Abstract
Questa lezione esamina l'impatto dell'intelligenza artificiale (IA) sul lavoro e sulle imprese dal punto di vista della storia economica dei grandi sistemi tecnici. Parte da un paradosso. Le organizzazioni hanno buone ragioni per essere prudenti: secondo la RAND Corporation oltre l'80% dei progetti di IA fallisce, e la rapidità dei progressi tecnologici rende presto superati gli investimenti. Le persone, invece, non possono permettersi di aspettare, perché le competenze richieste dai datori di lavoro stanno già cambiando.
La storia offre tre chiavi di lettura: le ferrovie italiane dell'Ottocento, i cui benefici arrivarono con decenni di ritardo per carenze istituzionali; l'elettrificazione delle fabbriche americane, che divenne produttiva solo quando l'organizzazione fu ridisegnata; e il concetto di "saliente rovesciato" di Thomas P. Hughes. I dati del World Economic Forum, di Eurostat, dell'Istat e del Politecnico di Milano mostrano che in Italia l'uso dell'IA è raddoppiato in un anno. Resta però sotto la media europea, è poco strutturato e il divario tra grandi e piccole imprese è in crescita. Il principale ostacolo all'adozione non è la tecnologia, ma la mancanza di competenze adeguate.
La lezione confronta il modello della sostituzione con quello del potenziamento e discute la "frontiera tecnologica frastagliata" e il passaggio agli agenti di IA. Propone inoltre un metodo per valutare gli investimenti basato su due filtri e tre lenti (efficienza, crescita e valore strategico). Conclude che oggi il saliente rovesciato dell'IA sono le competenze e l'organizzazione. Per gli studenti questo vuoto è un'occasione: unire una solida competenza disciplinare alla capacità di usare, verificare e governare l'IA.
Executive summary in 15 punti
Il paradosso centrale. Le organizzazioni possono permettersi di aspettare sull'infrastruttura. Nessuno può permettersi di aspettare sulle competenze.
La lezione delle ferrovie. Nell'Ottocento le ferrovie italiane contribuirono poco all'unificazione economica, e i loro benefici arrivarono soprattutto nel Novecento. Il limite non era tecnico ma istituzionale.
Il paradosso della produttività. Come mostra Paul David, il motore elettrico diventò produttivo solo quando le fabbriche furono ridisegnate. Oggi molte imprese "sostituiscono il motore" senza cambiare l'organizzazione, e solo poco più di un terzo vede un effetto dell'IA sull'utile operativo.
Il saliente rovesciato. In ogni grande sistema tecnico un elemento in ritardo frena tutti gli altri. Per l'IA oggi quell'elemento sono le competenze e l'organizzazione, non la tecnologia.
Compiti, non mestieri. Secondo il WEF, entro il 2030 il saldo tra posti creati e posti persi sarà positivo, ma il rimescolamento sarà profondo e cambierà circa il 39% delle competenze fondamentali.
Le ragioni della prudenza. La "volatilità delle scoperte" accorcia la vita di ogni investimento, e oltre l'80% dei progetti di IA fallisce, soprattutto per cause organizzative.
L'Europa a due velocità. Circa un'impresa europea su cinque usa l'IA. Lo fa più di metà delle grandi imprese, ma solo una piccola impresa su sei.
L'Italia: un raddoppio che nasconde un divario. L'uso dell'IA è salito dall'8,2% al 16,4% delle imprese, ma resta sotto la media europea. Il divario tra grandi imprese e PMI si allarga, e un terzo degli utilizzatori non indica alcun ambito d'uso preciso.
Misurazione e governance deboli. Il mercato italiano vale 1,8 miliardi di euro, ma poche imprese misurano i benefici in modo strutturato o hanno una gestione organica dell'IA. Preoccupa anche la fine dei fondi del PNRR.
Le persone corrono più veloci delle organizzazioni. Quasi la metà dei lavoratori italiani usa già l'IA, e circa quattro su dieci la usano per svolgere attività che altrimenti non saprebbero fare. Si diffonde però la Shadow AI, cioè l'uso dell'IA al di fuori delle regole aziendali.
Il primo ostacolo sono le competenze. Quasi sei imprese italiane su dieci tra quelle che hanno rinunciato all'IA citano la mancanza di competenze, prima dell'incertezza giuridica, dei dati scadenti e dei costi.
Potenziare è meglio che sostituire. Klarna ha fatto marcia indietro sulla sostituzione. Secondo Jensen Huang l'IA automatizza i compiti, non lo scopo di un lavoro, ma le sue affermazioni vanno lette tenendo conto degli interessi di NVIDIA.
Frontiera frastagliata e agenti. L'IA eccelle in alcuni compiti e sbaglia in modo convincente in altri. Con gli agenti, il lavoro si sposta dall'usare l'IA al supervisionarla, e la verifica diventa il cuore del lavoro.
Un metodo per il ROI. Prima si applicano due filtri: la coerenza strategica e l'idoneità del compito. Poi si usano tre lenti: efficienza, crescita e valore attuale netto corretto per il rischio. Nel caso analizzato, l'automazione delle fatture si è ripagata in circa sette mesi. Il ROI va ricalcolato ogni sei mesi.
Che cosa significa per gli studenti. Conviene approfondire la propria disciplina e aggiungerci l'IA. Bisogna verificare ogni risultato e saper misurare il valore del proprio lavoro. Difficilmente l'IA vi ruberà il lavoro; potrebbe farlo qualcuno che la usa meglio di voi.
Chi vi parla
Mi chiamo Albert Schram e sono uno storico economico italo-olandese. Mi sono laureato all'Università di Utrecht e nel 1994 ho conseguito il dottorato in storia economica europea all'Istituto Universitario Europeo di Fiesole. Dalla tesi è nato il libro Railways and the Formation of the Italian State in the Nineteenth Century, pubblicato da Cambridge University Press nel 1997 [13]. Da allora studio la rivoluzione industriale e il progresso tecnologico, in particolare i grandi sistemi tecnici: le ferrovie, le reti elettriche, le telecomunicazioni. Mi interessa capire come questi sistemi trasformano l'economia e la società nel lungo periodo.
Ho insegnato e lavorato in undici Paesi. Per oltre diciotto anni ho avuto incarichi da professore in Costa Rica, all'ULACIT, e poi in Australia, negli Stati Uniti e in Papua Nuova Guinea. In Papua Nuova Guinea, tra il 2012 e il 2018, sono stato Vice-Chancellor, cioè rettore, della Papua New Guinea University of Technology. Oggi sono Adjunct Professor presso il centro di Verona dell'University Studies Abroad Consortium (USAC).
Tengo due blog. In Life is a Journey of Learning scrivo di università e di politiche della ricerca [18]. In AI4TL – Artificial Intelligence for Teaching & Learning scrivo di intelligenza artificiale nella didattica e nell'impresa [20]. Il mio ultimo contributo a un convegno s'intitola "Navigating the AI Revolution: A Simulation-Based Framework for Strategic Technology Adoption in Education". L'ho presentato alla conferenza internazionale ICEduTech 2026, che si è tenuta a Zagabria dal 7 al 9 marzo 2026, ed è stato pubblicato negli atti del convegno [19]. Il paper affronta una domanda che ci accompagnerà per tutta la lezione: quando e come conviene adottare una nuova tecnologia?
Oggi non vi parlerò dell'intelligenza artificiale da ingegnere informatico, ma da storico. Sono convinto che la storia delle tecnologie passate sia uno degli strumenti migliori che abbiamo per capire quella presente.
1. Un paradosso per cominciare
Comincio con un paradosso che ci accompagnerà per tutta la lezione.
Da un lato, ci sono ottime ragioni per essere prudenti. La maggior parte dei progetti di IA fallisce. La tecnologia cambia ogni pochi mesi, e un investimento fatto oggi rischia di essere superato l'anno prossimo. Per un'impresa, aspettare è spesso la scelta più saggia.
Dall'altro lato, ci sono ottime ragioni per avere fretta. L'IA sta già cambiando le competenze che i datori di lavoro cercano. In Italia gli annunci di lavoro che chiedono competenze di IA sono quasi raddoppiati in un solo anno [1]. Per voi studenti, aspettare è la scelta peggiore.
Entrambe le affermazioni sono vere. Alla fine della lezione spero di avervi convinto che non si contraddicono. Le organizzazioni possono permettersi di aspettare sull'infrastruttura. Nessuno può permettersi di aspettare sulle competenze.
2. Che cosa ci insegna la storia
2.1 Le ferrovie italiane: una promessa mantenuta in ritardo
Parto dalla mia ricerca. Nell'Ottocento le ferrovie erano l'"intelligenza artificiale" del loro tempo. Si diceva che avrebbero unificato il mercato nazionale, avvicinato il Nord e il Sud e trasformato l'economia. Ogni politico ne parlava e ogni città voleva la sua stazione.
Studiando la storia delle ferrovie italiane dagli anni Quaranta dell'Ottocento fino alla nazionalizzazione del 1905, sono arrivato a una conclusione diversa. Nell'Ottocento le ferrovie contribuirono poco all'unificazione economica del Paese, e i loro effetti positivi si fecero sentire soprattutto nel Novecento [13]. Il motivo non era tecnico: i treni funzionavano. Il problema era istituzionale. La regolazione era di scarsa qualità, lo Stato interveniva di continuo ma non creava condizioni sostenibili per le compagnie, e la "questione ferroviaria" divideva la politica [13].
La lezione è semplice ma importante. Una tecnologia potente non basta. Contano le istituzioni, le regole, le organizzazioni e le persone che la usano. Tenete a mente questa idea, perché ritornerà quando parleremo dell'Italia di oggi.
2.2 La dinamo e il computer: il paradosso della produttività
Il secondo esempio viene dagli Stati Uniti. Nel 1987 l'economista premio Nobel Robert Solow scrisse una frase diventata celebre: "L'era dei computer si vede ovunque, tranne che nelle statistiche sulla produttività" (traduzione mia) [16]. Le aziende compravano computer in grandi quantità, ma la produttività non cresceva.
Pochi anni dopo lo storico economico Paul David trovò una spiegazione guardando al passato, cioè all'elettrificazione delle fabbriche americane [15]. Il motore elettrico esisteva già alla fine dell'Ottocento, ma per decenni non portò grandi guadagni di produttività. All'inizio i proprietari si limitavano a sostituire la vecchia macchina a vapore con un grande motore elettrico, lasciando la fabbrica com'era. I benefici veri arrivarono solo quando si capì che si poteva dare un piccolo motore a ogni macchina e ridisegnare da capo l'organizzazione dello stabilimento. Ci volle una generazione.
Non sono l'unico a pensare all'elettricità. Nel settembre 2026 Jensen Huang, fondatore e amministratore delegato di NVIDIA, è stato intervistato dal giornalista Ezra Klein e ha usato proprio questa analogia: "Duecento anni fa siamo riusciti ad alimentare qualunque cosa: l'elettricità. Poi, con internet, siamo riusciti a trovare qualunque cosa. Oggi, o tra poco, potremo sapere tutto e fare qualunque cosa" (traduzione mia) [22]. Secondo Huang, l'IA è diventata davvero utile solo negli ultimi sei mesi, dopo quindici anni di tentativi [22].
Uno storico aggiungerebbe una precisazione: utile non significa produttiva. Il motore elettrico era già utile alla fine dell'Ottocento, ma diventò produttivo solo quando cambiò la fabbrica [15]. I dati di oggi vanno nella stessa direzione. Secondo McKinsey, la quota di imprese che attribuisce all'IA un qualsiasi effetto sull'utile operativo è ferma a poco più di un terzo, come l'anno precedente [24]. Il paradosso di Solow, insomma, è ancora tra noi.
Credo che l'IA si trovi oggi nella stessa fase della dinamo. Molte imprese stanno "sostituendo il motore" senza ridisegnare la fabbrica. Come vedremo, i dati italiani lo confermano.
2.3 L'IA come grande sistema tecnico
Lo storico americano Thomas P. Hughes, studiando le reti elettriche, ha proposto un concetto che trovo utilissimo [14]. Un grande sistema tecnico non è fatto solo di macchine. È un insieme di componenti tecniche, organizzazioni, leggi, capitali e competenze che devono crescere insieme. Quando uno di questi elementi resta indietro, blocca l'intero sistema. Hughes chiamava questo elemento in ritardo, con una metafora militare, reverse salient, cioè "saliente rovesciato": il punto in cui il fronte che avanza rimane arretrato.
Qual è oggi il saliente rovesciato dell'intelligenza artificiale? I dati che vedremo indicano tutti la stessa risposta: le competenze e l'organizzazione, non la tecnologia. È questo il filo conduttore della lezione.
3. Il quadro globale: mestieri, compiti, competenze
3.1 Distruzione creatrice
Joseph Schumpeter descriveva il capitalismo come un processo di "distruzione creatrice": le innovazioni distruggono vecchie attività e allo stesso tempo ne creano di nuove [17]. L'IA non fa eccezione.
La previsione più citata viene dal Future of Jobs Report 2025 del World Economic Forum, basato su un'indagine presso oltre mille grandi imprese in tutto il mondo [2]. Il messaggio principale non è la disoccupazione di massa. Entro il 2030 si prevede che vengano creati più posti di lavoro di quanti ne andranno persi, con un saldo positivo. Il rimescolamento sarà però profondo [2].
Il dato concettualmente più interessante riguarda i compiti, non i mestieri. Oggi quasi la metà dei compiti lavorativi è svolta prevalentemente da persone. Entro il 2030 le imprese prevedono un equilibrio quasi perfetto tra lavoro umano, lavoro della tecnologia e collaborazione tra i due [2]. L'IA raramente sostituisce un mestiere intero. Ne assorbe alcuni compiti, ne trasforma altri e ne crea di nuovi, come controllare ciò che la macchina ha prodotto. È esattamente quello che accadde con l'elettrificazione.
Le imprese si aspettano inoltre che circa il 39% delle competenze fondamentali dei lavoratori cambi entro il 2030 [2]. Crescono le competenze tecnologiche, ma il WEF insiste che restano decisive quelle umane: pensiero creativo, resilienza, flessibilità e agilità [2]. E l'ostacolo principale alla trasformazione, secondo le imprese stesse, è proprio la carenza di competenze [2].
3.2 Un avvertimento sulle fonti
Una parentesi di metodo, che come storico considero essenziale. Molti leggono il rapporto del WEF attraverso sintesi di seconda mano, e le sintesi sbagliano. Un articolo per professionisti delle risorse umane parla di "35 milioni di nuovi posti di lavoro" e di un 44% di competenze destinate a cambiare [3]. Nessuno dei due numeri corrisponde al rapporto 2025: il 44% era la stima dell'edizione 2023. Il documento di un'azienda di software per il reclutamento riporta una ripartizione dei compiti diversa da quella del rapporto originale [4].
La regola che insegno ai miei studenti di storia vale anche qui: tornate sempre alla fonte primaria.
3.3 La volatilità delle scoperte: perché le imprese fanno bene a essere prudenti
Torniamo al primo lato del paradosso. Le regole fondamentali per valutare un investimento non sono cambiate, ma l'IA ci costringe ad applicarle in condizioni insolite. Ogni pochi mesi arrivano strumenti più potenti e meno costosi, e questo accorcia la "data di scadenza" di qualunque previsione finanziaria [6]. Chiamo la forma estrema di questo rischio volatilità delle scoperte: un singolo salto tecnologico può rendere inutili da un giorno all'altro un investimento, un contratto con un fornitore o un processo migliorato con fatica [6].
I fallimenti confermano la prudenza. Uno studio della RAND Corporation ha rilevato che oltre l'80% dei progetti di IA fallisce, circa il doppio rispetto agli altri progetti informatici [7]. Le cause principali sono organizzative, non tecniche: non aver capito bene il problema da risolvere, non avere i dati giusti, inseguire la tecnologia di moda invece di un problema reale [7]. È la stessa lezione delle ferrovie: il treno funziona, ma il sistema intorno no.
4. Europa e Italia: un'adozione diffusa ma poco strutturata
4.1 Il quadro europeo
Secondo Eurostat, nel 2025 circa un'impresa europea su cinque con almeno dieci addetti usava almeno una tecnologia di IA, un forte aumento rispetto all'anno precedente [8]. Le differenze sono enormi. Più di metà delle grandi imprese usa l'IA, contro una piccola impresa su sei [8]. I Paesi nordici, con la Danimarca in testa, sono molto più avanti dei Paesi dell'Europa orientale [8]. Il settore dell'informazione e della comunicazione è in testa, mentre le costruzioni sono in fondo [8].
Eurostat suggerisce alcune spiegazioni: la complessità di introdurre l'IA, le economie di scala e i costi, più facili da sostenere per una grande impresa [8].
4.2 L'Italia: un raddoppio che nasconde un divario
Il rapporto Istat di dicembre 2025 ha un titolo che fa notizia: in un anno l'uso dell'IA è raddoppiato. Nel 2025 la usa il 16,4% delle imprese italiane con almeno dieci addetti, contro l'8,2% del 2024 e il 5% del 2023 [9]. È una buona notizia, ma tre osservazioni ne ridimensionano la portata.
L'Italia resta sotto la media europea, anche se le grandi imprese italiane sono ormai vicine ai livelli europei [8][9].
Il divario tra grandi e piccole imprese si allarga. Istat osserva che per quasi tutti gli indicatori digitali la distanza tra grandi imprese e PMI si sta riducendo. L'IA è l'eccezione: il divario è cresciuto ogni anno [9]. In un Paese in cui le piccole imprese sono la spina dorsale dell'economia, questo è il vero problema.
L'IA spesso non ha uno scopo. Un terzo delle imprese italiane che usano l'IA non indica alcun ambito aziendale preciso in cui la impiega, il doppio dell'anno precedente, e si tratta soprattutto di piccole imprese [9]. Istat parla di "un'adozione dell'IA sempre più diffusa ma ancora poco strutturata, caratterizzata da un utilizzo ancora iniziale e sperimentale non riconducibile ad alcun ambito aziendale definito" [9].
Paul David riconoscerebbe subito questo quadro: si è comprato il motore elettrico, ma la fabbrica non è stata ridisegnata [15].
Anche l'Unione europea misura la distanza. Il programma del Decennio digitale fissa l'obiettivo del 75% di imprese che usano l'IA entro il 2030 [8][9]. L'Italia ne ha raggiunto solo poco più di un quinto, mentre per il cloud computing è già vicina al traguardo [9]. L'infrastruttura c'è. Mancano le competenze e l'organizzazione. Ecco il saliente rovesciato di Hughes.
Un dato vi riguarda direttamente. Sempre più imprese italiane si rivolgono a organizzazioni esterne, comprese le università, per analizzare i propri dati [9]. Cercano fuori casa proprio le competenze che voi state acquisendo.
4.3 La prospettiva del Politecnico di Milano
L'Osservatorio Artificial Intelligence del Politecnico di Milano guarda allo stesso fenomeno dal lato del mercato. Il mercato italiano dell'IA è cresciuto di metà in un anno, arrivando a 1,8 miliardi di euro [1]. La maggioranza delle grandi imprese ha avviato almeno un progetto di IA, contro una piccola minoranza delle PMI [1]. La percentuale di PMI è più bassa di quella Istat perché misura una cosa diversa: non il semplice uso di uno strumento, ma progetti su misura che valorizzano i dati aziendali [1][9]. Lette insieme, le due fonti raccontano una sola storia: molte piccole imprese usano strumenti di IA, ma poche la integrano nel proprio modo di lavorare.
Il Politecnico segnala due debolezze. La prima è la misurazione: circa un'impresa su tre fatica a stimare in anticipo costi e benefici, e solo una piccola minoranza di grandi imprese misura i benefici in modo periodico e strutturato [1]. La seconda è la governance: pochissime imprese hanno una gestione strutturata dell'IA o un progetto organico di adeguamento all'AI Act europeo [1].
I responsabili scientifici dell'Osservatorio individuano la sfida centrale nel tipping point, "quel momento in cui una certa area di processo […] può davvero essere radicalmente ripensata alla luce delle maturate capacità delle macchine" [1]. Per riconoscerlo, scrivono, "servono persone con un'elevatissima competenza di dominio e una profonda conoscenza tecnologica" [1]. È esattamente il problema della fabbrica da ridisegnare.
4.4 Le persone corrono più veloci delle organizzazioni
Qui il paradosso diventa evidente. Le organizzazioni si muovono lentamente, le persone no. Quasi la metà dei lavoratori italiani usa già strumenti di IA al lavoro, in linea con gli altri grandi Paesi europei [1].
Il dato concettualmente più importante non riguarda il tempo risparmiato, che è ancora contenuto. Riguarda il fatto che circa quattro lavoratori su dieci dicono che grazie all'IA svolgono attività che altrimenti non sarebbero in grado di fare, o potrebbero fare solo in parte [1]. L'IA non sta solo velocizzando il lavoro esistente: sta allargando il campo del possibile.
C'è però un rovescio della medaglia. Solo una piccola parte degli utilizzatori usa esclusivamente strumenti forniti dall'azienda. Il Politecnico lo definisce "un dato allarmante che lascia presupporre fenomeni di Shadow AI" [1], cioè un uso dell'IA al di fuori delle regole aziendali. Vietare non serve: le imprese sanno che un divieto spingerebbe l'uso ancora di più nell'ombra [1].
Anche a livello globale si vede uno scarto simile, osservato dall'alto. Nell'indagine IBM su oltre duemila amministratori delegati, solo un quarto dei dipendenti usa l'IA regolarmente, eppure quasi tutti i capi azienda credono che i loro collaboratori abbiano le competenze per lavorarci [10]. E una larga maggioranza riconosce che il successo dell'IA dipende più dall'adozione da parte delle persone che dalla tecnologia [10].
4.5 Perché le imprese si fermano
Istat ha chiesto alle imprese che avevano considerato l'IA e poi vi hanno rinunciato perché lo avessero fatto. Al primo posto c'è la mancanza di competenze, che riguarda quasi sei imprese su dieci. Seguono l'incertezza sulle conseguenze legali, la scarsa qualità dei dati, le preoccupazioni per la privacy e i costi [9]. Poche imprese pensano che l'IA semplicemente non serva [9]. In Europa la classifica è la stessa, con le competenze ancora più in alto [8].
Per l'Italia c'è un'ulteriore preoccupazione: la fine delle risorse del PNRR, che hanno finanziato ricerca, nuovi ricercatori e formazione. Il Politecnico scrive che "l'assenza di un piano strategico di finanziamento allo sviluppo dell'AI in Italia, che possa dare continuità a questo percorso, appare preoccupante" [1]. Chi ha studiato la storia ferroviaria italiana conosce bene il rischio di politiche tecnologiche discontinue [13].
5. Sostituire o potenziare?
5.1 Due filosofie
Di fronte all'IA le imprese hanno scelto due strade opposte, che Nichol Bradford chiama il modello della sostituzione e il modello del potenziamento [3].
L'esempio più noto di sostituzione è Klarna, la società svedese di pagamenti. Il suo amministratore delegato, Sebastian Siemiatkowski, ha dichiarato: "Sono dell'opinione che l'IA possa già fare tutti i lavori che facciamo noi esseri umani" (traduzione mia) [3]. La storia però non è finita lì. Nel maggio 2025 lo stesso Siemiatkowski ha annunciato che Klarna avrebbe assunto di nuovo operatori umani per il servizio clienti, ammettendo che dare troppo peso ai costi aveva portato a "una qualità più bassa" (traduzione mia) [11]. Un portavoce ha poi precisato che l'azienda restava "AI-first" [11]. In ogni caso, un'impresa che aveva esaltato la sostituzione ha scoperto di avere ancora bisogno di persone.
Il modello del potenziamento è rappresentato da Jensen Huang di NVIDIA. Huang dice che essere circondato da persone e tecnologie straordinarie non lo fa sentire superfluo: al contrario, "mi dà forza e la fiducia per affrontare sfide sempre più ambiziose" (traduzione mia) [3].
Bradford conclude che il potenziamento è la strada più sostenibile [3]. Ricordate però che si tratta di un'opinione argomentata, non di un risultato misurato. Il dato dei lavoratori italiani che, grazie all'IA, fanno cose che prima non sapevano fare le dà comunque un certo sostegno [1].
5.2 Compiti e scopo: la lettura di Huang
L'intervista di Huang a Ezra Klein merita attenzione perché offre una chiave di lettura semplice e utile. L'ho analizzata in dettaglio sul mio blog [21]. Qui mi limito a tre idee.
Il valore sta nelle applicazioni. Huang descrive l'IA come una "torta a cinque strati": energia, chip, data center (che lui chiama "fabbriche di IA"), modelli e applicazioni [22]. Il ritorno economico, secondo lui, si vede soprattutto nell'ultimo strato, quando i modelli diventano strumenti per il diritto, la sanità, la manifattura o la finanza [21]. Per la maggior parte delle imprese, quindi, la sfida non è costruire modelli. È inserirli nel proprio modo di lavorare. Hughes direbbe che il valore nasce dal sistema, non dal singolo componente [14].
L'IA automatizza i compiti, non lo scopo di un lavoro. È l'idea centrale di Huang. In radiologia l'IA legge le immagini, i radiologi seguono più casi e gli ospedali ne hanno bisogno di più. Gli ingegneri del software mantengono il loro scopo, cioè risolvere problemi e costruire prodotti, anche quando gli agenti scrivono gran parte del codice [21][22]. L'eccezione riguarda i lavori in cui il compito è il lavoro, come il servizio clienti telefonico [21]. Non a caso è proprio il terreno su cui Klarna ha tentato la sostituzione.
Klein ha obiettato che l'IA è una tecnologia generale e si diffonde senza gli "attriti" che avevano rallentato le precedenti ondate di automazione [21]. Da storico, ho un dubbio. Gli attriti del passato erano soprattutto istituzionali e organizzativi, e i dati Istat ci dicono che esistono ancora [9]. Le imprese dovrebbero comunque aspettarsi entrambi gli effetti. Molti lavoratori dicono che l'IA ha migliorato la loro produttività personale, ma una quota crescente di imprese prevede anche una riduzione del personale [24].
Basta "parlare umano". Per usare un modello linguistico non serve saper programmare: secondo Huang "basta parlare umano" (traduzione mia) [22]. Questo spiega perché le persone corrono più veloci delle organizzazioni e perché si diffonde la Shadow AI che abbiamo visto nella sezione 4.4.
Una nota di critica delle fonti. Huang non è un osservatore neutrale: NVIDIA guadagna da ogni unità di calcolo in più che viene utilizzata [21]. Il fact-check di Andrew Maynard giudica l'affermazione dei "sei mesi" sostanzialmente corretta, ma ricorda che anche i prodotti precedenti erano utili e che il "punto di svolta" è un argomento ricorrente nella comunicazione di NVIDIA [23]. Anche nell'Ottocento i sostenitori più entusiasti delle ferrovie erano spesso quelli che le costruivano o le finanziavano. Ascoltiamo chi costruisce la tecnologia, ma senza dimenticare i suoi interessi.
5.3 La frontiera frastagliata
Perché il potenziamento tende a funzionare meglio della sostituzione? La prova più convincente viene da un esperimento con 758 consulenti del Boston Consulting Group [12]. Sui compiti alla portata dell'IA, i consulenti che la usavano hanno lavorato più in fretta e prodotto risultati di qualità nettamente superiore. Su un compito scelto apposta perché fuori dalla portata dell'IA è successo il contrario: chi usava l'IA arrivava alla soluzione corretta meno spesso degli altri [12].
I ricercatori parlano di una "frontiera tecnologica frastagliata" [12]. L'IA è eccellente in alcuni compiti e debole in altri che sembrano altrettanto difficili. Il pericolo è che non si vede dove passa il confine, perché le risposte sbagliate dell'IA suonano convincenti quanto quelle giuste. Per questo il giudizio umano resta indispensabile.
5.4 Gli agenti: dall'usare l'IA al supervisionarla
La frontiera si sta spostando verso gli agenti, cioè sistemi che pianificano una sequenza di passi, usano strumenti e compiono azioni con una certa autonomia. Per il Politecnico, Agentic AI è stata la parola del 2025, anche se il suo peso sul mercato è ancora marginale [1]. Nicola Gatti, uno dei direttori dell'Osservatorio, avverte che finché questi sistemi non sapranno ragionare e correggersi in modo affidabile, "l'approccio 'human-in-the-loop' non è solo consigliato, ma necessario" [1].
Questo cambia la natura delle competenze. Secondo IBM, sempre più spesso le persone non si limiteranno a chiedere informazioni all'IA, ma dovranno supervisionare sistemi che agiscono: definirne gli obiettivi, fissarne i limiti, verificarne le azioni e decidere quando serve l'approvazione di un essere umano [5]. La domanda, scrive IBM, è se le persone sapranno lavorare dentro sistemi in cui "esseri umani e agenti di IA condividono la responsabilità di parti di un processo" (traduzione mia) [5].
Huang toglie agli agenti ogni qualità umana. Per lui un agente è soltanto un software a cui si dà un obiettivo e che pianifica come raggiungerlo [21]. Il salto di qualità più recente, sostiene, è arrivato quando i modelli hanno cominciato a usare strumenti, cioè i software aziendali già esistenti, invece di sostituirli [22].
Dalla sua esperienza di ingegnere Huang ricava due regole che riguardano anche voi. La prima è la disciplina dei rilasci: "Nessuna impresa può operare in un ambiente in cui il software di base cambia di continuo" (traduzione mia) [22]. Per questo ogni nuovo modello va collaudato prima di essere messo in produzione. La seconda è che la verifica è il cuore del lavoro. In NVIDIA circa l'80% dello sforzo ingegneristico va nella verifica e solo il 20% nella progettazione [22]. Huang si aspetta che chi sviluppa e usa l'IA si avvicini a proporzioni simili.
È la risposta pratica alla frontiera frastagliata. Oggi la maggior parte delle organizzazioni è pronta a usare l'IA come assistente, alcune sono pronte per agenti con compiti limitati e ben definiti, e poche per agenti autonomi che lavorano tra più reparti [21].
6. Come valutare un investimento: due filtri e tre lenti
Per la maggior parte delle organizzazioni il ritorno sull'investimento (ROI) dell'IA resta un mistero. Nel quadro che ho elaborato [6], la disciplina comincia prima di aprire un foglio di calcolo, con due filtri.
Primo filtro: la coerenza strategica. A quale obiettivo dell'organizzazione deve servire il progetto? Produrre più in fretta, ridurre il carico di lavoro, migliorare la qualità, abbassare i costi di sviluppo? Solo quando l'obiettivo è esplicito ha senso scegliere uno strumento. Altrimenti si finisce per pagare la tecnologia fine a se stessa [6]. Il terzo di imprese italiane che usa l'IA senza uno scopo preciso mostra quanto spesso si salti questo filtro [9].
Secondo filtro: l'idoneità del compito. L'IA sa svolgere quel compito in modo affidabile, solo in parte o non ancora? È la frontiera frastagliata [12]. Poiché i modelli migliorano di mese in mese, questo giudizio non si dà una volta per tutte: richiede piccoli esperimenti strutturati, da ripetere man mano che la frontiera si sposta [6].
Solo i progetti che superano entrambi i filtri meritano un'analisi completa. A quel punto propongo tre lenti complementari [6].
La lente dell'efficienza: il confronto dei costi di processo. È il classico confronto "prima e dopo": si calcola il costo pieno di un processo svolto a mano e lo si confronta con quello del processo automatizzato. Bisogna includere i costi nascosti da entrambe le parti: canoni e manutenzione per l'IA, rilavorazioni e penali per i ritardi nel processo manuale. Nel caso di un'impresa manifatturiera che ha automatizzato la gestione delle fatture, l'investimento si è ripagato in circa sette mesi [6].
La lente della crescita: il moltiplicatore di produttività. Qui non si misurano i risparmi ma la capacità liberata: quanto di più possono produrre le stesse persone e quanto vale quel lavoro aggiuntivo. È la lente giusta quando l'IA potenzia invece di sostituire [6]. Cambia anche il modo di pensare al costo opportunità. Se l'IA crea un servizio che prima non esisteva, per esempio un consulente personalizzato per gli studenti di un'università, l'organizzazione non rinuncia a un'alternativa altrettanto valida. Il costo opportunità è quindi basso [6].
La lente strategica: il valore attuale netto corretto per il rischio. Un consiglio di amministrazione ha bisogno di un unico numero da confrontare con altri investimenti, che siano un nuovo impianto o nuove assunzioni. Si attualizzano i benefici futuri e si pesa ogni scenario per la sua probabilità: successo pieno, successo parziale, fallimento [6]. Il punto concettuale è questo: anche quando la probabilità di fallimento è alta, se i rendimenti in caso di successo sono abbastanza elevati, l'investimento può valere la pena [6].
Le tre lenti funzionano meglio in sequenza. La prima individua i risultati rapidi, la seconda giustifica l'estensione del progetto, la terza lo colloca nel portafoglio complessivo dell'impresa. L'errore più comune è guardare solo ai risparmi [6], e Klarna l'ha imparato davanti a tutti [11].
Ne traggo quattro raccomandazioni per chi dirige un'organizzazione [6]:
Ricalcolare il ROI ogni sei mesi, perché i costi di calcolo scendono e arrivano modelli migliori.
Privilegiare il potenziamento rispetto alla sostituzione, perché coinvolge i dipendenti e apre nuove fonti di ricavo.
Ragionare per portafoglio, combinando automazioni sicure e progetti più rischiosi ma promettenti.
Considerare fin dall'inizio la pulizia dei dati come un costo primario, per non gonfiare le previsioni.
7. Il divario di competenze
7.1 Tre divari, non uno
IBM definisce il divario di competenze sull'IA come lo scarto tra le capacità di cui le organizzazioni hanno bisogno e quelle che i dipendenti possiedono oggi [5]. In realtà i divari sono tre [5]:
Il divario tecnico, che riguarda gli specialisti di dati, apprendimento automatico, sicurezza informatica e sviluppo software.
Il divario pratico, che riguarda chi non è specialista ma deve usare l'IA in sicurezza, valutarne i risultati e capire quando passare la mano a un esperto.
Il divario manageriale, che riguarda chi deve ridisegnare processi, ruoli e responsabilità.
Pochi di voi diventeranno ingegneri del machine learning. Quasi tutti, però, incontrerete il divario pratico, e molti anche quello manageriale. Nel linguaggio di Paul David, sarete voi a dover ridisegnare la fabbrica.
7.2 Cosa chiedono i datori di lavoro italiani
Il Politecnico, insieme alla società di analisi del mercato del lavoro Lightcast, ha esaminato milioni di annunci di lavoro pubblicati in Italia dal 2019 al 2025 [1]. Il dato più significativo è questo: le competenze di IA compaiono in circa tre annunci su quattro per i profili impiegatizi ad alta qualificazione, cioè proprio quelli a cui aspirano i laureati [1]. Compaiono anche in una parte non trascurabile degli annunci per direttori delle risorse umane e del marketing [1]. L'IA non è più una competenza riservata ai tecnici.
7.3 L'IA mi ruberà il lavoro?
È la domanda che mi fanno più spesso. Vi propongo gli argomenti di entrambe le parti.
Ragioni di preoccupazione. La tecnologia svolgerà una quota crescente dei compiti [2]. Molti posti di lavoro andranno persi, e gli agenti automatizzeranno proprio i compiti di routine spesso affidati a chi è all'inizio della carriera [2][5]. Alcuni leader vedono apertamente l'IA come un sostituto del lavoro umano [3], e una quota crescente di imprese prevede di ridurre il personale [24].
Ragioni di fiducia. Il saldo previsto tra posti creati e posti persi è positivo [2]. L'IA automatizza i compiti più spesso dello scopo di un lavoro [22]. Chi ha tentato la sostituzione totale ha fatto marcia indietro [11], e l'IA continua a sbagliare fuori dalla sua frontiera [12]. Soprattutto, il primo ostacolo all'adozione dell'IA in Europa e in Italia è la mancanza di persone competenti [8][9]. Chi possiede quelle competenze è esattamente ciò di cui le imprese hanno più bisogno.
La mia opinione è questa: difficilmente l'IA vi ruberà il lavoro. Potrebbe farlo qualcuno che la usa meglio di voi.
8. Che cosa significa per voi
8.1 Le competenze da costruire
Sulla base del quadro di IBM [5] e del WEF [2], vi suggerisco cinque aree.
Alfabetizzazione all'IA: sapere che cosa può fare e che cosa no, e quali sono i suoi limiti.
Saper formulare le richieste: istruzioni chiare, contesto, formato desiderato, domande di approfondimento.
Valutazione critica: verificare l'accuratezza e le fonti, riconoscere i pregiudizi. È la vostra difesa contro la frontiera frastagliata, e la versione personale della regola dell'80% di verifica di Huang [22].
Governance ed etica: privacy, trasparenza, i principi dell'AI Act. Ricordate quante imprese sono frenate dall'incertezza giuridica [9].
Competenze umane: pensiero creativo, resilienza, flessibilità, capacità di adattamento [2].
8.2 Pensare come un dirigente
Le imprese faticano a misurare il valore dell'IA [1], quindi imparate a misurarlo voi. Applicate a un vostro lavoro il semplice confronto "prima e dopo" della prima lente. Un neolaureato che può dire "ho ridotto questo processo da sei ore a due" si distingue subito.
E rispettate le regole: usate gli strumenti autorizzati e non inserite mai dati riservati in un chatbot pubblico. La Shadow AI è un rischio per l'impresa [1], e presto lo diventerà anche per la vostra reputazione.
8.3 La scelta degli studi
Non serve che passiate tutti a informatica. I dati indicano il contrario: l'IA è ormai richiesta nelle risorse umane, nel marketing e nella direzione d'impresa [1], e la sfida più difficile è unire la competenza di dominio alla conoscenza tecnologica [1]. Se il valore sta nello strato delle applicazioni, come sostiene Huang [21], allora serve chi conosce a fondo il diritto, la sanità o la finanza. Approfondite la vostra disciplina, che sia economia, storia, diritto o lingue, e aggiungeteci l'IA.
Cercate corsi e tesi che coinvolgano imprese reali. Le imprese italiane si rivolgono sempre più spesso alle università [9], e in gran parte sono piccole realtà che stanno restando indietro [9]. Per voi sono un'opportunità.
9. Conclusione: tornare alle ferrovie
Torniamo al paradosso iniziale. Le organizzazioni devono essere prudenti? Sì. La volatilità delle scoperte, l'alto tasso di fallimento [7] e la scarsa capacità di misurare i risultati [1] giustificano cautela sui grandi investimenti tecnologici. Voi dovete aspettare? No.
La storia ci insegna perché. Le ferrovie italiane mantennero la loro promessa, ma con decenni di ritardo, perché le istituzioni e le regole non erano all'altezza della tecnologia [13]. Il motore elettrico trasformò l'industria solo quando qualcuno ripensò la fabbrica [15]. In ogni grande sistema tecnico c'è un elemento che resta indietro e frena tutto il resto [14]. Per l'intelligenza artificiale, oggi, quell'elemento sono le competenze e l'organizzazione [8][9].
L'Italia ha l'infrastruttura. Le mancano abbastanza persone capaci di usare bene l'IA e di ridisegnare il lavoro intorno a essa. Quel vuoto è la vostra occasione.
Huang tratta i chip come un lavoro di ingegneria che richiede verifiche severe. Le imprese, e le persone, che trarranno più vantaggio dall'IA saranno quelle che la tratteranno allo stesso modo [21].
Cinque cose da fare questo mese:
Usate uno strumento di IA autorizzato per un compito di studio ogni settimana, e verificate ogni risultato con una fonte affidabile.
Annotate dove l'IA ha sbagliato: è la vostra mappa personale della frontiera frastagliata.
Scegliete un compito da un lavoro part-time o da un'impresa di famiglia, applicate i due filtri e fate un calcolo "prima e dopo" sul retro di una busta.
Leggete la sintesi di una fonte primaria, il rapporto del WEF [2] o quello dell'Istat [9], invece di un riassunto.
Aggiungete una competenza di IA al curriculum solo quando potete mostrare qualcosa che avete prodotto con essa.
Riferimenti
[1] Osservatorio Artificial Intelligence, Politecnico di Milano. (2026, 5 febbraio). Artificial Intelligence: adozione, trasformazione, equilibrio [Executive summary]. Osservatori Digital Innovation. https://www.osservatori.net
[2] World Economic Forum. (2025, 7 gennaio). The future of jobs report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/
[3] Bradford, N. (2025). A deep dive into the World Economic Forum's Future of Jobs Report 2025. SHRM. https://www.shrm.org/topics-tools/flagships/ai-hi/future-of-jobs-report-2025-deep-dive
[4] LemonVolt. (2025). AI and the future of jobs: Breaking down the WEF 2025 report [Rapporto aziendale]. https://lemonvolt.com
[5] IBM. (2024, 20 dicembre; aggiornato 10 luglio 2026). What is the AI skills gap? IBM Think. https://www.ibm.com/think/insights/ai-skills-gap
[6] Schram, A. (2026, 28 maggio). Strategic frameworks for calculating ROI of AI investments [White paper non pubblicato].
[7] Ryseff, J., De Bruhl, B. F., & Newberry, S. J. (2024). The root causes of failure for artificial intelligence projects and how they can succeed (RR-A2680-1). RAND Corporation. https://www.rand.org/pubs/research_reports/RRA2680-1.html
[8] Eurostat. (2025). Use of artificial intelligence in enterprises. Statistics Explained (dati estratti a dicembre 2025). https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises
[9] Istat. (2025, 15 dicembre). Imprese e ICT – Anno 2025 [Statistica report]. https://www.istat.it/comunicato-stampa/imprese-e-ict-anno-2025/
[10] IBM. (2026, 4 maggio). IBM study: CEOs are reshaping C-suite roles for the AI era [Comunicato stampa sullo studio CEO dell'IBM Institute for Business Value]. https://newsroom.ibm.com/2026-05-04-ibm-study-ceos-are-reshaping-c-suite-roles-for-the-ai-era
[11] Srinivasaragavan, S. (2025, 4 giugno). Did Klarna's AI reliance affect customer service quality? Silicon Republic. https://www.siliconrepublic.com/machines/klarna-ai-hiring-humans-forrester
[12] Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier (Harvard Business School Working Paper No. 24-013). https://www.hbs.edu/faculty/Pages/item.aspx?num=64700
[13] Schram, A. (1997). Railways and the formation of the Italian state in the nineteenth century. Cambridge University Press (Cambridge Studies in Italian History and Culture).
[14] Hughes, T. P. (1983). Networks of power: Electrification in Western society, 1880–1930. Johns Hopkins University Press.
[15] David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355–361.
[16] Solow, R. M. (1987, 12 luglio). We'd better watch out. New York Times Book Review, p. 36.
[17] Schumpeter, J. A. (1942). Capitalism, socialism and democracy. Harper & Brothers.
[18] Schram, A. (s.d.). Life is a Journey of Learning [Blog]. https://albertschram.blogspot.com
[19] Schram, A. (2026). Navigating the AI revolution: A simulation-based framework for strategic technology adoption in education. In I. Arnedillo Sánchez, P. Kommers, T. Issa & P. Isaías (A cura di), Proceedings of the IADIS International Conferences on Mobile Learning (ML 2026) and Educational Technologies (ICEduTech 2026), Zagabria, 7–9 marzo 2026 (pp. 96–[pagina finale]). International Association for Development of the Information Society. ERIC ED682246. https://files.eric.ed.gov/fulltext/ED682246.pdf
[20] Schram, A. (s.d.). AI4TL – Artificial Intelligence for Teaching & Learning [Blog]. https://ai4tl.blogspot.com
[21] Schram, A. (2026, 11 ottobre). LLMs in business: The Huang interview – CEO & founder of NVIDIA. AI4TL. https://ai4tl.blogspot.com/2026/10/llms-in-business.html
[22] Klein, E., & Huang, J. (2026, 23 settembre). Jensen Huang thinks A.I. alarmism has gone too far [Episodio podcast]. In The Ezra Klein Show. New York Times. https://podcasts.apple.com/us/podcast/jensen-huang-thinks-a-i-alarmism-has-gone-too-far/id1548604447?i=1000791251478
[23] Maynard, A. (2026, 26 settembre). Fact-check: Ezra Klein Show, "Jensen Huang thinks A.I. alarmism has gone too far." https://andrewmaynard.net/late-lessons-ai-sept-2026/supporting/huang/factcheck/factcheck.html
[24] McKinsey & Company. (2026, 24 agosto). The state of AI in 2026: On the road to ROI. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
Learn more:
No comments:
Post a Comment
Note: only a member of this blog may post a comment.