Venti per cento

Il comunicato stampa Eurostat è arrivato a dicembre 2025. Il titolo: il 20% delle imprese UE ha adottato l’IA. LinkedIn ha festeggiato. I commentatori hanno dichiarato progresso. Il numero è entrato in rotazione — citato nei pitch deck, nei discorsi della Commissione UE e nei report delle società di consulenza come prova che l’adozione europea dell’IA sta accelerando.

Il numero è reale. È anche fuorviante esattamente nel modo che conta.

Cosa nasconde il titolo

La cifra del 20% proviene dall’indagine Eurostat sull’utilizzo delle TIC nelle imprese, condotta annualmente in tutti i 27 stati membri UE. L’indagine copre le imprese con 10 o più dipendenti. Dieci o più. Quella soglia esclude il 99% di tutte le imprese UE.

L’UE ha circa 33 milioni di imprese. Di queste, circa 32,7 milioni — il 99,1% — sono microimprese: meno di 10 dipendenti, meno di 2 milioni di euro di fatturato annuo. Sono le panetterie, gli studi contabili, gli operatori logistici, i piccoli produttori, le società di consulenza, i rivenditori specializzati. Sono la stragrande maggioranza dell’economia europea. E sono invisibili nel titolo Eurostat.

L’indagine include disaggregazioni per classe dimensionale, ed è qui che la storia cambia. Tra le grandi imprese (250+ dipendenti), l’adozione dell’IA raggiunge il 55%. Tra le medie imprese (50-249 dipendenti), scende a circa il 30%. Tra le piccole imprese (10-49 dipendenti), la cifra è il 17%.

Tra le microimprese? Eurostat non le rileva sistematicamente. I dati non esistono su larga scala. Il titolo del 20% descrive una popolazione che esclude la stragrande maggioranza delle imprese europee.

Non è una critica a Eurostat. La metodologia dell’indagine è solida, il disegno campionario è rigoroso e l’esclusione per classe dimensionale è documentata nelle note tecniche che nessuno legge. È una critica a come il numero viene usato — come misura della preparazione europea all’IA quando in realtà è una misura della spesa IA delle grandi imprese.

Il divario dimensionale è architetturale

La differenza tra il 55% di adozione nelle grandi imprese e il 17% nelle piccole imprese non è un divario tecnologico. Non è un divario di consapevolezza. Non è un divario di competenze, anche se le competenze contano. È un divario architetturale.

Le grandi imprese adottano l’IA perché hanno tre cose che le piccole imprese non hanno:

Infrastruttura IT dedicata. Un produttore da 500 persone ha un reparto IT. Il reparto valuta gli strumenti, gestisce le integrazioni, conduce le valutazioni di sicurezza e negozia i contratti con i fornitori. Il costo della valutazione di uno strumento IA è assorbito nel budget e nel ritmo operativo esistente del reparto. Per un’azienda logistica da 30 persone, il “reparto IT” è una persona che gestisce anche il sistema telefonico, il CRM e le stampanti. Valutare uno strumento IA non è il suo lavoro. È un’interruzione del suo lavoro.

Budget per la sperimentazione. Le grandi imprese possono allocare 50.000 € a un progetto pilota senza rischio materiale. Se il pilota fallisce, la perdita è un errore di arrotondamento. Per una piccola impresa con 3 milioni di euro di fatturato annuo, 50.000 € sono l’1,7% del fatturato — un impegno significativo che richiede giustificazione, approvazione e risultati. L’asimmetria non riguarda la ricchezza. Riguarda il rapporto tra investimento sperimentale e rischio operativo.

Campioni interni. L’adozione dell’IA nelle grandi imprese inizia tipicamente con un quadro intermedio o un responsabile tecnico che identifica un caso d’uso, costruisce un business case e promuove il progetto internamente. Questa persona esiste perché le grandi organizzazioni hanno sufficiente diversità di ruoli per includere qualcuno il cui lavoro interseca l’IA. In un’azienda da 30 persone, il lavoro di ogni persona è operativo. Non c’è un ruolo con il margine per valutare, promuovere e gestire un deployment IA. Il divario dei campioni è il fattore più sottovalutato nella disparità di adozione.

Questi tre fattori — infrastruttura, rapporto di budget e campioni interni — sono strutturali. Non cambiano con campagne di sensibilizzazione, programmi di formazione o marketing. Cambiano con interventi architetturali: ridurre il costo della valutazione, ridurre l’onere tecnico dell’integrazione e fornire campioni esterni dove i campioni interni non esistono.

Cosa misura realmente l‘“adozione”

L’indagine Eurostat misura l’adozione con una domanda specifica: “La vostra impresa utilizza tecnologie IA?” La domanda elenca categorie: machine learning, elaborazione del linguaggio naturale, riconoscimento di immagini, automazione robotica dei processi, sistemi autonomi. Un’impresa che utilizza una qualsiasi di queste è contata come avente “adottato l’IA”.

La domanda non misura la profondità dell’adozione. Non distingue tra un’azienda che usa un chatbot gratuito per richieste clienti occasionali e un’azienda che ha integrato il machine learning nel proprio flusso di produzione principale. Non misura se lo strumento IA è in uso quotidiano, uso occasionale, o uso abbandonato-dopo-il-periodo-di-prova.

È lo stesso problema metodologico che affligge tutte le indagini sull’adozione tecnologica. L’adozione binaria (sì/no) nasconde lo spettro dallo sperimentale all’integrato. Un’azienda che ha sottoscritto una licenza ChatGPT Enterprise a gennaio e se ne è dimenticata a marzo è contata allo stesso modo di un’azienda che usa la previsione automatizzata della domanda per gestire l’intera catena di approvvigionamento.

Il rapporto OCSE di dicembre 2025 sull’adozione dell’IA nelle PMI ha affrontato questo punto categorizzando le imprese in quattro livelli di maturità: Principianti IA, Esploratori IA, Ottimizzatori IA e Campioni IA. La misura binaria di Eurostat mette insieme Principianti ed Esploratori con il resto. L’impatto operativo — la parte che conta per produttività, competitività e crescita economica — vive nelle categorie Ottimizzatori e Campioni.

La conclusione dell’OCSE è netta: la maggior parte dell’adozione IA delle PMI resta a uno stadio nascente o pilota. Le aziende sperimentano con gli strumenti IA ma incontrano ostacoli strutturali nell’integrarli nelle operazioni principali. Il divario tra “usiamo l’IA” e “l’IA cambia come lavoriamo” è dove la maggior parte della spesa IA viene sprecata.

Il venti per cento ha adottato l’IA. Una frazione l’ha integrata. Il divario tra quei numeri è l’intero problema.

La geografia dentro il numero

La media UE del 20% nasconde una variazione a livello nazionale che va dal 9% al 39%. Danimarca, Finlandia e Paesi Bassi guidano. Romania, Bulgaria e Grecia chiudono. La varianza non è casuale. Correla con tre indicatori infrastrutturali più fortemente che con il PIL pro capite:

Maturità dei servizi pubblici digitali. I paesi con sistemi di identità digitale avanzati, servizi pubblici interoperabili e infrastruttura di e-government hanno un’adozione IA più alta. Il sistema NemID/MitID della Danimarca, Suomi.fi della Finlandia, DigiD dei Paesi Bassi — questi creano una base infrastrutturale digitale che rende l’integrazione degli strumenti IA più facile. L’impresa non deve costruire la fiducia digitale da zero. L’infrastruttura pubblica l’ha già stabilita.

Qualità della penetrazione della banda larga. Non solo connettività — qualità. La copertura fibra fino all’edificio in Danimarca supera il 75%. In Romania, scende sotto il 30% nelle aree rurali dove molte PMI operano. Gli strumenti IA che richiedono connettività costante e a bassa latenza sono architetturalmente incompatibili con la banda larga intermittente. Lo strumento funziona a Copenaghen. Lo strumento va in timeout a Costanza.

Baseline di digitalizzazione delle PMI. L’adozione dell’IA è un effetto di secondo ordine. Il primo ordine è la digitalizzazione di base: contabilità cloud, CRM, gestione digitale dell’inventario. Le aziende che non hanno digitalizzato le loro operazioni di base non possono adottare strumenti IA perché non c’è infrastruttura dati a cui l’IA possa collegarsi. Una quota significativa delle PMI UE si affida ancora a una gestione prevalentemente cartacea per almeno una funzione aziendale principale — la percentuale esatta varia per paese, ma lo schema è coerente nell’Europa meridionale e orientale.

Questi tre fattori spiegano più della varianza a livello nazionale di qualsiasi misura di “cultura dell’innovazione” o “mentalità imprenditoriale”. Il produttore da 30 persone a Braga, Portogallo, non manca di cultura dell’innovazione. Manca di banda larga in fibra e di un sistema di fatturazione digitale.

La dimensione di genere che i dati mostrano

Una dimensione che i dati Eurostat catturano ma pochi commentatori discutono: tra le imprese guidate da donne, l’adozione dell’IA è 7 punti percentuali inferiore rispetto a quelle guidate da uomini, dopo aver controllato per settore e dimensione. Il divario persiste in tutte le classi dimensionali.

Il divario non riguarda l’attitudine tecnica o l’interesse. Il quadro di valutazione “Donne nel digitale” della Commissione Europea — pubblicato annualmente dal 2019 — traccia le disparità strutturali nell’uso di internet, nelle competenze digitali e nell’occupazione specialistica. I fattori strutturali dietro il divario di adozione includono l’accesso ai finanziamenti per investimenti tecnologici (le imprese guidate da donne ricevono costantemente una frazione del totale del venture funding — sotto il 3% negli ultimi anni, secondo i dati PitchBook) e l’accesso a reti tra pari dove circola la conoscenza sull’adozione dell’IA. Sono fallimenti infrastrutturali, non individuali.

Non sono fallimenti individuali. Sono fallimenti infrastrutturali. Lo stesso divario architetturale che separa le grandi imprese dalle piccole separa i fondatori ben connessi dai fondatori sotto-connessi. Il problema non è chi sei. Il problema è quale infrastruttura è disponibile per te.

Di cosa ha realmente bisogno l’altro 80%

L’80% delle imprese UE che non ha adottato l’IA non ha bisogno di consapevolezza. Sa che l’IA esiste. Non ha bisogno di ispirazione. Ha visto le demo. Non ha bisogno di strumenti più economici. Molti strumenti IA hanno livelli gratuiti.

Ha bisogno di tre cose:

Costo di valutazione ridotto. Il costo di valutare se uno strumento IA si adatta a un’esigenza aziendale specifica è troppo alto per un’azienda senza personale IT dedicato. La valutazione richiede assessment tecnico, revisione della sicurezza, test di integrazione e analisi del flusso di lavoro. Per una grande impresa, questo costo è marginale. Per un’azienda da 30 persone, è proibitivo. L’intervento è: strumenti pre-qualificati, pre-valutati con percorsi di integrazione documentati per i sistemi aziendali comuni. Non strumenti generici “IA per le aziende”. Strumenti specifici per compiti specifici: elaborazione fatture per PMI che usano Sage, classificazione delle richieste clienti per aziende che usano Zendesk, previsione della domanda per i negozi WooCommerce.

Campioni esterni. Se nessuno nell’azienda ha il ruolo, il tempo o la competenza per promuovere un deployment IA, qualcuno fuori dall’azienda deve ricoprire quel ruolo temporaneamente. Non è consulenza. La consulenza produce report. La promozione produce deployment. Il campione esterno lavora con il team, distribuisce lo strumento, osserva come le persone lo usano, regola la configurazione e se ne va quando lo strumento è in uso quotidiano.

Questo è quello che fa Bluewaves. Non strategia IA. Non consulenza per la trasformazione digitale. Deployment. Uno strumento funzionante nelle mani delle persone che lo useranno, entro tre settimane.

Validazione tra pari. Le grandi imprese adottano l’IA perché altre grandi imprese adottano l’IA. I casi studio esistono. Le prove circolano. Per un’azienda logistica da 30 persone a Tarragona, il caso studio rilevante non è “come Siemens ha distribuito l’IA nella sua catena di approvvigionamento”. Il caso studio rilevante è “come un’azienda logistica da 35 persone a Porto ha distribuito l’IA nella gestione del magazzino e ridotto gli errori di prelievo del 22%”. Stesso settore, stessa dimensione, stessi vincoli. La prova manca perché nessuno documenta i deployment delle PMI.

I dati Eurostat ci dicono dove è l’adozione. Non ci dicono perché l’adozione si ferma. Le ragioni sono architetturali, non attitudinali.

La dimensione settoriale

Il titolo del 20% nasconde una varianza settoriale significativa quanto quella dimensionale.

Le imprese dell’informazione e della comunicazione (sezione NACE J) riportano un’adozione IA sopra il 40%. Le imprese finanziarie e assicurative (sezione NACE K) riportano sopra il 35%. Sono i settori dove l’infrastruttura digitale preesiste, dove i flussi di dati sono già strutturati, dove il costo di integrazione di uno strumento IA è marginale perché il flusso di lavoro digitale esiste già.

La manifattura (sezione NACE C) — la spina dorsale della produzione economica UE, che rappresenta il 15% del PIL — riporta un’adozione IA di circa il 12%. Le costruzioni (sezione NACE F) riportano sotto l’8%. L’agricoltura (sezione NACE A) è quasi assente.

La varianza mappa direttamente alla maturità digitale, non alla preparazione per l’IA. Un produttore la cui pianificazione della produzione funziona ancora su una lavagna non può adottare uno strumento IA di previsione della domanda — non perché l’IA non sia disponibile, ma perché i dati di cui l’IA ha bisogno non esistono in forma digitale. Lo strumento IA richiede input strutturati. La lavagna non produce input strutturati.

È la cascata infrastrutturale: la digitalizzazione di base abilita la raccolta dati, la raccolta dati abilita l’analisi, l’analisi abilita l’IA. Salta un passaggio e quelli successivi falliscono. Il tasso di adozione del 12% nella manifattura non è un fallimento della consapevolezza dell’IA. È un fallimento della digitalizzazione di base — e il fallimento precede l’IA di un decennio.

Il report AI Watch del JRC sull’adozione dell’IA manifatturiera ha identificato la cascata esplicitamente: tra i produttori che avevano completato la digitalizzazione di base (ERP cloud, inventario digitale, reporting automatizzato), l’adozione dell’IA era un ordine di grandezza superiore rispetto a quelli che non l’avevano fatto. La baseline di digitalizzazione è il vero predittore, non la disponibilità dello strumento IA.

Per l’88% dei produttori UE che non ha adottato l’IA, l’intervento non è la formazione sull’IA. È l’infrastruttura digitale — il lavoro noioso e poco glamour di passare dalla carta al cloud, dalla lavagna al database, dall’archivio ai dati strutturati. L’IA viene dopo. Non può venire prima.

Cosa vede Bluewaves

Le aziende che contattano Bluewaves rientrano in due categorie. La prima categoria ha un caso d’uso IA specifico, una baseline di infrastruttura digitale e un team disposto a usare uno strumento. Queste aziende distribuiscono in tre settimane. Lo strumento è in uso entro la quarta settimana. Il processo non è complicato perché i prerequisiti sono soddisfatti.

La seconda categoria ha interesse per l’IA, entusiasmo dalla leadership e nessuna infrastruttura digitale. Nessun dato strutturato. Nessun flusso di lavoro standardizzato. Nessun processo documentato. Queste aziende non possono distribuire uno strumento IA in tre settimane perché non c’è nulla a cui collegare lo strumento. Il lavoro non è deployment IA. Il lavoro è digitalizzazione — il prerequisito che il titolo del 20% presume universale e non lo è.

Non prendiamo in carico la seconda categoria. Non perché il lavoro non abbia valore — ne ha. Perché chiamarlo “deployment IA” quando la vera esigenza è “infrastruttura digitale” è disonesto, e la disonestà è costosa per tutti.

Il 20% che ha adottato l’IA sono le aziende che hanno superato la soglia della digitalizzazione prima che l’IA arrivasse. L’80% che non l’ha fatto sono, in larga misura, aziende che non hanno ancora superato quella soglia. L’IA è pronta. L’infrastruttura non lo è.

Il numero che conta

Il venti per cento è un titolo. Il diciassette per cento tra le piccole imprese è un dato. La frazione che ha veramente integrato l’IA nelle operazioni principali — i “Campioni IA” dell’OCSE — è il numero che conta.

Il divario tra adozione e integrazione — tra “usiamo l’IA” e “l’IA cambia come lavoriamo” — è lo spazio dove la maggior parte della spesa IA viene sprecata. È il cimitero delle licenze chatbot, delle dashboard abbandonate e dei progetti pilota mai consegnati.

Colmare quel divario richiede tre cose che non hanno nulla a che fare con la tecnologia IA: infrastruttura che renda la valutazione economica, campioni esterni che rendano il deployment reale, e prove tra pari che rendano l’adozione credibile.

I dati di cui abbiamo bisogno

L’indagine Eurostat sarà condotta di nuovo nel 2026. Quando i risultati saranno pubblicati, riporteranno un nuovo numero headline. Ventidue per cento, forse. O venticinque. Il numero sarà più alto. LinkedIn festeggerà. Il progresso sarà dichiarato.

Il numero sarà ancora fuorviante — a meno che la metodologia non cambi. Tre aggiunte renderebbero l’indagine operativamente utile:

Primo: includere le microimprese. Il 99% delle imprese UE escluse dall’indagine sono le imprese che hanno più bisogno dei dati. Un modulo IA separato per le microimprese, anche se somministrato a un campione anziché al censimento completo, fornirebbe la baseline che attualmente non esiste.

Secondo: misurare la profondità, non solo l’ampiezza. Andare oltre l’adozione binaria (sì/no) verso una tassonomia di maturità come il framework a quattro livelli dell’OCSE: Principianti, Esploratori, Ottimizzatori, Campioni. La distribuzione tra i livelli conta più del conteggio binario.

Terzo: misurare l’effetto campione. Chiedere non solo “la vostra impresa usa l’IA?” ma “la vostra impresa ha una persona il cui ruolo include la gestione dell’adozione degli strumenti IA?” La presenza o assenza di un campione interno è, dalla nostra osservazione, il predittore più forte dell’adozione sostenibile — più predittivo del budget, del settore o della dimensione aziendale.

Queste tre aggiunte trasformerebbero l’indagine da generatore di titoli a strumento operativo. I dati esistono per essere raccolti. La metodologia esiste per raccoglierli. Il titolo del 20% persisterà finché qualcuno non decide che i dati accurati contano più dei dati ottimistici.

Il venti per cento non è una storia di successo. È un punto di partenza. Il lavoro è nell’80% che segue — e nel 2% che conta.