L’interesse verso l’intelligenza artificiale continua a crescere rapidamente, ma l’avvio dei progetti rimane spesso più complesso del previsto. Le aziende percepiscono l’urgenza di introdurre nuove capacità di analisi dei dati, automazione e supporto decisionale, ma non sempre riescono a individuare un punto di partenza chiaro. In molte organizzazioni il business spinge per sperimentare l’AI, mentre l’area IT si trova a dover valutare infrastrutture e tecnologie senza avere ancora definito con precisione uno use case.
Il contesto di mercato mostra chiaramente questa tensione tra entusiasmo e maturità organizzativa. Secondo la ricerca 2025 dell’Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato italiano dell’AI ha raggiunto 1,8 miliardi di euro, con una crescita del 50% rispetto al 2024. Il 46% del mercato è legato a soluzioni di Generative AI o progetti ibridi, mentre il restante 54% riguarda iniziative basate prevalentemente su Machine Learning.
L’ecosistema è in forte espansione: l’Osservatorio ha censito 1.010 aziende italiane che offrono soluzioni o servizi di intelligenza artificiale e 135 startup finanziate negli ultimi cinque anni, spesso focalizzate su applicazioni verticali in ambiti come healthcare o fintech.
Eppure, nonostante questa crescita, l’adozione nelle imprese rimane disomogenea. Il 71% delle grandi imprese italiane ha avviato almeno un progetto di AI, ma solo una su cinque utilizza l’intelligenza artificiale in modo pervasivo in diverse funzioni aziendali. Nelle PMI la diffusione è ancora più limitata: le sperimentazioni coinvolgono il 15% delle medie imprese e appena il 7% delle piccole.
Questo scenario si riflette anche nelle dinamiche interne delle imprese. «In Italia il problema è soprattutto organizzativo», spiega Pasquale Anobile, Head of Business Development & CSM – BU Digital Technologies di Maticmind – Zenita Group. «Pochissime aziende hanno definito chi, internamente, deve occuparsi di intelligenza artificiale. È un tema trasversale che può riguardare produzione, marketing o ufficio acquisti, ma spesso chi vorrebbe partire con una sperimentazione non è un decision maker e chi dovrebbe decidere non ha ancora una visione chiara delle priorità»” Il risultato è una situazione di paralisi operativa: chi propone un progetto fatica a portarlo avanti, mentre chi dovrebbe approvarlo non dispone degli elementi necessari per farlo. In mezzo rimane il CIO, chiamato a dimensionare infrastrutture complesse senza avere ancora un perimetro chiaro.
Indice degli argomenti
Perché l’adozione dell’AI si blocca prima di partire
L’introduzione dell’intelligenza artificiale nelle organizzazioni richiede competenze, governance e coordinamento tra diverse funzioni aziendali. In molte imprese questi elementi non sono ancora pienamente definiti e questo rallenta il passaggio dalle sperimentazioni ai progetti operativi. Secondo Anobile, il primo ostacolo è proprio la mancanza di responsabilità chiare. «Sono pochissime le aziende che hanno definito chi deve occuparsi di AI. È un tema che interessa tutti e che può riguardare processi molto diversi tra loro – fa notare -. Ma quando non è chiaro chi decide dove implementare l’intelligenza artificiale, si crea inevitabilmente uno stallo».
In questo scenario nascono numerosi progetti pilota che però faticano a evolvere. Alcuni proof-of-concept partono senza una governance definita, altri non riescono a ottenere il necessario supporto interno. «Molti vorrebbero avviare sperimentazioni, ma non hanno il potere decisionale per farlo», continua Anobile. «Allo stesso tempo chi ha la responsabilitàà di decidere non sempre dispone degli strumenti per capire quale infrastruttura serva davvero»”
Per i responsabili IT la situazione può diventare complessa. L’intelligenza artificiale introduce nuovi requisiti infrastrutturali e modelli di elaborazione dei dati che richiedono competenze specifiche e scelte tecnologiche non sempre immediate. «Per l’IT manager spesso l’AI è più un fardello che un’opportunità», osserva Anobile. «Quando il business identifica uno use case, l’IT deve capire come dimensionare l’infrastruttura. Senza un riferimento chiaro si rischia di perdere molto tempo»”
AI bundle: un modello per semplificare le scelte
Per affrontare questa fase di incertezza, Maticmind sta sviluppando una serie di AI bundle preconfigurati, progettati per aiutare le aziende a orientarsi nella scelta dell’infrastruttura e a individuare più rapidamente il percorso di adozione.
L’idea è proporre soluzioni già dimensionate per diversi livelli di complessità, offrendo un riferimento chiaro a chi deve avviare un progetto. «Abbiamo sviluppato soluzioni a pacchetto con difficoltà crescente», spiega Lorenzo Fatati, Business Developer di Maticmind – Zenita Group. «Ogni bundle corrisponde a una diversa esigenza e permette di individuare subito la configurazione più adatta».
Queste soluzioni sono pensate per supportare i CIO nella fase più critica, cioè il dimensionamento dell’infrastruttura. Invece di partire da zero, l’azienda può fare riferimento a modelli già definiti e coerenti con specifiche esigenze operative. «Se un’azienda deve fare controlli incrociati sui dati in ambito finanziario – spiega Anobile – la soluzione indica qual è la macchina più adatta. Se serve un nodo di ridondanza lo segnala, oppure suggerisce un’architettura distribuita quando lo use case lo richiede”. In questo modo diventa più semplice ridurre tempi decisionali e complessità, soprattutto nelle fasi iniziali di valutazione tecnologica.
Un approccio use case-driven
Alla base di questo modello c’è un principio preciso: l’infrastruttura AI deve essere progettata in funzione dello scopo. Per questo Maticmind adotta un approccio definito use case driven, che parte dall’analisi delle esigenze operative per arrivare alla scelta della tecnologia più adeguata.
Molte aziende, soprattutto nelle prime fasi, sperimentano inizialmente nel cloud. Questa scelta consente di avviare rapidamente le attività, ma nel tempo emergono nuovi fattori da considerare. «Il cloud è un ottimo punto di partenza perché offre velocità e flessibilità», osserva Anobile. «Ma poi emergono altri temi, come la sovranità del dato e i costi delle elaborazioni». In alcuni casi le organizzazioni preferiscono quindi mantenere un maggiore controllo sull’infrastruttura. «Quando l’infrastruttura è di proprietà dell’azienda – continua Anobile – è più facile gestire l’investimento e valutare il ritorno economico dello use case».
I principali use case nei diversi settori
I bundle sviluppati da Maticmind sono stati progettati analizzando le esigenze operative di diversi settori industriali.
Nel retail e nella grande distribuzione, uno degli scenari più frequenti riguarda i sistemi di Visual Analytics dei comportamenti nei punti vendita. In questi contesti è possibile installare piccoli sistemi edge di elaborazione, distribuiti nelle singole filiali, capaci di analizzare localmente immagini e video e rimandare centralmente i risultati, permettendo di generare insight sui comportamenti dei clienti.
Nel settore sanitario, dove ogni giorno vengono gestiti grandi volumi di dati e campioni, l’infrastruttura può essere progettata in modo distribuito, consentendo alle diverse strutture di elaborare i dati localmente e condividere solo le informazioni necessarie. Altro esempio: il monitoraggio continuo dei pazienti nelle unità di terapia intensiva: sistemi di AI locale possono analizzare istantaneamente i segnali vitali e i flussi video per prevedere crisi respiratorie o cardiache prima che i parametri diventino critici.
Il settore finanziario e assicurativo richiede invece capacità computazionali elevate per analizzare dati storici e correlare grandi quantità di informazioni. in un contesto dove analizzare migliaia di notizie, report e variazioni di borsa in tempo reale per ogni singolo cliente è fisicamente impossibile, l’integrazione di sistemi di calcolo avanzati permette di processare istantaneamente flussi informativi massivi. Questo consente di trattare questi dati e soprattutto correlarli con lo storico a disposizione.
Infine, nel mondo della logistica e dei campus industriali, i sistemi basati su computer vision possono essere utilizzati per monitorare la sicurezza delle aree di manovra e analizzare in tempo reale ciò che accade negli spazi operativi.
«Dipende sempre dallo use case», sottolinea Fatati. «Per questo abbiamo costruito bundle che aiutano a individuare la soluzione più coerente con ogni esigenza».
Verso un modello più pragmatico per l’adozione dell’AI
L’intelligenza artificiale sta già trasformando il modo in cui le aziende lavorano e organizzano i processi. In Italia, secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, circa il 47% dei lavoratori utilizza strumenti di intelligenza artificiale nella propria attività professionale e il 41% afferma che grazie all’AI riesce a svolgere attività che non sarebbe in grado di realizzare o che potrebbe completare solo parzialmente. Allo stesso tempo emergono nuovi rischi organizzativi: solo il 19% degli utilizzatori impiega esclusivamente strumenti aziendali, segnale della diffusione di fenomeni di Shadow AI, con dipendenti che utilizzano piattaforme esterne senza il controllo dell’organizzazione.
L’impatto dell’AI sulle competenze e sul mercato del lavoro
L’impatto dell’intelligenza artificiale è evidente anche sul fronte delle competenze. Analizzando oltre 17 milioni di annunci di lavoro pubblicati in Italia tra il 2019 e il 2025, l’Osservatorio ha rilevato che nel 2025 circa 44.000 posizioni richiedono competenze AI, con una crescita del 93% rispetto all’anno precedente. Oggi il 76% delle offerte per profili white-collar ad alta qualificazione richiede competenze di intelligenza artificiale. Questo scenario conferma che l’AI non è più soltanto una tecnologia sperimentale ma un elemento strutturale della trasformazione digitale delle imprese. Tuttavia, perché questa trasformazione diventi realmente sistemica, le aziende devono superare la fase iniziale di incertezza che spesso caratterizza i primi progetti. «Questo tipo di modello aiuta soprattutto chi non ha ancora le idee completamente chiare», osserva Anobile. «Dà un riferimento alle figure di business e permette di avviare più velocemente i proof-of-concept».
Secondo Maticmind, la diffusione dell’AI seguirà un’evoluzione simile a quella già osservata in altre fasi della trasformazione IT, quando nuovi paradigmi tecnologici hanno richiesto strumenti più semplici per essere adottati su larga scala. «In passato – ricorda Anobile – quando si doveva sviluppare un’applicazione bisognava chiedere all’IT server dedicati su cui farla girare. Con la virtualizzazione tutto è diventato più semplice. Oggi l’AI sta vivendo un momento analogo: servono modelli che aiutino le aziende a partire». In quest’ottica, soluzioni infrastrutturali progettate a partire dagli use case possono diventare uno degli elementi chiave per accelerare l’adozione dell’intelligenza artificiale nei processi aziendali, riducendo le incertezze iniziali e consentendo alle organizzazioni di trasformare più rapidamente l’interesse verso l’AI in valore concreto per il business.
