L’Italia non rischia di essere travolta dall’intelligenza artificiale. Rischia di esserne esclusa. E la responsabilità non sarà delle macchine, ma di una politica che ha preferito regolamentare prima di capire, vigilare prima di abilitare, frenare prima di correre.

Con il primo via libera del Consiglio dei ministri agli schemi di decreto legislativo sull’intelligenza artificiale, il governo rivendica di aver dato all’Italia una cornice nazionale più avanzata. È un passaggio importante. Ma proprio perché i testi non sono ancora definitivi, questo è il momento giusto per una domanda scomoda: questa cornice aiuterà davvero le imprese a usare l’AI, o aggiungerà un altro strato di complessità a un Paese già frenato da procedure e incertezze amministrative?

Il dato da cui partire è semplice. Nel 2025 solo il 16,4% delle imprese italiane con almeno 10 addetti utilizza tecnologie di intelligenza artificiale, contro quasi il 20% della media europea; tra le PMI il valore scende al 15,7%. Il problema, dunque, non è che le nostre imprese useranno troppa AI. È che ne useranno troppo poca.

È questo l’errore di fondo: l’AI è stata affrontata più come un dossier regolatorio che come una politica industriale. Più come un rischio da contenere che come una leva da portare nelle fabbriche, nei servizi, nella sanità, nella pubblica amministrazione.

Nessuno propone una giungla senza regole. I rischi esistono, soprattutto nei sistemi ad alto impatto: lavoro, sanità, credito, giustizia, biometria. L’AI Act nasce anche da preoccupazioni reali, evitare discriminazioni, opacità algoritmica, decisioni automatizzate senza controllo umano. Ma riconoscere la necessità delle tutele non significa accogliere ogni nuova tecnologia con un riflesso burocratico. Nei decreti ci sono anche elementi positivi: formazione, sperimentazione, sandbox, responsabilità. Il punto è se quelle misure arriveranno davvero nelle officine, negli ospedali, nelle amministrazioni o resteranno promessa nei testi.

L’Italia non ha bisogno di altra paura. Ha bisogno di crescita. Le nostre PMI non hanno bisogno di essere spaventate da obblighi aggiuntivi che si sommano a un quadro europeo già complesso. Hanno bisogno di capire come usare l’AI per produrre meglio, ridurre i costi, automatizzare i processi ripetitivi, prevedere la domanda, rafforzare il servizio ai clienti.

Mettere “l’uomo al centro” non significa rallentare la tecnologia: significa dare alle persone strumenti migliori. Consentire all’operaio specializzato di lavorare con sistemi predittivi, al medico di avere diagnosi più rapide, al piccolo imprenditore di competere con gruppi più grandi. Ma se “uomo al centro” diventa il modo elegante per dire controllo, sospetto e immobilismo, allora non è una visione. È un alibi.

Il primo errore è stato culturale. Si è parlato molto di etica, vigilanza, trasparenza, temi importanti. Ma un Paese con una produttività ferma da decenni, una base industriale sotto pressione e una popolazione che invecchia non può permettersi di mettere la prudenza prima dell’ambizione. La domanda non è se contrapporre regole e crescita, ma se le regole servano ad abilitare l’adozione o a ritardarla.

E qui occorre essere precisi, perché è facile sbagliare bersaglio. Designare ACN e AgID come autorità nazionali non è gold plating: è esattamente ciò che l’AI Act chiede agli Stati membri. Il problema non è l’esistenza di un’autorità, ma la sua moltiplicazione. Quando, accanto alla regia nazionale, l’impresa deve districarsi tra strategia biennale, monitoraggi annuali, autorità settoriali e obblighi che il regolamento europeo non prevede, il risultato è ciò che una PMI teme di più: frammentazione e responsabilità diffuse. L’impresa non deve trovarsi davanti a un mosaico istituzionale. Deve avere una porta chiara, una regola chiara, una responsabilità chiara. Se prima di adottare un sistema deve capire quale autorità interpreta e quale linea guida prevale, rinvierà. E rinviare, oggi, significa perdere competitività.

Va detto anche un dato di fatto, perché viene spesso evocato a sproposito: la sanzione fino al 7% del fatturato mondiale è prevista dall’AI Act europeo per le pratiche vietate, e colpisce in primo luogo chi sviluppa i sistemi, non la piccola impresa che si limita a usarli. Brandirla come spauracchio per la PMI è retoricamente efficace ma tecnicamente fragile. Il vero deterrente non è la sanzione massima: è l’incertezza su chi controlla e su cosa.

Il secondo errore è stato confondere la politica industriale con gli annunci. Parlare di fondi, strategie e programmi sembra importante. Ma la domanda vera è un’altra: come arriva concretamente l’AI nelle fabbriche, nelle filiere, nei distretti, nelle aziende familiari? Non basta dire che l’AI è strategica. Bisogna farla entrare nei processi.

Il terzo errore è il più grave: pensare che la partita sia solo l’AI generativa. Il mondo non sta andando soltanto verso chatbot e modelli linguistici. Sta andando verso la Physical AI: robot intelligenti, macchine autonome, magazzini automatizzati, visione industriale, manutenzione predittiva, digital twin, agenti che eseguono compiti, droni, veicoli intelligenti, fabbriche capaci di adattarsi in tempo reale. Questa è la partita italiana. Non perché dobbiamo imitare la Silicon Valley, ma perché dobbiamo difendere ciò che sappiamo fare meglio: produrre. Il nostro vantaggio storico è nella manifattura, nella capacità di combinare meccanica, design, materiali, processi e automazione. Se l’AI entra in questo tessuto, diventa un moltiplicatore straordinario. Se resta confinata nei convegni e nei documenti strategici, sarà l’ennesima occasione persa.

Il quarto errore è stato eludere il nodo dei talenti. L’AI non si adotta per decreto: servono ingegneri, data scientist, tecnici, manager capaci di tradurre i processi aziendali in applicazioni concrete. Servono competenze dentro le imprese, non solo consulenze esterne; università collegate all’industria, ITS rafforzati, dottorati industriali, reskilling dei lavoratori. La verità è dura: l’AI premierà chi saprà riorganizzare processi e modelli produttivi, penalizzerà chi resterà fermo. Non distruggerà il lavoro in astratto: lo distruggerà nei Paesi che non sapranno trasformarlo.

Proprio perché i testi non sono definitivi, c’è ancora tempo per correggere la rotta. Non per smontare le regole, ma per renderle più semplici e più orientate all’adozione. Tre scelte, concrete.

La prima: evitare ogni gold plating nazionale. Tutto ciò che non è strettamente necessario per applicare l’AI Act va eliminato, semplificato o ricondotto a una regia unica. Una porta chiara, una regola comprensibile, una responsabilità definita.

La seconda: misurare la politica sull’AI non dal numero di norme approvate, ma dal numero di imprese che la adottano. Il successo non sarà una governance elegante sulla carta. Sarà vedere l’AI nelle linee produttive, nei magazzini, negli ospedali, nei tribunali, nei comuni.

La terza: usare la pubblica amministrazione come grande motore di adozione. Lo Stato può essere il primo cliente intelligente dell’AI — sanità, giustizia civile, fisco, appalti, gestione documentale e l’appalto pubblico la leva più potente per portare domanda qualificata nel sistema. Un Paese con tempi amministrativi lunghi e liste d’attesa dovrebbe essere ossessionato dall’uso dell’AI per semplificare, non per complicare.

La domanda da porsi non è: come controlliamo l’AI? È: come facciamo in modo che ogni impresa italiana possa usarla prima dei suoi concorrenti?

Il tempo è finito. L’intelligenza artificiale non aspetta l’iter dei decreti attuativi. Le imprese che la adotteranno diventeranno più forti; quelle che resteranno ferme, più fragili. I Paesi che la porteranno nella produzione cresceranno; quelli che la imbriglieranno nella burocrazia arretreranno.

Non servono altri lacci e lacciuoli. Serve coraggio, visione, fiducia nelle imprese. Serve una politica che smetta di trattare l’innovazione come un pericolo e cominci a considerarla per quello che è: l’unica vera possibilità di rilanciare produttività, industria e crescita.

Il vero pericolo non è che l’Italia usi troppa intelligenza artificiale. Il vero pericolo è che, mentre gli altri la portano nelle fabbriche, noi la seppelliamo nei decreti.

L'articolo Il vero rischio per l’Italia non è l’AI. È non usarla proviene da Italia nel futuro.

I robot umanoidi stanno entrando in una fase diversa da quella delle semplici dimostrazioni. Il punto non è più soltanto mostrare un automa che cammina, corre o manipola oggetti davanti a una telecamera. Il tema, nel 2026, è capire quali piattaforme abbiano davvero possibilità di diventare strumenti di lavoro, con un ruolo industriale, logistico o di servizio economicamente sostenibile.

Questa classifica prova a ordinare i protagonisti del settore usando sei criteri: impiego nel mondo reale, capacità tecniche, trazione commerciale, prezzo e accessibilità, visibilità pubblica e rapporto tra hype e risultati concreti.

È una griglia utile soprattutto per leggere il fenomeno con un taglio economico. La domanda di fondo è semplice: quali robot stanno uscendo dal laboratorio e stanno provando a entrare nell’economia reale.

Tesla Optimus

In cima alla classifica c’è Tesla Optimus, il progetto guidato da Elon Musk. Non perché sia già il robot umanoide più diffuso o il più collaudato sul campo, ma perché oggi è quello con il maggiore impatto potenziale. La combinazione tra forza del marchio, disponibilità finanziaria, infrastruttura manifatturiera e ambizione sull’intelligenza artificiale colloca Tesla in una posizione unica nel settore.

Il peso industriale dell’azienda conta almeno quanto il robot in sé. Tesla non parte da zero: ha stabilimenti, catene produttive, esperienza nella costruzione di hardware complesso e una capacità di attrarre attenzione globale che nessun altro concorrente ha nella stessa misura. Se riuscisse a trasformare Optimus in una piattaforma operativa per attività ripetitive e standardizzate, potrebbe comprimere i tempi di adozione del mercato e ridefinire la gerarchia del comparto.

Restiamo prudenti su un punto: il potenziale non coincide ancora con una prova definitiva. Optimus deve ancora dimostrare pienamente di poter sostenere un impiego industriale robusto, continuo e conveniente. Ma nella logica della classifica, che pesa molto anche il potere di mercato e la capacità di scala, Tesla parte davanti a tutti.

Unitree G1 / H1

Al secondo posto si colloca Unitree con i modelli G1 e H1. La società cinese ha conquistato spazio in un settore dove molti promettono molto e consegnano poco. Il suo merito principale è aver reso i robot umanoidi percepibili come prodotti concreti, avvicinabili, visibili e in parte già pronti per una diffusione più ampia.

Unitree ha costruito la propria presenza con una combinazione efficace di dimostrazioni pubbliche, accessibilità relativa e rapidità commerciale. In un mercato dove numerosi concorrenti restano chiusi nella dimensione del prototipo, l’azienda è riuscita a dare l’idea di una disponibilità più vicina al mercato.

Questo elemento pesa molto: quando una tecnologia sembra acquistabile e non solo osservabile, cambia la percezione di clienti, sviluppatori e investitori. Dal punto di vista economico, Unitree ha un vantaggio preciso. Sta contribuendo a trasformare l’umanoide da concetto sperimentale a categoria di prodotto. La società non occupa il primo posto perché non dispone della stessa forza industriale integrata di Tesla, ma si colloca molto vicino al vertice grazie alla capacità di rendere la robotica umanoide più tangibile e meno teorica.

Agility Robotics Digit

Sul terzo gradino del podio c’è Digit di Agility Robotics. È uno dei pochi robot della classifica che può già vantare test in ambienti reali, soprattutto in ambito logistico e nei magazzini. Questo conta più di molte dimostrazioni spettacolari. Il mercato degli umanoidi non premierà solo chi impressiona, ma chi riesce a eseguire compiti ripetitivi in contesti operativi veri.

Digit ha una forma meno antropomorfa rispetto ad altri concorrenti. Eppure, questo aspetto, nella prospettiva industriale, può contare meno del previsto. Se un robot è utile, stabile, integrabile nei flussi logistici e in grado di ridurre tempi o costi, la fedeltà estetica al corpo umano passa in secondo piano. La funzionalità, per chi compra, resta decisiva.

Agility Robotics si distingue proprio per questo: è più vicina di molti altri alla prova industriale. Non è soltanto un progetto promettente, ma un attore che ha già iniziato a confrontarsi con i vincoli del lavoro reale. È uno dei segnali più concreti che la robotica umanoide, almeno in alcuni segmenti, sta tentando il passaggio dalla promessa alla produttività.

UBTech Walker S Series

Al quarto posto troviamo la serie Walker S di UBTech. Anche qui la Cina occupa una posizione di rilievo, a conferma di un rafforzamento industriale che va oltre i nomi più noti in Occidente. Valutiamo positivamente la focalizzazione dell’azienda su manifattura, logistica, ispezione e compiti fisici ripetitivi, cioè sugli ambienti dove il ritorno economico di un umanoide può essere misurato con più chiarezza.

La scelta di concentrarsi su contesti strutturati è rilevante. In fabbrica le variabili sono meno numerose, i compiti sono più standardizzabili e le procedure di sicurezza possono essere progettate con maggiore precisione. Questo riduce una parte del rischio che accompagna l’adozione degli umanoidi in ambienti aperti o domestici.

UBTech non ha la forza mediatica di Tesla né la stessa capacità di impatto pubblico di Unitree, ma ha una delle storie industriali più solide del settore. Per chi osserva il mercato, è una differenza sostanziale: la notorietà aiuta a raccogliere attenzione, ma la presenza in contesti manifatturieri può aiutare a costruire ricavi.

Apptronik Apollo

Al quinto posto si colloca Apollo di Apptronik. Il robot è stato concepito con un obiettivo chiaro: entrare in ambienti industriali e logistici come strumento operativo. Questa impostazione lo distingue da molte piattaforme nate soprattutto per dimostrare eccellenza ingegneristica o potenziale generalista.

Apollo appare come un robot pensato per lavorare, non per esibirsi. In un momento in cui il settore inizia a essere giudicato anche sulla capacità di generare ritorni economici, questo orientamento diventa un vantaggio. I clienti industriali, infatti, chiedono sempre meno promesse astratte e sempre più dati su manutenzione, integrazione, sicurezza e produttività.

La posizione in classifica riflette questa concretezza. Apptronik non è ancora tra i primissimi nomi sul piano della potenza simbolica o della diffusione pubblica, ma occupa una fascia alta perché ha puntato da subito su un terreno dove gli umanoidi possono essere valutati con criteri aziendali netti: costo, utilità e continuità operativa.

Boston Dynamics Atlas

Il sesto posto va ad Atlas di Boston Dynamics, uno dei robot più celebri dell’intero comparto. Per anni è stato il simbolo stesso della robotica avanzata. Salti, corse, equilibrio, capacità di movimento: sul piano tecnico, Atlas ha rappresentato un riferimento per il settore e continua a occupare una posizione di rilievo nella percezione pubblica.

Proprio qui, però, emerge il limite che si evidenzia con maggiore nettezza. Atlas è un capolavoro ingegneristico, ma non è ancora diventato una piattaforma commerciale diffusa. La distanza tra superiorità tecnica e adozione di mercato resta ampia. È una distinzione cruciale per leggere la fase attuale degli umanoidi: non vince necessariamente chi costruisce il robot più impressionante, ma chi riesce a trasformare la tecnologia in un modello di business.

Boston Dynamics conserva un prestigio enorme e Atlas resta una vetrina avanzatissima di ciò che la robotica può fare. Ma nella logica di una classifica che mette al centro impiego concreto e scalabilità, il robot perde posizioni rispetto a piattaforme meno spettacolari ma più vicine a un’applicazione ripetibile.

AgiBot / Zhiyuan Robotics

Al settimo posto compare AgiBot, indicata anche come Zhiyuan Robotics. Si tratta di una presenza meno nota al grande pubblico internazionale, ma molto osservata dentro l’ecosistema cinese della robotica, una realtà in crescita, orientata a robot generalisti per uso industriale e alla costruzione di una capacità produttiva coerente con le esigenze della scala.

Questo profilo conta. In un settore dove tanti operatori restano legati alla comunicazione e alla visibilità, AgiBot appare più concentrata su filiere, distribuzione e possibilità di integrazione nel tessuto manifatturiero cinese. Non è un fattore secondario. La Cina dispone di un sistema industriale capace di sostenere produzione, componentistica e diffusione su larga scala in tempi potenzialmente rapidi.

La posizione in classifica riflette proprio questa lettura: meno esposizione mediatica, ma maggiore interesse strategico di quanto la notorietà lasci intuire. È uno di quei casi in cui il mercato potrebbe scoprire più avanti il peso reale di un attore già oggi rilevante.

1X NEO

All’ottavo posto c’è NEO di 1X, un progetto che si differenzia da molti altri perché guarda con decisione agli ambienti domestici e ai servizi. È una traiettoria diversa da quella prevalente nel settore, che tende a privilegiare fabbriche e magazzini, cioè contesti più ordinati e controllabili.

La scommessa è ambiziosa. Portare un robot umanoide nelle case o in spazi di vita quotidiana significa affrontare un livello di complessità superiore. Gli ambienti domestici sono imprevedibili, pieni di ostacoli, persone, oggetti irregolari e situazioni difficili da standardizzare. Per questo un robot destinato a quel mercato deve raggiungere livelli di sicurezza, affidabilità e adattabilità molto elevati.

1X resta una delle scommesse più interessanti del settore, anche se al momento la traiettoria industriale appare meno immediata rispetto ai concorrenti focalizzati su ambienti produttivi.

Sanctuary AI Phoenix

Al nono posto si trova Phoenix di Sanctuary AI. Il progetto punta a un robot umanoide generalista, capace di svolgere compiti differenti grazie a sistemi di intelligenza artificiale avanzati. È una delle visioni più ambiziose del comparto: costruire una macchina adattabile, in grado di passare da un’attività all’altra con un margine di autonomia crescente.

È anche una delle sfide più difficili. L’idea del lavoratore robotico universale esercita grande fascino, ma richiede una combinazione molto complessa di software, hardware, sicurezza, robustezza e capacità di apprendimento. Da premiare la forza della visione di Sanctuary AI; ma la scala commerciale è ancora da costruire.

Per il mercato questo è un passaggio decisivo. Tra un prototipo avanzato e una diffusione industriale su larga scala si apre una distanza fatta di costi, manutenzione, infrastrutture e clienti reali. Phoenix resta quindi un progetto di alto profilo concettuale, ma deve ancora dimostrare di poter diventare presenza stabile nell’economia operativa.

Fourier GR Series

Chiude la classifica, al decimo posto, la serie GR di Fourier. Il suo punto di forza è la specializzazione in mercati come sanità, riabilitazione e servizi, dove il robot può avere compiti più definiti e un’utilità misurabile con maggiore precisione.

Questa impostazione settoriale è importante. In una fase in cui molti concorrenti promettono umanoidi adatti a ogni funzione, Fourier sceglie di presidiare ambiti specifici, dove la domanda può essere più chiara e la proposta tecnologica più leggibile. È una strategia meno appariscente, ma potenzialmente efficace.

La collocazione al decimo posto dipende soprattutto dalla minore esposizione pubblica e da una presenza internazionale più contenuta rispetto ai nomi che precedono. Ma l’azienda resta significativa proprio perché prova a portare l’umanoide in mercati verticali dove la funzione pratica può contare più del richiamo mediatico.

La vera prova è fuori dalle demo

L’elemento che unisce tutti i nomi della classifica è uno: il settore si sta spostando dalla dimostrazione alla verifica economica. La capacità di muoversi come un essere umano, da sola, non basta più. Servono autonomia, sicurezza, manutenzione gestibile, software affidabile, costi sostenibili e compiti abbastanza chiari da giustificare l’investimento.

Da questo punto di vista, la graduatoria letta da 1 a 10 mostra una linea piuttosto netta. In alto ci sono i progetti che combinano ambizione industriale, capacità di accesso al mercato e segnali di una possibile adozione. Più in basso restano realtà interessanti, in alcuni casi molto promettenti, ma ancora meno vicine alla scala o meno forti sul piano commerciale.

Il mercato degli umanoidi non è ancora maturo, ma ha smesso di essere soltanto un esercizio di immaginazione. La gerarchia vera si formerà nei luoghi di lavoro, nei bilanci delle imprese e nella capacità di trasformare un robot in uno strumento produttivo stabile. È lì che si misurerà il valore reale di questa corsa.

L'articolo Robot umanoidi. Ecco i primi 10 proviene da Italia nel futuro.

C’è una domanda importante al centro del dibattito economico e sociale di questi anni: l’intelligenza artificiale sta distruggendo il lavoro, o lo sta trasformando? La risposta, come vedremo, è più articolata di quanto il dibattito pubblico fatto di opinioni contrapposte possa far credere e dipende da una molteplicità di fattori.

Per rispondere partirò da un reportage di Josh Dzieza pubblicato su New York Magazine e The Verge nel 2023, intitolato “AI Is a Lot of Work”. Dzieza fa una cosa che i rapporti accademici raramente fanno: entra nella fabbrica dell’intelligenza artificiale. E ciò che trova dentro quella fabbrica cambia radicalmente il modo in cui dobbiamo leggere tutti gli altri dati

Prima di parlare di impatto dell’AI sul lavoro, dobbiamo capire come nasce un modello di intelligenza artificiale. Perché c’è un paradosso al cuore di questa tecnologia che viene sistematicamente ignorato nel dibattito pubblico.

I sistemi di AI imparano riconoscendo pattern in quantità enormi di dati. Ma quei dati, prima di essere utilizzati, devono essere etichettati, classificati e valutati da esseri umani. La svolta storica è avvenuta nel 2007, quando la ricercatrice Fei-Fei Li capì che la chiave per migliorare il riconoscimento delle immagini era addestrare i modelli su milioni di immagini etichettate. Per svolgere quel lavoro utilizzò una applicazione di Amazon Web Services: Mechanical Turk – la piattaforma di crowdsourcing dove chiunque nel mondo può completare micro-task per pochi centesimi. E’ curioso ricordare che il turco meccanico originale era una messa in scena brillante creata da un ungherese per impressionare Maria Teresa d’Austria. il turco meccanico di allora vinceva a scacchi contro i più bravi campioni perché era in realtà guidato da un esperto giocatore. Il dataset creato da Fei Fei Li , chiamato ImageNet, ha innescato un decennio di progressi nel machine learning. Da allora, il lavoro di annotazione si è moltiplicato. Dietro ogni sistema AI, dai chatbot come ChatGPT alle auto a guida autonoma, esiste una catena di produzione umana vastissima ma nascosta: milioni di lavoratori, per lo più nei paesi in via di sviluppo, che etichettano dati, correggono errori, valutano risposte e insegnano ai modelli a comportarsi in modo accettabile. Dzieza li chiama “taskers”. Non dipendenti nel senso pieno del termine: qualcosa di nuovo. Un sottoproletariato digitale del lavoro a cottimo, sparso tra Kenya, Nepal, India, Filippine e – a tariffe più alte – negli Stati Uniti. Le loro storie raccontate da Dzieza aprono uno squarcio sull’altra faccia della rivoluzione tecnologica portata dall’intelligenza artificiale, una faccia che assomiglia molto al lavoro a cottimo di un capitalismo primordiale. Joe si è laureato a Nairobi e ha trovato lavoro etichettando fotogrammi per auto a guida autonoma: identificare ogni veicolo, ogni pedone, ogni ciclista, da ogni angolazione possibile. Un video di pochi secondi richiedeva otto ore di lavoro, per le quali veniva pagato circa dieci dollari. Poi ha scoperto che poteva guadagnare quattro volte tanto gestendo un boot camp di formazione per nuovi annotatori. Ogni due settimane, cinquanta nuove persone entravano in un edificio di Nairobi per imparare il mestiere: classificare abbigliamento in selfie, identificare stanze per robot aspirapolvere, disegnare riquadri attorno a scansioni lidar di motociclette. Più della metà abbandonava prima di finire. Ma era comunque un lavoro, in un luogo dove i lavori erano scarsi. Victor invece si era iscritto all’università a Nairobi quando ha iniziato ad annotare. Era un “fanatico” dell’AI: credeva di stare contribuendo a costruire un futuro automatizzato migliore per tutti. Si svegliava ogni tre ore di notte per controllare la coda dei task, perché i progetti apparivano spesso nel cuore della notte. Una volta è rimasto sveglio 36 ore di fila etichettando gomiti, ginocchia e teste in fotografie di folla. Non aveva idea del perché. Anna, in Texas, aveva trovato lavoro su una piattaforma generica e si era ritrovata in compagnia di 1.500 persone che addestravano un chatbot di Google DeepMind. Il suo lavoro era conversare con il bot  per  tutto il giorno, ricevere due risposte per ogni interazione e scegliere la migliore. Tredici dollari l’ora, più i bonus. Teneva un taccuino con argomenti da usare quando esauriva le idee. 

Queste persone lavoravano per Scale AI, una società valutata 7,3 miliardi di dollari nel 2021, fondata da un diciannovenne di Silicon Valley, che conta OpenAI e il Dipartimento della Difesa USA tra i suoi clienti. La maggior parte dei lavoratori non sapeva per chi veramente lavorava. La piattaforma per lavoratori si chiamava Remotasks, e da nessuna parte si menzionava Scale AI.

L’antropologo David Graeber ha coniato il concetto di “bullshit jobs”: lavori privi di senso che potrebbero essere automatizzati, ma non lo sono per inerzia burocratica. I lavori di annotazione AI sono il loro esatto contrario: lavori noiosi e ripetitivi ma che non possono essere automatizzati perché la macchina ha assoluto bisogno dell’uomo.

Ma il paradosso va ancora più in profondità, ed è tecnico prima che etico. I chatbot più avanzati, ChatGPT, Gemini, e altri devono la loro capacità di sembrare umani a una tecnica chiamata Reinforcement Learning from Human Feedback, RLHF. Funziona così: un primo gruppo di annotatori scrive esempi di come gli ingegneri vogliono che il bot si comporti. Il modello viene addestrato su questi esempi. Poi un secondo gruppo interagisce con il bot tutto il giorno, riceve due risposte alternative e sceglie la migliore, creando dati sulle preferenze umane.

Infine, un secondo modello viene addestrato a imitare quelle preferenze su scala industriale, guidando ulteriormente il modello principale. E qui sta il punto critico: quando gli annotatori insegnano a un modello a essere “accurato”, il modello non impara a verificare le affermazioni in termini logici. Rimane una macchina di previsione del testo. Apprende a imitare lo stile sicuro e il gergo esperto dei testi accurati, ma può produrre testi che hanno quella forma pur essendo completamente falsi. È esattamente il meccanismo che genera le allucinazioni di cui abbiamo tanto sentito parlare in questi anni. ( anche su questo punto vale la pena di spiegare come sono costruiti i modelli a partire dall’ architettura Trasformer. Dunque: una quantità enorme di lavoro umano, spesso precario, mal pagato e invisibile, produce i modelli di AI. Quei modelli vengono poi immessi nel mercato del lavoro globale. La domanda è: cosa fanno quei modelli al lavoro degli esseri umani?

La preoccupazione di molti è che i modelli sottraggano il lavoro proprio alle attività svolte dai colletti bianchi che erano stati protetti dalla automazione che invece aveva duramente colpito i colletti blu, gli operai delle linee di montaggio. In realtà il mercato del lavoro non si sta semplicemente contraendo: si sta ristrutturando. L’AI non sta semplicemente distruggendo occupazione. Sta ristrutturando profondamente quali compiti vengono svolti dagli esseri umani. Produce guadagni di produttività misurabili, sposta l’occupazione entry-level più che quella senior, e ha un impatto ambivalente sulla creatività: la amplifica per i lavoratori già dotati di capacità metacognitive, la appiattisce per chi si affida passivamente agli strumenti generativi.

Il PwC 2025 Global AI Jobs Barometer, basato su quasi un miliardo di annunci di lavoro in sei continenti, mostra che i settori più esposti all’AI – i servizi finanziari e il software – hanno visto la crescita della produttività quasi quadruplicare: dal 7% al 27% in sei anni. Il ricavo per dipendente cresce a un ritmo tre volte superiore rispetto ai settori meno esposti. Le posizioni routinarie si sono ridotte del 13% dopo il lancio dei primi modelli generativi. Ma la domanda per ruoli di analisi, tecnologia avanzata e lavoro creativo è cresciuta del 20% nello stesso periodo.

Nella sanità, l’AI raggiunge un’accuratezza dell’85% in casi complessi di diagnosi per immagini, quattro volte superiore ai gruppi di medici esperti in contesti controllati. Per fare un esempio, rileva il 64% delle lesioni cerebrali da epilessia mancate dai radiologi. Riduce il carico amministrativo dei medici.

Nel diritto, il 77% dei professionisti legali che usano AI la impiegano per la revisione documentale: compiti che prima richiedevano settimane possono essere svolti in ore. Ma – come ricorda l’International Bar Association – quei compiti erano tradizionalmente la “palestra” dei giovani avvocati. Con l’AI che li esegue, si apre un problema serio di formazione professionale che non ha ancora risposta consolidata.

Nello sviluppo software, strumenti come GitHub Copilot permettono di scrivere codice con una velocità aumentata del 55% e riducono i tempi di individuazione dei bug del 30%. I developer non spariscono: si spostano dalla codifica routinaria verso architettura, problem-solving complesso e validazione della qualità. Lo studio “Canaries in the Coal Mine” del Digital Economy Lab di Stanford – firmato da Erik Brynjolfsson e colleghi nel 2026 – ha analizzato i dati di ADP, il più grande fornitore di software per buste paga degli Stati Uniti. Il risultato è che i lavoratori di età compresa tra 22 e 25 anni nelle occupazioni più esposte all’AI hanno subito un declino occupazionale relativo del 16% dopo la diffusione dell’AI generativa. I colleghi più esperti nelle stesse occupazioni sono rimasti stabili o sono cresciuti. Il meccanismo è esattamente quello che descriveva Dzieza per l’annotazione: l’AI aumenta la “leva” dei lavoratori senior, ampliando il loro span of control effettivo e riducendo il bisogno di assumere personale junior. Le “scale” tradizionali delle carriere – dove i giovani imparano facendo i compiti più semplici prima di accedere ai più complessi – rischiano di collassare proprio nelle professioni del sapere.

Arrivo ora al tema che ritengo più ricco di implicazioni: l’impatto dell’AI sulla creatività. Un field experiment dell’Università di Tulane su 250 dipendenti ha prodotto risultati che sfidano sia l’ottimismo acritico sia il pessimismo difensivo. I dipendenti con accesso all’AI generativa hanno prodotto idee più originali e più utili rispetto al gruppo di controllo. Ma il beneficio non è distribuito uniformemente. I lavoratori che ne hanno tratto maggiore vantaggio erano quelli che già utilizzavano strategie metacognitive: pianificavano attivamente, riflettevano sul proprio approccio, monitoravano il processo del proprio pensiero.

C’è però un rischio che non riguarda i singoli lavoratori ma i sistemi nel loro complesso: il rischio di omologazione creativa. Ricerche presentate a NeurIPS 2025 hanno documentato che i modelli AI producono sistematicamente meno varietà di pensiero rispetto agli esseri umani, e che modelli diversi convergono sulle stesse soluzioni. Se tutti usiamo gli stessi strumenti, rischiamo di pensare tutti allo stesso modo. È una conseguenza diretta di ciò che Dzieza descriveva: quando milioni di annotatori in tutto il mondo addestrano gli stessi modelli sugli stessi criteri, il prodotto finale porta le tracce di quella uniformità.

Per chi studia all’università è importante capire come usare proficuamente l’Intelligenza Artificiale in modo da affrontare i mutamenti in corso nel mercato del lavoro con il bagaglio di strumenti più adatto. Gli studi recenti mostrano che l’IA è ormai entrata in modo capillare nello studio universitario, ma il suo impatto sull’apprendimento dipende quasi interamente da come viene usata. Quasi tutti gli studenti di istruzione terziaria dichiarano di usare l’IA generativa in qualche forma, soprattutto per chiarire concetti, riassumere testi, generare idee e ottenere aiuto nella scrittura. L’uso è trasversale alle discipline, con percentuali molto alte anche in area scientifica, ingegneristica e giuridica. Per quanto riguarda l’impatto sull’apprendimento Le modalità d’uso che lo penalizzano sono quelle sostitutive e passive. Quando lo studente delega all’IA il lavoro cognitivo di base cioè far scrivere interi elaborati, risolvere esercizi senza provare, studiare solo attraverso riassunti generati, si riducono l’esercizio della memoria, dell’argomentazione e del problem solving. Alcuni studi recenti segnalano il rischio di una vera e propria “dipendenza cognitiva”: la macchina diventa il primo riflesso a cui chiedere ogni cosa, con perdita di fiducia nelle proprie capacità e impoverimento del pensiero autonomo. A questo si aggiunge l’uso non critico e il plagio, che danneggiano sia l’integrità sia la qualità della formazione. Infine, quando l’IA viene usata come surrogato del confronto con docenti e compagni, può indebolire la dimensione dialogica e sociale dell’apprendimento, che è cruciale per lo sviluppo del pensiero critico.

All’estremo opposto, l’IA potenzia l’apprendimento quando è integrata in modo attivo e riflessivo. Funziona bene come tutor adattivo che spiega gli stessi concetti con livelli diversi di complessità, propone esempi e contro-esempi, genera esercizi graduati con feedback immediato. Alcuni studi mostrano miglioramenti significativi delle prestazioni, soprattutto per gli studenti più fragili, quando l’IA viene usata per adattare il percorso al livello e al ritmo individuale. Un uso particolarmente virtuoso è quello “metacognitivo”: l’IA aiuta a pianificare lo studio, generare domande per auto-valutarsi, simulare un dialogo che mette alla prova le proprie tesi e spinge a chiarirle e raffinarle. Anche nella scrittura, gli esiti migliori si vedono quando lo studente scrive, fa commentare il testo al sistema e poi riscrive, anziché far generare il testo dall’IA e limitarsi a ritoccarlo.

Dalle ricerche emergono dunque alcune linee di fondo. L’IA tende ad amplificare trend già presenti. Chi studia in modo attivo la usa per approfondire, chi cerca scorciatoie la usa per aggirare lo sforzo, con effetti opposti sulla crescita cognitiva. Il fattore decisivo è chi controlla il processo mentale. Se lo guida lo studente, l’IA arricchisce repertorio e metacognizione, se lo guida la macchina, l’apprendimento si appiattisce. Il nodo non è solo tecnologico, ma pedagogico e regolatorio. Lì dove si definiscono patti chiari su cosa è lecito e su come usare l’IA per imparare (e non solo per produrre compiti), l’impatto tende a essere positivo; dove l’IA viene ignorata proliferano usi nascosti, prevalentemente strumentali e di bassa qualità educativa.

L’AI non è una tecnologia che cade dal cielo. È il prodotto di un’enorme quantità di lavoro umano – spesso precario, invisibile, mal retribuito – svolto da milioni di persone in Kenya, in Nepal, in Filippine, in Texas. Quel lavoro costruisce i modelli. I modelli vengono poi immessi nel mercato globale e producono effetti profondi sull’occupazione: guadagni di produttività reali nei settori più esposti, spostamento dei compiti routinari verso l’alto della catena del valore, declino relativo dell’occupazione entry-level nelle professioni del sapere, polarizzazione crescente tra chi possiede AI literacy e chi no.

L’AI non livella le competenze umane, le amplifica in modo differenziale. Chi possiede capacità di giudizio, pensiero critico, competenze metacognitive e interpersonali consolidate usa l’AI per moltiplicare il proprio output. Chi ne è privo e si affida completamente alla macchina perde ogni capacità di giudizio autonomo. La sfida non è decidere se adottare o resistere all’AI: quella scelta è già fatta dalla storia. La sfida è costruire le condizioni perché questa trasformazione non produca una polarizzazione crescente, ma diventi davvero uno strumento di progresso condiviso.

L'articolo Il lavoro e la creatività nell’era dell’intelligenza artificiale  proviene da Italia nel futuro.

Oltre la crisi del modello familiare: come i multi-agent systems possono salvare e reinventare le PMI italiane

Se l’intelligenza artificiale generativa ci ha illusi che il cambiamento fosse solo una questione di accesso globale all’informazione, l’IA agentiva ci riporta alla realtà del processo. Siamo passati dallo strumento che suggerisce alla tecnologia che esegue. Per il sistema produttivo italiano dove su poco meno di quattro milioni e mezzo di imprese il 95% sono microimprese con meno di 10 addetti e 4,3% sono piccole imprese (meno di 50 addetti), questa non è una rivoluzione tecnica: è un ribaltamento del paradigma di controllo.

Il nodo strutturale. La piccola dimensione: da limite storico a vantaggio latente

Per decenni, la frammentazione dimensionale del tessuto imprenditoriale italiano è stata letta come una condanna. Pochi capitali, scarsa presenza internazionale, processi destrutturati e tramandati per via orale più che documentati. Il confronto con i grandi gruppi industriali stranieri produceva sempre lo stesso verdetto: un paese di artigiani in un mondo che premia le corporation. Questa narrazione, pur storicamente fondata, sconta un errore metodologico profondo: valutare la piccola impresa con la logica della grande industria. La PMI italiana non è una multinazionale mancata è un organismo evolutivo diverso, con vantaggi competitivi reali che la grande dimensione spesso distrugge: velocità decisionale, adattabilità al cliente, qualità relazionale, capacità di custodire saperi tecnici iper-specializzati. On organismo che genera il 40% del PIL, ma in cui c’è un numero enorme di imprenditori e manager over 55 a rischio di ricambio. L’AI agentiva ribalta la gerarchia delle risorse. Un agente autonomo è una funzione aziendale sintetica. Per un manager di una PMI significa poter attivare un ufficio export virtuale, un sistema di controllo qualità predittivo o un’analisi della supply chain senza sostenere i costi fissi e la complessità organizzativa di una multinazionale. Il vantaggio competitivo si sposta dalla “dimensione del capitale” alla “qualità del flusso”: vince chi istruisce l’agente meglio degli altri, non chi ha più dipendenti. Ma questo scenario si realizza solo se la PMI investe nella propria infrastruttura cognitiva: dati strutturati, processi documentati, personale con competenze di supervisione. Un agente AI in un’organizzazione con processi caotici non li ottimizza: automatizza il caos.

La crisi demografica. Il know-how intrappolato: una bomba a orologeria silenziosa

L’Italia affronta una crisi demografica che minaccia la sopravvivenza del know-how artigiano. In molte realtà, dai distretti tessili di Prato e Biella alle officine meccaniche di precisione della Val Seriana, dalle ceramiche di Faenza alle lavorazioni dell’oro di Valenza, il “saper fare” è intrappolato in una forza lavoro che invecchia, senza successori in grado di raccogliere il testimone. Il problema non è solo quantitativo (mancano persone), ma anche qualitativo: manca il trasferimento della conoscenza delle maestranze, che hanno impiegato anni ad affinarla. I manuali operativi, quando esistono, documentano cosa ma quasi mai come ci si arriva: quella sensibilità diagnostica che un tornitore esperto matura nell’arco di una carriera. Il vero problema non è che i giovani non vogliano fare i mestieri artigiani. È che non esiste un sistema capace di trasferire in tempi ragionevoli la complessità di quei mestieri. Qui l’AI agentiva può agire come un archivio dinamico e operativo. Sessioni strutturate di codifica della conoscenza possono creare sistemi che conservano le regole non scritte di un processo produttivo e le rendono accessibili a operatori meno esperti come guide contestuali in tempo reale. Non sostituiscono il maestro artigiano, ma ne moltiplicano la portata formativa: creano una “protesi di competenza” che consente a un giovane manager o tecnico di gestire complessità che prima richiedevano decenni di esperienze sul campo. Un esempio concreto: un’azienda metalmeccanica del bergamasco sta registrando sistematicamente le decisioni diagnostiche dei propri tecnici senior su macchine a controllo numerico, costruendo un dataset che alimenta un agente di supporto alla manutenzione. Il tempo di onboarding dei nuovi tecnici si è ridotto del 40% in 18 mesi.

La transizione più difficile. La fine del controllo diretto 

Il vero scoglio per il manager e l’imprenditore italiano è culturale, non tecnologico. La nostra cultura gestionale affonda le radici nel modello padronale del dopoguerra: l’imprenditore conosce ogni dettaglio del processo, l’occhio del padrone è presidio della qualità e fondamento della fiducia organizzativa. “L’occhio del padrone ingrassa il cavallo” è una filosofia manageriale che in passato ha prodotto risultati eccellenti. Il problema è che questa filosofia scala male e con l’AI agentiva si inceppa del tutto. Un agente autonomo richiede l’esatto opposto del controllo visivo: saper delegare a sistemi non umani obiettivi complessi, definire i limiti entro cui l’agente può muoversi e valutare i risultati in modo sistemico, piuttosto che intervenire nel processo. Questo impone una transizione necessaria: dalla gestione della situazione alla gestione della strategia. Il manager non deve più sapere come si esegue un’attività, ma deve definire con precisione obiettivi, criteri di successo e confini operativi entro cui l’agente può agire, anche se questa transizione è difficile per le criticità strutturali che caratterizzano molte imprese familiari italiane:

• Concentrazione delle conoscenze: spesso solo l’imprenditore ha le relazioni commerciali chiave, e conosce i margini di trattativa non documentati o le logiche produttive non scritte. Questo rende l’azienda fragile sia nel ricambio generazionale, sia nell’adozione di sistemi automatizzati che devono usare dati strutturati per funzionare.
• Resistenza alla trasparenza interna: in molte PMI familiari la condivisione delle informazioni su costi, margini, performance è vissuta come perdita di potere. Ma un agente AI ha bisogno di dati per funzionare: se non ci sono, o sono falsati, produce output inutili o fuorvianti.
• Scarsi investimenti in formazione: la cultura del “si è sempre fatto così” è il vero freno. Non perché la tradizione sia sbagliata, può anche essere un valore aziendale, ma perché impedisce di capire quali processi automatizzare e quali mantenere sotto il controllo dell’uomo.

Non si tratta di scegliere tra uomo e macchina. Si tratta di capire cosa rende insostituibile l’intuizione umana e cosa può essere affidato a sistemi che non si stancano, non si distraggono e non hanno alti e bassi di umore.

Il divario territoriale. Nord e Sud, l’infrastruttura cognitiva come nuovo asse di sviluppo

Le differenze tra Nord e Sud sono spesso focalizzate su infrastrutture fisiche: porti, ferrovie, autostrade, banda larga, … E’ una lettura necessaria ma non sufficiente: l’AI agentiva introduce la nuova dimensione dell’infrastruttura cognitiva, cioè capacità di un sistema produttivo di generare, strutturare, valorizzare e applicare conoscenza in modo sistematico. Un’impresa del Mezzogiorno che opera in un settore artigianale di eccellenza, le ceramiche di Vietri, il corallo di Torre del Greco, il cuoio di Santa Croce sull’Arno, ha un potenziale di mercato globale oggi in gran parte inespresso, non per scarsa qualità, ma perché non ha strumenti per raggiungere il livello che i mercati apprezzano e pagano adeguatamente. L’AI agentiva può colmare questo gap: un agente specializzato nella promozione internazionale, nel customer service multilingue, nella gestione degli ordini e nella logistica può trasformare un laboratorio artigianale con tre dipendenti in un attore capace di operare su Amazon Handmade, Etsy, o su piattaforme B2B internazionali. La condizione abilitante non è tecnologica: è culturale e formativa. Se la cultura informatica di base è scarsa, la sfida del management non risolvere il problema con corsi di software, ma con la semplificazione radicale dell’interfaccia. L’obiettivo è creare sistemi che comunicano in modo naturale e si integrano con la flessibilità necessaria, senza pesanti sovrastrutture burocratiche.

Una roadmap concreta. Un piano di sviluppo adatto a questo contesto

La minaccia non è la tecnologia che avanza: la tecnologia avanza per tutti, indipendentemente dalla volontà. La minaccia è la persistenza di un modello gestionale analogico in un mondo che ha già automatizzato l’esecuzione. Non serve una lista di tools, ma un piano di sviluppo che parte dalla situazione reale delle PMI italiane.

Mappare prima di automatizzare

Il primo passo è un’operazione organizzativa: documentare i processi reali, non quelli che si vorrebbe avere. Chi ogni giorno decide e cosa? Con quali informazioni? Dove sono i colli di bottiglia? Questo lavoro, che può essere fatto da agenti di process-mining, è la precondizione di qualsiasi automazione sensata. Senza di esso, si automatizza il disordine.

Costruire l’infrastruttura dei dati

Gli agenti AI usano dati strutturati. Un’azienda che lavora con fogli Excel non condivisi, e-mail come sistema gestionale e informazioni chiave nella testa dell’imprenditore non è pronta per l’AI agentiva. L’investimento prioritario non è nell’AI, ma in un ERP aggiornato, in un CRM attivo, in un sistema di gestione vero. Solo su queste basi l’agente può costruire valore reale.

Formare i “traduttori strategici”

Le figure più critiche per il prossimo decennio non saranno i programmatore o i data scientist, che le PMI non possono permettersi internamente. È il traduttore strategico: una persona che conosce il business in profondità e sa analizzare i sistemi IA in modo critico e può verificare che gli output siano coerenti con gli obiettivi dell’impresa. Questo profilo può essere formato in tempi abbastanza brevi, se si investono le risorse giuste.

Progettare l’integrazione umano-agente come sistema

L’errore più comune è pensare all’ IA come a un mezzo da affiancare ai processi esistenti. Bisogna invece progettare un sistema integrato, dove si muovono agenti e persone, dove è necessario il controllo umano e dove basta un alert. Questa progettazione richiede competenze di organizational design  oggi scarse, ma che possono essere sviluppate col supporto di consulenti e associazioni di categoria.

Conclusione. Custodire la cultura millenaria nell’era dell’automazione

C’è un rischio che raramente viene nominato nel dibattito sull’IA nelle PMI italiane: il rischio culturale. Non il rischio che la tecnologia distrugga i mestieri: questo può essere gestito. Il rischio più sottile è che adottare strumenti pensati in Silicon Valley o in Cina, porti di fatto ad adottare anche le logiche che ne sono alla base: standardizzazione, scalabilità infinita, de-contestualizzazione del prodotto dal suo luogo di origine e dalla sua storia. Il Made in Italy non è un marchio, è un sistema di valori insiti in pratiche produttive evolute in secoli di interazione tra territorio, cultura, competenze e gusto estetico. Un sistema fragile non perché antiquato, ma perché richiede continuità e trasmissione per sopravvivere. L’AI agentiva, usata con saggezza, può essere lo strumento che preserva quella continuità documentando i saperi prima che si perdano, abbassando le barriere di ingresso ai giovani, liberando gli artigiani da attività a basso valore per concentrarli su quelle ad alto valore. Ma può anche essere lo strumento che accelera l’appiattimento, se la si adotta senza una visione chiara di cosa si vuole proteggere. La domanda che ogni imprenditore italiano dovrebbe porsi nel 2026 non è “come implemento l’AI nella mia azienda?” ma “cosa voglio che la mia azienda sia tra dieci anni, e come l’AI può aiutarmi ad arrivare lì senza perdere quello che la rende unica?” È una domanda di identità prima che di strategia. Ed è, forse, la domanda più importante che il management italiano abbia mai dovuto affrontare.

L'articolo Aziende italiane. L’impresa aumentata: come aiutare la trasformazione delle PMI? proviene da Italia nel futuro.

E se il ristorante del futuro non avesse tavoli, né camerieri, né clienti?

La ristorazione, uno dei settori più tradizionali dell’economia, sta vivendo una trasformazione epocale. Sotto la spinta dell’automazione, del digitale e dei nuovi comportamenti dei consumatori, sta emergendo una nuova forma di retail in cui l’esperienza fisica viene superata, lasciando spazio a un ecosistema invisibile, iper-efficiente, pensato solo per la consegna a domicilio e il ritiro.

A guidare questa rivoluzione è JD.com, una delle principali piattaforme di e-commerce e logistica in Cina, seconda solo ad Alibaba per dimensioni. Fondata a Pechino, JD.com è nota per la sua infrastruttura tecnologica all’avanguardia, la rete di magazzini robotizzati e l’impegno nella logistica intelligente, che l’ha resa un attore strategico non solo nel commercio online, ma anche nella trasformazione digitale del retail fisico.

E ora, forte della sua esperienza nella logistica automatizzata, JD.com si prepara a rivoluzionare anche la ristorazione.

JD.com ha annunciato un progetto ambizioso che prevede l’apertura di 10.000 ristoranti completamente dedicati a delivery e takeout. Nessuna sala, nessun servizio al tavolo: il cliente ordina tramite app, sceglie se ricevere a casa o ritirare, e tutto il resto è invisibile. Alla base di questa strategia c’è un investimento iniziale da oltre 139 milioni di dollari, destinato a creare una rete di cucine decentralizzate ma integrate, gestite centralmente e alimentate da un flusso continuo di dati e automazione.

Il modello è estremamente efficiente: partner esterni si occupano della creazione di nuovi piatti, mentre l’intera infrastruttura – dalla selezione dei siti alla costruzione, dal personale alla logistica – viene gestita da un’unica entità. Il risultato è una filiera snella, scalabile, replicabile in tempi rapidi e con costi fissi drasticamente ridotti.

Il cuore tecnologico di questo sistema è rappresentato dall’uso di robot da cucina per la preparazione automatica dei pasti. Una startup innovativa ha sviluppato soluzioni robotiche avanzate, capaci di cucinare on-site con velocità, precisione e standardizzazione. Non si tratta solo di efficienza industriale: è una nuova grammatica dell’esperienza alimentare, in cui l’intelligenza artificiale e la meccatronica ridisegnano il ruolo stesso dello chef.

Secondo dati di settore, il mercato globale del food delivery ha superato i 330 miliardi di dollari nel 2023 e continua a crescere a doppia cifra. In parallelo, il mercato della robotica alimentare è previsto raggiungere i 25 miliardi di dollari entro il 2030. Queste tendenze non sono indipendenti, ma convergenti: la domanda crescente di pasti a domicilio spinge l’innovazione verso modelli più automatizzati, sicuri e sostenibili.

Questa forma di retail “invisibile” è perfettamente adattata ai tempi: città sempre più congestionate, tempi di vita accelerati, carenza di personale qualificato, consumatori sempre più digitali. Ma il vero potenziale sta nella scalabilità. Ogni ristorante diventa un nodo di una rete intelligente e distribuita. Ogni ordine è un dato. Ogni piatto, un prodotto ottimizzato.

E questa visione può estendersi anche oltre il cibo. Lo stesso approccio può trasformare altri settori del commercio fisico: dalla moda alla farmacia, dall’elettronica alla cosmetica. Centri di distribuzione automatizzati, senza clientela, dove la tecnologia sostituisce lo spazio espositivo con efficienza logistica.

Il nuovo retail è già realtà. Non ha vetrine né camerieri, ma ha robot in cucina e algoritmi in regia. Le città e le imprese che sapranno cogliere per prime questa opportunità avranno un vantaggio competitivo straordinario.

Perché in questa nuova era, innovare non significa più aprire una porta. Significa non averne affatto.

E noi, in Europa, siamo pronti ad accogliere questa rivoluzione silenziosa?

L'articolo Il nuovo retail, quando la ristorazione incontra la robotica proviene da Italia nel futuro.