L’integrazione dell’intelligenza artificiale all’interno dei processi produttivi italiani sta attraversando una fase dicotomica. Se da un lato i lavoratori adottano gli strumenti con crescente entusiasmo, dall’altro le organizzazioni sembrano faticare nel tradurre questo slancio individuale in una strategia di business coerente.
I dati presentati da Martina Mauri, Direttrice dell’Osservatorio HR Innovation, durante il convegno «Don’t Look Up: ci stiamo preparando al futuro del lavoro?», che si è tenuto presso il Politecnico di Milano, delineano un quadro di attesa e incertezza che merita un’analisi approfondita per comprendere come l’AI nel lavoro stia realmente spostando gli equilibri .
Indice degli argomenti
La metafora astronomica: l’AI come meteorite, meteora o cometa?
Per descrivere lo stato attuale dell’AI nel lavoro, la ricerca dell’Osservatorio ha utilizzato una suggestiva metafora astronomica. L’intelligenza artificiale può essere percepita in tre modi differenti, ognuno dei quali comporta rischi e opportunità specifiche per il mercato italiano.
Il primo scenario è quello del meteorite: un corpo celeste che impatta sulla Terra portando conseguenze negative ma anche una spinta radicale al cambiamento. La sfida per le aziende è saper gestire l’impatto, limitando i danni e trasformandolo in un’occasione di evoluzione.
Esiste, poi, il rischio che l’AI si riveli una meteora, ovvero un fenomeno caratterizzato da molto hype che finisce per rivelarsi «tutto fumo e niente di concreto».
Infine, c’è la visione dell’intelligenza artificiale come un cometa, uno strumento che illumina dall’alto e spinge a innovare, ma che non tocca mai realmente il suolo e non produce cambiamenti tangibili nelle strutture organizzative.
Nonostante le aspettative, la ricerca evidenzia che le direzioni HR non considerano ancora l’intelligenza artificiale una sfida prioritaria per i prossimi dieci anni.
L’impatto dell’AI sulle competenze e sui ruoli si posiziona, infatti, in una fascia medio-bassa tra le preoccupazioni manageriali. Questa postura solleva un interrogativo: le aziende sono già preparate o, al contrario, non credono ancora alla portata realmente disruptive di questa tecnologia?.
Il paradosso dei 30 minuti: perché l’efficienza non diventa produttività
Uno dei dati più sorprendenti emersi dall’indagine riguarda il risparmio di tempo generato dall’uso dell’AI nel lavoro. I lavoratori che utilizzano regolarmente questi strumenti dichiarano un risparmio medio di 30 minuti al giorno. Tuttavia, questo valore è rimasto invariato rispetto allo scorso anno, nonostante l’evoluzione tecnologica abbia reso gli strumenti oggi a disposizione molto più potenti.
Mauri ha individuato due ragioni principali per questo stallo. In primo luogo, le persone potrebbero non possedere ancora le competenze necessarie per sfruttare appieno il potenziale di queste soluzioni. In seconda battuta, finché l’AI rimane un semplice strumento operativo delegato alla scelta del singolo, i benefici restano confinati alla sfera individuale.
Come sottolineato durante il convegno: «Se questi strumenti rimangono semplicemente strumenti operativi che le persone decidono autonomamente quando e come utilizzare, forse non si riesce ad andare oltre questi risparmi di tempo, che non si traducono alla fine in un impatto reale sull’organizzazione».
A conferma di questa mancanza di integrazione strutturale, i dati indicano che solo il 9% delle organizzazioni gestisce in modo coordinato i saving di tempo. Senza una governance chiara, il tempo recuperato rischia di disperdersi in attività marginali invece di essere reinvestito in formazione o sviluppo di nuove linee di business.
Cresce l’adozione spontanea
Mentre le aziende riflettono sulla strategia, i lavoratori passano all’azione. L’utilizzo dell’AI nel lavoro in Italia è aumentato di 12 punti percentuali in un solo anno, passando dal 32% al 44%. La diffusione non è però omogenea tra i settori:
- Il comparto ICT, Media & Telco registra la penetrazione maggiore, con un balzo dal 44% al 65%.
- Il settore Retail segna, invece, l’incidenza minore, fermandosi al 31%.
Questa disparità è in parte dovuta alla natura dell’AI Generativa, che si presta maggiormente a compiti di ufficio e ruoli “white collar”. Tuttavia, cresce l’interesse per la Physical AI, ovvero l’integrazione dell’intelligenza artificiale con la componente robotica umanode, che in futuro potrebbe rivoluzionare anche settori come la manifattura e la gestione dei punti vendita.
Il segnale d’allarme della Shadow AI
Un punto di estrema attenzione per le direzioni HR è l’aumento dell’uso spontaneo. La quota di dipendenti che utilizza strumenti di AI senza che l’azienda glieli fornisca o li promuova formalmente è salita al 34%. Ancora più significativo è il dato secondo cui il 51% dei lavoratori affianca o sostituisce le soluzioni aziendali con strumenti esterni. Questo fenomeno, spesso definito “Shadow AI“, espone le organizzazioni a rischi concreti di cybersecurity e alla possibile condivisione di informazioni sensibili su piattaforme non controllate.
Dagli assistenti digitali alle Agentic Organization
Ad oggi, la visione di una Agentic Organization – un’azienda composta da team ibridi uomo-macchina dove l’AI opera quasi come un collega – appare ancora remota in Italia.
Il 47% dei lavoratori percepisce l’intelligenza artificiale esclusivamente come un assistente, uno strumento operativo paragonabile a un software di calcolo tradizionale come Excel.
Nonostante questo, emergono sfumature diverse nel modo in cui le persone interagiscono con la tecnologia nel quotidiano:
- Collega: molti iniziano a vedere l’AI come un collaboratore a cui fornire feedback per raggiungere obiettivi comuni.
- Coach: una parte di lavoratori interroga le applicazioni di intelligenza artificiale per delineare percorsi di crescita e sviluppo professionale.
- Controllore: è l’accezione più negativa, legata al monitoraggio continuo delle attività lavorative.
Sebbene l’integrazione strutturale sia embrionale, l’impatto percepito da chi già utilizza l’AI nel lavoro è prevalentemente positivo. Il 45% dei lavoratori rileva miglioramenti nello sviluppo di nuove competenze e il 44% riscontra un aumento della velocità e dei volumi di lavoro prodotti.
Contrariamente ai timori di una perdita di senso critico, chi usa questi strumenti dichiara un impatto favorevole sulla capacità di apprendere nuovi concetti e proporre soluzioni originali.
Competenze e mercato del lavoro: il rischio di una polarizzazione elitaria
Sebbene l’intelligenza artificiale possa democratizzare l’accesso a enormi potenze di calcolo, la sua adozione strutturale in Italia rischia di restare un fenomeno elitario. I dati mostrano un divario importante tra le grandi aziende e le piccole realtà, così come tra le imprese che già investono in innovazione e quelle che restano ferme.
Secondo Mauri, è fondamentale evitare che questa transizione crei un solco incolmabile: «Attenzione a non creare un divario tra chi può e riesce a gestire questa tecnologia e chi non lo fa e rimane indietro, ed entrando in un circolo vizioso rimarrà sempre più indietro». La ricerca indica, infatti, che il 49% delle imprese è consapevole di dover riallocare o riqualificare almeno il 5% della propria forza lavoro nel breve termine, ma solo il 15% ritiene di avere le competenze adeguate per gestire questo cambiamento.
In prospettiva, l’intelligenza artificiale nel lavoro non dovrebbe essere vista come un mero strumento di efficientamento dei costi o di sostituzione del capitale umano. Il vero vantaggio competitivo risiederà nella capacità di riprogettare i processi intorno a una collaborazione simbiotica tra uomo e macchina.
In un Paese come l’Italia, prossimo a un forte shock demografico e con una popolazione attiva in diminuzione, l’affiancamento del capitale tecnologico a quello umano diventa una necessità per mantenere la sostenibilità del sistema produttivo.
Il quadro finale che emerge dalle rilevazioni del Politecnico di Milano è quello di una tecnologia che si sta diffondendo in modo spontaneo e superficiale, mentre le direzioni HR mantengono un ruolo di osservazione ancora troppo passivo. Per far sì che l’AI nel lavoro non rimanga una cometa passeggera, sarà necessario un passaggio deciso dalla sperimentazione individuale alla governance aziendale, mettendo al centro la trasformazione dei modelli operativi e la riqualificazione delle competenze.
FAQ: Intelligenza Artificiale
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
