AI nelle PMI: il punto non è adottarla. È non smettere di decidere

Nelle piccole e medie imprese, il valore dell’intelligenza artificiale non si misura dalla velocità con cui produce risposte, ma dalla capacità dell’organizzazione di usarla senza indebolire il giudizio manageriale.

L’intelligenza artificiale è entrata anche nel linguaggio quotidiano delle PMI. Se ne parla come leva di efficienza, rapidità, semplificazione. In molti casi con buone ragioni: gli strumenti oggi disponibili consentono di produrre sintesi, analizzare dati, supportare previsioni e accelerare attività che fino a poco tempo fa richiedevano molto più tempo.

Tutto questo è reale, ma non è ancora il punto più importante. Per una PMI, la questione decisiva non è soltanto che cosa l’AI sia in grado di fare. La questione decisiva è che cosa accade alla qualità della decisione quando l’AI entra nei processi di governo dell’impresa. Ed è qui che si gioca una differenza essenziale, spesso sottovalutata: quella tra adozione tecnologica e maturità manageriale.

 

L’equivoco più comune

L’equivoco più frequente consiste nel confondere velocità e qualità. Una risposta più rapida non è necessariamente una decisione migliore; un output ben costruito non è necessariamente un giudizio affidabile; una maggiore disponibilità di informazioni non coincide automaticamente con una maggiore capacità di governo.

Eppure, nella pratica, è proprio questo il passaggio che molte organizzazioni tendono a dare per scontato. L’AI produce ordine, riduce tempi, semplifica passaggi e offre una sensazione di maggiore controllo. Ma la qualità di una decisione dipende da altro: dipende dai criteri con cui si legge un problema, dalla qualità dei dati, dalla capacità di interpretare eccezioni e discontinuità, dalla chiarezza delle responsabilità, dal confronto tra alternative e dal presidio umano del giudizio.

La letteratura più seria sul tema va proprio in questa direzione. Uno studio su senior executive mostra che i sistemi di advisory AI possono aumentare la percezione di qualità del processo decisionale e, nello stesso tempo, favorire fenomeni di overreliance, cioè di eccessiva fiducia nel supporto algoritmico. Non è un dettaglio tecnico: è un rischio manageriale.

 

Perché nelle PMI il tema è più delicato

Nelle grandi organizzazioni, almeno in teoria, è più facile formalizzare ruoli, distribuire competenze, separare analisi e decisione e introdurre livelli di controllo. Nelle PMI, invece, il processo decisionale è spesso più concentrato, meno formalizzato e più dipendente dall’esperienza diretta dell’imprenditore o di poche figure chiave. Questo non è, di per sé, un difetto. In molti casi è anche una fonte di rapidità, pragmatismo e aderenza alla realtà operativa.

Proprio per questo, però, l’ingresso dell’AI non avviene dentro un sistema neutro. Avviene dentro un equilibrio già esistente, con le sue forze e le sue fragilità. Se l’impresa ha chiari obiettivi, criteri, dati, ruoli e responsabilità, l’AI può rafforzare il processo decisionale. Se invece questi elementi sono poco esplicitati, il rischio è diverso: lo strumento comincia a occupare uno spazio sempre più ampio non perché sia stato progettato per farlo, ma perché l’organizzazione non ha definito abbastanza chiaramente dove debba fermarsi.

Questo punto è coerente anche con le analisi più recenti sull’algorithmic management: l’adozione di sistemi algoritmici nel lavoro e nei processi organizzativi cresce, ma la capacità di comprenderne limiti, validazione e responsabilità non sempre cresce con la stessa velocità.

 

Il rischio meno discusso: la delega del giudizio

Quando si parla di AI, il dibattito si concentra spesso su investimenti, cybersecurity, qualità dei dati e conformità normativa. Sono tutti temi importanti. Ma ce n’è uno più silenzioso e, in molti casi, più critico: la progressiva delega del giudizio manageriale.

Questa delega non avviene quasi mai in modo improvviso, né si manifesta come una rinuncia esplicita alla decisione. Si presenta piuttosto come una sequenza di piccoli scivolamenti: lo strumento produce sintesi convincenti, suggerisce priorità plausibili, offre previsioni credibili, riduce il tempo del confronto e diventa, poco per volta, il riferimento implicito. A quel punto il management può continuare ad assumere la responsabilità formale della decisione, ma iniziare a presidiare sempre meno la sua sostanza.

È una differenza decisiva. Un’impresa non perde capacità di governo solo quando smette di decidere. Può perderla anche quando continua a decidere, ma su basi sempre meno elaborate criticamente.

Un paper presentato a CHI 2025, basato su un survey di 319 knowledge workers, è utile proprio per questo passaggio: mostra che l’uso della GenAI può associarsi a una riduzione dello sforzo di critical thinking e a uno spostamento del lavoro cognitivo verso attività di verifica e integrazione ex post. Tradotto in linguaggio manageriale: il rischio non è soltanto che l’AI sbagli, ma che chi la usa pensi meno prima di decidere.

 

Quattro segnali da osservare con attenzione

Il primo segnale è l’automation bias, cioè la tendenza ad attribuire maggiore affidabilità a una risposta solo perché appare ordinata, plausibile e ben presentata. In uno studio empirico del 2024 su 210 partecipanti, una maggiore percezione del beneficio del sistema è associata a una maggiore probabilità di aderire anche a raccomandazioni AI errate. Il punto, quindi, non è solo l’errore della macchina. È l’errore che nasce dalla fiducia eccessiva nella macchina.

Il secondo segnale è la riduzione dell’allenamento decisionale. Le competenze manageriali non si conservano per ruolo o per anzianità; si mantengono con l’esercizio. Analizzare alternative, cogliere eccezioni, collegare dati economici e conseguenze operative, discutere scenari e priorità sono capacità che si affinano nella pratica. Se una parte crescente del lavoro cognitivo viene delegata allo strumento, il rischio non è soltanto operativo. È un indebolimento progressivo del discernimento manageriale. Anche qui il lavoro Microsoft è utile, perché collega l’uso della GenAI a minore sforzo cognitivo auto-riferito.

Il terzo segnale è l’illusione di controllo. Più dati, più dashboard, più sintesi possono far percepire un maggiore presidio, senza che vi sia una reale migliore comprensione del processo. Il controllo effettivo dipende dalla qualità dei dati, dalla chiarezza dei criteri, dalla comprensione dei limiti del sistema e dalla definizione delle responsabilità di validazione. Senza questi presupposti, l’abbondanza informativa può generare soprattutto una sensazione di controllo.

Il quarto segnale è la fragilità nei contesti instabili. Molti strumenti leggono bene ciò che assomiglia al passato. Ma molte PMI operano in mercati dove discontinuità commerciali, finanziarie, regolatorie e geopolitiche richiedono capacità interpretativa, non solo capacità computazionale. In questi contesti il punto non è soltanto la qualità dell’output, ma la capacità del management di capire quando l’output non basta, quando i dati leggono bene il passato ma male il presente e quando serve correggere l’interpretazione.

 

Un caso tipico

Si immagini una PMI che introduca strumenti di AI per supportare la pianificazione commerciale, la gestione degli acquisti o la definizione di priorità operative. All’inizio i benefici appaiono evidenti: i report arrivano prima, le riunioni sembrano più ordinate, le sintesi sono più immediate e il management ha la percezione di poter decidere con maggiore rapidità.

Dopo qualche mese, però, possono emergere segnali meno visibili. Le decisioni vengono prese più in fretta, ma con meno confronto reale. I responsabili si affidano all’output anche quando conoscono eccezioni che il sistema non intercetta. Si riduce la distinzione tra supporto informativo e responsabilità della scelta. Il problema, in questi casi, non è la presenza dell’AI. Il problema è l’assenza di una architettura decisionale abbastanza chiara da governarne l’uso.

 

La domanda corretta

Molte imprese si chiedono quanto tempo farà risparmiare l’AI. È una domanda comprensibile, ma non sufficiente. La domanda più utile è un’altra: questo strumento migliora davvero il modo in cui decidiamo oppure rende solo più rapida una decisione che resta fragile?

Per rispondere seriamente, una PMI dovrebbe chiarire almeno cinque punti: quale problema decisionale vuole migliorare; quale parte del processo viene effettivamente supportata; quali dati alimentano il sistema e con quali limiti; chi valida l’output; dove resta collocata, in modo esplicito, la responsabilità del giudizio. Senza questa chiarificazione, l’adozione rischia di rimanere superficiale.

Questa esigenza di governo è confermata anche dalle evidenze più ampie sull’uso dell’AI nel lavoro. Il report globale KPMG–University of Melbourne 2025, basato su oltre 48.000 persone in 47 paesi, segnala che il 66% dichiara di utilizzare output AI senza verificarne l’accuratezza e che il 56% ammette di aver commesso errori lavorativi dovuti all’AI. Sono dati trasversali, non limitati alle PMI, ma utili per ricordare una cosa semplice: l’adozione corre spesso più veloce del controllo.

 

Un criterio di metodo

L’AI crea valore quando entra in un processo che sa già che cosa vuole migliorare, quali decisioni contano davvero, con quali criteri devono essere assunte, chi ne risponde e come se ne misura l’efficacia. Quando invece viene introdotta come acceleratore generico, il rischio è diverso: aumentare la velocità di un sistema che non ha ancora chiarito bene la propria logica decisionale.

In questi casi la tecnologia non corregge la fragilità manageriale. La rende più efficiente. Ed è proprio questo il punto che le PMI dovrebbero considerare con maggiore lucidità.

 

Conclusione

Per le piccole e medie imprese, l’intelligenza artificiale può rappresentare una leva importante. Sarebbe poco realistico negarlo. Può migliorare la lettura dei dati, rafforzare alcune attività di analisi, velocizzare passaggi operativi e supportare processi decisionali che oggi soffrono di lentezza o dispersione.

Ma il suo valore non dipende solo dalla qualità dello strumento. Dipende dalla qualità del contesto manageriale in cui viene inserita. Il punto, quindi, non è semplicemente adottare l’AI. Il punto è farlo senza rinunciare al presidio del giudizio, senza confondere supporto e decisione, senza scambiare l’ordine dell’output per solidità del ragionamento e senza delegare in modo implicito una funzione che resta, e deve restare, profondamente manageriale.

Una buona direzione aziendale non coincide con la disponibilità di molte risposte. Coincide con la capacità di porre le domande giuste, pesare le alternative, assumersi la responsabilità delle scelte e correggere rotta quando il contesto cambia. Quando questo presidio resta saldo, l’AI può aumentare la qualità del governo. Quando si indebolisce, il rischio non è solo una cattiva adozione tecnologica. È una progressiva erosione della qualità decisionale dell’impresa.

 

Per approfondire

Keding, C., & Meissner, P. (2021). Managerial overreliance on AI-augmented decision-making processes: How the use of AI-based advisory systems shapes choice behavior in R&D investment decisions. Uno dei riferimenti più utili per leggere il tema in chiave manageriale: mostra come i sistemi di advisory AI possano migliorare la percezione della qualità del processo decisionale e, nello stesso tempo, favorire overreliance.

Lee, H. P. H. et al. (2025). The Impact of Generative AI on Critical Thinking. Ricerca utile perché sposta il focus dall’errore dell’AI alla possibile riduzione dello sforzo cognitivo umano.

Kücking, F. et al. (2024). Automation Bias in AI-Decision Support: Results from an Empirical Study. Studio empirico utile per sostenere il concetto di automation bias e il rischio di adesione a raccomandazioni errate.

Gillespie, N. et al. (2025). Trust, attitudes and use of artificial intelligence: A global study 2025. Fonte utile per dare peso quantitativo al tema dell’uso acritico dell’AI nel lavoro.

OECD (2025). Algorithmic management in the workplace. Riferimento istituzionale importante per collocare il tema dentro una tendenza più ampia di crescente uso di sistemi algoritmici nella gestione del lavoro e dei processi organizzativi.

 

 

Mi interessa soprattutto il punto di vista di chi accompagna imprese in percorsi di innovazione, controllo o sviluppo organizzativo: in quali passaggi vedete oggi con più chiarezza la differenza tra usare l’AI e governarne davvero l’uso?