AI-first company

Misurazione · Esplorare

Non tratti un punteggio di maturità come una previsione

Un punteggio di maturità o di preparazione all’IA descrive dove lei dice di trovarsi. Le prove che un punteggio più alto porti a risultati migliori sono scarse e contestate. Lo usi per avviare una discussione, non per prevedere i ritorni.

Autore
Ultima revisione
Correzioni
Segnala un errore
Quando Subito dopo. Quando i primi usi dell’IA sono già avviati.
Impegno Basso (giorni, una persona)
Prove Moderate Controverse

Due rassegne che hanno cercato tutti gli studi pubblicati concludono che il legame tra un livello di maturità o di preparazione e i risultati non è dimostrato. Un’indagine su 143 dirigenti trova invece un legame tra capacità nell’IA e risultati. Gli studi non concordano, per questo la pagina ha una segnalazione.

Adatta a
Settori Tutti i settori
Nella guida Cosa fallisce

Di che cosa si tratta

Se qualcuno le consegna un punteggio di maturità, lo legga come una descrizione di dove si trova, e cerchi i risultati altrove. I modelli di maturità collocano un’azienda su una scala, spesso a cinque livelli, e promettono che salirla ripaga. Li pubblicano società di consulenza, fornitori e ricercatori.

Che cosa mostrano le prove

Le ragioni per non affidarsi al punteggio

  • Una rassegna di dieci anni di studi sui modelli di maturità digitale riferisce che i ricercatori mettono in dubbio il valore dei modelli. I modelli non hanno regole oggettive per assegnare il punteggio, e nessuno ha dati che colleghino un livello di maturità ai risultati.
  • Molti modelli registrano soprattutto ciò che pensa l’alta direzione, non risultati misurabili.
  • Una rassegna di 47 studi ha trovato che il legame tra la preparazione al cambiamento e un’introduzione riuscita non è chiaro. Gli studi misurano la preparazione in molti modi diversi.
  • Una rassegna degli studi pubblicati sui modelli di maturità dell’IA ha trovato che 6 studi su 13 (46%) valutano soprattutto la tecnologia (Sadiq e altri, nelle fonti sotto).
  • Andare più a fondo non andava di pari passo con piani di assunzione migliori. La Federal Reserve Bank of New York ha analizzato un’indagine del 2025 sulle piccole imprese statunitensi con dipendenti. Tra le imprese che usavano l’IA, quelle che l’avevano integrata nei propri processi non prevedevano di assumere più di quelle che stavano ancora sperimentando. Nei dati delle buste paga analizzati da Gusto, che vende software per le buste paga alle piccole imprese, le imprese che usavano l’IA per attività quotidiane hanno aggiunto personale allo stesso ritmo di quelle che l’avevano integrata a fondo nelle proprie attività. Entrambe le fonti sono nell’elenco sotto.

Le ragioni a favore

  • Un’indagine su 143 alti dirigenti ha trovato che le aziende con una capacità più forte nell’IA dichiaravano più creatività e risultati migliori. In quell’indagine, gli stessi dirigenti giudicavano sia la capacità sia i risultati.
  • In un’indagine dell’OECD su 2.018 piccole e medie imprese in 12 Paesi, il 2% delle imprese che usavano l’IA per attività isolate ha riferito un effetto trasformativo. Tra le imprese che la usavano in tutta l’attività, lo ha fatto il 23%. Le imprese hanno giudicato l’effetto da sé. L’OECD dice che il campione non è rappresentativo: le imprese sono state raggiunte attraverso piattaforme digitali che collaborano con l’OECD, e tre quarti delle risposte sull’IA venivano dal Giappone.

Nessuno ha dimostrato che un punteggio di maturità preveda i ritorni.

Come si fa

  1. Usi uno strumento diagnostico della maturità per dare una struttura a una conversazione: dove siamo deboli, e siamo d’accordo su questo?
  2. Guardi le risposte alle singole domande, non il livello complessivo.
  3. Controlli chi lo ha compilato. Se lo hanno fatto solo i dirigenti, raccolga altri punti di vista. Veda valuti la preparazione da più fonti.
  4. Non fissi “arrivare al livello 4” come obiettivo. Fissi obiettivi in termini aziendali: tempo, qualità, costo, ricavi.
  5. Non usi un punteggio per fare una classifica delle unità o per decidere i budget.
  6. Diffidi quando un confronto con altre aziende arriva da chi vende la soluzione.

Che cosa misurare

Dove non funziona

  • Buttare via il modello. Una lista di controllo strutturata aiuta comunque i vertici a vedere le lacune. L’avvertenza riguarda ciò che il punteggio può dimostrare.
  • Settori regolamentati. Alcune verifiche e norme richiedono una diagnosi documentata. La faccia, e la tenga separata dal suo caso aziendale.

Per dimensione dell’azienda

  • Medie imprese: la maggior parte dei modelli pubblicati è stata costruita per le grandi aziende e potrebbe non adattarsi. Basta una breve lista di controllo.
  • Grandi imprese: i punteggi di maturità finiscono spesso nei rapporti al consiglio di amministrazione. Riporti accanto a essi i risultati dei progetti.

Strumenti diagnostici per questa pratica

Sono questionari, test e guide già esistenti che può usare. Ogni scheda indica la domanda a cui risponde, chi risponde e se può usarlo liberamente. Tutti gli strumenti diagnostici.

Fonti

  1. Thordsen and Bick (2023). A decade of digital maturity models: much ado about nothing?. Information Systems and e-Business Management, 21(4), 947–976. Cosa ha fatto e cosa ha trovato questo studio
  2. Silva, São Mamede and Santos (2024). A new proposed model to assess the digital organizational readiness to maximize the results of the digital transformation in SMEs. Journal of Innovation & Knowledge, 10(1), 100644. Cosa ha fatto e cosa ha trovato questo studio
  3. Caci, Nyantakyi, Blum, Sonpar, Schultes, Albers and Clack (2025). Organizational readiness for change: A systematic review of the healthcare literature. Implementation Research and Practice, 6. Cosa ha fatto e cosa ha trovato questo studio
  4. Mikalef and Gupta (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. Limita o contraddice questa pratica. Cosa ha fatto e cosa ha trovato questo studio
  5. Sadiq, Safie, Abd Rahman and Goudarzi (2021). Artificial intelligence maturity model: a systematic literature review. PeerJ Computer Science. doi.org
  6. Aarons and Sarkar (October 2026). AI Adoption and Employment Expectations: Evidence from a Survey of Small Business Owners. Federal Reserve Bank of New York, Liberty Street Economics. libertystreeteconomics.newyorkfed.org
  7. Tremper and Bowen (2026). Analysis of AI adoption and hiring at small businesses, from payroll records. Gusto, which sells payroll software to small firms. gusto.com
  8. Bianchini, Lasheras Sancho and others (April 2026). Empowering SMEs in the age of AI: The 2026 OECD D4SME Survey. OECD. oecd.org

Affermazioni su questo tema, verificate con questi studi: