Dove l’AI crea valore davvero nelle imprese italiane

Nel 2026 la differenza non è tra chatbot “migliore” e “peggiore”, ma tra uso isolato dei modelli, AI incorporata nei software e metodo di adozione aziendale.

di Andrea Viliotti e Framework GDE

Freeze osservazionale: 19 marzo 2026 · Italia, finestra 2024 → 19 marzo 2026

Nel 2025 e all’inizio del 2026 l’adozione dell’intelligenza artificiale nelle imprese italiane accelera, ma accelera in modo diseguale. Istat segnala che nel 2025 il 16,4% delle imprese con almeno 10 addetti usa almeno una tecnologia di AI, contro l’8,2% del 2024 e il 5,0% del 2023; tra le grandi imprese la quota sale al 53,1%, mentre le PMI restano molto più indietro. Nello stesso tempo la Banca europea per gli investimenti colloca l’Italia sotto la media europea: solo il 20% delle imprese dichiara di adottare AI contro il 37% nell’UE. Il quadro, dunque, non è di ritardo statico, ma di polarizzazione: pochi si muovono molto, molti ancora poco.

AI nelle imprese italiane 2026

Per i decisori, però, la domanda utile non è quale piattaforma “vince” in astratto tra ChatGPT, Claude e Gemini. La domanda utile è un’altra: in quali contesti i modelli standalone generano produttività individuale, in quali contesti il valore si sposta nelle suite software dei grandi vendor, e quale metodo consente di trasformare una licenza in risultato osservabile. L’evidenza pubblica oggi porta a una conclusione netta: non emerge un vincitore assoluto per marchio; emerge invece un pattern vincente di adozione.

Numeri chiave
16,4%	quota di imprese italiane con almeno una tecnologia AI. Periodo: 2025. Fonte: Istat.
53,1%	quota di grandi imprese italiane che usano AI. Periodo: 2025. Fonte: Istat.
83,6%	quota di imprese che ancora non usa AI. Periodo: 2025. Fonte: Istat.
84%	grandi imprese che hanno acquistato licenze GenAI ready-to-use. Periodo: 2025. Fonte: Politecnico di Milano.
9%	grandi imprese con governance AI già strutturata. Periodo: 2025. Fonte: Politecnico di Milano.
20% vs 37%	adozione AI nelle imprese italiane rispetto alla media UE. Periodo: 2025. Fonte: BEI/EIB.

Anno	Snodo
2024	La GenAI entra nel lessico operativo di molte grandi imprese, ma resta spesso confinata a pilot e gruppi di early adopters.
2025	La corsa alle licenze accelera: nelle grandi aziende prevale l’acquisto di strumenti pronti all’uso, mentre governance e pervasività restano indietro.
Inizio 2026	Il discrimine non è più la curiosità verso il modello, ma la capacità di collegare AI, dati, permessi, workflow e responsabilità di funzione.

L’Italia accelera, ma non ha ancora industrializzato l’AI

I numeri ufficiali mostrano che il tema ha superato la fase della pura sperimentazione. Istat rileva che, tra le imprese che già adottano AI, oltre la metà usa anche GenAI e che i casi d’uso più diffusi sono l’estrazione di conoscenza da testi e documenti e gli strumenti generativi. Questo è un passaggio importante: dice che l’AI in Italia non è più solo analytics tradizionale o automazione statistica, ma entra nella gestione quotidiana dell’informazione aziendale.

Il punto, però, è che la diffusione delle licenze cresce più in fretta della capacità di assorbimento organizzativo. L’Osservatorio del Politecnico di Milano fotografa bene questo scarto: l’84% delle grandi imprese ha comprato licenze ready-to-use di GenAI e il 60% ha almeno un’iniziativa GenAI, ma solo una su cinque mostra una buona pervasività trasversale su più funzioni e appena il 9% dichiara una governance già strutturata. In altre parole, l’Italia sta comprando accesso all’AI più velocemente di quanto stia costruendo un vero sistema operativo aziendale per usarla.

Qui entra un secondo dato, meno citato ma cruciale. La Banca d’Italia, su imprese italiane con almeno 50 addetti nei settori industriali e nei servizi non finanziari privati, osserva che l’adozione dell’AI aumenta produttività e redditività e sposta il lavoro verso profili più qualificati senza un effetto negativo sull’occupazione complessiva. La direzione, quindi, è positiva. Ma il beneficio non è automatico: si materializza quando l’AI entra in un contesto di processo e di competenze, non quando resta un oggetto separato dal modo in cui l’impresa lavora.

Grafico 1 — Quota di imprese italiane con almeno una tecnologia di AI. Periodo: 2023–2025. Fonte: Istat.

Grafico 2 — Adozione AI nel 2025 per classe dimensionale. Periodo: 2025. Fonte: Istat.

Grafico 3 — Grandi imprese italiane: maturità GenAI osservata. Periodo: 2025. Fonte: Politecnico di Milano.

Tre livelli che il dibattito continua a confondere

Il primo livello è il modello standalone: ChatGPT, Claude e Gemini usati come assistenti, cioè come interfacce cognitive per scrivere, sintetizzare, interrogare documenti, preparare riunioni, analizzare materiale testuale, fare coding o prototipazione. Qui il beneficio è spesso rapido, perché il costo di accesso è basso e il valore si vede subito sul singolo knowledge worker.

Il secondo livello è l’AI incorporata nel software già usato dall’azienda: Microsoft 365 Copilot nella produttività quotidiana; Gemini dentro Workspace o Vertex AI nei flussi dati, documentali e di ricerca; SAP Business AI, Build e Joule nei processi ERP; Salesforce Einstein e Agentforce nei flussi commerciali e di servizio; ServiceNow nei workflow operativi e IT. Qui il vantaggio non è soltanto la qualità del modello, ma il fatto che l’AI eredita identità, permessi, documenti, dati e responsabilità già presenti nel sistema.

Il terzo livello è il metodo aziendale: governance, sicurezza, qualità dei dati, ownership dei processi, formazione, librerie di use case, criteri di misurazione. È questo livello a decidere se l’AI resta una produttività individuale diffusa ma non governata, oppure diventa leva di processo e, quindi, di vantaggio competitivo. Nel lessico GDE, è un problema di equilibrio: capacità cognitiva del modello, attrito di integrazione e qualità del governo organizzativo devono crescere insieme; se uno dei tre fattori rimane indietro, il valore si disperde.

Schema 1 — Dove nasce il valore: modello, software e metodo in equilibrio. Periodo: lettura strutturale del 2026. Fonte: elaborazione GDE su fonti pubbliche congelate.

Come leggere il confronto

• Il confronto è costruito per use case, funzione e contesto, non per logo o notorietà del vendor.

• Sono separati tre livelli: modelli standalone; AI incorporata nelle suite software; metodo aziendale di adozione.

• I casi pubblici italiani hanno priorità. Dove mancano, gli esempi esteri restano benchmark separati e non vengono usati per incoronare un vincitore nazionale.

• La graduatoria assoluta tra ChatGPT, Claude e Gemini in Italia è bloccata: l’evidenza pubblica comparabile non basta. Il confronto utile resta quello tra pattern d’uso.

ChatGPT, Claude e Gemini: differenze reali, ma non assolute

Se si guarda alle piattaforme pure, le differenze ci sono, ma sono differenze di posizionamento e di contesto più che di “vittoria” universale. L’errore da evitare è proiettare sull’impresa la logica del test individuale: in azienda non vince il modello che impressiona di più in una demo, vince la combinazione che regge meglio dati, workflow, sicurezza, adozione e costo di coordinamento.

Piattaforma	Punto di forza osservato	Dove perde trazione	Forza dell’evidenza in Italia
ChatGPT	Forte come assistente generalista e motore di sperimentazione rapida su scrittura, sintesi, analisi e coding.	Quando non è collegato a dati, permessi e workflow aziendali, il valore resta spesso locale al singolo team.	Media: grande visibilità d’uso, meno casi italiani pubblici con outcome di impresa comparabili.
Claude	Particolarmente credibile nei contesti di reasoning approfondito, lungo contesto, coding e setup enterprise più controllati.	In Italia la traccia pubblica di casi aziendali nominativi è più sottile; la sua forza emerge più come scelta specialistica che come storia di adozione diffusa.	Debole-media: buon posizionamento enterprise, pochi casi italiani pubblici verificabili.
Gemini	Molto forte quando il problema è documentale, multimodale, di ricerca e agent building nel perimetro Google.	Rende meno come scelta “universale” se l’azienda non vive già in uno stack Google o in un contesto data-intensive.	Media: in Italia si vedono casi pubblici più leggibili in ambito dati, search e rischio.

Tabella 1 — Lettura comparativa delle piattaforme pure nel perimetro italiano. Fonte: elaborazione GDE su fonti pubbliche congelate.

Per ChatGPT, il segnale più forte non è tanto un set di case study italiani pubblici già consolidati, quanto il pull dell’utente e la versatilità. ChatGPT continua a essere la porta d’ingresso più naturale per molte funzioni di staff, per la prototipazione, per la produzione rapida di prime bozze e per il lavoro cognitivo non strutturato. In molte aziende italiane è il primo strumento che i team vogliono usare, anche quando poi il percorso enterprise viene instradato altrove.

Claude, al contrario, appare più spesso come opzione di qualità per team tecnici, engineering, analisi e contesti dove la profondità di ragionamento, la lunghezza del contesto e le esigenze di controllo contano molto. Ma, proprio perché la sua presenza pubblica in casi italiani è più limitata, oggi sarebbe improprio dichiararlo “migliore” per il mercato italiano nel suo complesso.

Gemini è la piattaforma che, nel perimetro italiano pubblico disponibile, mostra con più chiarezza un fitting forte nei casi documentali e data-intensive. Intesa Sanpaolo racconta l’uso di Gemini 1.5 su Vertex AI per estrarre informazioni da dati di rischio e sicurezza, liberando ore di attività ripetitive degli analisti. È un indizio importante: Gemini non emerge tanto come chatbot generico, ma come componente di una architettura di lavoro su dati, documenti, ricerca e agenti.

Dove le suite software stanno battendo i chatbot isolati

La parte più solida dell’evidenza pubblica italiana non arriva dai modelli standalone presi da soli. Arriva dalle suite software che incorporano l’AI nei flussi quotidiani. È qui che i risultati diventano più misurabili, perché si spostano da un “aiuto a pensare” a un cambiamento nel modo in cui l’azienda lavora.

Nel mondo Microsoft il pattern è molto chiaro. Bracco ha coinvolto circa 150 utenti di oltre 15 funzioni e ha registrato una propensione alla continuazione superiore all’80%. Reale Mutua è arrivata a oltre 1.000 dipendenti, circa un terzo del personale. SACE comunica un aumento del 25% della produttività nei primi 11 mesi, circa 10 ore al mese risparmiate per utente e un tasso di utilizzo del 97%. Snam ha attivato oltre 1.000 licenze in meno di tre mesi, con più dell’80% di uso mensile e oltre il 50% di uso giornaliero. La lezione è semplice: quando l’AI entra in email, documenti, riunioni, knowledge base e identità digitale, l’adozione scala più facilmente.

Nel perimetro Google il messaggio è diverso ma coerente. Il vantaggio si vede dove la conoscenza è sparsa in grandi volumi documentali, dove servono search, estrazione e agenti su dati proprietari. Intesa Sanpaolo è il caso più leggibile; altri casi italiani pubblici nell’orbita Google mostrano valore soprattutto su assistenti documentali, legal search, publishing e agent building.

Nel software di processo la prova diventa ancora più concreta. De Agostini, su stack SAP, racconta più del 91% di automazione delle fatture con riferimento ordine e 500 ore risparmiate al mese: qui l’AI non è il prodotto, è il moltiplicatore di un processo già digitalizzato. Pirelli, nell’ecosistema Salesforce, mostra come la centralizzazione dei dati commerciali e di relazione con una rete ampia di dealer sia la precondizione perché l’AI diventi rilevante in modo industriale, non ornamentale.

Nei workflow ITSM, collaboration e servizio il potenziale resta alto, ma l’evidenza pubblica italiana è ancora più sporca e meno comparabile: si vedono trasformazioni di piattaforma, miglioramenti di incident management e mappe di servizio, ma più raramente metriche che isolino con chiarezza l’effetto specifico dell’AI. Anche questo è un dato utile: un CFO o un CIO dovrebbe leggere la scarsità di evidenza non come segno di inutilità, ma come invito a pretendere misure di processo più rigorose.

Funzione / contesto	Pattern migliore osservato	Piattaforme tipiche	Perché funziona
Knowledge work di staff	Assistente standalone o copilot di suite	ChatGPT, Claude, Microsoft 365 Copilot, Gemini	Serve velocità cognitiva, non ancora integrazione profonda; conta molto il perimetro di sicurezza.
Email, documenti, meeting, collaborazione	AI incorporata nella suite di produttività	Microsoft 365 Copilot, Google Workspace + Gemini	Qui il valore cresce quando l’AI eredita identità, permessi e conoscenza documentale.
Finance ops, amministrazione, ERP	AI embedded nel sistema di processo	SAP Business AI / Joule / Build, Oracle Fusion AI	Il risultato misurabile nasce quando l’AI tocca il flusso, non quando resta fuori dal gestionale.
Vendite, service, rete commerciale	CRM AI embedded	Salesforce Einstein / Agentforce	L’AI rende di più dove clienti, dealer, opportunità e servizio stanno già in un unico sistema.
Ricerca documentale, search, agenti custom	Cloud-data platform	Vertex AI, Azure AI, AWS Bedrock	È il livello da usare quando l’azienda vuole differenziazione su dati proprietari e processi verticali.

Tabella 2 — Best observed pattern per funzione, use case e contesto. Fonte: elaborazione GDE su casi pubblici italiani.

Il metodo che separa i pilot dai risultati

Le aziende che mostrano risultati pubblici migliori non partono dalla domanda “quale modello compriamo?”, ma da una sequenza più concreta: dove perdiamo tempo, quale decisione o quale passaggio di processo si inceppa, quali dati servono, chi è il proprietario del flusso, come misuriamo il prima e il dopo. Il metodo, prima del marchio, è la vera variabile discriminante.

Da qui discendono cinque regole pratiche. Primo: partire da frizioni reali, non da demo. Secondo: scegliere una combinazione tra assistente cognitivo e software di processo già in uso. Terzo: definire subito perimetro dei dati, permessi e policy. Quarto: accompagnare l’adozione con champions, formazione e librerie di use case. Quinto: misurare effetti di processo — tempi, qualità, rework, adozione reale — invece di accontentarsi del generico “usiamo l’AI”.

È anche la lezione che arriva per analogia dalle ondate precedenti di CRM, BI e RPA. La somiglianza utile è strutturale, non dinamica: il valore grande non nasce dal tool più brillante sul bordo, ma dal momento in cui l’intelligenza entra nel workflow, nei dati e nelle responsabilità. La parte dinamica dell’analogia — quanto rapidamente questo accada in tutti i settori italiani, e con quale rapporto costi-benefici — oggi non è ancora stimabile con forza sufficiente dai soli casi pubblici.

Decision memo
Decisione	Evitare una scommessa monolitica su un solo brand. Adottare un portafoglio a tre strati: assistente cognitivo, AI integrata nel software già in uso, regole di governo e misura.
Perché ora	La domanda interna degli utenti cresce più rapidamente della capacità di governo. Rimandare significa subire shadow AI; correre senza metodo significa pagare licenze senza cambiare i processi.
Dove parte il valore	Due use case di knowledge work ad alta frequenza e un processo ancorato a un sistema-of-record: finance, procurement, sales, document management, service desk.
Errore da evitare	Scambiare l’adozione di licenze per adozione di valore; misurare i prompt e non il processo; affidare la scelta ai soli team entusiasti senza owner di funzione e KPI.

Piano 30/60/90
30 giorni	Selezionare 2 use case di staff e 1 use case di processo; fissare baseline su tempo, qualità e rework; definire owner, dati e permessi; scegliere la coppia modello + software più coerente con lo stack esistente.
60 giorni	Eseguire pilot con community ristretta ma trasversale; creare prompt library e linee guida di verifica; misurare adozione attiva, casi d’uso riutilizzati, qualità degli output e punti di rischio.
90 giorni	Scalare solo i casi con prove di processo; integrare l’AI nei software di lavoro o di record; fermare i pilot decorativi; decidere se serve un livello successivo di agenti custom o se la suite basta.

Rischio	Trigger	Impatto	Mitigazione
Shadow AI	Gli utenti corrono più della governance.	Dati sensibili fuori perimetro, uso non tracciato, reputazione.	Policy minime, identity, scelta di canali enterprise, logging e formazione.
Vendor lock-in confuso con velocità	La comodità della suite viene letta come scelta definitiva.	Rigidità futura, costo di uscita, dipendenza da roadmap altrui.	Architettura per livelli: assistente, process AI, agent layer separati dove serve.
Piloti senza owner di processo	L’adozione parte da team motivati ma non da funzioni responsabili.	Molta curiosità, poco impatto, nessuna estensione difendibile.	Owner nominato, KPI di processo, revisione al giorno 60.
Dati e contenuti non pronti	Documenti dispersi, permessi incoerenti, basi dati deboli.	Output utili ma poco affidabili, bassa fiducia dei manager.	Bonifica minima delle fonti, knowledge permissions, scelta di casi d’uso compatibili col livello dati.

Tabella 3 — Rischi da governare nella fase 2026. Fonte: elaborazione GDE su pattern di adozione osservati.

KPI e trigger per leggere il valore

Tipo	Che cosa misurare	Trigger di lettura
Outcome	Tempo di ciclo del processo target; tasso di rework; qualità al primo passaggio.	Se migliorano senza aumentare il rischio, il caso è candidabile alla scala.
Leading	Utenti attivi mensili; quota di use case riutilizzati; quota di casi con owner di funzione.	Se l’uso resta episodico o senza riuso, il pilot è ancora periferico.
Risk	Incidenti su dati sensibili; escalation per hallucination; dipendenza da un solo fornitore.	Se crescono, la governance è in ritardo rispetto all’adozione.
Osservabilità	Quota di use case con baseline prima/dopo; percentuale di casi legati a sistemi-of-record.	Se manca la misura, il valore resta narrativo e non manageriale.

Cosa monitorare

Cosa monitorare nel 2026: non il ranking astratto tra modelli, ma quattro segnali concreti. Primo, la capacità delle imprese italiane di trasformare licenze GenAI in pervasività e governance; secondo, la crescita dei casi d’uso ancorati a ERP, CRM, collaboration e document management; terzo, la qualità delle metriche interne — tempo, qualità, rework, adozione attiva — con cui i progetti vengono difesi o scartati; quarto, il ritmo con cui anche le PMI troveranno una via sostenibile, probabilmente più attraverso AI incorporata nelle suite che tramite piattaforme custom. KPI Italia da osservare: quota di imprese che usa AI, governance strutturata nelle grandi imprese, diffusione delle licenze con uso attivo e casi di processo con impatto misurato.

Il filo rosso

Il filo rosso non è la superiorità assoluta di una piattaforma sull’altra. È il passaggio da una AI vissuta come interfaccia individuale a una AI che entra nel software, nei dati e nelle responsabilità dell’impresa: per questo i casi italiani pubblici più convincenti sono quelli in cui il modello “scrive” bene, ma soprattutto quelli in cui cambia il lavoro concreto — meno attrito su documenti, più ricerca di conoscenza, più coerenza tra processi e servizio.

Per le imprese italiane, dunque, la strada migliore non è scegliere un marchio come una fede, ma costruire un equilibrio: assistente cognitivo per il lavoro quotidiano, AI incorporata dove esiste già un sistema di processo e una disciplina manageriale che decida cosa scalare e cosa fermare. È lì che l’AI smette di essere una licenza e diventa infrastruttura cognitiva.

Appendice audit e metodo

Appendice audit e metodo. Nel testo pubblico sono stati evitati tag interni e marcatori GDE. Questa appendice rende espliciti freeze, fonti, blocchi di metodo, limiti di inferenza e learning trace.

A. Freeze e perimetro

Campo	Valore
Freeze stamp	19/03/2026 · Europe/Rome
Finestra osservata	2024 → 19/03/2026
Perimetro geografico	Italia multi-settore; benchmark UE/globali separati quando i casi italiani non bastano
Perimetro imprese	Focus medio-grandi; PMI solo se con casi pubblici verificabili
Comparator set core	ChatGPT; Claude; Gemini
Comparator set vendor classi	Productivity/copilot; cloud-data/agent; CRM/ERP/process AI; collaboration/ITSM
Policy numerica	Solo numeri osservati e scoring comparativo auditabile; nessuna probabilità futura, nessun ROI implicito

B. Risposte sostanziali al mandato

Q	Esito
a) Esistono risultati diversi dimostrabili?	Sì. La differenza più dimostrabile è tra AI usata come assistente standalone e AI incorporata nel workflow. La seconda mostra più spesso risultati di processo, adozione scalabile e governo del rischio.
b) Emerge un approccio metodologico migliore?	Sì. Il pattern migliore osservato è: use case-first, suite-aware, process-anchored, governance-first, KPI-driven.
c) Emergono piattaforme/software migliori?	Sì, ma per funzione e contesto. Non emerge un vincitore assoluto tra ChatGPT, Claude e Gemini sul mercato italiano nel suo complesso.
d) Qual è il percorso consigliato per le aziende italiane?	Partire da frizioni e processi reali, scegliere una combinazione coerente di modello e software già in uso, e scalare solo ciò che produce valore misurato.

C. OBS_MAP / DRIVER_COVERAGE_MATRIX

Classe	Attori / nodi	Ruolo
Model provider	OpenAI / Anthropic / Google	Capacità del modello, API, enterprise controls, latenza cognitiva
Suite/workflow vendor	Microsoft / Google / SAP / Salesforce / ServiceNow	Integrazione nel flusso di lavoro, identità, permessi, system-of-record
Azienda italiana	CEO / CIO / CFO / COO / HR / CISO / knowledge workers	Scelta del perimetro, ownership, adozione, rischio, misurazione
Partner/integratori	System integrator / consulenti / partner cloud	Abilitazione tecnica, change management, accelerazione o lock-in
Regole e vincoli	Privacy, sicurezza, compliance, data residency, contratti	Limiti reali all’industrializzazione dell’AI
Mercati e capitale	Costo del capitale, capex software, concentrazione vendor	Canale vicino ma non dominante; trattato solo come market-state broad

Driver	Status	Coperto	Nota
Qualità del modello	IN_MODEL	Sì	Driver necessario ma non sufficiente
Integrazione nel workflow	IN_MODEL	Sì	Driver centrale della differenza di risultato
Dati e permessi	IN_MODEL	Sì	Driver centrale di qualità e rischio
Governance e sicurezza	IN_MODEL	Sì	Driver centrale di scala
Change management e champions	IN_MODEL	Sì	Driver centrale di adozione reale
KPI di processo	IN_MODEL	Sì	Senza KPI il valore resta narrativo
Prezzi/licenze	IN_SCENARIO	Parziale	Tema vicino ma non misurabile in modo uniforme dai casi pubblici
ROI / payback	EXCLUDED	No	FAIL-CLOSED numerico: mancano KPI_REGISTRY e baseline private
Ranking assoluto per brand in Italia	BLOCKED	No	Evidenza pubblica comparabile insufficiente

D. Casi pubblici italiani usati nel confronto

Azienda	Stack	Perimetro	Risultato osservato	Forza evidenza
Bracco	Microsoft 365 Copilot	Pilota su ~150 utenti di 15+ funzioni	>80% propensi a continuare; miglioramenti su email, meeting summary e contenuti	Media
Reale Mutua	Microsoft 365 Copilot	Adozione progressiva oltre il pilota	>1.000 dipendenti, circa un terzo del personale	Media
SACE	Microsoft Copilot + Viva	Produttività personale e benessere organizzativo	+25% produttività nei primi 11 mesi; ~10 ore/mese per utente	Media
Snam	Microsoft 365 Copilot	Scale-up con prompt library	>1.000 licenze in <3 mesi; >80% uso mensile	Media
Intesa Sanpaolo	Gemini 1.5 su Vertex AI	Estrazione info da dati di rischio e sicurezza	Ore di lavoro analitico ripetitivo liberate	Media
De Agostini	SAP Build Process Automation + AI Services	Automazione fatture con riferimento ordine	>91% automazione; 500 ore/mese risparmiate	Media
Pirelli	Salesforce / Einstein 1 data platform	Commerciale e relazione con rete dealer	Scala commerciale su 1,8 milioni ordini/anno; AI resa credibile dal dato centralizzato	Debole-media

E. Comparator universe runtime e fonti

Source ID	Descrizione	Tipo	Uso
SRC01	Istat, Imprese e ICT – Anno 2025	Statistica ufficiale	Adozione AI complessiva, per dimensione, usi prevalenti
SRC02	Politecnico di Milano / Osservatorio Artificial Intelligence	Ricerca osservatorio	Maturità GenAI e governance nelle grandi imprese
SRC03	BEI / EIB Investment Survey – Italia	Survey istituzionale	Gap Italia-UE sull’adozione AI
SRC04	Banca d’Italia, QEF n.1005 (2026)	Paper istituzionale	Impatto AI su produttività, redditività e composizione del lavoro
SRC05	Microsoft News Center Italy (2025)	Case pubblici vendor	Bracco, CNH, Reale Mutua, SACE, Snam
SRC06	Google Cloud customer case study – Intesa Sanpaolo	Case pubblico vendor	Gemini/Vertex AI su dati di rischio e sicurezza
SRC07	SAP case study – De Agostini	Case pubblico vendor	Automazione fatture e ore risparmiate
SRC08	Salesforce customer story – Pirelli	Case pubblico vendor	Prerequisito dati/piattaforma nel commerciale

Claim	Sintesi	Fact status	Evidence refs
CL01	L’adozione AI in Italia accelera ma resta polarizzata	VERIFIED; fonti indip.=3	SRC01,SRC02,SRC03
CL02	Il valore più dimostrabile si vede dove l’AI entra nel workflow	VERIFIED; fonti indip.=3	SRC04,SRC05,SRC07
CL03	Non emerge un vincitore assoluto tra ChatGPT, Claude e Gemini sul mercato italiano	VERIFIED; fonti indip.=2	SRC01,SRC02 + scarsità casi brand-comparabili in freeze
CL04	Microsoft 365 Copilot mostra oggi la traccia pubblica italiana più ricca su knowledge work diffuso	VERIFIED; fonti indip.=2	SRC05 + confronto con scarsità casi equivalenti pubblici
CL05	Gemini è relativamente forte nei casi italiani pubblici data/document/search intensive	IPOTESI SUPPORTATA; fonti indip.=1-2	SRC06 + casi pubblici secondari separati in notes
CL06	Claude è credibile come scelta specialistica enterprise, ma la vetrina italiana pubblica è ancora sottile	IPOTESI SUPPORTATA; fonti indip.=1	evidenza pubblica italiana limitata nel freeze

F. EquationBindingBlock_v1 / PythonBinding_v1 / DataRequirements_v1

Blocco	Contenuto
Sym_proj	CAT_i (categoria di adozione); C_prod; C_flow; C_gov; C_adopt; C_diff; E_eq; F_tot
EQ1	E_eq_i = (C_prod_i × C_flow_i × C_gov_i)^(1/3)  [ASSUNZIONE_GDE]
EQ2	F_tot_i = 0,50 × E_eq_i + 0,25 × C_adopt_i + 0,25 × C_diff_i  [ASSUNZIONE_GDE]
Range	C_* su scala 1–5 costruita da rubriche auditabili su evidenza pubblica e fitting strutturale
Uso consentito	Ranking comparativo tra categorie di adozione; non tra brand specifici
Fail-closed	Brand-level ranking Italia = BLOCKED per scarsità di casi pubblici comparabili

PythonBinding_v1 (estratto eseguibile):

for categoria in categorie:

    E_eq = (C_prod C_flow C_gov) ** (1/3)

    F_tot = 0.50 E_eq + 0.25 C_adopt + 0.25 * C_diff

ranking = sort_desc(F_tot)

if ranking_scope == 'brand_italia': status = 'BLOCKED'

Categoria	C_prod	C_flow	C_gov	C_adopt	E_eq	F_tot
Assistant standalone	4.50	2.00	2.50	4.00	2.82	3.16
Copilot di suite	4.00	4.50	4.00	4.50	4.16	3.83
AI embedded nel processo	3.70	4.80	4.40	3.80	4.28	4.09
Piattaforma custom / agenti	3.20	4.20	3.80	2.80	3.71	3.71

Scoring comparativo tra categorie di adozione. Tutti i punteggi sono [ASSUNZIONE_GDE] osservazionali e non benchmark ufficiali di brand.

Input	Definizione	Source type	Status	Nota
KPI_OUTCOME_01	Tempo di ciclo del processo target	PUBLIC/PRIVATE	Parziale	Pubblici solo per alcuni case study; dati privati necessari per deployment reale
KPI_OUTCOME_02	Ore risparmiate o produttività per utente/processo	PUBLIC/PRIVATE	Parziale	Disponibile in pochi casi vendor
KPI_LEADING_01	Utenti attivi / licenze attive	PUBLIC/PRIVATE	Parziale	Pubblico in alcuni casi Microsoft
KPI_RISK_01	Incidenti su dati sensibili / uso fuori policy	PRIVATE	Assente	Necessario per valutazione enterprise reale
KPI_OBS_01	Numero di casi pubblici italiani nominativi	PUBLIC	Presente	Usato come indicatore di visibilità, non di causalità
KPI_PROCESS_01	Quota di use case collegati a system-of-record	PUBLIC/PRIVATE	Parziale	Ricostruibile solo in parte dai case study

G. GDE_ERR_v1 / limiti e fail-closed

Variabile	Origin tag	Severità	TOP-2 errori	Nota
Italy_adoption_rate_2025	[DATI(E)]	basso	E4 osservabilità; E1 definizione	Dato ufficiale Istat
Large_enterprise_genai_maturity	[DATI(E)]	medio	E1 definizione; E4 osservabilità	Ricerca osservatorio, non statistica ufficiale
Brand_absolute_ranking_Italy	[NON STIMABILE_GDE]	alto	E4 osservabilità; E5 forma/modello	BLOCKED
Category_fit_score	[ASSUNZIONE_GDE]	medio-alto	E4 osservabilità; E5 forma/modello	Ammesso solo come ranking per categorie

Next_data_actions:

• Raccogliere 8–12 casi italiani aggiuntivi non vendor-controlled con KPI prima/dopo su processi comparabili.

• Separare meglio i casi 'AI embedded' dai casi di trasformazione digitale di piattaforma non attribuibili all’AI da sola.

• Costruire un pannello PMI Italia con almeno 3 settori e 2 anni di osservazioni pubbliche.

• Congelare dati su seat activation, MAU e process KPI per uno o più pilot autorizzati su azienda reale.

• Ripetere il confronto brand-level solo se emergono casi italiani pubblici comparabili per ChatGPT, Claude e Gemini.

H. CrossDomainImpactShortlist_v1 / CapMktsSystemicStateBlock_v1

Marker	Esito
CrossDomainImpactShortlist_v1	Produttività del lavoro; qualità del lavoro di staff; tempi di processo; lock-in software; competenze e formazione; costo del capitale software
CapMktsSystemicStateBlock_v1	SCOPE=MARKET_STATE_BROAD_ONLY; nessun asset forecast; rilevante solo come canale vicino su capex AI, concentrazione vendor e costo del capitale
AI_SPECULATIVE_REGIME_BRIDGE	Qualitativo soltanto: il ponte AI → mercati → costo del capitale è riconosciuto ma non quantificato in modo causale in questo pezzo
Analogy_GDE	STATIC-OK verso CRM/BI/RPA: il valore cresce quando l’intelligenza entra nel processo; DYNAMIC-BLOCKED per insufficienza di longitudinali italiani comparabili

I. Figure render log e chart data panel

Figure ID	Render log
FIG01	chart1_ai_adoption_trend_italy.png | sha256=03399900d0eda1a1… | data_ref=SRC01/chart_series_adoption_2023_2025
FIG02	chart2_ai_adoption_by_size.png | sha256=d29f2c3b8e38a3db… | data_ref=SRC01/chart_series_size_2025
FIG03	chart3_genai_large_enterprises_maturity.png | sha256=75555705b384b469… | data_ref=SRC02/chart_series_maturity_2025
FIG04	diagram_gde_ai_value_layers.png | sha256=717f53862ef83d05… | data_ref=ELAB_GDE/diagram_value_layers_v1

Serie	Periodo	Valori
ISTAT_AI_ADOPTION_IT	2023–2025	2023=5,0; 2024=8,2; 2025=16,4
ISTAT_AI_BY_SIZE_2025	2025	Totale=16,4; PMI=15,7; Grandi=53,1
POLIMI_GENAI_MATURITY_2025	2025	Progetto AI=71; Iniziativa GenAI=60; Licenze ready-to-use=84; Pervasività alta=20; Governance strutturata=9

J. PERSON_ROLE_REGISTRY_v1 / SOURCE_ROLE_COLLISION_SCAN_v1

Blocco	Esito
PERSON_ROLE_REGISTRY_v1	Byline pubblica: Andrea Viliotti; co-firma/label: Framework GDE; ruolo fonti esterne: nessuna collisione osservata nel freeze
SOURCE_ROLE_COLLISION_SCAN_v1	Negativo: nessuna fonte load-bearing attribuita agli stessi nomi presenti in byline
NARRATOR_MODE_LOCK_v1	Terza persona economico-istituzionale; no voce di commentatore esterno su autore in byline
POST_EDIT_RECHECK	Eseguito su byline, terza persona, caption, didascalie e assenza di numeri futuri impliciti

K. Mini-scorecard gate PASS/FAIL

Gate	Esito	Nota
MANIFEST-FIRST	PASS	Usati solo file canonici del Manifest come scaffolding.
Artifact Gate	PASS	DOCX creato realmente; hash e size riportati nel closeout e in ARCHIVIO runtime.
KZ-2L12	PASS/PARZIALE	PASS sui claim aggregati principali; brand absolute ranking bloccato.
MATH_FIRST / EquationBinding	PASS	Serializzato per lo scoring comparativo di categoria, non per forecast futuro.
IMPLICIT_FORECAST_DETECTION	PASS	Nessun numero futuro nel MAIN.
REALPERSON_AUTHORSHIP_CLOSURE	PASS	Nessuna collisione byline∩source author nel freeze.
Visual QA	PASS	Render DOCX controllato pagina per pagina prima della consegna.