In buona sostanza, l’adozione senza una governance definita può diventare un moltiplicatore di rischio, ma un eccesso di prudenza può congelare l’innovazione. Serve, quindi, una via di mezzo: regole chiare, strumenti approvati, formazione diffusa, casi d’uso selezionati e misurabili.
Nella “fabbrica che evolve” l’AI è sempre più percepita come leva competitiva. L’Osservatorio Mecspe fotografa un settore manifatturiero che dichiara un buon livello di maturità digitale (quasi sei aziende su dieci), ma che individua nelle competenze il collo di bottiglia. Tra le priorità di skill digitali segnalate dalle imprese: robotica e automazione intelligente, poi programmazione e sviluppo di AI e machine learning, quindi analisi e gestione dei Big Data.
Insomma, la tecnologia non manca, così come non mancano i vendor, perfino gli incentivi (quando ci sono) spingono gli investimenti. Ma senza persone in grado di progettare e far funzionare il cambiamento l’AI rischia di restare nel limbo del proof of concept.
Gli elementi abilitanti
A livello strategico il primo discrimine è avere un obiettivo operativo e metriche per misurarlo. L’Osservatorio nota che solo l’8% delle imprese ha metriche consolidate per misurare l’impatto del digitale: senza obiettivi, l’AI resta “cool tech”. In ogni caso si tratta di un approccio integrato che rimetta in discussione flussi, attività e responsabilità, in buona sostanza l’organizzazione aziendale nel suo complesso, come sottolinea anche il Mit. Se no la tecnologia rischia di finire fuori giri: le progettualità di successo in Italia nascono proprio da scelte di process re engineering e integrazione applicativa.
Ma il vero nodo è rappresentato dai dati, come già sottolineato. Quasi tutte le Pmi e molte grandi aziende inciampano qui: dati sparsi, non puliti, non versionati: data strategy, cataloghi e pipeline industriali sono prerequisiti per scalare, insieme a regole etiche/AI Act e policy contro la shadow AI.
