Il rapporto tra imprese e intelligenza artificiale in Italia ha superato la fase sperimentale ma la diffusione nei processi di innovazione aziendale rimane limitata: solo il 26% ha trasformato l’AI in una componente strutturale del modello di innovazione, mentre il 49% ha avviato progetti pilota su casi d’uso specifici e un’integrazione parziale; il restante 25% è approccia l’AI in modo sporadico, sulla scorta dell’iniziativa di singoli e senza una regia strategica centrale.
A segnalarlo è l’Osservatorio AI4Innovation della Polimi School of Management (Innovation&Strategy), che ha presentato oggi il report “Innovazione & AI nelle imprese italiane: Gen-AI & Agentic-AI”.
Il sondaggio, condotto tra gennaio e marzo 2026 tra gli innovation manager e i responsabili AI delle imprese intervistate di un campione di imprese italiane distribuite su quattro fasce dimensionali per fatturato. Ed evidenzia una differenza importante tra la shadow AI, cioè il fenomeno dei dipendenti che adottano l’AI in autonomia, e l’adozione intensiva, che invece prevede l’integrazione nei processi core con workflow definiti, tool dedicati, governance e metriche, confinata a una minoranza di organizzazioni.
“Il confine strategico non è più tra chi usa l’AI e chi no ma tra l’adozione estensiva, individuale, spesso superficiale e con strumenti generalisti, che è diffusa e in crescita – dichiara Stefano Mizio, responsabile dell’Osservatorio AI4Innovation -. La shadow AI è una realtà di massa che richiede una governance urgente. Il ritardo nell’adozione intensiva produce uno svantaggio esponenziale, poiché chi ha iniziato sta già accumulando un know how operativo difficilmente colmabile, imboccando la corretta direzione evolutiva: passare a un’integrazione strutturata dell’AI nella gestione della conoscenza, nel supporto alle decisioni e nel monitoraggio dei progetti. La vera sfida è costruire le condizioni organizzative affinché l’AI diventi parte integrante del modo in cui l’innovazione viene portata a valore”.
Ma l’integrazione tecnologica richiede anche un profondo aggiornamento delle competenze: il 96% dei team Innovation ritiene che sia necessario svilupparne di nuove e la figura più ricercata (51%) è il “profilo ibrido”, abbastanza competente da dialogare con i sistemi e abbastanza manageriale da tradurre quella competenza in valore organizzativo.
“Questo non è casuale: la capacità di programmare non è più il discrimine, il vero prerequisito è comprendere come questi strumenti funzionano, quali sono i loro limiti, come governarli in modo responsabile. I profili tecnici puri (data scientist, ML engineer, AI engineer) rimangono necessari ma non sono più la risposta prevalente alla domanda su chi deve guidare l’innovazione AI-driven nelle organizzazioni”, aggiunge Stefano Mizio
Tre gli approcci all’AI: scaler, experimenter e starter
Il sondaggio ha evidenziato tre tipi di approccio all’IA, dividendo i rispondenti in tre categorie:
- 49% – AI Experimenters, società che hanno avviato progetti pilota su casi d’uso specifici e un’integrazione parziale;
- 26% – AI Scalers, hanno a trasformato l’AI in una componente strutturale del modello di innovazione;
- 25% è AI Starters, realtà con un approccio all’AI è ancora sporadico, guidato dall’iniziativa di singoli, privo di una regia strategica centrale.
Secondo l’Osservatorio il segmento più critico si trova nelle medie imprese, tra le quali:
- il 50% si dichiara ancora starter;
- solo il 9% raggiunge il profilo scaler: troppo grandi per essere agili, ma non abbastanza strutturate per investire in modo sistematico.
Di contro, le piccole imprese del campione mostrano una vitalità sorprendente, con il 30% di scalers, aziende con un profilo tech elevato, capaci di trasformare l’agilità decisionale in un vantaggio competitivo reale.
Tra le grandissime imprese il 16% si dice scaler (il 67% experimenters; tra le grandi ben il 39% si posiziona nella fascia più matura: le organizzazioni di maggiore dimensione dispongono di risorse e strutture che accelerano i percorsi di adozione, ma al tempo stesso frenano la scalabilità effettiva.
Profili ibridi e tecnici i più ricercati
I profili tecnici più ricercati sono, secondo il sondaggio del Polimi, quelli ibridi e tecnici, che raccolgono rispettivamente l 51% e il 32% dell’interesse.
Che tipo di profili state cercando?
Profili ricercati | Percentuale di interesse |
Ibridi (Innovation + competenze di base) | 51% |
Tecnici (Data scientist, ML engineer, AI engineer) | 32% |
Pm/pmo (con esperienza AI) | 10% |
Non prevediamo inserimento di nuove risorse | 7% |
Fonte: report “Innovazione & AI nelle imprese italiane: Gen-AI & Agentic-AI” (aprile 2026)
Tra il 96% che ritiene necessarie nuove competenze (il 52% in modo significativo, il 44% almeno in parte) la formazione interna si conferma lo strumento più diffuso (75%) per colmare il gap, a riprova che le aziende stanno investendo per costruire competenze proprie.
L’upskilling on the job su progetti pilota segue con il 62% (si impara facendo, sperimentando su casi d’uso reali), mentre il 48% ricorre a partnership con fornitori e consulenti, soprattutto nelle fasi di adozione; più contenuto (28%) chi sta procedendo con assunzioni.
AI roadmap: solo il 24% delle imprese dispone di un percorso pienamente formalizzato
La survey ha poi chiesto ai rispondenti se la propria organizzazione avesse definito una roadmap per l’integrazione dell’AI:
- il 24% dichiara di disporre di un percorso pienamente formalizzato, con priorità, casi d’uso, governance e criteri di misurazione;
- il 43% di uno parzialmente formalizzato, con linee guida e priorità generali;
- il 34% ammette di procedere in modo opportunistico.
“Quasi due terzi del campione si attribuisce dunque una qualche forma di pianificazione strategica sull’AI, ma sovrapponendo i dati con chi si collocava su livelli medio-alti di maturità emerge un leggero disallineamento: è possibile raggiungere un livello strutturato di integrazione AI senza una pianificazione esplicita? Probabilmente no”, precisano i relatori dell’analisi.
Lo spacchettamento per dimensione aziendale aggiunge ulteriori sfumature. Tra le grandissime imprese, il 27% dichiara una roadmap pienamente formalizzata, una quota superiore al 16% che si collocava tra gli AI scalers. “Il dato è coerente, avere una pianificazione strutturata non garantisce di essere già scalers, ma è difficile diventarlo senza”, proseguono.
Al contrario, l’85% delle piccole imprese si dichiarava su livelli di maturità medio-alti, ma solo il 58% avrebbe una roadmap formalizzata o parzialmente formalizzata. “Questa asimmetria riflette la minore propensione alla pianificazione nelle organizzazioni più piccole, compensata spesso dall’agilità decisionale. Ma fino a che punto questo può supplire alla governance, quando si parla di una tecnologia con implicazioni così ampie su processi, dati e responsabilità?”, concludono.
Investimenti in AI: il 67% punta allo sviluppo interno di soluzioni su misura
Quali sono gli investimenti in AI, dove vengono allocati e con quale logica? L’Osservatorio AI4Innovation della Polimi School of Management restituisce un quadro nel quale solo una quota marginale delle aziende (il 9%) non sta investendo in intelligenza artificiale.
Secondo il sondaggio il 73% dei rispondenti indica come prioritario l’accesso dei dipendenti a LLM e strumenti generativi, molti dei quali sono già inseriti negli ambienti di lavoro e dunque non richiedono una decisione di investimento esplicita. Strumenti che “aiutano a diffondere la familiarità con l’AI ma producono un impatto limitato”;
Il 67% dichiara di investire nello sviluppo interno di soluzioni su misura e/o su dati proprietari. Una percentuale alta, che segnala che “una quota significativa del campione ha già maturato una consapevolezza strategica precisa, cioè che il vero vantaggio competitivo sta nel combinare l’AI con dati proprietari, processi specifici e conoscenza organizzativa che i competitor non possono replicare”.
In questa prospettiva, anche gli investimenti in tool verticali (38%) e in piattaforme low/no-code (29%) possono rappresentare il modo con cui le aziende, in particolare quelle più piccole, “costruiscono capacità operative su casi d’uso specifici, proteggendo al tempo stesso il perimetro dei propri dati”.
