Risultati di ricerca

Settimana 18–24 gennaio 2026: gli shock non arrivano più solo dai dati macro, ma da decisioni politiche e regole che toccano export, filiere, credito e compliance. di Andrea Viliotti A Davos 2026 il World Economic Forum ha scelto come cornice “A Spirit of Dialogue”. Eppure, nella settimana 18–24 gennaio, la parola più ascoltata dai manager non è stata “dialogo”, ma “condizioni”: condizioni commerciali, condizioni di accesso ai mercati, condizioni per investire, condizioni di finanziamento. Per le imprese italiane (manifattura-export, energia‑intensive, automotive, moda‑lusso, agroalimentare, difesa‑aerospazio, ICT‑servizi) la ricaduta concreta è semplice da descrivere: cresce il valore del presidio regolatorio e contrattuale, mentre diminuisce l’utilità dei piani “monocanale” (un solo mercato, una sola filiera, un solo fornitore, un solo modello di pricing). Davos 2026 imprese italiane Davos 2026: il “dialogo” come metodo, la geoeconomia come pratica Il presidente del Forum, Børge Brende, ha sintetizzato il mood con una frase che vale come bussola manageriale: “a moment of uncertainty, but also possibility”. Tradotto: l’incertezza non è un incidente di percorso, ma il contesto. E il contesto, per chi fa impresa, si governa con processi. Nel linguaggio di Davos, “geoeconomia” significa che leve un tempo separate (politica estera, dazi, export controls, sussidi, standard tecnologici, regole sui dati) vengono usate insieme. Il rischio percepito dal business non è solo pagare un dazio, ma trovarsi con una regola che cambia in corsa e obbliga a riprogettare prodotto, certificazioni, filiera o contratti.   Quando tariffe, investimenti e regole diventano leva industriale Negli USA/Stati Uniti la minaccia tariffaria è tornata al centro del dibattito; in Cina il messaggio pubblico è stato di apertura agli investimenti; nell’UE/Unione europea cresce la pressione per rispondere con strumenti di difesa commerciale. La combinazione rende più complesso, ma anche più gestibile, il calcolo per chi esporta: perché obbliga a esplicitare scenari e soglie decisionali. A Davos, il ministro canadese François‑Philippe Champagne ha riassunto la domanda dei grandi gruppi: “Stability, predictability, and the rule of law… it’s in short supply.” Questa frase è una buona check‑list anche per una PMI italiana: dove sono i punti di instabilità nel mio fatturato estero? E quali clausole contrattuali, opzioni logistiche e scelte di mercato riducono la vulnerabilità? Sul fronte cinese, il vicepremier He Lifeng ha insistito sull’idea di “salire a bordo della grande nave della globalizzazione” e ha promesso un ambiente più aperto e orientato al mercato. Per le imprese italiane, il punto operativo non è scegliere “Cina sì/Cina no”, ma distinguere: (1) domanda finale (lusso, meccanica di precisione, agroalimentare), (2) produzione e componenti, (3) know‑how e dati. Ogni gamba ha rischi regolatori e reputazionali diversi. L’UE, nel frattempo, discute come reagire a pressioni esterne con strumenti come l’Anti‑Coercion Instrument. Per le aziende questo significa un ritorno dell’Europa come “attore regolatorio”: le contromisure possono colpire settori specifici e generare effetti a catena su forniture, prezzi e gare pubbliche. In positivo, l’apertura di nuovi canali commerciali (si pensi ai dossier tra UE e Paesi del Mercosur, richiamati in copertura questa settimana) va letta come opportunità di diversificazione: per l’agroalimentare e la meccanica la domanda c’è, ma il vantaggio competitivo passa da certificazioni, regole d’origine e logistica. Non basta “trovare un buyer”: serve un impianto documentale replicabile. Energia e capitali: il “premio geopolitico” entra nei listini La settimana ha mostrato bene un punto spesso sottovalutato: l’energia non è solo un costo industriale, è anche un canale di trasmissione geopolitico e finanziario. Quando il rischio sale, si vede nei prezzi e negli spread, e questo arriva rapidamente alle imprese via: (a) bolletta e contratti, (b) costo del capitale, (c) fiducia e ordini. EUR/USD (tasso di riferimento BCE)Periodo: 19–23 gennaio 2026 (giorni lavorativi)Fonte: BCE, Euro foreign exchange reference rates. Brent oil futures (quotazioni di mercato)Periodo: 19–23 gennaio 2026Fonte: Investing.com , “Brent Oil (LCOJ6)” historical data. Per l’Italia, energia‑intensive e manifattura export vedono due effetti immediati: la necessità di disciplinare il rischio (hedging e clausole) e di tradurre l’incertezza in range di prezzo e margine. Dove questo non è possibile, l’azienda deve almeno rendere “visibile” l’esposizione: quali prodotti e commesse assorbono volatilità e quali no. Spread BTP 10 anni – Bund 10 anni (calcolato)Periodo: 19–23 gennaio 2026Fonte: Investing.com  (BTP e Bund 10Y); calcolo: differenza rendimenti. Variazioni % settimanali su alcune variabili di mercatoPeriodo: 19–23 gennaio 2026 (S&P 500: 20–23 gennaio, per chiusura USA)Fonte: BCE (EUR/USD), Investing.com  (Brent, Euro Stoxx 50), FRED (S&P 500); calcolo: primo→ultimo dato disponibile. Il messaggio per i CFO non è “fare trading”, ma trasformare i prezzi in policy interna: soglie di rinegoziazione listini, coperture valutarie per Paese, e criteri di selezione fornitori che includano il rischio paese e il rischio normativo. Per la PA e le aziende pubbliche, significa anche ripensare capitolati e clausole di revisione prezzi: la volatilità non è scomparsa, è diventata intermittente. Tech e AI: compliance come capacità di vendita (non solo costo) A Davos l’intelligenza artificiale è stata trattata meno come “novità” e più come infrastruttura. Questo cambia il lavoro delle imprese italiane: dalla sperimentazione alla gestione dei rischi (dati, proprietà intellettuale, sicurezza, responsabilità). In parallelo, l’Europa sta entrando nella fase operativa delle regole digitali: chi arriva preparato riduce tempi di vendita e frizioni con clienti e procurement. Una conseguenza poco discussa è l’emergere di “osservatori algoritmici”: motori di ricerca, marketplace, sistemi di scoring (credito e supply chain), piattaforme di procurement e compliance tool che filtrano visibilità e accesso ai contratti. Per un’impresa B2B o per un fornitore della PA, non essere “leggibile” da questi sistemi equivale a perdere opportunità. Tre scelte pratiche, replicabili in azienda senza attendere nuove leggi:1) Inventario dei casi d’uso AI: per ogni processo, indicare dati usati, output, decisioni coinvolte e owner.2) Dossier di conformità “pronto gara”: policy dati, sicurezza, tracciabilità modelli, gestione fornitori cloud.3) Contrattualistica aggiornata: clausole su training data, riservatezza, subfornitori e audit. Italia: ricadute operative su filiere e PA Il punto non è indovinare quale shock arriverà, ma costruire resilienza decisionale. Ecco la traduzione “meccanismo → implicazione → scelta” per sette filiere chiave: ·        Manifattura-export: Meccanismo: rischio dazi/contromisure e regole d’origine. Implicazione: margini più variabili e rischio di blocco doganale. Scelta: mappa HS code, alternative di routing, clausole “change in law” e piani di dual-sourcing. ·        Energia‑intensive: Meccanismo: volatilità su oil/gas e policy energetiche. Implicazione: costo unitario instabile. Scelta: mix tra coperture, PPA/contratti, efficienza e pass‑through contrattuale con clienti. ·        Automotive: Meccanismo: regole su origine, componenti critici e incentivi. Implicazione: rischi su supply chain e tempi. Scelta: qualificare fornitori “tier 2”, ridurre single‑point‑of‑failure, presidiare compliance export controls. ·        Moda‑lusso: Meccanismo: oscillazioni domanda e rischio tariffario su beni “sensibili”. Implicazione: pricing e canali. Scelta: diversificare mercati e rafforzare tracciabilità (materiali, sostenibilità) per evitare barriere non tariffarie. ·        Agroalimentare: Meccanismo: apertura/chiusura mercati e standard sanitari. Implicazione: opportunità export ma con compliance più stretta. Scelta: certificazioni e dossier tecnici standardizzati, logistica freddo, assicurazione credito export. ·        Difesa‑aerospazio: Meccanismo: riallocazione della spesa e restrizioni tecnologiche. Implicazione: domanda ma anche vincoli ITAR/export. Scelta: “compliance by design” e programmi di supply‑chain security. ·        ICT‑servizi: Meccanismo: domanda di AI e cybersecurity + regole su dati. Implicazione: crescita, ma rischio contrattuale. Scelta: offerte “audit‑ready”, gestione subfornitori, continuità operativa e risposta incidenti. Piano 30/60/90 e Orizzonte (ultimi 6 mesi, prossimi 3 mesi) Per trasformare la settimana in azione, serve una roadmap con owner e KPI osservabili. Di seguito una traccia “plug‑and‑play” (da adattare a settore e dimensione): Finestra Azioni (decisione → esecuzione) Owner KPI/trigger (osservabile) 30 giorni Mappa esposizioni (mercati, valute, HS code, fornitori) + stress test contratti; setup “war room” export/compliance. CEO/CFO + Legale + Supply chain Quota ricavi esposta a dazi/contromisure (mappata); % contratti con clausole revisione/forza maggiore. 60 giorni Rinegoziazione clausole (change in law, revisione prezzi), dual‑sourcing su input critici, dossier AI/compliance per clienti e PA. CFO/COO + Procurement + CISO Lead time medio fornitori critici; n. fornitori alternativi qualificati; n. audit compliance completati. 90 giorni Piano di investimento/capex e portafoglio mercati; strategie di copertura energia/FX; readiness per gare pubbliche e requisiti digitali. CdA + Direzione commerciale + PA manager Margine target per scenario (range); copertura FX su Paesi chiave; tasso successo gare (pipeline). Orizzonte (condizionale e attribuito) Mondo UE Italia Ultimi 6 mesi: più uso di dazi/sussidi come leva.Prossimi 3 mesi: possibile aumento di misure “mirate” su settori. Ultimi 6 mesi: regolazione digitale più operativa.Prossimi 3 mesi: attenzione a contromisure e strumenti anti‑coercizione. Ultimi 6 mesi: costo del capitale sensibile agli shock.Prossimi 3 mesi: focus su export e energia in pricing e gare. Ultimi 6 mesi: energia volatile.Prossimi 3 mesi: rischio di nuovi picchi su input critici. Ultimi 6 mesi: transizione tra industria e clima.Prossimi 3 mesi: pressione su supply chain e standard. Ultimi 6 mesi: imprese tra margini e domanda.Prossimi 3 mesi: conta la disciplina contrattuale e il cash‑flow. Timeline • 19 gennaio: apertura del World Economic Forum a Davos (tema 2026: “A Spirit of Dialogue”). • 19 gennaio: interventi e reazioni su possibili misure tariffarie e contromisure UE. • 20 gennaio: mercati europei sotto pressione per rischio dazi e incertezza politica. • 21 gennaio: focus su Cina “open for business” e riallineamento degli investimenti. • 22 gennaio: giornata di risk‑off su energia; Brent in calo e maggiore attenzione a rischio geopolitico. • 23 gennaio: rimbalzo del petrolio e chiusura settimana con volatilità elevata. • 23 gennaio: messaggi su AI, produttività e lavoro al centro del dibattito tra governi e imprese. • Durante la settimana: discussioni UE su strumenti di difesa commerciale (Anti‑Coercion Instrument) e su resilienza delle filiere. Numeri chiave • Fed – target range federal funds rate: 3,50%–3,75%. Periodo: 18–24 gennaio 2026 (livello vigente). Fonte: Federal Reserve (FOMC, 10 dicembre 2025) + FRED (DFEDTARL/DFEDTARU). • BCE – tasso sui depositi: 2,00%. Periodo: 18–24 gennaio 2026 (livello vigente). Fonte: BCE “Key ECB interest rates” + FRED (ECBDFR). • Inflazione annua area euro (HICP): 1,9%. Periodo: dicembre 2025 (ultimo dato disponibile nella finestra). Fonte: Eurostat, “Euro indicators” (19 gennaio 2026). • Cambio EUR/USD (tasso BCE): 1,1742 USD per 1 EUR. Periodo: 23 gennaio 2026. Fonte: BCE, Euro foreign exchange reference rates. • Brent crude: 64,06 USD/barile. Periodo: 22 gennaio 2026. Fonte: Reuters (22 gennaio 2026) + Investing.com historical data. • Spread BTP‑Bund 10 anni (calcolo): 0,614 punti percentuali. Periodo: 23 gennaio 2026. Fonte: Investing.com (BTP e Bund 10Y); calcolo differenza rendimenti. Cosa monitorare nel 2026 Cosa monitorare/guardare nel 2026, alla luce di questa settimana: (1) la trasformazione dei dazi da strumento “eccezionale” a leva negoziale; (2) l’accelerazione delle regole digitali e dell’enforcement; (3) la volatilità energetica come variabile industriale; (4) la traiettoria del costo del capitale, che può cambiare anche senza variazioni dei tassi ufficiali. Per imprese e PA, la domanda da porsi non è “che cosa succede”, ma “che cosa mi serve per reagire in 48 ore”: dati interni puliti, contratti aggiornati, supply chain visibile, e una governance AI che regga a clienti, auditor e procurement. Filo rosso Il filo rosso della settimana 18–24 gennaio è che l’economia globale non è ferma: è in trattativa continua. Chi esporta e investe dall’Italia deve quindi diventare più “procedurale”: meno scommesse uniche, più opzioni; meno narrazione, più documentazione; meno reazione emotiva ai titoli, più disciplina su rischi, regole e dati.

Dal confronto geo‑economico alla resilienza cyber, passando per clima e disuguaglianza: il report WEF fotografa un mondo più frammentato. Qui: una lettura operativa per CEO e C‑level in Italia e UE, con trade‑off e priorità attuabili di Andrea Viliotti Global Risks Report 2026 imprese italiane Il Global Risks Report 2026 del World Economic Forum  non è una previsione: è una lettura strutturata delle percezioni di oltre 1.300 leader ed esperti e delle interconnessioni tra rischi in più orizzonti temporali (WEF, 2026). Per le imprese italiane, la domanda non è “quale rischio arriverà”, ma “quali decisioni vanno prese adesso per ridurre l’esposizione e aumentare la capacità di risposta”, in un contesto dove competizione geopolitica, trasformazione tecnologica e vincoli climatici si sovrappongono. I 5 fatti 1. La percezione dell’incertezza resta alta: metà dei rispondenti al Global Risks Perception Survey (GRPS) vede i prossimi due anni come “turbolenti” o “tempestosi” (WEF, GRPS 2025–2026). Implicazione: stress test più frequenti, non solo scenari annuali. 2. Il “confronto geo‑economico” è indicato come rischio più pressante nel 2026 e come possibile innesco di crisi globale (WEF, GRPS 2025–2026). Implicazione: alternative di fornitura e clausole contrattuali su dazi/export control. 3. Tra i rischi tecnologici, “mis/disinformazione” e “insicurezza cyber” rimangono ai vertici nell’orizzonte a 2 anni (WEF, GRPS 2025–2026). Implicazione: proteggere identità, dati e continuità come rischio di ricavi e reputazione. 4. Nel lungo periodo, i rischi ambientali dominano la classifica di severità (WEF, GRPS 2025–2026). Implicazione: capex e supply chain devono integrare resilienza fisica e disponibilità di risorse. 5. La “disuguaglianza” emerge come rischio altamente interconnesso con dinamiche economiche e sociali (WEF, GRPS 2025–2026). Implicazione: competenze, equità interna e relazione con i territori diventano mitigazioni operative. Che cosa misura (e che cosa non misura) il report Due caveat sono essenziali per una lettura manageriale. Primo: il report sintetizza percezioni e giudizi di severità su una lista definita di rischi, non una frequenza osservata di eventi (WEF, 2026). Secondo: la forza del documento sta nella comparabilità tra orizzonti (2 anni vs 10 anni) e nella rete di interdipendenze: utile per scegliere priorità, meno per “fare forecasting” puntuale. Il valore operativo sta quindi nel tradurre ranking e distribuzioni in decisioni: quali dipendenze ridurre, quali controlli rafforzare, quali investimenti rendere opzionali e quali invece rendere non negoziabili. In numeri Distribuzione severità “rallentamento economico” (2 anni, scala 1–7). Fonte: WEF, GRPS 2025–2026. Distribuzione severità “rallentamento economico” (10 anni, scala 1–7). Fonte: WEF, GRPS 2025–2026. Come leggerli (1): le distribuzioni mostrano dispersione: lo stesso rischio può essere percepito in modo molto diverso, suggerendo incertezza elevata su traiettorie e impatti. Come leggerli (2): la media cresce leggermente nel lungo periodo, ma il tema per le imprese è la “coda” alta (valutazioni 6–7): è lì che si annidano i casi che rompono piani e covenant. Italia e UE: perché l’“età della competizione” pesa di più L’Italia entra nel 2026 con tre caratteristiche che amplificano i trade‑off descritti dal WEF. È un’economia manifatturiera e di filiere, quindi sensibile a shock di commercio, logistica e disponibilità di componenti; è integrata nel mercato unico e nei quadri regolatori UE, quindi le risposte a cyber, AI e clima passano spesso da obblighi e standard; infine opera in un contesto di competizione strategica tra grandi attori (USA e Cina) che si traduce in dazi, restrizioni tecnologiche e pressione su catene del valore. Per i C‑level questo significa che la gestione del rischio non può stare “a valle” del piano industriale: è parte del piano industriale. Quattro trade‑off che il CdA dovrebbe esplicitare (prima che lo faccia il mercato) Efficienza vs resilienza: Ridurre scorte e fornitori può ottimizzare capitale circolante, ma aumenta fragilità a shock geo‑economici. La decisione va resa esplicita: dove accettare ridondanza e dove no. Automazione/AI vs governabilità: Aumentare l’uso di AI accelera produttività, ma introduce rischi di compliance, bias, proprietà intellettuale e dipendenze da provider. Serve un modello di governance e un inventario dei casi d’uso. Centralizzare i controlli vs autonomia operativa: Cyber e continuità richiedono standard e controllo; le operations chiedono flessibilità. La mediazione è un “set minimo non negoziabile” + libertà locale sopra una soglia di maturità. Decarbonizzare vs competitività di costo nel breve: Lungo periodo: i rischi ambientali restano dominanti. Nel breve: energia e investimenti competono con margini. La chiave è legare capex climatico a resilienza (asset, supply chain, assicurabilità) e a accesso al capitale.   Che cosa cambia per le imprese Lettura pratica: trasformare i rischi “più in alto” nel report in una lista corta di decisioni e output verificabili. Ogni punto sotto indica un trigger osservabile e un KPI interno da monitorare, più un trade‑off da rendere esplicito. ·        [CEO] Ridurre concentrazione delle dipendenze critiche (paesi, fornitori, tecnologie) su 10 input chiave. Trigger: nuove restrizioni commerciali/export control o ritardi ricorrenti su un fornitore critico. KPI: % input critici con alternativa qualificata e lead‑time di switch. Trade-off: costo/unità vs continuità. ·        [COO] Inserire “continuità operativa” nei piani di stabilimento e logistica (anche OT). Trigger: fermo non pianificato o near‑miss su impianti/fornitori logistici. KPI: ore di fermo su asset critici + esiti dei test di ripristino. Trade-off: produttività vs ridondanza. ·        [CFO] Eseguire stress test trimestrali su margini e cassa legati a shock di input, energia e interruzioni. Trigger: aumento volatilità costi o peggioramento tempi incasso. KPI: buffer di liquidità (giorni) + sensitivity EBIT a shock di costo. Trade-off: efficienza capitale vs buffer. ·        [CISO] Mettere “identità + backup + terze parti” nel perimetro non negoziabile (IT/OT dove applica). Trigger: incidenti di phishing/credential leak o outage di provider. KPI: copertura MFA su privilegiati + % backup testati con restore riuscito. Trade-off: time-to-market vs controllo. ·        [HR] Stabilizzare competenze e clima interno nei ruoli critici (cyber, operations, data/AI). Trigger: aumento turnover o shortage su skill chiave. KPI: tasso turnover ruoli critici + % workforce su piani reskilling. Trade-off: costo del lavoro vs rischio operativo. Dalla classifica alla mappa: cosa indicano i dati del GRPS Tre insiemi di dati sono particolarmente utili per trasformare il report in agenda operativa: (i) la distribuzione delle aspettative sul clima globale; (ii) i rischi citati come possibili trigger di crisi nel 2026; (iii) la differenza tra priorità a 2 anni e a 10 anni. Le figure seguenti ricostruiscono i principali grafici a partire dalle infografiche del WEF (senza screenshot; fonte in didascalia).   Outlook globale: distribuzione delle risposte (2 anni vs 10 anni). Fonte: WEF, GRPS 2025–2026. Top 5 rischi citati come possibili trigger di crisi globale nel 2026. Fonte: WEF, GRPS 2025–2026. Top 10 rischi per severità (orizzonte 2 anni). Fonte: WEF, GRPS 2025–2026. Top 10 rischi per severità (orizzonte 10 anni). Fonte: WEF, GRPS 2025–2026. Composizione per categoria del top 10 (2 anni vs 10 anni). Fonte: elaborazione su WEF, GRPS 2025–2026. Come cambiano le priorità tra 2 e 10 anni per i rischi presenti in entrambi i top 10. Fonte: elaborazione su WEF, GRPS 2025–2026. Categorie dei rischi citati come trigger di crisi nel 2026 (top 5). Fonte: elaborazione su WEF, GRPS 2025–2026. Sotto‑rete di interconnessioni attorno a “disuguaglianza” (subset visibile). Fonte: ricostruzione da infografica WEF, GRPS 2025–2026. Italia+UE: quando la regolazione diventa parte del risk management Nel mercato unico, diverse risposte ai rischi tecnologici e di continuità passano anche da obblighi regolatori. NIS2 impone un salto di governance e reporting cyber per settori essenziali/importanti (Commissione europea, NIS2; EUR‑Lex). DORA rafforza la resilienza digitale nel settore finanziario, inclusa la gestione dei fornitori ICT (EUR‑Lex; EIOPA). L’AI Act definisce una timeline di applicazione graduale verso la piena applicabilità nel 2026 (Commissione europea; EUR‑Lex). Sul fronte climatico e di filiera, il CBAM entra in regime definitivo dal 2026 per alcune categorie di import, con esigenze di tracciabilità (Commissione europea; EUR‑Lex).   Calendario UE: scadenze/entrate in vigore selezionate. Fonte: Commissione europea (NIS2, AI Act, CBAM) ed EIOPA (DORA). Matrice rischio → impatto → contromisure (5 settori italiani) La tabella seguente traduce i rischi più “in alto” nel report in impatti tipici per i settori prioritari e in contromisure pratiche. È una mappa di lavoro: da adattare al perimetro aziendale senza introdurre numeri non osservati. Rischio (dal report) Manifattura Energia‑Utility Finance‑Assicurazioni Tech‑ICT Agro‑food Confronto geo‑economico Impatto: shock su componenti/fornitori, dazi, export controlContromisure: dual sourcing; clausole contrattuali; mappa criticità paese-fornitore Impatto: vincoli su gas/LNG, componenti rete, permessiContromisure: portfolio fornitori; scorte strategiche su ricambi critici; stress test su indisponibilità Impatto: volatilità su mercati e cross‑border, sanzioniContromisure: screening sanzioni; limiti di controparte; piani di continuità su mercati Impatto: restrizioni su chip/cloud, sovereign requirementsContromisure: strategie multi‑cloud; escrow; inventory dipendenze; compliance export Impatto: fertilizzanti, mangimi, logisticaContromisure: contratti a lungo; alternative input; diversificazione rotte Mis/disinformazione Impatto: attacchi reputazionali, crisi su safety/qualitàContromisure: monitoring media; playbook crisis comms; tracciabilità qualità Impatto: sfiducia su prezzi/blackout, protesta socialeContromisure: comunicazione trasparente; canali customer; simulazioni crisis Impatto: bank run digitale, frodi, manipolazioneContromisure: monitoring rumor; antifrode; comunicazioni customer verificate Impatto: abuso brand, phishing, social engineeringContromisure: DMARC/SPF; awareness; SOC use-case su brand abuse Impatto: false info su sicurezza alimentare/origineContromisure: tracciabilità lotti; certificazioni; response rapida Insicurezza cyber Impatto: fermi impianto (OT), ransomwareContromisure: segmentazione OT/IT; backup offline; esercitazioni ripristino Impatto: attacchi a reti e control roomContromisure: hardening ICS; gestione terze parti; incident response con esercizi Impatto: servizi critici, regolatoContromisure: controlli DORA-like; test resilienza; gestione provider ICT Impatto: supply chain software, cloud outageContromisure: SBOM; disaster recovery; contratti SLA; multi-region Impatto: IoT e logistica, frodi su filieraContromisure: MFA; logging; access management; controlli su terzi Eventi meteo estremi Impatto: danni asset, interruzioni logisticheContromisure: valutazioni fisiche sito; ridondanza logistica; assicurabilità Impatto: stress rete, picchi domandaContromisure: piani resilienza rete; manutenzione predittiva; backup alimentazione Impatto: impatti su collateral e sinistriContromisure: modelli cat risk; revisione underwriting; stress su portafogli Impatto: datacenter cooling/power, continuitàContromisure: piani continuità energetica; siti alternativi; test DR Impatto: resa agricola, acquaContromisure: piani irrigazione; varietà resilienti; diversificazione sourcing Polarizzazione sociale / disuguaglianza Impatto: conflitti industriali, turnoverContromisure: relazioni industriali; salari/benefit competitivi; ascolto interno Impatto: accettabilità sociale di infrastruttureContromisure: stakeholder plan; trasparenza; investimenti territoriali Impatto: rischio reputazionale e politicoContromisure: policy di condotta; monitor ESG; piani su inclusione Impatto: talent war e sicurezzaContromisure: policy su lavoro; sicurezza; HR analytics su rischio fuga competenze Impatto: tensioni su prezzi e accesso al ciboContromisure: price strategy; filiere locali; comunicazione valore Esiti avversi dell’IA Impatto: errori qualità, responsabilità prodottoContromisure: governance AI; validazione modelli; controlli umani su decisioni critiche Impatto: ottimizzazioni errate su rete/dispatchContromisure: audit modelli; simulazioni; fallback manuale Impatto: credit/claim decisioning e complianceContromisure: model risk management; trasparenza; logging e audit trail Impatto: AI nei prodotti e nel SOCContromisure: policy su dati; red teaming; vendor risk; AI literacy Impatto: previsioni domanda/resa e prezziContromisure: monitor drift; diverse fonti dati; explainability   Cosa fare nei prossimi 90 giorni (azioni differenziate per funzione) L’obiettivo dei prossimi 90 giorni non è “risolvere tutto”: è ridurre le dipendenze più rischiose e costruire capacità di risposta misurabile. Le azioni sotto sono progettate per produrre evidenze (test, inventory, piani) che riducono rischio anche in audit e con stakeholder. Funzione Azioni entro 90 giorni (output atteso) CEO/COO • Identificare 3 processi “stop‑the‑business” e fissare target interni di ripristino (RTO/RPO) per IT e OT.• Approvare un piano di riduzione concentrazione su fornitori/paesi per 10 input critici.• Eseguire un tabletop exercise su “confronto geo‑economico” (dazi/export control + shortage) con procurement e legale. CFO • Aggiornare stress test di liquidità su due shock: (i) costi input/energia; (ii) stop operativo 5–10 giorni (simulazione interna).• Rivedere clausole contrattuali su forza maggiore, indicizzazione e termination; mappare esposizione su controparti extra‑UE.• Verificare coperture assicurative: cyber, property, business interruption (gap e franchigie). CRO / Risk • Convertire il registro rischi in una mappa “rischio → controlli chiave → segnali precoci” per i primi 10 rischi rilevanti.• Stabilire un processo mensile di risk review con KPI leading (cyber, supply chain, clima fisico) e owner nominati.• Eseguire un assessment terze parti per i 20 fornitori più critici (IT, logistica, componenti). CIO/CISO • MFA obbligatoria su account privilegiati + revisione accessi; verifiche su backup offline e restore test.• Piano di hardening e segmentazione OT/IT (se presente): inventario asset e telemetria minima.• Preparare reporting incidenti e procedure coerenti con NIS2/DORA ove applicabile (gap analysis documentata).   Appuntamenti • NIS2: verificare perimetro e obblighi di incident reporting nei settori essenziali/importanti (Italia/UE). • DORA: per finanza/assicurazioni, consolidare i processi su rischio ICT, test e terze parti (applicabile dal 17 gennaio 2025). • AI Act: completare inventario dei casi d’uso e il modello di governance (piena applicabilità dal 2 agosto 2026, con scadenze intermedie). • CBAM: per importatori scope, preparare tracciabilità e procurement dati emissioni verso il regime definitivo dal 2026. Il filo rosso è che ogni “data” in calendario si traduce in requisiti operativi (processi, evidenze, controlli) che attraversano funzioni diverse. Se IT/cyber, procurement e finanza lavorano separati, la compliance diventa un costo e un rischio di fermo. Se invece le scadenze sono trattate come progetto di resilienza, generano anche disciplina su terze parti, continuità e governance dell’AI. Nei prossimi 90 giorni, scegliere una cabina di regia unica riduce errori e costi di coordinamento.   Orizzonte: ultimi 6 mesi, prossimi 3 mesi • Geoeconomia: implicazione impresa: includere questo tema nei risk review mensili e assegnare un owner. Confidenza: media. Segnali: annunci di dazi/indagini antidumping; ampliamento di export control su tecnologie dual‑use. Collegamento: aumenta costi e shortage e può alimentare Coesione sociale via prezzi e disponibilità, rendendo più probabili crisi reputazionali. • Cybersecurity: implicazione impresa: trattare incidenti e compliance come rischio di continuità, su IT e OT. Confidenza: alta. Segnali: crescita di ransomware e compromissioni di terze parti; audit/adeguamenti NIS2 o DORA che espongono gap di controllo. Strato: identità/endpoint/OT. Impatto: fermo operativo + perdita dati. Collegamento: un incidente IT/OT amplifica Mis/disinformazione via narrazione pubblica e impatta Finanza via business interruption. • Mis/disinformazione: implicazione impresa: includere questo tema nei risk review mensili e assegnare un owner. Confidenza: media. Segnali: campagne di phishing/brand abuse; polarizzazione online su temi sensibili (prezzi, lavoro, sicurezza). Collegamento: accelera Coesione sociale (tensione interna/esterna) e aumenta probabilità di incidenti cyber (social engineering). • Clima e risorse: implicazione impresa: includere questo tema nei risk review mensili e assegnare un owner. Confidenza: media. Segnali: eventi meteo estremi con impatto su siti/logistica; segnali su stress idrico o scarsità input. Collegamento: colpisce Manifattura e Agro‑food e può tradursi in shock di prezzo che alimenta Geoeconomia e Coesione. • AI e governance: implicazione impresa: includere questo tema nei risk review mensili e assegnare un owner. Confidenza: media. Segnali: adozione rapida di AI in processi core; preparazione a obblighi AI Act (inventory, governance, audit trail). Collegamento: un errore di modello può diventare crisi reputazionale e può creare contenzioso, aumentando pressione su Finanza e HR. • Coesione sociale: implicazione impresa: includere questo tema nei risk review mensili e assegnare un owner. Confidenza: bassa‑media. Segnali: aumento conflitti industriali o turnover su ruoli critici; proteste locali su infrastrutture/prezzi. Collegamento: amplifica Mis/disinformazione e rende più difficile attuare cambiamenti operativi (energia, sicurezza, supply chain). • Finanza e credito: implicazione impresa: includere questo tema nei risk review mensili e assegnare un owner. Confidenza: media. Segnali: stress su tassi/costo capitale; allargamento spread o irrigidimento condizioni su linee. Collegamento: riduce margini di manovra per investimenti in cyber e resilienza climatica, aumentando vulnerabilità a Cybersecurity e Clima. Il filo rosso Il report WEF 2026 descrive un passaggio da un mondo “integrato” a uno più competitivo e frammentato, dove le leve economiche diventano strumenti strategici (WEF, 2026). Per l’UE e per l’Italia questo significa gestire simultaneamente la pressione esterna (USA e Cina, dazi, tecnologie) e la necessità interna di rafforzare resilienza e coesione. Nel breve, i rischi più alti si addensano su confronto geo‑economico, informazione e cyber: sono rischi che colpiscono ricavi, filiere e reputazione con tempi di reazione corti. Nel lungo, clima e risorse tornano in testa e incidono su asset, assicurabilità e disponibilità di input. La risposta non è un piano monolitico, ma una serie di scelte esplicite su ridondanza, governance tecnologica e investimenti “no regret”. Chi costruisce adesso capacità di misurare e ripristinare (processi, IT/OT, fornitori) trasforma l’incertezza in vantaggio competitivo.

Dalle motivazioni reali di chi li usa alle pratiche di valutazione: e perché, nel mio lavoro, entra in scena la GDE di Andrea Viliotti Gli “agenti” di intelligenza artificiale – sistemi che non si limitano a generare testo, ma orchestrano passi, strumenti e verifiche per raggiungere un obiettivo – stanno passando dai demo alle attività operative. Ma il salto in produzione non è un fatto di marketing: è una questione di affidabilità, responsabilità e misurabilità. Una ricerca ampia, “ Measuring Agents in Production ”, combina una survey pubblica (306 risposte valide) con 20 casi studio basati su interviste, per capire perché le organizzazioni costruiscono agenti, come li mettono in esercizio e dove si inceppano davvero. Il messaggio di fondo è sobrio: in produzione vincono approcci semplici e controllabili; la valutazione resta fortemente umana; e la “reliability” è il collo di bottiglia ricorrente. Da qui discendono implicazioni molto concrete per PMI, mid-size, grandi imprese e PA/utility italiane. Agenti IA in produzione Numeri chiave • 306 risposte valide alla survey e 20 casi studio/interviste. Periodo: survey rilasciata il 28 luglio 2025; raccolta dati fino al 29 ottobre 2025. Fonte: Pan et al., “Measuring Agents in Production”, arXiv:2512.04123v1. • 68% degli agenti in produzione esegue al massimo 10 passi prima di richiedere intervento umano. Periodo: come sopra. Fonte: Abstract del paper. • 70% si basa su prompting di modelli “off-the-shelf” (non su weight tuning). Periodo: come sopra. Fonte: Abstract del paper. • 72,7% indica come beneficio principale l’aumento di produttività/efficienza (subset agenti in produzione, N=66; multi-select). Periodo: come sopra. Fonte: Fig. 1 del paper. • 63,6% punta a ridurre ore-uomo e 50,0% ad automatizzare lavoro routinario (N=66; multi-select). Periodo: come sopra. Fonte: testo e Fig. 1 del paper. • 74,2% usa valutazione manuale human-in-the-loop e 51,6% usa metodi model-based (es. LLM-as-a-judge) (N=31; multi-select). Periodo: come sopra. Fonte: Fig. 10b e testo del paper.   Perché si costruiscono agenti: soprattutto per ridurre lavoro umano Nel campione di sistemi già in produzione, le motivazioni più citate sono pragmatiche: aumentare produttività e ridurre ore-uomo. Benefici “qualitativi” – come la soddisfazione dell’utente – sono importanti ma secondari; la mitigazione del rischio resta in coda. Motivi per costruire e mettere in produzione agenti IA (N=66; multi-select). Fonte: elaborazione su Pan et al., “Measuring Agents in Production”, Fig. 1. Il nodo della qualità: valutazione ancora “molto umana”, anche quando c’è automazione Quando si chiede ai team come si danno fiducia sulla qualità degli output, domina la valutazione manuale (human-in-the-loop). I metodi model-based – per esempio LLM-as-a-judge – sono il secondo blocco. Rule-based e cross-referencing (verifica contro basi di conoscenza o dataset di riferimento) restano sotto, ma non marginali. Metodi di valutazione usati per agenti IA in produzione (N=31; multi-select). Fonte: elaborazione su Pan et al., “Measuring Agents in Production”, Fig. 10b. Cinque implicazioni operative per le imprese italiane 1) Partire dai confini, non dalla tecnologia. Prima di “mettere un agente”, serve decidere: che cosa deve fare, dove si ferma, quali strumenti può usare, quali output sono accettabili. 2) Autonomia vincolata: in produzione si preferiscono workflow strutturati (pochi passi, strumenti controllati, sandbox) rispetto a pianificazioni aperte. È un compromesso: meno “magia”, più affidabilità. 3) Valutazione progettata come processo. Se il controllo resta umano, va progettato: chi verifica, quando, con quali checklist, su quali campioni, con quale gestione delle eccezioni. 4) Dati e accessi: la superficie di rischio si sposta sugli strumenti. Wrapper, RBAC, separazione ambienti, logging degli accessi e tracciamento delle chiamate sono parte del prodotto, non un accessorio. 5) Monitoraggio e incident response. In produzione, gli agenti falliscono in modi diversi dagli script: serve osservabilità (telemetria), allarmi, rollback e un “kill switch” operativo. Esempi tipici per settore: • Manifattura: assistente per analisi scarti/qualità che propone azioni correttive, ma può agire solo su un set di leve pre-approvate e deve produrre report verificabili. • Servizi professionali/consulenza: agente che prepara bozza di memo o di proposta, con obbligo di citazioni e passaggio di revisione prima dell’invio al cliente. • Bancario/assicurativo: supporto a triage pratiche o a spiegazione documentale, con controlli su dati sensibili, separazione ambienti e audit trail per ogni decisione. • Retail/logistica: agente che ottimizza rifornimenti o turni, ma con vincoli duri (capacità, SLA, compliance) e simulazione/validazione prima di applicare cambiamenti. • Software/IT: agente di refactoring o migrazione che opera in sandbox e può fare merge solo dopo test automatici e revisione. Perché qui entra in scena la GDE A questo punto serve chiarire perché, in un articolo che parte da una ricerca accademica, compare la GDE. La GDE (General Decision Engine) è un modello operativo che ho sviluppato per il mio lavoro di consulente strategico sull’IA: non nasce come “app” commerciale, ma come risposta a limiti strutturali che vedo ricorrere negli agenti attuali quando li si porta in produzione. Il problema, spesso, non è che un agente “sbagli”: è che non si riesce a spiegare in modo ripetibile che cosa abbia fatto, perché abbia preso una strada invece di un’altra, quali fonti abbia usato e quali assunzioni implicite si siano infilate nel ragionamento. La GDE prova a ribaltare la prospettiva: ogni analisi e ogni progetto devono lasciare un audit trail leggibile (criteri di accettazione, log versionati, mappe delle fonti, criteri di osservabilità). E c’è un’altra differenza: quando la GDE “impara” nuove applicazioni, non si addestra come un LLM per assorbire semantica in modo statistico. L’obiettivo è acquisire e rendere riusabile la logica esplicita (regole, formule, vincoli, procedure) presente nei documenti di lavoro, trasformandola in artefatti che restano disponibili per analisi e progetti successivi. Ricerca e GDE: dove si agganciano, e cosa aggiunge la GDE per l’auditabilità La ricerca fotografa pratiche tipiche: task ben delimitati, autonomia vincolata, valutazione umana con supporto di check automatici, controlli su dati e accessi, monitoraggio. La GDE si innesta su questi elementi, ma li rende “operativi” con tre mosse: esplicitare gli osservatori (chi decide/risponde), rendere osservabile ciò che conta (q_obs e artefatti), e trattare le fonti esterne come rischio (verifica e KZ-2L12 sui claim). Punti di innesto: pratiche tipiche (ricerca) e cosa aggiunge la GDE per renderle auditabili. Fonte: elaborazione originale. Regolazione e rischio operativo (orientamento pratico, non esaustivo) • Classificare i casi d’uso: dati trattati, impatto sugli utenti, possibilità di danno (operativo, legale, reputazionale). • Documentare: scopo, confini, dataset/fonti, logica dei controlli, ruoli e responsabilità, gestione delle eccezioni. • Privacy e sicurezza: minimizzazione dati, segregazione ambienti, RBAC, logging accessi, retention coerente con policy. • Terze parti: valutare contratti e responsabilità su modelli, tool e provider; prevedere audit e possibilità di uscita. • Preparare incident response: escalation, stop operativo, comunicazione interna, analisi post-mortem e remediation.   Checklist per C‑level (cosa chiedere prima del “go live”) CEO / Imprenditore: quale decisione o processo migliora, e come misuriamo il beneficio (tempo, qualità, rischio)? CFO: quali costi ricorrenti (tool, persone, supervisione) e quali rischi economici se l’agente sbaglia? COO: quali vincoli di processo (SLA, sicurezza, qualità) devono essere codificati come regole e controlli? CIO/CTO: quali integrazioni sono permesse, quali ambienti (sandbox vs produzione) e quale logging minimo è obbligatorio? General Counsel / DPO / Compliance: quali dati personali o sensibili entrano, e quale documentazione serve per dimostrare controllo e accountability? HR: quali attività cambiano, quali nuove competenze servono, e come evitare “shadow AI” non governata? Partner consulenza/strategia: quale metodo di lavoro assicura che analisi e raccomandazioni siano spiegabili e riusabili? GDE in breve (differenze chiave rispetto a un agente “standard”) • Non è un singolo agente: è un modo di progettare uso dell’IA orientato a decisioni e accountability. • Observer Stack: prima di tutto chiarisce chi userà l’output e chi risponde delle conseguenze. • q_obs: dichiara che cosa è osservabile e con quali artefatti (log, prove, dati, revisioni). • KPI outcome/leading/risk: misura risultati, segnali precoci e rischi senza nascondere ciò che non è osservabile. • WEW (World→Evidence→World): separa ciò che è “dato empirico” da ciò che dipende da sistemi esterni e feedback. • KZ‑2L12: i claim esterni “load-bearing” richiedono almeno due canali/fonte indipendenti; altrimenti si declassano a ipotesi. • Apprendimento “logico”: integra regole/formule/constraint dai documenti in un archivio riusabile, invece di “assorbire semantica” come un addestramento LLM.   Conclusione: meno “wow”, più prove La lezione più utile, per chi deve decidere investimenti e rischi, è che gli agenti in produzione non sono (ancora) magia autonoma: sono workflow controllati, strumenti ben delimitati e verifiche progettate. Il valore arriva quando il sistema diventa ripetibile e auditabile, non quando “sembra intelligente”. Se state valutando agenti IA in un processo critico, una regola pratica è partire da un pilot con confini chiari, logging completo e criteri di accettazione misurabili. Da lì si può scalare – o fermarsi – con consapevolezza. Per chi vuole confrontare rapidamente un caso d’uso con requisiti di controllo, rischi e metriche (senza trasformare tutto in un progetto infinito), posso condividere una griglia di valutazione e un percorso di lavoro in tre fasi, tarato su contesti italiani.

Dalla fotografia dei numeri alle scelte operative per imprenditori e C‑level italiani di Andrea Viliotti Che cosa succede quando un settore regolato come il farmaceutico e uno energivoro come la chimica devono correre, ma senza perdere controllo? Nel 2025 i numeri hanno mostrato divergenze nette; a inizio 2026 la pressione su costi, supply chain e compliance resta alta. La tesi di questo dossier è semplice: non basta “fare IA”, bisogna industrializzare il digitale — dai dati di impianto al laboratorio, fino a qualità e pianificazione. In queste pagine trovi cosa è cambiato nel 2025, quali trade‑off portare in CdA e un piano operativo 30/60/90 giorni per trasformare use case in disciplina. IA e automazione intelligente in farmaceutico e chimico Sommario esecutivo (3 livelli di lettura) Periodo di riferimento: 1° gennaio 2025 → 19 gennaio 2026. La lettura è organizzata per offrire insieme una fotografia, un dossier decisionale e una guida operativa. Suggerimento di lettura: se vuoi prima il contesto, inizia da “Perché conta”; se vuoi partire dai dati, scorri alle Figure; se cerchi azioni immediate, vai al “Piano 30/60/90 giorni” e al box “Rischi & early signals”. 1) Fotografia + trend (cosa è successo e cosa sta cambiando) ·        Nel 2025 la manifattura italiana ha mostrato segnali misti: a novembre 2025, la produzione industriale complessiva è risultata in aumento tendenziale (+1,4%) ma è stata in lieve calo nella media gennaio–novembre (-0,5%). ·        Il differenziale settoriale è netto: a novembre 2025 la farmaceutica ha segnato un incremento tendenziale (+8,7%), mentre la chimica ha registrato una flessione (-2,9%). ·        L’energia resta un fattore di competitività: nel 2025 il PUN Index GME (monorario) si è mosso su livelli e volatilità tali da rendere sensati interventi su efficienza, flessibilità e contratti, non solo su prezzi. 2) Dossier strategico (decisioni e trade‑off) ·        Farmaceutico e Chimico stanno convergendo su un punto: chi governa dati, qualità e impianti con architetture coerenti (LIMS/ELN–MES–ERP–OT, data integrity, cybersecurity) scala più velocemente l’IA senza bruciare compliance. ·        I driver 2025–inizio 2026 non sono solo domanda e costi: contano revisione normativa UE, resilienza di supply chain, vincoli su talenti tecnici e capacità di industrializzare l’innovazione (dal laboratorio alla linea). ·        Trade‑off chiave da rendere espliciti in CdA: velocità vs qualità/compliance; resilienza vs costo; automazione/IA vs rischio organizzativo e cyber‑OT. 3) Guida operativa (cosa fare lunedì mattina) ·        Un piano 30/60/90 giorni focalizzato su: (i) pipeline di use case ad alto ROI e basso rischio regolatorio, (ii) fondazioni dati (master data, tracciabilità, audit trail), (iii) sicurezza OT e segregazione, (iv) change management misurabile. ·        Un set di early signals osservabili per presidiare rischio energia, supply chain, regolatorio e cyber. Numeri chiave (Italia, produzione industriale — base 2021=100) Novembre 2025 vs novembre 2024 (tendenziale, corretto per calendario): Totale +1,4%; Manifattura +1,0%; Chimica −2,9%; Farmaceutica +8,7%. Gennaio–novembre 2025 vs gennaio–novembre 2024 (tendenziale cumulato, corretto per calendario): Totale −0,5%; Manifattura −0,7%; Chimica −2,5%; Farmaceutica +2,3%. Fonte: ISTAT, “Produzione industriale — Novembre 2025” (pubblicazione del 15 gennaio 2026).   Perché conta nel 2025–inizio 2026 (Mondo → UE → Italia) Il 2025 ha consolidato una lezione: nei settori regolati e capital‑intensive non vince chi “fa più digitale”, ma chi rende il digitale industriale. Per Farmaceutico e Chimico questo significa tre cose: (1) trasformare dati e automazione in vantaggio competitivo senza compromettere qualità e compliance; (2) rendere la supply chain più prevedibile in un contesto geopolitico e logistico instabile; (3) prendere decisioni di capex e people che reggano sia scenari di energia volatile sia evoluzioni normative UE. In Europa, il perimetro regolatorio resta un driver strutturale: non solo per sostenibilità e chimica (REACH/CLP, controlli e enforcement), ma anche per il farmaco (qualità, serializzazione, farmacovigilanza) e per l’uso di IA (governance dei modelli, tracciabilità delle decisioni, responsabilità). Per l’Italia, la domanda pratica è: come trasformare questo “peso” in barriera all’ingresso per competitor meno maturi, accelerando nel contempo time‑to‑market e produttività. Il pezzo segue una logica industriale: guardiamo prima dove si muovono i KPI (produzione e costi energia come proxy), poi traduciamo il tutto in scelte per funzioni (R&D, manufacturing/quality, supply chain, commerciale/market access, compliance/regolatorio, lab automation). Prima di entrare nei capitoli di settore, fissiamo i numeri che orientano tutto il resto: la divergenza tra farmaceutico e chimico nella produzione industriale e la lettura cumulata dell’anno. Le figure qui sotto sono una bussola: se preferisci, puoi saltarle e riprendere dai capitoli di settore. Produzione industriale: farmaceutica vs chimica (Italia, novembre 2025) La dinamica di novembre 2025 evidenzia una divergenza: la farmaceutica traina, la chimica frena. Variazione tendenziale (nov 2025 vs nov 2024), indici corretti per gli effetti di calendario | Periodo: novembre 2025 | Fonte: ISTAT, Produzione industriale — Novembre 2025 | Il quadro del 2025: divergenze che contano (Italia, gennaio–novembre 2025) Sul cumulato 2025 (gennaio–novembre) la tenuta della farmaceutica convive con una pressione più marcata sulla chimica. Variazione tendenziale cumulata (gen–nov 2025 vs gen–nov 2024), indici corretti per gli effetti di calendario | Periodo: gennaio–novembre 2025 | Fonte: ISTAT, Produzione industriale — Novembre 2025 | Note: il cumulato è quello riportato nei prospetti ISTAT; non include dicembre 2025. Con questa bussola in mente, passiamo ora alla lettura per settore: prima il Farmaceutico, poi la Chimica, e infine la lente trasversale su IA e automazione intelligente. Settore Farmaceutico: dove si crea (e si perde) valore Segmentazione operativa ·        API e intermedi: pressione su qualità e continuità di fornitura; leva su tracciabilità e controllo processo. ·        CDMO/CMO: competizione su affidabilità, flessibilità e “right first time”; integrazione digitale cliente‑fornitore come differenziatore. ·        Formulazioni e fill‑finish: qualità in linea, riduzione deviazioni, automazione dei controlli. ·        Packaging/serializzazione e distribuzione: data integration, anticounterfeit, cold chain (quando applicabile). Driver 2025–inizio 2026 Il dato ISTAT di novembre 2025 (tendenziale +8,7% per la farmaceutica) è un segnale di forza relativa: non dice che tutto il comparto sia “in boom”, ma che la combinazione di mix prodotti, capacità e filiere sta rendendo il settore più resiliente della media manifatturiera. Per il management, la domanda non è solo “quanto cresce”, ma “con quale architettura industriale riesco a scalare senza aumentare il rischio qualità?”. Tre driver ricorrenti nel periodo sono: (i) industrializzazione più rapida di pipeline/prodotti, (ii) riduzione del costo della non‑qualità, (iii) domanda di trasparenza (audit, data integrity, tracciabilità end‑to‑end). IA e automazione intelligente: use case che funzionano nel regolato ·        R&D e discovery: triage letteratura/knowledge graph interno; assistenti per protocolli e reportistica; ottimizzazione sperimentale con human‑in‑the‑loop. ·        Clinical & PV (farmacovigilanza): classificazione e prioritarizzazione di segnalazioni, supporto alla compilazione strutturata (con controlli di qualità). ·        Manufacturing/Quality: anomaly detection su parametri di processo; review-by-exception; “deviation triage” e CAPA (azioni correttive e preventive) assistita, con audit trail e versioning. ·        Lab automation: LIMS/ELN integrati, scheduling strumenti, validazioni automatiche e controlli di completezza dati. Caso anonimo (farmaceutico): scalare l’IA senza “rompere” la qualità Contesto: sito produttivo multi‑linea, alta variabilità di lotti e frequenti deviazioni minori. Decisione: introdurre un modello di anomaly detection in tempo quasi‑reale collegato a MES + historian, con una procedura di “review-by-exception” in QA. Cosa ha funzionato: definire prima i criteri di accettazione e le regole di escalation (non solo il modello), e separare chiaramente dati “GxP” e dati di supporto. Risultato operativo: riduzione del backlog di revisione documentale e migliore prioritarizzazione delle deviazioni (senza promettere automazione totale).   Settore Chimico: energia, margini e disciplina di processo Segmentazione operativa ·        Chimica di base/commodity: competitività legata a costi energia e feedstock; necessità di flessibilità e ottimizzazione continua. ·        Specialty e fine chemicals: valore su performance e time‑to‑market; forte dipendenza da know‑how di processo e qualità. ·        Polimeri e materiali: pressione su circularity, qualità costante, controllo di variabilità; tracciabilità per clienti industriali. ·        Formulazioni (vernici, adesivi, detergenza): complessità ricette, gestione varianti, qualità in linea e supply planning robusto. Driver 2025–inizio 2026 La chimica, nella fotografia ISTAT di novembre 2025, mostra una flessione tendenziale (−2,9%) e un cumulato 2025 più negativo (−2,5%). È un segnale coerente con un settore più esposto a costo energia, margini e sostituibilità, soprattutto nei segmenti meno differenziati. In questo contesto, l’automazione e l’IA hanno un compito “anti‑eroico”: ridurre variabilità, sprechi e fermate, e creare visibilità per negoziare meglio energia, manutenzione e supply. IA e automazione intelligente: dove crea valore in chimica ·        Advanced Process Control e soft sensors (sensori virtuali basati su modelli): migliorare resa e qualità riducendo oscillazioni (con governance dei modelli). ·        Predictive maintenance su asset critici: ridurre downtime e costi di fermata (con attenzione a cybersecurity OT). ·        Ottimizzazione energia e flessibilità: scheduling e set‑point per ridurre picchi e costi; analisi di scenario su contratti. ·        Laboratorio: automazione campionamento/analisi, LIMS, gestione non conformità e rilascio rapido. Caso anonimo (chimico): digital twin “pragmatico” per la resa Contesto: impianto continuo con variabilità feedstock e costi energia sensibili. Decisione: costruire un twin leggero (modello ibrido: regole + regressione) per suggerire set‑point in funzione di qualità in uscita e consumo energetico. Cosa ha funzionato: partire da KPI di linea e non dal “gemello perfetto”; definire soglie oltre cui il suggerimento non è applicabile; logging completo. Risultato operativo: più stabilità e meno scarti; base dati migliore per investimenti successivi.   La lente unica: IA + automazione intelligente come disciplina manageriale Nei due settori, l’IA utile è quella che entra nei processi come componente governabile: con ruoli chiari, dati tracciabili, cicli di validazione e monitoraggio continuo. La parola chiave per il 2025–inizio 2026 è “industrializzazione”: portare modelli e automazioni dalla prova di concetto alla produzione, senza moltiplicare eccezioni e debito tecnico. Mappa impatti per funzione (use case → prerequisiti → governance) Funzione Use case prioritari (IA/automazione) Prerequisiti (dati/architettura) Governance minima R&D / Lab Assistenti per protocolli e report; pianificazione strumenti; analisi automatica anomalie LIMS/ELN integrati; catalogo dati; naming standard campioni Human-in-loop; versioning; regole di validazione Manufacturing & Quality Review-by-exception; anomaly detection; CAPA assistita MES + historian; data integrity; tracciabilità lotti; master data Audit trail; segregazione ruoli; monitor drift Supply chain & planning Previsioni con scenari; rilevazione shortage; ottimizzazione scorte Dati domanda/fornitura puliti; integrazione ERP; KPI standard Regole override; controllo bias; explainability operativa Commerciale / Market access Analisi pipeline offerte; supporto pricing/contratti (non automatico) CRM/ERP coerenti; dati prodotto; libreria evidenze Controlli legali; tracciabilità fonti; approvazioni Compliance / Regolatorio Document automation; controllo coerenza dossier; QMS analytics QMS digitale; tassonomie; metadata Approvals; retention; qualità contenuti OT & Cyber Asset inventory; alerting; correlazione eventi; gestione patch Segmentazione rete; logging; CMDB/asset list Incident response; policy accessi; change control Regola d’oro 2025: prima l’architettura, poi il modello Se MES/LIMS/ERP e OT non parlano in modo affidabile, l’IA diventa un moltiplicatore di rumorosità. Se l’audit trail non è progettato, la “scalata” si ferma al primo audit o alla prima deviazione seria. Se il change management è lasciato al caso, il rischio è una ‘shadow automation’ non governata.   Energia: PUN Index GME (monorario) medio mensile (gen–set 2025) Per chimica e, in misura diversa, per farmaceutico, il costo dell’energia entra nei margini e nelle scelte di scheduling. Qui riportiamo il PUN Index GME medio mensile (monorario) per i primi nove mesi del 2025. PUN (Prezzo Unico Nazionale) – PUN Index GME (monorario) medio mensile | Periodo: gennaio–settembre 2025 | Fonte primaria: GME (serie PUN) | Cross‑check: Must Energia (pagina “Indice PUN”, tabella valori mensili) e Bluenergy (documento “Andamento Indici Energetici – 10/2025”, valori mensili) Rischi & early signals (cosa monitorare senza aspettare il consuntivo) La gestione 2025–inizio 2026 richiede un radar: indicatori semplici, frequenti, e collegati a decisioni pratiche. Sotto, un set minimo di rischi con segnali precoci e canali di monitoraggio suggeriti. Rischio Early signals osservabili (lead indicators) Dove guardare (fonti/canali) Energia / costo input Deviazioni PUN vs media 3 mesi; picchi intraday; aumento spread fasce GME (PUN Index), report fornitori energia, dashboard interna consumi Supply chain & logistica Aumento lead time fornitori; stockout su materiali critici; deviazioni qualità in ingresso Scorecard fornitori; dogana/trasporti; KPI ricevimento Regolatorio & compliance Nuove ispezioni/attenzioni su data integrity; aumento CAPA ricorrenti; backlog change control QMS; audit interni; newsletter autorità/associazioni Cyber OT Alert anomali su rete OT; asset non inventariati; patch backlog; accessi privilegiati non tracciati SOC/SIEM; inventario OT; vulnerability management Talenti Turnover su ruoli chiave (QA, automazione, data); tempi di hiring che si allungano HR analytics; pipeline recruiting; performance review Piano 30/60/90 giorni (EEL lite) Obiettivo: costruire risultati visibili in 90 giorni senza creare debito tecnico o rischio regolatorio. Il piano assume un’azienda con impianti e laboratorio già digitalizzati “a macchie” e un backlog di iniziative. Fase Azioni (focus esecuzione) Owner suggerito Output + segnali di avanzamento 0–30 giorni(‘fondazioni’) • Seleziona 3 use case: 1 quality, 1 operations, 1 lab/supply.• Mappa dati e sistemi (LIMS/ELN–MES–ERP–OT), definisci ownership e regole di accesso.• Definisci standard minimi: naming, master data, audit trail, log modello.• Avvia assessment cyber OT (asset inventory + segmentazione). COO + QA Head + CIO/CTO • Backlog use case con criteri di valore/rischio.• Data map + RACI.• Prima dashboard KPI (qualità/fermate/lead time).• Inventario OT ‘versione 1’. 31–60 giorni(‘piloti industriali’) • Implementa 2 piloti in produzione controllata (shadow mode + validazione).• Integra i log nel QMS/Change control.• Definisci playbook: escalation, override, rollback.• Training mirato (operatori + QA) con simulazioni. Plant manager + QA + Data/Automation lead • Piloti con metriche e soglie.• Playbook operativo.• Audit trail verificato.• Feedback ciclo breve (settimane, non mesi). 61–90 giorni(‘scala disciplinata’) • Porta 1 use case in ‘production’ con monitoraggio drift.• Costruisci pipeline MLOps/ModelOps minima (versioni, test, alert).• Rivedi standard fornitori (data exchange, qualità, cybersecurity).• Aggancia il tema energia: consumo per batch/lotto, opportunità di scheduling. CEO/COO sponsor + QA + CIO/CTO • 1 use case scalato.• MLOps/ModelOps minimo attivo.• Nuovo standard fornitori.• Prima ‘energia per prodotto/lotto’ come KPI. Il filo rosso Il filo rosso che unisce Farmaceutico e Chimico nel 2025–inizio 2026 è la stessa domanda manageriale: come trasformare vincoli (energia, regolazione, complessità) in vantaggio competitivo tramite disciplina operativa. ·        Decisione 1: investire in fondazioni dati e governance (anche se “non si vede subito”) vs inseguire POC rapidi. ·        Decisione 2: resilienza (fornitori, scorte, ridondanza) vs efficienza di costo nel breve. ·        Decisione 3: automazione/IA come leva di produttività vs rischio organizzativo (skill gap) e cyber‑OT.   Se il 2024 è stato l’anno in cui molti hanno “provato l’IA”, il 2025 è stato l’anno in cui si è visto chi riesce a renderla industriale: chi ha portato modelli e automazioni dentro qualità, dati e impianti; e chi è rimasto in una sequenza di prove di concetto. All’inizio del 2026 la domanda si sposta sulla scala: far crescere ciò che funziona senza perdere controllo, compliance e sicurezza operativa.

Automazione intelligente per imprenditori e C‑level: cosa è cambiato (2025‑01‑01 → 2026‑01‑19) e cosa fare ora di Andrea Viliotti Tra il 2025 e l’inizio del 2026 la meccanica e la meccatronica si sono trovate nel punto di incrocio tra tre forze: domanda estera più selettiva, pressione su produttività e qualità, e accelerazione dell’adozione di intelligenza artificiale (IA) e automazione avanzata. Il risultato non è “più tecnologia”, ma più disciplina: architetture OT‑IT solide, dati industriali governati, e use case replicabili che reggono a fermate impianto, audit di qualità e vincoli di safety. Executive summary (decision‑first) Nel 2025 la quota di imprese italiane (≥10 addetti) che dichiara di usare almeno una tecnologia di IA sale al 16,4% (da 8,2% nel 2024).Sulla domanda di beni strumentali il segnale è misto: nell’indice ordini macchine utensili (base 2021=100) il III trimestre 2025 mostra un mercato interno in recupero, mentre la componente estera resta debole. Le associazioni di filiera segnalano un 2025 in cui il fatturato tiene più del previsto ma con export sotto pressione: l’attenzione si sposta su efficienza di processo, qualità e time‑to‑value dei progetti digitali. La leva competitiva più concreta nel periodo: qualità “a ciclo” (vision + tracciabilità), manutenzione predittiva “pragmatica” (anomaly detection + CMMS), e pianificazione (vincoli reali + integrazione MES/ERP).Rischio principale per C‑level: moltiplicare PoC senza un reference architecture OT‑IT‑edge‑cloud e senza governance dati/modelli; la mitigazione è un piano 30/60/90 con metriche e owner chiari. Quadro generale del periodo: i driver che hanno contato davvero Nel perimetro meccanica/meccatronica, il periodo 2025‑01‑01 → 2026‑01‑19 si legge bene su tre piani: macro (energia, commercio, regole), meso (filiere e investimenti in beni strumentali) e micro (fabbrica: dati, OT, edge e affidabilità). Per il management, la domanda chiave non è “quanto IA”, ma “dove l’IA cambia un costo strutturale” — scarti, fermi, rilavorazioni, tempi di set‑up, sicurezza. I 5 snodi del periodo (da usare come check‑list) Export più selettivo: la pressione competitiva si sposta su qualità certificabile e tempi di consegna affidabili. Produttività come strategia difensiva: l’automazione si giustifica sempre più per ridurre variabilità, non solo manodopera. Competenze come collo di bottiglia: i progetti IA industriale falliscono più spesso per dati e change management che per algoritmi. Supply chain “trasparente”: tracciabilità e conformità diventano parte del prodotto (non solo dell’IT).Cyber OT + safety: l’aumento di connettività porta benefici, ma alza la posta su segmentazione, accessi remoti e gestione patch.   Analisi per segmento: cosa cambia e dove l’IA è davvero “pagabile” 1) Macchine utensili Segnale di mercato. La domanda resta polarizzata: recupero domestico legato a rinnovo impianti e incentivi/finanza, mentre l’estero risente della debolezza ciclica e dell’incertezza sugli investimenti dei grandi utilizzatori. Implicazioni IA/automazione. Qui la priorità non è “più automazione”, ma automazione più stabile: monitoraggio condizioni macchina, qualità in-process (vision su pezzo/utensile), e scheduling che riduca set‑up e urgenze. L’IA crea valore quando è integrata nel flusso: dal sensore/controllo al MES, fino alla tracciabilità di lotto. Failure mode tipico. Progetti di manutenzione predittiva senza qualità dati (sensori non calibrati, contesto mancante, storico fermate non codificato) e senza governance: modello che “funziona” in laboratorio ma non regge il rumore di linea. 2) Robotica e automazione Segnale di mercato. La robotica continua a crescere come infrastruttura di produttività, ma la selezione si sposta su applicazioni che riducono variabilità e aumentano ripetibilità (carico/scarico, saldatura, asservimento, fine linea e isole flessibili). Implicazioni IA/automazione. L’“automazione intelligente” è soprattutto percezione + decisione locale: vision per riconoscimento pezzi/defetti, stima qualità in tempo reale, e controllo adattivo entro vincoli di sicurezza. La chiave architetturale è l’edge: latenza bassa, resilienza, e integrazione con OT senza dipendere da connettività continua. Failure mode tipico. Confondere applicazioni di supporto decisionale con funzioni safety‑critical. Se la safety dipende da un modello probabilistico senza analisi di rischio e ridondanze, il rischio operativo cresce. 3) Packaging Segnale di mercato. Il packaging resta un segmento ad alta pressione su velocità, cambio formato e qualità estetica/funzionale, con crescente attenzione a tracciabilità, riduzione sprechi e conformità di filiera. Implicazioni IA/automazione. Vision e analitiche di processo sono spesso i primi use case “replicabili”: controllo etichette/codici, difetti di saldatura o riempimento, e correlazioni tra parametri macchina e scarti. Il gemello digitale (anche semplice) è utile se alimentato da dati affidabili e usato per ridurre tempi di set‑up. Failure mode tipico. Sottovalutare la gestione del dato di qualità: nomenclature difetti incoerenti, assenza di dataset “golden” e mancanza di workflow di revisione (quality engineer ↔ data engineer). 4) Automotive e componentistica Segnale di mercato. La transizione tecnologica (elettrificazione, elettronica di potenza, nuovi materiali) rende più complesso il controllo qualità e alza il costo della non conformità. La domanda è più volatile, con pressioni su prezzo e tempi. Implicazioni IA/automazione. Il valore è nella “qualità certificabile”: vision e metrologia assistita, tracciabilità end‑to‑end (dalla materia prima al componente), e modelli di previsione scarti/deriva di processo. Il punto chiave: collegare il dato di linea ai requisiti cliente e ai piani di controllo, non a dashboard generiche. Failure mode tipico. Automazione spinta senza manutenzione organizzativa: linee complesse che richiedono competenze rare per essere mantenute, con conseguente perdita di OEE e aumento fermi. 5) Aerospace, defense, medical Segnale di mercato. Lotti piccoli, alti requisiti di certificazione e cicli lunghi rendono costosa ogni rilavorazione. Qui la competitività è: qualità, documentazione e capacità di dimostrare conformità. Implicazioni IA/automazione. L’IA è utile per ispezioni non distruttive (vision, analisi immagini), per supporto alla pianificazione con vincoli reali, e per rafforzare il digital thread (tracciabilità + versioning). Il valore è massimo quando i dati sono “audit‑ready”: lineage, accessi, e controlli di modifica. Failure mode tipico. Trattare i dati come sottoprodotto: senza data governance, la certificazione diventa più lenta e costosa. IA e automazione intelligente: pattern architetturali e use case replicabili Per C‑level e imprenditori, l’adozione di IA industriale nel periodo è soprattutto un problema di architettura e governance. Gli algoritmi contano, ma il differenziale competitivo viene da: (1) qualità del dato industriale; (2) integrazione OT‑IT; (3) affidabilità operativa; (4) capacità di mantenere modelli e regole nel tempo. Use case replicabili (se i dati ci sono) Qualità a ciclo (computer vision): riduce scarti e rilavorazioni se collegata a regole qualità e tracciabilità di lotto. Manutenzione predittiva pragmatica: partire da anomaly detection e classificazione guasti, integrando CMMS e codifiche fermate. Pianificazione e sequenziamento: combinare ottimizzazione con vincoli reali (setup, utensili, materiali, turni), non solo forecast.Safety operativa: usare IA come sensore “migliorativo” ma mantenere funzioni safety su logiche deterministiche e validate. Energia e aria compressa: analitiche per individuare derive e sprechi, con priorità su affidabilità e manutenzione.   Reference architecture OT‑IT (regola pratica) Un pattern robusto visto emergere nel periodo è lo “stack a strati”: macchina/linea (OT) → raccolta dati affidabile (edge gateway) → storicizzazione e contesto (time‑series + MES) → analytics/IA (edge o on‑prem; cloud se serve scala) → reintegro nel processo (allarmi, qualità, pianificazione). La scelta edge vs cloud va fatta su latenza, continuità operativa, e rischio: in fabbrica conta la degradazione controllata quando la rete non è perfetta. Governance, cybersecurity OT e safety Nel 2025 la governance si è spostata da “progetto IT” a “rischio operativo”: chi possiede i dati di produzione, come si gestiscono accessi remoti, come si aggiornano modelli e software senza fermare la linea, e come si documentano le modifiche. Per la meccatronica questo incrocia anche la safety: l’IA può assistere, ma la sicurezza di macchina richiede analisi dei rischi, ridondanze e verifiche. Agenda regolatoria (da mettere in roadmap, senza hype) EU AI Act: applicazione generale dal 2 agosto 2026; alcune disposizioni sono applicabili già prima (timeline a scaglioni).NIS2: rafforza gli obblighi di cybersecurity per molte entità e filiere; in pratica spinge verso gestione rischio, incident response e supply‑chain security.Machinery Regulation (UE): sposta l’asticella su sicurezza di macchine e componenti; per chi integra software/IA è un tema di progettazione e documentazione.   In numeri Periodo: 2023–2025 | Fonte: ISTAT, “Imprese e ICT – Anno 2025”.   Periodo: III trim. 2025 | Fonte: UCIMU – Ufficio Studi (Indice ordini macchine utensili). Che cosa cambia per le imprese (azioni verificabili) CEO: scegliere 2–3 risultati misurabili (qualità, OEE, lead time) e finanziare solo use case con owner e dati disponibili. COO/Operations: standardizzare codifiche fermate/scarti e definire la metrica “prima” del modello; iniziare da una linea pilota. CTO/Innovazione: definire reference architecture OT‑IT‑edge, data governance e ciclo di vita modelli (MLOps industriale).CFO/Controllo: business case per fasi (gate 30/60/90), capex/opex e rischio (cyber/safety) come costo atteso.   Piano 30/60/90 (EEL lite) Finestra Obiettivo Owner (placeholder) Segnali precoci (early signals) 0–30 giorni Assessment dati/OT + portfolio use case + baseline cyber OT CEO/COO/CTO Dati disponibili? Codifiche stabili? Asset inventory OT completato? 31–60 giorni Pilota su una cella/linea + integrazione minima (edge→MES/CMMS) COO/CTO Riduzione micro‑fermi? Qualità allarmi? Tempo risposta manutenzione? 61–90 giorni Industrializzazione: governance modelli, change management, standard di replicazione COO/CTO/CFO Stabilità KPI 4–6 settimane? Drift sotto controllo? Costi di esercizio misurati? Risk Radar (priorità C‑level) Rischio Perché conta Mitigazione pratica Cyber OT e accessi remoti Fermate impianto e perdita continuità operativa Segmentazione, MFA/least privilege, logging, backup testati, piano incident response Data/model governance Modelli che degradano; decisioni non auditabili Data owner, registry modelli, change log, test regressione, monitor drift Safety e responsabilità Infortuni o non conformità; blocco messa in servizio Risk assessment, funzioni safety deterministiche, validazione e documentazione Lock‑in e debito tecnico Costi crescenti e impossibilità di scalare Reference architecture, contratti con exit plan, standard dati/interfacce Competenze Progetti che non vanno in produzione Formazione on‑the‑job, ruoli chiari (OT/IT/data), partnership con competence center Filo rosso Il filo rosso del periodo è semplice: la competitività nella meccanica/meccatronica non dipende dal “fare IA”, ma dal ridurre variabilità e rischio operativo con scelte architetturali e organizzative solide. Chi ha trasformato l’IA in disciplina (dati, OT‑IT, governance, sicurezza) ha sbloccato miglioramenti cumulativi su qualità, manutenzione e pianificazione; chi l’ha trattata come sperimentazione isolata ha accumulato complessità.

Parlare di “potere” nell’economia digitale non significa solo contare utenti o fatturato. Significa capire chi decide le regole operative: quali dati contano, quali interfacce diventano standard, quali controlli sono obbligatori, quali processi sono auditable e quali, semplicemente, smettono di funzionare se un fornitore cambia una policy o un’API. Negli ultimi venticinque anni il potere digitale si è concertato – spesso più che “concentrato” – in una triangolazione dinamica: Stato e regolatori (che fissano vincoli e incentivi), piattaforme e infrastrutture (che fanno da intermediazione e da “impianto”), industria e imprese (che producono valore ma dipendono da mercato, dati e tecnologia). L’intelligenza artificiale e l’automazione industriale “intelligente” non eliminano questa triangolazione: la rendono più visibile. Perché spostano il baricentro verso ciò che di solito resta sotto il cofano – cloud e calcolo, dati e standard, sicurezza e audit – e portano la stessa logica della piattaforma dentro la fabbrica di Andrea Viliotti Il concerto del potere nell’economia digitale Quando l’intermediazione diventa infrastruttura All’inizio degli anni Duemila la lezione non arrivò dal social network, ma dal sistema operativo. Il punto non era solo “chi vende di più”, bensì chi controlla la porta d’ingresso: il default, la compatibilità, l’interoperabilità. Nel 2004 la Commissione europea colpì Microsoft per abuso di posizione dominante: un caso che, al di là dell’esito giuridico, ha fissato un principio industriale. Quando la distribuzione è incorporata nell’infrastruttura, il mercato non è più solo un luogo di scambio: è un circuito chiuso di regole. Quella lezione riemerge oggi in forme diverse: app store, marketplace, motori di ricerca, sistemi operativi mobili. E, con l’automazione, nei software che governano gli impianti: se l’ecosistema è integrato e proprietario, la concorrenza non si fa “sul prodotto”, ma sull’accesso. Dal web al cloud: la scala che diventa standard La seconda fase del potere digitale è stata la trasformazione della piattaforma in infrastruttura. Il cloud non è solo un modo di comprare server: è un modo di comprare – o affittare – controllo. Identità e accessi, logging, cifratura, servizi gestiti, modelli di sviluppo: una parte crescente delle regole operative dell’impresa viene “pre-configurata” dal fornitore di infrastruttura. Qui si forma un paradosso utile per capire la concertazione: la centralizzazione può aumentare sicurezza e standardizzazione, ma crea anche colli di bottiglia. Nel momento in cui l’innovazione (per esempio l’AI) richiede grandi quantità di calcolo e dati, chi controlla cloud e chip diventa un attore negoziale, non un semplice fornitore. Il ritorno dello Stato: da multe e privacy alle regole ex ante Dal 2016 in poi l’Europa ha reso esplicito un cambio di postura: non solo enforcement “dopo” l’abuso, ma costruzione di regole “prima”. Il Regolamento generale sulla protezione dei dati (GDPR) ha trasformato la gestione dei dati da pratica tecnica a obbligo organizzativo. Le grandi decisioni antitrust contro Google, e più tardi la sanzione ad Apple nel caso dello streaming musicale, hanno mostrato che la scala digitale non è neutrale: può essere usata per piegare mercati adiacenti. Con il Digital Markets Act (DMA) e il Digital Services Act (DSA) la logica diventa ancora più netta: alcune piattaforme non sono trattate come imprese “normali”, ma come gatekeeper, con obblighi specifici. È un passaggio concettuale: dal divieto di comportamento scorretto alla progettazione di compatibilità, portabilità, trasparenza e, in prospettiva, auditabilità. In parallelo, il Data Act e l’AI Act spingono la regolazione dentro la catena del dato e del modello: chi usa AI deve poter dimostrare controlli, non solo promettere risultati. La fabbrica intelligente come nuova arena di potere operativo Nella manifattura la posta in gioco non è solo la “digitalizzazione”, ma la convergenza tra Operational Technology (OT) e Information Technology (IT). Sistemi di Supervisory Control and Data Acquisition (SCADA), Manufacturing Execution System (MES) ed Enterprise Resource Planning (ERP) stanno diventando parti di un’unica catena informativa. La promessa è nota: manutenzione predittiva, controllo qualità con visione artificiale, ottimizzazione energetica, riduzione scarti. Il meccanismo meno discusso è il potere operativo: chi definisce il modello dati, gli standard di interoperabilità, i connettori, i diritti di accesso. Nel linguaggio della fabbrica, il “lock-in” non è un abbonamento: è un’interruzione di linea. Se la manutenzione predittiva dipende da un sensore proprietario, se il gemello digitale (digital twin) dipende da un toolchain chiuso, l’impresa scambia efficienza immediata con una dipendenza di lungo periodo. E quando OT e IT si fondono, la cybersecurity non è più un capitolo separato: diventa parte del contratto di produzione. Un’altra chiave di lettura – utile come “+1” strategico – è pensare alla fabbrica come piattaforma. Non perché venda app, ma perché orchestrare macchine, dati e aggiornamenti significa fissare regole di accesso. In questa lente, vendor di automazione, integratori di sistema e hyperscaler competono (e cooperano) per diventare il punto di gravità della “catena digitale” dello stabilimento. AI in impresa: la diffusione cresce, ma il potere resta nell’infrastruttura L’adozione di tecnologie di intelligenza artificiale nelle imprese europee sta crescendo rapidamente, ma resta lontana dall’essere universale. Questo è un dato importante perché ridimensiona due illusioni opposte: l’idea che “l’AI è ovunque” e l’idea che “l’AI è solo hype”. In mezzo c’è la realtà gestionale: servono dati pronti, processi chiari, competenze e responsabilità, oltre a calcolo e integrazione. Qui la concertazione del potere è evidente: da un lato i regolatori chiedono trasparenza e controlli; dall’altro i fornitori di infrastruttura e modelli offrono accelerazione – ma spesso a condizioni che definiscono loro. Per un’impresa industriale, la domanda strategica non è “fare AI sì/no”, ma dove mettere l’AI (edge, on-premise, cloud), con quali dati, con quali vincoli di sicurezza e con quali clausole di uscita. Chi decide in impresa: metriche, algoritmi e negoziazione del lavoro Una parte del potere digitale non passa dai chip ma dalle metriche. Quando la produzione, la logistica o il servizio clienti sono misurati e ottimizzati da sistemi algoritmici, cambiano due cose: la visibilità (cosa viene visto) e l’autorità (chi può contestare un dato o una decisione). È qui che la “concertazione” torna al significato più concreto: regole, contratti, relazioni industriali. La questione non è solo etica. È operativa. Sistemi di scheduling, scoring, controllo qualità automatizzato e monitoraggio possono aumentare produttività e sicurezza, ma anche generare conflitti, errori di governance e rischi reputazionali. Le imprese che trattano questi sistemi come puro software perdono due volte: prima per inefficienze, poi per contenziosi e attrito interno. Fin qui la storia sembra una sequenza di tecnologie. In realtà è una sequenza di “regimi di controllo”: chi può imporre standard, chi può cambiare condizioni, chi può auditare e chi deve solo adeguarsi. Per orientarsi, una timeline e alcuni numeri-ancora aiutano più di cento slogan. Timeline Periodo Evento Perché conta per il potere 2004 Antitrust UE: decisione su Microsoft (interoperabilità e bundling). Primo grande caso europeo sul potere del “default” e dell’ecosistema software. 2016–2018 GDPR: entrata in vigore e applicazione del regolamento privacy. Il dato diventa responsabilità organizzativa: accountability, processi, sanzioni. 2017–2019 Antitrust UE: sanzioni a Google (Shopping, Android, AdSense). Enforcement su potere di intermediazione e leva su mercati adiacenti. 2022–2024 DMA/DSA: regole ex ante per i gatekeeper e obblighi di trasparenza. Dal “dopo” al “prima”: la compliance entra nell’architettura di prodotto. 2024 AI Act: primo quadro europeo organico sull’AI, con obblighi per sistemi ad alto rischio. L’AI passa da progetto a sistema governato: documentazione, controlli, auditabilità. 2025 Data Act: applicazione delle regole su accesso e uso equo dei dati generati da prodotti/servizi. La portabilità dei dati diventa leva competitiva e contrattuale, anche in ambito industriale.   Numeri chiave Alcuni indicatori aiutano a rendere “misurabile” la concertazione del potere tra infrastrutture, imprese e regole. Ambito Numero (periodo) Fonte (principale) Adozione AI nelle imprese UE: 20,0% (2025) • Italia: 16,4% (2025) Eurostat / ISTAT Evoluzione adozione AI UE: 8,1% (2023) → 13,5% (2024) → 20,0% (2025) Eurostat Cloud: concentrazione offerta Quote globali cloud infrastrutturale (Q3 2025): AWS 29% • Microsoft 20% • Google 13% Synergy Research Robotica: densità media Densità robot industriali (2023): media globale 162 unità per 10.000 addetti; Unione Europea 219 IFR (International Federation of Robotics) Enforcement: multe emblematiche Google Android: €4,34 mld (2018) • Google Shopping: €2,42 mld (2017) • Apple (streaming musicale): €1,84 mld (2024) Commissione UE Quote di mercato cloud infrastrutturale (AWS, Microsoft, Google). Periodo: Q3 2025. Fonte: Synergy Research Group. Adozione di tecnologie di intelligenza artificiale nelle imprese (UE vs Italia). Periodo: 2023–2025. Fonte: Eurostat (UE) e ISTAT (Italia). Piano 30/60/90 (EEL lite) Un piano operativo, senza “magia”: tre finestre di lavoro per ridurre dipendenze e aumentare controllo su dati, AI e automazione. Timebox Azione Owner (ruolo) Prerequisiti Rischi 30 giorni Mappare dipendenze critiche (cloud, licenze OT/IT, dati, modelli) e definire priorità di continuità operativa. CIO/CTO + Responsabile Produzione Inventario asset + contratti + log di incidenti Scoperta tardiva di lock-in; shadow IT 60 giorni Definire governance dati e AI: owner di dataset, criteri qualità, policy su modelli (build/buy), requisiti di audit e sicurezza OT. Data/AI lead + CISO + Legal/Compliance Data catalog minimo; classificazione dati; risk assessment Compliance frammentata; vulnerabilità OT 90 giorni Eseguire 2–3 progetti pilota “misurabili”: uno su efficienza (es. manutenzione), uno su qualità, uno su sicurezza/monitoraggio; con clausole di uscita e KPI realistici. Operations + IT/OT + Procurement Baseline KPI; ambiente test; formazione Piloti non scalabili; dipendenza da vendor; ROI non verificabile   Rischi/incidenti (sintesi operativa) Rischio Trigger Impatto Mitigazione Evidenza (proxy) Lock-in infrastrutturale Cambio policy/prezzi; fine supporto; costi egress Aumento costi; ritardi; dipendenza strategica Multi-vendor ragionato; clausole di exit; portabilità dati Contratti; architettura; test di migrazione Dipendenza da dati/standard Dati non portabili; standard proprietari; API chiuse Impossibilità di scalare AI/automazione; perdita di controllo Standard aperti dove possibile; data contracts; governance Schema dati; connettori; audit interno Cybersecurity OT Patch mancate; segmentazione debole; supply chain Fermo impianto; danni; sicurezza fisica Segmentazione; monitoraggio; incident response OT Vulnerability scan; esercitazioni; log Rischio compliance AI Uso di AI in processi critici senza documentazione Sanzioni; stop progetti; reputazione AI risk assessment; tracciabilità; vendor due diligence Registro sistemi AI; checklist controlli Rischio competenze/governance Team senza ownership; rotazione; outsourcing totale Progetti non manutenibili; scelte irreversibili Capability building; ruoli e responsabilità; formazione Piano skill; RACI; budget Rischio supply chain compute/chip Scarsità GPU; geopolitica; export controls Ritardi deployment; costi; dipendenza fornitori Pianificazione capacità; opzioni ibride; priorità casi d’uso Roadmap; contratti capacità; scenari Cosa monitorare nel 2026 ·        Enforcement antitrust e applicazione DMA: decisioni e rimedi che cambiano condizioni d’accesso (API, ranking, interoperabilità). ·        Aggiornamenti normativi e standard su AI e dati: linee guida applicative, standard tecnici, requisiti di audit. ·        Dinamiche cloud/compute: nuove indagini su pratiche di lock-in, cambi di pricing, disponibilità di capacità per carichi AI. ·        Incidenti OT e posture cyber: vulnerabilità su supply chain, patching, segmentazione, esercitazioni e readiness. ·        Evoluzione dei contratti con vendor e integratori: clausole su portabilità, logging, diritti su dati industriali e modelli. ·        Segnali nel lavoro: metriche algoritmiche, trasparenza delle decisioni, formazione e negoziazione su ruoli e impatti. Filo rosso Il filo rosso è che l’economia digitale non distribuisce potere in modo automatico: lo ridisegna attorno a infrastrutture, dati e regole. Chi controlla i punti di passaggio – cloud, standard, identità, ranking, audit – non controlla solo tecnologia: controlla opzioni strategiche. Per un’impresa industriale italiana ed europea, la risposta non è scegliere tra entusiasmo e paura. È costruire margine decisionale: progettare architetture che riducano la dipendenza, contratti che preservino portabilità, governance che renda l’AI misurabile e contestabile, e una cultura operativa che sappia distinguere innovazione da delega cieca.

Un anno di normalizzazione dopo il rimbalzo post‑pandemico: immatricolazioni sotto i livelli pre‑crisi, mix tecnologico che sposta competenze e scorte, mentre la gestione dei PFU e la trasparenza delle filiere diventano parte del costo industriale. di Andrea Viliotti Nel 2025 l’automotive italiano ha attraversato un anno di "tenuta senza slancio": le immatricolazioni di autovetture nuove si sono fermate a 1.525.722 unità (−2.1% sul 2024). con un ultimo trimestre che ha riassorbito parte delle debolezze estive. Nel mix. le alimentazioni elettrificate hanno continuato a guadagnare centralità nelle decisioni di prodotto e di supply chain e. a fine anno. le auto ricaricabili (BEV+PHEV) hanno rappresentato il 12.7% del mercato. Fonte: UNRAE. Sullo sfondo. il mercato dei pneumatici resta un indicatore anticipatore e. insieme. un ammortizzatore: traduce in volumi la stagionalità (estivo/invernale/all‑season). il parco circolante e i chilometri percorsi. ma incorpora anche pressioni su prezzi. tempi di consegna e qualità. Nel 2025. la sola filiera della responsabilità estesa ha visto Ecopneus raccogliere 199.408 tonnellate di PFU (a fronte di un target 160.627). segnale che la gestione a valle non è più "solo ambiente". ma capacità operativa e reputazionale. Fonte: Ecopneus. Auto e pneumatici in Italia 2025 Mondo Il 2025 ha confermato un contesto globale in cui l’auto è meno un prodotto “finito” e più una piattaforma industriale che dipende da semiconduttori, chimica, logistica e accesso al capitale. La competizione sui prezzi e la velocità di rinnovo dei modelli hanno spinto i costruttori a comprimere tempi di sviluppo e a chiedere alla supply chain maggiore flessibilità: si traduce, per componentisti e distributori, in contratti più corti e in una gestione delle scorte più tattica. Per gli pneumatici, l’equilibrio tra domanda e capacità resta sensibile alle oscillazioni dei flussi commerciali e ai livelli di import. Nel mercato europeo del ricambio, nei primi 9 mesi 2025 le vendite di pneumatici consumer sono state 169,333 milioni di unità (−1% sul 2024), mentre il segmento moto/scooter è cresciuto a 8,198 milioni (+4%), segnalando che la mobilità leggera continua a generare volumi anche quando l’auto rallenta. Fonte: Tyres Europe. Il filo rosso… è che, nel 2025, la variabile davvero globale non è stata la domanda finale, ma la capacità di assorbire volatilità senza degradare servizio e qualità. Quando il costo del capitale resta selettivo, le filiere premiano chi riduce sprechi e difetti prima ancora di aumentare i volumi. Per automotive e pneumatici, questo significa progettare processi e reti distributive pensando a shock ricorrenti, non a eccezioni. Europa In Europa, il 2025 ha accentuato il doppio vincolo della transizione: da un lato il rinnovamento tecnologico (elettrificazione, software, sicurezza attiva), dall’altro la necessità di difendere capacità industriale e catene di fornitura in un quadro competitivo più duro. Per l’aftermarket, ciò significa che normative, etichettature e requisiti di performance diventano parte del prodotto: non bastano più prezzo e disponibilità, conta la tracciabilità della specifica e la coerenza con l’uso reale (flotte, percorrenze, stagionalità). Il termometro è visibile nei segmenti professionali: nei 9 mesi 2025 le vendite di pneumatici truck & bus nel ricambio europeo sono state 8,414 milioni (−1%), mentre l’agricolo resta più debole (543 mila, −4%). Quando trasporto e agricoltura frenano, l’impatto arriva lungo tutta la catena: dal produttore di gomme al grossista, fino al gommista di territorio, che deve scegliere quanta esposizione tenere su premium e quanto su value. Fonte: Tyres Europe. Il filo rosso… è che, nel 2025, l’Europa ha continuato a spostare il valore dall’hardware al sistema: componenti, pneumatici inclusi, non sono più “parti” ma elementi di performance misurabile. Per le imprese, la conseguenza pratica è che compliance e qualità non vanno trattate come costo fisso, ma come leva di accesso al mercato e di protezione dei margini. Italia Il mercato domestico ha chiuso l’anno con 1.525.722 immatricolazioni di autovetture (−2.1% sul 2024). un livello ancora distante dalle soglie pre‑crisi ma sufficiente a sostenere la rete commerciale e i flussi di ricambio. Il profilo trimestrale racconta un 2025 irregolare: 443.953 unità nel primo trimestre. 410.939 nel secondo. un terzo trimestre a 312.598 e un recupero nell’ultimo trimestre. Fonte: UNRAE. Il mix di alimentazioni spiega perché le imprese della filiera non possano più ragionare “a media”: nel 2025 le ibride (HEV+MHEV) hanno raggiunto il 44,4% del mercato, la benzina è scesa al 24,3% e il diesel al 9,4%, mentre BEV e PHEV hanno chiuso rispettivamente al 6,2% e 6,5%. Per chi lavora su pneumatici e servizi, il punto è operativo: la crescita dell’elettrificato sposta carichi, coppie e profili d’uso, e rende più sensibili usura, rumore e rolling resistance — elementi che entrano nelle scelte di flotta e nei capitolati. Fonte: UNRAE. Nei veicoli da lavoro. il 2025 ha visto 189.050 immatricolazioni di veicoli commerciali leggeri (−4.9%) e 27.755 immatricolazioni di veicoli industriali sopra le 3.5 tonnellate (−3.7%). con flessione marcata dei trattori stradali. Sul fronte due ruote. il consuntivo indica 331.523 scooter+moto. con scooter in crescita e moto in calo: segnali divergenti che. per chi vende pneumatici. si traducono in mix prodotto e stagionalità ancora più segmentata. Infine. la sostenibilità diventa “logistica”: Ecopneus dichiara 199.408 tonnellate di PFU raccolte nel 2025. dato che misura la capacità del sistema di ritiro e trattamento. Fonti: UNRAE; ANCMA; Ecopneus. Il filo rosso… è che l’Italia, nel 2025, ha vissuto un mercato che non premia l’inerzia: chi resta fermo su assortimenti e processi pensati per un parco ICE dominante rischia di inseguire. La combinazione di stagionalità, crescente complessità tecnica e obblighi a valle (PFU) spinge verso reti più “industrializzate”: dati, standard operativi, e partner di raccolta e riciclo integrati nei contratti. I 5 fatti della settimana 1.      Il mercato auto 2025 chiude a 1.525.722 immatricolazioni. con un ultimo trimestre che compensa in parte la debolezza estiva. Per le imprese. significa domanda stabile ma più sensibile a promozioni. tempi di consegna e tassi di finanziamento. Fonte: UNRAE. 2.      Le alimentazioni elettrificate diventano la “nuova normalità” nei listini: ibride al 44,4% e ricaricabili (BEV+PHEV) al 12,7%. Questo sposta la domanda di componenti e servizi verso qualità, diagnostica e gestione dei dati, anche nell’aftermarket. Fonte: UNRAE. 3.      Nei veicoli da lavoro. 189.050 LCV e 27.755 industriali sopra 3.5t indicano un 2025 più prudente per trasporto e cantieri. Per pneumatici e manutenzione. l’impatto è su contratti di flotta. ricostruzione e gestione del fermo mezzo. Fonte: UNRAE. 4.      La gestione PFU mostra scala e pressione operativa: Ecopneus dichiara 199.408 tonnellate raccolte nel 2025 (target 160.627). Per gommisti e flotte. diventa essenziale tracciare conferimenti e partner di filiera per evitare colli di bottiglia e rischi reputazionali. Fonte: Ecopneus. 5.      Nel ricambio europeo pneumatici, i 9 mesi 2025 vedono consumer a 169,333 milioni (−1%) ma moto/scooter in crescita (+4%). La lezione è di mix: stagionalità e micro‑segmenti contano più del “mercato totale” quando si pianificano scorte e prezzi. Fonte: Tyres Europe. Intelligenza artificiale Nel 2025 l’IA è uscita dalla fase “proof of concept” per entrare nei processi che contano: pianificazione della domanda, controllo qualità e assistenza tecnica. Per l’automotive, la leva più immediata è l’ottimizzazione della supply chain: modelli che combinano ordini, lead time e dati di trasporto possono ridurre stock e rotture, ma solo se alimentati da dati puliti e governance chiara. Nell’universo pneumatici, l’applicazione più concreta è il forecast per canale (flotte, retail, e‑commerce) e per stagionalità, incrociando meteo, ordinanze locali e storico vendite. Il punto competitivo, però, non è “avere un algoritmo”: è trasformare il segnale in decisioni operative — riordini, allocazioni, e interventi di manutenzione predittiva — e misurarne l’impatto su resi, garanzie e soddisfazione del cliente. Automazione industriale Il 2025 ha reso evidente che automazione non significa solo robot: significa stabilità di processo e capacità di cambiare produzione senza sprechi. In componentistica e pneumatici, il tema è la variabilità: più versioni, più materiali, più combinazioni — e quindi più rischio di difetti e fermi linea. Per le imprese italiane, la sfida è integrare automazione e competenze: sensoristica, visione artificiale, tracciabilità e manutenzione predittiva. Chi riesce a standardizzare dati di impianto e qualità può negoziare meglio con OEM e grandi flotte, perché porta evidenze — non opinioni — su conformità, rendimento e TCO. USA, Cina e UE Nel 2025, le imprese della filiera automotive hanno dovuto gestire un contesto geopolitico che agisce su tre piani: politiche industriali (incentivi, localizzazione), regole tecnologiche (export control e sicurezza) e commercio (tariffe e misure difensive). La differenza, per chi produce o distribuisce, è capire a che “stadio” si trova una misura: annuncio, avvio di indagine, decisione applicativa, oppure fase di ricorso e negoziato. Questo linguaggio di “stato avanzamento” non è burocrazia: serve a decidere quando anticipare scorte, quando diversificare fornitori e quando spostare capacità produttiva. Per pneumatici e componenti, l’impatto si vede nei costi di approvvigionamento (gomma, chimica, acciaio), nei tempi doganali e nella disponibilità di specifiche omologate, con un effetto diretto su prezzi finali e margini dell’aftermarket. Borse valori Nel 2025 i mercati hanno mandato un messaggio utile alle imprese: il costo del capitale è rimasto selettivo, ma ha premiato chi ha reso credibile un percorso di margini e di efficienza energetica. La lettura sotto non è “borsa per la borsa”, ma un termometro di rischio e di aspettative su crescita e inflazione. ·        NYSE (USA) — S&P 500: +16,39% nel 2025. Fonte: S&P Dow Jones Indices. Lettura: capitale più disponibile per chi dimostra produttività e pricing power, con riflessi su investimenti di filiera. ·        NASDAQ (USA) — Nasdaq Composite: +20,36% nel 2025. Fonte: Macrotrends. Lettura: premio alla tecnologia e al software, che nell’auto si traduce in ADAS, connettività e data‑driven manufacturing. ·        Euronext (Italia inclusa) — STOXX Europe 600: +16,6% nel 2025. Fonte: Reuters. Lettura: i mercati europei hanno scontato normalizzazione, ma restano sensibili a energia e domanda industriale. ·        Londra (LSE) — FTSE 100: +21,5% nel 2025. Fonte: The Independent. Lettura: composizione “difensiva” e valuta hanno attenuato volatilità; utile per chi ha supply chain UK‑UE e contratti in GBP. ·        Shanghai (SSE) — Shanghai Composite: +18,41% nel 2025. Fonte: People.cn / Shanghai Securities News. Lettura: segnali di supporto e rotazioni settoriali impattano su concorrenza EV e catena batterie. ·        Shenzhen (SZSE) — Shenzhen Component: +29,87% nel 2025. Fonte: People.cn / Shanghai Securities News. Lettura: maggiore esposizione a tecnologia e mid‑cap, con effetti su elettronica auto e componenti. ·        Hong Kong (HKEX) — Hang Seng: +28% nel 2025. Fonte: The Wall Street Journal. Lettura: ponte finanziario verso la Cina; utile come indicatore di sentiment su export e su catene asiatiche. ·        Tokyo (JPX) — Nikkei 225: circa +28% nel 2025. Fonte: Al Jazeera. Lettura: yen, tecnologia e automotive giapponese restano un riferimento per qualità e produttività in componentistica. ·        India (NSE) — Oro: +65% nel 2025 (proxy di copertura rischio). Fonte: The Guardian. Lettura: quando la copertura cresce, aumenta la pressione su costi input e su financing, specie per PMI esposte a import. Il filo rosso… è che i mercati, nel 2025, hanno “prezzato” più i processi che i volumi. Per automotive e pneumatici, questo significa che efficienza energetica, qualità e tracciabilità della filiera diventano linguaggio finanziabile: banche, clienti e assicurazioni chiedono evidenze. Chi trasforma i dati operativi in reputazione di affidabilità riduce il costo del capitale anche senza crescere a doppia cifra. In numeri Due grafici per fissare i driver del 2025: andamento delle immatricolazioni e composizione per alimentazione. Immatricolazioni di autovetture in Italia per trimestre. Periodo: 2025 Q1–Q4. Fonte: UNRAE (Pocket 9 mesi 2025; Consuntivo 2025). Quote (%) delle immatricolazioni di autovetture in Italia per alimentazione. Periodo: anno 2025. Fonte: UNRAE (Consuntivo 2025). Che cosa cambia per le imprese Cinque implicazioni operative, una per funzione, da portare in comitato operativo. Ogni punto include un trigger osservabile e un KPI misurabile su dati aziendali o pubblici. ·        [CEO] Nel 2025 il mercato premia chi governa la complessità (mix tecnologico, canali, compliance) senza inseguire solo volumi. Trigger: revisione listini OEM/fornitori o variazioni improvvise del mix alimentazioni. KPI: margine per canale; tasso di consegne puntuali (OTD). ·        [CFO] La volatilità non è sparita: serve proteggere cassa e capitale circolante soprattutto su scorte stagionali e prodotti a lenta rotazione. Trigger: aumento giorni giacenza o incremento resi/garanzie. KPI: DIO (days inventory outstanding); cash conversion cycle; costo medio finanziamento scorte. ·        [COO] L’aftermarket richiede industrializzazione della rete: procedure, tracciabilità, standard qualità e collaborazione sui PFU. Trigger: picchi stagionali o colli di bottiglia su ritiro PFU e logistica. KPI: lead time approvvigionamento; first‑time‑fix in officina; tasso reclami qualità. ·        [CISO] Veicoli connessi, dealer e supply chain digitale espongono a incidenti cyber che fermano vendite e assistenza più di un guasto fisico. Trigger: crescita anomalie su accessi remoti o phishing verso rete vendita. KPI: tempo medio di ripristino (MTTR); percentuale backup testati; incidenti segnalati per mese. ·        [HR] Transizione e automazione spostano skill: servono competenze su dati, diagnostica e qualità, oltre alla manualità tradizionale. Trigger: aumento turnover su ruoli tecnici o difficoltà di copertura turni. KPI: vacancy time per profilo; ore formazione per addetto; tasso certificazioni tecniche conseguite. Settimana prossima ·        30 gennaio 2026: Tavolo nazionale sul settore Automotive al MIMIT, indicato come prossimo appuntamento istituzionale dopo il consuntivo 2025. Fonte: UNRAE. ·        Entro metà aprile 2026: finestra di cambio pneumatici invernali/estivi e verifica codici di velocità, variabile che muove picchi di domanda retail. Fonte: Sky TG24. ·        Da metà novembre 2026: riattivazione del periodo invernale su molte tratte (pneumatici invernali o dispositivi a bordo in base a ordinanze), con impatto su scorte e staffing. Fonte: Sky TG24. Il filo rosso… è che, anche nel 2026, il calendario “muove” il mercato quanto i listini: chi prepara scorte, personale e logistica sulle finestre stagionali riduce gli straordinari e migliora il servizio, senza rincorrere l’ultimo minuto. Orizzonte: ultimi 6 mesi, prossimi 3 mesi ·        Stagionalità pneumatici più “spigolosa” tra all‑season e invernali. Confidenza: media. Segnali: ordini anticipati su canale retail; aumento richieste all‑season. Collegamento: gestione scorte e staffing gommisti. ·        Pressione su trasporto e cantieri riflessa sul segmento truck & bus. Confidenza: medio‑alta. Segnali: riduzione km medi flotte; contratti manutenzione più negoziati. Collegamento: mix prodotti TBR e servizi, ricostruzione inclusa. ·        Crescita ibrido come default e stabilizzazione ricaricabili a doppia cifra. Confidenza: alta. Segnali: mix immatricolazioni e capitolati flotte; più richieste su bassa resistenza al rotolamento. Collegamento: specifiche pneumatici, rumore e TCO. ·        Aumento requisiti di tracciabilità su PFU e rifiuti collegati. Confidenza: media. Segnali: audit clienti; richieste documentali su conferimenti. Collegamento: compliance e reputazione di rete. ·        AI applicata a forecast e qualità, ma rischio “dati sporchi”. Confidenza: media. Segnali: progetti IA che non arrivano a produzione; errori anagrafica prodotto. Collegamento: governance dati e standardizzazione processi. ·        Politiche commerciali e tariffe: maggiore necessità di distinguere annuncio/indagine/applicazione/ricorso. Confidenza: bassa‑media. Segnali: aggiornamenti doganali e comunicazioni associazioni. Collegamento: sourcing, prezzi e contratti. ·        Costo energia e costo capitale come variabili di margine, non solo di budget. Confidenza: media. Segnali: spread fornitori; richieste anticipo pagamenti. Collegamento: finanza di filiera e negoziazione. Il filo rosso… è che i prossimi tre mesi non chiedono “strategie nuove”, ma disciplina: dati, priorità e scelte di assortimento coerenti. Chi governa le variabili controllabili (scorte, qualità, compliance, cyber) arriva più forte quando il ciclo di domanda torna a spingere. Piano 30/60/90 (EEL lite) Orizzonte Azione (cosa fare) Owner Scadenza Segnali / KPI 30 giorni Pulire dati base (anagrafiche pneumatici, stock, PFU) e definire regole di riordino per stagione/canale. COO + Supply Chain T+30 DIO; OTD; errori anagrafica; backlog PFU. 60 giorni Ricalibrare mix premium/value e contratti con fornitori e logistica, includendo clausole su qualità e tracciabilità. CFO + Procurement T+60 margine per canale; tasso reclami; lead time; cash conversion. 90 giorni Mettere in produzione un ciclo forecast+allocazione (anche con IA) e un cruscotto rischi operativi/cyber per rete e impianti. CEO + CISO + Data/IT T+90 accuratezza forecast; MTTR; incidenti; fill rate. Il filo rosso… è che la velocità non nasce da “correre”, ma da ridurre attrito: dati allineati, responsabilità chiare e segnali misurabili. In automotive e pneumatici, questo è spesso più efficace di qualunque previsione macro. Rischi/incidenti (sintesi operativa) Rischio/Incidente Impatto Segnali precoci Mitigazione Owner Rottura stock stagionale (invernali/estive) Perdita vendite + stress rete Aumento backorder; ordini last‑minute Pianificazione per canale; buffer su top SKU COO Qualità / reclami su pneumatici Costi garanzia + reputazione Aumento resi; pattern difetti Controlli in ingresso; feedback loop con fornitori Qualità Colli di bottiglia PFU Rallentamento officine + non conformità Saturazione depositi; ritardi ritiro Accordi multipli; tracciamento conferimenti Sustainability/Operations Incidente cyber su rete vendita o impianto Fermo operativo + perdita dati Alert accessi; phishing; patch arretrate Segmentazione; backup testati; piani risposta CISO Il filo rosso… è che i rischi del 2025 non sono “catastrofi” ma incidenti frequenti: stock, qualità, PFU e cyber. Gestirli con routine e segnali è più economico che reagire a emergenza in corso. Cosa monitorare nel passaggio 2025→2026: KPI Italia: immatricolazioni autovetture (UNRAE), quota ricaricabili (UNRAE), immatricolazioni LCV (UNRAE), raccolta PFU (Ecopneus). Segnali osservabili: slittamenti consegne OEM, variazioni improvvise di stagionalità (all‑season vs invernali), picchi di reclami qualità, ritardi nel ritiro PFU sul territorio. Filo rosso Il filo rosso… del 2025, tra auto e pneumatici, è stata la transizione da un mercato “di quantità” a un mercato “di precisione”. Le immatricolazioni non sono crollate, ma hanno richiesto più disciplina: mix tecnologico, compliance, qualità e gestione del fine vita entrano nel costo industriale. Per la filiera, la conseguenza è chiara: vince chi riduce l’attrito tra domanda e servizio — scorte giuste, specifiche corrette, rete formata, dati affidabili — e chi mette a sistema l’ultimo miglio (ritiro PFU, tracciabilità, sicurezza). È qui che automotive e pneumatici si incontrano davvero: nel TCO per flotte e famiglie, e nella credibilità operativa delle imprese. Il 2026 non richiede scommesse eroiche, ma un metodo: distinguere fatti, interpretazione e azione; misurare segnali precoci; aggiornare scenari. In un settore in cui ogni shock si trasforma in tempi e costi, la differenza tra chi guida e chi subisce è, sempre più, la qualità delle decisioni.

Analisi economico–geopolitica (20/01/2025 → 17/01/2026) Dazi, confini, energia e controlli sull’export hanno ridisegnato incentivi e aspettative. UE, Cina e Russia rispondono con mosse asimmetriche. Per l’Italia l’impatto passa da filiere, tasso di cambio, difesa e compliance tecnologica. di Andrea Viliotti Primo anno Trump II Dollaro, dazi e confini: il primo anno di Trump II e le nuove frizioni del commercio globale Dal 20 gennaio 2025 al 17 gennaio 2026: il cambio di passo è stato netto su commercio, migrazioni e catene del valore. L’Europa tratta e rinvia ritorsioni, Pechino alza il costo della dipendenza tecnologica, Mosca resta nel perimetro sanzionatorio. Per l’Italia la partita è concreta: export, energia, difesa e compliance su chip e dual use. Se c’è un filo che tiene insieme il primo anno di Trump II, è l’uso sistematico di leve “geoeconomiche” — dazi, controlli all’export, sanzioni e pressione sui confini — per spostare potere contrattuale e investimenti. I mercati hanno reagito più ai segnali sulla direzione (tariffe e deregulation) che ai risultati macro già visibili. La conseguenza per UE, Cina e Russia è una maggiore incertezza regolatoria, per l’Italia, l’urgenza di leggere le filiere e coprirsi sul cambio. USA dentro: economia, istituzioni, polarizzazione Il pacchetto interno ha combinato tre messaggi: priorità al controllo dei confini, revisione rapida dell’impianto regolatorio e ritorno a una politica commerciale più “transazionale”. Sul versante istituzionale la sequenza di atti esecutivi del gennaio 2025 ha segnato l’avvio del mandato (fonte: Federal Register). Sul fronte dei prezzi dell’energia — cruciale per industria e inflazione — il baricentro resta globale. La quotazione spot del WTI è scesa dal livello di metà gennaio 2025 (78,56 dollari al barile il 17/01/2025) a 59,39 dollari il 12/01/2026 (fonte: FRED/EIA). Non è un “risultato politico” in senso stretto: pesa la domanda mondiale e l’offerta OPEC+, ma la narrativa interna sull’energia influenza aspettative e investimenti. Controargomento: una linea dura su confini e deregolazione può ridurre alcuni costi d’impresa e sostenere l’occupazione nel breve, soprattutto se accompagnata da investimenti domestici. Il rischio è che l’incertezza su dazi e controlli tecnologici freni la spesa in capitale e alimenti reazioni ritorsive. Mercati e dollaro: il prezzo dell’incertezza regolatoria Il dollaro è anche un termometro politico. L’indice trade-weighted del dollaro (DTWEXBGS) è sceso da 129,6771 il 17/01/2025 (ultimo dato prima dell’insediamento) a 120,5856 il 09/01/2026 (circa -7% nel periodo; fonte: FRED). È un movimento compatibile con la combinazione di aspettative sui tassi, rotazioni di portafoglio e premio per il rischio legato a guerre tariffarie. Qui l’interpretazione è delicata: un dollaro più debole aiuta l’export americano ma rende più costose importazioni e componenti, con effetti a catena su inflazione e margini. E soprattutto non separa il “Trump effect” da Fed, ciclo globale e geopolitica. USA fuori: dazi ed export controls come strumenti di potere Sul fronte esterno, la postura è stata coerente: usare tariffe e licenze come leva negoziale. Nel 2025 arrivano proclamazioni su automotive, acciaio/alluminio e un meccanismo di “reciprocal tariff” (fonte: Federal Register), mentre il Dipartimento del Commercio rafforza la cassetta degli attrezzi sui controlli all’export verso la Cina, in particolare su chip e AI (fonte: U.S. Department of Commerce/BIS). Controargomento: l’inasprimento dei controlli può rallentare il trasferimento di tecnologie dual use e alzare il costo dell’accesso cinese a capacità di calcolo avanzata. Il rovescio è che accelera la sostituzione domestica e aumenta la pressione su alleati e partner — Europa inclusa — chiamati a “scegliere lato” su standard e filiere. UE: tra gestione del rischio e negoziato commerciale L’Unione europea ha alternato deterrenza e pragmatismo. A marzo 2025 la Commissione annuncia contromisure su acciaio e alluminio, poi ad aprile le sospende (fonte: Commissione europea). In estate arriva un accordo commerciale UE–USA con tariff cap e impegni su energia e investimenti (fonti: Commissione europea; White House). Impatto misurabile (proxy): per l’Italia e per l’industria europea, il driver immediato è il cambio. Con un dollaro trade-weighted in calo di circa 7% tra pre-insediamento e gennaio 2026, cambia la competitività relativa e la redditività dell’export (fonte: FRED). Ma il vero costo è l’incertezza normativa: anche con un accordo, la minaccia tariffaria resta “sul tavolo” come leva negoziale. Controargomento UE: l’Europa ha strumenti di risposta (trade defense, mercato interno, norme su aiuti di Stato) e, in un contesto di tensione, può rafforzare la propria integrazione su difesa ed energia. Il rischio è la frammentazione: una risposta “a 27” lenta fa perdere tempo alle filiere e crea divergenze settoriali (auto, pharma, meccanica). Cina: la frizione tecnologica diventa strutturale Con Pechino lo scontro si è spostato dal saldo commerciale alla capacità tecnologica. Nel 2025 il Commercio USA annuncia misure per irrigidire i controlli su AI e advanced computing (fonte: U.S. Department of Commerce). Sul versante cinese, il Ministero del Commercio difende l’uso della “Unreliable Entity List” come strumento di risposta (fonte: MOFCOM). Impatto misurabile (proxy): l’effetto più immediato non è nei numeri del PIL ma nei prezzi e nelle scelte di investimento. La discesa del WTI nel periodo (da 78,56 a 59,39 dollari; fonte: FRED/EIA) attenua una componente di costo per manifattura e shipping, ma l’incertezza su chip e licenze spinge verso duplicazioni di capacità e scorte, soprattutto in elettronica e automotive. Controargomento Cina: la capacità di sostituzione tecnologica non è immediata, ma la Cina può compensare con politica industriale, mercati alternativi e attrazione di componenti non soggetti a restrizioni. Il rischio per gli USA è trasferire valore a competitor terzi e ridurre economie di scala delle imprese occidentali. Russia: sanzioni, energia e il perimetro del rischio Sulla Russia la continuità conta: il perimetro sanzionatorio resta uno strumento centrale. Nel 2025 il Tesoro USA annuncia nuove designazioni e misure (fonte: U.S. Treasury/OFAC). Qui la geoeconomia si intreccia con l’energia: prezzi più bassi del petrolio comprimono entrate, ma le sanzioni da sole non garantiscono un cambio di comportamento. Impatto misurabile (proxy): la traiettoria del prezzo del petrolio nel periodo (WTI a 59,39 dollari il 12/01/2026; fonte: FRED/EIA) è un vincolo macro per Mosca. Ma l’adattamento via triangolazioni commerciali e “shadow shipping” resta un failure mode noto. Controargomento Russia: l’economia di guerra e la riconversione commerciale possono mantenere la resilienza più a lungo del previsto. L’efficacia delle sanzioni dipende dall’enforcement e dalla cooperazione di paesi terzi, non solo da Washington. Focus Italia: cinque ricadute concrete e tre leve attuabili Per l’Italia gli impatti non sono astratti. Nella finestra 2025–inizio 2026 il mix di dazi, accordi UE–USA, export controls verso la Cina e tensione Russia–energia attraversa otto settori chiave. Ecco una mappa operativa. • Automotive: rischio di attrito tariffario su auto/parti e pressione su componentistica; opportunità su alta gamma se il dollaro resta favorevole. • Meccanica/beni strumentali: maggiore sensibilità a dazi “a sorpresa” e requisiti di origine; necessaria segmentazione dei clienti USA per rischio regolatorio. • Aerospazio–difesa: domanda potenziale in crescita (NATO/riarmo), ma possibile preferenza USA per forniture domestiche; serve presidio di programmi e co-sviluppi. • Energia: volatilità e prezzi (WTI in calo nel periodo) incidono su costi industriali e sul prezzo del gas in Europa; attenzione a LNG e contratti di lungo periodo. • Farmaceutico: rischio di dazi/contingenti su importazioni e maggiore scrutinio su supply chain; utile diversificare produzione/packaging e certificazioni. • Agroalimentare: esposizione a misure di ritorsione e a negoziati UE–USA; leva su qualità e canali premium. • Moda–lusso: domanda USA sensibile a cambio e fiducia; coperture FX e pricing dinamico diventano centrali. • ICT/semiconduttori: compliance su dual use e re-export verso Cina; maggiore costo amministrativo e necessità di controllo end-user.   Tre leve realistiche, attuabili subito: • Leva 1 (imprese): “Filiere e compliance” – mappare i nodi USA/Cina e i componenti a rischio export controls; aggiornare screening clienti e end-use; creare un presidio Federal Register/BIS/OFAC. • Leva 2 (finanza): “Copertura cambio e prezzi” – policy di hedging su USD e commodities; clausole di adeguamento prezzi; stress test su tariffe e tempi doganali. • Leva 3 (policy/UE): “Negoziato e strumenti UE” – usare canali UE per stabilizzare regole (tariff cap, standard); attivare trade-defense dove serve; coordinare procurement difesa e filiere critiche (chip, spazio, energia). Cosa guardare nel 2026: segnali precoci (senza oracoli) Con il cutoff al 17 gennaio 2026, il 2026 vero è ancora “futuro”. I segnali precoci osservabili, però, esistono già: (1) nuove proclamazioni tariffarie e sospensioni/deroghe nel Federal Register; (2) aggiornamenti BIS su licenze e Entity List; (3) designazioni OFAC e coordinamento con UE; (4) dinamica di dollaro e petrolio come proxy di rischio e condizioni finanziarie; (5) dati CBP su encounters e rilasci (“releases”) per capire la sostenibilità operativa del confine. Per l’Italia, la qualità della reazione dipenderà dalla velocità con cui imprese e istituzioni trasformeranno l’incertezza in procedure e coperture. Timeline (eventi ad alta energia, entro il 17/01/2026) Data Evento/atto Perché conta 20/01/2025 Insediamento e Inaugural Address Segna avvio Trump II e priorità su confini e geoeconomia. 20/01/2025 EO 14159 su immigrazione (“Protecting… Against Invasion”) Cornice per enforcement e messaging interno. 01/02/2025 EO 14194: duties legati al confine sud Uso di leve commerciali per obiettivi di sicurezza/confine. 25/03/2025 Commerce: misure su export controls verso Cina (AI/advanced computing) Tecnologia come asse della competizione strategica. 26/03/2025 Proclamation: adjusting imports of automobiles/parts Shock potenziale su filiere UE/Italia e automotive globale. 02/04/2025 Proclamation: “reciprocal tariff” Dazi come strumento negoziale generalizzato. 11/03/2025 UE annuncia contromisure su acciaio/alluminio Risposta europea, poi gestione del rischio. 13/04/2025 UE sospende contromisure Segnale di negoziato e ricerca di stabilizzazione. 28–29/07/2025 Accordo UE–USA su commercio (tariff cap, energia, investimenti) Riduce frizione su alcuni settori ma lascia incertezza residua. 09/10/2025 MOFCOM difende uso Unreliable Entity List Pechino segnala capacità di ritorsione selettiva. 22/10/2025 Treasury/OFAC: nuove misure Russia-related Continuità del perimetro sanzionatorio. 09/01/2026 Proclamation: adjusting imports of lumber Segnale che l’asse tariffario resta attivo anche nel 2026 (primi giorni). 15/01/2026 BIS: revisione policy licenze su semiconductors verso Cina/Macau Early signal regolatorio su chip e filiere dual use.   Numeri chiave KPI Valore a t0 Valore a t1 Unità Fonte Nota interpretativa Indice USD trade-weighted (DTWEXBGS) 129.6771 (17/01/2025) 120.5856 (09/01/2026) Index (Jan 2006=100) FRED (BoG) t0 e t1 = ultimo dato disponibile ≤ date; 20/01/2025 è festivo (MLK Day). WTI spot (DCOILWTICO) 78.56 (17/01/2025) 59.39 (12/01/2026) USD/barile FRED (EIA) Serie giornaliera; t1 usa ultimo dato pubblicato entro cutoff. Saldo commerciale beni+servizi (BOPGSTB) -96.948 (12/2024) -29.350 (10/2025) Milioni USD FRED (Census/BEA) Lag statistico: a t1 l’ultimo mese disponibile è 10/2025. USBP apprehensions SW border 7.181 (03/2025) 6.478 (12/2025) Persone (mensile) CBP / fonti pubbliche t0 proxy = primo dato mensile pienamente comparabile post-insediamento. Nationwide encounters 29.065 (03/2025) 30.698 (12/2025) Persone (mensile) Fonti pubbliche USA Misura “ampia” che include più canali; utile per confronti di scala. Δ% Indice USD (t1 vs t0) 0,0 -7.0 % Derivato da DTWEXBGS Indicatore derivato: variazione percentuale rispetto al baseline t0.   Il filo rosso Il primo anno di Trump II non si riassume in un singolo numero – né in un singolo dossier – ma in un cambio di metodo: la politica economica viene trattata come leva di sicurezza nazionale e di negoziazione. Confine, tariffe, controlli all’export e sanzioni non sono episodi separati: sono strumenti che ridisegnano aspettative e regole del gioco, e quindi spostano investimenti e catene del valore prima ancora che i dati macro “consolidino”. Per questo i mercati hanno guardato più alla qualità dell’incertezza che alle promesse. In Box 2, il dollaro trade‑weighted (DTWEXBGS) mostra un calo di circa il 7% nel confronto t1 vs t0; il WTI scende da 78,56 a 59,39 dollari al barile. Sono numeri che raccontano un contesto in cui la direzione delle policy pesa, ma non domina: a decidere sono anche ciclo globale, OPEC+ e condizioni monetarie. Il punto, però, è la trasmissione: quando l’incertezza è regolatoria (licenze, end‑use, ritorsioni mirate), la variabile critica diventa la capacità delle imprese di adattarsi, non solo il prezzo finale. Da qui la reazione degli altri blocchi. L’UE tende a trasformare lo shock in negoziato e strumenti difensivi, cercando di evitare una spirale di ritorsioni che colpisca industrie già sotto pressione. La Cina affronta una frizione tecnologica sempre più strutturale, con il rischio di duplicazioni di capacità e “decoupling selettivo”. La Russia resta nel perimetro sanzionatorio: l’energia continua a fare da termometro, ma la tenuta dipende dall’enforcement e dalle triangolazioni. Per l’Italia il filo rosso è operativo: geopolitica e compliance entrano nella gestione ordinaria di export, procurement e finanza. Nei settori più esposti – dall’automotive alla meccanica, dall’aerospazio‑difesa all’ICT, fino a farmaceutico, agroalimentare e lusso – la differenza la faranno tre cose: lettura delle filiere (chi vende cosa, a chi, con quali vincoli), coperture su cambio e commodity, e presidio delle regole (Federal Register, BIS, OFAC) per trasformare l’incertezza in procedure. In un mondo più “transazionale”, la competitività passa anche dalla capacità di dimostrare conformità e di negoziare margini di manovra: il 2026 sarà soprattutto un test di esecuzione, non di slogan.

OpenAI porta il piano low‑cost ChatGPT Go a livello globale e annuncia un test di annunci negli Stati Uniti su Free e Go. La promessa è netta: risposte non influenzate dalla pubblicità, annunci separati ed etichettati, controlli sulla personalizzazione e stop a temi sensibili. Ma introdurre l’advertising dentro una conversazione non è “solo un nuovo formato”: sposta gli incentivi, ridisegna la filiera search‑ads‑commerce e riapre il dossier editori‑piattaforme, con regolatori USA‑UE‑Cina sullo sfondo. di Andrea Viliotti ChatGPT apre agli annunci Per anni i chatbot sono stati raccontati come il contrario della pubblicità: strumenti di produttività e ricerca, “puliti” e pagati tramite abbonamenti o contratti enterprise. L’annuncio di OpenAI del 16 gennaio 2026 – test di annunci negli Usa per utenti adulti sui piani Free e Go, con piani a pagamento superiori senza ads – segna una svolta industriale: l’interfaccia conversazionale entra ufficialmente nel perimetro adtech. E, come accade ogni volta che un nuovo “schermo” diventa monetizzabile, cambia non solo il conto economico delle piattaforme ma anche la mappa del potere: chi controlla l’accesso agli utenti, chi controlla i dati, chi controlla la distribuzione.  Prezzi dei piani a pagamento (USD/mese). Fonte dati: OpenAI (annuncio su ChatGPT Go). Prezzi dei piani a pagamento (USD/mese). Fonte dati: OpenAI (annuncio su ChatGPT Go). Paesi di lancio iniziale di ChatGPT Go (171). Fonte dati: OpenAI (annuncio su ChatGPT Go). Perché gli annunci in chat cambiano gli incentivi (non è solo un “nuovo formato”) Nel mondo della search, la logica economica è nota: l’utente esprime un intento (query), il motore risponde con link e risultati sponsorizzati, l’inserzionista paga per intercettare quel momento. In una chat, però, l’intento non è una fotografia: è un flusso. Il contesto si accumula, le preferenze emergono, la conversazione può spostarsi dal “capire” al “decidere” senza cambiare interfaccia. Questo rende l’advertising conversazionale potenzialmente più “performante”, ma anche più delicato. La ragione è semplice: in una chat la risposta non è un elenco di opzioni, è un consiglio – e spesso un consiglio dato in un momento di vulnerabilità informativa (salute, finanza personale, politica, scelte familiari). Il rischio reputazionale non nasce solo da un annuncio sbagliato, ma dalla percezione che l’assistente abbia un incentivo a “spingere” una scelta. Per capire perché la posta in gioco è alta, basta guardare la scala economica della pubblicità digitale: il rapporto IAB/PwC indica per gli Stati Uniti ricavi 2024 pari a 258,6 miliardi di dollari, in aumento rispetto ai 225 miliardi del 2023. Chi controlla il nuovo schermo conversazionale può candidarsi a intercettare una quota di quel valore – ma a patto di non compromettere la fiducia. Ricavi della pubblicità digitale negli Stati Uniti (IAB/PwC). Fonte dati: IAB/PwC, Internet Advertising Revenue Report (2023 e 2024). OpenAI: accesso low‑cost e test ads. La promessa è “indipendenza della risposta” OpenAI lega esplicitamente la mossa a un doppio obiettivo: ampliare l’accesso e diversificare i ricavi. Da un lato spinge ChatGPT Go, piano a 8 dollari al mese negli Stati Uniti; dall’altro annuncia che “nelle prossime settimane” inizierà a testare annunci negli Usa per utenti adulti su Free e Go, lasciando senza ads Plus, Pro, Business ed Enterprise. Il punto chiave non è tanto l’introduzione di un’unità pubblicitaria, quanto il set di principi dichiarati: annunci separati e chiaramente etichettati, risposte non influenzate dagli inserzionisti, conversazioni “private dagli inserzionisti” e possibilità di disattivare la personalizzazione. È, in sostanza, un tentativo di costruire fin dall’inizio una separazione tra "motore della risposta" e "motore della monetizzazione". OpenAI chiarisce anche la forma del test: annunci “in fondo alle risposte” quando c’è un prodotto o servizio sponsorizzato pertinente rispetto alla conversazione; nessun annuncio per account under 18 (dichiarati o previsti) e stop a temi sensibili o regolamentati come salute e politica. Scelte che anticipano, almeno in parte, le attese regolatorie su targeting e brand safety. I principi OpenAI sugli annunci (e cosa resta da verificare) Cosa viene dichiarato: ·        Risposte non influenzate dagli annunci. ·        Annunci separati ed etichettati in modo chiaro. ·        Conversazioni “private dagli inserzionisti”. ·        Controlli utente: disattivazione personalizzazione, cancellazione dati annunci, possibilità di nascondere un annuncio e indicarne il motivo. ·        Esclusioni: niente ads per account under 18; niente ads su temi sensibili/regolamentati (es. salute, politica). ·        Nessun annuncio su Plus/Pro/Business/Enterprise (almeno nella fase annunciata).   Cosa resta da verificare (domande aperte): ·        Audit indipendenti: come si dimostra, nel tempo, la separazione tra ranking/risposta e monetizzazione? ·        Meccanismi di attribuzione: quando e come l’answer engine rimanda a fonti e siti (link-out, citazioni, repository)? ·        Targeting e dati: quale quota è davvero contestuale e quale dipende da profilazione? Come funzionano opt‑out e data retention? ·        Brand safety: quali categorie sono escluse e con quali sistemi di enforcement/appeal per inserzionisti e utenti?   La nuova “mixology” dei ricavi: abbonamenti, enterprise, licensing, API, commerce L’arrivo degli annunci non cancella i modelli esistenti: li ricompone. OpenAI, nel comunicare i test, insiste su una ‘diverse revenue model’: un mix in cui la pubblicità finanzia l’accesso (Free e Go) mentre abbonamenti ed enterprise mantengono un posizionamento premium senza ads. È un’impostazione che ricorda la logica media: free o low‑cost sostenuto da advertising, e livelli superiori sostenuti da pricing e servizi. Accanto a subscription ed enterprise, però, l’era dei chatbot mette al centro altre due voci: il licensing dei contenuti (per migliorare qualità, aggiornamento, citazioni e ridurre contenziosi) e il commerce (dall’affiliazione ai marketplace). In pratica: se l’assistente diventa un ‘”decision engine”, ogni anello della catena – contenuti, distribuzione, dati, transazione – può essere monetizzato. Per questo gli ads conversazionali vanno letti come un tassello di un modello più ampio, non come una semplice estensione del display. Nel resto dell’ecosistema, le scelte sono più diversificate. Anthropic – per posizionamento e narrativa – tende a puntare su abbonamenti e offerta enterprise, mantenendo l’attenzione su sicurezza e affidabilità più che su monetizzazione pubblicitaria. Meta, invece, parte dall’economia della pubblicità: integra funzioni generative nelle proprie app e usa i segnali di interazione per migliorare raccomandazioni e targeting, con un vantaggio strutturale dato dalla scala delle sue property. Perplexity si è mossa come “segnale debole”: sperimentazioni su formati sponsorizzati dentro l’esperienza di risposta per capire come monetizzare senza perdere credibilità. Il punto per il mercato è che non esiste un solo equilibrio. Il mix ricavi dipenderà da tre variabili: (1) potere di distribuzione (search/OS/app), (2) accesso a dati e identità, (3) regime regolatorio. Da qui la probabilità che, nei prossimi mesi, vedremo soluzioni ibride: abbonamenti per la produttività, ads per l’accesso, e commerce per monetizzare l’intento. Google e Microsoft: perché gli incumbent hanno un vantaggio strutturale Se OpenAI apre un nuovo fronte, Google e Microsoft arrivano con un arsenale diverso: controllo della distribuzione (browser, OS, app), infrastrutture cloud e – soprattutto – network pubblicitari e sistemi di misurazione già rodati. Google ha già integrato ads nel perimetro generativo della ricerca: la documentazione Google Ads descrive annunci mostrabili sopra, sotto o dentro le AI Overviews, con esclusioni per verticali sensibili (politica, salute e altri). In parallelo, la comunicazione ufficiale su AI Overviews sottolinea la presenza di link e la distinzione tra organico e sponsorizzato. Tradotto: la search sta sperimentando una nuova UX senza rinunciare al modello intent‑driven che ha costruito l’economia di Google. Microsoft, dal canto suo, ha lavorato sulla pubblicità dentro Copilot fissando principi simili a quelli dichiarati da OpenAI: risposte organiche non influenzate dallo sponsorizzato e contenuti “sponsored” distintamente marcati e mostrati solo quando rilevanti. E sta progettando formati nativi per l’esperienza conversazionale (ad esempio esperienze “showroom” e filtri dinamici) che avvicinano la chat al commerce. Per le imprese, questo significa una cosa: la partita non sarà “un solo chatbot”, ma un ecosistema di superfici e standard. E gli incumbent possono usare leve di sistema (search, browser, Windows, Android, cloud, account identity) per accelerare la distribuzione e la misurazione – anche quando i nuovi player innovano più velocemente sul prodotto. Quattro scenari (A–D): dove può spostarsi il valore Per evitare previsioni “a numero” senza dati, qui gli scenari sono letti come configurazioni di incentivi e regole. La matrice seguente posiziona i quattro scenari lungo due assi: intensità della monetizzazione e fiducia percepita. Matrice scenari: schema concettuale (elaborazione redazionale). Matrice scenari: schema concettuale (elaborazione redazionale). Scenario A — “Ads‑adjacent minimal”: Annunci separati, contestuali e a bassa intrusività; trasparenza e fiducia come asset competitivo. Scenario B — “Performance in‑chat”: Formati conversazionali orientati a conversione e misurazione; pressione su brand safety, attribuzione e percezione di bias. Scenario C — “Commerce + agent”: Chatbot/agent come interfaccia d’acquisto end‑to‑end; compressione del customer journey e riallineamento con retail media e partnership. Scenario D — “Regulatory clampdown”: Stretta privacy/antitrust + standard di trasparenza: targeting ridotto, più peso su abbonamenti, enterprise e licensing. Editori e traffico: dalla disintermediazione alla negoziazione Quando la risposta si sposta “sopra” i link, la domanda per gli editori diventa brutale: il valore resta nei contenuti o migra nell’interfaccia che li riassume? La tensione è già visibile. Nel 2025 un gruppo di publisher ha presentato un esposto antitrust in UE contro le AI Overviews, sostenendo di subire danni in termini di traffico e ricavi e lamentando l’impossibilità di “opt‑out” dall’uso dei contenuti per riassunti senza perdere visibilità nella ricerca. L’altra parte della storia è la narrativa delle piattaforme: Google afferma che le nuove esperienze generative creano opportunità di scoperta e inviano traffico ai siti. Il punto, per ora, è che mancano standard condivisi di audit per misurare – in modo comparabile – cosa succede a click‑out, tempo di lettura, abbonamenti e revenue quando l’utente resta nell’answer engine. In questo contesto, la strategia editoriale si sposta da SEO a AEO (Answer Engine Optimization): strutturare i contenuti per essere citabili, ottenere attribuzione e link, negoziare licenze dove l’uso dei contenuti diventa sistematico. Per i brand, l’effetto collaterale è importante: se cambiano i flussi di traffico, cambiano anche reach, brand safety e qualità dell’inventory nei circuiti pubblicitari tradizionali. USA–UE–Cina: la geopolitica dei dati entra nella monetizzazione L’advertising conversazionale non nasce nel vuoto: atterra su regole e sensibilità diverse. In UE, ad esempio, il Digital Services Act vieta la pubblicità mirata ai minori e limita l’uso di dati sensibili per targeting; il Digital Markets Act spinge su obblighi di concorrenza e non discriminazione per i gatekeeper. Nel frattempo, l’AI Act introduce un quadro di trasparenza e accountability che può riflettersi anche su come sono progettate disclosure e controlli nell’uso di sistemi generativi. Negli Stati Uniti, il quadro è più frammentato e spesso guidato da enforcement e regole settoriali; per l’industria, la conseguenza è una crescente attenzione a standard volontari e “best practice” sulla disclosure dell’uso di AI in contenuti e annunci. Non a caso, a gennaio 2026 IAB ha pubblicato un framework di trasparenza e disclosure per l’uso di AI nell’advertising, basato su un approccio “risk‑based” (disclosure quando l’AI può ingannare sull’autenticità/identità/representazione). In Cina, le regole su AI generativa e deep synthesis tendono a enfatizzare obblighi di etichettatura e governance dei contenuti, con un’attenzione particolare alla stabilità sociale e alla responsabilità delle piattaforme. Per le multinazionali, la conseguenza pratica è che un “solo” prodotto chatbot con ads può dover diventare tre: uno per la compliance UE, uno per USA, uno per Cina. Dal prompt alla transazione: scenario “commerce + agent” e filiera retail media L’aspetto più interessante degli ads conversazionali non è il banner: è la possibilità che la chat diventi un “commesso digitale” che accompagna fino alla transazione. OpenAI, descrivendo i formati di test, parla già della possibilità di vedere un annuncio e porre domande direttamente per decidere un acquisto. Microsoft, con Copilot, lavora su esperienze immersive e su agenti che potrebbero interagire con altri agenti (brand agents) in scenari di shopping e lead generation. Qui emerge un possibile riallineamento con il retail media: se l’assistente è in grado di collegarsi a cataloghi, disponibilità, prezzi, consegne, e soprattutto a un sistema di checkout, la monetizzazione non è più solo CPM o CPC. Diventa anche commissione, affiliate, fee di referral o margine di servizio. È un cambio di “unit economics”: l’ads conversazionale può essere un ponte tra marketing e operations, non solo tra creatività e media buying. Da query a transazione: punti di inserimento ads e controlli (schema concettuale, elaborazione redazionale). RISK RADAR — principali rischi e segnali precoci Rischi chiave: ·        Perdita di fiducia / percezione di bias nella risposta ·        Brand safety e contesto conversazionale (temi sensibili, disinformazione, contenuti generati) ·        Compliance privacy (minori, dati sensibili, opt‑out, retention) ·        Disintermediazione del traffico verso siti/editori ·        Dipendenza da piattaforma (SPOF: standard, dati, distribuzione, metriche proprietarie)   Early signals (monitorabili senza soglie numeriche): ·        Nuovi formati “sponsored” nelle chat e nuove disclosure UI ·        Partnership/licensing con editori e repository di annunci ·        Aggiornamenti su policy per minori, sensibili, politica/health ·        Interventi antitrust/privacy su search‑AI e uso dei contenuti ·        Comparsa di agenti che gestiscono prenotazioni/acquisti end‑to‑end   Takeaway per imprese e brand: prepararsi a un mondo “answer‑first” Per chi fa marketing, comunicazione ed eCommerce, l’arrivo degli ads in chat non è un tema “da piattaforme”. È un cambiamento operativo: nuovi punti di contatto, nuove metriche, nuove responsabilità. Il rischio è inseguire l’ennesimo canale; l’opportunità è ripensare il customer journey quando la risposta (e non il click) diventa il primo asset. Cinque takeaway pratici: ·        Trattare gli assistant come un canale di discovery e di assistenza, non solo come un media: serve contenuto strutturato, aggiornato, citabile e coerente con policy brand safety. ·        Prepararsi a un advertising più contestuale e conversazionale: creatività e prodotto devono “reggere” domande e obiezioni in tempo reale. ·        Rafforzare i dati di prima parte (CRM, cataloghi, knowledge base) e la governance: con agenti e chat‑commerce, la qualità del dato diventa parte della UX. ·        Misurare in modo multi‑touch e non farsi “intrappolare” da una sola piattaforma: diversificazione di canali, standard di attribuzione, esperimenti controllati. ·        Monitorare regolazione e disclosure: trasparenza su ads vs answer, consenso e minori/sensibili sono già nel perimetro di policy e normative. Checklist 30/60/90 giorni (Enterprise Execution Layer) Orizzonte CMO/Marketing CIO/IT Legal/DPO Sales/eCom Agency/Partner 30 giorni Audit presenza su answer engines; mappa rischi brand safety; aggiornare briefing creativi per contesto conversazionale. Inventario dati/knowledge base; verifica integrazioni (CRM/cataloghi/FAQ); definire logging minimo. Checklist privacy: consensi, minori, sensibili; policy interna su uso AI e advertising; review contratti agenzia. Identificare use case ad alto intento (lead, assistenza, cross‑sell); definire journey “answer‑first”. Setup monitoraggio (disclosure, placement); linee guida copy; governance escalation per incidenti. 60 giorni Sperimentare creatività conversazionali (Q&A, comparazioni); piano contenuti per citazioni e attribuzione (AEO). Pilot integrazione con cataloghi e pricing; test knowledge retrieval; definire KPI qualitativi (qualità risposta, soddisfazione). Valutare trasferimenti dati e fornitori; processi di audit (ads vs answer); aggiornare DPIA se necessario. Testare formati commerce/lead (preventivi, prenotazioni); definire offerte e regole di eligibility. Misurazione: attribuzione e incrementality (design esperimenti); template report per board. 90 giorni Strategia multi‑canale: search, social, retail media, chat; definire budget e governance (soglie decisionali, non numeriche). Roadmap agenti: integrazione con workflow (ticketing, procurement); hardening sicurezza e accessi. Playbook compliance per UE/USA/Cina (se applicabile); contrattualistica e gestione reclami/DSA. Scale: integrare chat‑assist in post‑vendita e loyalty; training team; definire ruoli e responsabilità. Operating model: SLA, brand safety review, crisis comms; aggiornare policy creative e data sharing. Il filo rosso: chi paga la risposta, chi controlla l’interfaccia La pubblicità “in chat” non è un semplice trasloco del display in un nuovo contenitore: è la risposta industriale a una domanda più profonda, che riguarda i costi dell’IA generativa e il controllo del punto di decisione. Quando l’assistant diventa la prima interfaccia di ricerca, assistenza e acquisto, l’inserzione non compete più solo per un click, ma per la fiducia dell’utente nel momento in cui forma una scelta. Qui sta il trade‑off: l’ads può finanziare accesso e prezzo più basso, ma introduce un rischio di Goodhart sull’esperienza (“ottimizzare per monetizzare” anziché “ottimizzare per essere utile”). Per questo i principi di separazione, etichettatura e tutela della privacy dichiarati da OpenAI – e i meccanismi equivalenti che adotteranno o rivendicheranno Google e Microsoft – diventano parte del prodotto, non un dettaglio di compliance: se l’utente percepisce che la risposta è "spinta" dalla sponsorizzazione, il capitale‑fiducia si erode e si indebolisce anche la gamba degli abbonamenti. Il filo rosso che lega OpenAI, gli incumbent e i regolatori (USA–UE–Cina) è quindi questo: chi controlla distribuzione, misurazione e regole di trasparenza controlla il mercato “answer‑first”. Per editori e brand la conseguenza è operativa: bisogna negoziare visibilità e citabilità, costruire contenuti e dati che "reggano" la conversazione, e ridurre la dipendenza da un solo canale. In un’economia della risposta, la competitività si misurerà meno sulla posizione in pagina e più sulla capacità di essere scelti – e verificati – dentro l’interazione.

Gas e rendimento dei BTP si muovono mentre UE e USA alzano il tono sul commercio. di Andrea Viliotti ImpresaWeek - Energia e credito in Italia: gas TTF e tassi BTP Una settimana che riporta al centro due variabili decisive per i margini: gas europeo e costo del capitale. Nel frattempo, UE e USA tornano a usare la leva commerciale e la tecnologia resta terreno di contesa con la Cina. Per le imprese italiane conta meno “indovinare” la prossima notizia e più ridurre la sensibilità: contratti energia, scorte critiche, coperture e continuità operativa. Mondo Il gas europeo si muove rapidamente e trascina con sé aspettative su bollette, competitività e prezzi finali; il GNL torna a fare da valvola (e da concorrenza) sui flussi. Sul petrolio pesano segnali geopolitici: i colloqui sul nucleare iraniano e, dall’altra parte, l’annuncio della Casa Bianca di possibili tariffe per chi fa affari con Teheran (non ancora in vigore). In agenda: Davos, dati cinesi e aggiornamento FMI. Europa Bruxelles alza la frizione con Pechino: una decisione UE ha imposto dazi anti‑dumping sull’allumina fusa cinese (input per refrattari e abrasivi) e, più in generale, riporta la trade defence al centro della politica industriale. Sul digitale, la Commissione lavora a regole pratiche per marcatura e labeling dei contenuti IA: un tema che entra in contratti, gare e reputazione. Italia Istat ha diffuso la produzione industriale e il segnale utile è operativo: calibrare stock, turni e lead time quando la domanda è irregolare. Sul costo del capitale, il decennale italiano resta in range stretto: la priorità è gestire rifinanziamenti e covenant, non inseguire il punto di minimo. Infine la superficie cyber: un alert CERT‑AgID sul phishing ricorda che pagamenti e filiera sono il primo canale d’impatto. I 5 fatti della settimana 1) Gas: il TTF accelera nelle chiusure e riporta volatilità nei budget. Chi compra deve rivedere indicizzazioni e coperture. 2) Petrolio: il mercato reagisce a Iran e headline USA. Anche un annuncio su tariffe può irrigidire rotte e assicurazioni. 3) UE: misure anti‑dumping definitive sull’allumina fusa dalla Cina, pubblicate in Gazzetta UE. Per molte filiere significa procurement più complesso e bisogno di alternative qualificate. 4) Chip: gli Nvidia H200 diventano un caso geopolitico, con vincoli e controlli che entrano nel procurement. Per chi fa AI, continuità e compliance export contano quanto la disponibilità di GPU. 5) Italia: produzione industriale e tassi raccontano una crescita “a strappi”. Priorità: togliere colli di bottiglia su energia, credito e sicurezza. Intelligenza artificiale L’IA entra nella normalità dei regolatori: FDA ed EMA hanno pubblicato principi comuni di “good machine learning practice” nello sviluppo di farmaci, spingendo su tracciabilità, controllo del rischio e validazione. Per imprese italiane (salute e manifatturiero regolato) la sequenza è chiara: qualità dati, auditabilità, poi modelli. Automazione industriale L’automazione si sposta da “macchina” a “sistema”: Siemens ha annunciato l’espansione della partnership con NVIDIA verso un Industrial AI OS che integra simulazione e digital twin. In fabbrica il beneficio dipende dall’integrazione: dati coerenti, change management, e cybersecurity OT come prerequisito. USA, Cina e UE La geoeconomia dei chip accelera: in Cina dogane e funzionari sono stati istruiti a bloccare gli Nvidia H200, secondo Reuters, mentre USA e Taiwan annunciano un accordo commerciale focalizzato su semiconduttori e investimenti. In Europa prevale la difesa industriale (anti‑dumping) e la negoziazione selettiva (EV). Per le filiere italiane la regola è ridurre dipendenze singole e contrattualizzare alternative. Borse valori Borse e obbligazioni stanno leggendo la stessa storia: energia e tassi. Se il gas sale, cambia la curva dei margini; se i rendimenti si muovono, cambia la disponibilità di capitale. Per i C‑level conta osservare rotazioni e dispersione: qualità di bilancio e pricing power vengono prezzati più velocemente dei piani industriali. In numeri Prezzo TTF gas (EUR/MWh), chiusure 9–16 gennaio 2026. Fonte: Investing.com ; Trading Economics. Rendimento Italia 10 anni (%), chiusure 9–16 gennaio 2026. Fonte: Investing.com ; Trading Economics. Il TTF di prima scadenza passa da 28,37 a 36,73 €/MWh nelle chiusure tra il 9 e il 16 gennaio: la volatilità torna un tema di budget e di pricing. Il rendimento del decennale italiano resta in un range 3,41–3,46% e in settimana cala di circa 4 punti base: costo del capitale stabile, ma sensibile a sorprese su inflazione e trade. Che cosa cambia per le imprese Il rischio è una combinazione: energia volatile, tassi sensibili e frizione commerciale. Cinque mosse pratiche su 7/30/90 giorni, con trigger e KPI osservabili. - [CFO] Entro 7 giorni, unificare budget energia+interessi per stabilimento e aggiornare coperture e indicizzazioni su consumi reali. Trigger: salti ravvicinati del TTF e allargamento degli spread di credito. KPI: costo energia/unità, copertura %, costo medio del debito. - [COO] Entro 30 giorni, ritarare turni, manutenzione e scorte sui materiali critici (refrattari, abrasivi) con alternative già qualificate. Trigger: dazi o controlli doganali su input e lead time in aumento. KPI: OEE, giorni di scorta, fermi linea. - [ACQUISTI] Entro 30 giorni, inserire clausole di sostituzione origine e audit filiera nei contratti quadro, soprattutto su componenti elettronici e materiali “a rischio misura”. Trigger: nuove indagini UE/USA o restrizioni Cina su chip. KPI: quota dual sourcing, % fornitori auditati, varianza prezzo input. - [CISO] Entro 7 giorni, irrigidire controlli su identità e pagamenti; entro 90 giorni, testare ripristino per sistemi OT critici. Trigger: alert CERT su phishing e incidenti su infrastrutture. KPI: tempo rilevazione, tempo ripristino, account privilegiati compromessi, disponibilità OT. - [CEO] Entro 90 giorni, mappare dipendenze su energia, credito e tecnologia (GPU, cloud, fornitori chiave) e legare capex e pricing a soglie qualitative di rischio. Trigger: escalation commerciale UE‑USA/UE‑Cina e shock reputazionali da contenuti IA non tracciati. KPI: margine per linea, quota export, esposizione a fornitore singolo. Settimana prossima - 19 gennaio — Cina: National Economic Performance (NBS), con lettura su crescita e domanda interna; impatto su export e commodity. - 19 gennaio — FMI: World Economic Outlook Update, utile per revisioni su Europa e commercio; influenza tassi e sentiment. - 19–23 gennaio — Davos: Annual Meeting WEF; attese su trade, energia e governance IA, con possibili annunci. - 27–28 gennaio — Fed: riunione FOMC; conta il messaggio su inflazione e condizioni finanziarie. Orizzonte: ultimi 6 mesi, prossimi 3 mesi - Energia: la volatilità sul gas resta il moltiplicatore. Confidenza: alta. Segnali: meteo, stoccaggi, premi GNL. Collegamento: pricing e turni. - Tassi/credito: stabilità possibile, ma con coda geopolitica. Confidenza: media. Segnali: aste BTP, forward tassi, spread bancari. Collegamento: rifinanziamenti. - Commercio: più misure mirate, meno grandi accordi. Confidenza: media. Segnali: nuove indagini UE, tariffe USA, contromisure Cina. Collegamento: dual sourcing. - Chip e GPU: regole e dogane pesano quanto la capacità. Confidenza: alta. Segnali: liste export, blocchi in dogana, accordi bilaterali. Collegamento: roadmap IT/AI. - AI governance: marcatura e auditabilità diventano standard. Confidenza: alta. Segnali: codici UE, linee guida regolatori, clausole su dataset. Collegamento: compliance e brand. - Logistica: rotte e assicurazioni sensibili a Iran e Medio Oriente. Confidenza: media. Segnali: premi assicurativi, deviazioni, tempi porto. Collegamento: scorte e cash. - Cybersecurity: impatto spesso su pagamenti e continuità OT. Confidenza: alta. Segnali: avvisi CERT, phishing, incidenti energia. Collegamento: Strato: C. Impatto: fermo OT e blocco IT. Cosa monitorare è l’allineamento tra energia, tassi e frizione commerciale: se si muovono insieme, la volatilità entra nei margini. KPI Italia: TTF/PSV, rendimento BTP 10 anni, PMI manifatturiero, produzione industriale. Segnali: atti UE su dazi/indagini, annunci USA su tariffe ed enforcement, aggiornamenti CERT su campagne che colpiscono pagamenti e identità. Filo rosso La settimana conferma una regola 2026: competitività significa resilienza misurabile. Chi investe in dati (per IA e fabbrica), alternative di approvvigionamento e continuità operativa regge meglio a energia volatile, tassi sensibili e regole che cambiano.

Uno studio su quasi 10.000 lavoratori tedeschi fotografa la doppia diffusione dell’IA: informale e formale di Andrea Viliotti Quando l’adozione parte dai singoli, il vero vantaggio competitivo non è “avere un chatbot”, ma trasformare l’uso diffuso in processi, competenze e governance. I dati dalla Germania mostrano che l’IA è già ovunque, ma spesso resta superficiale: l’integrazione e la produttività emergono soprattutto quando l’impresa formalizza, forma e integra – accettando anche nuovi trade‑off su controllo e fiducia. IA in azienda: adozione informale vs formale Cosa dice lo studio tedesco Il paper “ Low Barriers, High Stakes ” di Schlenker e co‑autori usa la survey rappresentativa DiWaBe 2.0 (luglio–dicembre 2024) collegata a dati amministrativi, per misurare come l’IA si diffonde nel lavoro attraverso due canali: adozione informale (uso auto‑iniziato) e adozione formale (strumenti introdotti dal datore di lavoro). Il risultato chiave è controintuitivo solo in apparenza: l’uso dell’IA è già molto diffuso tra i lavoratori, ma non è automaticamente “incorporato” nei processi. L’adozione dal basso accelera ampiezza e sperimentazione; l’introduzione formale non aumenta molto il numero di utenti, ma aumenta profondità, formazione e (percepita) produttività. Tre numeri che contano per chi decide: ·        Circa due terzi dei lavoratori dichiarano di usare strumenti di IA sul lavoro (almeno occasionalmente). ·        Solo una minoranza li usa frequentemente: l’adozione è ampia, l’integrazione è più rara. ·        Tra chi usa IA, solo circa un terzo indica che il principale strumento è stato introdotto formalmente dall’impresa   Germania → Italia: quali implicazioni (con prudenza) I risultati empirici sono su lavoratori in Germania. Trasferirli all’Italia richiede cautela: struttura produttiva, regole interne, cultura organizzativa e livelli di digitalizzazione non sono identici. Detto questo, il meccanismo osservato – “doppio canale” di diffusione – è plausibile anche nelle imprese italiane per una ragione semplice: i tool di IA generativa hanno barriere di ingresso molto basse. Per i settori più esposti (manifattura e operations, servizi professionali, IT e cybersecurity, HR e recruiting, pubblica amministrazione), il tema non è solo “adottare l’IA”, ma governare un’adozione che spesso è già iniziata nelle singole postazioni di lavoro. In assenza di regole e integrazione, l’azienda accumula sperimentazione senza capitalizzarla; nel peggiore dei casi, accumula rischio. La domanda manageriale diventa quindi: come trasformare l’uso informale in una piattaforma aziendale – dati, processi, competenze – senza spegnere l’iniziativa e senza perdere controllo su sicurezza, IP e compliance? Informale vs formale: cosa cambia nel concreto Lo studio non giudica “buono” o “cattivo” un canale rispetto all’altro: mostra che generano effetti diversi. L’informalità porta velocità e ampiezza; la formalità porta profondità e complementarità (formazione, integrazione nei task, infrastrutture). Quando l’IA è introdotta formalmente dall’impresa, i lavoratori mostrano (in media) più formazione e più benefici percepiti sulla produttività, ma anche maggiore esposizione a forme di supervisione algoritmica (allocazione compiti, gestione tempi, valutazione performance). Due dettagli operativi utili per HR, IT e Operations: ·        Il profilo applicativo cambia: gli strumenti “testuali” (generazione/riassunto) sono diffusi in entrambi i canali, mentre applicazioni più “costose” o che richiedono workflow (diagnostica/analitica, cobot, immagini) sono più frequenti quando c’è introduzione formale. ·        Le differenze su training e supervisione sembrano in parte “tra imprese” (strategie di implementazione), mentre la maggiore intensità d’uso e alcune applicazioni avanzate restano più alte anche “dentro la stessa impresa” tra lavoratori che differiscono per canale di adozione.   Italia in numeri (adozione e competenze) Italia in numeri — cosa guardare prima di scrivere una policy IA ·        Imprese (≥10 addetti) che usano almeno una tecnologia di IA: 8,2% nel 2024 (era 5,0% nel 2023). ·        Grandi imprese (≥250 addetti) che usano IA: circa un terzo (32,5% nel 2024). ·        Gap dimensionale su competenze ICT: nelle indagini ICT emerge una distanza marcata tra PMI e grandi imprese su presenza di specialisti e capacità di formazione. ·        Contesto UE: la media Ue27 di imprese (≥10 addetti) che usano IA è 13,5% nel 2024; l’Italia è sotto la media. ·        Competenze digitali di base nella popolazione: 45,8% (dato Italia, Digital Decade 2024). Fonti: ISTAT (Imprese e ICT – anno 2024, pubblicato 17/01/2025); Eurostat (contesto UE); Commissione UE (Digital Decade Country Report Italy 2024). Questi indicatori non sono “la verità” sull’uso dell’IA in azienda: misurano pezzi diversi (impresa vs persona, adozione strutturata vs sperimentazione). Ma aiutano a capire perché l’adozione può apparire bassa nei dati d’impresa e, al tempo stesso, essere già visibile nelle pratiche quotidiane.   Standard e riferimenti per una policy IA aziendale Standard & compliance — il minimo sindacale per passare da “tool” a “sistema” ·        ISO/IEC 42001 (AI Management System): struttura di governo per ruoli, processi, controlli e miglioramento continuo. ·        NIST AI RMF 1.0: mappa rischi → misure su governance, dati, trasparenza, robustezza, monitoraggio. ·        OECD AI Principles: accountability, sicurezza, equità, trasparenza (utile per principi e comunicazione interna). ·        EU AI Act (Reg. UE 2024/1689): calendario di applicazione progressivo; per molte imprese conviene usare il 2025–2026 per mappare casi d’uso e requisiti. Fonti: ISO; NIST; OECD; EUR‑Lex (Regolamento UE 2024/1689, art. 113). Messaggio pratico: non serve partire da un documento di 60 pagine. Serve invece una policy “vivente” che definisca cosa è consentito, con quali dati, con quali tool, con quali controlli, e come si misura l’impatto.   Produttività: perché non basta “usare un chatbot” Il paper aiuta a leggere un fenomeno che molte aziende stanno vivendo: l’IA generativa si diffonde velocemente perché costa poco, ma i benefici restano disomogenei. La differenza tra “adozione” e “produttività” passa da tre complementi manageriali. 1. Processi: integrare l’IA nel flusso di lavoro (input dati, controlli, output riutilizzabili) invece di lasciarla come attività “extra” del singolo. 2. Competenze: formazione mirata su compiti e rischi (prompting non basta; servono competenze su dati, qualità, verifica, sicurezza). 3. Misurazione: passare da percezioni a metriche (tempo ciclo, errori, qualità, soddisfazione cliente interno/esterno) con baseline e monitoraggio. Esempio rapido (servizi professionali): se l’IA accelera la produzione di una bozza, ma aumenta il tempo di revisione o il rischio di errori, l’effetto netto può essere nullo. Serve un disegno di processo: dove l’IA produce valore, dove è vietata, e dove deve essere sempre verificata da un umano.   Rischi e governance: lo “shadow AI” non è un dettaglio L’adozione informale è spesso invisibile nei cruscotti aziendali ma visibile nei log: email, documenti, prompt copiati in tool esterni, dati caricati su piattaforme non autorizzate. Il rischio non è solo cyber: è anche reputazionale, legale e organizzativo. Lo studio tedesco segnala un trade‑off tipico dell’adozione formale: più integrazione e formazione, ma anche più supervisione algoritmica. In Italia, questo si intreccia con un contesto regolatorio più stringente (privacy, IP, e il quadro UE sull’IA) e con rapporti industriali spesso sensibili sui temi di controllo.   Risk radar e segnali precoci da monitorare Risk radar (4 aree) ·        Shadow AI e fuga dati: dove finiscono prompt, allegati, output; rischio di exposure di dati personali e segreti industriali. ·        Divario competenze: chi usa l’IA impara più velocemente; senza training l’asimmetria cresce (e diventa rischio HR). ·        Algorithmic management: strumenti usati per allocare compiti/tempi/performance possono deteriorare fiducia e clima se non governati. ·        Produttività percepita ≠ produttività misurata: senza metriche, l’IA resta “sensazione” e non investimento. Segnali precoci (early signals) ·        Policy IA pubblicata e compresa (non solo “intranet”). ·        Tasso di training completato per ruoli e processi chiave. ·        Numero di casi d’uso integrati nei processi (con owner e KPI). ·        Incidenti/near-miss di compliance e data leakage tracciati e chiusi. ·        Feedback strutturato dei lavoratori sugli strumenti (utilità, attriti, timori).   Governance prima dei tool Governance prima dei tool: trasformare l’adozione informale in piattaforma ·        Stabilisci un “perimetro sicuro”: tool autorizzati, dati ammessi, livelli di confidenzialità, log e retention. ·        Centralizza i casi d’uso: backlog unico con priorità business (HR, IT, operations, customer). ·        Definisci ownership: CIO/IT per architettura e security; HR per competenze e change; Legal/Compliance per rischi e policy. ·        Crea un ciclo di vita: pilot → standard → scalabilità; stop se non regge su qualità/sicurezza. ·        Misura: tempi, errori, qualità, soddisfazione; aggiorna policy e training in base agli incidenti reali.   Azioni pratiche per il management Obiettivo: spostare l’IA da “uso spontaneo” a “capacità aziendale”. Sotto, una checklist rapida per CEO e C‑level e un piano 30/60/90 giorni. Checklist — 10 domande che il CEO dovrebbe farsi 1.      Sappiamo dove l’IA è già usata oggi (per funzione e processo) oppure stiamo indovinando? 2.      Quali dati possono uscire dall’azienda e quali no? È chiaro a tutti (non solo a IT)? 3.      Abbiamo un set di tool autorizzati e un’alternativa “sicura” per i team che oggi usano tool esterni? 4.      Chi è accountable per la policy IA (una persona, non un comitato)? 5.      Quali 5 casi d’uso hanno il miglior rapporto impatto/tempo di implementazione nei prossimi 90 giorni? 6.      Come misureremo la produttività (tempo, qualità, errori) con una baseline credibile? 7.      Quale training è obbligatorio per ruoli chiave (HR, procurement, customer, operations)? 8.      Come gestiamo IP e contenuti generati (copyright, riservatezza, tracciabilità)? 9.      Come gestiamo bias e qualità degli output (human‑in‑the‑loop, verifiche, audit)? 10.   Come evitiamo che l’IA diventi percepita come “sorveglianza” e deteriori fiducia e clima? Piano 30/60/90 giorni Orizzonte Policy & compliance Dati & sicurezza Processi & use case Persone & change 30 giorni Bozza policy IA + regole su tool/dati; owner nominato. Inventario dati sensibili; linee guida su prompt e allegati; canale segnalazioni shadow AI. Selezione 3–5 casi d’uso; criteri di qualità; pilota controllato. Training base per funzioni esposte; comunicazione interna “cosa si può fare”. 60 giorni Allineamento con framework (ISO/NIST) e requisiti UE; procedure di approvazione casi d’uso. Controlli su accessi/log; classificazione dati; template DPIA/privacy dove serve. Integrazione minima nei workflow (ticketing, HR, operations); libreria prompt/standard. Formazione avanzata per ruoli chiave; community di pratica e ambassador. 90 giorni Policy versione 1.0 in esercizio; audit leggero su compliance e incidenti; aggiornamenti. Valutazione fornitori e contratti; guardrail su output e riuso; playbook incident response. Scalare i casi d’uso che reggono su qualità/tempo; stop a quelli che non reggono. Misurazione con KPI operativi; survey interna su utilità e rischi; aggiustamenti.   Diffusione “skill‑biased”: chi aumenta l’uso dell’IA Un messaggio cruciale per imprenditori e C‑level è che la diffusione dell’IA non è neutrale: tende a seguire competenze, complessità del lavoro e propensione a sperimentare. Questo crea un rischio di polarizzazione interna se l’azienda non interviene con formazione e redesign dei processi. Per il management italiano, la traduzione operativa è semplice: se l’IA resta “facoltativa”, la useranno di più e meglio le persone già avvantaggiate. Se invece l’azienda costruisce percorsi, tool e processi, può trasformare l’IA in una leva di upskilling e non in un moltiplicatore di disuguaglianze. Cosa monitorare nei prossimi trimestri La lezione della Germania non è “copiare un modello”, ma capire il meccanismo: l’IA entra comunque. La differenza la fa la capacità dell’impresa di trasformare la diffusione in produttività misurabile, mantenendo fiducia e controllo. Se nei prossimi mesi vedete crescere policy, training e casi d’uso integrati nei processi – e, in parallelo, un calo degli incidenti di shadow AI – allora l’adozione sta passando da epidemia a infrastruttura.

Un paper di Xiaoyu Ma e David Patterson (Google) sostiene che, nell’era degli LLM, la fase “Decode” è il vero collo di bottiglia: sequenziale, affamata di memoria e sensibile alla latenza di rete. Per le imprese cambia la checklist: procurement e governance devono misurare time‑to‑first‑token, capacità di memoria, energia e responsabilità su dati e rischio, non solo “potenza di calcolo”. di Andrea Viliotti Hardware per inferenza LLM Nel dibattito aziendale sull’AI generativa, “più calcolo” è diventato sinonimo di “più valore”. Ma quando un assistente digitale entra in un processo – un operatore che cerca una procedura, un consulente che riassume un contratto, un medico che consulta una linea guida – l’azienda non compra un benchmark: compra inferenza  con SLA. E l’inferenza, oggi, ha un tallone d’Achille diverso dal training. È la tesi di “ Challenges and Research Directions for Large Language Model Inference Hardware ” (Ma, Patterson): l’LLM non è un carico uniforme. La parte che determina costi e percezione – il Decode  autoregressivo, token dopo token – è vincolata da memoria e interconnessione più che dal picco di FLOPS. Se è così, il vantaggio competitivo non sta solo nel modello, ma nell’architettura che lo serve. In numeri ~40% → <4%: quota di paper “industry” nelle conferenze di architettura (1976 vs ISCA 2025). +80X vs +17X: in un decennio le GPU aumentano i FLOPS molto più della banda di memoria (esempio NVIDIA 2012‑2022). Divergenza di costi: HBM con costi normalizzati in crescita (+1,35x 2023‑2025), DDR in calo (0,54x capacità e 0,45x banda 2022‑2025). Stessa banda, capacità diversa: in Tabella 3 un “HBF stack” è indicato a 512 GB e 1638 GB/s contro un “HBM4 stack” a 48 GB e 1638 GB/s. Due fasi, due economie: Prefill e Decode Gli autori separano due fasi. Nel Prefill  il modello elabora l’input in parallelo (come nel training): spesso è più vicino a un problema compute‑bound . Nel Decode , invece, la generazione è sequenziale: ogni passo produce un token e dipende dal precedente. Qui entra la KV cache  (Key‑Value cache), che collega le due fasi e cresce con la lunghezza totale di input+output. Risultato: anche con molta aritmetica disponibile, la pipeline può restare “a secco” se la memoria non alimenta abbastanza in fretta i dati necessari a ogni token. Questa distinzione guida anche le architetture moderne: Prefill e Decode non sono necessariamente co‑localizzati e possono girare su server diversi (disaggregated inference). Il software può alleviare parte del problema (batching, scheduling), ma non cambia la fisica: il Decode resta un carico memory‑bound . Il muro della memoria: perché l’hardware “da training” fatica nel Decode Finora l’hardware per inferenza è stato spesso una derivazione di quello per training. Il paper sostiene che i trend si stanno disallineando: la capacità di calcolo cresce più rapidamente della capacità di alimentarla. Nei data center domina l’accoppiata “grande ASIC + HBM (High Bandwidth Memory)”: ottima per throughput, meno adatta quando l’inferenza è fatta di accessi frequenti e poco riusabili. Qui entra la dimensione industriale. Il paper mostra che i costi normalizzati di HBM (per capacità e banda) possono crescere, mentre la DRAM standard (DDR) segue dinamiche diverse: è un segnale che, in scala, la memoria può diventare il vincolo di business  prima del calcolo. E il tentativo di “chiudere tutto in SRAM” non è una scorciatoia: architetture nate per ridurre dipendenza da DRAM/HBM – citate Cerebras e Groq – hanno dovuto reintrodurre memoria esterna perché la dimensione dei modelli supera la SRAM integrabile a costi e consumi ragionevoli. Per CIO/CTO e CFO il takeaway è pratico: il costo dell’AI in produzione non è lineare con il numero di query; dipende da quanta memoria serve per pesi, contesto e cache, e da quanto quella memoria è disponibile e prevedibile nel TCO. Latenza end‑to‑end: time‑to‑first‑token e rete L’inferenza “user‑facing” vive di latenza. Il paper distingue due metriche operative: time‑to‑completion  (tutti i token) e soprattutto time‑to‑first‑token  (il primo token visibile), che determina la qualità percepita. Input lunghi e RAG aumentano il lavoro prima di iniziare a rispondere; output lunghi allungano la generazione; in entrambi i casi pesa l’accesso alla KV cache. Quando l’inferenza diventa multi‑chip, arriva la rete. Con batch piccoli e messaggi spesso ridotti, la latenza di interconnessione può contare più della banda: la rete “da training” (ottimizzata per throughput) non è automaticamente la rete “da inferenza”. Per l’impresa questo implica un cambio di capitolato: non solo “token/s”, ma variabilità della latenza sotto carico e comportamento in degradazione. Quattro direzioni di ricerca (e quattro domande nuove al procurement) Gli autori non vendono una soluzione pronta: indicano quattro direzioni architetturali che, se maturassero, cambierebbero i trade‑off. High Bandwidth Flash (HBF) : impilare flash “in stile HBM” per ottenere banda elevata con capacità molto maggiore. Obiettivo: più memoria per nodo per ridurre dimensione del sistema, overhead di rete, potenza e TCO. Vincoli chiave: endurance di scrittura e letture a pagine con latenza superiore (quindi gerarchie dove flash ospita pesi “congelati” o contesto lento‑variabile, mentre la DRAM resta per dati dinamici). Processing‑Near‑Memory (PNM) vs Processing‑in‑Memory (PIM) : il paper propone una distinzione netta. PIM porta logica nel die di memoria e promette banda per watt, ma introduce coupling memoria‑logica e richiede sharding su banchi piccoli; PNM tiene logica e memoria su die separati ma vicini, con più libertà di processo e partizionamento. 3D memory‑logic stacking : usare TSV e packaging 3D per un’interfaccia memoria più larga e densa, puntando a più banda per watt. Ma con nuove sfide: termica, standard d’interfaccia, mapping software su rapporti diversi tra banda/capacità/FLOPS. Interconnessioni a bassa latenza e processing‑in‑network : topologie con meno hop (tree, dragonfly, tori ad alta dimensione) e accelerazione “in rete” di collettive utili agli LLM (broadcast, all‑reduce, dispatch/collect per MoE) per migliorare latenza e throughput. Tradotto in linguaggio aziendale: procurement non deve chiedere “quale GPU”, ma “quale gerarchia di memoria”, “quale rete”, “quale degrado controllato”, “quale profilo energetico”, e con quali assunzioni su contesto, RAG e variabilità dei prompt. Che cosa cambia per le imprese Nei prossimi 30 giorni (decisioni “reversibili”) Misura separata Prefill/Decode : strumentare time‑to‑first‑token e time‑to‑completion; monitorare pressione di memoria (KV cache) e segnali “memory‑bound” (utilizzo basso di calcolo con latenza alta). Classifica i casi d’uso per latenza : interattivo (SLA stretti) vs batch/offline; definire cosa è “degrado accettabile” (risposta più lenta, risposta sintetica, fallback). Capitolato “inference‑ready” : chiedere ai fornitori evidenza su variabilità della latenza sotto carico, gerarchia di memoria, requisiti di rete, profilo di potenza e modalità di osservabilità (log, metriche, audit). Governance minima : mappare data‑flow di prompt, RAG e output; chiarire ownership (IT, AI team, business, compliance). Nei prossimi 90 giorni (industrializzazione) SLO di inferenza : formalizzare obiettivi di latenza/affidabilità per servizio, includendo “coda” e variabilità; testare su workload realistici (prompt lunghi, RAG, picchi). Architettura e routing : separare percorsi “lunghi” e “brevi” (contesto esteso vs standard); valutare disaggregated inference; governare cache e contesti “lento‑variabili”. FinOps/GreenOps : collegare consumo (TCO/potenza/CO2e) a unità di servizio; inserire capacity planning (energia/spazio) nel piano AI. Compliance operativa : integrare EU AI Act e GDPR come vincoli di accountability; usare ISO/IEC 42001 e NIST AI RMF come lessico di ruoli, risk register, controlli e monitoraggio. KPI/trigger qualitativi (senza soglie inventate) Aumento persistente del time‑to‑first‑token in condizioni di picco; crescita della variabilità di latenza (coda). “Utilizzo alto di memoria / basso di calcolo” con degradazione di SLA. Errori o ritardi nel recupero RAG; mismatch tra contesto atteso e contesto usato. Lacune di logging/audit, o impossibilità di ricostruire input‑contesto‑output a posteriori. Settori: stesso vincolo, casi d’uso diversi Manifattura : la latenza decide l’adozione sul campo. Separare Prefill e Decode suggerisce architetture ibride (edge/on‑prem + cloud) dove la generazione finale è ottimizzata per memoria locale e tempi certi. Finanza : i casi d’uso (antifrode, assistenza al consulente, analisi documentale) uniscono latenza e controllo. Se l’inferenza usa RAG su basi dati proprietarie, cache e logging diventano parte della governance. Retail/consumer : picchi e stagionalità rendono decisive batching, disaggregated inference e contratti di performance. La metrica che conta è la stabilità del time‑to‑first‑token sotto carico. PA e sanità : documenti lunghi e dati sensibili stressano memoria e tracciabilità. Se la tecnologia regge, va governata; se non regge, resta prototipo. Compliance: governance che parla anche “hardware” Il paper invita a ottimizzare su metriche moderne: TCO , potenza media, CO2e (operativa e incorporata) e vincoli di capacità del data center. Per le imprese è un ponte verso la governance: EU AI Act, GDPR, ISO/IEC 42001 e NIST AI RMF spingono a chiarire ruoli, controlli e ciclo di vita. Ma quelle responsabilità dipendono anche da scelte tecniche: dove gira Prefill/Decode, quali dati entrano in RAG, cosa finisce in cache, quali evidenze di monitoraggio e audit sono disponibili. Cosa monitorare (segnali precoci) Memoria : roadmap HBM e alternative (gerarchie ibride, flash per contesto/pesi); maturità di packaging 3D. Rete : topologie low‑latency e funzioni “in‑network” utili alle collettive degli LLM. Software‑hardware co‑design : disaggregated inference, batching e tecniche per ridurre pressione della KV cache. Governance : linee guida applicative e prassi di audit; adozione di ISO/IEC 42001 e operazionalizzazione di NIST AI RMF. L’AI come infrastruttura La conclusione degli autori è una provocazione utile: l’attuale filosofia hardware – grandi die ad alto FLOPS, molte HBM, interconnessioni ottimizzate per banda – è una cattiva approssimazione del Decode. Per le imprese significa una cosa: chi vuole scalare l’AI deve trattarla come infrastruttura, non come feature. Misurare, progettare, governare. E mettere memoria, rete ed energia al centro della strategia.