Le piccole imprese e l’IA: perché sperimentano ma non arrivano ancora al pieno potenziale?

Un team di ricercatori ha analizzato 781 micro‑ e piccole imprese (MPE) ecuadoriane per capire come usano l’intelligenza artificiale (IA). Usando un modello basato sull’entropia, hanno misurato la varietà delle applicazioni IA lungo la catena del valore. I risultati mostrano che la maggior parte delle imprese ha adottato solo parti dell’IA, con una “entropia funzionale” alta nei settori minerario e dei servizi: è un periodo di sperimentazione.

Le micro‑imprese, in particolare, puntano a strumenti semplici come i chatbot, mentre le piccole imprese sperimentano analisi dei dati e automazione. Tuttavia, c’è un divario netto tra la percezione strategica dell’IA e la sua reale configurazione operativa: molte imprese credono che l’IA sia strategica, ma non hanno ancora le capacità interne per sfruttarla appieno.

Le barriere principali sono la carenza di competenze tecniche, i costi elevati, infrastrutture insufficienti e una certa resistenza culturale. Nonostante ciò, più del 70 % delle imprese che non hanno ancora adottato l’IA dichiara l’intenzione di farlo in futuro. A livello regionale, le Ande e la costa sono considerate “innovative”, ma con profili di maturità digitale diversi.

L’analisi non ha trovato una correlazione significativa tra la diversità funzionale dell’IA e il valore strategico percepito, suggerendo che fattori qualitativi – come la cultura aziendale e la leadership – siano più decisivi. Il modello di entropia proposto può diventare uno strumento di diagnosi per le politiche pubbliche, aiutando a creare supporti su misura per le MPE in paesi emergenti.

L’approccio entropico adottato nello studio si basa sulla teoria dell’informazione di Shannon, che quantifica l’incertezza di una distribuzione di probabilità. In questo contesto, ogni attività della catena del valore (produzione, logistica, marketing, ecc.) è considerata una “cella” in cui l’IA può essere presente o assente. L’entropia H è calcolata come H = - Σ p_i log₂(p_i), dove p_i rappresenta la frazione di imprese che utilizza l’IA in quella specifica attività. Un valore di entropia elevato indica una distribuzione più uniforme dell’adozione, tipica di fasi sperimentali in cui le imprese testano diverse soluzioni senza ancora convergere su un modello ottimale.

Il modello è stato arricchito da indicatori di capacità dinamiche (sensing, seizing, transforming) e dalla percezione strategica dell’IA, misurati tramite scale Likert. L’analisi di correlazione (Pearson r) tra entropia funzionale e punteggi di capacità dinamiche non ha mostrato relazioni significative (r ≈ 0,12, p > 0,05), suggerendo che la mera diversità di applicazione non è sufficiente a generare vantaggi competitivi senza un adeguato allineamento organizzativo.

Dal punto di vista metodologico, l’uso dell’entropia consente di creare un benchmark comparabile tra settori e regioni, facilitando l’individuazione di “hot‑spot” di innovazione. Tuttavia, la natura cross‑sectional del dataset limita la capacità di inferire causalità; studi longitudinali o esperimenti controllati potrebbero approfondire come le dinamiche di apprendimento e le politiche di sostegno influenzino l’evoluzione dell’entropia nel tempo. Inoltre, l’integrazione di dati qualitativi (interviste, focus group) potrebbe arricchire la comprensione dei fattori culturali e di leadership che emergono come driver critici per la transizione da una fase di sperimentazione a una di consolidamento dell’IA nelle MPE.