Il mercato dell’intelligenza artificiale in Italia ha raggiunto 1,8 miliardi di euro nel 2025, con una crescita del 50% rispetto al 2024. I numeri vengono dall’Osservatorio Artificial Intelligence del Politecnico di Milano e raccontano un’accelerazione reale, non una moda. Eppure, a questa espansione non corrisponde un’adozione altrettanto diffusa nei processi aziendali.
Secondo i dati Istat, le grandi imprese guidano la corsa, mentre le PMI restano in gran parte ferme. I freni principali: mancanza di competenze interne (44%), difficoltà nel dimostrare il valore per il business (31%), fatica nell’individuare casi d’uso concreti (28%). Siamo ancora in una fase esplorativa. Il passaggio da curiosità a produttività non avviene in automatico, e sono ancora molte le organizzazioni che studiano come l’AI potrebbe cambiare il loro modo di fare business senza aver ancora trovato la risposta.
SCARICA IL PDF DEL REPORT ISTAT IMPRESE E ICT 2025
Sono esattamente questi i nodi che i system integrator italiani – da Ergon a Quanture, da Exelab a Relatech, passando per Kyndryl e 3 CiME Technology, fino a Innovaway e Campi – hanno deciso di sciogliere, spostando l’attenzione dalla tecnologia al problema di business. Sono realtà che lavorano ogni giorno a contatto con aziende di settori diversi, e che hanno maturato una visione pragmatica su cosa funziona e cosa no. Abbiamo raccolto le loro esperienze. Ne emerge un cambio di approccio chiaro e trasversale: meno hype, più metodo.
L’AI come estensione dell’ingegneria, non come sostituto
Andrea Pelizza, product manager di Campi, è diretto sul ruolo che l’AI deve avere nel contesto industriale: “L’intelligenza artificiale generativa deve entrare nei progetti non come sostituto dell’ingegneria, ma come sua estensione naturale. Nel contesto industriale, dove affidabilità e prevedibilità sono requisiti non negoziabili, è preferibile un’architettura ibrida che combina modelli locali con componenti generative controllate. Questo approccio permette di portare valore concreto senza rinunciare alla tracciabilità e al controllo del comportamento del sistema. In prodotti come il nostro Exchanger, questo si traduce in funzionalità che generano spiegazioni delle regole di automazione, supportano la diagnostica con analisi contestuali degli stati macchina e guidano l’utente nella configurazione, riducendo errori e tempi di setup. I risultati confermano questa direzione: configurazioni più rapide, meno errori nella definizione delle logiche, produttività misurabile. Ma è altrettanto importante dire cosa evitiamo: modelli non spiegabili, dipendenze da servizi esterni difficili da governare, architetture in cui l’AI generativa opera senza un layer deterministico a presidio. Nel manifatturiero e nell’automazione industriale, la fiducia si costruisce sulla prevedibilità: l’AI deve spiegare, suggerire, supportare, ma sempre entro confini definiti e verificabili”.
Formare prima di automatizzare
Federico Pannacci, project & delivery manager presso il Gruppo E, che fa parte di Ergon, pone l’accento sulla formazione come leva primaria: “Abbiamo investito sin dall’inizio nella formazione interna, realizzando corsi per sensibilizzare tutta l’organizzazione sulle tematiche AI. L’effetto collaterale è stato positivo: ha catalizzato numerose richieste di automazione dall’interno. Ogni richiesta è stata raccolta e trasformata in un progetto potenziale, valutato su due parametri: tempo di implementazione e ROI. Abbiamo dato priorità ai progetti con il maggiore risparmio in giornate/uomo o saving economico. Le applicazioni AI si inseriscono quasi sempre in processi già esistenti: il successo dipende più dalla fase di analisi che da quella implementativa. Ogni intervento richiede prima una mappatura accurata del processo, l’identificazione degli attori coinvolti e una chiara comprensione degli stakeholder. L’errore più comune – e costoso – è saltare questa fase: tecnicamente, implementare una soluzione AI è oggi relativamente rapido, ma senza un’analisi solida a monte si rischia di dover rifare il lavoro più volte, vanificando i vantaggi attesi”.
Dalla tecnologia al problema di business
Emanuele Caronia, Ceo di Exelab, cita i dati di ricerca per inquadrare il problema: “L’AI generativa è qui per restare. Ma tra adottarla e ottenere risultati c’è una distanza che molti stanno sottovalutando. Le ricerche non mancano: il MIT registra un tasso di successo di appena il 5%; McKinsey segnala che l’88% delle aziende ha adottato l’AI, ma solo il 6% genera impatto reale sull’EBIT; BCG stima che il 60% delle aziende sia ancora fermo. Il punto non è che la tecnologia non funzioni: è che quando i progetti partono dalla tecnologia invece che da un problema di business concreto – quando il ragionamento è “mettiamo l’AI e miglioriamo tutto” – quelli sono i primi a non produrre nulla. Per questo abbiamo scelto di costruire agenti AI che entrano nei processi operativi dell’azienda con una loro identità, accesso ai dati reali, memoria delle interazioni e regole da rispettare. Non chatbot: agenti che lavorano. Per DentalPro sono in produzione integrati con CRM e contact center, e aiutano centinaia di persone ogni giorno. Per RE/MAX supportano oltre 4.000 agenti immobiliari nel lavoro quotidiano. L’errore da evitare? Pensare che il lavoro finisca al go-live. Un agente AI in produzione evolve, e senza governance rischia di diventare un problema”.
I dati prima dell’AI
Tommaso Pozzi, digital business unit director di Relatech, sposta il focus sulla qualità dei dati: “Quando affrontiamo il tema dell’AI generativa con i clienti, non partiamo da modelli o strumenti, ma da un elemento spesso sottovalutato: i dati. L’AI non crea valore autonomamente, amplifica la qualità dei dati disponibili: se sono frammentati o non governati, anche i risultati saranno inaffidabili. Il primo passo è costruire una data foundation solida – qualità, governance, accessibilità, sicurezza – e solo dopo integrare l’AI con un approccio pragmatico, attraverso Microsoft Fabric. Su basi strutturate, i risultati arrivano: in ambito documentale i progetti mostrano riduzioni fino al 60% nei tempi di gestione. I sistemi Multi-Agent sviluppati su Copilot Studio permettono agli operatori di interrogare manuali tecnici, schede intervento e archivi aziendali in linguaggio naturale, con risposte tracciate e verificabili. Il modello di servizio sta evolvendo verso soluzioni AI‑enabled con acceleratori riutilizzabili, integrazione nativa con l’ecosistema Microsoft e KPI orientati al business: produttività, qualità decisionale, riduzione dei tempi operativi. L’errore più comune? Partire dalla tecnologia invece che dalla qualità del dato e dal change management: in quel caso l’AI resta solo un hype”.
Cyber security e processi operativi
Giuseppe Mazzoli, CEO di 3 CiME Technology, porta l’esperienza di un settore in cui l’AI è operativa da anni: “In ambito cybersecurity utilizziamo l’AI da tempo nei servizi XDR, MDR e Penetration test. Nei sistemi XDR analizziamo comportamenti di utenti ed endpoint per individuare anomalie e prevenire attacchi, incluse e-mail di phishing e richieste fraudolente sempre più sofisticate. Nei servizi MDR l’AI supporta l’analisi continua degli eventi e accelera la capacità di risposta agli incidenti. Nei Penetration test aiuta a simulare scenari di attacco realistici e automatizzati, verificando la reale sfruttabilità delle vulnerabilità anche con capacità di calcolo elevate. Di recente abbiamo esteso l’uso ai processi operativi: offerte commerciali, documentazione, analisi dei dati di vendita. Il beneficio principale è il tempo recuperato. Un esempio è il pricing: listini complessi che prima richiedevano ore di lavoro manuale oggi vengono elaborati in pochi minuti. Due lezioni apprese: verificare sempre gli output — soprattutto i numeri — e non delegare il pensiero strategico. Usata con criterio, l’AI rende il lavoro più efficace, non lo sostituisce”.
Agenti intelligenti con controllo deterministico
Sergio Ajani, services & solutions design director di Innovaway, illustra il framework proprietario dell’azienda: “Decliniamo la GenAI attraverso il framework Agentic Augmented Intelligence (A2I), che permette di utilizzare agenti intelligenti direttamente sui sistemi per generare azioni concrete: risoluzione di problemi, prevenzione di guasti. Abbiamo combinato la flessibilità dei modelli generativi con regole logiche predefinite, così ogni azione degli agenti è controllata, sicura e allineata alle procedure del cliente. Sul Service Desk, gli agenti gestiscono autonomamente richieste ricorrenti come il ripristino delle credenziali o l’installazione di software, con una riduzione del 30% dell’MTTR. Nei processi BPO, agenti specializzati nella compliance documentale hanno abbattuto del 40% i tempi di analisi rispetto alla verifica manuale, riducendo il rischio di errore. Tre gli errori da evitare: usare modelli generativi senza un sistema che guidi e verifichi il ragionamento; alimentare i modelli con documentazione obsoleta o disorganizzata; eliminare la supervisione umana nei processi decisionali più delicati”.
Processi strutturati e patrimonio informativo
Andrea Mariani, presales & AI architect di Quanture, descrive un approccio orientato alla misurabilità: “L’integrazione dell’AI generativa nei nostri progetti supera la semplice adozione tecnologica. Con Quanture.AI accompagniamo le imprese in un percorso strategico, sviluppando soluzioni custom basate su modelli generativi, machine learning e analisi avanzata dei dati, progettate per essere misurabili, scalabili e integrate nel contesto operativo. L’AI viene applicata in modo trasversale: dall’efficientamento delle funzioni direzionali, attraverso agenti per l’automazione documentale e decisionale, fino all’ottimizzazione dei processi produttivi con sistemi predittivi per monitoraggio, rilevazione anomalie e manutenzione. Centrale è la valorizzazione del patrimonio informativo, tramite pipeline di raccolta e normalizzazione che trasformano dati eterogenei in insight utili alle decisioni. Grazie all’interazione in linguaggio naturale, l’accesso alle informazioni diventa più diretto anche in contesti enterprise complessi, facilitando l’adozione interna. I benefici concreti riguardano la riduzione delle attività a basso valore aggiunto e il miglioramento della qualità decisionale. Tra gli errori più comuni: trattare l’AI come soluzione isolata, sottovalutare la qualità dei dati, trascurare la fase di analisi e progettazione. Il valore emerge solo quando l’AI è inserita in un disegno orientato a obiettivi di business chiari”.
Industrializzare, non sperimentare
Patrizia Fortuna, applications, data & AI practice leader di Kyndryl, chiude con una prospettiva di scala: “Per Kyndryl, l’AI generativa è un punto di rottura: qui si vede la differenza tra chi sperimenta e chi trasforma modelli operativi, servizi e traiettorie di crescita. L’AI crea valore quando nasce da use case concreti, poggia su solide data foundation, è governata responsabilmente e portata rapidamente a scala. Stiamo evolvendo da iniziative frammentate a modelli industrializzati e replicabili, in cui l’AI generativa abilita soluzioni agentiche per IT Operations, managed services, customer ed employee experience e knowledge management. Le tre direttrici della nostra offerta: KAF (Kyndryl Agentic Framework), che orchestra agenti AI per automatizzare processi in ambienti hybrid IT; Policy as Code, che integra l’AI responsabile nei sistemi, garantendo controllo e compliance by design; OCM (Organizational Change Management), che supporta l’adozione trasformando competenze e modelli operativi. Le metriche cambiano: non contano più il numero di PoC avviate, ma time-to-value, qualità decisionale, scalabilità e adozione reale. Gli errori più comuni restano sempre gli stessi: partire dalla tecnologia invece che dal valore di business, sottovalutare dati e governance, fermarsi a PoC isolate e non industrializzate, non accompagnare il cambiamento su persone e processi. La vera sfida dell’AI non è tecnica: è farla adottare, governare e far crescere nel tempo”.
