conformità, registrazione degli eventi e supervisione umana diventano elementi di struttura.Questo approccio può essere letto in due modi. Da un lato aumenta i costi di implementazione e chiede alle imprese uno sforzo di organizzazione che molte, specie le più piccole, non sono pronte a sostenere. Dall’altro può diventare un vantaggio competitivo nei mercati regolati, dove fiducia, auditabilità e tutela dei diritti sono condizioni essenziali. Il rapporto non scioglie il dilemma una volta per tutte, ma chiarisce il punto politico: l’adozione dell’AI senza strutture di governo del rischio non è più una scorciatoia credibile.L’AI cresce, ma i numeri vanno letti meglioIl capitolo VIII del Rapporto Intelligenza Artificiale 2026 di Aspen Institute Italia sposta il baricentro della discussione su un punto meno spettacolare dei nuovi modelli, ma decisivo per capire che cosa stia succedendo davvero nell’economia europea: come si misura l’adozione dell’AI. Il nodo è semplice solo in apparenza. I dati dicono che l’uso delle tecnologie di intelligenza artificiale cresce rapidamente nelle imprese e tra i cittadini, ma il modo in cui questi numeri vengono raccolti, classificati e confrontati cambia molto il risultato finale. E cambia, soprattutto, il giudizio sul ritardo italiano.Il primo dato da cui partire è quello più citato: nel 2025 il 19,95% delle imprese dell’Unione europea con almeno dieci addetti utilizza tecnologie di AI. Un anno prima erano il 13,5%. L’aumento è quindi di 6,5 punti percentuali in dodici mesi, una variazione che segnala un’accelerazione reale, non un semplice avanzamento graduale. La distribuzione però resta molto asimmetrica: tra le grandi imprese la quota sale al 55,03%, tra le medie si ferma al 30,36%, tra le piccole scende al 17%. Aspen legge correttamente questo scarto come una misura della capacità di assorbimento organizzativo: la tecnologia conta, ma contano altrettanto la struttura, i dati, le competenze e la possibilità di integrare l’AI nei processi.L’Italia cresce dentro questa dinamica, ma resta sotto la media europea. Il rapporto la colloca al 16,4% nel 2025, in recupero ma ancora distante sia dalla media Ue sia dai paesi di testa, come Danimarca, Finlandia e Svezia. Non è un ritardo marginale. È il segno che l’accelerazione c’è stata, ma non basta ancora a chiudere il gap con le economie che hanno ecosistemi digitali più maturi e una base di competenze più larga.Il ritardo italiano non è uniforme: pesa soprattutto la taglia d’impresaIl capitolo VIII insiste su un aspetto che in Italia pesa più che altrove: la struttura dimensionale del sistema produttivo. Le piccole imprese, quelle da 10 a 49 addetti, restano il segmento più debole nell’adozione dell’AI. Il rapporto collega questa debolezza a tre fattori concreti: limitata disponibilità di risorse finanziarie, difficoltà ad attrarre competenze digitali specialistiche e minore capacità organizzativa di integrare soluzioni basate su dati e algoritmi nei processi produttivi. Nel caso italiano questi elementi si sommano a un tessuto fortemente frammentato, spesso a conduzione familiare, dove l’innovazione avanzata fatica a tradursi in investimenti continui e in progetti scalabili.La parte più interessante è che Aspen evita una lettura fatalistica. La piccola dimensione, scrive il rapporto, non è un vincolo insormontabile. I paesi nordici mostrano che anche le imprese più piccole possono raggiungere livelli di adozione più alti quando operano dentro ecosistemi digitali maturi, con politiche pubbliche coerenti e una maggiore disponibilità di servizi tecnologici avanzati accessibili alle pmi. Il problema, quindi, non è soltanto “quanto sono grandi” le imprese italiane, ma dentro quale ambiente tecnologico, formativo e istituzionale sono chiamate a muoversi.Lo stesso schema si ritrova passando alle medie imprese, da 50 a 249 addetti. Qui l’adozione sale in modo sensibile, perché crescono capacità di investimento, articolazione organizzativa e propensione all’innovazione. Ma anche in questa fascia l’Italia resta in genere sotto la media europea. Il confronto con Germania e Francia suggerisce che una parte del divario dipenda dalla maggiore integrazione tra industria e tecnologie digitali avanzate presente in quei paesi, dove le medie imprese sono più spesso inserite in filiere altamente tecnologiche.Tra le grandi imprese la diffusione dell’AI è molto più alta, in Italia come nel resto d’Europa. Qui entrano in gioco vantaggi strutturali evidenti: accesso a grandi volumi di dati, maggiori capacità di investimento, strutture dedicate all’innovazione. Anche in questo segmento, però, il rapporto segnala che le imprese italiane restano sotto la media dei paesi leader e che la diffusione appare ancora concentrata in alcuni settori e in pochi grandi gruppi. L’AI, in altre parole, non è ancora una capacità trasversale dell’intero sistema produttivo nazionale.La serie storica mostra una crescita diffusa, ma il recupero italiano è lentoUno dei contributi più utili del capitolo VIII è la serie storica sull’adozione dell’AI nelle imprese europee. Eurostat ha introdotto la misurazione delle attività di AI solo nel 2021, in forma sperimentale, e ha avviato una serie annuale strutturata dal 2023. Questo limite metodologico conta, ma i dati disponibili dicono comunque qualcosa di solido: tra il 2021 e il 2025 l’adozione cresce in tutta l’Unione con un tasso medio annuo del 4,1%. Le dinamiche più veloci si osservano in Svezia, con l’8,4%, in Belgio con l’8,1% e in Finlandia con il 7,3%. Le più lente in Bulgaria, 1,8%, Portogallo, 1,4%, e Romania, 1,3%.Il caso italiano, osserva Aspen, segue una traiettoria di crescita analoga ma leggermente inferiore alla media europea. È una distinzione importante. Non siamo di fronte a un paese fermo, ma a un paese che cresce senza ancora correre abbastanza da recuperare in fretta il terreno perso. È per questo che il divario con i paesi più avanzati si riduce “solo lentamente”. La formula del rapporto è prudente, ma il significato è netto: senza un salto nelle condizioni di contesto, il mercato italiano può espandersi molto senza modificare davvero la sua posizione relativa in Europa.Servizi avanti, industria dietro: ma le statistiche non vedono tuttoUn altro elemento emerso dai dati Eurostat riguarda la differenza tra industria e servizi. Nel 2025 il settore dei servizi mostra livelli di adozione più elevati rispetto all’industria. Aspen lega questo risultato al ruolo crescente dei dati nei servizi digitali, nel marketing, nella relazione con i clienti e nell’analisi dei comportamenti. È una dinamica coerente con il tipo di applicazioni che hanno trainato la prima fase di diffusione dell’IA, soprattutto quella generativa e conversazionale. Nel caso italiano, il settore dei servizi è indicato come uno dei principali ambiti di diffusione, anche se la trasformazione digitale resta incompleta in molti comparti.Il rapporto aggiunge però una cautela importante: alcuni tra i settori più avanzati nell’uso dell’AI, come finanza e assicurazioni, non sono inclusi nelle statistiche considerate. Questo vuol dire che la fotografia ufficiale rischia di sottostimare la penetrazione della tecnologia in aree dell’economia dove i dati, l’automazione decisionale e i modelli predittivi pesano già da anni. La questione metodologica torna qui con forza: la misurazione ufficiale serve, ma non basta da sola a descrivere tutta la profondità del fenomeno.Il vero spartiacque del 2025 è l’AI generativaIl capitolo VIII mette a fuoco il punto di svolta del biennio: la diffusione dell’AI generativa. Aspen osserva che due pratiche rilevate nel questionario Eurostat indicano con elevata probabilità l’uso di strumenti generativi nelle imprese: la generazione di testo e la generazione di contenuti media, cioè audio e video. Le due percentuali non possono essere sommate, perché molte imprese usano entrambe, ma il rapporto trae una conclusione chiara: la maggior parte della crescita osservata tra 2024 e 2025 nell’utilizzo totale dell’AI è dovuta all’introduzione di queste nuove pratiche, soprattutto alla generazione testo e alla produzione audio-video.Qui compare uno dei passaggi più severi del capitolo. Aspen scrive che i dati disponibili implicano il riconoscimento di una “chiara sottovalutazione strutturale” da parte di Eurostat del grado di utilizzo dell’AI nelle imprese almeno fino al 2024. La ragione è semplice: il questionario europeo era stato costruito prima dell’esplosione dell’IA generativa e riflette ancora una distinzione incompleta tra AI analitica e generativa. Anche nei prossimi anni, avverte il rapporto, l’informazione rischia di restare parziale proprio perché la tecnologia evolve più rapidamente delle categorie statistiche.La critica si fa ancora più netta quando Aspen introduce il tema dell’AI agentica. Se la statistica ufficiale dovesse restringere la nozione di AI generativa ai soli sistemi di tipo LLM o simili, potrebbe avere difficoltà a monitorare proprio il fenomeno con maggiore impatto potenziale sulle performance aziendali dei prossimi anni: la diffusione degli agenti AI, che integrano funzioni analitiche, generative e operative dentro workflow più complessi.I cittadini corrono più delle impreseUna delle parti più originali del capitolo VIII è il collegamento tra uso dell’AI da parte delle imprese e uso dell’AI da parte dei cittadini. I dati pubblicati nel 2025 sull’utilizzo delle app di AI generativa tra gli individui di 15-64 anni aggiungono una dimensione nuova. Aspen rileva tre elementi. Primo: la velocità della diffusione. In poco più di un anno di piena funzionalità, app come ChatGPT sono già usate da un terzo dei cittadini europei in età lavorativa. Secondo: questa tecnologia modifica le tradizionali gerarchie dell’intensità digitale tra paesi e persino tra i sessi. Terzo: il basso livello di adozione dell’AI da parte delle imprese, soprattutto in Italia e nel Sud Europa, appare collegato anche a una più debole attitudine all’uso dell’AI tra i cittadini stessi.Questo passaggio merita attenzione perché allarga il problema. Non si tratta solo di imprese che investono poco o male. Si tratta anche di una cultura d’uso più debole, di una minore familiarità diffusa con gli strumenti, di una domanda meno matura. Il rapporto suggerisce che i ritardi dell’economia e quelli del capitale umano si alimentino a vicenda. È lo stesso quadro che emerge, fuori dal capitolo VIII ma coerente con esso, quando si guarda al Digital Decade Country Report 2025: in Italia solo il 45,8% della popolazione possiede competenze digitali almeno di base e gli specialisti ict sono il 4,0% dell’occupazione totale nel 2024, sotto la media europea.Misurare “uso” non vuol dire misurare “adozione”Il cuore teorico del capitolo VIII è nella domanda più scomoda: che cosa significa davvero “adozione” di una soluzione AI? Aspen mette a confronto statistica ufficiale e dati privati, soprattutto quelli di McKinsey. La differenza è netta. Per Eurostat la risposta è binaria: l’impresa usa almeno una pratica di AI oppure no. Per McKinsey, invece, l’adozione si distribuisce lungo una scala a quattro livelli: sperimentazione, progetti pilota, scaling, piena adozione. Il punto non è accademico. Cambia radicalmente la lettura dei numeri.Se si considera “adozione” anche l’uso sporadico o preliminare, la diffusione appare più ampia. Se invece si distingue tra test, prova di concetto, integrazione parziale e pieno inserimento nei processi, il quadro si restringe e diventa più realistico. Aspen osserva che l’approccio Eurostat, pur utile per alcune elaborazioni statistiche, può creare distorsioni nelle analisi in cui è essenziale distinguere tra utilizzo di pratiche AI e adozione di tali pratiche.È un rilievo metodologico, ma anche politico. Le policy pubbliche cambiano molto se devono accompagnare un primo contatto con la tecnologia oppure favorire il passaggio da sperimentazione a impiego sistemico.Lo stesso confronto tra Eurostat e McKinsey mostra due filosofie opposte. Eurostat parte dall’individuazione di almeno una pratica tecnologica di IA e solo dopo raccoglie informazioni sul contesto. McKinsey fa il contrario: parte dalle funzioni aziendali e considera rilevante l’uso regolare di AI in almeno una funzione.Aspen sottolinea che è esattamente “l’approccio opposto”. In questa osservazione c’è una presa di posizione precisa: per capire che cosa l’AI stia cambiando nelle imprese, forse conta più dove e come viene usata che non la sola presenza di una tecnica classificata come AI.La prova del nove è la proof of conceptLa discussione diventa ancora più concreta quando il rapporto affronta il tema delle proof of concept, i PoC. È qui che si misura la distanza tra annuncio e integrazione reale. Aspen definisce il PoC come la prima sperimentazione in situ, il primo contatto concreto di un’impresa con una tecnologia o con un agente AI. Il suo valore analitico sta nel fatto che una quota altissima di questi tentativi non arriva alla fase operativa. Solo quando un PoC passa nei processi ordinari si può parlare dell’avvio concreto di un processo di adozione.Le stime raccolte dal rapporto sono eloquenti. Quelle più pessimistiche, come MIT-Nanda 2025, parlano di un fallimento o di un’assenza di impatto economico concreto nel 95% dei PoC. L’esperienza 2023-2025 degli Innovation Center di Amazon stima un tasso di successo del 12%. Un rapporto RAND lo colloca intorno al 20%. Gartner rileva oltre il 30% di abbandoni espliciti dei PoC. McKinsey stima che solo una impresa su tre tra quelle impegnate in PoC riesca a tradurre la sperimentazione in attuazione.Sono dati molto diversi tra loro, ma raccontano tutti la stessa cosa: l’adozione non coincide con la prova. E gran parte dell’enfasi pubblica sull’AI continua a confondere le due fasi. Il capitolo VIII, da questo punto di vista, è uno dei passaggi più utili del rapporto Aspen perché costringe a rimettere la misurazione vicino alla vita reale delle imprese. Un conto è testare un copilota o un modello generativo in un reparto. Altro è portarlo stabilmente nella produzione, nel back office, nel servizio clienti, nella supply chain o nella gestione documentale.La statistica ufficiale rincorre la realtà, quella privata la interpretaAspen non liquida la statistica ufficiale. Ne riconosce il valore, ma segnala che nella misurazione dell’AI viene “costantemente sfidata” da una produzione massiccia di indicatori privati, con qualità molto diverse. McKinsey viene citata come il soggetto che ha il primato di una rilevazione globale continuativa sull’adozione dell’AI nelle imprese. Il punto non è scegliere tra fonte pubblica e fonte privata, ma capire che cosa ciascuna riesce a misurare meglio. La prima garantisce comparabilità e continuità; la seconda spesso coglie prima i cambiamenti di linguaggio, di pratica e di organizzazione.Questa tensione si vede bene nell’AI generativa. Eurostat, nota il rapporto, continua a portarsi dietro una “legacy” metodologica pensata per responsabili IT e per un’idea di innovazione più lenta, mentre oggi molte informazioni cruciali sull’uso dell’AI sono spesso gestite ai livelli manageriali più alti. Se il questionario non cambia in fretta, il rischio è misurare male proprio la fase in cui l’AI smette di essere un tema tecnico e diventa una questione di organizzazione, strategia e produttività.I numeri italiani vanno letti insieme a competenze, obiettivi e mercatoSe si guarda soltanto alla quota di imprese che usano AI, l’Italia appare in ritardo. Se però si allarga lo sguardo, il quadro diventa più articolato. Il rapporto ricorda che la roadmap nazionale italiana fissa un obiettivo di adozione di AI e analisi dati al 60% entro il 2030, sotto il target europeo del 75%. È una soglia più prudente, che riflette il punto di partenza del Paese. Ma c’è anche un mercato in forte espansione: secondo il Politecnico di Milano, nel 2025 vale 1,8 miliardi di euro, con una crescita del 50% rispetto al 2024; il 46% è riconducibile a soluzioni di IA generativa o a progetti ibridi.Questa combinazione tra mercato dinamico e adozione ancora relativamente bassa è uno dei paradossi italiani più evidenti. Si compra, si investe, si sperimenta. Ma la traduzione in diffusione organizzativa resta inferiore alle aspettative. Il capitolo VIII aiuta a capire perché: perché misurare l’uso non equivale a misurare l’integrazione; perché i PoC falliscono spesso; perché le competenze diffuse contano almeno quanto la spesa; perché il sistema delle pmi resta l’anello più fragile; perché persino la statistica, se non si aggiorna abbastanza in fretta, può restituire una fotografia imprecisa del cambiamento.La questione vera non è quanti usano l’AI, ma quanti l’hanno portata nei processiAlla fine del capitolo VIII resta una conclusione molto netta. L’Europa dispone oggi di una base statistica più ampia di quella di due anni fa, ma non ancora sufficiente a misurare bene la qualità dell’adozione. Il 2025 è l’anno in cui l’AI entra davvero nei numeri, ma anche l’anno in cui quei numeri mostrano tutti i loro limiti. Per l’Italia il bilancio è doppio: crescita evidente, ritardo persistente. E soprattutto un rischio costante di confondere l’aumento dell’uso con il consolidamento dell’adozione.Il punto decisivo, allora, non è più stabilire se l’intelligenza artificiale sia arrivata nelle imprese. È capire quanta parte di questa presenza sia già diventata organizzazione, produttività, trasformazione dei processi e quanta resti ancora nel territorio intermedio delle prove, delle licenze, dei test e dei progetti pilota. Il merito del capitolo VIII sta qui: riporta il dibattito dall’enfasi sulla tecnologia alla fatica della misurazione. E ricorda che, senza metriche migliori, anche le politiche migliori rischiano di inseguire un fenomeno che cambia più rapidamente delle categorie con cui proviamo a descriverlo.Il caso italiano tra potenziale e ritardiNella parte dedicata all’Italia, il rapporto tiene insieme segnali di forza e limiti strutturali. Da un lato cita la crescita del mercato, la legge 132 del 2025 e infrastrutture come il supercomputer Leonardo e l’AI Factory IT4LIA. Dall’altro registra carenze nella ricerca applicata e nella disponibilità di competenze. Da qui la traiettoria che Aspen giudica più coerente: un’intelligenza artificiale “applicata, industriale e contestuale”, meno centrata sulla corsa a modelli generalisti proprietari e più orientata a casi d’uso concreti nei sistemi produttivi e nella pubblica amministrazione.Il passaggio sulla PA è forse il più politico. Il rapporto la immagina come laboratorio di adozione responsabile, fondato su “legalità algoritmica” e controllo umano. È una formula impegnativa, perché implica procedure trasparenti, responsabilità esplicite del funzionario pubblico e capacità di distinguere tra supporto tecnico e decisione amministrativa. Se questa scommessa fallisce, l’AI nella PA rischia di diventare un ulteriore livello di opacità. Se riesce, può produrre uno standard utile anche per il settore privato.La questione apertaLe tre priorità conclusive indicate da Aspen sono:passare dall’adozione all’integrazione,governare responsabilmente la tecnologia,rafforzare l’autonomia strategica europea.La tesi di fondo è altrettanto chiara: l’intelligenza artificiale non è un prodotto da comprare, ma una capacità da costruire attraverso infrastrutture, competenze, dati, regole e fiducia.È qui che il dibattito italiano dovrebbe fermarsi meno sugli annunci e più sulle condizioni operative. La tecnologia corre, ma i sistemi economici e istituzionali cambiano con tempi diversi. Il rischio non è restare senza AI. Il rischio è adottarla male: con pochi controlli, poca qualità dei dati, scarso presidio umano e una distribuzione dei benefici concentrata in poche grandi organizzazioni.Il 2026, letto attraverso questo rapporto, non è l’anno della consacrazione definitiva dell’intelligenza artificiale. È l’anno in cui comincia la verifica più difficile: capire chi sa usarla davvero e a quale prezzo.
