Implementare un progetto di intelligenza artificiale: quali competenze

L’intelligenza artificiale è entrata nella quotidianità delle imprese italiane. Le PMI, pur riconoscendone il potenziale, spesso si fermano alla fase di sperimentazione, non avendo le competenze per progetti strutturati.

Questo articolo spiega perché l’AI è diventata una priorità per la competitività delle PMI, quali competenze servono per introdurre l'intelligenza artificiale in modo efficace e perché il fractional management rappresenta un modello adatto per integrare le competenze necessarie in modo flessibile e sostenibile.

Perché l’AI è una priorità per le PMI

L’AI consente di migliorare produttività, decisioni e competitività, ottimizzando tempi e risorse anche in contesti di vincoli economici.

L’AI come leva di competitività e innovazione

Per una PMI, l’AI è prima di tutto un mezzo per aumentare l’efficienza dei processi e la qualità delle decisioni. Automatizza le attività a basso valore aggiunto, libera tempo per la pianificazione e consente di gestire i dati come una risorsa strategica.

Le imprese che riescono a integrare soluzioni AI ottengono vantaggi concreti: risposte più rapide al mercato, minori errori, maggiore capacità di personalizzazione. L’AI permette inoltre di accedere a funzioni avanzate (analisi predittiva, simulazioni, manutenzione automatizzata) che fino a poco tempo fa erano riservate alle grandi aziende.

I 10 casi d’uso ad alto impatto per le PMI

Le applicazioni dell’intelligenza artificiale nelle PMI italiane sono già numerose e in gran parte accessibili con costi e infrastrutture contenuti (fonte: Intelligenza artificiale, la svolta: i dati EY 2025 e i 10 usi ad alto impatto per le PMI).

Tutte queste applicazioni rispondono a logiche di efficienza, sicurezza e riduzione dei costi. Ecco dieci tra i casi d'uso con impatto misurabile:

1. Generazione di testi e contenuti per marketing, schede prodotto, reportistica.
2. Traduzione automatica e adattamento multilingua dei materiali aziendali.
3. Creazione di immagini e video per comunicazione e presentazioni commerciali.
4. Chatbot e assistenti virtuali per gestire richieste ripetitive di clienti e fornitori.
5. Analisi dei dati di vendita e identificazione di pattern di comportamento.
6. Previsioni della domanda e ottimizzazione delle scorte.
7. Manutenzione predittiva di impianti e macchinari industriali.
8. Controllo qualità tramite visione artificiale e riconoscimento di difetti.
9. Analisi dei flussi di cassa e rilevazione automatica di anomalie o frodi.
10. Supporto alla ricerca e sviluppo tramite analisi automatica di grandi moli di dati.

Per le PMI italiane, la priorità è identificare dove l’AI può creare valore subito e costruire una roadmap progressiva che consenta di scalare senza compromettere equilibrio operativo e costi. 

I dati sull’adozione dell'AI in Italia

Le analisi degli Osservatori Artificial Intelligence del Politecnico di Milano (2024) mostrano un quadro in evoluzione: il mercato cresce, ma il divario tra grandi imprese e PMI resta ampio.

Secondo i dati dell’Osservatorio:

• il mercato dell’AI in Italia ha registrato un incremento del 52% nel 2023, raggiungendo un valore di 760 milioni di euro, ma solo il 18% delle PMI ha avviato un progetto di AI, rispetto al 61% delle grandi imprese.

• Solo il 7% delle piccole imprese e il 15% delle medie ha avviato progetti strutturati di intelligenza artificiale, contro oltre il 60% delle grandi aziende. Molte PMI si limitano ancora a iniziative pilota o sperimentazioni interne.

• Le applicazioni più diffuse riguardano chatbot, automazione dei processi, analisi predittiva e assistenti virtuali.

Le difficoltà principali non sono legate al costo della tecnologia, ma a tre fattori ricorrenti:

In sintesi, l’adozione cresce ma resta disomogenea: il vero ostacolo non è la tecnologia, ma la capacità di integrarla in modo stabile nei processi aziendali, con obiettivi chiari, competenze adeguate e una governance strutturata.

Contesto e regole: cosa cambia per le PMI

L’AI Act introduce principi di trasparenza e responsabilità. Per le PMI significa dotarsi di processi documentati, ruoli chiari e maggiore consapevolezza sui rischi.

L’AI Act in breve e le implicazioni operative

Il regolamento europeo sull’intelligenza artificiale impone requisiti proporzionati al livello di rischio dei sistemi. Le imprese devono garantire sicurezza, tracciabilità e supervisione umana. Anche per le PMI, ciò comporta la necessità di sapere come viene utilizzata la tecnologia, con quali dati e per quali scopi.

Adempimenti principali e principio di proporzionalità

Le PMI devono documentare i processi decisionali automatizzati, mappare i fornitori e assicurare controlli sul corretto utilizzo dei dati. Il principio di proporzionalità prevede che gli adempimenti siano commisurati alla complessità del progetto, ma non elimina l’obbligo di trasparenza.

Documentazione e fiducia del mercato

La capacità di dimostrare la corretta gestione dei sistemi AI è anche una leva reputazionale. Le aziende che tracciano i processi e formalizzano la governance trasmettono fiducia a clienti, partner e investitori.

L’AI Act non è solo una normativa: è un’occasione per rafforzare la gestione dei progetti e creare valore attraverso trasparenza e controllo.

Le competenze necessarie per un progetto di AI in una PMI

L’AI richiede un mix di competenze strategiche, organizzative e tecniche. La tecnologia genera valore solo se è guidata da ruoli capaci di allinearla agli obiettivi aziendali.

Competenze manageriali

Le competenze manageriali determinano la direzione e la sostenibilità del progetto. Nelle PMI, dove le risorse sono limitate, queste competenze spesso si concentrano in una singola figura, ma comprendono ambiti distinti:

• Definizione strategica: collegare ogni progetto AI alle priorità aziendali e ai risultati attesi.
• Pianificazione economica: stimare costi e benefici, definire KPI e criteri di ROI realistici.
• Data governance e compliance: assicurare la qualità dei dati, la sicurezza informatica e la conformità all’AI Act.
• Gestione del rischio: valutare impatti operativi, reputazionali e legali; mantenere il controllo umano nelle decisioni automatizzate.
• Vendor management: selezionare soluzioni e partner, negoziare SLA e verificare risultati.
• Gestione del cambiamento: accompagnare i team interni, formare il personale, comunicare obiettivi e progressi.

L’esperienza manageriale diventa quindi un fattore critico per tradurre le tecnologie in valore concreto.

Competenze tecniche

Le competenze tecniche riguardano la capacità di realizzare concretamente un progetto di AI. Includono:

• gestione e preparazione dei dati;
• sviluppo e manutenzione di modelli di machine learning o sistemi generativi;
• integrazione dei modelli nei processi e nei software esistenti;
• monitoraggio delle performance e aggiornamento costante.

Senza solide competenze tecniche, anche un buon piano strategico non può produrre risultati.

Deliverable chiave del team di progetto

Ogni progetto di intelligenza artificiale deve produrre risultati verificabili, documenti chiari e strumenti che consentano di gestire la continuità nel tempo. I deliverable non servono solo a tracciare il lavoro svolto: sono la base per migliorare, mantenere controllo sui processi e garantire che l’AI rimanga coerente con gli obiettivi aziendali.

I principali deliverable di un progetto di AI comprendono:

• Roadmap di progetto. Descrive le fasi, gli obiettivi e i tempi di realizzazione. Serve a mantenere l’allineamento tra management, specialisti e stakeholder aziendali.

• Inventario dei dati. Elenca le fonti utilizzate, la loro provenienza, le modalità di aggiornamento e le eventuali criticità. È essenziale per garantire qualità, sicurezza e riusabilità dei dati.

• Schede dei modelli (model card). Riassumono finalità, metodi di addestramento, metriche di performance e limiti di utilizzo di ogni modello adottato. Consentono a chiunque, anche non tecnico, di comprendere come funziona il sistema e in quali casi può o non può essere applicato.

• Policy d’uso. Definiscono chi può utilizzare gli strumenti di intelligenza artificiale, per quali scopi e con quali livelli di responsabilità. Aiutano a prevenire usi impropri e a mantenere la coerenza con le regole interne e con la normativa vigente.

• Piani di monitoraggio continuo. Indicano come e con quale frequenza vengono verificati i risultati dei modelli, quali metriche vengono analizzate e come vengono gestiti eventuali cali di performance o anomalie.

Questi deliverable rappresentano la struttura di controllo del progetto: garantiscono tracciabilità, trasparenza e una base solida per ogni fase successiva.

Un progetto di AI efficace non si misura solo dalla qualità tecnica dei modelli, ma dalla capacità di mantenere nel tempo governance, coerenza e valore operativo.

Come implementare un progetto di intelligenza artificiale in una PMI

Implementare un progetto di intelligenza artificiale significa procedere per fasi: sperimentare su casi pilota, integrare la tecnologia nei processi aziendali e monitorare nel tempo risultati e prestazioni.

Dal pilota alla produzione

La maggior parte delle PMI si ferma alla fase di sperimentazione dell'AI, perché mancano le competenze interne per impostare un percorso strutturato e implementarlo.  

Dopo la fase pilota, è necessario procedere con:

1. Definizione degli obiettivi di business e dei KPI.
2. Analisi dei dati disponibili e delle integrazioni necessarie.
3. Scelta delle piattaforme e delle soluzioni più adeguate.
4. Sviluppo, test e validazione dei modelli.
5. Rilascio controllato, formazione degli utenti e monitoraggio delle prestazioni.
   Ogni passaggio richiede evidenze documentate e criteri di valutazione condivisi.

Integrazione nei processi e responsabilità umana

Il valore dell’AI emerge solo quando viene integrata nei processi aziendali.

L’obiettivo non è sostituire le persone, ma aumentare l’efficacia delle decisioni. La supervisione umana resta centrale: definisce i limiti dell’automazione e interviene nei casi critici.

Le PMI devono stabilire procedure chiare per la gestione delle eccezioni e la revisione dei risultati generati dai sistemi.

Post go-live: metriche e miglioramento continuo

Il rilascio non è la fine del progetto ma l’inizio del ciclo di ottimizzazione.

• Le performance vanno monitorate con indicatori chiari: accuratezza, costi, tempi, soddisfazione degli utenti.
• I modelli devono essere aggiornati con nuovi dati per restare affidabili.
• La manutenzione periodica evita il degrado delle prestazioni e garantisce coerenza con gli obiettivi iniziali.

L'implementazione dell'AI in azienda è un processo evolutivo: parte da piccoli progetti pilota, cresce con l’esperienza e si consolida con monitoraggio e revisione costante.

Ruoli e responsabilità per progettare e implementare l’AI in azienda

Ogni progetto di AI funziona solo se ruoli e responsabilità sono chiari: serve una governance forte, con figure che guidano strategia, esecuzione e controllo. È necessario stabilire chi guida il progetto, chi ne gestisce l’attuazione e chi misura i risultati.

Ogni progetto di AI richiede un nucleo fisso di ruoli e il coinvolgimento mirato delle funzioni più vicine all’area di applicazione.

Chief Technology Officer (CTO) o Chief Information Officer (CIO)

• Compito: definire la strategia tecnologica complessiva, selezionare le piattaforme AI, garantire integrazione con l’infrastruttura IT esistente e sicurezza dei dati.
• Perché è cruciale: senza una visione tecnologica coerente, l’AI rischia di rimanere un insieme di tool isolati e non scalabili.

Nelle PMI, questa figura raramente esiste a tempo pieno; spesso le responsabilità IT sono frammentate o affidate a fornitori esterni.

Innovation Manager o AI Project Manager

• Compito: tradurre le opportunità dell’AI in progetti concreti, gestire i fornitori, monitorare KPI e coordinare i team interni.
• Perché è cruciale: collega la strategia tecnologica agli obiettivi di business e assicura che i progetti AI producano ROI misurabili.

Nelle PMI, può essere un ruolo ibrido, affidato a manager esistenti (es. marketing o operations) che ricevono formazione ad hoc o a manager esterni già formati.

Change Manager

• Compito: guidare l’organizzazione nel percorso di adozione dell’AI, supportando persone e processi durante la transizione. Pianifica la comunicazione interna, gestisce la formazione e riduce le resistenze al cambiamento.
• Perché è cruciale: garantisce che la tecnologia venga realmente utilizzata e integrata nei flussi di lavoro, favorendo l’allineamento tra obiettivi, strumenti e comportamenti operativi.

Nelle PMI, spesso questo ruolo è ricoperto dal responsabile Operations o da un manager o consulente esterno con esperienza in trasformazione organizzativa.

Responsabili di funzione (marketing, vendite, finance, HR, operations)

• Compito: identificare i casi d’uso nell’area di competenza, validare risultati e facilitare l’adozione operativa.
• Perché è cruciale: conoscono meglio di chiunque altro processi e pain point; senza il loro coinvolgimento, i progetti AI faticano a scalare.

Nelle PMI,  spesso queste funzioni sono accentrate in poche persone (o nel titolare), rendendo ancora più necessario un supporto esterno per non sovraccaricare il team.

Ruoli esterni e partner tecnologici

Consulenti specializzati e system integrator

• Cosa fanno: portano competenze verticali (data science, machine learning, RPA) e capacità di implementazione su misura.
• Vantaggi: accelerano il go-to-market e compensano la mancanza di competenze interne.
• Limiti: senza governance interna, l’azienda può diventare dipendente dal fornitore e perdere controllo sui dati e sulla strategia.

Fornitori SaaS e piattaforme AI

• Cosa fanno: offrono soluzioni pronte all’uso (chatbot, marketing automation, predictive analytics) scalabili anche per PMI.
• Vantaggi: riducono costi iniziali e complessità di implementazione.
• Limiti: meno personalizzabili e dipendenti dagli aggiornamenti del provider.

Perché il fractional management può supportare l'implementazione dell'AI

Il fractional management offre alle PMI accesso a competenze manageriali con esperienza consolidata per gestire progetti AI con flessibilità e controllo dei costi.

Le imprese meno strutturate spesso non hanno le competenze interne per guidare dei progetti di intelligenza artificiale: non hanno un CTO, un Innovation Manager, un Change Manager ma devono comunque prendere decisioni su aree di applicazione, tecnologie, fornitori, dati e compliance normativa (AI Act, privacy, cybersecurity), gestione del cambiamento.

Il fractional manager colma questo gap: collabora con un impegno part-time di poche giornate a settimana, con obiettivi chiari e risultati misurabili. Integra il team interno, supervisiona i processi e assicura il rispetto dei tempi e dei KPI.

Cosa fa un fractional manager in un progetto AI

Un fractional manager esperto può accompagnare l’azienda in ogni fase:

• Analisi iniziale: valutare lo stato di maturità digitale, mappare processi e dati disponibili, identificare opportunità concrete.
• Definizione roadmap: stabilire priorità, budget, tempistiche e criteri di successo (KPI e ROI attesi).
• Scouting fornitori e tecnologie: selezionare piattaforme AI o partner integratori adatti alle dimensioni e al settore dell’impresa.
• Gestione progetto: coordinare team interni ed esterni, monitorare avanzamento e mitigare rischi.
• Change management: supportare la formazione del personale e favorire l’adozione interna delle nuove soluzioni.
• Misurazione impatto: valutare i risultati raggiunti e pianificare l’evoluzione del progetto (scaling o nuovi use case).

Vantaggi del fractional management 

• Competenze senior accessibili: know how manageriale di alto livello senza costi di un’assunzione a tempo pieno.
• Flessibilità: impegno modulabile in base all'esigenza specifica 
• Visione integrata: collegamento tra tecnologia, strategia e processi, evitando implementazioni frammentate.
• Neutralità: valutazione indipendente dei fornitori, a tutela dell’interesse aziendale.
• Velocità di esecuzione: riduce i tempi di decisione e accelera l’avvio dei progetti, aspetto cruciale in mercati in rapida evoluzione.

Conclusione

L’AI è un insieme di strumenti che richiedono pianificazione, integrazione nei processi aziendali e gestione del cambiamento: può diventare un vantaggio competitivo reale per le PMI solo se la tecnologia è accompagnata da una governance solida e da competenze mirate. 

Prossimi passi

1. Individuare un caso d’uso semplice e rilevante.
2. Inserire una guida manageriale, anche part-time.
3. Coinvolgere uno o più specialisti AI per la realizzazione tecnica.
4. Definire KPI e piano di monitoraggio.
5. Documentare ogni fase per garantire trasparenza e apprendimento.
   
   

FAQ

Come può una PMI implementare un progetto di AI?

Selezionando un caso d’uso concreto, con dati disponibili e ritorno misurabile, e individuando una figura manageriale che guidi il progetto.

Cosa richiede l’AI Act a una PMI?

Tracciabilità dei processi, documentazione dei modelli e controllo umano proporzionato al livello di rischio.

Quali profili servono per un progetto di AI?

Serve una guida manageriale per strategia e governance, e una o più risorse tecniche (interne o esterne) per lo sviluppo e l’integrazione.

Quali competenze servono per un progetto AI?

Competenze strategiche, tecniche e organizzative: gestione dei dati, sviluppo e monitoraggio dei modelli, governance, project management, misurazione dei risultati e capacità di integrare l’AI nei processi aziendali.

Come un fractional manager contribuisce a un progetto AI?

Guida il progetto di AI, coordina fornitori e risorse interne e assicura che la tecnologia sia integrata nei processi in modo efficace e conforme alle normative. 

Glossario

• AI Act: regolamento europeo che disciplina l’uso dell’intelligenza artificiale.
• Data governance: insieme di regole e pratiche per la gestione sicura e coerente dei dati.
• Data governance: insieme di regole e processi per garantire qualità, sicurezza e corretto utilizzo dei dati aziendali.
• Roadmap di progetto: piano che definisce fasi, obiettivi e tempi di realizzazione di un’iniziativa di intelligenza artificiale. 
• Deliverable: risultato o documento prodotto in una specifica fase di un progetto, utilizzato per verificare l’avanzamento, la qualità e la coerenza con gli obiettivi stabiliti.
• Fornitori SaaS: aziende che offrono soluzioni di intelligenza artificiale pronte all’uso e scalabili, accessibili tramite abbonamento online.
• System Integrator: società o consulenti che implementano soluzioni AI personalizzate, integrandole con i sistemi e i processi aziendali esistenti.
• Fractional manager: manager esperto che collabora part-time con le aziende 

Fonti

EY Barometer (2025), Cresce l'adozione dell'intelligenza artificiale nelle aziende italiane, https://www.ey.com/it_it/newsroom/2025/08/ey-italy-ai-barometer-cresce-l-adozione-dell-intelligenza-artificiale-nelle-aziende-italiane

Osservatori Artificial Intelligence, Politecnico di Milano (2024), Intelligenza Artificiale in Italia: numeri record per il mercato,  https://www.osservatori.net/comunicato/artificial-intelligence/intelligenza-artificiale-italia

Osservatori Artificial Intelligence, Politecnico di Milano (2024), L’adozione dell’Artificial Intelligence nel 2024: confronto tra Italia ed Europa. https://www.osservatori.net/report/artificial-intelligence/adozione-artificial-intelligence-2024-italia-europa

La Repubblica (2023), AI formato impresa: ecco i freni nelle PMI, https://www.repubblica.it/dossier/economia/top-story/2023/10/14/news/ai_formato_impresa_ecco_i_freni_nelle_pmi-417799735

Commissione Europea Regolamento AI Act (2024), https://eur-lex.europa.eu/legal-content/IT/TXT/?uri=CELEX%3A32024R1689