Produttività italiana e agenti AI: cosa dice la ricerca, cosa si può verificare in azienda

· Team LAI.ON

Sintesi

La produttività del lavoro in Italia cresce poco da trent'anni, e il tessuto produttivo, fatto soprattutto di microimprese, rende il problema più difficile da affrontare. Gli studi sperimentali sull'IA generativa mostrano guadagni misurabili su compiti specifici, ma i dati sulle imprese italiane indicano per ora effetti limitati sui risultati aziendali. Questo articolo raccoglie le evidenze disponibili, distingue fatti, stime e ipotesi di lavoro, e propone un metodo semplice per misurare se un agente AI, in un processo reale, produce un beneficio: una situazione di partenza misurata, un pilota breve, indicatori definiti prima di iniziare.

1. Il problema: una produttività che non cresce

La produttività del lavoro misura quanto valore aggiunto si produce per ora lavorata. È una grandezza che cambia lentamente e che dipende da molti fattori: capitale, competenze, organizzazione, dimensione delle imprese. Per questo conviene guardarla su orizzonti lunghi.

I dati. Secondo l'Istat, nel periodo 1995-2024 la produttività del lavoro nei settori di mercato è cresciuta in media dello 0,3% l'anno, con un valore aggiunto in aumento dello 0,9% e ore lavorate in aumento dello 0,6%. Lo stesso ritmo medio (+0,3%) si osserva nel decennio 2014-2024. Nel 2024 la misura è scesa dell'1,9% (−2,7% nel 2023), perché le ore lavorate sono aumentate più del valore aggiunto [1]. La misura Istat copre circa il 71% del valore aggiunto e l'83% delle ore lavorate, ed esclude tra l'altro la pubblica amministrazione; i dati 2024 sono preliminari [1].

Per il 2025 la Banca d'Italia stima una crescita della produttività del lavoro dello 0,3% nel settore privato non agricolo, non finanziario e non immobiliare, trainata soprattutto dall'industria in senso stretto; servizi privati e costruzioni risultano sostanzialmente stabili [6].

Il confronto europeo. Con dati Eurostat, la produttività nominale oraria italiana, espressa a parità di potere d'acquisto e con la media UE27 pari a 100, passa da 111,4 nel 2005 a 99,1 nel 2024 e 96,2 nel 2025 [2]. In termini reali, tra il 2005 e il 2024 l'indice Eurostat (2015 = 100) sale in Italia di circa l'1,5%, contro circa il 16,6% della media UE27, il 14,1% della Germania, il 7,4% della Francia e il 16,7% della Spagna [3].1

La struttura delle imprese. Nel 2023 l'Istat conta 4.508.791 imprese con 18,1 milioni di addetti. Le microimprese (0-9 addetti) sono 4.273.161, cioè circa il 94,8% del totale, e occupano circa il 41% degli addetti e producono circa il 27% del valore aggiunto; le 4.565 grandi imprese (250 addetti e oltre) generano circa il 35% del valore aggiunto con il 24% degli addetti [4].2 Il valore aggiunto per addetto è in media poco sotto i 40 mila euro nelle imprese indipendenti, contro quasi 90 mila in quelle appartenenti a gruppi [4]. L'OCSE osserva che in Italia le piccole e micro imprese rappresentano oltre il 60% dell'occupazione, contro circa il 40% di Francia e Germania; le imprese più piccole sono meno produttive e il divario è più ampio che nelle altre grandi economie europee, mentre le imprese medie e grandi italiane hanno risultati simili o migliori di quelle francesi e tedesche [5].

L'onere amministrativo. La Banca d'Italia scrive che gli adempimenti burocratici a carico delle aziende sono aumentati negli ultimi dieci anni, con effetti negativi sui costi operativi e sulla crescita dimensionale [6]. Anche l'OCSE segnala che la conformità fiscale e regolatoria, complessa e costosa, genera costi fissi che penalizzano le imprese più piccole [5]. Sono i punti in cui il lavoro d'ufficio ripetitivo (leggere, controllare, riportare dati) pesa di più, ed è lì che le tecnologie di cui parliamo possono essere messe alla prova.

Nessuno di questi dati dice che l'IA sia la soluzione. Dicono che il problema è strutturale e che non ha una causa sola.

2. Cosa dice la ricerca sull'IA generativa

Dal 2023 esistono esperimenti controllati sull'uso di assistenti conversazionali basati su modelli linguistici. Tre studi sono tra i più citati; li riportiamo con i loro limiti, perché i risultati non sono generalizzabili automaticamente a una PMI italiana.

Scrittura professionale. In un esperimento preregistrato su 453 professionisti con istruzione universitaria, a cui sono stati assegnati compiti di scrittura tipici di ruoli intermedi, chi ha usato l'assistente ha impiegato il 40% di tempo in meno e ha ottenuto una qualità valutata più alta del 18%; la disuguaglianza tra i lavoratori si è ridotta [8]. Limiti: compiti di scrittura, esperimento online, partecipanti statunitensi.

Assistenza clienti. Uno studio su 5.179 operatori di assistenza clienti di un'unica azienda, con introduzione graduale di un assistente AI, rileva in media il 14% in più di problemi risolti per ora. Il guadagno è stato del 34% per gli operatori meno esperti o meno qualificati, e minimo per quelli più esperti [9]. Limiti: una sola azienda, un solo contesto.

La "frontiera irregolare". Un esperimento preregistrato su 758 consulenti di una società di consulenza internazionale ha confrontato compiti dentro e fuori da ciò che l'IA sa fare bene. Nei 18 compiti "dentro la frontiera", chi usava l'IA ha completato il 12,2% di compiti in più, il 25,1% più rapidamente e con qualità più alta. In un compito scelto per stare fuori dalla frontiera, chi usava l'IA ha dato la risposta corretta con in media 19 punti percentuali in meno rispetto al gruppo di controllo (84,5% nel controllo, contro il 60% e il 70,6% nei due gruppi con IA) [10]. Gli autori stessi precisano che si tratta di un solo compito e di un limite intrinseco dello studio; aggiungono che il campione è una singola organizzazione di profilo elevato, che le valutazioni sono in parte soggettive e che i risultati valgono per contesti in cui conta più la qualità che la velocità [10]. Dallo studio emerge anche una tendenza a fidarsi troppo dell'output.

Cosa ne ricaviamo. Sono risultati pubblicati in contesti precisi: su compiti ben definiti l'IA può ridurre i tempi, spesso a vantaggio dei meno esperti; fuori da quei compiti può peggiorare l'esito se l'output non viene controllato. Non è un fatto che lo stesso accada in una PMI italiana.

E nelle imprese? La Banca d'Italia, nella Relazione annuale sul 2025, ricorda che singole applicazioni di IA possono generare guadagni di efficienza significativi su singoli compiti, ma che l'effetto sui risultati d'impresa dipende da come viene usata e dagli investimenti complementari (capitale umano, infrastrutture digitali, riorganizzazione dei processi); i costi di introduzione possono compensare temporaneamente i benefici [6]. Nell'indagine Invind sulle imprese con almeno 20 addetti, il 70% delle imprese che usano IA non segnala finora effetti sulla produttività del lavoro (59% tra chi la usa in modo esteso); dove ci sono effetti, prevalgono quelli positivi, ma generalmente limitati. Un'analisi econometrica 2022-2026 non trova risultati statisticamente significativi su produttività e occupazione, il che può dipendere da un uso ancora limitato o da un orizzonte temporale breve [6]. Metà delle imprese si aspetta un impatto positivo nei prossimi tre anni, il 35% nessun impatto [6].

La stessa fonte presenta una stima da modello, non un'osservazione: se l'IA si diffondesse e agisse solo come shock di produttività settoriale, potrebbe aggiungere da 0,2 a oltre 1 punto percentuale l'anno di valore aggiunto in dieci anni, a seconda della velocità di adozione [6]. È uno scenario, con le ipotesi del modello.

3. Dove un agente AI può aiutare una PMI: ipotesi di lavoro

Per "agente AI" intendiamo un sistema che, dato un obiettivo, esegue una sequenza di passaggi (leggere documenti, interrogare dati, preparare un risultato) e lo sottopone a una persona per la verifica. La differenza rispetto a un assistente conversazionale sta nella continuità del processo, non nell'assenza di controllo umano.

Il punto di partenza è dove le imprese italiane usano già l'IA. Secondo l'Istat, nel 2025 il 16,4% delle imprese con almeno 10 addetti usa almeno una tecnologia di IA (8,2% nel 2024, 5,0% nel 2023). Tra le utilizzatrici, le tecnologie più diffuse sono l'estrazione di informazioni da documenti di testo (70,8%) e l'IA generativa (59,1%). Gli ambiti aziendali più frequenti sono marketing e vendite (33,1%) e organizzazione dei processi amministrativi (25,7%) [7]. La Banca d'Italia riferisce inoltre che, tra le imprese che usano IA generativa, più della metà impiega anche chatbot, agenti AI o strumenti per il codice [6].

I dati dicono dove si sperimenta. Non dicono che funzioni. Quelle che seguono sono quindi ipotesi di lavoro, da mettere alla prova con un pilota (sezione 5):

  • Fatture e documenti. Leggere fatture, ordini, contratti e distinte, estrarre i campi rilevanti, segnalare anomalie e preparare la registrazione per il controllo di una persona. Ipotesi: si riduce il tempo di lavorazione per documento a parità di errori.
  • Reportistica. Raccogliere dati da fonti diverse (gestionale, fogli di calcolo, esportazioni) e preparare il report periodico con note sulle variazioni. Ipotesi: si accorcia il tempo tra chiusura del periodo e report disponibile.
  • Attività commerciali. Preparare offerte, aggiornare anagrafiche, riepilogare lo storico di un cliente prima di un appuntamento. Ipotesi: più tempo di una persona sul contatto con il cliente.
  • Acquisti e cataloghi. Confrontare listini e offerte dei fornitori, riconciliare codici e descrizioni, aggiornare cataloghi. Ipotesi: meno discrepanze tra ordini e conferme.

C'è un motivo per cui vale la pena provarci proprio nelle PMI: l'Istat osserva che il divario di adozione dell'IA tra grandi imprese e PMI si sta allargando (circa 20 punti percentuali nel 2023, 25 nel 2024, 37 nel 2025), mentre per la maggior parte degli altri indicatori digitali si riduce [7]. Anche i software gestionali sono meno diffusi tra le PMI: ERP 48,8% contro 85,9% delle grandi, CRM 21,1% contro 56,5% [7]. Dove manca la base dati, l'agente non ha su cosa lavorare.

4. Rischi e condizioni

Le imprese italiane che hanno valutato l'IA e poi non hanno investito indicano come ostacoli principali la mancanza di competenze (58,6%), la scarsa chiarezza normativa (47,3%), la carenza o la scarsa qualità dei dati (45,2%), le preoccupazioni su privacy e protezione dei dati (43,2%) e i costi (43,0%) [7]. L'OCSE conferma i costi elevati come ostacolo principale per le piccole imprese italiane [5]. Sono i punti da affrontare prima di iniziare.

Qualità dei dati. Un agente che legge documenti disordinati produce risultati disordinati. Anagrafiche, codici e archivi vanno messi in ordine prima, o almeno insieme.

Supervisione umana. I dati sperimentali sulla tendenza a fidarsi troppo dell'output [10] indicano una regola pratica: ogni passaggio che ha conseguenze (un pagamento, un'offerta, una comunicazione) deve avere una persona che approva, con la possibilità di correggere e di fermare il processo. L'AI Act prevede la sorveglianza umana come requisito dei soli sistemi ad alto rischio: l'art. 14 chiede che questi sistemi siano progettati e forniti in modo che le persone incaricate della sorveglianza possano, in misura adeguata e proporzionata, capire capacità e limiti del sistema, restare consapevoli del rischio di affidarsi troppo all'output (automation bias), interpretarlo, decidere di non usare il sistema o di ignorare, annullare o ribaltare l'output, e intervenire o interrompere il funzionamento del sistema. Per i sistemi dell'Allegato III queste regole si applicano dal 2 dicembre 2027 [13]. Non è un obbligo generale per ogni uso dell'IA, e in questo articolo non affermiamo che gli usi descritti siano o non siano ad alto rischio: è una valutazione da fare caso per caso. Come buona pratica, il principio della persona che controlla e può fermare il processo resta utile in ogni caso.

Protezione dei dati personali (GDPR). Se i documenti contengono dati personali, restano valide le regole generali del Regolamento (UE) 2016/679: i principi di minimizzazione dei dati e di limitazione della finalità (art. 5); un contratto con chi tratta i dati per conto dell'azienda, quando questa è titolare del trattamento (art. 28); una valutazione d'impatto prima del trattamento, quando è probabile che presenti un rischio elevato per i diritti e le libertà delle persone (art. 35); e il diritto di non essere sottoposti a una decisione basata unicamente sul trattamento automatizzato, compresa la profilazione, che produca effetti giuridici o incida in modo analogamente significativo sulla persona, salvo le eccezioni e con le garanzie previste (art. 22) [14].

AI Act. Il Regolamento (UE) 2024/1689 si applica per fasi. Alla data del 28 ottobre 2026, e tenendo conto delle modifiche introdotte dal Regolamento (UE) 2026/1744 (il cosiddetto «Digital Omnibus sull'IA», pubblicato nella Gazzetta ufficiale dell'Unione europea il 24 luglio 2026 e in vigore dal 27 luglio 2026), le definizioni e le disposizioni sull'alfabetizzazione in materia di IA si applicano dal 2 febbraio 2025, gli obblighi di trasparenza dell'art. 50 dal 2 agosto 2026 e le regole per i sistemi ad alto rischio dell'Allegato III dal 2 dicembre 2027 [11]. Nel testo modificato, l'art. 4 chiede a fornitori e deployer, cioè a chi usa sistemi di IA nella propria attività, di adottare misure per sostenere l'alfabetizzazione in materia di IA del personale e delle altre persone che usano i sistemi per loro conto, tenendo conto di competenze, esperienza e contesto d'uso; l'obbligo non richiede di garantire un livello specifico a ogni singola persona. Commissione e Stati membri devono sostenere in particolare le PMI [12]. In pratica: formare chi usa gli strumenti non è solo buona gestione, è anche una misura che l'art. 4 dell'AI Act richiede, nei termini appena descritti. Gli altri obblighi dell'AI Act dipendono dal ruolo dell'azienda (fornitore o deployer) e dal tipo di sistema e di uso, per esempio dalla sua classificazione come sistema ad alto rischio; per un uso concreto conviene chiedere un parere a un consulente legale prima di partire.

5. Come misurare il ritorno

La lettura dei dati della Banca d'Italia (sezione 2) porta a una conclusione di metodo: poiché il beneficio non è automatico e dipende da come l'IA è inserita nel processo, va misurato nel processo specifico. Un approccio semplice, in quattro passi:

  1. Scegliere un processo circoscritto e ripetitivo (per esempio la registrazione delle fatture di un fornitore, o un report mensile), con un responsabile e un volume sufficiente.
  2. Misurare la situazione di partenza per alcune settimane: tempo per compito, numero di errori o correzioni, tempo di attesa del risultato. Senza questa base non c'è nulla da confrontare. Misurate il processo, non le singole persone: se i dati permettono di controllare l'attività dei lavoratori, valgono le regole sul controllo a distanza (art. 4 della Legge 300/1970).
  3. Fare un pilota di poche settimane, con supervisione umana su ogni risultato, registrando gli stessi indicatori e annotando i casi in cui l'output è sbagliato.
  4. Confrontare e decidere. Considerare anche i costi nascosti: tempo di configurazione, formazione, controlli. Decidere in anticipo la soglia sotto la quale non si prosegue.

Due avvertenze. Il tempo risparmiato conta solo se viene reimpiegato in modo utile; e un miglioramento in un processo non è, da solo, un miglioramento della produttività dell'azienda: lo studio della Banca d'Italia mostra proprio che il passaggio dal singolo compito ai risultati d'impresa non è scontato [6].

6. In conclusione

La produttività italiana ha cause strutturali, e nessuna tecnologia le risolve da sola. I dati sperimentali mostrano che, su compiti definiti e con supervisione, strumenti basati su IA possono ridurre i tempi; i dati sulle imprese mostrano che il passaggio ai risultati aziendali richiede tempo, competenze e riorganizzazione. Riteniamo che la strada ragionevole sia quella di provare su processi piccoli, misurare, e allargare solo se i numeri lo giustificano.

Se in azienda avete un processo documentale o amministrativo che vorreste valutare in questo modo, potete scriverci a [email protected]. I dati che ci comunicate saranno usati per rispondervi: trovate l'informativa nella Privacy Policy.

Team LAI.ON

Nota. Questo articolo ha finalità informativa e divulgativa: non costituisce consulenza legale, fiscale o professionale e non tiene conto della situazione di una singola impresa. I riferimenti normativi sono aggiornati al 28 ottobre 2026 e possono cambiare. Gli esempi della sezione 3 sono ipotesi di lavoro e non descrivono funzioni o risultati di un servizio specifico. Per decisioni che riguardano la vostra azienda rivolgetevi a un professionista abilitato.

Bibliografia

  1. Istat, Misure di produttività – Anni 1995-2024, comunicato stampa del 12 dicembre 2025. Pagina · Testo integrale (PDF).
  2. Eurostat, dataset tesem160 (produttività nominale del lavoro per ora lavorata, in PPS, UE27 = 100), aggiornamento del 22 ottobre 2026, consultato il 28 ottobre 2026 tramite API di diffusione. Dataset.
  3. Eurostat, dataset nama_10_lp_ulc (produttività reale del lavoro per ora lavorata, indice 2015 = 100), consultato il 28 ottobre 2026 tramite API di diffusione. Dataset.
  4. Istat, Conti economici delle imprese e dei gruppi di impresa – Anno 2023, 15 ottobre 2025. Report (PDF).
  5. OECD, OECD Economic Surveys: Italy 2026, aprile 2026. DOI 10.1787/539538b2-en.
  6. Banca d'Italia, Relazione annuale sul 2025, 29 maggio 2026 (produttività, pp. 85-86; digitalizzazione, p. 90; riquadro sull'IA, pp. 91-93; adempimenti burocratici, p. 151). Testo integrale (PDF).
  7. Istat, Imprese e ICT – Anno 2025, comunicato stampa del 15 dicembre 2025. Pagina.
  8. Noy, S. e Zhang, W., Experimental evidence on the productivity effects of generative artificial intelligence, Science 381(6654), 187-192, 13 luglio 2023. DOI 10.1126/science.adh2586.
  9. Brynjolfsson, E., Li, D. e Raymond, L., Generative AI at Work, NBER Working Paper 31161 (2023); pubblicato in The Quarterly Journal of Economics 140(2), 889-942 (2025). NBER.
  10. Dell'Acqua, F. et al., Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality, Harvard Business School Working Paper 24-013 (2023); versione pubblicata in Organization Science. DOI 10.1287/orsc.2025.21838.
  11. Regolamento (UE) 2024/1689 (AI Act), GUUE L del 12 luglio 2024, art. 113 (applicazione), come modificato dal Regolamento (UE) 2026/1744 (Digital Omnibus sull'IA), GUUE L del 24 luglio 2026. Testo ufficiale su EUR-Lex: Reg. 2024/1689 · Reg. 2026/1744. Calendario di sintesi: AI Act Service Desk (Commissione europea), Timeline for the Implementation of the EU AI Act, consultato il 28 ottobre 2026. Pagina.
  12. Regolamento (UE) 2024/1689, art. 4 (alfabetizzazione in materia di IA), nel testo sostituito dal Regolamento (UE) 2026/1744. Testo ufficiale su EUR-Lex. Lettura di supporto: AI Act Service Desk, Article 4: AI literacy, consultato il 28 ottobre 2026. Pagina.
  13. Regolamento (UE) 2024/1689, art. 14 (sorveglianza umana). Testo ufficiale su EUR-Lex. Lettura di supporto: AI Act Service Desk, Article 14: Human oversight, consultato il 28 ottobre 2026. Pagina.
  14. Regolamento (UE) 2016/679 (GDPR), artt. 5, 22, 28 e 35, GUUE L 119 del 4 maggio 2016. Testo ufficiale su EUR-Lex.
  1. Variazioni percentuali calcolate da noi sull'indice Eurostat di produttività reale per ora lavorata (2015 = 100), anni 2005 e 2024. Non sono cifre pubblicate da Eurostat; i dati più recenti possono essere rivisti. ↩
  2. Le percentuali sulle microimprese (quota di imprese, di addetti e di valore aggiunto) sono calcolate da noi sui valori assoluti riportati nel report Istat. I dati di questa sezione riguardano il complesso delle imprese, mentre le statistiche Istat ed Eurostat sull'uso dell'IA (sezioni 3 e 4) riguardano le imprese con almeno 10 addetti: i due insiemi non sono confrontabili direttamente. ↩