Introduzione
di Marco Minghetti
C’è un equivoco che accompagna da tempo il dibattito sull’intelligenza artificiale: identificare la sovranità con il possesso della tecnologia. Avere il proprio modello, la propria infrastruttura, la propria capacità di calcolo. Come se il vantaggio competitivo dipendesse dalla possibilità di rinchiudere dentro un confine ciò che nasce da reti di conoscenze, dati, relazioni.
Valentino Megale e Valerio Mancini spostano lo sguardo. La partita italiana sull’AI si gioca nella capacità di trasformare la frammentazione del nostro sistema produttivo in una risorsa condivisa. I dati custoditi nelle filiere, nei distretti, nelle pratiche professionali e nei saperi sedimentati delle imprese costituiscono un patrimonio che acquista valore quando entra in un’architettura capace di connetterlo salvaguardando le autonomie.
È qui che la loro proposta del Dataspace dei Distretti assume, nella prospettiva del Pop Management, un significato che supera la dimensione tecnologica.
Nei Prolegomeni abbiamo seguito a lungo il passaggio dall’azienda chiusa all’organizzazione come ecosistema. La Platfirm nasce da questa esigenza: combinare la capacità abilitante della piattaforma con una forma organizzativa fluida, federativa, aperta alla partecipazione di soggetti autonomi. Il Dataspace descritto da Megale e Mancini ne offre una possibile traduzione nel sistema produttivo italiano. Imprese che competono possono condividere dati, standard e capacità computazionali conservando identità e interessi differenti. La cooperazione diventa così capacità di costruire regole comuni fra differenze.
È una traiettoria che il Prolegomeno 204, Dalla globalizzazione frammentata alla globalità federata, aveva portato sul piano sistemico. Di fronte a interdipendenze selettive, contingenti e conflittuali, proponevamo la globalità federata come capacità di connettere autonomie, territori, comunità, imprese, istituzioni e piattaforme attraverso criteri comuni, infrastrutture condivise e responsabilità riconoscibili. La sua traduzione organizzativa era l’impresa federata: autonomia locale, coalizioni a geometria variabile, infrastrutture comuni. Il Dataspace dei Distretti porta ora quella logica dentro una delle questioni decisive dell’economia dell’intelligenza artificiale: condividere valore preservando le differenze che lo producono.
Il contributo sviluppa anche un filo emerso nei Prolegomeni dedicati all’adozione dell’AI, alla consulenza nell’era degli agenti e alla singolarità organizzativa. La distanza decisiva appare sempre meno quella fra organizzazioni tecnologicamente avanzate e organizzazioni arretrate. Conta la distanza fra chi acquista strumenti e chi riesce a modificare processi, responsabilità e criteri decisionali.
Megale e Mancini introducono qui un passaggio ulteriore. La stessa competenza richiesta per mettere in comune i dati fra imprese serve quando un’organizzazione affida compiti a un agente artificiale. Cambia il soggetto con cui occorre negoziare l’autonomia; resta il problema manageriale: stabilire chi può fare cosa, entro quali soglie, secondo quali finalità e sotto la responsabilità di chi.
Qui si trova forse il punto più radicale del loro ragionamento. Nell’impresa popolata da agenti AI, il lavoro del manager si sposta dalla produzione dell’output alla progettazione del criterio. Gestire significa rendere esplicito ciò che per decenni le organizzazioni hanno potuto lasciare implicito: le condizioni che rendono una decisione accettabile, i limiti della delega, i momenti in cui una persona deve rientrare nel processo, il nome di chi risponde dell’esito.
Il manager diventa un progettista di relazioni fra autonomie: quelle delle persone, dei team, delle imprese che compongono una filiera e, sempre più spesso, dei sistemi artificiali che partecipano ai processi.
Anche la questione della sovranità cambia natura. La capacità di un sistema produttivo si misura da ciò che riesce a mettere in relazione conservandone il governo. La forza dei distretti italiani è sempre derivata da una combinazione difficile da replicare: specializzazione, prossimità, competenze tacite, differenze imprenditoriali, reti di fornitori e committenti. Nell’economia dell’intelligenza artificiale quello stesso patrimonio può diventare un vantaggio se riesce a trasformarsi in un bene condiviso, governato da diritti, criteri e responsabilità.
La frammentazione, letta da questa prospettiva, può diventare materia prima di una nuova capacità federativa.
Ed è forse qui che la proposta di Megale e Mancini incontra più a fondo il Pop Management: una tecnologia produce valore quando apre possibilità di relazione, moltiplica le connessioni, rende praticabile una cooperazione prima difficile. Anche l’intelligenza artificiale, alla fine, ci riporta a una domanda umana e organizzativa.
Quanto siamo capaci di cooperare senza rinunciare alle nostre differenze?
Perché la partita italiana sull’AI si gioca sui dati di filiera, non sui modelli
Il mercato italiano dell’AI ha raggiunto 1,8 miliardi di euro, con una crescita del 50% in dodici mesi. Ma il 71% delle grandi imprese ha avviato almeno un progetto, contro l’8% delle piccole e medie. Il divario non si è chiuso nonostante il crollo dei costi della tecnologia: il nodo non è tanto la velocità della crescita quanto il punto di partenza che evidenzia dove si gioca davvero la partita del 2030: non sui modelli generalisti, ma sulla capacità di trasformare i dati operativi delle nostre filiere in un vantaggio competitivo difficile da replicare. È la proposta che avanziamo in questo articolo, un Dataspace dei Distretti, e prima ancora la competenza manageriale che la rende possibile.
di Valentino Megale e Valerio Mancini
Il paradosso dell’adozione: quando la tecnologia corre, le imprese frenano
Nel 2018 il mercato italiano dell’intelligenza artificiale valeva poco più di 210 milioni di euro. Nel 2025 ha raggiunto 1,8 miliardi, dopo un anno chiuso a +50% e un anno precedente chiuso a +58%. In sette anni si è moltiplicato per quasi nove, trainato in larga parte da soluzioni di Generative AI o da progetti ibridi, che oggi pesano per quasi metà del totale. Presa da sola, è la traiettoria di un Paese in accelerazione.
Nel 2025 il 71% delle grandi imprese italiane ha avviato almeno un progetto di intelligenza artificiale. Tra le piccole e medie imprese la quota scende all’8%. Il dato riguarda proprio la porzione del sistema produttivo in cui si concentra la larghissima maggioranza delle imprese italiane e dell’occupazione.
Il divario persiste anche dopo il crollo dei costi e rimanda al livello di partenza più che alla velocità della crescita. Nel 2024 l’8,2% delle imprese italiane con almeno 10 addetti utilizzava almeno una tecnologia di AI, contro il 13,5% della media UE. Nelle grandi imprese l’84% ha acquistato nel 2025 licenze di almeno uno strumento generativo, mentre il 71% ha avviato almeno un progetto; nelle PMI la quota dei progetti avviati scende all’8%. Gli indicatori descrivono fenomeni diversi e non sono sovrapponibili, ma la distanza fra disponibilità degli strumenti e trasformazione dei processi segnala un nodo organizzativo più che tecnologico.
Nel 2025 le competenze di intelligenza artificiale compaiono nel 76% delle offerte di lavoro per profili qualificati, e gli annunci che le richiedono sono cresciuti del 93% in un anno. Quasi un lavoratore su due dichiara di usare strumenti di AI; quattro su dieci affermano di svolgere, grazie a essi, attività che altrimenti non saprebbero fare. L’adozione individuale corre, l’adozione organizzativa arranca. È la forbice che i Prolegomeni 151 e 161 hanno documentato dall’interno, raccogliendo la testimonianza di chi quella lentezza la vive nei processi: strumenti ovunque, impatto sistemico molto più raro.
Il paradosso: l’intelligenza artificiale è entrata nelle mani delle persone molto prima di entrare nei processi delle imprese. Le imprese che la tengono fuori dai processi accumulano un debito destinato a emergere tutto insieme.
La vera sfida è la capacità cooperativa
La tesi di questo articolo è che la scarsità che frena l’Italia sull’intelligenza artificiale riguardi soprattutto la capacità cooperativa: governare la fiducia fra imprese che competono e il giudizio dentro imprese che delegano.
Sono due facce della stessa competenza manageriale, applicata a due scale diverse. Fuori dall’impresa: mettere in comune dati industriali con concorrenti, fornitori e committenti senza perdere il controllo di ciò che si conferisce. Dentro l’impresa: delegare compiti a sistemi sempre più autonomi mantenendo il criterio con cui il risultato va valutato. In entrambi i casi il nodo riguarda l’architettura delle regole, la trasparenza dei criteri e l’attribuzione delle responsabilità. È, insomma, una sfida manageriale.
Da questa tesi discende una posizione che sappiamo essere minoritaria nel dibattito italiano: la sovranità sui foundation model generalisti è, per l’Italia, difficilmente perseguibile su scala competitiva globale e non coincide con la sovranità decisiva per creare valore. La leva più accessibile riguarda i dati operativi delle nostre filiere e la capacità di governarli. L’approccio che proponiamo l’abbiamo chiamato Dataspace dei Distretti: un’infrastruttura cooperativa in cui le imprese di una filiera mettono in comune dati industriali secondo regole esplicite, una vera architettura di governance.
Perché inseguire la sovranità sui modelli è la sfida sbagliata
In ogni discussione pubblica italiana sull’intelligenza artificiale arriva, prima o poi, la stessa domanda: perché non abbiamo un nostro modello? È una domanda legittima, ma rischia di indirizzare il dibattito verso il bersaglio sbagliato.
L’Italia ha interesse a sviluppare competenze nazionali nella ricerca sull’AI, infrastrutture di calcolo, modelli specializzati e soluzioni proprietarie. Il punto è distinguere questa capacità dalla sovranità sui foundation model generalisti. La creazione di valore dipende dalla capacità di integrare i modelli in contesti dotati di dati, competenze e conoscenze difficili da replicare.
La distanza dalla frontiera globale rende questa distinzione ancora più evidente. Nel 2025 gli Stati Uniti hanno attratto 285,9 miliardi di dollari di investimenti privati nell’AI, oltre 23 volte quelli della Cina, e concentrano una parte decisiva dei modelli avanzati e del venture capital che ne sostiene lo sviluppo (Stanford HAI, 2026). Per l’Italia, e in larga misura anche per l’Europa, trasformare la replica dei modelli generalisti in obiettivo industriale prioritario significherebbe misurarsi con una scala di capitale, dati e capacità computazionale difficilmente sostenibile.
La domanda utile diventa allora: «dove possiamo costruire un vantaggio difficile da replicare?»
La risposta italiana potrebbe partire da una risorsa che il Paese possiede già: la struttura dei suoi distretti industriali. Moda, automotive, meccanica, agroalimentare, farmaceutica, design, turismo e numerosi altri comparti concentrano conoscenze specialistiche, relazioni tra imprese, competenze professionali e una quantità enorme di dati distribuiti lungo filiere territoriali. Oggi queste informazioni restano spesso frammentate tra aziende, fornitori, istituzioni e operatori che condividono lo stesso ecosistema economico senza disporre di una stessa infrastruttura informativa.
È qui che prende forma l’idea dei Dataspace dei Distretti: spazi digitali nei quali le imprese di uno stesso distretto possano condividere dati secondo regole comuni, mantenendo controllo, tracciabilità e livelli definiti di accesso. Il vantaggio consiste nel creare un patrimonio informativo settoriale e territoriale sul quale sviluppare applicazioni AI difficili da replicare da parte di operatori esterni.
La logica è semplice. Un modello generalista può essere acquistato da migliaia di imprese. Un ecosistema di dati proprietari costruito nel tempo da una filiera incorpora conoscenze, processi e relazioni difficili da trasferire. L’asset competitivo diventa così la qualità del contesto nel quale l’AI viene applicata, oltre alla potenza dell’algoritmo utilizzato.
Questo cambia anche il significato della sovranità. Una filiera diventa sovrana quando conserva la capacità di governare i dati critici, decidere chi può accedervi, stabilire per quali finalità possono essere utilizzati e trasformare quella conoscenza in valore, anche ricorrendo a tecnologie sviluppate altrove.
L’Italia sta intanto costruendo una parte importante dello strato infrastrutturale necessario a questa trasformazione. A ottobre 2025 risultavano 209 data center attivi sul territorio nazionale, con 73 nella provincia di Milano, 21 a Roma e 11 a Torino. Nello stesso periodo, le richieste di connessione alla rete elettrica associate ai data center avevano raggiunto circa 44 GW, con il 60% della potenza richiesta concentrato in Lombardia (I-Com, 2025). Cloud, capacità computazionale, energia, cybersecurity e connettività stanno quindi diventando componenti di un’unica infrastruttura economica.
Anche in questo caso vale lo stesso principio: l’infrastruttura è una condizione abilitante. Un data center crea valore nella misura in cui consente a imprese e istituzioni di utilizzare dati, competenze e processi con maggiore efficacia.
È a questo punto che la questione italiana incontra quella manageriale. Nel 2025 l’88% delle organizzazioni intervistate dallo Stanford AI Index dichiarava di utilizzare l’AI e il 70% la generative AI almeno in una funzione aziendale. L’adozione degli agenti AI resta invece nelle fasi iniziali, mentre i benefici economici riportati dalle imprese si concentrano spesso in incrementi contenuti di efficienza (Stanford HAI, 2026).
La prossima fase della competizione dipenderà quindi dalla capacità di ridisegnare i processi attorno all’AI, oltre che dalla qualità degli algoritmi.
Qui il Dataspace dei Distretti crea un ponte verso l’evoluzione degli agenti AI. Condividere dati all’interno di una filiera e affidare a sistemi autonomi una parte crescente dei processi sembrano fenomeni diversi, ma richiedono la stessa condizione: rendere esplicite regole che in passato potevano restare implicite.
Per condividere dati tra imprese occorre definire chi può accedere alle informazioni, per quali finalità, con quali responsabilità e con quali limiti. Per affidare a un agente AI un processo occorre stabilire quali decisioni può prendere in autonomia, quali soglie non può superare, quando deve coinvolgere una persona e chi risponde delle conseguenze delle sue azioni. La governance dei dati e quella degli agenti sono due facce della stessa trasformazione organizzativa.
Questa simmetria può diventare uno dei punti chiave della prossima fase dell’AI. Più le imprese passano dalla consultazione di strumenti generativi alla delega di attività a sistemi autonomi, più acquistano peso qualità del dato, tracciabilità, responsabilità e regole condivise. L’autonomia dell’agente cresce solo dentro un ambiente governato con chiarezza.
Per l’Italia questa può essere un’opportunità concreta. Un Paese caratterizzato da un tessuto produttivo composto in larga parte da PMI può scegliere la verticalizzazione, invece di misurarsi sul terreno nel quale vincono imprese dotate di centinaia di miliardi di dollari di capitale e capacità computazionali incomparabilmente superiori.
La vera sfida consiste nel trasformare la conoscenza specialistica delle filiere in dati, infrastrutture e applicazioni intelligenti. Manifattura, design, moda, automotive, farmaceutica, turismo, beni culturali, agroalimentare, servizi pubblici e professionali sono tutti ambiti nei quali l’Italia possiede un patrimonio di competenze che può essere incorporato in sistemi AI specifici.
Il vantaggio può consistere nel costruire il miglior sistema AI per un determinato settore: integrato nei processi di un’impresa o di una filiera, alimentato da dati proprietari, conforme alle regole europee e capace di produrre risultati misurabili.
È una distinzione decisiva anche per il management. L’investimento in AI va valutato sulla capacità dell’organizzazione di ridisegnare processi, ridurre tempi e costi, migliorare la qualità delle decisioni, sviluppare nuovi prodotti e liberare competenze umane per attività a maggiore valore aggiunto, andando oltre il conteggio delle licenze acquistate, dei chatbot introdotti o della potenza computazionale disponibile.
Anche la regolazione può entrare in questa logica. L’Europa ha scelto, attraverso l’AI Act, un sistema basato sul rischio e sulla tutela dei diritti fondamentali (Regolamento UE 2024/1689). L’Italia ha poi affiancato al quadro europeo la Legge 23 settembre 2025, n. 132, entrata in vigore il 10 ottobre 2025, dedicata ai principi in materia di ricerca, sviluppo, adozione e applicazione dell’intelligenza artificiale (Normattiva, 2025).
Una buona regolazione diventa un vantaggio competitivo quando riduce l’incertezza e rende possibili nuove forme di collaborazione. Per un Dataspace dei Distretti significa stabilire regole chiare sulla condivisione dei dati, sugli accessi e sulle responsabilità. Per gli agenti AI significa definire limiti operativi, supervisione e responsabilità. In entrambi i casi, la fiducia diventa una componente dell’infrastruttura economica.
Per l’Italia, dunque, la questione riguarda dove concentrare risorse limitate per costruire un vantaggio difficile da replicare.
La risposta può essere una strategia di sovranità più ampia: infrastrutture sufficienti, accesso alla capacità di calcolo, dati di qualità, ricerca scientifica, competenze manageriali, applicazioni verticali, sicurezza informatica e soprattutto ecosistemi di dati condivisi capaci di trasformare le specificità territoriali e industriali italiane in capacità computazionale e decisionale.
Sviluppare modelli italiani o europei conserva senso quando risponde a esigenze linguistiche, industriali, scientifiche o strategiche specifiche. La priorità, però, è evitare una gara simbolica alla replica dei modelli generalisti americani.
La sfida per la politica industriale italiana nei prossimi anni può essere costruire un ecosistema nel quale dati, infrastrutture, imprese, università e istituzioni trasformino la specificità delle filiere italiane in un vantaggio competitivo nell’economia degli agenti AI.
È una forma di sovranità meno visibile della costruzione di un grande modello e più vicina ai luoghi in cui si creerà valore nei prossimi anni.
Trasformare i dati industriali nel vantaggio competitivo del 2030
Il terreno su cui l’Italia parte avvantaggiata è il suo patrimonio informativo. I dati operativi dei distretti industriali italiani – moda e lusso, meccanica di precisione, agroalimentare, farmaceutico, nautica – descrivono processi produttivi che nessun altro Paese possiede nella stessa combinazione di specializzazione, densità e continuità storica. Parametri di macchina, curve di scarto, ricette di processo, cicli di manutenzione, difettosità per lotto, comportamenti dei materiali sotto lavorazione: è il tipo di dato su cui un modello verticale acquista un valore specifico superiore a quello di un modello generalista.
È la definizione di un asset dormiente: un patrimonio che genera poco valore finché resta disperso in migliaia di server aziendali che non si parlano. Da qui la proposta dei Dataspace dei Distretti: un’infrastruttura nazionale che metta in comune, con governance cooperativa e regole esplicite di AI responsabile, i dati industriali dei distretti d’eccellenza; li renda base di addestramento per modelli verticali ospitati sull’infrastruttura cloud già esistente; e sia finanziata da un fondo di co-investimento pubblico-privato capace di subentrare al PNRR con un orizzonte pluriennale.
Il punto che ci preme è questo: il Dataspace dei Distretti è prima di tutto un progetto di management. Le tecnologie necessarie esistono già; la sfida consiste nel farle funzionare dentro un’architettura cooperativa, nel senso della Platfirm: un dispositivo che tiene insieme attori autonomi, dati, interessi divergenti e regole condivise senza risolverli in una gerarchia. Le domande decisive sono organizzative. Chi conferisce e chi accede? Con quale reciprocità? Chi certifica la qualità del dato fornito? Come si riconosce il valore a chi conferisce di più? Chi risponde se un modello addestrato su dati di filiera produce un risultato che danneggia un conferente? Con quale maggioranza si cambiano le regole?
Sono le stesse domande che il Prolegomeno 139 poneva a proposito della consulenza nell’era degli agenti, arrivando a una formula che vale come principio costitutivo anche qui: i dati come bene comune d’impresa, con consensi e diritti espliciti, contro la logica della scatola nera proprietaria, a favore di prodotti interoperabili e co-creati. Il Dataspace dei Distretti porta quella formula dalla scala della singola impresa a quella della filiera.
C’è poi una ragione culturale, oltre che industriale, per scommettere su questo terreno. Il Made in Italy, come argomentava il Prolegomeno 153, è una piattaforma dialogica che la tecnologia può rigenerare senza tradirla. Un modello addestrato sui dati di lavorazione di un distretto tessile preserva il sapere artigiano rendendolo trasmissibile, verificabile e scalabile oltre la biografia di chi lo detiene. In un Paese in cui una quota rilevante di quel sapere è custodita da persone prossime alla pensione, entra in gioco anche la conservazione.
La mossa strategica è trasformare la frammentazione produttiva, storico handicap competitivo, nell’asset di dati in cui partiamo in vantaggio. È una scommessa selettiva: rinuncia a competere ovunque per concentrare le risorse in pochi ambiti riconoscibili. Nel report la chiamiamo leadership di nicchia: il solo dei tre scenari al 2030 in cui l’Italia passa da consumatore a produttore di valore e quello che richiede decisioni selettive e continuative. Il ritardo strutturale, invece, si subisce lasciando le decisioni in sospeso.
Il rischio manageriale: quando delegare un compito diventa delegare il giudizio
La seconda faccia della stessa competenza si gioca dentro l’impresa, e il 2025 l’ha resa urgente. L’anno ha portato in primo piano l’AI agentica: sistemi che combinano modelli generativi, orchestratori e strumenti aziendali per eseguire flussi di lavoro con autonomia crescente. Lo spostamento va dalla generazione di contenuti all’esecuzione di compiti come onboarding clienti, gestione sinistri, configurazione di offerte, riconciliazioni, procurement operativo. Per chi lavora in un’organizzazione è un salto di natura: un testo sbagliato si corregge, un processo eseguito lascia conseguenze operative.
Qui si apre il rischio manageriale più sottile del prossimo triennio: ciò che il Prolegomeno 165 ha definito singolarità organizzativa, la soglia oltre la quale la delega del compito scivola verso la delega del giudizio. Il meccanismo si autoalimenta: ogni decisione delegata senza un criterio esplicito abbassa la soglia per quella successiva, finché l’opacità diventa una proprietà del sistema. Il segnale clinico è una frase che in molte organizzazioni si sente già: «l’ha deciso il sistema».
Vale la pena distinguere le due deleghe. Delegare un compito significa affidare l’esecuzione mantenendo la titolarità del criterio di valutazione del risultato: so che cosa considero un buon esito e lo verifico. Delegare il giudizio significa accettare come buono l’esito perché lo ha prodotto il sistema. La prima è una scelta di efficienza; la seconda è un’abdicazione che, nella quasi totalità dei casi, viene lasciata accadere.
Questo ribalta il compito del management. In un’organizzazione che delega compiti a sistemi autonomi, il prodotto manageriale diventa il criterio: la definizione esplicita, scritta e verificabile di che cosa il sistema può decidere da solo, che cosa deve sottoporre a una persona, con quale soglia di confidenza e chi firma. Un criterio scritto è una tecnologia organizzativa antica e sottovalutata; nel 2026 è fra le più scarse.
Per questo l’analogia con il Dataspace è sostanziale. Mettere in comune dati fra imprese e delegare processi ad agenti richiedono la stessa cosa: rendere espliciti criteri rimasti impliciti. Nel primo caso: chi accede a cosa. Nel secondo: chi decide cosa. In entrambi occorre scrivere quattro elementi: finalità ammesse, soglie oltre le quali serve un’autorizzazione, punti in cui una persona rientra nel processo, responsabilità dell’esito. Cambia l’autonomia con cui si negozia – quella di un’altra impresa o quella di un sistema – ma resta la natura del lavoro manageriale. Le organizzazioni capaci di gestire la seconda operazione avranno più strumenti per affrontare la prima. Chi non ha mai scritto una regola di escalation interna faticherà a negoziare un accordo di conferimento dati con un concorrente.
La risorsa più scarsa: il manager come cerniera tra tecnologia e business
Segue una conseguenza sul capitale umano che va contro l’intuizione dominante. Il profilo più scarso, in Italia, comprende il decisore capace di stare alla cerniera fra tecnologia e business: una persona che sappia leggere il potenziale di un sistema, valutarne i casi d’uso con metriche di ritorno chiare, governarne i rischi normativi ed etici e guidare la trasformazione organizzativa che ne consegue. Più che un tecnico puro, serve un manager che padroneggi il linguaggio dell’innovazione abbastanza da orchestrare dati, modelli, infrastrutture e persone dentro una strategia. Detto in termini pop, è il progettista dei criteri, delle responsabilità e delle relazioni fra autonomie umane e artificiali: la stessa competenza che, un livello sopra, serve per far funzionare un Dataspace fra imprese che competono.
Il comportamento delle imprese più avanzate mostra il valore di questo profilo. Queste organizzazioni hanno superato la logica dei progetti isolati e costruito quelle che nel report chiamiamo fabbriche di casi d’uso: team dati centralizzati, piattaforme MLOps condivise, librerie di modelli riutilizzabili, processi di governance che portano in produzione una nuova applicazione in settimane anziché in mesi. Il vantaggio competitivo nasce dall’industrializzazione, che abbatte il costo marginale di ogni progetto successivo e rende l’innovazione ripetibile. È una capacità organizzativa descrivibile per intero senza nominare una sola tecnologia.
Il rovescio della medaglia è il teatro dell’AI: progetti visibili, comunicati bene, misurati poco, che consumano il budget dell’anno e l’attenzione dell’organizzazione senza modificare un processo. Si può così spendere in intelligenza artificiale e restare dove si era.
Cinque azioni concrete per industrializzare l’AI (e come misurarle)
Proponiamo cinque azioni: tre per le imprese, una per le filiere, una per il decisore pubblico.
Uno. Portare fino in produzione un solo caso d’uso, invece di aprirne cinque. La dispersione è una patologia diffusa dell’adozione tecnologica e nelle PMI ricorre spesso: alcune sperimentazioni parallele, nessuna integrata end-to-end nel processo. Metrica: il tempo necessario per portare in produzione il secondo caso d’uso. Il primo misura l’entusiasmo dell’organizzazione; il secondo la sua capacità.
Due. Misurare il costo marginale del secondo caso d’uso rispetto al primo. È il test più rapido per distinguere una piattaforma da una collezione di progetti. Metrica: il rapporto fra i due costi. Se è pari o superiore a uno, manca una piattaforma dati comune: fornitori diversi hanno risolto problemi diversi e ogni nuovo caso d’uso rischia di costare quanto il precedente.
Tre. Scrivere i criteri prima di delegare. Per ogni processo affidato a sistemi agentici serve un documento di una pagina che stabilisca che cosa il sistema decide in autonomia, che cosa sottopone a una persona, con quale soglia e chi firma l’esito. Metrica: l’esistenza di quel documento. Un processo privo di criterio scritto resta privo di governo.
Quattro. Far partire i consorzi di dati di filiera dai committenti. È difficile che una PMI conferisca per prima. Il grande committente che traina un distretto ha invece interesse e forza contrattuale per aprire il conferimento e stabilire lo standard, come accadde con la qualità di fornitura trent’anni fa. Metrica: il numero di imprese che conferiscono dati. Un data space in cui tutti leggono e nessuno scrive diventa un archivio destinato a invecchiare.
Cinque. Usare la domanda pubblica come primo cliente qualificato e garantire continuità oltre il PNRR. Appalti innovativi e ambienti regolatori di sperimentazione possono valere, per una filiera nativa AI, più di un incentivo a pioggia: un cliente che paga e pretende è una forma efficace di politica industriale. La risorsa scarsa è la continuità. Metrica: l’orizzonte temporale dello strumento finanziario. Un fondo che non superi i cinque anni rischia di finanziare una stagione di annunci invece di una trasformazione.
Le componenti tecnologiche essenziali esistono già. Ognuna di queste cinque mosse richiede però una decisione che oggi nessuno è obbligato a prendere: proprio per questo molte restano sospese.
Oltre la diffidenza: costruire la cooperazione come architettura di sistema
I distretti italiani hanno già provato più volte a mettere in comune risorse – consorzi export, reti d’impresa, piattaforme di filiera – e molte esperienze hanno incontrato difficoltà di continuità, governance e partecipazione. La diffidenza fra imprese che competono sullo stesso mercato del lavoro, sugli stessi fornitori e talvolta sugli stessi clienti ha ragioni concrete. Chi conferisce di più teme di sussidiare i concorrenti. Anche la struttura dimensionale pesa: le analisi europee sulla competitività richiamate nel dibattito successivo al rapporto Draghi mostrano come la piccola scala possa frenare adozione tecnologica, accesso al capitale e capacità di crescita.
Mancano prove che questa volta andrà diversamente, ma il contesto presenta due novità. La prima: chi conferisce dati più numerosi, pertinenti e di qualità può ottenere benefici maggiori, a condizione che le regole di governance leghino accesso e ritorni al valore del conferimento. Il comportamento opportunistico può così essere disincentivato, senza presumere che scompaia. La seconda: strumenti come data space europei, apprendimento federato e ambienti di elaborazione protetti permettono di addestrare modelli condivisi senza cedere il dato grezzo. La cooperazione fra concorrenti richiede meno fiducia cieca e più architettura. Ancora una volta, il problema è di management.
L’intelligenza artificiale metterà alla prova la capacità italiana di innovare proprio sul terreno che storicamente ci è riuscito più difficile: cooperare. È una sfida inattesa per una tecnologia, e fra le più importanti da affrontare.
Gli autori
Valentino Megale opera all’intersezione tra cognizione umana, tecnologie simulative XR e soluzioni IA. È imprenditore tech, founder e CEO di Softcare Studios, azienda di digital health che sviluppa soluzioni VR in ambito sanitario in collaborazione con aziende Pharma e MedTech, consorzi europei e centri di ricerca accademici, premiata come Best E-Health Startup agli Startup Europe Awards 2018. È Program Director dell’International Master in Artificial Intelligence di Rome Business School, con focus su trasformazione digitale e ruolo delle tecnologie emergenti nella strategia e nel management d’impresa. PhD in Neurofarmacologia, con esperienza accademica internazionale in Francia e Austria, è Presidente di XRSI Europe e membro di XRSI (USA), dove siede nel MedicalXR Council ed è responsabile della Child Safety Initiative. È coautore del Research Report di Rome Business School «Italia 2030: scenari per l’innovazione tra AI, impresa e politica». Con oltre 15 anni di esperienza fra ricerca e impresa, ha partecipato a programmi di accelerazione internazionali come il Merck Acceleration Program (Germania), Accelerace (Danimarca), TMCx (Stati Uniti) e il Global Startup Program (Regno Unito). Startup mentor e speaker TEDx, ha contribuito al volume «Mental Health Virtual Reality: The Power of Immersive Worlds», curato da Jessica Stone Ph.D. e pubblicato da Wiley, con un capitolo sulla realtà virtuale applicata alla pediatria.
Valerio Mancini è Direttore del Centro di Ricerca Divulgativo di Rome Business School e Direttore del Center for Sport Diplomacy and Innovation (CSDI) della Rome City Institute. Professore a contratto presso Sapienza Università di Roma, LUMSA University, Università degli Studi Guglielmo Marconi, Università degli Studi di Perugia e Unicollege Firenze, è visiting lecturer presso la Zhongnan University of Economics and Law. Ha lavorato come ricercatore e consulente per organizzazioni internazionali — UNODC, UNICRI, MAOC-N e OCSE — e per la Scuola Nazionale dell’Amministrazione presso la Presidenza del Consiglio dei Ministri. Dal 2022 fa parte del Comitato scientifico di «The Market: International Journal of Business», del Think Thank “Comunicare l’abitare” e dal 2025 della Consulta «Smart City» del Comune di Roma. Ha conseguito l’EdD presso la Westcliff University e l’LL.M. presso l’Università di Teramo. Fra le sue pubblicazioni: «Calcio & Geopolitica» (2021, vincitore del 56° Premio Letterario CONI), «Calcio, politica e potere» (2023), «Arte, moda e geopolitica» (Egea, 2023) ed «El gran juego» (2024).
Prolegomeni richiamati
- Prolegomeni al Manifesto del Pop Management 139 — Innovazione Pop. La consulenza nell’era degli AI agent, 7 ottobre 2025. Link
- Prolegomeni al Manifesto del Pop Management 151 — Innovazione Pop. L’adozione lenta dell’AI in azienda: le cause e le opportunità mancate (1), 16 dicembre 2025. Link
- Prolegomeno Pop — Matarazzo, Made in Italy, IA, 6 gennaio 2026 (n. 153). Link
- Prolegomeni al Manifesto del Pop Management 161 — Innovazione Pop. L’adozione lenta dell’AI in azienda: le cause e le opportunità mancate (2), 3 febbraio 2026. Link
- Prolegomeni al Manifesto del Pop Management 165 — Organizzazione Pop. Da Moltbook all’azienda: la singolarità organizzativa, 17 febbraio 2026. Link
Fonti e dati
- Rome Business School Research Center, «Italia 2030: scenari per l’innovazione tra AI, impresa e politica», Research Report 2026 — fonte di tutti i dati di mercato, adozione, infrastrutture e scenari citati.
- Osservatorio Artificial Intelligence, Politecnico di Milano — dimensione e crescita del mercato AI italiano 2018-2025; composizione GenAI e progetti ibridi; tassi di adozione per classe dimensionale d’impresa; licenze di strumenti generativi nelle grandi imprese.
- ISTAT, dati 2024 sull’adozione dell’intelligenza artificiale nelle imprese italiane (8,2%), con confronto europeo (13,5%), così come attribuiti nel Research Report RBS (Figura 3, elaborazione su Osservatorio Politecnico di Milano e ISTAT 2024).
- Regolamento (UE) 2024/1689 (AI Act), in vigore dal 1° agosto 2024, con applicazione graduale — Gazzetta ufficiale dell’Unione europea, https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- Legge 23 settembre 2025, n. 132, «Disposizioni e deleghe al Governo in materia di intelligenza artificiale» — Normattiva, https://www.normattiva.it/eli/id/2025/09/25/25G00143/CONSOLIDATED
- Analisi europee sulla competitività richiamate nel contesto del rapporto Draghi — incentivi dimensionali e freni all’adozione tecnologica nelle economie frammentate.
- Stanford Institute for Human-Centered Artificial Intelligence, «The 2026 AI Index Report», Stanford University, 2026 — investimenti privati globali in AI, adozione organizzativa e stato degli agenti AI. https://hai.stanford.edu/ai-index/2026-ai-index-report
- I-Com, Istituto per la Competitività, «Energ-IA: intelligenza artificiale, energia e sostenibilità», 2025 — data center attivi in Italia, richieste di connessione elettrica e concentrazione territoriale della potenza. https://www.i-com.it/2025/11/13/energ-ia-i-com-data-center-mercato-globale-da-441-miliardi-con-lintelligenza-artificiale-consumi-di-elettricita-in-crescita-ma-anche-piu-efficienza-e-sostenibilita/
206 – continua
