IA e produttività: promessa o miraggio?
Lettura del QEF Banca d’Italia n. 1009/2026
Paolo Volterra 
Il QEF n. 1009/2026 di Banca d’Italia offre la prima analisi sistematica dell’impatto dell’intelligenza artificiale sulla produttività delle imprese italiane. Il quadro è chiaro: l’adozione cresce (32% nel 2026), ma l’uso intensivo resta marginale (5%) e gli effetti sulla produttività aziendale sono ancora invisibili nei dati. La spiegazione non è che l’IA non funzioni, ma che la produttività non si produce con l’adozione — si produce con l’integrazione. Questa nota ripercorre i dati chiave, il meccanismo della J-curve, gli scenari macroeconomici di lungo periodo e le implicazioni operative per le banche. L’analisi è integrata con evidenze ricavate da uno scoring diretto sui bilanci 2025 delle società quotate italiane e dall’analisi longitudinale del vocabolario IA nelle Relazioni Annuali e nella ricerca di Banca d’Italia dal 2000 ad oggi.
intelligenza artificiale, produttività, politica industriale, banche, PMI, Italia
1 Sintesi
Il QEF n. 1009/2026 di Banca d’Italia — L’adozione dell’intelligenza artificiale: effetti su produttività e politiche a sostegno — è il documento più articolato prodotto finora dall’Istituto sul tema IA e sistema produttivo italiano. La tesi centrale è prudente ma densa di implicazioni: l’IA funziona sui singoli task, ma non trasforma automaticamente la produttività aziendale. Servono complementarità organizzative — dati, competenze, infrastruttura, ridisegno dei processi — che la maggior parte delle imprese italiane non ha ancora attivato.
Il documento evita sia l’entusiasmo ingenuo sia lo scetticismo sterile. Integra evidenze micro da esperimenti randomizzati, analisi panel su dati Invind 2022-2026, simulazioni macroeconomiche e confronto internazionale. È utile proprio perché distingue tra uso e integrazione: una distinzione che molti dibattiti pubblici continuano a ignorare.
2 Il quadro italiano: crescita superficiale
I dati Invind forniscono la fotografia più aggiornata disponibile per le imprese italiane con almeno 20 addetti:
| Indicatore | Valore | Note |
|---|---|---|
| Quota imprese che usano IA (inizio 2026) | 32% | Raddoppio nel 2025 (da ~16% a 27%), ulteriore crescita nel 2026 |
| Uso intensivo (IA nei processi core) | 5% | Stabile, nonostante la crescita dell’adozione generica |
| Gap rispetto alla media UE | ~4 punti | Italia sotto la media europea |
| Gap rispetto alla Germania | ~10 punti | Divario rilevante con la prima economia manifatturiera UE |
Il punto più critico non è la quota complessiva di adozione, ma la forbice tra il 32% e il 5%: quasi il 90% di chi “usa” l’IA lo fa in modo leggero, episodico, non integrato nei processi produttivi. L’IA viene impiegata prevalentemente per ottimizzare fasi di processo esistenti — non per creare nuovi prodotti, nuovi servizi o nuovi modelli operativi.
3 Perché la produttività non si vede (ancora): la J-curve
Le evidenze sperimentali sui singoli compiti sono positive: scrittura, coding, customer service, consulenza specializzata e generazione di contenuti mostrano riduzioni dei tempi e aumenti di output anche rilevanti in condizioni controllate. Però questo non si traduce automaticamente in produttività d’impresa.
L’analisi Invind 2022–2026, condotta con approccio difference-in-differences, non trova effetti sistematici dell’adozione di IA su fatturato per addetto, occupazione o investimenti. La spiegazione più convincente è la J-curve dell’innovazione organizzativa:
Nella fase iniziale emergono prima i costi — di integrazione, apprendimento, riorganizzazione — mentre i benefici arrivano solo dopo che la tecnologia è entrata nei processi, nei dati e nelle competenze.
Questo non è un’anomalia: è il pattern standard delle tecnologie general purpose. L’elettricità ha impiegato decenni per produrre effetti misurabili sulla produttività manifatturiera americana. L’IT ha generato il paradosso di Solow negli anni Ottanta-Novanta prima della sua risoluzione negli anni Duemila. L’IA sembra seguire lo stesso schema, con la differenza che la velocità di diffusione è più rapida e i costi di adozione iniziale più bassi — ma non sufficientemente bassi da eliminare il lag.
4 Scenari di lungo periodo
Le simulazioni macroeconomiche producono una forchetta di possibili impatti sulla produttività del lavoro italiana su un orizzonte decennale:
| Scenario | Guadagno annuo stimato |
|---|---|
| Adozione lenta e superficiale | +0,2 pp |
| Adozione rapida e profonda | +1,1 pp |
La distanza tra i due scenari — quasi un punto percentuale all’anno — è macroeconomicamente significativa. Per un’economia che cresce strutturalmente sotto l’1% annuo, uno shock positivo di produttività di questa entità non è trascurabile.
La differenza tra i due scenari non dipende dalla tecnologia in sé, ma dalla capacità del sistema produttivo di adottarla in modo esteso, coerente e integrato: infrastrutture di calcolo, disponibilità di dati, competenze tecniche diffuse, offerta applicativa verticale.
5 Implicazioni di politica economica
Il paper non spinge per sussidi generici e indifferenziati. L’intervento pubblico ha senso quando:
- Rimuove ostacoli informativi e organizzativi — molte imprese non adottano perché non sanno come farlo, non perché non possano permetterselo
- Sviluppa competenze — la scarsità di profili tecnici è uno dei vincoli più stringenti in Italia
- Favorisce la condivisione dei dati — l’IA verticale richiede dati di settore aggregati che nessuna singola impresa può produrre da sola
- Migliora l’accesso ai centri di calcolo — infrastruttura critica per le imprese medio-piccole
- Sostiene la nascita di fornitori specializzati — la carenza di applicazioni verticali è un collo di bottiglia strutturale
Il rischio individuato dal paper è una trappola di bassa adozione: poche imprese adottano davvero → il mercato per i fornitori resta piccolo → i fornitori non sviluppano soluzioni verticali robuste → le imprese percepiscono poco valore e continuano a non adottare. È un equilibrio di bassa qualità che si autoalimenta e dal quale è difficile uscire senza un coordinamento esterno.
6 Lettura per le banche
Il paper offre almeno tre letture operative per il sistema bancario.
6.1 Lettura creditizia
La capacità di adottare IA in modo integrato può diventare un indicatore indiretto di qualità manageriale, maturità digitale e capacità di investimento immateriale. Un’impresa che ha dati strutturati, processi documentati e personale formato per lavorare con strumenti IA è tendenzialmente un’impresa con governance migliore e capacità di generare valore nel medio termine. Questo suggerisce di inserire la dimensione “capacità di assorbimento tecnologica” nei modelli di rating e nelle analisi qualitative per il credito alle PMI.
6.2 Lettura commerciale
La transizione all’IA crea una domanda di accompagnamento che va oltre il finanziamento puro. Molte PMI avranno bisogno di supporto per:
- valutare la fattibilità di progetti di adozione (proof-of-concept, pilot)
- accedere a competenze specializzate (partnership con competence center, università, system integrator)
- strutturare investimenti in software, dati e formazione
Questo apre spazio a prodotti e servizi finanziari dedicati: finanziamenti per investimenti immateriali (dati, software, formazione), voucher in partnership con enti pubblici, linee di credito specifiche per progetti di trasformazione digitale con IA.
6.3 Lettura interna
Anche le banche rischiano la stessa trappola descritta per le imprese: molte sperimentazioni, pochi casi d’uso integrati, benefici difficili da misurare. L’adozione leggera dell’IA (un chatbot qui, un tool di sintesi là) migliora qualche attività individuale ma difficilmente sposta il conto economico. L’adozione profonda — nei processi di istruttoria, nella gestione del rischio, nel servicing — richiede investimenti complementari significativi e una governance dei dati che poche banche italiane hanno già completato.
Lo scoring dei bilanci 2025 delle banche quotate e non quotate italiane conferma questa lettura: la maggior parte si colloca sullo score 3 (menzione generica), con un numero ristretto che raggiunge lo score 4 (strumenti specifici citati) e solo pochissime banche con documentazione verificabile di deployment in produzione. Anche qui il vocabolario nei bilanci cresce (effetto drift) più velocemente dell’adozione reale. Il gap tra ciò che le banche dichiarano di fare con l’IA e ciò che documentano di fare è un segnale di attenzione per chi legge i bilanci dal lato dell’analisi creditizia e della governance.
7 Il QEF nel contesto dell’attenzione istituzionale di BdI
Il QEF n. 1009/2026 non è un documento isolato: è il punto di arrivo di un ciclo di attenzione crescente che Banca d’Italia ha dedicato all’IA nel corso degli ultimi anni. Un’analisi longitudinale del vocabolario nelle Relazioni Annuali del Governatore (2000–2025) e nella produzione scientifica dell’Istituto (Temi di Discussione + QEF, 1994–2026) permette di datare con precisione questo processo:
| Livello | Prima occorrenza | Turning point | Picco recente |
|---|---|---|---|
| Relazioni Annuali | 2015 (1 menzione “IA”) | 2023 (21→40 totali) | 2025: 33 menzioni “IA”, 40 totali |
| Ricerca BdI (TD+QEF) | 2007 (reti neurali per data editing) | 2020 (10 paper AI in un anno) | 63 paper AI su 5.452 totali (1,2%) |
| Vocabolario ponte | “FinTech” e “big data” (2018–2021) | “Machine learning” esplicito dal 2017 | “IA” e “GenAI” dal 2023 |
Tre osservazioni si possono ricavare da questa traiettoria.
Prima: la ricerca precede il linguaggio di governance. I primi segnali AI nella produzione scientifica BdI risalgono al 2007 (reti neurali), ma le Relazioni Annuali non menzionano “IA” fino al 2015 e in modo sistematico solo dal 2023. Il QEF 1009 completa questo percorso: trasforma un tema di ricerca in un documento di policy operativa.
Seconda: la BdI ha ritardato rispetto alla BCE. L’analisi comparata mostra che l’ECB anticipa BdI di circa tre anni su ogni turning point terminologico — un pattern che rispecchia la diversa struttura istituzionale dei due organismi, ma che suggerisce anche che il QEF 1009 si inserisce in un contesto europeo già maturo.
Terza: “machine learning” rimane vocabolario tecnico di nicchia anche nelle Relazioni Annuali. Il termine quasi non compare, a differenza di “big data” e “FinTech” che avevano avuto picchi nel 2018–2021. Questo suggerisce che il QEF 1009 parla a un pubblico di policy e imprese, non a un pubblico tecnico — scelta coerente con la distribuzione Invind (molti utenti generici, pochissimi utenti intensivi).
8 Valutazione critica
Punti di forza
Il paper distingue sistematicamente tra adozione e integrazione: una distinzione concettuale che molti report di settore non fanno, e che è invece decisiva per interpretare i dati. L’integrazione tra evidenze micro (esperimenti), analisi panel (Invind) e simulazioni macro è metodologicamente solida. Il taglio policy è pragmatico: non ideologico né tecnofilo.
Limiti principali
Il limite strutturale è l’orizzonte temporale. Se l’adozione profonda richiede anni, i dati 2022–2026 coprono principalmente la fase di sperimentazione e i costi iniziali — non ancora l’impatto pieno. Il paper lo riconosce esplicitamente, ma ne consegue che le stime di lungo periodo hanno necessariamente un grado di incertezza elevato.
Un secondo limite è la granularità territoriale. Il ragionamento è prevalentemente aggregato a livello nazionale. Nel Mezzogiorno il vincolo della dimensione d’impresa, la carenza di competenze tecniche e la minore presenza di fornitori specializzati potrebbero rendere la trappola di bassa adozione ancora più stringente. Una declinazione regionale arricchirebbe significativamente l’analisi.
9 Messaggi operativi
Per imprese e banche, la lezione è abbastanza netta:
- Non basta comprare strumenti — il rendimento arriva quando l’IA entra nei processi, nei dati e nel modello organizzativo
- L’adozione “leggera” ha un tetto — migliora qualche attività individuale, non il conto economico
- La vera domanda non è “quante imprese usano l’IA” — è quante l’hanno integrata nel proprio modo di produrre valore
- La chiave analitica è la “capacità di assorbimento” — politiche, credito e strategie aziendali dovrebbero spostarsi dall’adozione generica a questa dimensione
Trasparenza sull’uso dell’intelligenza artificiale
L’uso di strumenti di intelligenza artificiale generativa è dichiarato esplicitamente in quanto parte del processo di lavoro seguito nella redazione del presente documento. Tali strumenti sono stati impiegati a supporto della lettura, della sintesi, della riorganizzazione argomentativa e della revisione testuale, sempre nell’ambito di un processo pienamente controllato dall’autore.
La responsabilità per le fonti utilizzate, le analisi condotte, le verifiche effettuate, le interpretazioni proposte e le conclusioni formulate resta interamente in capo all’autore.
L’intelligenza artificiale è stata utilizzata come ambiente di supporto cognitivo ed editoriale, non come fonte primaria, autore autonomo o sostituto del giudizio critico.