Negli ultimi mesi quasi tutta la conversazione sull’intelligenza artificiale nell’ecommerce ha riguardato il lato visibile: assistenti che consigliano prodotti, agenti che comprano, cataloghi da rendere leggibili alle macchine. È la parte più interessante da raccontare, ed è anche quella che oggi muove la quota minore di fatturato.
Il Report Ecommerce Italia 2026 di Casaleggio Associati fotografa una situazione diversa. Il 35% degli operatori dichiara di avere già implementato l’intelligenza artificiale in azienda, un ulteriore 12% prevede di adottarla entro sei mesi, il 26% entro un anno e il 22% entro tre anni. Ma l’AI che quel 35% ha messo a terra non è, nella maggior parte dei casi, l’agente che vende. È l’AI che lavora dietro le quinte.
E qui arriva il dato scomodo.
Il 35% che ha adottato e il 95% che non vede ritorni
Lo studio del MIT noto come The GenAI Divide, realizzato nell’ambito del progetto NANDA su oltre trecento iniziative pubbliche, cinquantadue interviste a dirigenti e centocinquantatré risposte di leader aziendali, ha rilevato che circa il 95% dei progetti pilota di AI generativa non produce un impatto misurabile sul conto economico, a fronte di una spesa enterprise stimata tra i trenta e i quaranta miliardi di dollari.
Il numero è diventato virale e va letto con attenzione ai suoi limiti: misura i pilot su una finestra temporale breve e con un criterio di successo stretto, cioè l’impatto sul profit and loss. Non dice che l’AI non funziona. Dice che il passaggio dalla sperimentazione alla produzione è il punto in cui quasi tutti si fermano.
Il motivo individuato dagli autori non è tecnologico ma organizzativo, ed è stato definito learning gap: gli strumenti generici non imparano dai processi dell’azienda, non accumulano contesto e quindi restano fermi al livello della demo. Lo stesso studio segnala che il ritorno più consistente non arriva dalla riduzione del personale interno, ma dal taglio delle spese esterne, come contratti con fornitori di servizi in outsourcing o agenzie.
Gartner ha aggiunto una previsione coerente, stimando che oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027.
Il divario italiano tra grandi imprese e piccole aziende
In Italia il quadro ha una caratteristica sua. Secondo i dati Istat sull’uso dell’ICT nelle imprese, nel 2025 il 16,4% delle aziende con almeno dieci addetti utilizzava almeno una tecnologia di intelligenza artificiale, il doppio rispetto all’8,2% dell’anno precedente e più del triplo rispetto al 5% del 2023. La crescita è rapida, ma la media nasconde una frattura: le grandi imprese si attestano intorno al 53%, le piccole e medie intorno al 16%.
L’Osservatorio Innovazione Digitale nelle PMI del Politecnico di Milano aggiunge due numeri che spiegano molto: il 76% delle PMI italiane non investe in AI e non ha piani per farlo, e solo il 7% ha una formazione strutturata sul tema. Il secondo dato è particolarmente rilevante perché intercetta un obbligo normativo di cui quasi nessuno si è accorto, l’alfabetizzazione AI prevista dall’articolo 4 dell’AI Act, applicabile dal febbraio 2025.
Messi insieme, questi numeri dicono che il problema italiano non è la qualità degli strumenti disponibili, che sono gli stessi per tutti e costano poco. È che manca chi li governa.
Dove l’AI interna produce ritorni effettivamente misurabili
La distinzione utile non è tra AI buona e AI cattiva, ma tra attività dove il ritorno è verificabile in poche settimane e attività dove resta un atto di fede. Per un ecommerce di taglia italiana, le prime sono poche e piuttosto noiose.
Arricchimento e normalizzazione del catalogo. Generare attributi mancanti, uniformare nomenclature, tradurre schede, classificare prodotti importati da feed disordinati. È misurabile perché prima avevi un costo, in ore interne o in fatture a fornitori esterni, e dopo lo confronti. È anche il lavoro che rende il catalogo utilizzabile dai canali AI, quindi produce due ritorni con una spesa sola.
Deflection dell’assistenza di primo livello. Non sostituire il servizio clienti, ma intercettare le richieste ripetitive. La metrica è il rapporto tra ticket risolti senza intervento umano e ticket totali, letto insieme alla soddisfazione post contatto, perché un deflection rate alto con una soddisfazione in caduta è un costo spostato, non eliminato.
Previsione della domanda e rotazione del magazzino. Qui il ritorno si legge su capitale immobilizzato e rotture di stock, due voci che un imprenditore misura già.
Antifrode e verifica dei resi. Anomalie nei pattern di ordine e reso, dove il modello vede correlazioni che una regola fissa non coglie.
Pricing. Il terreno con il ritorno più rapido e anche il più delicato sul piano normativo, come ho già discusso parlando di pricing dinamico basato su AI e margini.
Quello che resta fuori da questo elenco non è inutile, ma va trattato come sperimentazione dichiarata, con un budget definito e una data di verifica.
Come impostare un progetto che esce dalla fase pilota
Dai dati emerge un pattern piuttosto netto su cosa distingue i progetti che arrivano in produzione. Tre condizioni minime ricorrono sempre.
La prima è un responsabile con nome e cognome, non un comitato. La seconda è una metrica scelta prima di iniziare, possibilmente una sola, e già misurata oggi in modo che esista un termine di paragone. La terza è la formazione delle persone che useranno lo strumento, che è anche l’elemento in cui le PMI italiane risultano più scoperte.
A queste aggiungerei una quarta condizione, che riguarda l’organizzazione più della tecnologia: definire in anticipo cosa si smette di fare. Un progetto AI che si limita ad aggiungere un passaggio al processo esistente produce quasi sempre un aumento di complessità senza risparmio. Se nessuna attività viene eliminata o esternalizzata diversamente, il ritorno non comparirà mai nel conto economico, indipendentemente da quanto bene funzioni il modello. È lo stesso ragionamento che vale quando si ridisegnano i ruoli del team attorno all’AI.
Le quattro domande da fare prima di firmare un contratto
Prima di acquistare uno strumento, quattro domande secche al fornitore chiariscono quasi tutto.
Su quali dati miei funziona, e cosa succede a quei dati. Quale componente di AI c’è dentro, e di chi è il modello sottostante, informazione che serve anche per capire quali obblighi ricadono su di te in quanto utilizzatore. Che cosa misuro per sapere se sta funzionando, e il fornitore deve saper rispondere con una metrica, non con un aggettivo. Quanto costa il secondo anno, perché i costi di esercizio di questi sistemi tendono a crescere con l’uso e non con il numero di licenze.
Se il fornitore non risponde alla terza domanda, probabilmente la risposta non esiste.
Il punto
La narrazione corrente spinge a guardare la parte spettacolare, cioè l’AI che parla con il cliente o che compra al posto suo. Quella parte conta e crescerà, ma oggi, per la maggior parte degli ecommerce italiani, il valore è concentrato in attività che nessuno racconta in conferenza: sistemare un catalogo, ridurre i ticket ripetitivi, comprare meno merce sbagliata.
Chi parte da lì ha anche un vantaggio laterale. I dati ordinati che servono a un modello interno sono gli stessi che servono a farsi scegliere dai canali AI esterni. Il lavoro è uno solo, i ritorni sono due, e il primo si misura entro il trimestre.
Domande frequenti
Quante aziende ecommerce italiane usano già l’intelligenza artificiale?
Secondo il Report Ecommerce Italia 2026 di Casaleggio Associati, il 35% degli operatori dichiara di averla implementata, con un ulteriore 12% che prevede di farlo entro sei mesi e il 26% entro un anno.
Perché il 95% dei progetti di AI generativa non produce ritorni?
Secondo lo studio MIT NANDA la causa è organizzativa, non tecnologica. Gli strumenti generici non accumulano contesto sui processi dell’azienda e i progetti restano bloccati nel passaggio dalla sperimentazione alla produzione.
Da quale applicazione conviene partire in un ecommerce piccolo?
Dall’arricchimento e dalla normalizzazione del catalogo, perché il risparmio è confrontabile con un costo che già sostieni e perché lo stesso lavoro migliora la visibilità sui canali AI esterni.
Quanto tempo serve per capire se un progetto funziona?
Se la metrica è stata scelta prima di iniziare e viene già misurata oggi, un trimestre è normalmente sufficiente per una delle applicazioni operative citate. Se dopo un trimestre la metrica non esiste ancora, il problema è l’impostazione, non il tempo.
Serve una formazione specifica per il personale?
Sì, ed è anche un obbligo. L’articolo 4 dell’AI Act impone misure di alfabetizzazione in materia di intelligenza artificiale a chi utilizza questi sistemi in azienda, applicabile dal 2 febbraio 2025, e in Italia risulta tra gli adempimenti meno presidiati dalle PMI.
Fonti
- Casaleggio Associati, Report Ecommerce Italia 2026: https://www.ecommerceitalia.info/news/ecommerce-italia-2026-quando-a-comprare-e-lai-cambia-il-commercio-digitale/
- Dati Istat e Osservatorio Innovazione Digitale nelle PMI sull’adozione dell’AI nelle imprese italiane: https://www.attitudepm.it/intelligenza-artificiale-nelle-pmi-i-numeri-2026/
- Sintesi dello studio MIT NANDA The GenAI Divide e del contesto italiano fermo ai pilot: https://www.strategicmp.it/2026/07/08/ai-in-azienda-il-95-dei-progetti-fallisce-i-costi-esplodono-e-litalia-resta-ferma-ai-pilot/
