Artificial Intelligence in Italian Manufacturing SMEs: A Northeast Perspective

La transizione verso l'intelligenza artificiale (IA) rappresenta un punto di svolta strategico per le piccole e medie imprese (PMI) manifatturiere italiane. Sebbene queste aziende siano famose a livello globale per la loro flessibilità e qualità su misura, si trovano ad affrontare anche un significativo divario nell'adozione digitale rispetto ai loro concorrenti europei. Questa tesi esplora tale paradosso, esaminando come le imprese manifatturiere del Nord-Est italiano si stiano confrontando con l'IA, se questo impegno sia collegato a migliori performance finanziarie, quali profili aziendali stiano guidando la transizione e come le aziende leader implementino queste tecnologie nella pratica. Per cogliere sia l'ampiezza sia la profondità di questo fenomeno, la ricerca adotta una duplice metodologia. Combina un ampio censimento quantitativo delle imprese manifatturiere regionali, costruito utilizzando strumenti di IA per analizzare i loro siti web pubblici insieme a dati finanziari indipendenti, con casi di studio qualitativi di importanti costruttori di beni strumentali. I risultati rivelano che l'adozione dell'IA è ancora nelle sue fasi iniziali ed emergenti. La maggior parte dei progetti attivi si concentra nella produzione e nel controllo qualità, affidandosi fortemente alla computer vision e al machine learning, e viene ancora gestita come progetti pilota temporanei piuttosto che come pratiche pienamente integrate. È interessante notare che lo specifico settore industriale di un'impresa, in particolare la produzione di macchinari, è un fattore predittivo dell'adozione molto più forte rispetto alla dimensione organizzativa. Questa interpretazione è fortemente confermata dai casi di studio, i quali mostrano che l'IA matura non agisce come una rivoluzione improvvisa. Al contrario, funziona come un miglioramento modulare innestato su una base a lungo termine di tecnologie digitali, dati strutturati e competenze organizzative accumulate. In definitiva, questa tesi dimostra che la sfida principale dell'IA per la manifattura italiana è di natura organizzativa piuttosto che tecnologica. Il successo non dipende dalla scelta dell'algoritmo giusto, ma dalla costruzione della prontezza interna ad assorbire il cambiamento. Per i manager così come per i decisori politici, la priorità deve spostarsi dal semplice finanziamento di nuovi software al coltivare sistematicamente la disciplina dei dati e le competenze umane necessarie per farli funzionare.

The transition toward artificial intelligence (AI) represents a strategic turning point for Italian manufacturing small and medium-sized enterprises (SMEs). While these firms are globally famous for their customized quality and flexibility, they also face a significant digital adoption gap compared to their European peers. This thesis explores this paradox, investigating how manufacturing firms in Northeast Italy are engaging with AI, whether this engagement relates to better financial performance, which corporate profiles are leading the transition, and how advanced firms implement these technologies in practice. To capture both the breadth and the depth of this phenomenon, the research adopts a dual methodology. It combines a broad quantitative census of regional manufacturing firms, built by using AI tools to analyze their public websites alongside independent financial data, with qualitative case studies of leading capital goods manufacturers. The findings reveal that AI adoption is still in its early, emergent stages. Most active projects are concentrated in production and quality control, relying heavily on computer vision and machine learning, and are still managed as temporary pilots rather than fully integrated practices. Interestingly, a firm's specific industry sector, particularly machinery manufacturing, is a much stronger predictor of adoption than its organizational size. This interpretation is strongly confirmed by the case studies, which show that mature AI does not act as a sudden revolution. Rather, it functions as a modular improvement grafted onto a long-term foundation of digital technologies, structured data, and accumulated organizational skills. Ultimately, this thesis demonstrates that the core challenge of AI for Italian manufacturing is organizational rather than technological. Success does not depend on choosing the right algorithm, but on building the internal readiness to absorb change. For managers and policy makers alike, the priority must shift from simply financing new software to systematically cultivating the data discipline and human skills required to make it work.