Risultati di ricerca

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.

L’accordo Apple-Google sposta la competizione IA su distribuzione, cloud e regolazione. di Andrea Viliotti Gemini per Siri e Apple Foundation Models Apple e Google hanno formalizzato una collaborazione pluriennale: la prossima generazione di Apple Foundation Models sarà basata sui modelli Gemini e sulla tecnologia cloud di Google. Il punto non è solo “riparare” Siri, ma spostare un pezzo della catena del valore: dal device alla fondazione del software. Per le imprese italiane significa una cosa concreta: l’IA generativa arriva dentro il parco iPhone e iPad con un fornitore dominante, e con nuove conseguenze su procurement, compliance e sicurezza. L’annuncio è rilevante perché avviene nel punto in cui l’IA diventa infrastruttura di prodotto. Apple mantiene la regia dell’esperienza utente — interfaccia, permessi, integrazione tra app — ma riconosce che, sul livello dei foundation models, la partita richiede scala di ricerca e calcolo che oggi pochi operatori possono sostenere. Il risultato è un’architettura ibrida: promessa di esecuzione su dispositivo e su Private Cloud Compute, con una “base” modellistica esterna. Per il mercato, la domanda si sposta da «chi ha il modello migliore» a «chi controlla canali e condizioni d’accesso». Per Apple è anche una scelta di time-to-market. In un settore dove le funzionalità diventano attese nel giro di mesi, non di cicli prodotto, l’alternativa a un accordo era rallentare o ridurre ambizione. Delegare la fondazione non equivale a cedere il prodotto: significa comprare capacità — e tempo — mantenendo la leva della distribuzione. Il prezzo, però, è la dipendenza da una roadmap altrui: se Gemini evolve (o cambia policy e pricing) Apple deve assorbire l’impatto senza rompere l’esperienza. È un rischio di filiera, non diverso da quello sui chip, ma più opaco perché riguarda API e comportamenti emergenti. Distribuzione prima del modello Per Google/Alphabet, l’accordo è una vittoria di distribuzione rara. Portare Gemini sotto il cofano di un ecosistema con una base installata enorme significa ridurre il costo di acquisizione utenti e spostare attenzione verso il proprio stack, anche quando l’utente “vede” solo Siri o Apple Intelligence. È qui che la concorrenza con OpenAI, Microsoft e Amazon si fa più dura: se l’assistente diventa il nuovo browser, chi lo alimenta guadagna accesso privilegiato a query, contesto e bisogni. Anche senza possedere l’interfaccia, può orientare standard di sicurezza, tool di sviluppo, integrazione cloud e, soprattutto, la narrativa su qualità e affidabilità. Questo spiega perché la partita non è solo consumer. In enterprise, l’“effetto standard” nasce quando i dipendenti usano sul telefono gli stessi strumenti che poi chiedono sul posto di lavoro. Se la base modellistica di Apple si allinea a Gemini, cresce la probabilità che anche le aziende chiedano compatibilità con quell’ecosistema: account, controlli, audit e connettori. L’impatto si vede sui contratti: più richieste di clausole su localizzazione, logging, incident response e diritto di recesso, perché la posta in gioco è il lock-in applicativo, non solo il costo per token. Per CIO e procurement, la parola d’ordine diventa multi-fornitore disciplinato, non sperimentazione infinita. Dipendenza, antitrust, privacy L’alleanza, però, arriva con un bagaglio regolatorio. Apple e Google hanno già un rapporto storico sulla ricerca; aggiungere uno strato di IA può alimentare letture antitrust su “incumbent che si rafforzano a vicenda”. Sul fronte privacy, la promessa di Apple — elaborazione on-device e in Private Cloud Compute — resta un asset, ma l’asticella della prova si alza: i clienti corporate chiederanno trasparenza su quali richieste escono dal device, che cosa viene memorizzato, per quanto tempo, e con quale separazione tra dati utente e addestramento. In parallelo, la governance europea sull’IA sta entrando in una fase più operativa: per molte aziende, questo significa che le scelte di modello e fornitore diventano materia da comitato rischi, non da team sperimentale. Per i concorrenti, il messaggio è chiaro: la catena del valore si sta spostando verso “bundle” di modello, cloud e distribuzione. Microsoft punta a presidiare PC e produttività con Copilot; Amazon spinge l’aggregazione di modelli via piattaforme; Meta gioca la carta dell’apertura e dei pesi scaricabili; Anthropic difende posizionamento su sicurezza e affidabilità; OpenAI deve bilanciare ambizione di piattaforma con partnership che possono diventare instabili quando l’intermediario controlla l’utente finale. Per le imprese italiane, la lezione è una: scegliere un solo “fornitore totale” aumenta velocità, ma riduce potere contrattuale. In un mercato che si consolida, la resilienza viene dalla capacità di sostituire componenti senza riscrivere processi.

Nella corsa ai modelli con contesti sempre più lunghi, una ricerca propone un cambio di paradigma: non “ingozzare” la rete neurale, ma farle esplorare il testo come un agente che legge, seleziona e torna sui passaggi chiave. Un preprint del MIT CSAIL descrive i Recursive Language Models: un’architettura d’inferenza che carica il prompt in un ambiente di esecuzione e permette al modello di interrogare ricorsivamente parti rilevanti del testo. La promessa è ridurre la distanza fra finestra nominale e “effective context”, ma il prezzo è un sistema più complesso da governare: sandbox, audit, latenza e sicurezza diventano parte della tecnologia. di Andrea Viliotti Recursive Language Models Il collo di bottiglia non è solo “quanti token”, ma quanto contesto è davvero usabile Nel dibattito pubblico sull’IA generativa, “contesto lungo” è spesso sinonimo di progresso: più spazio, più documenti, più storia. Ma la ricerca sta rendendo esplicito un punto scomodo: la finestra nominale non coincide con la porzione di informazione che il modello riesce a usare in modo affidabile. Il preprint “ Recursive Language Models ” insiste proprio su questa distinzione: la capacità effettiva dipende dal compito e dalla densità informativa, non solo dalla dimensione dichiarata della memoria di input. Detto in modo semplice: è diverso cercare un dato in un mare di testo (un “ago nel pagliaio”) e dover ragionare su quasi ogni riga di un documento lungo. Nel secondo caso, la degradazione arriva prima. È anche il motivo per cui stanno proliferando benchmark e protocolli che misurano la distanza fra “contesto promesso” e “contesto utile”, spostando l’asticella da test facili di recupero a compiti più compositivi e “information‑dense”. L’idea: trattare il prompt come un oggetto esterno, non come un unico pasto Il cuore della proposta è una svolta di impostazione: invece di riversare tutto il prompt dentro la rete neurale, gli autori trattano il testo come parte dell’ambiente esterno con cui il modello può interagire simbolicamente. In pratica, il prompt viene caricato come variabile in un ambiente di tipo REPL (un contesto d’esecuzione), e al modello è consentito scrivere codice per “guardare dentro” al testo: filtrare, spezzare, selezionare, verificare. A quel punto entra in gioco la ricorsione: il modello può costruire sotto‑compiti e invocare sub‑chiamate su porzioni mirate del contenuto, invece di tentare di “tenere in testa” tutto insieme. È un modo per trasformare la lettura in un processo: interrogare, estrarre, controllare, e solo alla fine comporre una risposta. Gli autori descrivono anche pattern ricorrenti emersi durante le prove: filtri via codice (per esempio ricerche strutturate), decomposizione in blocchi con richiami mirati, e composizione di output lunghi accumulando risultati in variabili dell’ambiente, così da non dipendere rigidamente dal limite di generazione del modello di base. Perché interessa le imprese: meno “memoria monolitica”, più “lettura controllata” Se questa idea si traduce in prodotti, cambia il modo in cui le aziende potrebbero progettare sistemi basati su LLM. Non è solo una questione di comprare un modello con contesto più ampio, ma di decidere come quel contesto viene attraversato. Per una banca o un’assicurazione, significa poter trattare fascicoli lunghi (policy, contratti, reclami, normative interne) non come un’unica richiesta ingestibile, ma come un ambiente interrogabile con logiche verificabili: “vai a cercare le clausole X”, “confronta la versione A e B”, “spiega la differenza e cita i passaggi rilevanti”. Per una manifattura, l’analogia è la documentazione tecnica e di qualità: specifiche, report di non conformità, manuali e procedure che spesso superano la soglia di attenzione di qualunque lettura lineare. Nella PA e nel legale, l’impatto è ancora più chiaro: l’output utile non è solo riassumere, ma costruire una traccia di ragionamento che regga audit e contestazioni. Cosa cambia in azienda La prima domanda non è “quanto contesto supporta il modello”, ma “quanta parte del nostro patrimonio documentale riesce a usare senza perdere pezzi importanti ”. Da qui, tre strade tipiche si delineano. La prima è puntare su modelli con contesto esteso e su una pipeline semplice: utile quando i documenti sono relativamente omogenei e la domanda è lineare. La seconda è la classica combinazione di indicizzazione e recupero (RAG) con un agente che seleziona i documenti: funziona bene quando il problema è trovare “dove sta l’informazione”, e non tanto ragionare su quasi tutto. La terza — quella evocata dagli RLM — è un approccio più “procedurale”: mettere il testo in un ambiente, far scrivere al modello piccole procedure di lettura e verifica, e accettare che la risposta emerga da più passaggi. In questa terza via, il tema chiave diventa la governance: un ambiente di esecuzione richiede sandboxing, segregazione dei dati, log delle operazioni e policy chiare su tool‑use. In altre parole: è tecnologia, ma anche controllo del rischio operativo. I caveat: più potenza, più superficie d’attacco (e più latenza) Il paper è esplicito sui limiti e sulle direzioni future. Un RLM, così come descritto, non è solo un “modello più grande”: è un sistema che coordina esecuzione di codice e sub‑chiamate. Questo può aumentare runtime e variabilità: alcune traiettorie trovano presto la strada, altre iterano molto. E soprattutto apre la questione sicurezza: far scrivere codice a un LLM in un contesto enterprise non è un dettaglio, ma un requisito di progetto. Gli autori notano che esistono margini per migliorare l’implementazione (per esempio con sub‑chiamate asincrone e sandbox più robuste) e suggeriscono che un asse di ricerca importante potrebbe essere addestrare modelli “pensati” per ragionare in questo stile, come root e sub‑modelli di una pipeline ricorsiva. Il contesto più ampio: misurare l’“effective context” e progettare memoria La proposta si inserisce in una traiettoria più larga. Da un lato, la comunità sta costruendo strumenti per misurare “quanto contesto è reale”: benchmark come RULER e studi come “Lost in the Middle” hanno mostrato che anche i modelli long‑context possono degradare quando l’informazione rilevante cade in posizioni sfavorevoli o quando la complessità del compito cresce. Dall’altro, si moltiplicano le alternative ingegneristiche: memoria gerarchica e “virtual context” (come MemGPT), oppure modifiche architetturali che comprimono e riusano informazione (come Infini‑attention). E poi benchmark più “difficili” e realistici, che cercano di impedire scorciatoie. In sintesi: la sfida non è solo allungare la finestra, ma ridurre il divario tra finestra nominale e finestra utile. E quando l’IA entra davvero nei processi — dalla compliance alla produzione, dal procurement alla consulenza — quel divario diventa un costo: tempo perso, risposte fragili, rischio di errore. Cosa aspettarsi Se l’idea RLM prenderà piede, una parte della competizione si sposterà dalla “memoria del modello” alla “procedura di lettura”: strumenti, ambienti di esecuzione, metriche di effective context e governance. Per le imprese, il punto non è inseguire la promessa di contesti infiniti, ma scegliere architetture che rendano tracciabile, e difendibile, il percorso con cui l’IA arriva a una risposta.

Nato, commercio, Artico e tecnologia si fondono in un’unica partita. Per l’Italia il punto non è “adottare” AI e robot, ma saperli industrializzare senza perdere accesso a mercati, energia e componenti critici di Andrea Viliotti Gli Stati Uniti stanno ricomponendo sicurezza, commercio e tecnologia in un’unica strategia “America First”. Per l’Europa cambia il perimetro: più spesa e capacità industriale per la difesa, meno automatismi politici in Nato. Per le PMI italiane la partita è su filiere, compliance (export controls/AI) e produttività: AI e robotica come leva competitiva e difensiva.   La National Security Strategy 2025 (NSS) mette nero su bianco una gerarchia: priorità al “Vicino Estero” americano (emisfero occidentale) e a strumenti di diplomazia commerciale, con tariffe e reciprocità come leve. Sul versante europeo, la Nato ha alzato l’asticella: dal 2% del PIL come linea-guida alla nuova “5% commitment” al 2035 (3,5% core + fino a 1,5% resilienza). Il dossier Ucraina si muove tra mediazione e deterrenza: negoziati su garanzie di sicurezza e, in parallelo, discussioni su nuove sanzioni. In Medio Oriente la Casa Bianca ha spinto un percorso di cessate-il-fuoco a fasi su Gaza e ha mantenuto un alto profilo su forniture militari e deterrenza regionale. La geo‑economia torna centrale: nel 2025 UE e USA hanno siglato un accordo politico su tariffe e trade che punta a stabilizzare il rapporto e ad allineare l’“economic security” (export controls, screening). La tecnologia è la moneta del potere industriale: gli USA guidano gli investimenti privati in AI (2024) e stringono i controlli su chip e capacità di calcolo; la robotica accelera come indicatore di competitività manifatturiera.   Risk Radar (12 mesi – 3 anni): cosa può cambiare davvero Nelle prossime 12–36 mesi il “rischio Paese” non sarà solo una variabile geopolitica: entrerà nei contratti, nelle regole di origine, nelle licenze tecnologiche e nei costi di energia e logistica. Cinque aree da tenere sul radar: • Nato / sicurezza — Pressione su burden sharing; procurement più “America‑centric”; escalation ibrida (cyber, sabotaggi, spazio). Segnali da monitorare: Piani annuali Nato su traiettoria 5%; tempi su munizionamento e capacità; nuove clausole su interoperabilità e supply chain. • Commercio / tariffe — Ritorno di tariffe settoriali; contromisure UE; frammentazione standard (CBAM, controlli anti‑evasione). Segnali da monitorare: Atti attuativi UE-USA; enforcement su rules of origin; aumento indagini anti‑dumping/anti‑sussidi. • Tech / export controls  — Restrizioni su chip, software e modelli; compliance più onerosa per filiere che toccano USA; “trusted partners” come club. Segnali da monitorare: Nuove guidance BIS; allineamento UE su screening investimenti; richieste clienti su tracciabilità componenti e dataset. • Energia / materie prime  — Prezzi e volatilità per rotte/teatri; competizione su LNG e critical minerals; rischio Artico. Segnali da monitorare: Contratti LNG; decisioni su miniere/raffinazione; incidenti su rotte marittime e infrastrutture. • Reputazione / diritto internazionale  — Contenziosi, sanzioni secondarie, “conflitti di compliance” tra giurisdizioni; rischi di embargo tecnologico. Segnali da monitorare: Evoluzione sanzioni su Russia/Iran; richieste KYC/KYCC; linee guida UE su AI Act e due diligence.   Stato dei fatti (fact-status): cosa è documentato, cosa è interpretazione Nel testo che segue, quando parliamo di “fatti” li attribuiamo a documenti ufficiali e fonti pubbliche riconoscibili; dove la materia è incerta o controversa, ragioniamo in termini di scenari e trade-off, non di certezze. Per evitare letture ‘a sensazione’, qui conviene separare ciò che è già fissato in documenti ufficiali e dati pubblici da ciò che dipende ancora da negoziati, implementazioni e scelte politiche. Quello che oggi è già documentato (e quindi entra nei piani industriali e nei contratti). • Dottrina/indirizzo USA: La NSS 2025 esplicita una priorità per l’emisfero occidentale e parla di “Trump Corollary” alla Dottrina Monroe. — Segnale di una politica estera più selettiva e “commerciale”. • Nato / spesa difesa: Nel 2025 la Nato formalizza un nuovo impegno al 5% del PIL entro il 2035; la tabella Nato riporta stime 2024-2025 per Paesi alleati. — Implica domanda strutturale di capacità industriale e cyber-resilienza. • Commercio UE-USA: UE e USA hanno annunciato nel 2025 un accordo politico su tariffe e trade; i documenti citano tetti tariffari e cooperazione su economic security. — Riduce volatilità nel breve, ma introduce condizionalità e controlli. • Export controls (chip/AI): Il BIS annuncia la rescissione della ‘AI Diffusion Rule’ e nuove azioni di rafforzamento dei controlli sui chip. — Effetto a cascata su fornitori UE: contratti, licenze, end-use. • AI e robotica: AI Index (Stanford) riporta investimenti privati USA in AI nel 2024 e altri indicatori di diffusione; IFR riporta densità robot 2023 per Paesi/aree. — La competizione si gioca su capitale, dati, energia e capacità produttiva. • Italia: esposizione commerciale: Istat riporta (2024) quota export verso USA (10%), verso Cina (2,4%) e deficit commerciale con la Cina (-34 mld €). — Mappa immediata delle vulnerabilità: tariffe, domanda USA, dipendenze in input. Quello che resta in movimento (dove ha senso ragionare per scenari e trigger). • Ucraina: Fonti di stampa riportano negoziati su garanzie di sicurezza USA‑Ucraina e un parallelo dibattito su nuove sanzioni verso la Russia. — La traiettoria può cambiare in poche settimane: attenzione ai “trigger” politici. • Gaza / Medio Oriente: Reuters descrive un piano USA a fasi per cessate-il-fuoco e scambio ostaggi; CRS e Reuters documentano pacchetti di vendita/assistenza militare USA a Israele nel 2025. — Per imprese: rischio escalation e impatti su energia/logistica e compliance. • Artico / Groenlandia: Reuters e AP riportano dichiarazioni del presidente USA su un’ipotesi di controllo/acquisizione della Groenlandia; CSIS analizza implicazioni su risorse e sicurezza artica. — Artico = rotte, risorse, basi, standard: impatti indiretti su shipping e materiali. In pratica, per un lettore business la domanda non è prevedere la prossima dichiarazione, ma capire quali segnali anticipano cambiamenti di regole (tariffe, licenze, sanzioni), costi (energia/logistica) e requisiti di mercato (compliance, cyber, tracciabilità).   Lo stack GEO–ECON–TECH (cornice di lettura) Nel secondo mandato Trump, politica estera e politica industriale tendono a saldarsi: le scelte geopolitiche diventano vincoli (o opportunità) geoeconomici e, a valle, requisiti tecnologici e industriali. Schema concettuale, senza dati numerici. La cornice: America First, ma con una grammatica nuova La chiave del “Trump 2” non è solo un cambio di toni: è una grammatica strategica che prova a unificare tre piani. Primo, una gerarchia geografica più netta (emisfero occidentale in testa). Secondo, una lettura dell’economia come terreno di competizione: tariffe, reciprocità e accesso a mercato come leva diplomatica. Terzo, la tecnologia come asset di sicurezza nazionale: chip, cloud, AI e capacità produttiva entrano nel lessico della deterrenza. Per l’Europa questo significa una cosa semplice: l’alleanza politica resta, ma la “comodità” dell’ombrello strategico si paga di più — in spesa, capacità industriale, interoperabilità e allineamento su controlli tecnologici. Europa e Nato: dalla spesa alla capacità (e al tempo industriale) La svolta più misurabile è nella Nato: l’impegno 2025 al 5% del PIL entro il 2035 (con una componente esplicita per resilienza, infrastrutture e reti) trasforma la difesa da capitolo di bilancio a politica industriale. Per le imprese europee, la domanda non è quanto spendiamo”, ma cosa riusciamo a produrre e in quanto tempo. La distanza tra budget e capacità si vede nelle filiere: munizionamento, elettronica, motori, sensori, software, cyber. Qui entra l’effetto più sottile della postura USA: spingere acquisti verso fornitori statunitensi e, insieme, chiedere standard comuni che riducono la varietà europea. Spesa per la difesa come quota di PIL (stime Nato 2024–2025). Fonte: NATO, Defence Expenditure of NATO Countries (2014–2025), Nota: “e” = stime. Dalla geopolitica alla geoeconomia: tariffe, energia, regole (con un intento di stabilizzazione) Nel 2025 UE e USA hanno annunciato un accordo politico su tariffe e trade, presentato come passo per ripristinare stabilità e prevedibilità. Per Bruxelles è un “paracadute” contro l’escalation; per Washington è anche un modo per legare accesso a mercato e investimenti a condizioni di allineamento su sicurezza economica: screening sugli investimenti, controllo delle esportazioni, resilienza delle filiere. L’energia è dentro la stessa logica. Nella narrativa europea l’intesa è anche uno strumento per consolidare approvvigionamenti (LNG, combustibili) e ridurre vulnerabilità geopolitiche. Tre trade-off per l’Europa: stabilità oggi, autonomia domani ·        Stabilità tariffaria vs condizionalità: meno volatilità, più clausole su regole d’origine, standard e economic security. ·        Interoperabilità Nato vs pluralità industriale: standard comuni aiutano, ma possono comprimere lo spazio per fornitori europei. ·        Accesso a tecnologia USA vs sovranità digitale: cloud, AI e chip richiedono governance, audit e piani B per continuità operativa. In pratica: la governance UE deve trasformare queste condizionalità in investimenti (difesa, energia, calcolo, cybersecurity), altrimenti restano solo vincoli. Ucraina: mediazione, deterrenza e il rischio di una pace “a rate” All’inizio del 2026 Reuters riferisce di un documento su garanzie di sicurezza USA‑Ucraina in fase avanzata di finalizzazione, mentre a Washington si discute di misure sanzionatorie aggiuntive verso Mosca. La combinazione suggerisce una linea che cerca un esito negoziale senza rinunciare a strumenti di pressione economica. Per le imprese europee (e italiane) il punto pratico è duplice: (i) la durata del conflitto determina costi di energia, assicurazioni, logistica e rischio paese; (ii) l’architettura di sanzioni e contro-sanzioni genera compliance risk anche per chi non esporta direttamente verso Russia o aree sensibili. Gaza e Medio Oriente: cessate il fuoco come progetto, escalation come rischio residuale Sul dossier Gaza, Reuters descrive un piano statunitense a fasi che include cessate il fuoco, scambio di ostaggi e aumento degli aiuti. Parallelamente, nel 2025 CRS e Reuters documentano pacchetti di vendita/assistenza militare USA a Israele. Il quadro che ne esce è di una diplomazia “a scaffali”: negoziato dove possibile, deterrenza dove necessario. Il rischio residuale è l’escalation regionale: anche quando gli scontri si riducono, basta poco (un incidente, un attacco mirato, un cambio di governo) per riaprire volatilità su energia e rotte. Artico, Groenlandia, Canada: la geografia che torna strategica Il 2026 si apre con un ritorno di attenzione sull’Artico: Reuters e AP riportano dichiarazioni del presidente USA sulla necessità di un controllo americano della Groenlandia per ragioni di sicurezza e competizione con Russia e Cina. Analisi di CSIS legano il tema a risorse critiche, logistica e postura militare. Per il Canada l’Artico è identità e sicurezza. Per l’Europa è soprattutto supply chain: rotte (ancora incerte), assicurazioni, standard ambientali, e accesso a materiali. Anche senza “colpi di teatro”, l’Artico spinge verso una normalizzazione della competizione su basi, infrastrutture e licenze. Cina, India, Russia: il triangolo che decide il prezzo di tecnologia e commercio La NSS 2025 mette la competizione con Pechino sul terreno economico e tecnologico, mentre richiama alleati e partner (inclusa l’India) a coalizioni su finanza e tecnologia. Nel frattempo, sul lato regolatorio, l’amministrazione interviene su export controls: il BIS annuncia la rescissione della AI Diffusion Rule e nuove azioni per rafforzare i controlli sui chip e contro le pratiche di “diversion”. Questo non è un dettaglio per le PMI: ogni anello della catena — dall’automazione industriale ai data center, dal software embedded alla componentistica — può trovarsi sotto richieste di tracciabilità (end-use, end-user) e clausole contrattuali più stringenti. La lente tecnologica: AI e robotica come potere industriale (non solo efficienza) Due numeri aiutano a capire la scala della partita. Il primo: nel 2024 l’investimento privato in AI negli USA è riportato a 109,1 miliardi di dollari, molto sopra Cina e Regno Unito. Il secondo: la densità di robot industriali (robots per 10.000 addetti) vede in testa Corea del Sud e Singapore; la media globale nel 2023 è 162, l’UE è 219, gli USA 295. Investimento privato in AI (2024). Fonte: Stanford HAI, ‘AI Index Report 2025’ (top takeaways/economy). Densità di robot industriali (2023). Fonte: International Federation of Robotics, ‘World Robotics 2024’ (press release). Dati 2023. Il punto è industriale: AI e robotica non sono solo tecnologie di automazione, ma infrastrutture di potere (produttività, qualità, tempi, capacità di riconfigurare la produzione). Chi controlla calcolo, componenti e standard controlla la curva dei costi e una parte della sovranità industriale.   Focus UE/Italia: esposizione reale e leve pratiche Per l’Italia il rischio non è astratto: è scritto nella geografia dell’export. Un focus Istat (2024) indica che le esportazioni verso gli USA valgono circa il 10% del totale, mentre le esportazioni dirette verso la Cina sono circa il 2,4%; sul fronte import, la Cina pesa di più e genera un deficit commerciale stimato a -34 miliardi di euro. Tradotto: shock su domanda USA o su tariffe possono colpire rapidamente; shock su input cinesi può colpire costi e continuità produttiva. Italia: quote di esposizione export (2024). Fonte: Istat, Note March 2025 (focus su USA e Cina, dati 2024). Alcuni dati sono preliminari (gennaio‑novembre). Nel merito settoriale, lo stesso focus segnala che settori manifatturieri (meccanica, alimentare, tessile‑abbigliamento‑pelle, mezzi di trasporto) sono tra i principali driver del surplus con gli Stati Uniti e che per alcune categorie (ad esempio farmaceutica, bevande, nautica) la quota di export verso gli USA può arrivare a una frazione rilevante del totale di settore. Questo rende le PMI esposte a tre cose: tariffe, dollaro, e requisiti contrattuali su origine e conformità. La compliance come competitività: AI Act, cyber e “regole del club” In parallelo, l’Europa sta costruendo il proprio perimetro regolatorio. Il Regolamento (UE) 2024/1689 (AI Act) è in vigore e si applica a scaglioni; la Commissione ha ribadito che non ci sarà una “pausa” sul calendario. Sul fronte cyber, la direttiva NIS2 impone nuovi requisiti e aveva una scadenza di recepimento al 17 ottobre 2024. Il punto per le PMI non è solo evitare sanzioni: è restare “fornitore qualificato”. Sempre più spesso, clienti e prime contractor chiedono evidenze di governance su dati, sicurezza, tracciabilità di componenti e controlli su esportazioni. Chi arriva tardi paga con margini e con esclusione dalle gare. Cosa fare (PMI italiane): un piano minimo per non essere relegate ai margini Di seguito una checklist operativa PMI‑first: azioni concrete, owner‑tipo, orizzonte e segnali precoci. È un “minimo sindacale” per chi vive di export e di manifattura (meccatronica/automazione), ma vale anche per agroalimentare, moda/lusso e servizi B2B‑ICT. • Mappare “dipendenze USA” e “dipendenze Cina” (mercati, componenti, software, cloud, logistica). (Owner: CFO + Supply Chain; Orizzonte: 0–60 giorni). Segnali/trigger: Nuove clausole su origine/end‑use; lead time che si allunga; richieste di audit. • Costruire un “contratto‑pack” standard per clienti esteri: origine, tracciabilità componenti, cybersecurity, data governance. (Owner: Legale/Compliance + Sales; Orizzonte: 0–90 giorni). Segnali/trigger: Gare perse per non‑compliance; domande su AI/cyber in fase RFQ. • Piano AI/robotica in 3 casi d’uso: qualità (scarti), manutenzione predittiva, scheduling/ottimizzazione linea. (Owner: COO + IT/OT; Orizzonte: 3–9 mesi). Segnali/trigger: Collo di bottiglia su personale; qualità instabile; tempi consegna erratici. • ‘Industrializzare’ AI: dati di fabbrica puliti, MLOps leggero, sicurezza OT; evitare progetti‑pilota infiniti. (Owner: CTO/Responsabile digitale; Orizzonte: 3–12 mesi). Segnali/trigger: Modelli che non vanno in produzione; incidenti cyber o fermate linea. • Diversificare fornitori critici e creare scorte “intelligenti” (non solo magazzino): alternative qualificate, piani di sostituzione. (Owner: Supply Chain; Orizzonte: 3–12 mesi). Segnali/trigger: Rischio sanzioni/embargo; shortage elettronica; volatilità shipping. • Rivedere prezzi e clausole di indicizzazione (FX, energia, noli) nei contratti export. (Owner: CFO + Commerciale; Orizzonte: 0–6 mesi). Segnali/trigger: Movimenti bruschi USD/EUR; rialzi assicurazioni; surcharge logistica. • Cyber di filiera: NIS2 readiness dove applicabile, assessment fornitori IT/OT, incident response snello. (Owner: CISO/IT Manager; Orizzonte: 0–9 mesi). Segnali/trigger: Richieste clienti su certificazioni; aumento phishing/attacchi supply chain. • Partecipare a ecosistemi: consorzi, competence center, partenariati UE, tender difesa/dual‑use. (Owner: CEO + Business Dev; Orizzonte: 6–18 mesi). Segnali/trigger: Nuovi bandi; domande di capacity da prime contractor; reshoring/friend‑shoring. Nota di metodo: per una PMI il vantaggio non è “indovinare la geopolitica”, ma trasformare l’incertezza in procedure leggere (contratti, tracciabilità, alternative di fornitura, sicurezza digitale) e in investimenti mirati su produttività (AI/robotica). In pratica: la migliore difesa contro shock geopolitici non è indovinare la politica, ma ridurre dipendenze e aumentare produttività. AI e robotica non sono un "nice to have": sono la leva con cui una PMI regge tariffe, costi e domanda più volatile. Un mondo più transazionale premia chi ha capacità, non chi ha solo narrativa La postura USA nel secondo mandato Trump — più selettiva, più transazionale, più centrata su tecnologia e reindustrializzazione — spinge l’Europa a una scelta: diventare un polo di capacità (industriale, energetica, digitale) o restare un mercato. Per l’Italia il bivio passa dalle PMI: chi investe in produttività, compliance e filiera resta nel gioco; chi rimanda rischia di essere disintermediato da standard, club tecnologici e procurement.

A Las Vegas, il consumer show diventa sempre più una vetrina di supply chain, software industriale e competenze. Tra PC “AI-ready”, gemelli digitali e robot, la tecnologia corre; il rischio, per molte imprese, è restare ferme per mancanza di execution. di Andrea Viliotti CES 2026 AI robotica PMI italiane In sintesi: ·        Il CES 2026 mette al centro l’AI “operativa”: hardware per l’edge e piattaforme industriali che promettono di portare l’AI dal laboratorio ai processi. ·        In Italia l’adozione di tecnologie di IA nelle imprese (≥10 addetti) è salita al 16,4% nel 2025, ma la maggioranza resta fuori: il collo di bottiglia sono competenze e governance. ·        La robotica industriale continua a macinare investimenti: nel 2024 l’Italia resta il secondo mercato europeo per nuove installazioni, ma con un calo rispetto al 2023. ·        Per le PMI, la scelta non è “se” fare AI, ma “dove” e “con quali vincoli”: dati, integrazione, sicurezza e compliance diventano costi di ingresso.   Il CES come termometro geopolitico-tecnologico Nel calendario delle grandi fiere, il Consumer Electronics Show è sempre stato un barometro di mercato. Nel 2026, però, l’ago della bussola punta oltre il gadget: la fiera diventa sempre più un luogo dove si misurano catene del valore, standard e capacità di trasformare l’AI in prodotto e in processo. I numeri aiutano a capire la scala: il CES 2026 si svolge dal 6 al 9 gennaio a Las Vegas, dopo due giorni di Media Days; la manifestazione si estende su oltre 2,6 milioni di “net square feet” e coinvolge più di 4.100 espositori distribuiti in 13 venue. Nel racconto ufficiale, il filo conduttore è l’innovazione “trasversale”: accessibilità, AI, digital health, energia, soluzioni enterprise, intrattenimento immersivo, mobilità, quantum e robotica. Per un CEO di PMI, questo spostamento è un segnale utile: quando l’evento più mediatico del consumer dedica il palco a piattaforme industriali, partnership e “digital twin”, significa che la competizione non si giocherà solo sull’algoritmo, ma su integrazione, supply chain e competenze. Due traiettorie possibili (e cosa cambia per le PMI) Traiettoria base: accelerazione dell’“AI fisica”. Robot, linee produttive e veicoli diventano piattaforme software, con sensori e modelli che migliorano nel tempo. Implicazione: chi governa dati, integrazione e manutenzione predittiva crea un vantaggio cumulativo (tempi, scarti, sicurezza).   Traiettoria alternativa: adozione più lenta e a macchia di leopardo. Colli di bottiglia su safety, regole, chip e soprattutto competenze frenano lo scale-up. Implicazione: vince chi seleziona pochi casi d’uso ad alto valore, riduce la complessità e costruisce “muscolo” interno (processo + persone) prima di moltiplicare i pilot.   Cosa è salito sul palco: dall’AI “ovunque” ai gemelli digitali Se si cerca una definizione operativa del 2026, il CES la suggerisce senza slogan: AI come stack che va dal data center al bordo (edge), con un’attenzione crescente a piattaforme e strumenti per portare modelli e dati dentro i flussi reali. Nella keynote AMD, la CEO Lisa Su ha presentato una linea di prodotti orientati all’AI, dal PC “AI-ready” (Ryzen AI 400 Series) alle GPU per impieghi enterprise (Instinct MI440X), con un accento esplicito sulla continuità “cloud-to-client” e sulle collaborazioni di ecosistema. Sul versante industriale, Siemens ha portato a CES un messaggio ancora più chiaro: l’AI diventa pratica quando si lega al digital twin. Il lancio di Digital Twin Composer, e l’estensione della partnership con NVIDIA per un “industrial AI operating system”, puntano a un obiettivo: simulare, testare e ottimizzare prima in digitale, poi in impianto, riducendo tempi e rischi di modifica. Sette trend dai padiglioni: perché l’AI diventa "fisica" Dalle comunicazioni ufficiali di CES e CTA emergono alcune traiettorie ricorrenti. Non tutte sono nuove; cambia la maturità: più partnership, più roadmap, meno demo isolate. 1) AI dal PC all’edge — L’attenzione ai “AI PC” segnala che parte dell’inferenza si sposta vicino all’utente o alla macchina, con impatti su privacy, latenza e costi. 2) Industrial AI e digital twin — La fabbrica “software-defined” mette insieme simulazione, dati in tempo reale e automazione: la differenza la fa l’integrazione. 3) Robotica più “applicata” — La crescita delle candidature in robotica agli Innovation Awards suggerisce una fase di industrializzazione: più soluzioni orientate a compiti e contesti. 4) Droni e mobilità intelligente — Droni e mobilità avanzata restano aree dinamiche: aumentano i casi d’uso in ispezione, sicurezza, logistica. 5) Digital health e longevity — La salute digitale continua a raccogliere attenzione e candidature: sensori e servizi si avvicinano ai percorsi clinici e al wellness misurabile. 6) Sicurezza come requisito di progetto — Più AI significa più superficie d’attacco: cybersecurity e governance dati entrano nelle scelte di prodotto e procurement. 7) Sostenibilità ed energia — Efficienza energetica e transizione restano un driver: l’AI è sia domanda di energia (data center) sia strumento di ottimizzazione (reti, impianti).   Grafici Imprese che usano tecnologie di IA (2025). Fonte: ISTAT (Imprese e ICT – anno 2025) per l’Italia; Eurostat (EU survey on ICT usage and e-commerce in enterprises) per UE e paesi UE.   Installazioni di robot industriali: principali mercati europei (2024). Fonte: International Federation of Robotics (World Robotics 2025 – Executive Summary, Industrial Robots).   Innovation Awards 2026: categorie con maggiore crescita di candidature. Fonte: Consumer Technology Association (CTA), comunicato “CTA Announces CES Innovation Awards® 2026 Honorees”.   Impatto su Italia: tre settori, tre mosse operative Per le PMI italiane, la domanda non è come replicare i “big”. La domanda è come usare l’onda tecnologica per guadagnare tempo, qualità e resilienza in tre ambiti dove la competizione è già concreta: retail/servizi, manifattura/macchine, sanità. Retail e servizi: dall’AI “di front office” all’AI di processo Nel commercio e nei servizi, l’AI genera valore quando entra nei processi: pricing e assortimento, previsione domanda, assistenza clienti, gestione frodi, logistica di ultimo miglio. Il punto critico è la qualità del dato (e la sua proprietà): senza una base minima di “data discipline”, anche i modelli migliori degradano. Tre mosse pratiche: ·        Scegliere 1-2 casi d’uso che riducano costo operativo o migliorino margine (non “AI ovunque”). ·        Misurare impatto con KPI semplici e controllabili (tempi di evasione, stock-out, tasso resi). ·        Rendere “contrattuale” l’accesso ai dati e ai log del sistema (anti lock-in). Manifattura e macchine: l’AI è un tema di integrazione (prima che di algoritmo) La fabbrica e la macchina utensile entrano nell’era software-defined: manutenzione predittiva, qualità in linea, ottimizzazione energetica, assistenti per set-up e troubleshooting. La robotica resta un indicatore utile: nel 2024 l’Italia è il secondo mercato europeo per nuove installazioni di robot industriali (8.783 unità), dietro la Germania (26.982). Tre mosse pratiche: ·        Fare “inventory” di sensori, PLC/SCADA, MES/ERP: l’AI efficace richiede connettori e standard, non solo modelli. ·        Scegliere un integratore con referenze sul vostro settore e imporre un’architettura modulare (API, data layer, cyber). ·        Usare il digital twin dove riduce rischio: nuovi impianti, riconfigurazioni, colli di bottiglia. Sanità: l’AI è utile se rispetta percorso clinico, dati e responsabilità In sanità, l’adozione dipende da fiducia, validazione e responsabilità. La salute digitale resta tra le aree più “calde” anche nei programmi di premi e categorie. Per ospedali, cliniche e fornitori, il valore non sta solo nella diagnosi assistita: sta nell’ottimizzazione dei flussi (agenda, triage, supply), nell’aderenza terapeutica e nella prevenzione monitorata. Tre mosse pratiche: ·        Progettare fin dall’inizio privacy e sicurezza (accessi, cifratura, logging). ·        Separare i casi d’uso “amministrativi” (più rapidi) da quelli clinici (più regolati). ·        Documentare il processo: dataset, validazione, responsabilità, gestione incidenti.   Risk radar (senza hype): cinque rischi da mettere a budget 1) Skill shortage ed execution gap: senza un team minimo (processo + dati + IT/OT) i pilot non scalano. 2) Vendor lock-in: piattaforme proprietarie e formati chiusi possono vincolare costi e roadmap. 3) Regole e compliance: l’AI Act impone una logica risk-based con scadenze differenziate; ignorarle costa. 4) Cyber e safety: sistemi autonomi aumentano superficie d’attacco e rischio operativo. 5) Energia e costi: l’AI sposta spesa tra cloud, edge e integrazione; serve disciplina di architettura.   Competenze e governance: il vero collo di bottiglia L’Italia accelera, ma resta in una zona di minoranza: nel 2025 il 16,4% delle imprese con almeno 10 addetti usa almeno una tecnologia di IA, dopo l’8,2% del 2024 e il 5,0% del 2023. La crescita è forte, ma l’83,6% resta fuori. Tra le imprese che hanno valutato investimenti in IA senza realizzarli, la mancanza di competenze frena quasi il 60% dei casi. La fotografia europea è coerente: Eurostat segnala che nel 2025 l’uso di tecnologie di IA riguarda il 20,0% delle imprese UE (≥10 addetti). Tra chi valuta ma non adotta, la carenza di competenze e l’incertezza sulle conseguenze legali emergono come barriere ricorrenti. Per il management, due implicazioni: ·        Il budget non è solo software: serve capacità interna di specifica, controllo qualità dati e cybersecurity. ·        La governance è una leva competitiva: decisioni su dati, procurement, responsabilità e monitoraggio post-deploy. USA–UE–Cina: la partita delle regole e delle filiere (in breve) Il CES 2026 si svolge in un contesto di competizione tecnologica esplicita. Per le PMI europee, l’effetto si vede in tre punti: disponibilità di chip e piattaforme, regole su AI e dati, vincoli geopolitici sulle esportazioni. Sul fronte regolatorio, l’AI Act dell’Unione europea è entrato in vigore nel 2024 e prevede un’applicazione progressiva: divieti e obblighi di alfabetizzazione AI anticipano, seguiti da regole per i modelli di IA di uso generale e, più avanti, dai requisiti per sistemi ad alto rischio. Sul fronte industriale, il Chips Act mira a rafforzare la resilienza dell’ecosistema europeo dei semiconduttori. Sul fronte delle restrizioni, gli Stati Uniti hanno aggiornato e rafforzato i controlli sulle esportazioni di semiconduttori avanzati e tecnologie collegate, con implicazioni indirette per le filiere globali. Per un’impresa italiana, l’approccio prudente è operativo: diversificazione fornitori, contratti che chiariscano accesso ai dati e portabilità, e una lettura “compliance-by-design” per evitare di dover rifare architetture a posteriori.   Il CES 2026 non dice che ogni impresa debba diventare un laboratorio di IA. Dice, piuttosto, che la tecnologia sta diventando infrastruttura: piattaforme, integrazione e competenze si trasformano in condizioni di accesso al mercato. Per le PMI, la strategia migliore è pragmatica: scegliere pochi casi d’uso, costruire disciplina sui dati, proteggere sicurezza e compliance, e investire nella capacità di eseguire, più che nella promessa dell’ultima demo.

L’identità come asset non basta più: con contenuti “a costo marginale quasi zero”, regole sull’IA e potere delle piattaforme, il professionista deve costruire processi, prove e canali propri. In un mercato dove l’attenzione è filtrata da algoritmi e modelli generativi, la reputazione diventa una variabile di infrastruttura. L’Europa spinge su regole e accountability, gli Stati Uniti su standard e sicurezza nazionale, la Cina su controllo dell’ecosistema informativo. Risultato: chi lavora con conoscenza e relazioni deve evolvere da “persona che comunica” a micro‑organizzazione che produce valore, governa i rischi e diversifica la distribuzione. Di Andrea Viliotti Dal personal branding alla personal enterprise Il personal branding non è morto. Semplicemente non basta più. Per anni la reputazione professionale è stata trattata come un esercizio di visibilità: una narrazione coerente, un posizionamento, qualche canale ben coltivato. Nell’era della GenAI la competizione si sposta altrove: dal contenuto al sistema che lo produce, lo verifica e lo distribuisce. Se la produzione di testi, slide e creatività “di base” diventa più economica, il valore scivola verso ciò che resta raro: esperienza verificabile, responsabilità nell’interpretazione, rete di fiducia, processi, dati e capacità di trasformare conoscenza in un prodotto o servizio ripetibile. È qui che prende forma la “personal enterprise”: una micro‑impresa costruita attorno a una persona, ma dotata di stack e governance, come se fosse un’organizzazione. L’identità resta centrale, ma non basta più “comunicare bene”: bisogna anche saper consegnare, documentare e reggere la prova dei fatti. Tre driver esterni stanno accelerando questa trasformazione. Il primo è tecnologico e riguarda gli “osservatori algoritmici”: feed, motori di ricerca, sistemi di raccomandazione e, sempre più spesso, assistenti conversazionali che riassumono e ricombinano fonti. In un ambiente così, la reputazione non è solo ciò che pubblichiamo, ma ciò che l’ecosistema riesce a inferire e indicizzare su di noi. Diventa in parte una variabile “machine‑readable”: fonti citabili, coerenza nel tempo, competenze dimostrabili, segnali strutturati che sopravvivono alla sintesi automatica. È un cambio pratico: non basta “apparire competenti”, serve dimostrare affidabilità quando il proprio lavoro viene estratto da contesto, riassunto o confrontato automaticamente. Il secondo driver è regolatorio. In Europa, l’AI Act (Reg. UE 2024/1689) prevede un’entrata in vigore venti giorni dopo la pubblicazione in Gazzetta Ufficiale e un’applicazione graduale, con scadenze che iniziano nel 2025 e arrivano al 2026 e oltre. In parallelo, le regole sulle piattaforme sono entrate nella fase “operativa”: il Digital Services Act è pienamente applicabile per i servizi in scope dal 17 febbraio 2024 e gli obblighi del Digital Markets Act per i gatekeeper sono scattati dal 7 marzo 2024. Anche chi non sviluppa tecnologia, ma la usa per lavorare e vendere servizi, ne sente l’effetto: policy sui contenuti, responsabilità, trasparenza, gestione dei dati e condizioni di accesso alle piattaforme diventano elementi di mercato. Il terzo driver è geopolitico. L’IA richiede calcolo, chip, energia e dati; e questi input sono entrati nella competizione tra Stati e nella politica industriale. L’Europa ha rafforzato la strategia sui semiconduttori con lo European Chips Act; gli Stati Uniti hanno introdotto e aggiornato controlli all’export su advanced computing e semiconduttori; la Cina ha consolidato un impianto regolatorio che include, fra l’altro, regole su algoritmi di raccomandazione, deep synthesis e servizi di GenAI. Il punto, per chi lavora, è semplice: lo “stack” non è più un dettaglio IT. È anche rischio Paese, compliance, continuità operativa, e spesso una variabile di costo. In questo contesto, la personal enterprise non coincide con “fare l’influencer”. È un modello operativo: la persona resta il volto e la responsabilità, ma dietro c’è una piccola organizzazione. Un consulente che viveva di presentazioni “su misura” scopre che il primo draft può essere automatizzato; il vantaggio si sposta su ciò che il modello non possiede: dati di campo, conoscenza di settore, capacità di fare domande giuste, qualità della relazione quando l’output viene contestato, e responsabilità nel prendere posizione. Lo stesso vale per HR, formazione, marketing, finanza: i deliverable diventano più rapidi, ma cresce l’importanza della prova e della governance. Per costruire una personal enterprise servono quattro livelli. Primo : proposta di valore e prodotto. Non basta dire “faccio consulenza”: serve un’offerta modulare (diagnosi, workshop, implementazione, monitoraggio), con confini chiari. La GenAI aiuta a creare asset (template, manuali, playbook), ma il valore sta nel fatto che siano testati, aggiornati, misurabili. Chi riesce a prodotto‑izzare una parte dell’offerta riduce la dipendenza dalle ore vendute e costruisce un modello più resiliente. Secondo : processo e qualità. Se l’output è in parte generato o assistito da IA, serve un ciclo di controllo: fonti, verifiche, gestione degli errori, versioni. È qui che la fiducia diventa scalabile: non perché “ci si fida a priori”, ma perché esiste un processo replicabile che riduce il rischio di sorprese e rende l’errore gestibile. Terzo : governance e rischio. Privacy, proprietà intellettuale, bias, sicurezza. In molti settori la differenza tra “uso opportunistico” e “uso governato” diventa una discriminante commerciale. Un professionista capace di spiegare come tratta i dati, come limita gli errori e come gestisce contenuti sensibili non sta facendo burocrazia: sta comprando credibilità. Quarto : distribuzione e canali propri. Quando pochi gatekeeper controllano distribuzione e monetizzazione, la reputazione diventa anche una variabile contrattuale. Le regole di monetizzazione e visibilità possono cambiare in modo unilaterale; per una micro‑impresa personale questo significa rischio di concentrazione. La resilienza richiede diversificazione dei canali e un minimo di infrastruttura propria (sito, mailing list, community, dati e relazioni gestite direttamente), con le piattaforme usate come amplificatori, non come unica fonte di domanda. La tesi, in fondo, è pragmatica: la reputazione è diventata un’infrastruttura, non un’aura. Nel mercato del lavoro e dei servizi, clienti e datori di lavoro vedono una versione mediata – spesso algoritmica – del profilo. Chi rende visibili competenze e affidabilità con segnali che reggono anche alla sintesi automatica conquista un vantaggio. Il personal branding resta il biglietto da visita. La personal enterprise è l’azienda che c’è dietro.   7 mosse per diventare una Personal Enterprise (senza perdere identità) ·        Trasforma la competenza in offerta modulare : diagnosi → intervento → monitoraggio (con confini, tempi e responsabilità). ·        Costruisci “asset” riusabili : template, checklist, playbook, esempi; aggiorna versioni e lezioni apprese. ·        Progetta un processo di qualità : fonti, revisioni, test, gestione degli errori; dichiara cosa è assistito da IA e cosa no. ·        Rendi la reputazione verificabile : casi studio, referenze, portfolio citabile, certificazioni dove utili. ·        Gestisci dati e IP come patrimonio : policy minima su privacy, archiviazione, riuso di materiali, sicurezza degli account. ·        Diversifica la distribuzione : un canale proprietario (sito/newsletter/CRM) + piattaforme come amplificatori, non come unica fonte di domanda. ·        Prepara un “kit di fiducia” per clienti e datori di lavoro:  come lavori, come misuri qualità, come gestisci rischi, come proteggi dati.

Dal lancio di ChatGPT (30 novembre 2022) la produzione di testi, immagini e codice è diventata più accessibile. La competizione non è più solo “fare di più”, ma reggere l’accelerazione: energia, regole, fiducia, qualità delle relazioni. La lente dell’osservatore aiuta a leggere individui, imprese e istituzioni tra UE, Stati Uniti e Cina. Nel ciclo pre‑esplosione della generativa il successo era spesso sinonimo di scala e ottimizzazione. Nell’era dell’IA generativa, il vantaggio si sposta verso chi costruisce sistemi capaci di apprendere, prevedere e adattarsi senza perdere coerenza. Infrastrutture (robotica, data center) e governance (AI Act) diventano parte del conto economico. E il “successo” si misura sempre più come capacità di restare sopra soglia, nel tempo. di Andrea Viliotti Successo nell’era dell’IA generativa Prima e dopo la generativa: quando “successo” voleva dire ottimizzare Prima dell’esplosione della generazione automatica, “successo” aveva una semantica relativamente stabile: crescita, performance, scalabilità. Per un individuo: avanzamento di carriera, competenze spendibili, reputazione. Per un’impresa: margini, quota, crescita ripetibile. Per una società: coesione, opportunità, capacità di proteggere e includere. Il digitale aveva già spostato il baricentro: piattaforme, dati, attenzione. Ma una parte rilevante del lavoro cognitivo restava “costosa” perché richiedeva tempo umano: scrivere, sintetizzare, progettare, fare customer care, produrre documenti. La discontinuità arriva quando la generazione diventa un servizio di massa. Il 30 novembre 2022 segna un punto di svolta simbolico: ChatGPT porta l’interazione con un modello linguistico nel quotidiano, dentro uffici e case. Pochi mesi dopo, il 14 marzo 2023, GPT‑4 alza ulteriormente l’asticella delle aspettative su scrittura, analisi e produzione di software. La conseguenza non è che “tutto diventa facile”: è che cambia ciò che vale. Da quel momento il successo non si riduce a “produrre output”. L’output – almeno una parte – diventa abbondante. La scarsità si sposta su dimensioni diverse: contesto (capire che cosa serve davvero), integrazione (collegare persone e sistemi), giudizio (decidere sotto incertezza), fiducia (essere credibili in un ambiente dove anche il falso può essere “ben scritto”). In un mondo dove la generazione è economica, vince chi sa orchestrare.   La nuova contabilità: calcolo, energia, automazione La trasformazione meno visibile, ma più strutturale, è che l’IA non è solo software: è infrastruttura. L’Agenzia internazionale dell’energia (IEA) stima che i data center abbiano consumato circa 460 TWh di elettricità nel 2022 e che la domanda possa superare 1.000 TWh nel 2026. È un dato che sposta la discussione dal “che cosa può fare l’IA” a “che cosa possiamo permetterci, fisicamente ed economicamente, di farle fare”. Qui il significato di successo cambia per imprese e policy: non basta adottare strumenti, serve garantire continuità energetica, capacità di calcolo, sicurezza e resilienza delle filiere. Il vincolo non è solo costo: è volatilità, geopolitica, rischio di concentrazione (pochi provider, poche aree geografiche, pochi nodi critici). In parallelo, l’IA generativa si innesta su una tendenza preesistente: l’automazione fisica. Secondo l’International Federation of Robotics (IFR), nel 2023 le installazioni globali di robot industriali sono state 541.302 unità e lo stock operativo in fabbrica ha raggiunto 4.281.585 unità. La Cina, da sola, ha installato 276.288 robot (51% del totale mondiale). In Europa le installazioni sono state 92.393; in Italia 10.412. Questi numeri suggeriscono una lettura articolata: l’IA generativa non sostituisce la manifattura, la aumenta; e l’industria torna a essere una partita di produttività e scala, ma con un nuovo “strato cognitivo” che collega progettazione, supply chain, manutenzione, qualità e sicurezza. Sotto la superficie, il successo assomiglia sempre meno a un grafico lineare e sempre più a un equilibrio tra risorse (energia, capitale, competenze) e affidabilità dei sistemi.   Regole come prodotto: UE, Stati Uniti, Cina La trasformazione normativa è altrettanto decisiva: la regolazione smette di essere un “costo laterale” e diventa parte del prodotto. In Europa questo cambio è esplicito. L’AI Act entra in vigore il 1° agosto 2024 e segue una timeline di applicazione progressiva: dal 2 febbraio 2025 scattano divieti su alcuni usi considerati inaccettabili e obblighi di alfabetizzazione all’IA; dal 2 agosto 2025 diventano applicabili governance e obblighi per i modelli di IA general purpose; la piena applicazione è prevista dal 2 agosto 2026 (con alcune eccezioni fino al 2 agosto 2027). Il punto non è solo giuridico: è strategico. In un ambiente in cui modelli e tool si diffondono rapidamente, chi governa bene rischi e trasparenza può costruire fiducia e accesso al mercato. Per molte imprese, “successo” diventa quindi: capacità di integrare l’IA senza trasformare l’innovazione in contenzioso, blocchi, reputazione fragile. Negli Stati Uniti l’approccio è più frammentato, ma non assente: il NIST ha pubblicato l’AI Risk Management Framework (AI RMF 1.0) il 26 gennaio 2023 come riferimento volontario per gestire rischi e “trustworthiness”. Per chi opera globalmente, il successo passa dalla capacità di “parlare” più linguaggi: compliance europea, standard e procurement statunitensi, e – per chi ha esposizione in Asia – vincoli specifici di governance informativa. In Cina, la regolazione sull’IA generativa si colloca in un perimetro più ampio di controllo e sicurezza. Le “Interim Measures” sui servizi di IA generativa entrano in vigore il 15 agosto 2023. In un contesto così, successo significa anche: allineamento a requisiti di contenuto, responsabilità del provider, gestione dei dati e dei meccanismi di auditing. La lettura multiscala aiuta a evitare tifo geopolitico. UE, USA e Cina hanno trade‑off diversi: l’Europa punta a un vantaggio di fiducia e diritti, gli Stati Uniti a un vantaggio di innovazione e capitale, la Cina a un vantaggio di scala industriale e coordinamento. Per imprese e lavoratori, questo si traduce in un mondo più “a regimi”: anche il significato di successo cambia a seconda del perimetro in cui si opera.   Osservatori algoritmici e crisi della fiducia: il successo diventa leggibile La trasformazione cognitiva riguarda l’emersione di osservatori algoritmici che filtrano, valutano, classificano. Non solo i ranking dei motori di ricerca o le piattaforme social, ma anche sistemi di generazione e sintesi che diventano interfaccia: riassumono, riscrivono, producono “versioni” del mondo. In questo ambiente, la reputazione si fa più fragile. La disinformazione non è una novità, ma la generazione automatica abbassa la barriera: produce testi coerenti e plausibili su scala. Il rischio non è soltanto il falso; è la saturazione: troppi contenuti, troppe narrative, poca verificabilità. Di conseguenza, il successo di un’impresa o di una persona passa dalla capacità di essere “leggibili” e verificabili: processi, fonti, coerenza, tracciabilità. Qui l’Italia offre un dato utile per misurare la velocità del cambio. Secondo Istat, nel 2025 il 16,4% delle imprese con almeno 10 addetti utilizza almeno una tecnologia di intelligenza artificiale, in aumento dall’8,2% del 2024 (5,0% nel 2023). Tra le grandi imprese la quota arriva al 53,1%. Ma la stessa fonte mostra i colli di bottiglia: tra le imprese che non usano IA ma l’hanno considerata, la mancanza di competenze è indicata come ostacolo dal 58,6%. Seguono incertezza legislativa (47,3%), indisponibilità o scarsa qualità dei dati necessari (45,2%), preoccupazioni su privacy e protezione dei dati (43,2%) e costi elevati (43,0%). Sono numeri che dicono una cosa semplice: l’adozione sostenibile non è un problema di “tool”, ma di organizzazione e capacità. Il punto, quindi, non è solo adottare: è costruire un modo di lavorare che regga il ciclo. Sperimentare senza creare rischio, industrializzare senza perdere qualità, comunicare senza perdere fiducia.   Criterio operativo di successo: restare sopra soglia Nella cornice, “successo” non è un picco, ma la capacità di restare sopra una soglia nel tempo.• L’idea di base : un sistema (una persona, un’impresa, un’istituzione) è “di successo” quando mantiene stabilmente la propria capacità di funzionare e di prevedere, senza collassare davanti a shock o complessità.• La metrica qualitativa : misura lo stato complessivo. Non è un numero unico “magico”: è un modo per ricordare che il successo dipende da più componenti:  – Integrazione: coordinare persone, processi, tecnologia.  – Complessità efficace: quanta complessità si riesce a gestire senza perdere controllo.  – Predittività: capacità di anticipare, modellare, decidere.  – Plasticità: capacità di apprendere e cambiare; può ridursi quando aumentano rigidità e lock‑in.• Flussi che tengono “sopra soglia” :  – Risorse/energia: capitale, tempo, energia, capacità di calcolo.  – Informazione predittiva: dati, segnali, modelli, feedback.  – Nutrimento relazionale/organizzativo: fiducia, cultura, relazioni; la qualità delle relazioni può essere “viva” (sostiene) o “estrattiva” (consuma).Traduzione operativa:– Per un individuo: successo = imparare e scegliere bene cosa delegare all’IA, mantenendo identità professionale e affidabilità.– Per un’impresa: successo = profitto ripetibile senza collasso organizzativo; governance e dati come infrastruttura.– Per una società: successo = coesione e capacità amministrativa in un ambiente informativo instabile.   2026–2030: scenari di successo e nuovi osservatori Guardare al 2026–2030 significa ragionare per scenari, non per certezze. Alcune traiettorie, però, sono già leggibili. Scenario A — Successo come “compounding” di competenze + delega controllata Per molte professioni il vantaggio non sarà “saper fare tutto”, ma progettare processi in cui una parte del lavoro è delegata, verificata e integrata. La competenza distintiva diventa la capacità di definire obiettivi, controllare la qualità, gestire rischio e responsabilità. Il successo individuale, qui, è un equilibrio: usare l’IA per accelerare senza perdere giudizio. Scenario B — Successo d’impresa come piattaforma di apprendimento e conformità Le imprese che performano meglio potrebbero essere quelle che trasformano l’IA in un “sistema” e non in una collezione di tool. Significa: inventario di modelli e dati, valutazioni periodiche, sicurezza, procedure di incident response, e una cultura che distingue prototipi e produzione. In questo scenario, la compliance non è un freno ma una disciplina: riduce rischio e aumenta fiducia (clienti, lavoratori, regulator). Scenario C — Successo istituzionale come capacità di governare fiducia e informazione Per istituzioni e policy, la partita si gioca su assi complementari: adottare IA per servizi pubblici e difendere lo spazio informativo (disinformazione, deepfake, manipolazione). Il successo sociale non è “più tecnologia”, ma tecnologia più fiducia: trasparenza, accountability, alfabetizzazione. In tutti gli scenari emergono nuovi osservatori: sistemi digitali che misurano e influenzano la realtà (ranking, agenti software, modelli che valutano contenuti e comportamenti). Il rischio è un mondo dove il successo diventa solo ottimizzazione per l’algoritmo. L’antidoto è rendere l’umano – e i suoi obiettivi – parte esplicita del design: KPI che includano qualità, sicurezza, impatto, non solo velocità.   Cosa fare nei prossimi 12–24 mesi: azioni concrete per restare sopra soglia ·        Mappare dove l’IA crea valore reale (e dove crea rischio). Separare use case ad alto ritorno e bassa criticità da quelli ad alto impatto su persone e diritti. ·        Costruire governance leggera ma vera: inventario dei modelli, policy di utilizzo, criteri di qualità, tracciabilità delle fonti, gestione incidenti. ·        Investire in competenze: formazione per ruoli chiave (business, legale, IT, HR) e “traduttori” tra domini. Il collo di bottiglia, spesso, non è il tool: è la capacità organizzativa. ·        Mettere i dati in ordine: qualità, accesso, privacy, diritti; senza dati affidabili l’IA moltiplica errori con grande efficienza. ·        Pianificare infrastruttura e costi: cloud, sicurezza, continuità operativa, efficienza energetica. Il successo passa anche da scelte sobrie di architettura. ·        Progettare fiducia: disclosure quando serve, verifiche, labeling dove utile, comunicazione coerente; ridurre il rischio reputazionale in un ambiente saturo. ·        Curare: patti chiari su ruoli e impatti, change management, incentivi non estrattivi. L’adozione sostenibile è anche un tema di relazioni.   Il successo, oggi, non è la corsa più veloce. È la corsa che non si spezza.