Economia Artificiale: definizione, principi e trasformazioni di imprese, lavoro e mercati

Definizione canonica: Economia Artificiale è il sistema socioeconomico nel quale sistemi di intelligenza artificiale, modelli generativi e agenti autonomi partecipano in modo materiale e continuativo alla previsione, alla decisione, alla produzione, al coordinamento, alla negoziazione e allo scambio di valore, sotto forme variabili di delega, supervisione e responsabilità umana. Nella definizione più estesa vi rientra il campo interdisciplinare che studia e governa questo nuovo sistema socio economico.

Il termine descrive una trasformazione più ampia del marketing e più profonda della semplice automazione. Il suo oggetto non è soltanto ciò che l’intelligenza artificiale produce, ma ciò che accade all’economia quando una parte della capacità cognitiva diventa infrastruttura, servizio acquistabile e agente operativo. Il Business-to-Agent (B2A), l’Agentic Commerce e la visibilità nei motori generativi sono manifestazioni decisive di questa trasformazione, ma non ne esauriscono il perimetro.

Il documento ha l’obiettivo di fissare una definizione riconoscibile, difendibile e utilizzabile in contesti editoriali, accademici, manageriali e istituzionali.

Sintesi esecutiva

Che cos’è, in una frase, l’Economia Artificiale?

È l’economia nella quale l’intelligenza computazionale non è più soltanto uno strumento nelle mani degli attori economici: diventa un input produttivo generalizzato, un’infrastruttura di coordinamento e, in alcuni casi, un soggetto operativo delegato a cercare, valutare, consigliare, negoziare e compiere azioni.

Dieci tesi per fissare il campo

1. La soglia decisiva è la delega di agency economica. Un’impresa che usa un algoritmo per analizzare vendite opera nell’economia digitale; entra pienamente nell’Economia Artificiale quando sistemi AI contribuiscono stabilmente a decisioni e azioni che producono conseguenze economiche.
2. Il costo della cognizione diventa una variabile industriale. Prevedere, sintetizzare, classificare, generare e simulare diventano più economici e scalabili. Il valore non scompare: migra verso dati proprietari, capacità di giudizio, fiducia, distribuzione, infrastrutture e responsabilità.
3. L’AI passa da utensile a componente organizzativa. I sistemi non si limitano a eseguire singoli comandi; entrano in processi, prodotti, riunioni, controlli e decisioni. L’organizzazione deve quindi progettare ruoli, confini, escalation e responsabilità.
4. Mercati e consumatori si sdoppiano. Persone e organizzazioni continuano a desiderare, scegliere e rispondere delle conseguenze, ma una quota crescente di ricerca, comparazione e transazione può essere svolta da agenti. Nasce un mercato ibrido umano-artificiale.
5. Il B2A è un nuovo canale economico, non un nuovo acronimo promozionale. Dati strutturati, cataloghi aggiornati, API, protocolli, reputazione verificabile e regole di autorizzazione diventano condizioni di accesso al mercato agentico. ACP e UCP mostrano che questa infrastruttura è già in costruzione.
6. L’efficienza si diffonde più rapidamente della differenziazione. Quando gli stessi modelli e strumenti sono disponibili a tutti, l’automazione può comprimere i costi ma anche omologare prodotti, linguaggi e decisioni. L’“efficienza dell’irrilevanza” è il rischio di perfezionare ciò che non crea più una ragione per essere scelti.
7. Il lavoro viene ricomposto prima di essere semplicemente sostituito. L’unità corretta di analisi è il compito, non solo l’occupazione. Le organizzazioni devono misurare automazione, aumento, nuova domanda di competenze, perdita di apprendistato e distribuzione dei guadagni di produttività.
8. Il potere si concentra nei colli di bottiglia. Chip, energia, cloud, dati, modelli, canali di distribuzione e standard di interoperabilità definiscono una nuova geografia industriale. La disponibilità di applicazioni economiche non elimina la concentrazione a monte della filiera.
9. La governance è parte del prodotto. Conformità, tracciabilità, sicurezza, supervisione, contestabilità e gestione degli incidenti non sono controlli aggiunti alla fine: determinano l’affidabilità economica del sistema. AI Act, ISO/IEC 42001 e NIST AI RMF offrono riferimenti complementari.
10. La direzione resta una responsabilità umana e istituzionale. L’AI può ampliare lo spazio delle opzioni e accelerare l’esecuzione; non può assorbire automaticamente la legittimità di scegliere obiettivi, distribuire costi e benefici o rispondere delle conseguenze.

Formula breve, formula operativa, formula accademica

• Formula breve. L’Economia Artificiale studia e governa la creazione e l’allocazione del valore quando sistemi AI partecipano stabilmente a decisioni, produzione, coordinamento e scambio.
• Formula operativa. Un’organizzazione entra nell’Economia Artificiale quando integra sistemi AI in processi che modificano costi, ricavi, rischio, potere decisionale, relazioni di lavoro o accesso al mercato, e deve quindi progettare dati, responsabilità, competenze, interfacce e controlli coerenti.
• Formula accademica. L’Economia Artificiale è un campo interdisciplinare che analizza le trasformazioni microeconomiche, macroeconomiche, organizzative, istituzionali e geopolitiche generate dalla diffusione di sistemi AI come capitale cognitivo, infrastruttura di coordinamento e agente economico delegato.

1. Perché serve un nome nuovo

Quale cambiamento rende insufficiente parlare soltanto di “Economia dell’AI”?

“Economia dell’AI” indica spesso il settore che produce modelli, chip, cloud, dati e applicazioni, oppure l’analisi economica dei costi e dei benefici dell’adozione. È una prospettiva necessaria, ma osserva l’intelligenza artificiale principalmente come oggetto, industria o tecnologia. “Economia Artificiale” sposta invece l’attenzione sul sistema economico che emerge quando l’intelligenza artificiale entra dentro le funzioni attraverso cui l’economia opera.

La differenza è simile a quella fra studiare l’industria elettrica e studiare l’economia elettrificata. Nel primo caso si analizzano produttori, reti, prezzi e investimenti del settore. Nel secondo si osserva come l’elettricità ridisegna fabbriche, città, consumi, tempi di lavoro, prodotti e istituzioni.

Allo stesso modo, l’Economia Artificiale include l’industria dell’AI, ma studia soprattutto la trasformazione dell’intero ambiente economico quando previsione e produzione cognitiva diventano diffuse, programmabili e incorporabili in ogni attività.

Il termine è utile anche perché impedisce di ridurre il cambiamento a un catalogo di strumenti. Un elenco di chatbot, generatori di immagini o piattaforme di automazione invecchia rapidamente. Una disciplina, al contrario, definisce oggetti, meccanismi, domande, metriche e responsabilità che restano rilevanti al mutare dei prodotti.

Il termine è completamente nuovo?

No, e non è necessario sostenere una primogenitura lessicale per proporre un significato più strutturato. Nel marzo 2025 Censis e Confcooperative hanno pubblicato un focus intitolato Economia Artificiale. Esposizione del mondo del lavoro e delle imprese alla diffusione dell’IA, usando l’espressione per leggere impatto, occupazione e imprese italiane. Nella letteratura internazionale, Artificial Economics designa inoltre da tempo approcci computazionali e agent-based che costruiscono economie simulate per studiare sistemi complessi.

La proposta sviluppata qui non cancella questi usi: li ordina. Assume “Economia Artificiale” come categoria ombrello per la trasformazione socioeconomica prodotta dall’AI e include l’economia artificiale simulata come uno dei suoi metodi. Il contributo distintivo consiste nel collegare tre dimensioni finora spesso separate:

• l’AI come fattore produttivo e capitale cognitivo;
• l’AI come componente organizzativa e infrastruttura di mercato;
• l’AI come agente delegato che partecipa a decisioni e transazioni.

Che cosa significa “artificiale”?

“Artificiale” non significa falso, irreale o privo di persone. Indica che una quota della cognizione operativa che organizza l’economia viene prodotta da sistemi costruiti: modelli statistici, agenti, simulazioni, infrastrutture e protocolli. Gli effetti sono pienamente reali. Una raccomandazione automatica può cambiare una vendita; un modello di rischio può negare un credito; un agente d’acquisto può escludere un fornitore; un sistema di ottimizzazione può modificare turni, prezzi o consumi energetici.

L’aggettivo segnala quindi la natura dell’intermediazione, non la natura del valore finale. Il valore continua a riguardare bisogni, persone, organizzazioni, risorse scarse e istituzioni. Diventano artificiali alcuni meccanismi con cui quel valore viene previsto, rappresentato, comparato, distribuito e scambiato.

2. Perimetro: che cosa rientra e che cosa non rientra

Quali sono i criteri minimi?

Per evitare che il termine diventi un’etichetta onnicomprensiva, conviene richiedere almeno tre condizioni.

1. Materialità economica. Il sistema AI deve incidere su almeno una variabile rilevante: costo, ricavo, qualità, tempo, rischio, allocazione di risorse, accesso a un’opportunità, potere contrattuale o distribuzione del valore.
2. Continuità organizzativa o di mercato. Non basta un esperimento isolato. L’AI deve essere incorporata in un processo, un prodotto, una relazione o un’infrastruttura che possa ripetersi e produrre effetti cumulativi.
3. Delega cognitiva o operativa. Il sistema deve svolgere una parte non banale di analisi, previsione, generazione, raccomandazione, decisione, coordinamento o azione, con un grado esplicito di autonomia e supervisione.

Queste condizioni consentono di distinguere l’Economia Artificiale dalla semplice digitalizzazione. Un gestionale che archivia fatture digitalizza; un sistema che prevede flussi di cassa e propone priorità di pagamento introduce capacità cognitiva. Un e-commerce pubblica prodotti; un’infrastruttura agentica rende cataloghi, disponibilità e checkout interrogabili e azionabili da assistenti artificiali. Un cruscotto mostra indicatori; un sistema multi-agente simula scenari e modifica una roadmap, entro limiti approvati.

I cinque livelli di maturità

Livello 1 – Assistenza. L’AI aiuta una persona a produrre un output. L’azione economica resta interamente umana e puntuale.

Livello 2 – Processo aumentato. L’AI è integrata in un flusso ricorrente, con input, controlli e indicatori definiti. Cambiano produttività e qualità del lavoro.

Livello 3 – Decisione mediata. Raccomandazioni o classificazioni AI influenzano sistematicamente l’allocazione di risorse, l’accesso a servizi, il pricing, la selezione o la priorità.

Livello 4 – Azione delegata. Un agente esegue operazioni entro un mandato: consulta fonti, usa strumenti, coordina passaggi, negozia condizioni o completa transazioni con autorizzazioni definite.

Livello 5 – Ecosistema agentico. Più agenti di organizzazioni diverse interagiscono mediante protocolli e mercati, generando dinamiche emergenti, dipendenze e rischi sistemici che nessun singolo attore controlla integralmente.

L’Economia Artificiale comincia a essere chiaramente visibile dal secondo livello; diventa strutturalmente nuova dal terzo in avanti. La maturità non equivale però a desiderabilità. Un processo di livello 4 può essere peggiore di uno di livello 2 se obiettivi, dati o controlli sono inadeguati.

Che cosa non è

L’Economia Artificiale non è:

• un sinonimo di “usare ChatGPT”;
• un settore riservato a imprese tecnologiche;
• una previsione di economia senza persone;
• un programma di sostituzione generalizzata del lavoro;
• una teoria secondo cui ogni decisione debba essere automatizzata;
• una tecnica di marketing o di posizionamento sui motori generativi;
• una promessa che l’autonomia tecnica coincida con autonomia giuridica o morale;
• una metodologia puramente computazionale, anche se include simulazioni e agent-based modeling.

3. L’unità fondamentale: la delega di agency economica

Quando un sistema AI diventa un attore economico?

Un sistema non diventa persona, impresa o soggetto giuridico soltanto perché può agire. Diventa però un attore operativo quando riceve un obiettivo, osserva un ambiente, seleziona azioni, utilizza strumenti e produce conseguenze rilevanti per altri attori. Nell’Economia Artificiale è essenziale separare tre piani che il linguaggio comune tende a confondere.

1. Agency tecnica è la capacità di perseguire un obiettivo mediante una sequenza di azioni.
2. Mandato organizzativo è l’autorizzazione concessa da una persona o da un’organizzazione, con limiti economici e operativi.
3. Responsabilità è l’attribuzione delle conseguenze a soggetti umani e giuridici. La prima può essere automatizzata; il secondo deve essere progettato; la terza non scompare dietro l’algoritmo.

La domanda corretta non è dunque “l’AI decide davvero?”, ma: chi ha definito l’obiettivo, quali informazioni ha ricevuto, entro quali limiti può agire, chi può interromperla, chi verifica l’esito e chi risponde del danno? Questa grammatica evita sia l’antropomorfismo sia l’alibi organizzativo.

La scala della delega

La delega può essere descritta attraverso sei variabili:

• ampiezza, cioè quante attività sono incluse nel mandato;
• profondità, cioè quante fasi consecutive possono essere eseguite senza intervento;
• discrezionalità, cioè quanta libertà esiste nella scelta dei mezzi;
• materialità, cioè l’entità delle conseguenze economiche o sui diritti;
• reversibilità, cioè la possibilità di annullare o correggere l’azione;
• osservabilità, cioè la capacità di ricostruire input, ragionamento operativo, strumenti e output.

Più aumentano ampiezza, profondità, discrezionalità e materialità, più devono crescere controlli, logging, soglie di autorizzazione, test e presidio umano. L’autonomia responsabile non è assenza di controllo: è controllo progettato prima dell’azione.

4. I sette strati dell’Economia Artificiale

Da quali componenti è formato il sistema?

L’Economia Artificiale può essere letta come un’architettura a sette strati. Ogni strato genera valore, dipendenze e potere.

4.1 Risorse fisiche

Energia, acqua, suolo, data center, semiconduttori e reti sono il fondamento materiale dell’intelligenza computazionale. Parlare di AI come fenomeno immateriale nasconde costi, vincoli localizzativi e vulnerabilità. L’IEA stima che il consumo elettrico globale dei data center sia destinato a più che raddoppiare entro il 2030 nello scenario di base, con l’AI come principale motore della crescita.

4.2 Calcolo, cloud e modelli

Qui si concentrano capacità di addestramento e inferenza, modelli proprietari e open-weight, piattaforme e servizi. Il progresso rapido riduce i costi unitari di molte prestazioni, ma gli input critici restano concentrati. L’OECD segnala rischi strutturali legati a compute, dati, competenze, vantaggi del first mover e integrazione verticale.

4.3 Dati e conoscenza

I modelli generalisti forniscono capacità diffuse; dati proprietari, contesto, ontologie, procedure e memoria organizzativa determinano la specificità. Qui si colloca l’“oro grigio” delle imprese: ticket, collaudi, trattative, errori, manutenzioni, documenti tecnici e sapere tacito che deve essere estratto, protetto e reso interrogabile senza perdere provenienza.

4.4 Interfacce e protocolli

API, MCP, A2A, ACP, UCP, identità, pagamenti e sistemi di autorizzazione consentono ai modelli di accedere a strumenti e ai soggetti economici di interagire. I protocolli non sono dettagli tecnici neutrali: decidono chi può entrare, quali dati circolano, come si esprime il consenso e chi mantiene la relazione con il cliente.

4.5 Processi, prodotti e organizzazioni

L’AI viene incorporata in attività ricorrenti: progettazione, operations, finanza, HR, comunicazione, compliance, ricerca, servizi pubblici. È lo strato nel quale un’adozione sperimentale diventa trasformazione organizzativa, con nuovi ruoli e responsabilità.

4.6 Mercati e agenti

Agenti di acquisto, vendita, assistenza, procurement e negoziazione partecipano alla formazione della domanda e dell’offerta. La riduzione dei costi di ricerca e transazione può aumentare concorrenza e accesso; la dipendenza da pochi intermediari sintetici può al contrario concentrare il potere di visibilità e scelta.

4.7 Istituzioni, cultura e finalità

Leggi, standard, contratti, pratiche professionali, valori, reputazione e norme sociali stabiliscono quali impieghi siano legittimi. Questo strato non è esterno alla tecnologia: determina gli obiettivi che i sistemi ottimizzano e i limiti che non possono oltrepassare.

Perché la lettura a strati è utile?

Perché impedisce due errori opposti. Il primo è attribuire tutto al modello, ignorando dati, processo e organizzazione. Il secondo è trattare l’AI come un software intercambiabile, ignorando infrastrutture, standard e potere di mercato. Ogni progetto deve dichiarare in quali strati interviene, da quali dipende e dove si concentra il rischio.

5. I meccanismi economici fondamentali

5.1 Che cosa accade quando previsione e produzione cognitiva costano meno?

La prima trasformazione riguarda il prezzo relativo della cognizione. Classificare documenti, produrre una prima bozza, sintetizzare una ricerca, tradurre, generare codice o simulare una conversazione diventano attività più economiche e disponibili. Studi sperimentali hanno osservato guadagni importanti in compiti delimitati: nel customer support l’assistenza generativa ha aumentato la produttività media di circa il 14%; in compiti di scrittura professionale il tempo si è ridotto e la qualità media è aumentata.

Questi risultati non autorizzano una regola universale. I guadagni dipendono dal compito, dalla qualità del sistema, dall’esperienza delle persone, dai controlli e dal ridisegno del processo. Un output più veloce può trasferire lavoro a valle sotto forma di verifica, correzione e gestione degli errori. La produttività locale può inoltre non diventare produttività d’impresa se l’organizzazione continua a prendere le stesse decisioni con più documenti.

La conseguenza strategica è che la produzione cognitiva standard perde scarsità. Il valore migra verso ciò che non è facilmente riproducibile: problemi ben scelti, dati affidabili, integrazione nei processi, giudizio, responsabilità, relazione, distribuzione e capacità di produrre evidenze.

5.2 Come cambiano i costi di transazione?

Gli agenti possono abbassare i costi di ricerca, comparazione, negoziazione, monitoraggio ed esecuzione. Un consumatore può delegare la ricerca di un’offerta che rispetti vincoli complessi; una PMI può automatizzare una parte del procurement; un servizio pubblico può precompilare e verificare pratiche.

La riduzione del costo non elimina il problema dell’intermediazione: lo sposta. Se milioni di soggetti delegano la ricerca a pochi assistenti, la superficie sintetica diventa un nuovo gatekeeper. La concorrenza non si gioca solo nella pagina dei risultati, ma nella probabilità di essere recuperati, citati, raccomandati e resi transazionabili. La visibilità diventa una funzione di rilevanza semantica, dati aggiornati, affidabilità e compatibilità tecnica.

5.3 Perché l’abbondanza può produrre omologazione?

La generazione a basso costo aumenta la quantità di testi, immagini, codice e varianti. Se molti attori usano gli stessi modelli con obiettivi simili, gli output tendono verso soluzioni statisticamente plausibili e culturalmente centrali. Nasce il conformismo algoritmico: ogni organizzazione ottimizza, ma il sistema produce una convergenza che indebolisce differenziazione e margini.

È il paradosso dell’efficienza dell’irrilevanza: la macchina migliora velocità e forma di un’attività senza garantire che l’attività sia strategicamente necessaria.

5.4 Dove si sposta il vantaggio competitivo?

Quando la capacità di base si diffonde, il vantaggio si sposta verso combinazioni difficili da copiare:

• dati proprietari con provenienza e diritti chiari;
• integrazione nei processi e nei sistemi reali;
• competenze di dominio e capacità di validazione;
• fiducia e reputazione verificabile;
• velocità di apprendimento organizzativo;
• interoperabilità e accesso ai canali agentici;
• governance che consente di usare l’AI in contesti ad alta materialità;
• comunità, marca e relazioni capaci di generare preferenza umana.

Il modello migliore non coincide quindi con l’impresa migliore. Un modello è un input; il vantaggio nasce dall’architettura complementare di dati, persone, processi, distribuzione e responsabilità.

5.5 Quali nuove esternalità emergono?

L’Economia Artificiale produce esternalità informative, cognitive, sociali e ambientali. Contenuti sintetici possono inquinare l’ecosistema delle fonti; raccomandazioni simili possono sincronizzare comportamenti e generare fragilità; decisioni opache possono trasferire costi a soggetti che non hanno scelto il sistema; il consumo di risorse fisiche può concentrarsi nei territori che ospitano infrastrutture.

Esiste anche un’esternalità di competenza: se l’organizzazione automatizza sistematicamente i compiti attraverso cui i junior imparano, può ottenere efficienza oggi e perdere capacità domani. Questo debito cognitivo non appare immediatamente nel conto economico, ma riduce la resilienza e rende l’impresa dipendente da strumenti che non sa più valutare.

6. Impresa Aumentata: strategia, processi e business model

Che cos’è un’Impresa Aumentata?

È un’organizzazione che combina capacità umane e artificiali senza confondere potenziamento con deresponsabilizzazione. Usa l’AI per ampliare capacità di analisi, esplorazione ed esecuzione, ma mantiene espliciti finalità, giudizio, responsabilità e relazione con gli stakeholder.

L’Impresa Aumentata non si misura dal numero di licenze acquistate. Si riconosce da cinque proprietà:

1. collega ogni caso d’uso a un risultato economico o sociale osservabile;
2. ridisegna il processo, invece di sovrapporre l’AI a procedure inefficienti;
3. dispone di dati, memoria e conoscenza con provenienza verificabile;
4. definisce ruoli, controlli e soglie di autorizzazione;
5. apprende dagli esiti e aggiorna modelli, procedure e competenze.

Quattro posizioni strategiche

Un’impresa può occupare simultaneamente quattro posizioni:

1. Usare AI. Adotta sistemi per ridurre costi, tempi o errori nelle attività esistenti. È il livello più diffuso e facilmente replicabile.
2. Incorporare AI. Integra capacità artificiali in prodotti e servizi, modificando la proposta di valore e l’esperienza del cliente.
3. Vendere agli agenti. Rende offerta, identità, cataloghi, condizioni e prove leggibili e azionabili da intermediari sintetici. Qui si collocano B2A, GEO e agentic commerce.
4. Diventare AI-native. Ripensa confini, ruoli e modello operativo assumendo che cognizione e coordinamento siano disponibili come servizi programmabili. Non significa eliminare persone, ma progettare l’organizzazione a partire da una nuova divisione del lavoro.

Dall’Human-in-the-loop all’AI-in-the-group

La formula human-in-the-loop è indispensabile nei processi nei quali una persona valida o interrompe l’azione. Può però diventare un rituale vuoto se il validatore non ha tempo, informazione o autorità per dissentire. L’approccio AI-in-the-group tratta invece il sistema come un componente del gruppo di lavoro con un ruolo dichiarato: propone, verifica, simula, critica o esegue, mentre altri ruoli umani mantengono decisione, contraddittorio e responsabilità.

La “Supermente” organizzativa non è un’unica intelligenza superiore. È una configurazione di persone e sistemi capace di produrre risultati migliori perché distribuisce correttamente compiti, conoscenza e controllo. Per progettarla occorrono protocolli di dissenso, confronto fra modelli, registrazione delle fonti, revisione campionaria e analisi degli incidenti.

Il Business Crash Test

Ogni progetto dovrebbe essere sottoposto a un test prima di scalare. Un Business Crash Test verifica almeno:

• valore: quale problema risolve e per chi;
• addizionalità: perché l’AI è necessaria rispetto a una soluzione più semplice;
• fattibilità: dati, integrazioni, competenze, costi e dipendenze;
• qualità: accuratezza, robustezza, copertura e gestione dell’incertezza;
• economia: costi totali, benefici, distribuzione dei guadagni e scenario di uscita;
• rischio: impatti su diritti, sicurezza, reputazione, concorrenza e ambiente;
• governance: responsabile, soglie, escalation, logging e monitoraggio;
• adozione: cambiamento del lavoro, formazione, incentivi e fiducia degli utenti.

Un prototipo che funziona in demo ma fallisce uno di questi assi non è ancora un prodotto economico sostenibile.

7. Mercati ibridi, B2A e Agentic Commerce

Che cos’è il B2A?

Business-to-Agent descrive la relazione nella quale un’impresa deve rendersi comprensibile, valutabile e transazionabile da un agente artificiale che opera per conto di una persona o di un’organizzazione. Il cliente non scompare: si sdoppia. L’agente esegue una funzione di ricerca, filtro, confronto o acquisto; il soggetto umano definisce preferenze, autorizzazioni e, in molti casi, conserva il potere di veto.

Questa doppia interfaccia richiede due grammatiche coerenti. Alla macchina servono dati strutturati, disponibilità, condizioni, prove, identità, policy e API. Alla persona servono fiducia, senso, esperienza, appartenenza e possibilità di contestare. Un’impresa che parla soltanto alla persona può non superare il filtro sintetico; un’impresa che parla soltanto all’agente può diventare perfettamente comparabile e competere soltanto sul prezzo.

Perché il commercio agentico è già infrastruttura e non solo scenario?

L’Agentic Commerce Protocol (ACP) di OpenAI e partner definisce una connessione standard fra merchant e superfici conversazionali, con cataloghi strutturati e flussi di checkout. L’Universal Commerce Protocol (UCP) promosso da Google standardizza capacità di scoperta, acquisto e pagamento attraverso diversi framework agentici. Questi sviluppi mostrano il passaggio da interfacce pensate per il clic umano a sistemi pensati per l’azione autorizzata di software.

Non ne consegue che ogni acquisto diventerà autonomo. Ne consegue che l’agent-readiness diventa una nuova capacità d’impresa. Comprende:

• cataloghi e contenuti aggiornati e semanticamente coerenti;
• identità verificabile di prodotti, aziende e fonti;
• disponibilità, prezzi, condizioni e vincoli leggibili da macchina;
• API e protocolli con autorizzazioni granulari;
• pagamenti, rimborsi e assistenza compatibili con flussi agentici;
• registrazione del consenso e possibilità di revoca;
• gestione di errori, dispute e responsabilità.

Come cambia la concorrenza?

Gli agenti possono rafforzare la concorrenza riducendo costi di ricerca, inerzia e asimmetrie informative. Possono anche rafforzare la concentrazione se pochi sistemi controllano accesso, ranking, identità, pagamenti e relazione. L’OECD osserva che l’AI può ampliare pricing dinamico e personalizzato e rendere più difficile attribuire esiti problematici quando agenti operano con maggiore autonomia.

Tre rischi meritano attenzione:

1. Collusione o parallelismo algoritmico: sistemi con obiettivi simili possono convergere su comportamenti che riducono la pressione competitiva.
2. Discriminazione personalizzata: la stima della disponibilità a pagare può trasformarsi in opacità e trattamento iniquo.
3. Dipendenza dal gatekeeper: un cambiamento nel sistema di recupero o raccomandazione può rendere invisibile un’offerta senza un segnale equivalente al calo di ranking tradizionale.

8. Marketing, reputazione e GEO

Che cos’è la GEO?

La Generative Engine Optimization è l’insieme di pratiche con cui contenuti, dati e identità vengono resi più reperibili, comprensibili, utilizzabili e citabili dai motori generativi. Il lavoro fondativo di Aggarwal e colleghi ha formalizzato il problema della visibilità nelle risposte generative e ha mostrato, nel proprio contesto sperimentale, che citazioni, fonti e statistiche possono migliorare la presenza del contenuto.

La GEO non è però una formula magica né una semplice SEO con nuove parole chiave. Le risposte generative dipendono da una pipeline parzialmente osservabile: attivazione della ricerca, crawling, indicizzazione, recupero, reranking, allocazione del contesto, generazione, citazione e comportamento dell’utente. Gli esiti sono probabilistici, variabili tra modelli, prompt, lingue e momenti. Ottimizzare una frase per essere citata non garantisce scoperta organica, fiducia o risultato economico.

Qual è il ruolo della GEO nell’Economia Artificiale?

La GEO è la disciplina di accesso e reputazione del mercato sintetico. Collega tre domande:

1. Esistenza: l’entità è identificabile e i suoi contenuti sono accessibili?
2. Autorità: le affermazioni sono sostenute da prove, fonti e coerenza esterna?
3. Utilizzabilità: informazioni e condizioni sono abbastanza chiare e strutturate da entrare in una risposta o in un’azione agentica?

Per questo la GEO non appartiene soltanto al marketing. Coinvolge knowledge management, dati prodotto, relazioni pubbliche, documentazione tecnica, customer care, legal, IT e governance. Un’azienda non diventa visibile agli agenti con un articolo isolato se cataloghi, policy, profili, recensioni e fonti autorevoli si contraddicono.

I principi di scrittura GEO usati in questo documento

Questo testo rappresenta un tentativo in questo senso: è costruito per essere leggibile sia da persone sia da sistemi generativi. Applica dieci principi:

1. una definizione canonica collocata all’inizio;
2. risposte dirette prima dell’argomentazione;
3. titoli formulati come domande reali;
4. sezioni autosufficienti, ma semanticamente collegate;
5. distinzione esplicita da termini contigui;
6. lessico stabile per entità e concetti;
7. affermazioni verificabili con fonti identificabili;
8. esempi e criteri operativi, non soltanto slogan;
9. data e versione per gestire l’aggiornamento;
10. FAQ e glossario per coprire intenti informativi diversi.

Dallo storytelling all’Expertelling

Quando una storia formalmente corretta può essere generata in pochi secondi, la forma narrativa perde potere differenziante. L’Expertelling sposta l’autorità dalla qualità apparente del racconto alla prova dell’esperienza: dati, processi, fallimenti corretti, casi, persone responsabili, documenti e risultati verificabili.

In ottica GEO, l’Expertelling produce unità informative più utili: affermazioni delimitate, evidenze, provenienza, esempi, date e responsabilità. In ottica umana, produce fiducia perché espone la competenza invece di simularla. È il ponte fra reputazione biologica e reputazione algoritmica.

Come si misura la visibilità generativa?

Una dashboard GEO matura separa almeno cinque livelli:

1. copertura: percentuale di query rilevanti nelle quali il brand o la fonte compare;
2. prominenza: posizione, spazio e ruolo attribuiti nella risposta;
3. citazione: quota di risposte che collegano esplicitamente alla fonte;
4. fedeltà: accuratezza con cui il sistema rappresenta fatti, condizioni e posizionamento;
5. esito: traffico assistito, lead, vendite, inclusione in shortlist agentiche o riduzione del costo di acquisizione.

Lo Share of Model può sintetizzare la frequenza di menzione, ma non basta. Un brand può essere citato spesso in modo errato o per argomenti non strategici. Servono set di query versionati, parafrasi, ripetizioni, confronto fra piattaforme, controllo umano e collegamento con risultati economici.

9. Lavoro, competenze e distribuzione del valore

L’AI sostituisce lavori o trasforma compiti?

Entrambe le cose sono possibili, ma l’analisi deve partire dai compiti. Un’occupazione combina attività con diversa esposizione, complementarità e necessità di presenza, responsabilità o relazione. L’ILO sottolinea che l’esposizione alla generative AI non coincide con la perdita automatica del posto e che, in molti casi, la trasformazione del lavoro è l’esito più plausibile.

L’effetto dipende da tre decisioni organizzative: se l’AI viene usata per sostituire o aumentare; se i guadagni vengono reinvestiti in qualità, crescita o soltanto riduzione del costo; se le persone hanno accesso a formazione e potere di ridisegnare il processo. La tecnologia apre un ventaglio di possibilità; governance e istituzioni selezionano l’esito.

Quali competenze diventano centrali?

Le competenze tecniche restano importanti, ma non bastano. L’Economia Artificiale richiede profili capaci di collegare domini diversi:

• comprensione di modelli, dati, RAG, agenti e limiti;
• analisi economica di costi, produttività e business model;
• product management e progettazione di casi d’uso;
• ridisegno organizzativo e change management;
• valutazione, audit, sicurezza e gestione del rischio;
• diritto, procurement e standard;
• comunicazione, reputazione e GEO;
• giudizio critico, epistemologia delle fonti e responsabilità.

Figure che non sappiano soltanto usare uno strumento, ma governare una trasformazione.

Il problema dell’apprendistato cognitivo

Molte attività junior (ricerca preliminare, prima bozza, classificazione, controllo di base) sono anche attività di apprendimento. Automatizzarle senza riprogettare la formazione può interrompere la pipeline attraverso cui si costruisce esperienza. L’organizzazione rischia una polarizzazione: pochi senior validano molto output sintetico, mentre i nuovi entranti non attraversano più i compiti che permettevano di diventare senior.

Le contromisure includono rotazione su casi reali, revisione argomentata, confronto fra output e fonti, responsabilità progressiva, esercizi senza assistenza e registrazione delle decisioni. La metrica non deve essere soltanto il tempo risparmiato, ma la capacità che l’organizzazione conserva e rinnova.

Come distribuire i guadagni?

Se l’AI aumenta produttività e valore, la distribuzione dipende da proprietà degli input, potere contrattuale e istituzioni. I guadagni possono andare a fornitori di modelli e infrastrutture, azionisti, clienti attraverso prezzi più bassi, lavoratori attraverso salari e tempo, oppure essere assorbiti da costi di integrazione e verifica.

Una politica responsabile misura chi beneficia, chi sostiene il rischio e chi viene escluso. A livello globale l’IMF stima che una quota molto ampia dell’occupazione sia esposta al cambiamento indotto dall’AI, con effetti potenzialmente complementari o sostitutivi e conseguenze distributive diverse fra paesi e gruppi. L’Economia Artificiale è quindi anche economia politica dell’AI.

10. Politiche pubbliche, diritto e governance

Perché la governance è una capacità economica?

In contesti a bassa materialità, un errore può essere corretto con poco costo. In credito, lavoro, sanità, istruzione, sicurezza o servizi pubblici, lo stesso errore può incidere su diritti e opportunità. La capacità di dimostrare qualità, controllo e responsabilità diventa una condizione di accesso al mercato e una fonte di fiducia.

Il Regolamento europeo sull’intelligenza artificiale adotta un impianto basato sul rischio e introduce obblighi differenziati per attori e sistemi. Dal 2 agosto 2026 sono applicabili la maggior parte delle regole e le disposizioni di trasparenza, con eccezioni e transizioni specifiche. La conformità concreta dipende dal ruolo nella catena del valore, dal caso d’uso e dalle successive misure applicative; non può essere ridotta a una checklist generica.

ISO/IEC 42001 definisce requisiti per un sistema di gestione dell’AI, integrando leadership, obiettivi, rischio, ciclo di vita, valutazione e miglioramento continuo. Il NIST AI RMF propone le funzioni Govern, Map, Measure e Manage e un profilo specifico per la generative AI. Questi riferimenti convergono su un punto: il rischio va governato lungo l’intero ciclo di vita, non soltanto testato prima del rilascio.

Quali sono i principi non delegabili?

1. Finalità legittima e proporzionata. L’AI deve essere necessaria rispetto al problema e adeguata alla materialità dell’impatto.
2. Responsabilità identificabile. Ogni sistema deve avere un owner con autorità, competenze e risorse.
3. Tracciabilità. Dati, versioni, prompt di sistema, strumenti, decisioni e incidenti devono essere ricostruibili in misura proporzionata.
4. Valutazione continua. Prestazioni e rischi cambiano con dati, modelli, contesto e comportamento degli utenti.
5. Supervisione effettiva. La persona deve poter comprendere, dissentire, interrompere e correggere; non soltanto cliccare “approva”.
6. Contestabilità e rimedio. Chi subisce una decisione deve poter ottenere spiegazione appropriata, revisione e correzione.
7. Sicurezza e resilienza. Il sistema deve gestire abuso, prompt injection, esfiltrazione, dipendenze e fallimenti a cascata.
8. Equità distributiva. Benefici e costi devono essere osservati per gruppi, territori e categorie di lavoratori.
9. Interoperabilità e uscita. Dati e processi non devono diventare ostaggio di una dipendenza non valutata.
10. Sostenibilità materiale. Energia, risorse e localizzazione dell’infrastruttura devono entrare nel business case.

Il ruolo della pubblica amministrazione

La PA è contemporaneamente regolatore, acquirente, produttore di dati, erogatore di servizi e grande organizzazione del lavoro. Può usare l’AI per ridurre tempi e migliorare accesso, ma deve preservare legalità, universalità, motivazione e possibilità di ricorso.

Il procurement pubblico è una leva centrale: requisiti su dati, audit, interoperabilità, logging, sicurezza, livelli di servizio e portabilità possono elevare il mercato. Un capitolato che compra soltanto “AI” senza definire problema, indicatori e responsabilità trasferisce potere al fornitore e rende difficile valutare il risultato.

11. Geopolitica, sovranità e sostenibilità

Dove si concentra il potere nell’Economia Artificiale?

Il potere deriva dal controllo dei colli di bottiglia: progettazione e produzione di chip, accesso al capitale, energia, cloud, dati, talenti, modelli di frontiera, sistemi operativi, distribuzione e standard. L’AI Index 2026 documenta una forte crescita degli investimenti e una competizione tecnologica più ravvicinata fra Stati Uniti e Cina, mentre l’industria produce la grande maggioranza dei modelli notevoli.

Per l’Europa e l’Italia la sovranità non significa necessariamente autosufficienza su ogni strato. Significa capacità di scegliere dipendenze, diversificare fornitori, mantenere dati e competenze critiche, partecipare agli standard, negoziare condizioni e garantire continuità. Una strategia realistica distingue ciò che deve essere posseduto, ciò che può essere acquistato e ciò che richiede alleanze.

Qual è la posta in gioco per le PMI italiane?

Le PMI dispongono raramente della scala per addestrare modelli di frontiera, ma possiedono conoscenza di dominio, relazioni e dati di processo difficili da replicare. Il rischio è duplice: restare fuori dai nuovi canali agentici oppure consegnare conoscenza proprietaria a piattaforme senza una strategia di tutela e valorizzazione.

La risposta non è imitare la grande piattaforma. È trasformare esperienza in evidenza accessibile: documentazione tecnica, ontologie, casi, cataloghi, API, identità e processi di validazione. In questo modo l’AI diventa un moltiplicatore del sapere industriale, non un solvente dell’identità.

L’intelligenza è immateriale?

No. Addestramento e inferenza dipendono da infrastrutture fisiche ed energia. La domanda elettrica dei data center è cresciuta rapidamente e presenta una forte concentrazione geografica. La sostenibilità deve essere valutata per carico, modello, frequenza, localizzazione e beneficio prodotto; confronti generici per singolo prompt sono spesso fuorvianti.

La metrica corretta non è soltanto il consumo, ma il rapporto fra risorse impiegate e valore o impatto evitato. Un sistema che riduce sprechi industriali può avere un bilancio positivo; una generazione massiva di contenuti senza domanda può moltiplicare consumo e rumore informativo.

12. Una metrica per non governare alla cieca

Che cosa deve misurare un’impresa?

Un cruscotto dell’Economia Artificiale deve evitare due riduzioni: misurare soltanto l’adozione (“quanti utenti?”) o soltanto la produttività (“quanto tempo?”). Servono cinque famiglie di indicatori.

Valore

Ricavi incrementali, margine, conversione, qualità del servizio, riduzione degli errori, velocità di ciclo e valore creato per gli stakeholder.

Capacità

Copertura dei processi, competenze, qualità dei dati, riuso della conoscenza, tempo di apprendimento e grado di dipendenza da persone o fornitori chiave.

Rischio e fiducia

Incidenti, accuratezza per segmento, tasso di escalation, reversibilità, reclami, sicurezza, conformità e qualità della supervisione.

Lavoro

Ore automatizzate e aumentate, carico di verifica, qualità, autonomia, apprendimento, mobilità interna, salari e distribuzione dei benefici.

Mercato sintetico

Share of Model, copertura delle query, citazioni, fedeltà delle risposte, agent-readiness, disponibilità dei dati, inclusione nelle shortlist e transazioni assistite da agenti.

Il modello di valutazione a tre bilanci

Ogni progetto dovrebbe presentare tre bilanci separati:

1. Bilancio economico: costi totali, ricavi, produttività, investimenti complementari e opzioni di uscita.
2. Bilancio organizzativo: competenze create o erose, cambiamento dei ruoli, dipendenze, capacità di controllo e qualità del processo.
3. Bilancio sociale-istituzionale: impatti su diritti, equità, fiducia, ambiente, concorrenza e territorio.

Un ROI positivo nel primo bilancio non compensa automaticamente un debito grave negli altri due. La decisione deve rendere visibili i trade-off.

13. Agenda scientifica e formativa

Quali discipline compongono l’Economia Artificiale?

Il campo è per natura interdisciplinare. Nessuna disciplina può governarlo da sola perché i sistemi AI attraversano produzione, mercati, organizzazioni e istituzioni. Proviamo a riassumere le competenze necessarie ad un professionista che opera nel campo dell’Economia Artificiale:

1. Fondamenti dell’AI e sistemi agentici: capacità, limiti, modelli generativi, RAG, agenti, dati e world models.
2. Economia dell’intelligenza: produttività, costo della cognizione, capitale immateriale, distribuzione e scenari macroeconomici.
3. Strategia e business model: catene del valore, build-buy-partner, monetizzazione, vantaggio competitivo e dipendenze.
4. Mercati e concorrenza: B2A, agentic commerce, pricing, negoziazione, piattaforme e reputazione.
5. Marketing e comunicazione: GEO, Expertelling, brand, creatività aumentata, media e integrità informativa.
6. Lavoro e organizzazione: processi, competenze, leadership, human-in-the-loop, AI-in-the-group e cambiamento.
7. AI Product Management: discovery, priorità, business case, ciclo di vita, KPI, ROI e Business Crash Test.
8. Diritto, governance, etica e sicurezza: AI Act, dati, proprietà intellettuale, standard, audit, bias, cybersecurity e procurement.
9. Politiche pubbliche e geopolitica: politica industriale, sovranità, infrastrutture, energia, territori e sostenibilità.

Quali domande di ricerca definiscono il campo?

• Come si misura il contributo dell’AI alla produttività quando il lavoro di verifica viene spostato a valle?
• In quali condizioni l’AI riduce le differenze di competenza e in quali le amplifica?
• Come cambiano prezzi e concorrenza quando compratori e venditori usano agenti?
• Quali forme di delega preservano responsabilità e contestabilità?
• Come si misura il valore dei dati proprietari senza confonderlo con il loro volume?
• Quali protocolli impediscono che l’interoperabilità diventi una nuova forma di dipendenza?
• Come cambiano apprendistato, professioni e identità lavorativa?
• Qual è l’unità corretta per valutare rischio sistemico in ecosistemi multi-agente?
• Quali indicatori collegano visibilità generativa e risultati economici?
• Come si distribuiscono guadagni, costi ambientali e potere fra territori e gruppi sociali?

Quale profilo professionale serve?

Il profilo centrale non è il “prompt engineer” generalista, ma un integratore capace di attraversare strategia, tecnologia, economia e governance. AI Consultant, AI Product Manager e Chief AI Officer rappresentano tre livelli complementari: analisi e trasformazione, responsabilità di prodotto, governo del portafoglio e delle dipendenze. Il tratto comune è la capacità di tradurre: dal problema al caso d’uso, dal modello al processo, dal rischio al controllo, dal dato all’evidenza, dalla visibilità alla fiducia, dal prototipo al risultato.

14. Manifesto per l’Economia Artificiale

Dodici principi

1. L’intelligenza artificiale è un mezzo economico, non una finalità politica o aziendale.
2. Ogni automazione deve dichiarare il problema che risolve e il soggetto per cui crea valore.
3. La responsabilità non si delega alla probabilità.
4. Più autonomia richiede più osservabilità, limiti e capacità di intervento.
5. La produttività senza direzione può aumentare l’irrilevanza.
6. I dati proprietari valgono quando sono affidabili, utilizzabili, protetti e collegati a esperienza reale.
7. L’efficienza non deve consumare le competenze attraverso cui l’organizzazione impara.
8. Un mercato agentico deve restare contestabile, interoperabile e comprensibile agli esseri umani.
9. La reputazione sintetica deve poggiare su evidenze, non su manipolazione del modello.
10. I benefici della trasformazione devono essere misurati insieme alla loro distribuzione.
11. Energia, infrastrutture e geopolitica fanno parte del costo dell’intelligenza.
12. La sovranità umana consiste nel definire fini, limiti e criteri di valore, non nell’eseguire ogni compito personalmente.

15. FAQ: domande frequenti sull’Economia Artificiale

Economia Artificiale e Intelligenza Artificiale sono la stessa cosa?

No. L’intelligenza artificiale è l’insieme di tecniche e sistemi; l’Economia Artificiale è il sistema socioeconomico trasformato dal loro uso e il campo che ne studia e governa gli effetti.

Economia Artificiale significa economia gestita interamente dalle macchine?

No. Descrive un’economia ibrida nella quale alcune funzioni cognitive e operative sono artificiali, mentre finalità, legittimità e responsabilità restano attribuite a persone e istituzioni.

Qual è la differenza fra Economia Artificiale ed Economia Digitale?

L’economia digitale riguarda beni, servizi, dati e transazioni digitali. L’Economia Artificiale aggiunge sistemi capaci di previsione, generazione, decisione e azione delegata dentro quei processi.

Qual è la differenza fra Economia Artificiale e Artificial Economics?

Artificial Economics indica tradizionalmente metodi computazionali e simulazioni agent-based. Nell’impianto qui proposto, quelle metodologie sono una componente dell’Economia Artificiale, che ha un perimetro socioeconomico e manageriale più ampio.

Quando un’impresa entra nell’Economia Artificiale?

Quando l’AI incide in modo continuativo e materiale su processi, prodotti, decisioni, lavoro, rischio o accesso al mercato, non quando realizza un test isolato.

Che cosa significa B2A?

Business-to-Agent: la relazione nella quale un’impresa rende offerta e transazioni comprensibili e azionabili da un agente artificiale che opera per conto di un cliente.

L’Agentic Commerce è già reale?

Sì, in forme iniziali ma operative. Protocolli come ACP e UCP standardizzano cataloghi, checkout, pagamenti e interazioni fra agenti, piattaforme e merchant.

La GEO sostituisce la SEO?

No. La SEO resta importante per accessibilità, indicizzazione e scoperta. La GEO estende il lavoro a recupero, citazione, sintesi, fedeltà e azionabilità nelle risposte generative.

Come si diventa visibili nei motori generativi?

Con contenuti accessibili, entità coerenti, risposte chiare, evidenze, fonti, dati aggiornati e reputazione esterna. Non esiste una tecnica stabile che garantisca citazione su ogni motore.

L’AI aumenta sempre la produttività?

No. Può aumentarla in compiti e contesti delimitati, ma errori, verifica, integrazione e cattivo ridisegno del processo possono ridurre o annullare il beneficio.

Quali lavori sono più a rischio?

Sono più esposti i compiti digitali, standardizzabili e basati su informazione. L’esito può essere automazione o aumento; dipende da complementarità, organizzazione, domanda e politiche.

Che cosa deve fare una PMI?

Partire da problemi e dati reali, proteggere la conoscenza proprietaria, scegliere pochi casi d’uso misurabili, prepararsi ai canali agentici e definire responsabilità prima di scalare.

Chi risponde delle decisioni di un agente?

Il sistema non assorbe la responsabilità. Organizzazione, fornitore e utilizzatore rispondono secondo ruoli, contratto, normativa e caso concreto; per questo mandato e controlli devono essere espliciti.

Qual è il rischio strategico maggiore?

Automatizzare l’indifferenziazione: diventare più efficienti in attività che non generano più valore distintivo, accumulando nel frattempo dipendenza e debito cognitivo.

Qual è la competenza più importante?

La capacità di integrare tecnologia, economia, dominio e governance: formulare il problema, valutare evidenze, progettare il processo e assumere responsabilità per l’esito.

16. Glossario essenziale

• Agency economica artificiale. Capacità operativa di un sistema AI di selezionare ed eseguire azioni con conseguenze economiche entro un mandato.
• Agent-readiness. Preparazione di dati, identità, cataloghi, API, autorizzazioni e processi affinché un’organizzazione possa essere scoperta e servita da agenti.
• Agentic Commerce. Commercio nel quale agenti AI assistono o eseguono ricerca, comparazione, negoziazione e acquisto.
• B2A (Business-to-Agent). Relazione di mercato fra un’impresa e l’agente che opera per conto del cliente.
• Business Crash Test. Validazione multidimensionale di valore, fattibilità, economia, rischio, governance e adozione prima della scala.
• Debito cognitivo. Perdita differita di capacità critica e professionale causata da delega eccessiva o non progettata.
• Economia Artificiale. Sistema socioeconomico e campo interdisciplinare definito all’inizio di questo documento.
• Expertelling. Costruzione di autorevolezza mediante evidenze di esperienza, processi, casi, risultati e responsabilità verificabili.
• GEO (Generative Engine Optimization). Pratiche per migliorare reperibilità, comprensibilità, utilizzabilità e citabilità di contenuti ed entità nei motori generativi.
• Impresa Aumentata. Organizzazione che integra capacità umane e artificiali mantenendo esplicite finalità, responsabilità e apprendimento.
• Oro grigio. Conoscenza proprietaria sedimentata in dati, documenti, errori, relazioni e pratiche operative.
• Share of Model. Indicatore della frequenza o quota di presenza di un’entità nelle risposte di uno o più modelli su un set di query definito.
• Supermente organizzativa. Sistema socio-tecnico di persone e AI che distribuisce ruoli cognitivi e operativi per migliorare decisioni e azioni.

Conclusione

Fissare il termine “Economia Artificiale” significa riconoscere che l’AI ha superato il confine dello strumento isolato. È diventata un fattore produttivo, una componente delle organizzazioni, una infrastruttura di mercato e un agente delegato. Da questo passaggio derivano nuove opportunità di produttività e accesso, ma anche nuove concentrazioni di potere, dipendenze, esternalità e responsabilità.

Il punto di vista del marketing (il cliente sdoppiato, il B2A, la GEO, l’Expertelling e la difesa della rilevanza) resta essenziale perché rende visibile il cambiamento nel luogo in cui domanda e offerta si incontrano.

Nell’Economia Artificiale la capacità di calcolo diventa abbondante, ma direzione, fiducia, responsabilità e conoscenza restano scarse. La qualità del futuro economico dipenderà da come sapremo combinare queste scarsità umane e istituzionali con la nuova abbondanza computazionale.

Fonti e riferimenti

• Alessandro Angelelli, Economia Artificiale. B2A: come vendere, comunicare e fare marketing quando il cliente è un Agente AI, in fase di pubblicazione, 2026.
• Censis / Confcooperative, Economia Artificiale. Esposizione del mondo del lavoro e delle imprese alla diffusione dell’IA, 5 marzo 2025. https://www.censis.it/focus-censisconfcooperative/
• Shu-Heng Chen e Mak Kaboudan (a cura di), Artificial Economics: Methods, Models, and Interdisciplinary Links, Cambridge University Press, 2021. https://doi.org/10.1017/9781009036719
• Pranjal Aggarwal et al., “GEO: Generative Engine Optimization”, KDD 2024 / arXiv. https://arxiv.org/abs/2311.09735
• OECD, The effects of generative AI on productivity, innovation and entrepreneurship, OECD AI Papers n. 39, 2025. https://doi.org/10.1787/b21df222-en
• Erik Brynjolfsson, Danielle Li e Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161. https://www.nber.org/papers/w31161
• Shakked Noy e Whitney Zhang, “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence”, Science, 2023. https://doi.org/10.1126/science.adh2586
• International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, 2025. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
• Stanford Institute for Human-Centered AI, AI Index Report 2026. https://hai.stanford.edu/ai-index/2026-ai-index-report
• OECD, Artificial Intelligence Markets, 2026. https://doi.org/10.1787/d531d73f-en
• OECD, Artificial Intelligence and Competitive Dynamics in Downstream Markets, 2025. https://doi.org/10.1787/ccf0624a-en
• Unione europea, Regolamento (UE) 2024/1689 e quadro applicativo dell’AI Act. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
• ISO, ISO/IEC 42001:2023 – Artificial intelligence management systems. https://www.iso.org/standard/42001
• NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1, 2024. https://doi.org/10.6028/NIST.AI.600-1
• International Energy Agency, Energy and AI, 2025-2026. https://www.iea.org/reports/energy-and-ai
• OpenAI, Agentic Commerce Protocol. https://developers.openai.com/commerce
• Google Developers, Universal Commerce Protocol, 2026. https://developers.googleblog.com/under-the-hood-universal-commerce-protocol-ucp/
• Anthropic, Model Context Protocol, 2024-2025. https://www.anthropic.com/news/model-context-protocol
• International Monetary Fund, New Skills and AI Are Reshaping the Future of Work, 2026. https://www.imf.org/en/blogs/articles/2026/01/14/new-skills-and-ai-are-reshaping-the-future-of-work

Nota metodologica: le fonti online sono state verificate il 28 agosto 2026. Le evidenze quantitative citate descrivono studi e contesti specifici e non vanno generalizzate automaticamente a ogni impresa o settore. Il quadro normativo richiede verifica sul caso concreto e non costituisce consulenza legale.