Intangible assets e AI: nuove prospettive (1/2)

La questione degli intangible assets (competenze, conoscenze, relazioni, reputazione, proprietà intellettuali e cultura aziendale) è centrale in un’epoca di trasformazione digitale guidata dall’intelligenza artificiale (AI). Questi asset stanno subendo cambiamenti significativi in termini di valore, utilizzo e capitalizzazione, influenzati dall’adozione crescente di tecnologie avanzate. Ecco un’analisi dei principali cambiamenti.

Parte 1

1. Valore degli Intangible Assets

1.1. Maggiore Dipendenza dai Dati
1.2. Obsolescenza Accelerata
1.3. Modelli di Apprezzamento degli asset digitali

2. Evoluzione degli Asset Intangibili

2.1. Competenze specialistiche
2.2. Competenze analitiche
2.3. Competenze per la commercializzazione e distribuzione
2.4. Competenze di prompting e interazione con l’algoritmo
2.5. Competenze trasversali: pensiero critico e creativo

3. Gestione degli Asset Intangibili

3.1. Definizione del valore dal punto di vista del cliente
3.2. Mappatura del flusso di valore
3.3. Creazione di una roadmap agile e iterativa
3.4. Coinvolgimento del team
3.5. Strumenti di supporto lean
3.6. Esempio pratico di roadmap (Lean Thinking)
3.7. Benefici dell’approccio Lean
3.8. Esempi pratici di applicazione

Parte 2: qui.

1. Valore degli Intangible Assets

Nel contesto attuale, caratterizzato da una crescente digitalizzazione e dall’adozione diffusa dell’intelligenza artificiale, gli asset intangibili emergono come pilastri strategici per la creazione di valore, ridefinendo le dinamiche economiche e professionali.

1.1. Maggiore Dipendenza dai Dati

Gli asset intangibili, come competenze, reputazione, relazioni e proprietà intellettuali, sono sempre più intrecciati con la gestione e l’analisi dei dati. Questo fenomeno si manifesta in diversi modi.

1.1.1. Centralità dei dati come infrastruttura cognitiva
Gli asset intangibili non sono più isolati, ma operano in un ecosistema in cui i dati rappresentano un’infrastruttura essenziale. La reputazione aziendale, ad esempio, viene monitorata tramite analisi di sentiment sui social media e interazioni digitali. Anche le competenze si basano sempre più sull’uso di strumenti avanzati, come software di analisi e piattaforme di intelligenza artificiale.

1.1.2. Amplificazione del valore tramite dati
I dati migliorano la qualità e la rilevanza degli asset intangibili. Brevetti e proprietà intellettuali possono essere valorizzati attraverso analisi predittive che identificano trend emergenti, mentre le relazioni, sia B2B che B2C, diventano più produttive grazie a sistemi che identificano bisogni in tempo reale. L’intelligenza artificiale genera valore concreto trasformando dataset ben strutturati in insight strategici.

1.1.3. Interdipendenza con tecnologie avanzate
La digitalizzazione degli asset intangibili richiede sistemi di intelligenza artificiale e algoritmi di apprendimento automatico, che funzionano grazie ai dati. Le piattaforme di knowledge sharing e blockchain, ad esempio, si basano su dataset condivisi per monetizzare competenze e conoscenze.

1.1.4. Nuove sfide di governance
La dipendenza dai dati comporta la necessità di investire in strumenti di data governance per garantire precisione, aggiornamento e conformità normativa. Se l’AI rappresenta per le aziende la possibilità di procedere con maggiore efficienza e capacità di elaborazione, oggi mette in condizioni anche il singolo professionista di affrontare analoghe attività, naturalmente diverse per dimensione e complessità, ma non meno critiche.

D’altra parte, una gestione inadeguata dei dati può minare la fiducia e ridurre il valore degli asset intangibili, compromettendo la reputazione di aziende e professionisti. Per questo, è indispensabile un investimento più consistente per una governance accurata, per quanto possa limitare in parte i benefici in termini di performance ottenuti con l’utilizzo dell’AI.

1.2. Obsolescenza Accelerata

La rapida evoluzione tecnologica e il continuo progresso dell’intelligenza artificiale hanno un effetto significativo sulla durata del valore degli asset intangibili. Alcuni aspetti rilevanti di questo fenomeno.

1.2.1. Ciclo di vita più breve per competenze e conoscenze
Le competenze tecniche, specialmente quelle legate a strumenti software o piattaforme digitali, diventano rapidamente obsolete. Ad esempio, un linguaggio di programmazione o un framework specifico possono diventare irrilevanti con l’introduzione di strumenti no-code basati sull’AI. Allo stesso modo, pratiche di marketing digitale come il SEO tradizionale possono essere superate da nuove tecnologie di ricerca avanzata. Anche la conoscenza accademica perde valore se non è aggiornata con applicazioni pratiche che utilizzano le nuove tecnologie.

1.2.2. Aumento della concorrenza basata sull’AI
Gli asset intangibili come creatività e innovazione, tradizionalmente considerati esclusivi, sono ora potenziati dall’AI, portando a una standardizzazione del loro valore di base. Ad esempio, un designer grafico che non utilizza strumenti AI rischia di essere superato da competitor che producono lavori simili a costi significativamente inferiori.

Questo fenomeno evidenzia come non sarà l’AI a sottrarre opportunità di lavoro, ma piuttosto un collega che avrà imparato a sfruttarla efficacemente. Avrà imparato, cioè, a padroneggiare strumenti che accelerano il flusso creativo, riducendo il tempo necessario per attività ripetitive, ottimizzando i risultati attraverso personalizzazioni avanzate, e aumentando la capacità di adattarsi rapidamente alle richieste del mercato con soluzioni innovative e scalabili.

1.2.3. Evoluzione delle aspettative del mercato
Le aziende e i clienti si aspettano che competenze e conoscenze siano costantemente aggiornate. La mancanza di formazione continua può rapidamente ridurre il valore percepito di un professionista o di un’azienda. Inoltre, una percezione di arretratezza tecnologica può compromettere la reputazione e la competitività.

1.2.4. Strategie di prevenzione contro l’obsolescenza
Per contrastare l’obsolescenza, le aziende devono adottare strategie come l’apprendimento continuo, supportato da sistemi di e-learning avanzati. Inoltre, l’AI non dovrebbe essere vista solo come un assistente nel lavoro operativo, ma può rappresentare anche un “compagno di studi” capace di stimolare l’apprendimento e l’approfondimento, aiutando ad esplorare nuove conoscenze, approfondire tematiche complesse e sviluppare soluzioni innovative.

Ad esempio, un copywriter potrebbe usare modelli generativi non solo per accelerare la produzione, ma anche per perfezionare il proprio stile e ampliare le proprie competenze. Infine, il networking interdisciplinare è cruciale: combinare competenze di marketing e data science, ad esempio, può creare asset intangibili più durevoli e resilienti.

1.3. Modelli di apprezzamento degli asset digitali

I modelli di deprezzamento tradizionali, come il metodo lineare, il saldo decrescente e quelli basati sull’utilizzo, si basano su concetti di usura fisica e valore decrescente nel tempo, e quindi risultano inadeguati per gli asset intangibili nell’era digitale. Per gli asset intangibili come software, marchi o goodwill, deve essere considerato l’apprezzamento nel tempo, una loro caratteristica distintiva nell’era digitale.

Gli asset digitali spesso migliorano grazie a cicli regolari di miglioramento, che includono aggiornamenti tecnologici e innovazioni continue. Ad esempio, un software può aumentare il proprio valore con il rilascio di nuove funzionalità, l’incremento della sicurezza o integrazioni con altre piattaforme. Allo stesso modo, i marchi possono accrescere il loro valore attraverso campagne di marketing mirate, un maggiore utilizzo da parte degli utenti e un coinvolgimento più attivo dei consumatori sui social media. Perfino l’emanazione di nuove normative può influire, contribuendo talvolta al deprezzamento ma anche, in alcuni casi, all’apprezzamento di questi asset.

L’utilizzo di modelli di deprezzamento inadeguati può condurre a valutazioni errate, con conseguenze negative su decisioni strategiche come l’allocazione delle risorse, le acquisizioni e il reporting finanziario.

2. Evoluzione degli Asset Intangibili

L’AI non sostituisce le competenze, ma le potenzia. I professionisti saranno valorizzati non solo per ciò che sanno, ma per come riescono a collaborare con l’AI. Inoltre l’introduzione dell’intelligenza artificiale nel mercato del lavoro richiede l’acquisizione e il potenziamento di competenze specifiche e trasversali. Queste competenze si possono suddividere in diverse categorie fondamentali:

2.1. Competenze specialistiche

2.1.1. Programmazione e sviluppo di AI
Conoscenze di linguaggi di programmazione come Python, R o Java, e di framework specifici (ad es. TensorFlow, PyTorch). Inoltre, comprende la capacità di progettare, addestrare e ottimizzare modelli di apprendimento automatico (machine learning) e apprendimento profondo (deep learning). La gestione e l’analisi di big data sono fondamentali per alimentare e migliorare gli algoritmi, così come la progettazione di modelli predittivi e algoritmi in settori verticali come la sanità, la finanza e la produzione.

2.1.2. Sicurezza informatica e gestione del rischio
Include abilità nella protezione dei sistemi di AI contro malware, virus e vulnerabilità, nonché il monitoraggio continuo dei sistemi per garantire integrità e sicurezza dei dati.

2.1.3. Ingegneria dei dati
Si focalizza sulla creazione e gestione di pipeline per l’acquisizione, pulizia e trasformazione dei dati, oltre a competenze nei database (SQL, NoSQL) e nei servizi cloud (AWS, Azure, Google Cloud).

2.2. Competenze analitiche

2.2.1. Problem solving
Comprende la capacità di individuare e risolvere problemi complessi attraverso l’uso di strumenti di AI e l’analisi dei dati per interpretare risultati, individuare anomalie e supportare il processo decisionale.

2.2.2. Elaborazione critica dei risultati
Riguarda l’abilità di valutare la qualità degli output generati dagli algoritmi, mettendo in discussione le risposte fornite dall’AI per individuare eventuali bias o errori.

2.2.3. Ottimizzazione e tuning
Implicano la capacità di regolare i modelli di AI per ottenere le prestazioni ottimali in contesti specifici.

2.3. Competenze per la commercializzazione e distribuzione

2.3.1. Product management dell’AI
Consiste nell’abilità di trasformare soluzioni basate su AI in prodotti utilizzabili e scalabili, creando strategie di marketing e distribuzione per soluzioni di AI.

2.3.2. Vendita e supporto tecnico
Include la capacità di spiegare le funzionalità dei prodotti basati su AI a clienti e stakeholder non tecnici, oltre al supporto post-vendita per l’implementazione e l’uso corretto di strumenti di AI.

2.4. Competenze di prompting e interazione con l’algoritmo

2.4.1. Interrogazione degli algoritmi
Implica saper formulare input (prompt) chiari ed efficaci per massimizzare la qualità degli output generati, comprendendo le sintassi e le regole specifiche degli strumenti di AI.

2.4.2. Capacità di revisione critica
Comprende l’abilità di interpretare i risultati generati dall’AI, individuandone i margini di miglioramento e personalizzandoli per renderli adeguati al contesto lavorativo.

2.5. Competenze trasversali: pensiero critico e creativo

2.5.1. Pensiero creativo
Consiste nella capacità di utilizzare l’AI come strumento per generare nuove idee e soluzioni innovative, sfruttando l’automazione per concentrarsi su attività di alta creatività e valore aggiunto.

2.5.2. Empatia e comunicazione
Riguarda il rafforzamento delle competenze relazionali, poiché la macchina non può replicare interazioni empatiche o autentiche con clienti e colleghi. Include anche una comunicazione efficace per integrare le soluzioni di AI nei flussi di lavoro. Non meno importante, una buona padronanza di linguaggio facilita un’interazione più fluida ed efficace con l’AI.

2.5.3. Personal branding e reputazione
Per i professionisti, il DNA individuale si intreccerà con l’AI attraverso la costruzione di un’identità digitale coerente e strategica. Gli strumenti AI non solo semplificano la comunicazione e l’analisi, ma permettono anche di personalizzare il messaggio per raggiungere pubblici specifici in modo più efficace. Ad esempio, l’AI può analizzare i trend del settore per suggerire contenuti rilevanti da condividere, oppure monitorare le performance sui social media per ottimizzare le strategie di branding. Inoltre, un’identità digitale solida non riguarda solo la promozione personale, ma anche la capacità di trasmettere competenza e affidabilità, valori essenziali per attrarre collaborazioni e opportunità.

2.5.4. Collaborazione interdisciplinare
Gli intangible assets diventeranno più potenti se integrati in team multidisciplinari supportati da AI, generando nuove sinergie. Inoltre, le piattaforme di AI possono agire come facilitatori, creando ambienti virtuali dove esperti di diversi settori possono collaborare, condividere dati e scoprire soluzioni innovative a problemi complessi.

3. Gestione degli Asset Intangibili

Sono richiesti nuovi approcci nella gestione delle organizzazioni aziendali e professionali, con particolare riferimento ai processi creativi e decisionali. Per questi ultimi, approfondiamo una possibile roadmap ispirata ai principi del Lean Thinking.

3.1. Definizione del valore dal punto di vista del cliente

3.1.1. Allineamento con le esigenze del cliente
È importante identificare come l’AI possa creare valore per i clienti finali, migliorando prodotti, servizi o esperienze, e prioritizzare i processi aziendali che influiscono direttamente sulla soddisfazione del cliente. Inoltre, l’utilizzo di strumenti di intelligenza artificiale può migliorare l’efficienza delle interazioni, garantendo risposte più personalizzate. La costante raccolta e analisi dei feedback dei clienti consente di adattare continuamente le offerte per soddisfare le loro esigenze.

3.1.2. Valore per l’organizzazione
L’AI può eliminare attività non necessarie e generare risparmi di tempo e costi, contribuendo a incrementare l’efficienza complessiva dell’organizzazione. Questo avviene anche grazie alla capacità dell’AI di automatizzare processi ripetitivi, consentendo ai dipendenti di concentrarsi su attività a maggiore valore aggiunto. Inoltre, l’integrazione di sistemi predittivi permette di ottimizzare la pianificazione e ridurre gli sprechi.

3.2. Mappatura del flusso di valore

3.2.1. Identificazione delle attività a valore aggiunto
È essenziale mappare i processi esistenti per individuare le fasi che producono effettivo valore per il cliente, oltre a identificare le attività che possono essere ottimizzate o automatizzate tramite l’AI. Questo processo aiuta anche a individuare colli di bottiglia e inefficienze che ostacolano le operazioni. Inoltre, consente di creare una base dati strutturata per monitorare e migliorare continuamente le performance.

3.2.2. Eliminazione degli sprechi
Attraverso l’automazione intelligente, si possono ridurre sprechi legati a errori, duplicazioni, tempi di attesa e attività ripetitive, garantendo al contempo che i dati utilizzati dall’AI siano di alta qualità per minimizzare errori e rielaborazioni. L’adozione di strumenti di machine learning aiuta a prevenire errori ricorrenti attraverso un’analisi approfondita dei dati. Inoltre, l’automazione consente di standardizzare i processi, migliorandone l’affidabilità.

3.3. Creazione di una roadmap agile e iterativa

3.3.1. Sviluppo incrementale
Un approccio incrementale basato su cicli brevi (iterazioni) consente di implementare l’AI in modo graduale e meno rischioso. Si può iniziare con un progetto pilota in un processo chiave per raccogliere dati, testare ipotesi e apprendere rapidamente. Ogni iterazione dovrebbe includere una revisione degli obiettivi raggiunti per identificare miglioramenti futuri. Inoltre, il coinvolgimento dei team interni, se presenti, garantisce una adozione più fluida delle nuove tecnologie.

3.3.2. Cicli di miglioramento continuo
Le revisioni regolari, basate su feedback dei clienti e degli utenti interni, aiutano ad adattare la roadmap in base ai risultati ottenuti e ai cambiamenti del mercato. Questo processo iterativo favorisce una maggiore flessibilità e garantisce che l’AI rimanga allineata con gli obiettivi strategici. Inoltre, consente di identificare tempestivamente le aree critiche da migliorare, evitando sprechi di risorse.

3.4. Coinvolgimento del team

3.4.1. Empowerment del team
Nel caso di organizzazioni strutturate, anche minimamente, il coinvolgimento dei membri nei processi decisionali permette di identificare opportunità di miglioramento e di fornire formazione mirata per sviluppare competenze nella gestione e interazione con l’AI. Questo approccio incrementa la motivazione e migliora la qualità del lavoro. Inoltre, garantisce che l’adozione delle nuove tecnologie sia ben accettata e pienamente integrata nei flussi operativi.

3.4.2. Cultura della collaborazione
Promuovere la collaborazione tra team interfunzionali favorisce l’integrazione coerente dell’AI nei flussi di lavoro aziendali. Questo approccio incoraggia lo scambio di idee e la co-creazione di soluzioni innovative. Inoltre, facilita l’allineamento degli obiettivi tra i diversi reparti, massimizzando l’impatto positivo dell’AI sull’organizzazione.

3.5. Strumenti di supporto lean

3.5.1. Visualizzazione del flusso
Strumenti come kanban o mappe di flusso sono utili per monitorare l’adozione dell’AI e identificare colli di bottiglia, misurando costantemente il valore aggiunto generato. Questi strumenti semplificano anche la comunicazione tra i team, migliorando la trasparenza. Inoltre, consentono di individuare rapidamente le aree che richiedono ottimizzazione, garantendo un miglioramento continuo.

3.5.2. Monitoraggio in tempo reale
Dashboard aggiornate con KPI (indicatori chiave di prestazione) consentono di valutare l’efficacia dell’AI in tempo reale. Questo approccio aiuta a identificare tempestivamente eventuali anomalie e ad apportare correzioni immediate. Inoltre, le dashboard offrono una visione d’insieme che supporta il processo decisionale strategico.

3.6. Esempio pratico di roadmap ispirata al Lean Thinking

Un’azienda di logistica vuole ottimizzare la gestione degli ordini con l’AI. Innanzitutto, deve migliorare i tempi di consegna e ridurre errori di stoccaggio per aumentare la soddisfazione del cliente. Questo avviene analizzando il processo di gestione degli ordini per identificare ritardi causati da operazioni manuali. Il progetto pilota può prevedere l’implementazione di un algoritmo predittivo per ottimizzare le rotte di consegna in un singolo magazzino. Dopo il monitoraggio dei risultati del pilota e la raccolta di feedback, si itera il sistema prima di estenderlo ad altri magazzini, con un’ottimizzazione graduale e l’integrazione di nuovi strumenti se necessario.

3.7. Benefici dell’approccio Lean

3.7.1. Maggiore adattabilità
L’approccio iterativo riduce i rischi di implementazione e migliora la capacità di adattarsi ai cambiamenti del mercato. Inoltre, consente di rispondere rapidamente a nuove opportunità e minacce emergenti, mantenendo un vantaggio competitivo.

3.7.2. Focus sul valore
Le risorse vengono allocate solo alle attività che producono valore per il cliente. Questo approccio garantisce un uso efficiente delle risorse e una maggiore soddisfazione del cliente, migliorando la redditività aziendale.

3.7.3. Riduzione dei costi
L’eliminazione degli sprechi e l’automazione mirata aumentano l’efficienza operativa. Inoltre, questi miglioramenti portano a una riduzione significativa delle spese generali, liberando risorse per investimenti strategici.

3.8. Esempi di cambiamento dei ruoli

L’implementazione dell’AI porta alla definizione di nuovi ruoli professionali e alla trasformazione di quelli esistenti. Gli specialisti AI progettano modelli per la diagnosi precoce di malattie, contribuendo a migliorare le capacità diagnostiche del settore sanitario. I Data Analyst ottimizzano strategie di marketing sfruttando l’analisi predittiva, rendendo le campagne più mirate ed efficienti. I Prompt Engineer personalizzano le risposte degli assistenti virtuali, migliorando l’interazione e l’esperienza dell’utente. Infine, i Manager creano roadmap per integrare l’AI nei processi aziendali tradizionali, garantendo una transizione fluida e strategica verso l’automazione intelligente.

Segue qui.

Conclusione

L’intelligenza artificiale non solo sta ridefinendo il valore, l’uso e la capitalizzazione degli asset intangibili, ma sta anche trasformandoli nella loro essenza, diventando uno strumento per svilupparli e potenziarli. Gli asset intangibili non sono più statici o passivi: grazie all’AI, possono evolversi dinamicamente, generando nuove competenze, innovazione e relazioni che ampliano le possibilità di creazione di valore.

Per aziende e professionisti, la sfida non è solo adattarsi ai cambiamenti, ma adottare un approccio strategico che utilizzi l’AI per trasformare questi asset. Le competenze, la reputazione, le conoscenze e le relazioni possono essere amplificate e rigenerate attraverso l’impiego di strumenti AI avanzati. Questo implica non solo una massimizzazione del valore e del vantaggio competitivo, ma anche la creazione di nuovi ecosistemi collaborativi e modelli di business.

Sfruttare appieno le potenzialità dell’AI significa superare la logica della mera ottimizzazione per entrare in una dimensione evolutiva degli asset intangibili, dove le tecnologie diventano un partner attivo nello sviluppo continuo. Questa prospettiva è cruciale per garantire una crescita sostenibile in un mondo sempre più basato su innovazione e interconnessione.

Fonti

Fonti datate prima del 2022:

1. “The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies”, di Brynjolfsson, E., & McAfee, A. (20 gennaio 2014) — Google Books
2. “Measuring Intangible Assets Using Parametric and Machine Learning Approaches”, di Hasyyati, A. N., & Kurniawan, A. (1 dicembre 2019) — IEEE Xplore
3. “The Future of Knowledge: Artificial Intelligence and the Knowledge Society”, di Commissione Europea, Direzione Generale per la Ricerca e l’Innovazione (1 giugno 2018) — Publications Office of the European Union

Fonti datate dopo il 2022:

1. “Rise of Intangible Assets, Causal AI, and Cybersecurity”, di International Insurance Society (aprile 2024) — International Insurance Society
2. “The State of AI in Early 2024: Gen AI Adoption Spikes and Starts to Generate Value”, di McKinsey & Company (2024) — McKinsey & Company
3. “AI and the Next Wave of Transformation”, di Boston Consulting Group (maggio 2024) — Boston Consulting Group
4. “Artificial Intelligence Index Report 2023”, di Nestor Maslej et al. (5 ottobre 2023) — arXiv
5. “Artificial Intelligence Index Report 2024”, di Nestor Maslej et al. (29 maggio 2024) — arXiv
6. “Anticipating The Future: How AI Will Impact Businesses In 2024”, di Forbes Technology Council (2024) — Forbes
7. “AI and the Future of Intangible Asset Valuation”, di Westland, J. C. (2023) — Westland
8. “Corporate Governance Spotlight: Considerations for Protecting Valuable AI-Related Assets”, di Mayer Brown (febbraio 2024) — Mayer Brown
9. “Aon Report Identifies Accelerated Growth of AI, IP and Cyber Assets”, di Aon (maggio 2024) — Aon
10. “Cambiamenti nel valore degli asset intangibili nell’era dell’intelligenza artificiale”, di AIAF — Gruppo di Studio (Quaderno AIAF n. 113) — AIAF
11. “Harnessing Generative AI for B2B Sales”, di McKinsey & Company (2023) — McKinsey
12. “AI in B2B Marketing: Ultimate Guide for 2024”, di Team-GPT (2023) — Team-GPT
13. “AI’s Impact on B2B Marketing: Benefits and Strategies”, di MarketingProfs (2024) — MarketingProfs
14. “AI in B2B Ecommerce: A Strategic Roadmap for Success”, di BigCommerce (2023) — BigCommerce
15. “The Role of AI in Predictive Analytics for B2B Marketing”, di Heinz Marketing (2023) — Heinz Marketing
16. “The Rise of AI in B2B Sales: Revolutionizing Customer Interactions and Predictive Analytics”, di Medium (2023) — Medium
17. “AI and B2B: 2024 and Beyond Trends”, di SalesIntel (2023) — SalesIntel
18. “Building the AI-Driven Organization”, di Davenport, T. H., & Redman, T. C. (2023) — Harvard Business Review
19. “Digital twins and generative AI: A powerful pairing”, di McKinsey & Company (2023) — McKinsey & Company
20. “AI-Enabled Digital Twins Could Be The Key To A More Sustainable Society”, di Forbes (2024) — Forbes
21. “The rise of semantic twins: How digital twins and generative AI are shaping the future”, di Wired (2024) — Wired
22. “AI-Driven Solopreneurship: How to Automate and Scale Your One-Person Business in 2024”, di Utobo Blog (2024) — Utobo
23. “AI-Driven Ecosystems”, di Mack Institute for Innovation Management (2024) — Mack Institute
24. “DX 2.0: Industry Ecosystem Expansion, Augmented by AI”, di IDC (2024) — IDC Blogs
25. “Leveraging AI: A Global Growth Roadmap For SMEs In 2024”, di Forbes Business Council (2024) — Forbes
26. “Broad Adoption of AI by SMEs: Overview of 2023 Activities and 2024 Outlook”, di Global Partnership on Artificial Intelligence (2024) — GPAI
27. “The New Normal: The Status Quo of AI Adoption in SMEs”, di The Service Industries Journal (2024) — The Service Industries Journal

#IntelligenzaArtificiale #IntangibleAsset #KnowledgeWorker #KnowledgeBasedBusiness #DataDrivenStrategy #AIInnovation #DigitalTransformation #FutureOfWork #StrategicGovernance