L'adozione dell'intelligenza artificiale in Europa e in Italia dal 2022, e cosa significa per la vostra carriera

Lezione per il corso di laurea triennale in Management dell'intelligenza artificiale
Durata: circa 60 minuti (50 di lezione e 10 di discussione)

Obiettivi di apprendimento

Alla fine della lezione sarete in grado di:

spiegare perché l'IA generativa è stata adottata prima dalle persone e solo dopo dalle organizzazioni;
leggere in modo critico i dati europei e italiani sull'adozione dell'IA, distinguendo tra uso e valore creato;
collocare la posizione dell'Italia in una prospettiva storica ed europea;
usare uno schema strutturato per valutare il ritorno sugli investimenti (ROI) in IA in condizioni di forte incertezza;
discutere vantaggi e limiti dell'AI Act europeo;
definire un piano concreto per sviluppare competenze sull'IA e dimostrarle a un datore di lavoro.

Scaletta

Parte	Argomento	Tempo
1	Introduzione: una tecnologia che avete già in tasca	5 min
2	Quattro fatti sull'IA generativa	12 min
3	L'Europa dal 2022: dove si colloca l'Italia?	10 min
4	Italia: crescita rapida, grandi divari, poca misurazione	10 min
5	Perché l'Europa è in ritardo	7 min
6	Il vostro ruolo nell'economia dell'IA	6 min
7	Conclusione e azione in due settimane	2 min
—	Domande e discussione	10 min

Glossario minimo

Prima di cominciare, fissiamo alcuni termini che useremo spesso.

IA generativa: sistemi che producono contenuti nuovi (testo, immagini, codice, audio) a partire da un'istruzione dell'utente, detta prompt [2].
LLM (Large Language Model): modello linguistico di grandi dimensioni, come ChatGPT, Gemini, Claude o DeepSeek.
Benchmark: test standardizzato che serve a confrontare le prestazioni dei modelli.
Agente IA: sistema che pianifica, usa strumenti esterni ed esegue compiti in più passaggi con un certo grado di autonomia [8].
Modello open-weight: modello i cui "pesi" (i parametri appresi) sono pubblicati e si possono scaricare, eseguire in locale e modificare [14].
API: interfaccia che permette a un altro software di usare un modello a pagamento, senza possederlo.
PMI: piccole e medie imprese, cioè quelle con 10–249 addetti nelle statistiche Istat [17].

Parte 1. Introduzione: una tecnologia che avete già in tasca

Il concetto. Ogni grande tecnologia viene adottata in due fasi: prima dalle persone, poi dalle istituzioni. Chi trae vantaggio da una rivoluzione tecnologica dipende in buona parte da quanto dura l'intervallo tra queste due fasi. Oggi l'IA generativa si trova esattamente in quell'intervallo.

Momento in aula, sondaggio. Rispondete nella chat:

Quando avete usato per la prima volta un LLM? Nel 2022, nel 2023, l'anno scorso, oppure mai?
Ne avete usato uno questa settimana, per riassumere un testo, tradurre un'email o sistemare il CV?

Probabilmente quasi tutti avete risposto sì alla seconda domanda. Secondo l'AI Index 2026 dell'Università di Stanford, quattro studenti universitari su cinque usano l'IA generativa. Lo stesso rapporto calcola che l'IA generativa ha raggiunto il 53% di adozione nella popolazione entro tre anni dal lancio, più in fretta del personal computer e di internet [1]. I vostri genitori hanno impiegato anni per abituarsi all'email. Voi avete impiegato qualche mese per abituarvi a una macchina che vi risponde per iscritto.

Perché è importante. La domanda non è se l'IA cambierà la vostra vita lavorativa, ma che posto occuperete voi quando accadrà. Il titolo della lezione va preso alla lettera: l'IA "sta assumendo", nel senso che le aziende cercano già persone capaci di lavorare con questi strumenti.

Parte 2. Quattro fatti sull'IA generativa

Su questa tecnologia circolano molte idee, ma alcuni fatti di fondo vengono fraintesi spesso, anche da manager esperti. Ne vediamo quattro.

2.1 Un'adozione velocissima, ma soprattutto personale

Il concetto. Di solito le tecnologie entrano dall'alto: l'azienda compra i computer e poi i dipendenti imparano a usarli. Con l'IA generativa è successo il contrario: è entrata dal basso, attraverso le persone.

I dati. Secondo Eurostat, nel 2025 il 32,7% degli europei tra i 16 e i 74 anni ha usato strumenti di IA generativa. L'uso personale (25,1%) supera di molto quello lavorativo (15,1%) e quello per l'istruzione formale (9,4%) [2]. Per noi il dato nazionale è preoccupante: con il 19,9% l'Italia è al penultimo posto nell'UE. Fa meglio solo della Romania (17,8%) ed è lontanissima dalla Danimarca (48,4%) [2].

Il dato sui giovani colpisce ancora di più. Tra i 16 e i 24 anni usa l'IA generativa il 63,8% dei giovani europei, ma solo il 47,2% dei giovani italiani. Anche in questa fascia d'età l'Italia è penultima, davanti soltanto alla Romania (44,1%) [3]. In Europa la maggioranza dei giovani usa questi strumenti; in Italia meno della metà.

Quando l'IA si usa al lavoro, spesso lo strumento lo porta il dipendente. Nell'indagine globale 2024 di Microsoft e LinkedIn, il 75% dei lavoratori della conoscenza dichiarava di usare l'IA generativa al lavoro, e il 78% di questi usava strumenti propri [4]. L'Italia segue lo stesso schema: il 47% dei lavoratori usa l'IA al lavoro, ma solo il 19% usa esclusivamente strumenti forniti dall'azienda [5]. La tecnologia, insomma, è entrata dalla porta di servizio.

Perché è importante per un manager. Quando entrerete in un'organizzazione potreste conoscere questi strumenti meglio di chi vi dirige. Raramente un neolaureato si trova in questa posizione, ed è un'opportunità. Per l'azienda, però, è anche un rischio di governance, come vedremo parlando di "shadow AI" (§4.5).

2.2 I modelli migliorano in modo drastico, e spesso

Il concetto. Qualunque giudizio su una tecnologia che cambia ogni mese ha una scadenza breve. Se un anno fa avete provato l'IA e l'avete trovata inaffidabile, avete giudicato un prodotto che oggi non esiste più.

I dati. Prendiamo un benchmark molto difficile, il GPQA. Contiene 448 domande a scelta multipla scritte da esperti di biologia, fisica e chimica. Gli esperti che hanno o stanno conseguendo un dottorato nella materia rispondono correttamente al 65% (74% se si escludono gli errori evidenti che loro stessi hanno riconosciuto). Non esperti molto qualificati arrivano solo al 34%, pur dedicando in media più di 30 minuti a ogni domanda con accesso libero al web. Per questo le domande sono dette "Google-proof". Quando il test fu pubblicato, a novembre 2023, il miglior sistema basato su GPT-4 otteneva il 39% [6]. Nel 2025 l'accuratezza media sul sottoinsieme più difficile, GPQA Diamond, ha raggiunto il 93%, dodici punti sopra la soglia di riferimento degli esperti (81,2%) [1].

Facciamo il calcolo insieme. Da 39% a 93% significa un aumento di circa il 138%: il punteggio è più che raddoppiato in circa 25 mesi. In media è un miglioramento composto di circa il 3,5% al mese. I miei confronti personali indicano che alcuni modelli cinesi open-weight, come la famiglia Kimi di Moonshot AI, sono migliorati ancora più in fretta.

Due avvertenze, perché un buon analista accompagna sempre i dati con le loro cautele:

Effetto soffitto. Vicino al massimo, ogni punto in più è più difficile da guadagnare e dice meno. Stanford ha trovato domande non valide in benchmark molto usati, in percentuali che vanno dal 2% al 42% [1].
I benchmark non sono lavori. L'AI Index 2026 parla di "frontiera frastagliata" (jagged frontier): un modello che vince l'oro alle Olimpiadi Internazionali di Matematica legge correttamente un orologio analogico solo nella metà circa dei casi [1].

I costi sono scesi ancora più in fretta di quanto siano cresciute le capacità. Il prezzo per usare un modello di livello GPT-3.5 è diminuito di oltre 280 volte tra novembre 2022 e ottobre 2024 [7]. Questo spiega perché nel 2026 Jensen Huang, CEO di Nvidia, ha cambiato tono. A febbraio ha dichiarato che l'IA agentica aveva raggiunto "un punto di svolta" negli ultimi due o tre mesi [8]. A giugno, alla conferenza degli sviluppatori Microsoft, ha detto: «All of a sudden, because of agentic systems... AI is now useful» («Improvvisamente, grazie ai sistemi agentici… l'IA è diventata utile») [9]. Anche un entusiasta del settore ammette così, di fatto, che i primi anni dell'IA generativa sono stati più impressionanti che utili.

Perché è importante. Per un manager la competenza tecnica sull'IA ha una "data di scadenza" molto breve. Ciò che conta è la capacità di ri-testare con regolarità che cosa la tecnologia sa fare.

2.3 Il miglioramento rapido crea un incentivo ad aspettare

Il concetto. Se una tecnologia migliora ogni mese, aspettare sembra razionale. Questo ragionamento è giusto a metà, e la metà sbagliata può costare cara.

Un sistema costruito sul modello di oggi può essere superato tra sei mesi. Per una piccola impresa con budget limitati, essere un "inseguitore veloce" (fast follower) può sembrare più saggio che essere il primo ad adottare. Qui però interviene un concetto fondamentale per il management dell'IA: la "curva a J della produttività", descritta dagli economisti Erik Brynjolfsson, Daniel Rock e Chad Syverson [10].

Concetto chiave: la curva a J. Con le tecnologie a uso generale (elettricità, computer, oggi l'IA), i guadagni non arrivano dall'acquisto della tecnologia. Arrivano da investimenti intangibili: riorganizzare i processi, riqualificare le persone, ridisegnare i ruoli. All'inizio questi investimenti costano e la produttività misurata può addirittura scendere prima di salire. Il grafico assomiglia a una J.

Questi investimenti intangibili non si comprano già pronti il giorno in cui la tecnologia "matura": vanno costruiti nel tempo. In un'analisi sul ROI dell'IA ho chiamato questo fenomeno volatilità da salto tecnologico (breakthrough volatility): un singolo salto architetturale può rendere obsoleti da un giorno all'altro i calcoli di ROI già fatti. È un argomento a favore della prudenza sugli impegni infrastrutturali di grandi dimensioni [11].

Perché è importante. La conclusione equilibrata è questa: sulle infrastrutture può avere senso aspettare, sulle competenze mai. Vale per le aziende e vale per voi.

2.4 Due ecosistemi, e l'Europa dovrebbe usarli entrambi

Il concetto. Il mercato dell'IA viene spesso raccontato come una gara tra aziende. È più utile vederlo come una competizione tra due modelli di business, chiuso e aperto, che per ragioni storiche sono concentrati in due paesi.

Modelli commerciali statunitensi (OpenAI, Google, Anthropic e altri): per lo più chiusi. Si paga l'accesso tramite un'app o un'API.
Molti modelli cinesi (DeepSeek, Qwen di Alibaba, Kimi di Moonshot): open-weight. Il modello si può scaricare, eseguire su server propri e modificare [14].

Il divario si è ridotto ma non è scomparso. Nel 2024 si era ristretto dall'8% all'1,7% su alcuni benchmark [7]; poi si è riaperto, e a marzo 2026 il miglior modello chiuso superava il miglior modello aperto di circa il 3,3% [1]. Secondo Epoch AI, nelle capacità informatiche legate alla cybersicurezza i modelli open-weight sono indietro di sei-sette mesi rispetto a quelli chiusi [12].

Perché i modelli aperti sembrano migliorare più in fretta? Una parte della risposta sta in un concetto di storia economica che ritroveremo parlando dell'Italia: i "vantaggi dell'arretratezza" di Alexander Gerschenkron. Rincorrere costa meno che guidare, perché chi insegue può copiare soluzioni già sperimentate da altri [15].

Il prezzo pesa ancora di più. Come riportato da Prof G Media e riassunto sul mio blog AI4TL, il prezzo per un milione di token in uscita era di circa 45 dollari per il modello di punta di OpenAI e 50 per quello di Anthropic, contro 0,87 dollari per DeepSeek. Secondo le stesse fonti, la quota di traffico globale di IA servita da modelli cinesi gratuiti sarebbe passata da meno di un terzo a circa due terzi [13]. Se l'intelligenza diventa una merce economica e aperta, il vantaggio passa da chi costruisce il modello più intelligente a chi lo applica più in fretta [14].

Perché è importante per un manager europeo. La strategia sensata è usare entrambi gli ecosistemi: i modelli statunitensi dove sono chiaramente migliori; i modelli aperti, cinesi o europei come quelli della francese Mistral AI, dove contano costo, privacy o personalizzazione. C'è una condizione chiave: un modello open-weight può girare su server europei, sotto la legge europea, senza inviare dati dei clienti all'estero. È una scelta di sovranità dei dati, non solo di prezzo.

Parte 3. L'Europa dal 2022: dove si colloca l'Italia?

3.1 I numeri

Il concetto. Le medie nascondono più di quanto rivelano. Per capire la posizione dell'Italia non basta guardare la classifica: bisogna guardare la velocità con cui si muove e dove si trovano i divari.

Ogni anno Eurostat rileva quante imprese europee con almeno dieci addetti usano l'IA. Nel 2025 il 19,95% usava almeno una tecnologia di IA, 6,47 punti percentuali in più rispetto al 2024 [16]. In testa c'è la Danimarca (42,03%), seguita da Finlandia (37,82%) e Svezia (35,04%); in coda Romania (5,21%), Polonia (8,36%) e Bulgaria (8,55%) [16]. La dimensione d'impresa conta più della geografia: usa l'IA il 55,03% delle grandi imprese, il 30,36% delle medie e il 17% delle piccole [16].

Momento in aula. Prima di vedere il dato italiano, scrivete in chat la vostra stima: l'Italia è più vicina alla Danimarca o alla Romania?

Secondo l'Istat, l'Italia è al 16,4%: sotto la media europea, ma in forte crescita dal 5,0% del 2023 e dall'8,2% del 2024 [17]. In un solo anno l'adozione è raddoppiata. È una crescita rapida. Ma l'obiettivo europeo del "Decennio Digitale" prevede il 75% di imprese che usano l'IA entro il 2030, e l'Italia ne ha coperto solo il 21,9% [17].

Perché è importante. Un manager deve leggere insieme livello e tendenza. L'Italia è indietro, ma sta recuperando terreno in fretta. Per capire perché è partita così indietro serve un po' di storia.

3.2 Uno sguardo lungo: quattro rivoluzioni industriali

Il concetto. Gli storici economici usano l'idea di rivoluzioni industriali successive per descrivere come nuove fonti di energia e nuove tecnologie riorganizzino intere società, non solo le fabbriche.

Klaus Schwab, fondatore del World Economic Forum, ne descrive quattro [18]:

La prima (fine Settecento): vapore, carbone, tessile meccanizzato. Comincia in Gran Bretagna.
La seconda (dal 1870 circa): elettricità, acciaio, chimica, produzione di massa. La guidano Germania e Stati Uniti.
La terza (dagli anni Sessanta): elettronica, computer, internet.
La quarta: fusione di sistemi fisici, digitali e biologici.

L'IA generativa è il volto più visibile della quarta. Le rivoluzioni precedenti hanno moltiplicato ciò che potevano fare i nostri muscoli; questa moltiplica ciò che può fare la nostra mente. Come ho scritto sul blog AI4TL, per gran parte del secolo scorso il progresso tecnologico ha coinciso con il progresso dell'hardware. Quell'epoca si sta chiudendo, e il baricentro si sposta verso il software e i modelli [19].

3.3 La storia industriale italiana: in ritardo, poi brillante

Il concetto. La storia italiana dimostra che partire in ritardo non condanna un paese a restare indietro. Conta la capacità di costruire le istituzioni che permettono alle innovazioni di crescere di scala.

L'Italia arrivò tardi alle prime due rivoluzioni industriali, per ragioni documentate da Vera Zamagni [20]. Non aveva quasi carbone, e più tardi puntò sull'energia idroelettrica delle Alpi, il carbone bianco. All'Unità, nel 1861, la maggioranza degli italiani non sapeva leggere né scrivere. La sua industrializzazione, concentrata nel triangolo Milano–Torino–Genova, è un caso da manuale di sviluppo tardivo nel senso di Gerschenkron: banche e Stato svolsero il ruolo che altrove avevano avuto gli imprenditori privati [15].

Nella terza rivoluzione l'Italia fu per un momento alla frontiera mondiale. Con Adriano Olivetti, l'azienda di Ivrea costruì l'Elea 9003 (1959), uno dei primi computer commerciali interamente a transistor, progettato da un gruppo guidato dall'ingegnere Mario Tchou. Nel 1965 lanciò la Programma 101, spesso considerata il primo computer da tavolo di successo commerciale. Ma Adriano Olivetti morì nel 1960 e Tchou nel 1961, e la divisione elettronica fu venduta nel 1964. Lorenzo Soria la definì un'occasione perduta [21].

Perché è importante. La lezione per chi studia management è chiara: all'Italia non è mai mancato il talento, le è mancato spesso l'ecosistema per far crescere le proprie innovazioni.

3.4 Gli ostacoli quotidiani: competenze, lingua, talento

Il concetto. Le tecnologie avanzate poggiano su fondamenta tutt'altro che avanzate: competenze digitali di base, una lingua di lavoro condivisa, sistemi amministrativi semplici da usare.

Competenze digitali. Secondo il rapporto 2025 della Commissione europea sul Decennio Digitale, solo il 45,8% degli italiani ha almeno competenze digitali di base, lontano dall'obiettivo UE dell'80% entro il 2030. I divari sono ampi tra chi ha un'istruzione più bassa, ma anche tra i giovani [22].
Lingua. L'AI Index 2026 osserva che l'IA funziona meglio in inglese, e che nelle altre lingue i divari di prestazione sono più ampi di quanto suggeriscano i benchmark globali [1]. Per questo contano strumenti di valutazione specifici per l'italiano come ITALIC, un benchmark "culturalmente consapevole" di 10.000 domande su 12 ambiti [1]. Ed è per questo che un buon inglese resta, per voi, un moltiplicatore di carriera.
Talento. L'AI Index conta in Italia 22,43 autori e inventori di punta nell'IA ogni 100.000 abitanti, contro 110,45 in Svizzera e 58,10 in Germania. È il valore più basso tra i 15 paesi presenti nel grafico [1].

3.5 Industria 4.0 e chi guida questa rivoluzione

Il concetto. La politica industriale può far comprare macchinari in fretta. Cambiare il modo in cui un'impresa pensa richiede molto più tempo.

In Italia l'espressione "quarta rivoluzione industriale" si è diffusa con il Piano Nazionale Industria 4.0 del 2016. I suoi incentivi fiscali, tra cui l'iperammortamento, premiavano gli investimenti in macchinari connessi [23]. In seguito il piano è diventato Transizione 4.0 e poi 5.0. Questi strumenti hanno funzionato: nel 2025 il 79,5% delle PMI italiane aveva almeno un livello "base" di digitalizzazione [17]. Molte imprese, però, hanno vissuto Industria 4.0 come un'opportunità fiscale più che come un cambiamento del proprio modo di lavorare.

A differenza delle ferrovie o dell'elettrificazione, l'ondata dell'IA generativa è guidata soprattutto da imprese private: nel 2025 l'industria ha prodotto oltre il 90% dei modelli rilevanti [1]. Mariana Mazzucato ci ricorda però che internet, il GPS e gran parte della ricerca alla base delle reti neurali sono stati finanziati dai contribuenti [24]. L'investimento pubblico in istruzione e ricerca resta decisivo. Come ho scritto sul blog Life is a Journey of Learning, i programmi finanziati dal PNRR potrebbero trasformare l'Italia da paese della fuga dei cervelli a "motore di competenze", a condizione che università e studenti colgano l'occasione [25]. Il Politecnico di Milano avverte che la fine dei fondi PNRR, in assenza di un piano strategico che li sostituisca, rischia di vanificare questi progressi [5].

Parte 4. Italia: crescita rapida, grandi divari, poca misurazione

4.1 Il divario delle piccole imprese

Il concetto. L'economia italiana si regge su piccole imprese familiari. Una tecnologia che premia la scala colpisce l'Italia più duramente dei paesi dominati da grandi gruppi.

I dati Istat [17]:

il 53,1% delle grandi imprese italiane usa l'IA (era il 32,5% nel 2024);
tra le PMI la quota è raddoppiata, ma solo dal 7,7% al 15,7%;
una grande impresa ha oggi più di tre volte le probabilità di una PMI di usare l'IA;
il divario si allarga: circa 20 punti percentuali nel 2023, 25 nel 2024, 37 nel 2025. Nello stesso periodo quasi tutti gli altri divari digitali tra grandi e piccole imprese si sono ridotti;
il Nord-Ovest è in testa, salito dall'8,9% al 19,3%.

Il Politecnico di Milano riporta cifre diverse: 71% delle grandi imprese e solo 8% delle PMI. La differenza dipende da ciò che si misura: il Politecnico conta i progetti di IA, cioè soluzioni su misura che usano dati aziendali, non il semplice uso di uno strumento [5]. La direzione però è la stessa. Anche il quadro globale coincide: secondo il rapporto McKinsey State of AI 2026, la quota di grandi organizzazioni che portano su scala gli agenti IA è passata dal 27% al 40% in un anno, mentre tra le imprese più piccole è rimasta ferma al 22% [30].

Una nota metodologica che un manager deve conoscere. Queste indagini escludono le imprese con meno di dieci addetti, che sono la grande maggioranza delle imprese italiane. Il divario reale è quindi probabilmente più ampio di quello misurato.

Perché è importante per voi. C'è un lato positivo. Centinaia di migliaia di PMI avranno bisogno di persone capaci di portare l'IA nel marketing, nella contabilità, nella logistica e nel design. Non si tratta di costruire modelli, ma di applicarli. Questa potrebbe essere la descrizione del vostro primo lavoro.

4.2 Il mercato e il +93% degli annunci di lavoro

Il concetto. Il segnale più chiaro che una tecnologia è uscita dalla fase dell'entusiasmo è quando entra nelle descrizioni dei posti di lavoro.

Nel 2025 il mercato italiano dell'IA ha raggiunto 1,8 miliardi di euro, con una crescita del 50%; il 46% del totale viene da soluzioni di IA generativa o da progetti ibridi [5]. Il Politecnico, con Lightcast, ha analizzato 3,2 milioni di annunci di lavoro online pubblicati in Italia: circa 44.000 richiedevano competenze di IA, il 93% in più in un anno. Queste competenze compaiono nel 76% degli annunci per profili impiegatizi altamente qualificati, nel 27% di quelli per Chief HR Officer e nel 12% di quelli per Chief Marketing Officer [5]. I 44.000 annunci sono circa l'1,4% del totale, un dato coerente con la stima di Stanford secondo cui le competenze di IA sono richieste nell'1,33% degli annunci italiani, contro il 3,31% della Spagna [1].

Perché è importante. Le "competenze di IA" non sono più un requisito riservato agli ingegneri. Stanno diventando ciò che per le generazioni precedenti erano "buona conoscenza di Excel" o "inglese fluente".

4.3 Ciò che non si misura: l'uso produttivo

Il concetto. Le statistiche orientano le politiche, e ciò che lasciano fuori può contare quanto ciò che includono. Le indagini ufficiali registrano se un'impresa usa l'IA, non se quell'uso crea valore.

L'Istat offre un indizio rivelatore. Nel 2025 il 33,4% delle imprese italiane che usano l'IA non ha indicato alcun ambito aziendale in cui la impiega, contro il 15,5% del 2024; l'83,3% di queste è costituito da piccole imprese [17]. L'Istat parla di un'adozione "sempre più diffusa ma ancora poco strutturata", in una fase iniziale e sperimentale [17]. Tra le grandi imprese che usano l'IA generativa, solo il 54% prova a misurarne i benefici, quasi sempre raccogliendo il parere dei dipendenti, e solo l'11% lo fa in modo periodico e strutturato [5].

Le ricerche internazionali spiegano perché misurare è decisivo. Il progetto NANDA del MIT ha riportato che il 95% delle organizzazioni non vede un impatto misurabile sul conto economico dai progetti pilota di IA generativa, nonostante investimenti aziendali tra 30 e 40 miliardi di dollari [26]. Gli studi controllati su compiti specifici mostrano invece guadagni notevoli:

Assistenza clienti: un assistente IA ha aumentato la produttività del 14% in media, e molto di più per gli operatori meno esperti [27].
Consulenza: i consulenti di Boston Consulting Group che usavano GPT-4 hanno lavorato meglio sui compiti dentro le capacità dell'IA, ma peggio su un compito appena fuori. Gli autori la chiamano "frontiera tecnologica frastagliata" [28].
Scrittura professionale: ChatGPT ha ridotto i tempi di circa il 40% e ha migliorato la qualità [29].

I lavoratori italiani confermano. Il 39% dichiara che l'IA gli ha fatto risparmiare più di 30 minuti nelle ultime due attività in cui l'ha usata. Ancora più interessante: il 41% dice che grazie all'IA svolge attività che altrimenti non saprebbe fare, o saprebbe fare solo in parte [5].

Concetto chiave. Il valore dell'IA si crea a livello di singolo compito ma si perde a livello di impresa. Colmare questa distanza è un lavoro di management, e un neolaureato può farlo.

4.4 Il rompicapo del ROI: due filtri e tre lenti

Il concetto. Il ritorno sull'investimento (ROI) è la lingua in cui decidono i consigli di amministrazione. Il calcolo classico presuppone costi, benefici e tempi stabili, e l'IA non garantisce nessuno dei tre. La soluzione non è rinunciare a misurare, ma misurare con più disciplina.

Circa una grande impresa italiana su tre fatica a stimare in anticipo il rapporto tra costi e benefici [5]. In un recente schema di lavoro ho proposto che, prima di qualsiasi calcolo, si applichino due filtri [11]:

Coerenza strategica: quale obiettivo serve il progetto? Accelerare la produzione, alleggerire il carico di lavoro, migliorare la qualità o ridurre i costi di sviluppo?
Idoneità del compito: l'IA sa svolgere quel compito in modo affidabile, solo in parte, o non ancora? Poiché la frontiera si sposta ogni mese, la verifica va ripetuta periodicamente.

Solo i progetti che superano entrambi i filtri meritano un'analisi con tre lenti, da usare in sequenza [11]:

Confronto dei costi di processo (efficienza). Un confronto prima/dopo. In un caso, un'impresa manifatturiera che ha automatizzato la gestione delle fatture ha ridotto i costi annui da 30.080 a 11.632 euro. Con un costo di integrazione di 8.000 euro, il ROI è stato del 53% il primo anno e del 159% il secondo, con rientro dell'investimento in sette mesi.
Moltiplicatore di produttività (crescita). Misura il valore della capacità liberata. Una società di servizi professionali ha ridotto del 35% il tempo di ricerca, permettendo a dieci consulenti di gestire 80 progetti in più: 272.000 euro di margine lordo aggiuntivo e un ROI del 71% nel primo anno. Quando l'IA rende possibile un servizio che prima non esisteva, il costo opportunità è basso.
VAN corretto per il rischio (strategia). Un valore attuale netto su 12–36 mesi con pesi probabilistici, per esempio 20% di successo, 30% di successo parziale e 50% di fallimento. Permette di confrontare un progetto di IA con investimenti non legati all'IA.

Lo schema raccomanda di ricalcolare il ROI ogni sei mesi e di considerare la pulizia dei dati come un costo principale fin dall'inizio [11].

Perché è importante. L'incertezza non è una scusa per rinunciare al rigore. Chi impara a misurare presto, anche in modo approssimativo, sarà il primo a capire quali progetti meritano di crescere.

4.5 Shadow AI: l'adozione nascosta

Il concetto. Le regole arrivano sempre dopo i comportamenti. Si parla di "shadow AI" quando i dipendenti usano strumenti di IA senza che l'azienda lo sappia o lo approvi. È la distanza tra ciò che l'organizzazione permette e ciò che le persone fanno davvero.

Secondo il MIT, i lavoratori di oltre il 90% delle aziende usano strumenti di IA personali, mentre solo il 40% delle aziende ha abbonamenti ufficiali a un LLM [26]. In Italia solo il 19% di chi usa l'IA lo fa esclusivamente con strumenti aziendali. Tra le grandi imprese, il 24% vieta gli strumenti di IA generativa non forniti dall'organizzazione, e solo quattro su dieci hanno definito linee guida d'uso [5]. La mia ipotesi è che nelle piccole imprese l'uso nascosto sia ancora più intenso: raramente hanno regole o un reparto IT, ma tutti i dipendenti hanno uno smartphone. Se è così, le statistiche ufficiali sottostimano l'uso reale dell'IA nelle PMI italiane.

I rischi sono concreti: dati riservati incollati in strumenti pubblici, qualità disomogenea, responsabilità poco chiare. Si tratta però di un problema di transizione: quando l'IA sarà integrata nei software di uso comune, l'uso nascosto diventerà uso normale.

Perché è importante per un manager. Il compito dell'azienda è fornire strumenti sicuri, regole semplici e formazione. Il vostro è essere il dipendente che usa l'IA in modo trasparente, responsabile e competente.

Parte 5. Perché l'Europa è in ritardo

5.1 La diagnosi di Draghi

Il concetto. La competitività di un'economia dipende meno dalla singola invenzione che dalla capacità di trasformare le invenzioni in imprese che crescono.

A settembre 2024 Mario Draghi ha presentato alla Commissione europea il rapporto The Future of European Competitiveness [31]. La sua diagnosi in sintesi:

l'Europa ha perso la rivoluzione digitale e ha poche grandi imprese tecnologiche;
i suoi mercati sono frammentati in regole nazionali e mercati dei capitali separati;
le start-up promettenti si trasferiscono negli Stati Uniti per trovare finanziamenti;
l'Europa è bloccata in una "trappola della tecnologia intermedia": eccelle in settori maturi come l'automobile e investe poco nelle tecnologie di rottura.

Il rapporto contiene 383 raccomandazioni e stima un fabbisogno di investimenti aggiuntivi di 750–800 miliardi di euro l'anno, pari a circa il 4,4–4,7% del PIL dell'UE [31].

La dimensione del divario è impressionante. Nel 2025 gli investimenti privati in IA hanno raggiunto 285,9 miliardi di dollari negli Stati Uniti e 20,92 miliardi in tutta Europa [1]: gli Stati Uniti investono quasi quattordici volte più dell'Europa.

5.2 Il divario di attuazione

Il concetto. Fare una diagnosi è facile; metterla in pratica è difficile, soprattutto quando devono mettersi d'accordo 27 governi.

La Commissione ha risposto con la Bussola per la competitività di gennaio 2025 [32] e con l'AI Continent Action Plan, che prevede "AI factories" e "gigafactories", grandi centri di calcolo per addestrare ed eseguire modelli [33]. L'Italia ospita una di queste AI factory, al CINECA di Bologna. L'attuazione però è lenta. Un anno dopo il rapporto, secondo l'European Policy Innovation Council, solo l'11,2% delle 383 raccomandazioni era stato attuato pienamente; a luglio 2026 si era arrivati al 15,7%, e le raccomandazioni su digitale e ricerca erano tra le più lente [34].

5.3 L'AI Act: scudo o freno?

Il concetto. Ogni regola è un compromesso tra protezione e libertà di sperimentare. La vera domanda non è se regolare l'IA, ma se l'Europa abbia trovato il giusto equilibrio.

L'AI Act (Regolamento UE 2024/1689), in vigore dal 1° agosto 2024, classifica i sistemi di IA in base al rischio [35]:

Livello di rischio	Esempio	Regime
Inaccettabile	punteggio sociale (social scoring)	vietato da febbraio 2025
Alto	selezione del personale, istruzione, credito, infrastrutture critiche	obblighi stringenti
Limitato	chatbot	obblighi di trasparenza
Minimo	filtri antispam	sostanzialmente libero

A novembre 2025 la Commissione ha proposto un pacchetto "Digital Omnibus", motivandolo con la mancanza di norme tecniche e con i ritardi nella nomina delle autorità nazionali [36]. Con l'accordo di maggio 2026, le regole per i sistemi ad alto rischio si applicheranno dal 2 dicembre 2027 per i sistemi autonomi e dal 2 agosto 2028 per quelli integrati in prodotti [37]. Con la Legge 132/2025 l'Italia è diventata il primo Stato membro a dotarsi di una legge nazionale sull'IA accanto all'AI Act [38], [1].

Momento in aula, dibattito lampo. Dividetevi in due gruppi: uno sostiene che l'AI Act è uno scudo, l'altro che è un freno. Due minuti per gruppo.

Argomenti a favore dello scudo:

protegge i cittadini da algoritmi di selezione discriminatori, deepfake e sorveglianza;
dà alle imprese un'unica regola per 27 mercati;
per il cosiddetto "effetto Bruxelles" descritto da Anu Bradford, le regole europee diventano spesso standard globali [39];
nei 25 paesi esaminati, in media il 53% delle persone si fida dell'UE come regolatore dell'IA, contro il 37% per gli Stati Uniti e il 27% per la Cina [1];
come ho discusso su AI4TL, secondo Barack Obama l'autolimitazione volontaria dei laboratori è un rimedio temporaneo, non una soluzione [40].

Argomenti a favore del freno:

i costi di adeguamento pesano soprattutto sulle PMI, cioè proprio sulla struttura produttiva italiana;
tra le imprese italiane che hanno valutato l'IA senza poi adottarla, il 47,3% indica la mancanza di chiarezza sulle conseguenze legali, contro il 40,1% del 2023 [17]; nell'UE la quota è del 52,52% [16];
Draghi avverte che l'Europa regola tecnologie che non produce [31];
i rinvii stessi suggeriscono che il calendario iniziale era troppo ambizioso [37].

La mia posizione. L'AI Act è una cornice necessaria, ma non è una strategia sufficiente. La regolazione può rendere l'IA affidabile; solo investimenti, mercati integrati e competenze possono rendere l'Europa competitiva.

Perché vi riguarda direttamente. Dal febbraio 2025 l'articolo 4 dell'AI Act obbliga le organizzazioni che usano l'IA a garantire che il personale abbia un livello sufficiente di alfabetizzazione sull'IA (AI literacy) [35]. I vostri futuri datori di lavoro sono obbligati per legge a preoccuparsi di quanto capite l'IA. Oltre metà delle grandi imprese italiane ha già avviato iniziative di alfabetizzazione, ma solo il 15% ha un progetto strutturato di adeguamento [5].

Parte 6. Il vostro ruolo nell'economia dell'IA

6.1 Che cosa intendono le aziende per "competenze di IA"

Il concetto. Una competenza conta solo se sapete descriverla con precisione. Oggi "competenze di IA" è una delle espressioni più vaghe negli annunci di lavoro.

Il Future of Jobs Report 2025 del World Economic Forum, basato su oltre 1.000 datori di lavoro, prevede entro il 2030 170 milioni di posti creati e 92 milioni eliminati, con un saldo positivo di 78 milioni. Prevede inoltre che cambi il 39% delle competenze fondamentali dei lavoratori. IA e big data sono in testa alle competenze in più rapida crescita, insieme a pensiero creativo, resilienza e apprendimento continuo [41]. Il 63% dei datori di lavoro indica il divario di competenze come il principale ostacolo alla trasformazione [41]. IBM segnala una discrepanza rivelatrice: l'86% dei CEO pensa che i propri dipendenti sappiano collaborare con l'IA, ma solo il 25% dei lavoratori la usa regolarmente [42].

In pratica, l'espressione copre tre livelli:

Alfabetizzazione sull'IA: sapere che cosa gli strumenti sanno e non sanno fare, comprese le "allucinazioni" (fatti inventati con sicurezza), i pregiudizi e i rischi per la privacy.
Uso applicato: saper scrivere buone istruzioni, verificare i risultati, combinare l'IA con fogli di calcolo e documenti e, sempre più spesso, supervisionare agenti IA. IBM sottolinea l'importanza di definire obiettivi e limiti degli agenti, controllarne le azioni e sapere quando serve un'approvazione umana [42].
Competenze tecniche: data science, programmazione, machine learning e messa in produzione dei modelli. Servono a un gruppo più ristretto di specialisti.

Quasi nessuno di voi ha bisogno del terzo livello; tutti avete bisogno del primo e del secondo. Le aziende che usano l'IA per potenziare le persone anziché sostituirle tendono a costruire organizzazioni più solide [43]. Lo stesso Huang dice che essere circondato da capacità "sovrumane" gli dà la forza di affrontare «more and more ambitious things» («cose sempre più ambiziose») [43]. Ricordate la frontiera frastagliata [28]: la competenza più preziosa è il giudizio, e il giudizio nasce dalla conoscenza del proprio settore.

Un avvertimento per i neolaureati. Negli Stati Uniti l'occupazione degli sviluppatori software tra i 22 e i 25 anni è scesa di quasi il 20% rispetto al 2024, mentre quella dei colleghi più anziani continuava a crescere [1]. I compiti da junior sono i più facili da automatizzare. Il vostro vantaggio deve essere ciò che raramente si chiedeva a un junior: saper dirigere, controllare e integrare il lavoro dell'IA.

6.2 Come dimostrare a un datore di lavoro che avete queste competenze

Scrivere "competenze di IA" nel CV non dimostra nulla. Le prove di risultati sì.

Costruite un piccolo portfolio. Risolvete con l'IA due o tre problemi reali presi dallo studio, da un lavoro part-time o dall'impresa di famiglia. Documentate che cosa avete provato, che cosa non ha funzionato e come avete verificato i risultati.
Ottenete una micro-certificazione. Elements of AI dell'Università di Helsinki è gratuito e disponibile in italiano [45].
Dimostrate un uso responsabile. Spiegate che verificate le fonti, proteggete i dati riservati e conoscete le basi dell'AI Act. Un'azienda preoccupata per la shadow AI lo noterà.
Parlate di risultati, non di strumenti. «Ho ridotto la preparazione del report settimanale da tre ore a quaranta minuti» vale molto più di «uso ChatGPT».
Esercitatevi in inglese. Raddoppia il rendimento degli strumenti di IA.

È il principio dell'imparare facendo. Sul mio blog, insieme a due studenti, abbiamo sostenuto che la scuola italiana insegna l'economia aziendale ma raramente lascia agli studenti la possibilità di fare impresa [44]. L'IA si impara allo stesso modo.

6.3 Che cosa significa per le vostre scelte di studio

Scegliere un percorso per sfuggire all'IA è una strategia perdente; sceglierne uno che l'IA può moltiplicare è una strategia vincente. Studiate ciò che vi appassiona davvero, perché è la conoscenza profonda che vi permette di capire se un risultato dell'IA è corretto. Poi aggiungete alfabetizzazione sui dati, uso applicato dell'IA e inglese. Pensate all'IA come a un moltiplicatore della vostra disciplina:

l'economista che automatizza l'analisi dei dati;
il laureato in lingue che supervisiona la traduzione automatica;
il laureato in turismo che progetta itinerari personalizzati;
l'ingegnere che conosce sia le macchine sia i modelli che le monitorano.

Per una piccola impresa italiana, uno storico o un giurista che usa bene l'IA può valere più di un programmatore mediocre.

6.4 Esercizio: l'IA nel vostro campo (3 minuti)

Momento in aula. Completate questa frase in chat: «Nel mio campo di studi, l'IA potrebbe essere usata per ______.» Siate specifici: non "per aiutare nella ricerca", ma "per confrontare 200 sentenze sugli sfratti e individuare degli schemi ricorrenti".

Poi rispondete a tre domande:

Che cosa deve ancora fare una persona?
Che cosa potrebbe andare storto?
Come verifichereste il risultato?

Ogni buona risposta coinvolge sia la macchina sia la persona. La macchina porta volume e velocità; voi portate la domanda, il contesto, il giudizio e la responsabilità.

Parte 7. Conclusione: la vostra azione nelle prossime due settimane

Il concetto. Le rivoluzioni tecnologiche premiano chi impara presto, non chi aspetta di avere certezze.

Ricapitoliamo. L'IA generativa è la tecnologia adottata più rapidamente nella storia, ma soprattutto dalle persone. Migliora ogni mese. L'Europa è indietro rispetto a Stati Uniti e Cina, e l'Italia è indietro rispetto all'Europa: usa l'IA generativa un adulto italiano su cinque, contro uno su tre nell'UE [2]. Eppure in un anno l'Italia ha raddoppiato l'adozione nelle imprese [17] e quasi raddoppiato la domanda di competenze di IA [5]. Con Olivetti l'Italia è già stata alla frontiera. Oggi il divario più grande, e l'opportunità più grande, si trova in centinaia di migliaia di piccole imprese che sperimentano senza misurare.

Scrivete una sola azione da completare entro due settimane:

completare il primo capitolo di Elements of AI in italiano [45];
risolvere con l'IA un compito reale del vostro corso e scrivere mezza pagina su che cosa ha funzionato;
confrontare le risposte di un modello chiuso statunitense e di un modello aperto a una stessa domanda del vostro campo;
leggere la sintesi del rapporto Draghi e decidere se siete d'accordo;
chiedere a un piccolo imprenditore, magari un parente, come usa l'IA e se gli servirebbe un aiuto.

Mettete una data accanto all'azione e, se volete, condividetela con me. La vita è un percorso di apprendimento. Ciò che distinguerà chi trarrà vantaggio da questa rivoluzione da chi resterà indietro non sarà la laurea né il talento, ma la scelta di cominciare a imparare adesso, e di non smettere.

Domande di verifica e discussione

Perché l'IA generativa è stata adottata prima dalle persone che dalle organizzazioni? Quali rischi crea questa sequenza per un'impresa?
Spiegate la curva a J della produttività. Perché una PMI potrebbe vedere peggiorare la propria produttività subito dopo aver introdotto l'IA?
Il punteggio sul GPQA è passato dal 39% al 93%. Quali due cautele bisogna considerare prima di trarne conclusioni sul mondo del lavoro?
Perché i dati Istat e quelli del Politecnico sulle grandi imprese italiane sono diversi (53,1% contro 71%)? Che cosa insegna questo sulla lettura delle statistiche?
Applicate i due filtri e le tre lenti a un progetto di IA in un'impresa che conoscete.
L'AI Act è uno scudo o un freno per le PMI italiane? Argomentate con almeno due dati della lezione.

Bibliografia

[1] Sajadieh, S., Fattorini, L., Perrault, R., Gil, Y., Parli, V., et al. (2026). The AI Index 2026 annual report. AI Index Steering Committee, Institute for Human-Centered AI, Stanford University. https://hai.stanford.edu/ai-index/2026-ai-index-report

[2] Eurostat. (2025, 16 dicembre). 32.7% of EU people used generative AI tools in 2025 [Comunicato stampa]. Commissione europea. https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251216-3

[3] Eurostat. (2026, 10 febbraio). 64% of 16–24-year-olds used AI in 2025 [Comunicato stampa]. Commissione europea. https://ec.europa.eu/eurostat/web/products-eurostat-news/w/edn-20260210-1

[4] Microsoft & LinkedIn. (2024, 8 maggio). 2024 Work Trend Index annual report: AI at work is here. Now comes the hard part. Microsoft WorkLab. https://www.microsoft.com/en-us/worklab/work-trend-index

[5] Osservatorio Artificial Intelligence. (2026, 5 febbraio). Artificial Intelligence: adozione, trasformazione, equilibrio [Executive summary]. School of Management e DEIB, Politecnico di Milano. https://www.osservatori.net

[6] Rein, D., Hou, B. L., Stickland, A. C., Petty, J., Pang, R. Y., Dirani, J., Michael, J., & Bowman, S. R. (2023). GPQA: A graduate-level Google-proof Q&A benchmark (arXiv:2311.12022). arXiv. https://arxiv.org/abs/2311.12022

[7] Stanford Institute for Human-Centered Artificial Intelligence. (2025). The 2025 AI Index report. Stanford University. https://hai.stanford.edu/ai-index/2025-ai-index-report

[8] Stimac, B. (2026, 26 febbraio). Nvidia's Jensen Huang says agentic AI has arrived at an "inflection point." CNET. https://www.cnet.com/tech/services-and-software/nvidias-jensen-huang-agentic-ai-inflection-point/

[9] Moore, M. (2026, 2 giugno). "AI is now useful": Nvidia CEO Jensen Huang thinks a new era for AI is here. TechRadar Pro. https://www.techradar.com/pro/ai-is-now-useful-nvidia-ceo-jensen-huang-thinks-a-new-era-for-ai-is-here-and-its-partnership-with-microsoft-could-be-key-for-achieving-it

[10] Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180386

[11] Schram, A. (2026, 28 maggio). Strategic frameworks for calculating ROI of AI investments [Manoscritto non pubblicato].

[12] Epoch AI. (2026, 16 ottobre). Open-weight models trail closed models in cyber capabilities by 6–7 months [Data insight]. https://epoch.ai

[13] Schram, A. (2026, 26 luglio). Bets, debts, and bedrooms: The week the AI economy showed its cracks. AI4TL – Artificial Intelligence for Teaching & Learning. https://ai4tl.blogspot.com/

[14] Schram, A. (2026, 26 luglio). Downloads, breakouts, and golden tickets: Three stories from Moonshots that explain where the world is heading. AI4TL – Artificial Intelligence for Teaching & Learning. https://ai4tl.blogspot.com/

[15] Gerschenkron, A. (1962). Economic backwardness in historical perspective: A book of essays. Belknap Press of Harvard University Press.

[16] Eurostat. (2025, dicembre). Use of artificial intelligence in enterprises. Statistics Explained. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises

[17] Istat. (2025, 15 dicembre). Imprese e ICT – Anno 2025 [Statistica report]. Istituto Nazionale di Statistica. https://www.istat.it

[18] Schwab, K. (2016). The fourth industrial revolution. World Economic Forum.

[19] Schram, A. (2026, 1° settembre). A brief history of technology: From the vacuum tube to the end of Moore's Law. AI4TL – Artificial Intelligence for Teaching & Learning. https://ai4tl.blogspot.com/

[20] Zamagni, V. (1993). The economic history of Italy, 1860–1990. Clarendon Press.

[21] Soria, L. (1979). Informatica: un'occasione perduta. La Divisione elettronica dell'Olivetti nei primi anni del centrosinistra. Einaudi.

[22] Commissione europea. (2025). Italy 2025 Digital Decade country report. https://digital-strategy.ec.europa.eu/en/factpages/italy-2025-digital-decade-country-report

[23] Ministero dello Sviluppo Economico. (2016). Piano nazionale Industria 4.0. Governo italiano.

[24] Mazzucato, M. (2013). The entrepreneurial state: Debunking public vs. private sector myths. Anthem Press.

[25] Schram, A. (2025, 27 dicembre). Italy's education revolution: From brain drain to skills engine by 2026. Life is a Journey of Learning. https://albertschram.blogspot.com/2025/12/italys-education-revolution-from-brain.html

[26] Challapally, A., Pease, C., Raskar, R., & Chari, P. (2025). The GenAI divide: State of AI in business 2025. MIT NANDA.

[27] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044

[28] Dell'Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Working Paper n. 24-013). Harvard Business School.

[29] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586

[30] Schram, A. (2026, 11 ottobre). AI in business in Italy: From pilots to profit. AI4TL – Artificial Intelligence for Teaching & Learning. https://ai4tl.blogspot.com/

[31] Draghi, M. (2024). The future of European competitiveness. Commissione europea. https://commission.europa.eu/topics/eu-competitiveness/draghi-report_en

[32] Commissione europea. (2025a). A competitiveness compass for the EU (COM(2025) 30 final).

[33] Commissione europea. (2025b). AI continent action plan (COM(2025) 165 final).

[34] European Policy Innovation Council. (2026). Draghi Observatory & implementation index [Aggiornamento di luglio 2026]. https://draghiobservatory.org/

[35] Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024, che stabilisce regole armonizzate sull'intelligenza artificiale (Regolamento sull'intelligenza artificiale). (2024). Gazzetta ufficiale dell'Unione europea, L 2024/1689. http://data.europa.eu/eli/reg/2024/1689/oj

[36] Commissione europea. (2025c). Proposal for a regulation amending Regulations (EU) 2024/1689 and (EU) 2018/1139 (Digital Omnibus on AI) (COM(2025) 836 final). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=celex:52025PC0836

[37] Parlamento europeo. (2026). Digital omnibus on AI. Legislative Train Schedule. https://www.europarl.europa.eu/legislative-train/package-digital-package/file-digital-omnibus-on-ai

[38] Legge 23 settembre 2025, n. 132. Disposizioni e deleghe al Governo in materia di intelligenza artificiale. (2025). Gazzetta Ufficiale della Repubblica Italiana.

[39] Bradford, A. (2020). The Brussels effect: How the European Union rules the world. Oxford University Press.

[40] Schram, A. (2026, 20 settembre). Recursive, rapid, unregulated: Obama's warning on AI. AI4TL – Artificial Intelligence for Teaching & Learning. https://ai4tl.blogspot.com/

[41] World Economic Forum. (2025). The future of jobs report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/

[42] IBM. (2024, 20 dicembre; aggiornato il 10 luglio 2026). What is the AI skills gap? IBM Think. https://www.ibm.com/think/insights/ai-skills-gap

[43] 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

[44] Goetz, G., Maddigan, M., & Schram, A. (2026, 8 giugno). Italy teaches business. It's time to let students do business. Life is a Journey of Learning. https://albertschram.blogspot.com/

[45] University of Helsinki & MinnaLearn. (s.d.). Elements of AI [Corso online gratuito]. https://www.elementsofai.com

Followers

Saturday, October 17, 2026

L'IA sta già assumendo: voi dove vi collocate?