I dati proprietari potrebbero diventare il più prezioso vantaggio competitivo dell’IA

L’intelligenza artificiale sta diventando più accessibile per le aziende. I modelli leader possono essere concessi in licenza tramite piattaforme cloud, i sistemi open‑source possono essere personalizzati e gli assistenti IA stanno comparendo nei comuni software aziendali. Questa crescente disponibilità crea una domanda importante per gli investitori: se i concorrenti possono accedere a modelli simili, da dove deriveranno i vantaggi duraturi dell’IA?

Un nuovo studio pubblicato su Research Policy¹ suggerisce che la risposta potrebbe risiedere nella capacità delle aziende di combinare efficacemente l’intelligenza artificiale con dati proprietari, conoscenza istituzionale e competenza umana. L’argomento centrale è che l’IA non dovrebbe più essere trattata come un tradizionale strumento software. Sta diventando un altro agente di apprendimento all’interno dell’organizzazione.

Questa distinzione è importante perché l’acquisto di IA non rende automaticamente un’azienda più efficace nell’apprendimento. Le imprese hanno ancora bisogno di dati pertinenti, dipendenti che comprendano l’ambiente operativo, team tecnici in grado di configurare i modelli e processi che trasformino le intuizioni generate dall’IA in azioni. Le aziende che assemblano queste capacità in anticipo possono sviluppare vantaggi sempre più difficili da replicare.

L’IA sta cambiando il modo in cui le aziende assorbono conoscenza

Gli studiosi di gestione usano il termine “capacità di assorbimento” per descrivere la capacità di un’azienda di riconoscere conoscenze esterne di valore, comprenderle e applicarle commercialmente. Tradizionalmente, questo processo è stato visto come un’attività umana supportata da ricerca, comunicazione, formazione ed esperienza.

Il nuovo documento sostiene che questo quadro non è più sufficiente. I sistemi IA moderni possono scandire informazioni, rilevare schemi, combinare dati provenienti da domini non correlati e generare possibili spiegazioni o soluzioni. Piuttosto che semplicemente archiviare informazioni per il recupero da parte dei dipendenti, l’IA può influenzare ciò che l’organizzazione ricerca e come interpreta ciò che trova.

Ciò crea quella che il ricercatore chiama un’architettura di apprendimento duale. L’apprendimento umano rimane guidato da esperienza, contesto, associazione e giudizio. L’apprendimento automatico opera attraverso relazioni statistiche trovate nei dati. Ognuno ha punti di forza e debolezze diversi, e nessuno è sufficiente da solo.

Questo supporta una lezione più ampia che sta emergendo nell’economia: le informazioni non creano valore finché un’organizzazione non è in grado di interpretarle e agire su di esse. Recenti approfondimenti di Securities.io su come l’IA stia aprendo nuove opportunità per le piccole imprese hanno riscontrato analogamente che la capacità IA e la capacità imprenditoriale sono complementari piuttosto che intercambiabili.

Il patrimonio dei dati potrebbe diventare un asset aziendale a effetto cumulativo

Uno dei concetti più utili del documento è il “patrimonio dei dati”. Questo si riferisce al volume, alla varietà, alla qualità e alla storia dei dati accumulati da un’azienda.

I database tradizionali sono in gran parte passivi. Conservano le informazioni finché una persona o un programma predefinito le recupera e le analizza. L’IA rende i dati accumulati più attivi perché nuove informazioni possono modificare il modo in cui il sistema identifica schemi e genera conoscenza futura.

Un produttore, ad esempio, può possedere anni di registri di manutenzione, misurazioni di produzione, rapporti di difetti, log di apparecchiature e osservazioni dei tecnici. Un concorrente potrebbe acquistare un software IA comparabile, ma non può riprodurre istantaneamente quella storia operativa. I dati dell’incumbente possono aiutare i suoi modelli a diagnosticare guasti, ottimizzare la produzione e identificare relazioni non evidenti al momento della creazione dei registri.

Il processo può diventare auto‑rafforzante. Dati migliori aiutano un sistema IA a identificare quali informazioni aggiuntive sarebbero utili. L’azienda raccoglie quindi informazioni di qualità superiore, migliorando le analisi successive e guidando ulteriori raccolte. Il documento descrive questo investimento deliberato nella ricerca, curatela, integrazione e gestione dei dati come “sforzo di assorbimento dei dati”.

Il vantaggio risultante non è semplicemente avere più dati. Dati mal strutturati, irrilevanti o distorti possono indebolire un sistema. Il vantaggio competitivo nasce dalla combinazione di:

• Informazioni proprietarie e pertinenti
• Processi di raccolta e governance affidabili
• Dipendenti che comprendono il contesto operativo
• Competenza tecnica capace di adattare l’IA

Ciò è coerente con il più ampio spostamento verso strategie di dati ibridi che combinano informazioni aziendali proprietarie con grandi set di dati esterni. L’accesso a un modello potente potrebbe diventare comune, ma l’accesso al contesto interno corretto rimarrà disomogeneo.

Come l’IA può preservare la conoscenza istituzionale

Lo studio introduce anche l’idea di “virtualizzazione della conoscenza”. I dipendenti spesso accumulano competenze difficili da mettere per iscritto. Un tecnico esperto può rilevare un problema meccanico da una vibrazione insolita, mentre un analista del rischio può riconoscere un’applicazione sospetta senza riuscire a ridurre il giudizio a una semplice regola.

Le aziende tradizionalmente conservano questa conoscenza tacita attraverso formazione, mentorship, routine e esperienza condivisa. Questi metodi sono preziosi ma costosi, lenti da scalare e vulnerabili al turnover del personale.

L’IA crea un altro possibile canale. Modelli addestrati su decisioni, risultati, documenti, letture di sensori e casi storici possono codificare porzioni di conoscenza esperienziale in rappresentazioni matematiche. Questo non significa che un modello comprenda letteralmente tutto ciò che un dipendente esperto sa. Significa che l’organizzazione potrebbe preservare e riutilizzare i pattern derivati da tale competenza.

Ciò potrebbe trasformare conoscenza precedentemente associata a un singolo dipendente o team in un asset aziendale riutilizzabile. Nuovi collaboratori potrebbero interagire con un sistema IA che riflette parti del processo decisionale storico dell’organizzazione, mentre i dipendenti esperti potrebbero usare i suoi output per identificare prove trascurate.

Tuttavia, esiste una tensione strategica. La conoscenza tacita può essere preziosa proprio perché i concorrenti non possono copiarla facilmente. Virtualizzarla la rende più scalabile internamente, ma solleva anche preoccupazioni di sicurezza, governance e proprietà. Se dati di addestramento sensibili, pesi di modello o flussi di lavoro fossero esposti, l’azienda potrebbe trasferire involontariamente parte del suo vantaggio operativo.

Il giudizio umano e quello delle macchine devono rimanere collegati

Il documento chiama la coordinazione efficace della conoscenza di dominio e della conoscenza IA “dualità cognitiva”. Questa capacità richiede più del semplice impiego di data scientist accanto a manager esperti. I due gruppi devono essere in grado di comprendere e mettere in discussione l’uno le conclusioni dell’altro.

Gli esperti di dominio hanno bisogno di una sufficiente alfabetizzazione IA per riconoscere quando un modello è inaffidabile, opera al di fuori del suo ambiente di addestramento o confonde correlazione con causalità. I team tecnici hanno bisogno di una conoscenza di dominio adeguata per capire quali risultati sono rilevanti e quali vincoli non possono essere dedotti solo dai dati.

In assenza di questo ponte, le aziende affrontano due rischi opposti. I dipendenti potrebbero fidarsi troppo delle raccomandazioni IA, consentendo a errori o bias storici di diffondersi su larga scala. In alternativa, potrebbero rifiutare risultati utili perché il ragionamento del sistema è poco familiare o insufficientemente spiegabile.

Ciò aiuta a spiegare perché i progetti IA aziendali possono produrre risultati molto diversi anche quando le organizzazioni utilizzano modelli di base simili. Le prestazioni dipendono dal sistema di apprendimento circostante. Il World Economic Forum ha inoltre identificato dati pronti per l’IA, competenze dei dipendenti, modelli appropriati e governance responsabile come requisiti collegati per scalare l’IA in tutta l’impresa.

Cosa ha scoperto lo studio sull’apprendimento guidato dall’IA

La ricerca ha combinato una revisione concettuale con 40 interviste condotte in otto piccole e medie imprese “AI‑first” in Italia. I partecipanti ricoprivano ruoli tecnici e manageriali nei settori sanitario, finanziario, dei contenuti creativi, della gestione dei dati, delle previsioni e dell’analisi del rischio.

Il quadro è utile, ma le sue limitazioni sono importanti. Si tratta di uno studio qualitativo di costruzione teorica, non di evidenza quantitativa che queste capacità aumentino profitti o rendimenti per gli azionisti. Nessuna delle imprese partecipanti aveva 250 o più dipendenti, e tutte erano basate in un unico paese. Ulteriori ricerche sono necessarie per testare il modello su grandi imprese, settori a bassa tecnologia e diversi contesti economici.

ServiceNow offre esposizione ai flussi di lavoro IA aziendali

Per gli investitori che cercano esposizione a questo cambiamento, ServiceNow fornisce un esempio rilevante. La sua piattaforma collega dati aziendali, flussi di lavoro, dipendenti e agenti IA sempre più autonomi. Tale posizionamento rispecchia da vicino l’argomento del documento secondo cui il valore dell’IA nasce dalla sua integrazione con i processi organizzativi più che dal modello stesso.

ServiceNow ha ampliato il suo Workflow Data Fabric, AI Control Tower e le capacità di analisi autonoma. L’azienda descrive la sua fondazione dati aziendale in tempo reale come un modo per fornire contesto operativo governato ai sistemi IA. Securities.io ha inoltre esaminato l’opportunità adiacente nella sua copertura di UiPath e il mercato dell’automazione agentica.

Il caso d’investimento non è privo di rischi. La concorrenza nel software aziendale è intensa, le funzionalità IA potrebbero diventare commodity confezionate e i clienti potrebbero resistere al costo o alla complessità di ampie implementazioni di piattaforme. ServiceNow deve inoltre dimostrare che i suoi prodotti IA generano valore misurabile per i clienti, non solo un ampliamento dell’offerta.

Tuttavia, la sua posizione illustra l’intuizione d’investimento centrale del documento. Man mano che i modelli di base diventano più accessibili, il valore durevole potrebbe migrare verso le aziende che controllano il contesto dei flussi di lavoro, l’accesso ai dati governati e i sistemi attraverso i quali le decisioni umane e di macchina diventano azioni operative.

Il vero divario dell’IA potrebbe ampliarsi nel tempo

Il divario emergente potrebbe non riguardare le imprese che usano l’IA e quelle che non lo fanno. Potrebbe riguardare le aziende che trattano l’IA come uno strumento isolato e quelle che costruiscono un sistema di apprendimento organizzativo attorno ad essa.

I dati proprietari, l’esperienza accumulata, la governance del modello e il coordinamento interfunzionale sono tutti dipendenti dal percorso. Richiedono tempo per svilupparsi e migliorarsi attraverso l’uso ripetuto. Le aziende che iniziano a costruirli in anticipo possono ottenere un vantaggio cumulativo, mentre gli adottanti tardivi non possono necessariamente colmare il divario semplicemente acquistando il modello più recente.

Per gli investitori, ciò cambia il modo in cui la prontezza all’IA dovrebbe essere valutata. La spesa in software e infrastrutture informatiche è importante, ma rivela poco sulla capacità di un’azienda di tradurre l’IA in valore difendibile. Le domande più rivelatrici riguardano quali informazioni proprietarie controlla l’impresa, se può preservare l’expertise dei dipendenti, quanto strettamente i team tecnici collaborano con gli specialisti di dominio e se le intuizioni IA possono raggiungere i flussi di lavoro reali.

La prossima generazione di vincitori dell’IA potrebbe quindi essere definita meno da chi ha accesso all’intelligenza e più da chi sa come assorbirla.

Riferimenti:

¹ Pedota, M. (2026). Minds and machines: Rethinking absorptive capacity in the age of artificial intelligence. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600