L’Italia può ancora governare l’IA. Tutte le opportunità secondo Scandizzo

Siamo nel pieno di quella che si può definire la terza rottura strutturale dell’era dell’Intelligenza Artificiale. La prima fu silenziosa: la trasformazione dell’IA da tecnologia di nicchia a infrastruttura di produzione, con investimenti massicci in data center, chip e capacità computazionale da parte dei grandi operatori tecnologici. La seconda fu rumorosa e visibile a tutti: l’arrivo di ChatGPT nel quarto trimestre del 2022, che consegnò a un pubblico non specializzato uno strumento di elaborazione cognitiva fino ad allora riservato ai laboratori di ricerca. La terza, ossia quella in cui ci troviamo oggi, è sistemica e tocca l’architettura stessa della produzione.

I sistemi di IA di nuova generazione non si limitano ad assistere il lavoratore umano al margine, ma sono capaci di pianificare sequenze di azioni, coordinare processi, eseguire e correggere in autonomia su domini multipli con supervisione umana limitata. Il cambiamento non è quantitativo ma qualitativo: non si tratta più di automatizzare un compito, ma di riorganizzare l’intero flusso produttivo attorno a un agente artificiale, con l’essere umano ridotto a un ruolo di supervisione e gestione delle eccezioni. Per vasti segmenti dei servizi professionali: consulenza, servizi IT, pubblicità, supporto legale, attività software-mediated, si apre la possibilità di comprimere o aggirare interi strati di lavoro junior e middle-level che prima erano essenziali per la gestione documentale, il coordinamento e il monitoraggio. È questo che spiega l’intensità delle reazioni dei mercati. La questione non è più a quale velocità crescerà la produttività, ma se il paradigma produttivo continuerà a essere basato sul lavoro umano con supporto dell’IA, o su sistemi di IA con il lavoro umano alla periferia.

Il paradosso della produttività e la curva J

Come accade con ogni tecnologia general-purpose di portata storica: dalla ferrovia all’elettricità, dall’informatica a Internet, i benefici dell’IA non si materializzano immediatamente. Siamo nella fase discendente della curva J: gli investimenti sono pienamente misurati e registrati nelle statistiche, ma i rendimenti rimangono in larga parte invisibili, intangibili o classificati male. Nella prima fase, quella che stiamo attraversando, i costi sono reali e immediati: capex in hardware, energia, riorganizzazione dei processi, duplicazione dei sistemi (vecchio e nuovo che girano in parallelo), riqualificazione del personale. I benefici, al contrario, si manifestano come qualità migliorata dei servizi, personalizzazione, risparmio di tempo, riduzione degli errori, ossia grandezze che restano in larga parte fuori dalla contabilità del Pil e della Tfp misurata. Il risultato è un apparente stallo della produttività che non riflette la realtà sottostante.

Il punto di svolta arriverà quando le complementarità tra IA, competenze umane e capitale organizzativo raggiungeranno massa critica e la diffusione supererà i centri pionieri per irradiarsi ai settori e alle regioni ancora indietro. La questione centrale per l’Italia è se riuscirà ad essere presente al momento del decollo della curva ascendente, o se si troverà ancora a inseguire mentre altri raccolgono i frutti.

Il posizionamento dell’Italia: dati e struttura

I dati disponibili disegnano un quadro di ritardo reale ma non irreversibile. Secondo i dati Istat per il 2025, la quota di imprese italiane con almeno dieci dipendenti che utilizza almeno una tecnologia di IA è passata dall’8,2% al 16,4% nell’arco di un anno. Una crescita che segnala slancio ma che rimane al di sotto della media europea, ferma attorno al 20% nello stesso periodo, e lontanissima dai livelli dei paesi nordici europei. La struttura settoriale dell’adozione conferma le attese: i servizi di informazione e comunicazione guidano con oltre il 51%, seguiti dalle attività professionali, scientifiche e tecniche (35,7%). All’altro estremo, produzione, logistica, cybersicurezza e controllo di gestione rimangono largamente non toccati. Il divario non è soltanto settoriale ma anche dimensionale: le Pmi, che costituiscono l’ossatura del sistema produttivo italiano, adottano l’IA a tassi strutturalmente inferiori alle grandi imprese, con un gap che nessuna incentivazione marginale ha finora colmato.

Il confronto internazionale è impietoso su un secondo fronte, quello del capitale umano. Secondo il rapporto Proxima di giugno 2026, la partecipazione degli adulti alla formazione continua in Italia si attesta al 29%, contro una media europea del 39,5%. Il deficit formativo si traduce in un costo annuo stimato di 26 miliardi di euro in mancata produttività: un dato che non compare in nessun documento di bilancio. A questo si aggiunge il fenomeno della fuga di cervelli: tra il 2011 e il 2024, circa 630.000 giovani tra i 18 e i 34 anni hanno lasciato il paese, con una perdita di capitale umano che il CNEL ha valutato in 159 miliardi di euro. Questi numeri descrivono un paradosso strutturale: l’Italia sta accelerando nell’adozione dell’IA pur priva degli strumenti cognitivi e istituzionali per capitalizzarne pienamente i ritorni.

La strategia nazionale e i suoi limiti

La strategia nazionale per l’Intelligenza Artificiale 2024-2026, aggiornata a febbraio 2025 dopo l’approvazione dell’AI Act europeo, costituisce la cornice programmatica di riferimento. Con uno stanziamento complessivo superiore ai 2 miliardi di euro, provenienti da PNRR, fondi strutturali e cofinanziamenti regionali, il documento articola quattro pilastri: ricerca scientifica e trasferimento tecnologico, impresa e competitività, pubblica amministrazione, formazione. Il piano prevede di raggiungere 10 mila imprese con soluzioni IA entro il 2026 attraverso voucher «AI Ready» da 40.000 euro gestiti da Invitalia, e punta allo sviluppo di tre modelli fondazionali multimodali nazionali.

Il documento ha il merito di riconoscere esplicitamente che l’IA non è un settore isolato, ma un layer trasversale che permea tutti gli ecosistemi industriali e socioculturali. È una formulazione corretta. Il problema è che la strategia tratta l’IA prevalentemente come una tecnologia da adottare, non come un sistema che ridefinisce i rapporti tra fattori produttivi, tra professionisti e strumenti, tra istituzioni e conoscenza. Manca una teoria della transizione.
La carenza più seria riguarda il mercato del lavoro. La strategia ne riconosce i rischi e prevede programmi di riqualificazione, ma non affronta il nodo strutturale: nei settori dove l’output è già digitale, standardizzato e software-mediated: servizi professionali, PA, finanza, parte rilevante della manifattura avanzata, la sostituzione non è marginale ma può essere sistemica. L’opzione reale di riorganizzare la produzione attorno all’IA come esecutore primario è già disponibile per le imprese in grado di coglierla.

Una strategia che tratta la questione come riqualificazione professionale e non come riconfigurazione delle strutture di mercato, che richiede tra l’altro una vasta e nuova forma di partecipazione dei lavoratori, rischia di arrivare in ritardo rispetto ai fatti. C’è infine un problema di fondo che la strategia non affronta, e che riguarda la distinzione tra adozione e capacità produttiva. Le statistiche sull’adozione dell’IA: quante imprese usano strumenti basati su modelli linguistici, ossia quanti lavoratori li integrano nelle proprie routine, misurano la domanda di un prodotto, non la posizione di un sistema economico rispetto alla sua frontiera tecnologica. Una cosa è essere utilizzatori efficienti di una tecnologia prodotta altrove; un’altra è contribuire autonomamente al suo sviluppo, definirne gli standard applicativi, costruire le competenze necessarie a modificarla, adattarla, e orientarla verso bisogni specifici del proprio tessuto produttivo e istituzionale.

Questa distinzione non è accademica. Un sistema di pmi che adotta massivamente modelli linguistici generici prodotti da operatori americani o cinesi può guadagnare efficienza operativa nel breve periodo, ma consolida nel medio periodo una dipendenza strutturale dai fornitori di quei modelli: dipendenza nelle condizioni di accesso, nei prezzi, nelle architetture decisionali incorporate nei sistemi, e infine nella capacità di agire autonomamente quando le condizioni geopolitiche o di mercato mutano. Il processo di adozione, in questo scenario, non produce capacità propria ma la sostituisce, esternalizzando progressivamente le funzioni cognitive e organizzative che costituiscono il nucleo del vantaggio competitivo di lungo periodo. Si tratta di una forma di dipendenza tecnologica che i modelli economici tradizionali faticano a catturare, perché si manifesta non come deficit di produzione ma come erosione silenziosa della capacità di giudizio e di scelta.

Una parte critica dei processi di adozione implica invece lo sviluppo di una capacità autonoma di contribuire al progresso tecnico attraverso applicazioni innovative, nonché la costruzione di competenze in aree complementari: elaborazione dei dati, architetture di sistema, valutazione dei modelli, progettazione dei processi, che consentano di non essere semplicemente consumatori passivi dell’innovazione altrui. Il problema della sovranità digitale è questo, e non può essere risolto né attraverso una politica di incentivi all’adozione dell’IA, né attraverso la sola regolazione. Richiede investimenti in capacità produttiva propri, quali ricerca fondazionale, infrastruttura computazionale, modelli addestrati su dati e contesti nazionali, che la strategia 2024-2026 intuisce ma non dimensiona adeguatamente rispetto alla sfida reale.

Il problema europeo: regole senza potere

Il problema che l’Italia affronta a livello nazionale si riproduce, in forma amplificata, a livello europeo. L’Europa ha costruito il quadro regolatorio più avanzato al mondo per l’intelligenza artificiale: l’AI Act è entrato pienamente in vigore e costituisce un riferimento globale per la governance dei sistemi ad alto rischio. Ma disporre delle regole non equivale a disporre del potere di definire il campo su cui quelle regole si applicano. La diagnosi del Rapporto Draghi del 2024 resta brutalmente attuale: l’Europa possiede talento di ricerca di primo livello, una base industriale diversificata e un mercato interno di scala, ma manca sistematicamente di ciò che conta di più nella competizione sull’IA, ossia capacità computazionale propria, campioni tecnologici nazionali in grado di competere con gli hyperscaler americani e cinesi, e un mercato unico digitale effettivo che permetta di scalare le innovazioni oltre i confini nazionali.

Il divario computazionale è la cifra più rivelatrice. I quattro principali hyperscaler americani: Microsoft, Alphabet, Meta, Amazon, hanno complessivamente impegnato per il 2025-2026 somme che si avviano verso i 400 miliardi di dollari in infrastruttura IA: data center, chip, energia, connettività. Il fondo europeo InvestAI, lanciato nel febbraio 2025 per finanziare fino a cinque AI Gigafactories con oltre 100.000 processori avanzati ciascuna, è stato dotato di 20 miliardi di euro — un ordine di grandezza inferiore. Anche ipotizzando il pieno effetto leva del partenariato pubblico-privato previsto dal meccanismo (dove il contributo pubblico europeo copre fino al 17% del capex, con i paesi membri tenuti ad almeno eguagliarlo), il risultato complessivo rimane strutturalmente inadeguato rispetto alla scala degli investimenti che definiscono la frontiera.

La risposta europea si articola su tre direttrici. La prima è la costruzione di infrastruttura computazionale sovrana attraverso le AI Gigafactories dell’EuroHPC JU, con un primo sito in Norvegia già in costruzione. La seconda è il Cloud and AI Development Act (Cada), presentato dalla Commissione nel giugno 2026, che mira a triplicare la capacità dei data center europei in cinque-sette anni e a costruire un regime di “cloud sovrano” che preservi il controllo giuridico e operativo sui dati e sui processi anche quando le infrastrutture fisiche appartengono a operatori non europei. La terza è il sostegno a campioni tecnologici europei capaci di operare a scala: Mistral in Francia, con il suo primo modello di ragionamento lanciato nel 2025 e una base computazionale in rapida espansione, rappresenta al momento l’esperimento più avanzato in questa direzione.

Queste iniziative hanno un valore reale, ma scontano due debolezze strutturali che rischiano di renderle insufficienti. La prima è la frammentazione del mercato unico digitale: le imprese europee operano ancora in un ambiente normativo a geometria variabile, dove i requisiti nazionali si sovrappongono a quelli europei in modo che scoraggia la scalabilità transfrontaliera e abbassa il costo opportunità per gli operatori non europei di restringere l’accesso al mercato. La seconda è la dipendenza geopolitica dai semiconduttori: il controllo americano sulle esportazioni di chip avanzati verso la Cina, e la risposta cinese attraverso la diplomazia delle terre rare e la costruzione di una filiera alternativa, collocano l’Europa in una posizione di spettatore in una partita che determinerà la struttura globale dell’industria IA per i prossimi decenni. Se entrambi i contendenti dovessero esercitare pressione sull’accesso europeo ai chip, l’Europa si scoprirebbe vulnerabile in modo simmetrico da est e da ovest.

Per l’Italia, questa dimensione europea non è uno sfondo ma una variabile strategica diretta. La sovranità digitale nazionale passa necessariamente attraverso quella europea: un paese di medie dimensioni, con un sistema produttivo frammentato e un deficit di investimento in R&S strutturalmente consolidato, non può costruire autonomia tecnologica in IA in modo autarchico. Può invece diventare un contribuente attivo al progetto europeo, portando le proprie eccellenze di ricerca, i propri dataset culturali e linguistici, la propria capacità di sperimentazione distribuita nelle PMI — a condizione di trattare la partecipazione alle strutture europee dell’IA non come obbligo normativo ma come scelta strategica di lungo periodo. La candidatura di siti italiani per le AI Gigafactories europee, la partecipazione ai consorzi di ricerca fondazionale e la costruzione di ponti tra il sistema universitario e le piattaforme industriali europee sono le leve concrete disponibili. Il rischio è che, come già accaduto con le infrastrutture digitali degli anni Duemila, l’Italia arrivi in ritardo anche a questa tavola.

Il caso del turismo: aumento o sostituzione?

Il settore turistico offre un banco di prova particolarmente illuminante per il caso italiano, sia per la sua rilevanza economica sia per la complessità della sua struttura duale: privata nei servizi di fruizione, pubblica nei beni culturali e ambientali che costituiscono l’attrattiva di fondo.
Le simulazioni del modello TURBOTOUR, elaborato nell’ambito dello studio sulla struttura del turismo italiano della Fondazione Tor Vergata, e presentato in un volume edito da Springer di prossima uscita, indicano che l’Italia si trova in una zona di equilibrio delicato. Per la fascia di paesi a cui appartiene: Francia, Italia, Regno Unito, la crescita di produttività nella fase operativa dell’IA si attesta attorno al 2,1% annuo, con una crescita del lavoro dell’1,1%. Si tratta del profilo più equilibrato tra le economie avanzate, con Canada, Giappone e Stati Uniti che mostrano coefficienti di sostituzione nettamente più alti (+5% di produttività contro +1,5% di lavoro).

Questo equilibrio non è però garantito: dipende da scelte di politica economica, dal grado di preparazione digitale delle imprese e dei lavoratori, e dalla capacità di orientare l’IA verso funzioni di aumentazione: miglioramento dei servizi culturali, personalizzazione delle esperienze, redistribuzione dei flussi turistici verso mete minori e periodi di bassa stagione, piuttosto che di pura sostituzione nei segmenti routinari (front desk, prenotazioni, logistica). Le proiezioni per il 2030 indicano investimenti IA nel turismo italiano di almeno 10 miliardi di euro, con un incremento atteso della spesa turistica del 5-10% e un contributo aggiuntivo al PIL dello 0,5-1%.
Il turismo rivela anche il problema dei beni posizionali nell’era dell’abbondanza digitale. Le risorse naturali e culturali italiane, ossia il suo vantaggio competitivo storico, sono per definizione non replicabili e non scalabili. L’IA può moltiplicare la domanda di accesso a queste risorse, ma non può aumentarne l’offerta. Il rischio di overtourism si intensifica, non si risolve, a meno che l’IA non venga deliberatamente usata per redistribuire i flussi e ri-incantare l’esperienza attraverso la mediazione culturale intelligente piuttosto che l’automazione delle funzioni servili.

Conclusione: La scelta tra le opzioni reali

Come ha insegnato la teoria delle opzioni reali applicata all’economia dell’innovazione, le imprese, e i paesi, si trovano di fronte a scelte che non sono sequenziali ma simultanee: adottare l’IA come complemento alle strutture esistenti, o riorganizzare le strutture attorno all’IA come esecutore primario. Il valore relativo di queste opzioni non è stabile: cresce esponenzialmente verso la seconda man mano che la tecnologia matura e che i competitori la esercitano.

L’Italia si trova in questo momento ancora nella zona di scelta. Ha un apparato produttivo diversificato, un sistema universitario e di ricerca con eccellenze riconosciute, un patrimonio culturale senza eguali e, paradossalmente, la sua struttura industriale frammentata di Pmi, spesso vista come debolezza, può diventare un laboratorio di sperimentazione distribuita dell’IA che i sistemi più concentrati non possono replicare con la stessa flessibilità.
La finestra è aperta. Ma la curva J non aspetta, e il momento del decollo della fase ascendente si avvicina. Non essere pronti quando arriva significa trovarsi sul lato sbagliato della terza rottura strutturale, quella che decide non solo chi usa l’IA, ma chi la governa.