Una recente indagine del Centre for Economics and Business Research (CEBR), realizzata per conto di Wasabi Technologies, ha messo in luce un fenomeno ancora poco discusso nel dibattito pubblico: le imprese italiane sostengono ogni anno costi tecnologici imprevisti per un valore complessivo di 2,8 miliardi di euro. Di questi, circa la metà – 1,4 miliardi – è legata direttamente a progetti di intelligenza artificiale (IA) e machine learning.

Le cause dei costi imprevisti

Secondo il rapporto, le spese non programmate nascono da tre principali fattori:

    • Infrastrutture legacy: molte aziende operano ancora su sistemi informatici obsoleti, che richiedono aggiornamenti costosi per supportare algoritmi di IA.
    • Scarsità di talenti: il mercato italiano è carente di professionisti qualificati in data science e ingegneria del software, costringendo le imprese a ricorrere a consulenze esterne più onerose.
    • Accesso ai dati: normative sulla privacy e pratiche di governance spesso rallentano la raccolta, la pulizia e la condivisione dei dati necessari per addestrare modelli di IA.

Queste difficoltà si traducono in ritardi di progetto, revisioni di budget e, in alcuni casi, nell’abbandono completo di iniziative promettenti.

Impatto sull’investimento e sull’occupazione

Le aziende che devono far fronte a costi aggiuntivi tendono a ridurre gli investimenti in altre aree strategiche. Un esempio concreto è il caso di una media impresa manifatturiera del Nord Italia, che ha dovuto posticipare l’acquisto di nuove linee robotizzate perché ha destinato 300 mila euro extra alla migrazione dei dati verso una piattaforma cloud IA. Il risultato è una crescita dei margini operativi più lenta rispetto ai concorrenti che hanno già superato queste barriere.

Dal punto di vista occupazionale, le spese impreviste hanno un duplice effetto. Da un lato, l’aumento dei costi di outsourcing riduce le opportunità di assunzione di personale interno. Dall’altro, le aziende più agili che riescono a integrare l’IA con costi controllati creano nuove figure professionali – data analyst, AI‑ethicist, specialisti di cybersecurity – favorendo una trasformazione qualitativa del lavoro.

Esempi di settore

Nel settore bancario, la Banca d’Italia ha segnalato che il 40 % delle iniziative di IA ha superato il budget previsto, principalmente a causa di problemi di integrazione con i sistemi legacy di gestione dei conti. Nel retail, una catena di supermercati ha dovuto investire 2 milioni di euro in più per implementare un algoritmo di previsione della domanda, a causa della necessità di pulire set di dati frammentati provenienti da più punti vendita.

Strategie per contenere i costi

Le imprese che desiderano limitare l’onere finanziario dovrebbero considerare le seguenti azioni:

    • Adottare un approccio modulare: costruire soluzioni IA su piattaforme cloud che permettono di scalare le risorse solo quando necessario.
    • Investire nella formazione interna: programmi di upskilling per dipendenti esistenti riducono la dipendenza da consulenti esterni.
    • Standardizzare la governance dei dati: definire policy chiare per la raccolta, l’archiviazione e la condivisione dei dati, in linea con il GDPR, per velocizzare i processi di training.
    • Collaborare con ecosistemi di start‑up: partnership con realtà innovative possono offrire soluzioni IA “as‑a‑service” a costi più contenuti rispetto allo sviluppo interno.

Un caso virtuoso è quello di un gruppo agroalimentare pugliese, che ha avviato un programma di formazione interno per 50 dipendenti, riducendo del 30 % le spese di consulenza esterna in soli 12 mesi, ottenendo al contempo una maggiore autonomia nella gestione dei modelli predittivi per la logistica.

Prospettive a lungo termine

Se i costi nascosti non saranno adeguatamente gestiti, l’intero ecosistema dell’IA in Italia rischia di rallentare. Le proiezioni del CEBR indicano che, mantenendo l’attuale trend di spese impreviste, il peso dei costi aggiuntivi potrebbe erodere fino al 5 % del valore aggiunto lordo generato dalle tecnologie digitali entro il 2030.

Al contrario, politiche pubbliche mirate – ad esempio incentivi fiscali per la migrazione verso cloud certificati, fondi per la certificazione dei professionisti IA, e la creazione di “data hub” regionali – potrebbero trasformare questi costi in investimenti produttivi, favorendo una crescita sostenibile.

In sintesi, l’intelligenza artificiale rappresenta una leva fondamentale per la competitività delle imprese italiane, ma la sua adozione comporta costi nascosti significativi. Una gestione proattiva, basata su formazione, standardizzazione e collaborazione, è l’unica via per trasformare queste spese in opportunità di crescita a lungo termine.