Resistenza al cambiamento nelle PMI manifatturiere

Il Piano Industria 4.0 e poi Transizione 4.0 hanno generato circa 35 miliardi di euro di crediti d'imposta maturati nel periodo 2020-2023, di cui circa 27 su beni materiali 4.0, a fronte di oltre 157.000 investimenti agevolati delle società di capitali per circa 60 miliardi. Il rapporto finale di valutazione del Comitato scientifico MEF-MIMIT-Banca d'Italia, pubblicato il 14 maggio 2026, dice che quei soldi hanno funzionato su una cosa: ogni euro di credito ha attivato tra 1,5 e 2 euro di investimenti materiali, e l'occupazione delle imprese beneficiarie è cresciuta tra lo 0,7% e il 3,4%.

Sulla produttività, no. Il rapporto trova incrementi di produttività solo per le micro e piccole imprese, e li definisce "positivi, seppur limitati". Per le imprese più grandi, nessun effetto. L'Ufficio Parlamentare di Bilancio, nel suo Rapporto sulla politica di bilancio 2025, è ancora più netto: nessun effetto statisticamente significativo degli incentivi su redditività e produttività del lavoro delle società di capitali beneficiarie. E la Banca d'Italia, in una memoria del 30 settembre 2026, stima che l'addizionalità microeconomica media di quegli incentivi sia stata "poco superiore al 10 per cento": circa nove investimenti su dieci sarebbero stati fatti comunque.

Questo è il punto di partenza dell'articolo, e vale più di qualunque discorso sull'innovazione.

Le macchine sono entrate. La produttività non è arrivata. E se la tecnologia non produce valore da sola nemmeno quando qualcun altro te la paga, significa che il valore sta altrove. Sta nel modo di lavorare che ci metti intorno. E quello non si compra.

La tesi, detta con precisione

La tesi comune suona così: la tecnologia corre, le aziende italiane sono lente, le persone resistono. È vera solo in parte, ed è formulata in un modo che non serve a niente.

La formulazione precisa, quella che i dati sostengono, è un'altra: la tecnologia si compra, la capacità di cambiare il modo di lavorare no, ed è quest'ultima che produce valore. Il collo di bottiglia di una PMI manifatturiera italiana non è la disponibilità della tecnologia né il suo prezzo. È la capacità di riprogettare processi, dati, ruoli e decisioni in tutte le funzioni: ufficio tecnico, preventivazione, vendite, marketing, gestione clienti, acquisti, produzione, amministrazione.

E il nemico non è il capo officina che fa domande scomode. Come vedremo, su questo la letteratura degli ultimi venti anni ha cambiato idea, e aveva ragione a cambiarla.

Non è una questione di soldi, e lo dicono le imprese stesse

Il dato più utile della rilevazione ISTAT "Imprese e ICT 2025", pubblicata il 15 dicembre 2025, non riguarda chi ha adottato l'intelligenza artificiale. Riguarda chi l'ha valutata e ha deciso di non farlo. A quelle imprese è stato chiesto perché.

Il costo è al quinto posto. Prima vengono le competenze e i dati, cioè due cose interne.

Questo smonta la spiegazione più diffusa nelle PMI manifatturiere, che è "lo faremmo ma costa troppo". Le imprese italiane, interrogate direttamente, dicono un'altra cosa: non sappiamo farlo, e i nostri dati non sono in condizione di essere usati.

C'è un secondo dato ISTAT che chiude il cerchio, e fa quasi sorridere. Tra le imprese che dichiarano di usare l'intelligenza artificiale, il 33,4% non indica alcuna finalità aziendale, contro il 15,5% dell'anno prima. E l'83,3% di queste imprese ha tra 10 e 49 addetti. ISTAT parla di adozione "ancora poco strutturata".

Tradotto: un terzo delle imprese che dicono di usare l'AI hanno comprato un abbonamento, non hanno cambiato un processo. È la stessa dinamica dei 35 miliardi di crediti d'imposta, in formato piccolo.

Il divario che si sta allargando, per la prima volta

Negli ultimi anni la digitalizzazione delle PMI manifatturiere italiane è stata raccontata come una storia di recupero: lento, ma recupero. Sui dati ISTAT 2025 questo è vero per quasi tutte le tecnologie: il divario tra PMI e grandi imprese si riduce su cloud, analisi dei dati, gestionali.

Tranne che sull'intelligenza artificiale, dove il divario si amplia passando da circa 20 punti percentuali nel 2023 a 25 nel 2024, fino a 37 nel 2025 (53,1% delle grandi imprese contro il 15,7% delle PMI).

È la prima tecnologia recente che sta aumentando, non riducendo, la distanza tra piccoli e grandi. Il motivo è coerente con gli ostacoli dichiarati sopra: cloud ed ERP si compravano, l'AI va integrata nei processi e nei dati, e integrare richiede competenze che le grandi imprese hanno internamente.

Il confronto europeo, su dati Eurostat 2025, colloca l'Italia al 16,4% contro una media UE del 20,0%, con la Germania intorno al 26% e la Danimarca al 42,0%. Nel solo manifatturiero l'Italia è al 14,7%. La Banca d'Italia, nel Questioni di Economia e Finanza n. 1009 di giugno 2026, sintetizza così: circa 4 punti sotto la media UE e quasi 10 sotto la Germania.

Non è un abisso. È un ritardo che diventa strutturale se nessuno lo tratta come un problema organizzativo invece che di budget.

Dove si è fermata la digitalizzazione: la fabbrica sì, il cliente no

Questo è il dato su cui vale la pena fermarsi più di tutti, perché descrive esattamente il problema che l'articolo vuole mettere in evidenza.

Nel manifatturiero italiano, secondo ISTAT 2025:

ERP: 59,9%

CRM: 19,0%

Analisi dei dati: 45,9%

Cloud: 75,8%

Sito web: 82,5%

Vendite online per almeno l'1% dei ricavi: 10,1%

Sei aziende su dieci hanno un gestionale che governa ordini, magazzino, produzione e contabilità. Due su dieci hanno uno strumento che governa la relazione con il cliente.

E attenzione, perché c'è un'altra cosa che smentisce il luogo comune. In fabbrica l'Italia non è indietro: secondo le elaborazioni su dati IFR World Robotics, la densità robotica italiana è intorno ai 237 robot per 10.000 addetti manifatturieri, sopra la media UE di 231, e l'Italia è il secondo mercato europeo della robotica dopo la Germania.

Il ritardo italiano non è in produzione. È negli uffici. È nell'ufficio tecnico, nella preventivazione, nelle vendite, nel marketing, nella gestione del cliente. Cioè esattamente dove si costruisce o si perde il vantaggio competitivo di cui parliamo, perché la qualità del prodotto è ormai un requisito d'ingresso, non un elemento di differenziazione.

E succede nel momento peggiore, perché il cliente sta cambiando modo di comprare. Secondo Gartner (società di consulenza, non fonte istituzionale, e il dato non è specifico del manifatturiero italiano) quando un buyer B2B valuta un acquisto complesso dedica solo il 17% del tempo a incontrare i potenziali fornitori, e il tempo con un singolo fornitore può ridursi al 5-6% quando ne confronta diversi. Il resto è ricerca autonoma online, ricerca offline e riunioni interne del gruppo d'acquisto.

Non serve prendere quella percentuale alla lettera. Serve prendere la direzione: la quota del processo d'acquisto in cui il tuo commerciale può influire si sta restringendo, e la quota in cui il cliente si informa da solo si sta allargando. Un'azienda con ERP al 60% e CRM al 19% sta investendo per presidiare la parte del processo che conta sempre meno.

Il primo anno peggiora. Chi non lo sa, si ferma

Questa è l'informazione più utile che un imprenditore può avere prima di iniziare, e nessun fornitore la dice.

Brynjolfsson, Rock e Syverson hanno formalizzato il fenomeno nella "curva a J della produttività" (American Economic Journal: Macroeconomics, 2021): le tecnologie di uso generale richiedono grandi investimenti intangibili in riorganizzazione, processi e competenze, che sono mal misurati. Nei primi anni la produttività misurata viene sottostimata, e solo dopo, quando i benefici arrivano, si raccoglie.

La verifica a livello di singolo stabilimento è recente e molto concreta. McElheran, Yang, Kroff e Brynjolfsson, su dati del Census Bureau statunitense relativi a oltre 30.000 stabilimenti manifatturieri (2017 e 2021, working paper 2025), trovano perdite di produttività iniziali dopo l'adozione di AI industriale, con costi di aggiustamento visibili nei numeri: aumento dei semilavorati in giacenza, investimenti in robot, riduzione del personale.

Due dettagli di quello studio contano molto per il target di questo articolo.

Il primo: le perdite sono concentrate negli stabilimenti più vecchi. Un capannone con trent'anni di stratificazioni, impianti aggiunti in momenti diversi e layout cresciuto per necessità paga il cambiamento più di uno nuovo.

Il secondo, ancora più interessante: nelle imprese mature l'adozione dell'AI si accompagna a un calo delle pratiche di gestione strutturate. Cioè, nel momento in cui si introduce lo strumento nuovo, l'organizzazione smette di fare le cose ordinate che faceva prima. Il che è esattamente l'opposto di quello che servirebbe.

La conseguenza pratica è una sola. Chi parte sapendo che il primo anno sarà peggiore non abbandona a metà. Chi non lo sa, dopo otto mesi conclude "da noi non funziona", torna al file Excel di prima, e quella conclusione resta in azienda per dieci anni come una verità acquisita.

Perché la stessa tecnologia rende diversamente in due aziende identiche

Qui c'è il pilastro intellettuale di tutto il ragionamento, e viene da uno studio che ha un titolo provocatorio.

Bloom, Sadun e Van Reenen, in "Americans Do IT Better: US Multinationals and the Productivity Miracle" (American Economic Review, 2012), hanno confrontato multinazionali statunitensi operanti in Europa con imprese europee comparabili. Le prime ottengono più produttività dallo stesso investimento in IT. La differenza non è la tecnologia, che è la stessa. È il modo di gestire le persone: obiettivi misurati, promozioni e incentivi legati alla performance, gestione esplicita di chi non rende.

Detto in termini che servono a un imprenditore: la tecnologia è un moltiplicatore, non un addendo. Se la moltiplichi per un'organizzazione che misura, ottieni un risultato. Se la moltiplichi per un'organizzazione che non misura, ottieni zero moltiplicato per qualcosa.

Lo stesso gruppo di ricerca ha fatto l'esperimento inverso, e il risultato è ancora più utile. Bloom, Eifert, Mahajan, McKenzie e Roberts (Quarterly Journal of Economics, 2013) hanno introdotto in un gruppo casuale di imprese tessili indiane solo pratiche manageriali di base: misurazione, gestione delle scorte, controllo qualità, manutenzione programmata. Niente tecnologia nuova. La produttività è aumentata del 17% nel primo anno.

Il seguito di quella storia è la parte che nessuno racconta. Nel follow-up (American Economic Journal: Applied Economics, 2020) gli autori scrivono che circa metà delle pratiche adottate negli stabilimenti sperimentali erano state abbandonate, pur restando un divario significativo con gli stabilimenti di controllo. Le cause che indicano sono due: il turnover dei responsabili e la mancanza di tempo del titolare.

Tenete insieme queste due cose, perché insieme dicono tutto quello che serve sapere sul cambiamento in una PMI familiare:

Si può ottenere un +17% di produttività senza comprare niente, solo cominciando a misurare.

Se il titolare non presidia personalmente il cambiamento, metà di quel risultato si dissolve da solo.

Il consulente che entra, installa, forma e va via non lascia un cambiamento. Lascia un cambiamento che si sta già sciogliendo.

Il nemico non è il tuo capo officina

Arriviamo al punto più delicato, quello dove la letteratura ha cambiato idea e dove la vulgata manageriale italiana è rimasta ferma agli anni Novanta.

Partiamo da due numeri che probabilmente avete già letto, e che non vanno usati.

"Il 70% delle trasformazioni organizzative fallisce." Questa cifra circola da Hammer e Champy (1993), è stata ripresa da Beer e Nohria su Harvard Business Review nel 2000 e poi da innumerevoli pubblicazioni di consulenza. Mark Hughes, dell'Università di Brighton, l'ha verificata risalendo a cinque istanze pubblicate della cifra, e ha concluso che non esiste evidenza empirica valida e affidabile a sostegno di quella narrazione (Journal of Change Management, 2011). Nessuna delle fonti definisce campione, tipo di cambiamento o criterio di fallimento. Si può dire che il cambiamento organizzativo è difficile. Non si può dire che il 70% fallisce.

"Il 95% dei progetti di AI generativa non produce ritorni." Viene dal report MIT Project NANDA del 2025, basato su 52 interviste, una survey a 153 dirigenti e una finestra di misurazione di circa sei mesi, con dati che gli autori stessi dichiarano "directionally accurate". Non è peer-reviewed, la metodologia è stata contestata pubblicamente, e il report promuove l'infrastruttura sviluppata dagli stessi autori. La sua diagnosi qualitativa (i progetti si bloccano quando lo strumento non si integra nei flussi di lavoro) è coerente con la letteratura seria. La percentuale no.

Ora la parte sostanziale. Per decenni la "resistenza al cambiamento" è stata trattata come un difetto delle persone da superare. Dent e Goldberg (Journal of Applied Behavioral Science, 1999) hanno osservato che le persone non resistono al cambiamento in sé: resistono alla perdita di status, di retribuzione, di competenza riconosciuta, di comfort. Sono cose diverse, e si affrontano in modi diversi.

Ford, Ford e D'Amelio sono andati più a fondo in "Resistance to Change: The Rest of the Story" (Academy of Management Review, 2008). La loro tesi è che "resistenza" è spesso un'etichetta che chi promuove il cambiamento usa per spiegare i propri insuccessi. Le obiezioni di chi lavora contengono informazione: difetti reali del progetto, rischi che chi ha deciso non vedeva, vincoli operativi noti solo a chi sta in reparto.

In un'azienda di sessanta persone, il tecnico che dice "questo configuratore non gestisce le varianti che facciamo davvero" ha quasi sempre ragione. Non è resistenza: è l'unica persona in azienda che sa come funziona il prodotto.

La resistenza che blocca davvero un'azienda manifatturiera familiare è un'altra, ed è quella di chi non vuole rinunciare al proprio modo di decidere. È il titolare che continua a quotare i preventivi importanti "a sentimento" perché lo ha sempre fatto bene, e che quindi non può permettere che esista un sistema di costificazione, perché quel sistema renderebbe visibile e discutibile un giudizio che oggi non lo è. Non è cattiva volontà. È che il cambiamento gli chiede di cedere l'unica cosa che in trent'anni non ha mai delegato.

Coch e French lo avevano mostrato sperimentalmente già nel 1948, nello stabilimento Harwood: i gruppi coinvolti nella progettazione dei nuovi metodi di lavoro si adattavano più rapidamente di quelli a cui il cambiamento veniva imposto. Settantotto anni dopo, è ancora la leva più efficace e la meno usata.

Perché il vantaggio costruito in trent'anni si erode

Il riferimento teorico più centrato per questo target non è Christensen e la disruption, che è il più famoso ma il meno pertinente: per una PMI di subfornitura la minaccia tipica non è il nuovo entrante low-cost, è il cliente che cambia modo di comprare. Per la cronaca, la teoria della disruption è stata anche contestata empiricamente, da Jill Lepore sul New Yorker nel 2014 e da King e Baatartogtokh su MIT Sloan Management Review nel 2015, che hanno trovato che pochi dei casi canonici rispettano tutti gli elementi della teoria.

Il riferimento giusto è Dorothy Leonard-Barton, "Core Capabilities and Core Rigidities" (Strategic Management Journal, 1992): le competenze distintive di un'impresa, cioè le conoscenze tecniche, i sistemi e i valori che l'hanno fatta vincere, sono le stesse che diventano rigidità quando l'ambiente cambia. Non si rompe niente. Semplicemente, quello che eri bravissimo a fare conta meno.

È l'unica spiegazione che rende giustizia a quello che vive un imprenditore manifatturiero: non ha sbagliato niente, ha continuato a fare bene la cosa su cui aveva costruito tutto, e si è trovato con un vantaggio che valeva meno.

Accanto, due costrutti che completano il quadro:

Teece, Pisano e Shuen, "Dynamic Capabilities and Strategic Management" (Strategic Management Journal, 1997): il vantaggio duraturo non sta nelle risorse che possiedi ma nella capacità di integrarle e riconfigurarle. Che è esattamente la tesi di questo articolo in linguaggio accademico: la tecnologia è una risorsa comprabile, la capacità di riconfigurare il modo di lavorare no.

March, "Exploration and Exploitation in Organizational Learning" (Organization Science, 1991): i ritorni dello sfruttamento di ciò che si sa già fare sono più certi e più vicini, quelli dell'esplorazione sono incerti e lontani. Per questo le organizzazioni mature scivolano strutturalmente verso lo sfruttamento. Non per pigrizia: per aritmetica dei rendimenti attesi.

E le imprese familiari?

Qui bisogna stare onesti, perché la letteratura è ambivalente e viene spesso citata male.

La meta-analisi di Duran, Kammerlander, van Essen e Zellweger (Academy of Management Journal, 2016), su 108 studi in 42 paesi, trova che le imprese familiari investono meno in innovazione ma convertono meglio l'input in output: fanno di più con meno. È il dato che le associazioni di famiglia citano sempre.

Però la replica di Block, Hansen e Steinmetz (Entrepreneurship Theory and Practice, 2023), su un campione aggiornato, trova solo un debole effetto negativo sull'input e nessun effetto sull'output. Cioè: le imprese familiari non sono sistematicamente più efficienti nell'innovazione, e quello che conta è l'enorme eterogeneità tra di loro.

Il contributo più utile è di Chrisman, Chua, De Massis, Frattini e Wright (Journal of Product Innovation Management, 2015), che chiamano il fenomeno il paradosso "ability and willingness": le famiglie hanno più potere di decidere l'innovazione, perché controllano l'azienda e non devono convincere nessuno, ma meno propensione a farlo. Il meccanismo è quello che Gómez-Mejía e colleghi hanno chiamato socioemotional wealth (Administrative Science Quarterly, 2007): si evitano i rischi che minacciano il controllo familiare anche a costo di rinunciare a rendimenti.

Una PMI familiare può decidere in due giorni quello che una multinazionale decide in sei mesi. Quasi nessuna lo fa. Non è un problema di capacità, è un problema di volontà, e sapere che il vincolo è la volontà cambia completamente dove bisogna intervenire.

Un dato di contesto che aiuta a inquadrare l'urgenza: secondo l'Osservatorio AUB (AIDAF, UniCredit, Bocconi, XVI edizione, 2025) circa un leader di impresa familiare su quattro ha più di settant'anni, e i leader sotto i cinquanta sono meno di due su dieci. La XVII edizione stima che tra il 2025 e il 2034 il 33,5% delle aziende familiari censite potrebbe affrontare un passaggio generazionale. L'osservatorio copre imprese sopra i 20 milioni di ricavi, quindi solo la parte alta del nostro target.

Il vincolo vero: le persone che sanno fare non si trovano più

C'è un dato che collega tutto il ragionamento e che molti imprenditori sottovalutano, perché lo vivono come un fastidio di recruiting e non come un rischio strategico.

Secondo il Sistema informativo Excelsior (Unioncamere e Ministero del Lavoro), la difficoltà di reperimento complessiva è stata del 45% nel 2023, 48% nel 2024 e 47% nel 2025. Il bollettino di ottobre 2025 scende nel dettaglio dei profili che interessano a un'azienda meccanica:

E il motivo prevalente non è la preparazione inadeguata dei candidati, che pesa intorno al 12-13% delle entrate. È la mancanza di candidati, intorno al 26-32%. Non è skill mismatch, è demografia.

Ora mettete insieme questo con la struttura di conoscenza di un'azienda su commessa. Il preventivo di una macchina speciale è conoscenza tecnica tacita che vive nella testa di due o tre persone. Quelle persone hanno in media più di cinquant'anni. Il mercato non ne produce di nuove al ritmo con cui vanno in pensione.

Da qui il modo corretto di guardare alla digitalizzazione dell'ufficio tecnico e della preventivazione: non è efficienza, è continuità. Non è "risparmiamo tempo", è "codifichiamo quello che sappiamo prima che esca dalla porta". È un argomento molto più forte di qualunque promessa di produttività, e funziona anche con l'imprenditore più diffidente, perché descrive un rischio che lui vede già tutti i giorni.

Vale la pena dire che su CPQ, configuratori e sistemi di preventivazione nelle PMI manifatturiere italiane non esistono dati istituzionali di adozione, e le cifre su tempi di risposta e tassi di successo delle offerte provengono quasi tutte da fornitori di quei sistemi. L'argomento è logico e solido, i numeri che girano non lo sono.

Dove la prudenza non è resistenza, ma buon senso

Un articolo che dicesse solo "investite, cambiate, muovetevi" sarebbe disonesto, perché una parte della cautela delle PMI italiane è una risposta razionale a cose che sono andate male per davvero.

Gli incentivi sono andati a chi investiva già. L'UPB osserva che gli incentivi 4.0 sono andati soprattutto a imprese già redditizie e che già investivano più della media, e che l'effetto sul tasso di investimento è stato modesto per l'iperammortamento. Chi sospetta che gli incentivi premino chi era già partito ha un punto.

La storia di Transizione 5.0 è una lezione di come non si disegna una misura. Stanziamento iniziale di 6,3 miliardi per il biennio 2024-2025, piattaforma GSE operativa solo da agosto 2024, vincolo di risparmio energetico da certificare prima e dopo, regole cambiate in corsa. A settembre 2025 risultavano prenotati circa 1,6 miliardi e utilizzati effettivamente circa 260 milioni. Poi la rimodulazione del PNRR ha ridotto le risorse a 2,5 miliardi, le domande sono esplose nelle ultime settimane e il MIMIT ha chiuso le conferme per esaurimento fondi, riconoscendo alle imprese rimaste fuori l'89,77% del credito richiesto. Le imprese, nel frattempo, avevano preferito il Piano 4.0, più semplice.

Un anno e mezzo di sotto-utilizzo seguito da una corsa finale non è il profilo di imprese che hanno paura dell'innovazione. È il profilo di imprese che hanno paura dell'incertezza amministrativa, e hanno fatto bene.

L'incertezza normativa sull'AI è reale. Il 47,3% delle imprese che hanno valutato l'AI senza adottarla cita la mancanza di chiarezza sulle conseguenze legali, in aumento dal 40,1% del 2023, e il 43,2% la privacy.

Per alcuni l'AI non serve, e non è un errore. Il 14,8% delle imprese che l'hanno considerata ritiene che non sia utile per la propria attività. In produzioni a lotto unitario, con altissima variabilità e volumi bassi, l'automazione rigida può non essere efficiente: McElheran e colleghi riportano rendimenti dell'AI più alti negli impianti a flusso continuo.

La prudenza diventa resistenza in un solo caso: quando serve a non guardare i numeri.

Cosa fare, in ordine

Questa lista è una mia sintesi dell'evidenza citata sopra, non una prescrizione che qualcuno abbia misurato come tale. Ma ogni punto poggia su qualcosa.

1. Cominciare dalla misurazione, non dalla tecnologia. L'esperimento indiano ha prodotto +17% di produttività introducendo solo pratiche di base: misurare, tenere sotto controllo le scorte, gestire la qualità, programmare la manutenzione. Nessun software. Se un processo non è misurato, automatizzarlo significa automatizzare il disordine a velocità maggiore.
2. Mettere in bilancio la curva a J. Dichiarare in anticipo, a sé stessi e all'azienda, che i primi sei o dodici mesi saranno peggiori. Chi lo mette nel piano resiste alla valle. Chi non lo mette, torna indietro.
3. Partire da un processo stretto e misurabile. Non "digitalizziamo il commerciale". Ma: "la costificazione delle macchine della famiglia X, con confronto preventivo-consuntivo su tutte le commesse chiuse dell'ultimo anno". Un perimetro su cui si può dire se ha funzionato.
4. Mettere un presidio interno, non solo un fornitore. La lezione più dura del follow-up indiano: metà delle pratiche abbandonate, per turnover dei responsabili e mancanza di tempo del titolare. Il cambiamento che non ha un proprietario interno con tempo dedicato si dissolve da solo.
5. Trattare le obiezioni tecniche come dati di progetto. Ford, Ford e D'Amelio: la resistenza contiene informazione. Coch e French: chi partecipa alla progettazione del nuovo metodo si adatta più in fretta. Chi conosce il prodotto deve stare nella stanza quando si disegna il sistema, non riceverlo finito.
6. Chiedersi che cosa l'imprenditore deve smettere di decidere da solo. È la parte che nessuna tecnologia risolve e che decide tutto il resto.

Le quattro domande da farsi

Nella mia azienda, quale funzione lavora oggi esattamente come lavorava dieci anni fa? Se la risposta è l'ufficio tecnico, la preventivazione o il commerciale, è lì che si sta erodendo il vantaggio.

Ho un CRM, o ho un ERP e una rubrica? Nel manifatturiero italiano l'ERP è al 59,9% e il CRM al 19,0%. Se sei nella seconda categoria, non sei in ritardo rispetto a una moda: sei scoperto su un processo che sta cambiando.

Chi, in azienda, ha tempo dedicato e autorità per far sopravvivere un cambiamento dopo che il fornitore è andato via? Se la risposta è "nessuno", qualunque progetto si scioglierà.

Quali tre persone hanno in testa conoscenza che l'azienda non ha scritto da nessuna parte, e quanti anni mancano alla loro pensione?

Conclusione: il nemico ha il tuo stesso cognome

Trentacinque miliardi di euro di crediti d'imposta hanno comprato macchine e non hanno comprato produttività. Non perché le macchine fossero sbagliate, ma perché la produttività non sta nella macchina: sta in come l'azienda decide, misura e organizza il lavoro intorno a quella macchina. Lo dicono i documenti ufficiali italiani, non un articolo di marketing.

Questo è il motivo per cui "resistenza al cambiamento" è il nome giusto per il problema e la diagnosi sbagliata. Non è il reparto che resiste. È che cambiare il modo di lavorare significa cambiare chi decide, come si misura, cosa è visibile e cosa resta nella testa di una persona sola. E in un'impresa familiare quella persona sola, molto spesso, è quella che ha costruito tutto.

Il vantaggio competitivo che una PMI manifatturiera italiana ha accumulato in trent'anni di competenza tecnica, qualità e relazioni non viene distrutto da un concorrente. Si svaluta, lentamente, perché il mercato comincia a premiare altre cose: tempo di risposta, trasparenza dell'offerta, capacità di farsi trovare prima che il buyer ti chiami, continuità della conoscenza quando il tecnico va in pensione. Sono tutte cose che vivono negli uffici, non in officina. Ed è negli uffici, non in officina, che l'Italia è indietro.

Il punto in cui noi lavoriamo è quello del gap più ampio: ERP al 59,9% e CRM al 19,0%, in un momento in cui il cliente industriale decide una parte crescente del proprio acquisto prima di parlare con qualcuno. In B2B Effect costruiamo con le PMI manifatturiere familiari il processo commerciale e di marketing che quelle aziende non hanno mai avuto, perché non serviva: fino a ieri il prodotto e la rete personale del titolare bastavano. Il nostro mestiere è farlo diventare un processo misurabile, con un presidio che resta in azienda, non un progetto che si scioglie quando il fornitore smette di chiamare.

Comunque, prima di qualunque fornitore, c'è un esercizio gratuito da fare: prendere le commesse chiuse nell'ultimo anno e confrontare ore preventivate e ore consuntivate. Se quel confronto non è possibile, il problema non è la tecnologia.

Nota metodologica

Dati istituzionali italiani ed europei utilizzati: ISTAT, Imprese e ICT 2025 (pubblicata il 15 dicembre 2025, imprese con almeno 10 addetti); Eurostat, survey ICT 2025; Banca d'Italia, Questioni di Economia e Finanza n. 1009 (giugno 2026) e memoria del 30 settembre 2026; Comitato scientifico MEF-MIMIT-Banca d'Italia, rapporto finale di valutazione del Piano Transizione 4.0 (14 maggio 2026); Ufficio Parlamentare di Bilancio, Rapporto sulla politica di bilancio 2025, capitolo 5; Sistema informativo Excelsior (Unioncamere e Ministero del Lavoro); Osservatorio AUB (AIDAF, UniCredit, Bocconi).

Letteratura peer-reviewed utilizzata: Bloom, Sadun e Van Reenen (AER 2012); Bloom, Eifert, Mahajan, McKenzie e Roberts (QJE 2013) e il follow-up (AEJ: Applied Economics 2020); Brynjolfsson, Rock e Syverson (AEJ: Macroeconomics 2021); Hughes (Journal of Change Management 2011); Ford, Ford e D'Amelio (AMR 2008); Dent e Goldberg (JABS 1999); Coch e French (Human Relations 1948); Leonard-Barton (SMJ 1992); Teece, Pisano e Shuen (SMJ 1997); March (Organization Science 1991); Duran et al. (AMJ 2016) e la replica di Block, Hansen e Steinmetz (ETP 2023); Chrisman et al. (JPIM 2015); Gómez-Mejía et al. (ASQ 2007).

Fonti da usare con cautela, segnalate nel testo: McElheran, Yang, Kroff e Brynjolfsson è un working paper del Census Bureau statunitense (2025) su dati USA, non ancora pubblicato su rivista; i dati Gartner sul comportamento dei buyer B2B sono stime di una società di consulenza e non si riferiscono al manifatturiero italiano; la densità robotica italiana di 237 robot per 10.000 addetti proviene da elaborazioni secondarie su dati IFR World Robotics.

Dati citati e non usati, con il motivo: "il 70% delle trasformazioni digitali fallisce" (nessuna base empirica verificabile, secondo Hughes 2011); "il 95% dei progetti di AI generativa fallisce" (report MIT Project NANDA, preliminare, non peer-reviewed, metodologia contestata); percentuali di fallimento dei progetti ERP (fonti di consulenza e vendor con definizioni eterogenee); qualunque ROI dell'AI espresso come moltiplicatore.

Vuoti dichiarati: non esistono dati istituzionali italiani sull'adozione di CPQ, configuratori e sistemi di preventivazione nelle PMI manifatturiere; non esiste una fonte primaria sulla quota di PMI con un controllo di gestione strutturato; non è stata trovata evidenza italiana che leghi direttamente l'età del titolare all'adozione tecnologica. Le cifre consuntive finali di Transizione 5.0 divergono tra le fonti secondarie e manca un dato GSE consolidato. ISTAT non pubblica l'incrocio tra settore manifatturiero e classe dimensionale 10-249 addetti, quindi i dati manifatturieri citati riguardano tutte le imprese del settore con almeno 10 addetti.

Alcune cifre del capitolo 5 del Rapporto UPB 2025 e del rapporto finale del Comitato Transizione 4.0 sono state raccolte anche attraverso sintesi di stampa dei documenti primari e vanno verificate sui documenti originali prima di un uso in contesti formali.

Fonti

ISTAT, Imprese e ICT 2025 — https://www.istat.it/wp-content/uploads/2025/12/Statreport_ICT2025.pdf

Eurostat, 20% of EU enterprises use AI technologies, 11 dicembre 2025 — https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251211-2

Banca d'Italia, L'adozione dell'intelligenza artificiale: effetti su produttività e politiche a sostegno, QEF n. 1009, giugno 2026 — https://www.bancaditalia.it/pubblicazioni/qef/2026-1009/index.html

Banca d'Italia, memoria del 30 settembre 2026 — https://www.bancaditalia.it/pubblicazioni/memorie/memorie-2026/Memoria-30.09.2026.pdf

MEF, Transizione 4.0: pubblicato il Rapporto finale di valutazione per il periodo 2020-2023 — https://www.mef.gov.it/inevidenza/Transizione-4.0-pubblicato-il-Rapporto-finale-di-valutazione-per-il-periodo-20202023/

Banca d'Italia, Gli incentivi in investimenti 4.0: una valutazione dell'impatto della misura — https://www.bancaditalia.it/pubblicazioni/altri-rapporti/2024-mef/Gli_incentivi_in_investimenti_4.0.pdf

Ufficio Parlamentare di Bilancio, Rapporto sulla politica di bilancio 2025, capitolo 5 — https://www.upbilancio.it/wp-content/uploads/2025/06/Capitolo-5.pdf

Unioncamere, Sistema informativo Excelsior, bollettino ottobre 2025 — https://excelsior.unioncamere.net/tutte-le-notizie

Osservatorio AUB, XVI edizione, sintesi — https://aidaf-ey.unibocconi.eu/sites/default/files/media/attach/Sintesi%20Osservatorio%20AUB%20XVI%20edizione_Final.pdf

Osservatorio Innovazione Digitale nelle PMI, Politecnico di Milano — https://www.osservatori.net/comunicato/innovazione-digitale-nelle-pmi/pmi-italiane-innovazione/

Brynjolfsson E., Rock D., Syverson C., The Productivity J-Curve, American Economic Journal: Macroeconomics, 2021 — https://www.aeaweb.org/articles?id=10.1257%2Fmac.20180386

McElheran K., Yang M., Kroff Z., Brynjolfsson E., The Rise of Industrial AI in America, Census Bureau CES WP 25-27, 2025 — https://www2.census.gov/library/working-papers/2025/adrm/ces/CES-WP-25-27.pdf

Bloom N., Eifert B., Mahajan A., McKenzie D., Roberts J., Does Management Matter? Evidence from India, QJE 2013 — https://poverty-action.org/sites/default/files/publications/Does-Management-Matter-Evidence-from-India-Bloom-et-al-2013.pdf

Bloom N., Mahajan A., McKenzie D., Roberts J., Do Management Interventions Last?, NBER WP 24249 — https://www.nber.org/system/files/working_papers/w24249/w24249.pdf

Hughes M., Do 70 per cent of all organizational change initiatives really fail?, Journal of Change Management, 2011 — https://research.brighton.ac.uk/en/publications/do-70-per-cent-of-all-organizational-change-initiatives-really-fa/

Block J., Hansen C., Steinmetz H., Are Family Firms Doing More Innovation Output With Less Innovation Input?, Entrepreneurship Theory and Practice, 2023 — https://journals.sagepub.com/doi/abs/10.1177/10422587221084249

Duran P., Kammerlander N., van Essen M., Zellweger T., Doing More with Less: Innovation Input and Output in Family Firms, AMJ 2016 — https://research-portal.uu.nl/en/publications/doing-more-with-less-innovation-input-and-output-in-family-firms/

InnovationPost, Transizione 5.0 al capolinea: risorse esaurite e stop alle prenotazioni — https://www.innovationpost.it/attualita/incentivi/transizione-5-0-al-capolinea-risorse-esaurite-e-stop-alle-prenotazioni/

IFR World Robotics, dati sulla densità robotica (elaborazione) — https://www.visualcapitalist.com/ranked-countries-most-industrial-robots-per-worker-2024-v2/