Il Divario dei Trentotto Punti

Nel 2024 la differenza di adozione dell’IA tra grandi e piccole imprese dell’UE era di 30 punti percentuali. Nel 2025 è di 38. Gli strumenti sono diventati più economici. Le interfacce più semplici. Il divario è cresciuto.

Non è una previsione. È una misura. Il comunicato Eurostat dell’11 dicembre 2025 indica che il 55% delle grandi imprese (250 o più dipendenti) ha usato tecnologie di IA nel 2025, contro il 17% delle piccole imprese (10-49). Un anno prima, la stessa rilevazione mostrava 41% e 11%. Il divario si è allargato nell’anno in cui gli strumenti dovevano democratizzarsi.

Non è un problema di consapevolezza. È un problema di architettura.

Cosa Dicono i Numeri

L’Indagine Comunitaria Eurostat sull’Uso delle TIC nelle Imprese è il riferimento europeo. Campione: circa 157.000 imprese nei 27 Stati membri, con almeno 10 dipendenti. La rilevazione 2025 è stata pubblicata l’11 dicembre 2025. Il titolo — il 20% delle imprese UE usa l’IA — è stato ripetuto ovunque. La disaggregazione per dimensione no.

Ecco i dati per classe dimensionale, anno su anno:

Le piccole imprese sono passate dall’11% al 17% — sei punti di crescita. Le grandi imprese sono passate dal 41% al 55% — quattordici. Le medie (50-249) sono passate dal 21% al 30%. Tutte le classi sono cresciute. La più grande è cresciuta più in fretta.

Il rapporto Ipsos Making AI Work for Europe, commissionato da Google e pubblicato a marzo 2026 da Reece Decastro e Nathan Bransden, sintetizza lo schema in una frase: “Le grandi imprese hanno una probabilità considerevolmente maggiore di adottare l’IA rispetto alle piccole e medie imprese (PMI), con questo divario che si è allargato da 30 punti percentuali nel 2024 a 38 punti nel 2025.” Gli autori si basano su circa 70 studi e 15 interviste a esperti in 13 Stati membri UE. Arrivano alla stessa conclusione che mostrano i microdati Eurostat, e le danno un nome.

L’Indagine sugli Investimenti BEI 2025 — metodologia diversa, strumenti di IA per nome commerciale invece che per categoria tecnica — riporta il 28% delle PMI e il 44% delle grandi imprese che usano IA. Numeri assoluti diversi. Stessa forma. Le PMI restano indietro, e il divario non si chiude.

La geografia del divario è netta quanto la dimensione. I dati Eurostat per paese nel 2025 vanno dal 42% in Danimarca, 37% in Finlandia, 35% in Svezia — al 5% in Romania, 8% in Polonia, 8% in Bulgaria, 9% in Grecia. La varianza non è casuale. Segue l’infrastruttura digitale, non il PIL. Stesso schema per settore: il 63% delle imprese di informazione e comunicazione usa l’IA; il 40% dei servizi professionali, scientifici e tecnici; il 17% dell’industria; l’11% di trasporti e magazzinaggio; l’11% delle costruzioni. Il documento di discussione OCSE di dicembre 2025 per il vertice ministeriale G7 di Montréal osserva lo stesso schema nelle economie G7: il 40% delle imprese con 250 o più dipendenti usava l’IA nel 2024, contro il 20,4% tra 50 e 249, e l’11,9% tra 10 e 49. I nomi dei paesi cambiano. La forma strutturale no.

Perché il Divario Cresce Quando gli Strumenti Diventano Più Facili

L’intuizione dice che strumenti più facili chiudono i divari. Un’interfaccia di chatbot è un’interfaccia di chatbot, che l’utente sia a Siemens o in una PMI logistica di 30 persone a Tarragona. Le licenze costano simili. Le API cloud sono identiche.

L’intuizione è sbagliata, e la ragione è strutturale.

Le grandi imprese hanno tre cose che le piccole non hanno. La prima è un’infrastruttura digitale dedicata. Un’industria di 500 persone ha un reparto IT che valuta strumenti, gestisce integrazioni, fa la revisione di sicurezza e assorbe il costo in una voce di bilancio esistente. Una PMI logistica di 30 persone ha una sola persona che gestisce il centralino, il CRM, le stampanti — e alla quale ora si chiede di valutare strumenti di IA, interrompendo il lavoro vero.

La seconda sono i dati. Il documento di discussione OCSE AI adoption by small and medium-sized enterprises, pubblicato a dicembre 2025 da Flavio Calvino e colleghi per il vertice ministeriale Industria, Digitale e Tecnologia del G7 di Montréal, elenca quattro abilitatori dell’adozione dell’IA: connettività, input abilitanti dell’IA, competenze e finanza. Input abilitanti dell’IA significa dati — strutturati, accessibili, in volume sufficiente, abbastanza governati da nutrire un modello. Le grandi imprese hanno attraversato questa soglia un decennio fa, implementando ERP e data warehouse in cloud. Le piccole, per lo più, no. Uno strumento di IA che richiede input strutturato non può lavorare contro una lavagna bianca.

La terza è la capacità di definire un caso d’uso. Il rapporto Bpifrance IA Révolution del 2024 ha rilevato che il 72% dei dirigenti di PMI in Francia non ha ancora un’applicazione pratica dell’IA per la propria attività. Non “non hanno ancora implementato” — non l’hanno. Il caso d’uso stesso non esiste nella loro testa. Hanno sentito parlare di IA. Non riescono a indicare il compito che sostituirebbe.

Quando gli strumenti si semplificano, chi aveva già infrastruttura, dati e caso d’uso avanza più rapidamente. Chi non aveva nessuno dei tre è ancora dov’era. Strumenti più economici non generano casi d’uso. Interfacce più semplici non producono dati strutturati. Un’API senza attriti non dà a una PMI di 30 persone il margine per progettare un flusso di lavoro.

Il divario cresce perché i prerequisiti crescono prima.

La Storia delle Competenze È Metà della Storia

Metà di ogni dibattito politico europeo sul divario di adozione si rifugia nelle competenze. Il rapporto Ipsos cita un’indagine OCSE in quattro paesi G7: il 50% delle PMI riferisce che i propri dipendenti non hanno le competenze per usare l’IA generativa. La stessa indagine D4SME dell’OCSE, con quasi 1.000 rispondenti in sei paesi G7, ha trovato oltre il 50% che cita la mancanza di conoscenza su come usare l’IA generativa come barriera all’adozione — con forte variazione nazionale, dall’80% in Giappone al 40% nel Regno Unito e in Germania.

Il numero è reale. È anche incompleto.

Un sondaggio Public First tra dirigenti europei, citato anch’esso nel rapporto Ipsos, ha trovato solo il 14% che cita “non abbiamo l’esperienza per introdurre l’IA” e il 12% che cita “non abbiamo le competenze per usare l’IA” come barriere principali — ben sotto le preoccupazioni di cybersicurezza (26%), inesattezza (24%) e costo (22%). Posta in un modo, la competenza è la barriera dominante. Posta in un altro, è una barriera tra molte.

Quello che i dati mostrano davvero, leggendo attraverso le indagini invece che dentro ciascuna, è questo: le competenze sono correlate all’adozione, ma le competenze stanno a valle della struttura. Un accademico intervistato per il rapporto Ipsos lo dice chiaro: “Non è la dimensione… è davvero legato alla maturità digitale.” Un rappresentante di think tank belga nello stesso studio: “Le PMI sono già più lente nella digitalizzazione di base, quindi costruire l’IA sopra è ancora più difficile.”

L’indagine OCSE aggiunge il fatto operativo che determina tutto: meno del 30% delle PMI che già usano IA generativa riferisce che i propri dipendenti partecipano a formazione legata all’IA. La forbice va dall’11,3% in Giappone al 29,4% in Canada. Il problema della formazione non è che la formazione non esista. Il problema è che il tempo per seguirla non esiste — perché le PMI non possono liberare dipendenti da attività che generano fatturato per imparare. Il divario di competenze è, in parte, un divario di tempo travestito da divario di attitudine.

Un divario strutturale non si chiude con campagne di sensibilizzazione. Si chiude con architettura.

Cosa Significa Architettura in Pratica

In un contesto PMI, “architettura” non è una slide con cinque caselle e frecce. Sono quattro decisioni operative, prese in ordine.

Uno: prontezza dei dati. Prima di qualunque strumento di IA, l’azienda deve sapere quali dati ha, dove vivono, come fluiscono e cosa manca. La maggior parte delle PMI non sa rispondere a queste quattro domande il lunedì mattina. Il primo mese di un’implementazione di IA non è un modello. È un audit dei dati: fatture, anagrafica clienti, informazioni fornitori, registri operativi. Dove sono. Come sono archiviati. Chi è il proprietario. Cosa è rotto. Finché non è mappato, ogni strumento di IA poggia su fondamenta che nessuno ha ispezionato.

Due: un caso d’uso definito, abbastanza stretto da consegnare. Non “migliorare il servizio clienti con l’IA”. Un compito specifico, una persona specifica, una frequenza specifica: classificare le email clienti in arrivo per urgenza, instradare al team giusto, farlo in meno di sessanta secondi, misurare il tasso di escalation settimanalmente. La tassonomia OCSE nello stesso documento di dicembre 2025 distingue Principianti, Esploratori, Ottimizzatori e Campioni dell’IA. Il salto da Principiante a Ottimizzatore non avviene perché gli strumenti migliorano. Avviene perché un caso d’uso concreto viene consegnato e poi un secondo. I casi d’uso si compongono. Le strategie no.

Tre: implementazione per ruolo. Gli strumenti di IA non si implementano in un’azienda. Si implementano in un ruolo. La persona che classifica fatture ha bisogno di uno strumento diverso, un’interfaccia diversa e una formazione diversa rispetto alla persona che scrive comunicazioni ai clienti. Un singolo “rollout di IA” rivolto al “team” produce un singolo tasso di abbandono: alto. L’implementazione per ruolo — un ruolo alla volta, con il flusso di lavoro esaminato, lo strumento configurato per quel flusso e l’utente formato a usarlo dentro il proprio lavoro reale — produce adozione. Non è una preferenza metodologica. È quello che il corpus di casi PMI mostra.

Quattro: misura di adozione dal primo giorno. Non “lo abbiamo implementato”. Le persone lo hanno usato la scorsa settimana, nel loro lavoro reale, per il compito per cui è stato fatto. Uso attivo quotidiano per ruolo. Misura settimanale di risultato — meno escalation, tempi di risposta più brevi, previsioni più precise. Il rapporto Ipsos lo collega alla capacità organizzativa: “La creazione di valore dell’IA dipende dalla capacità organizzativa.” Uno strumento che nessuno ha usato la scorsa settimana non ha creato valore la scorsa settimana, a prescindere da quanto è stato pagato.

Questi quattro non sono un programma di trasformazione. Sono l’architettura minima per un singolo strumento di IA consegnato. Le aziende del 17% hanno chiuso il cerchio su questi quattro punti. Quelle dell’83% no — e le ragioni per cui non lo hanno fatto sono strutturali, non motivazionali.

Un Esempio Concreto

Una forma specifica chiarisce l’astrazione. Un produttore specializzato di 40 persone nel nord del Portogallo — tipo reale, anonimizzato — voleva “usare l’IA” per il servizio clienti. La prima conversazione ha fatto emergere il problema vero: un singolo responsabile delle operazioni passava da quattro a sei ore a settimana a smistare email clienti per urgenza e a instradarle al giusto team di reparto. Il volume cresceva. Il responsabile era il collo di bottiglia.

Quello è il caso d’uso. Non “IA per il servizio clienti”. Smistare email clienti in arrivo per urgenza, classificare per famiglia di prodotto, instradare al team giusto, misurare il tempo di risposta. Un ruolo. Un compito. Misurabile in una settimana.

L’audit dei dati ha richiesto cinque giorni lavorativi. Le email esistevano in una casella condivisa. La tassonomia di prodotto esisteva nell’ERP. Le regole di instradamento esistevano nella testa del responsabile. Due su tre non erano in forma strutturata — le regole di instradamento sono state estratte in una sessione di mezza giornata con il responsabile, scritte, e trasformate in uno schema di classificazione. Lo schema è il vero deliverable della prima settimana. Il modello è il deliverable della seconda.

Lo strumento, quando è stato consegnato, era piccolo. Leggeva le email in arrivo, applicava lo schema, assegnava un livello di urgenza e una famiglia di prodotto, e spingeva il messaggio nella coda del team giusto. Il responsabile ha tenuto il pulsante di override. L’uso attivo quotidiano è iniziato il giorno della consegna. Misura settimanale: il tempo medio di risposta è sceso da quarantuno ore a nove. Il responsabile ha recuperato quattro ore a settimana. Il team ha smesso di perdere messaggi urgenti dei clienti più grandi.

L’architettura era il lavoro. Il modello erano dodici righe di chiamate API. Il costo di costruirlo non era il modello — era lo schema, l’audit, la definizione del ruolo e l’accordo su come si vede il successo, prima che qualunque cosa fosse implementata. È così che si chiude il divario su scala unitaria.

Cosa Vede Bluewaves

La prima conversazione con ogni prospect di Bluewaves passa per i quattro punti sopra, in ordine. Circa un terzo delle conversazioni si ferma al primo. L’azienda non ha dati strutturati, non ha un sistema di registrazione, non sa dove vive la propria informazione operativa. Il lavoro che le serve non è l’implementazione dell’IA. È la fondazione digitale che l’IA richiede. Lo diciamo. Non prendiamo l’incarico finché la fondazione non è a posto — o finché l’azienda non decide che mettere la fondazione a posto è l’incarico.

Circa un terzo si ferma al secondo. L’azienda ha dati, ha interesse, ha budget, ma non ha un caso d’uso abbastanza stretto da consegnare in tre settimane. Il primo deliverable per queste aziende non è un modello. È un workshop di caso d’uso con le persone che userebbero davvero lo strumento, progettato per uscire dalla stanza con un compito specifico, stretto e misurabile. Poi costruiamo.

L’ultimo terzo arriva con i quattro punti già a posto — dati, caso d’uso definito, ruolo identificato, volontà di misurare. Queste implementazioni si consegnano in tre settimane e restano in uso perché i prerequisiti erano soddisfatti prima che il codice fosse scritto.

Non è una metodologia commerciale. È la realtà operativa del perché il divario Eurostat cresce. Le aziende del 17% hanno attraversato soglie che quelle dell’83% non hanno attraversato. La traversata non si compra con le licenze software.

La Posizione Architettonica

Il divario cresce perché le condizioni per chiuderlo non sono negli strumenti. Sono nelle aziende. Un’API più economica non produce prontezza dei dati. Un’interfaccia più semplice non produce un caso d’uso. Un chatbot più gentile non dà a una PMI di 30 persone il margine per progettare un flusso di lavoro. La struttura deve venire prima, e la maggior parte delle PMI non ha ricevuto alcun aiuto per costruirla — perché “aiuto”, nella conversazione politica europea, è stato definito come formazione, webinar, campagne di sensibilizzazione e finanziamento di progetti pilota. Non è architettura. È commento.

Il rapporto Ipsos cita lavori della Copenhagen Business School che nominano l’architettura onestamente: “La creazione di valore dell’IA dipende dalla capacità organizzativa.” Quella è la frase. La capacità organizzativa è il collo di bottiglia. La capacità si costruisce con struttura, non con contenuto. Il secondo principio del rapporto rivolto ai decisori pubblici è coerente: “Sostenere lo sviluppo della capacità e prontezza organizzativa.” Non più formazione. Capacità.

Se la rilevazione Eurostat 2026 viene pubblicata a dicembre e mostra un divario di 40 punti, nessuno dovrebbe sorprendersi. Le stesse condizioni sono in atto. Gli stessi prerequisiti mancano. Lo stesso apparato di sostegno continua a trattare la sensibilizzazione invece dell’architettura. Il divario sta facendo esattamente quello che le sue cause strutturali prevedono.

Chiuderlo richiede un intervento diverso. Non più progetti pilota. Non più case study. Non più webinar. Strumenti pre-qualificati per casi d’uso pre-definiti, pre-mappati al ruolo e ai dati che l’azienda ha già. Guida esterna dove la guida interna non esiste. Misura di adozione che inizia dal primo giorno, non dopo la terza revisione trimestrale.

Quella è la correzione architettonica. Tutto il resto è teatro. Il divario è strutturale. La correzione è strutturale. Gli strumenti più economici e le interfacce più semplici sono reali — e continueranno ad allargare il divario finché i prerequisiti non saranno affrontati alla stessa velocità con cui gli strumenti migliorano.

Trentotto punti l’anno scorso. Il numero sarà più grande l’anno prossimo, a meno che il sostegno smetta di essere contenuto e diventi struttura.