Un nuovo studio della LMU dimostra: come l'intelligenza artificiale migliora davvero i medici | Università Ludwig Maximilian di Monaco

La legislazione europea impone un ripensamento: in futuro l'intelligenza artificiale negli ospedali dovrà "pensare ad alta voce"

L'intelligenza artificiale è stata a lungo acclamata come una soluzione miracolosa per il settore sanitario, in grado di contrastare la cronica pressione temporale e la grave carenza di personale. Tuttavia, un nuovo studio rivoluzionario condotto in Germania rivela che la capacità di un algoritmo di salvare vite umane o, nel peggiore dei casi, addirittura di provocare diagnosi errate, dipende da un dettaglio cruciale finora trascurato. Non è sufficiente che un'IA fornisca risultati accurati: deve anche essere in grado di spiegare al medico, passo dopo passo, il proprio processo di ragionamento. Un affascinante esperimento condotto su oltre 100 radiologi svela perché i cosiddetti modelli "a catena di pensiero" riducono drasticamente il tasso di errore diagnostico, perché le classiche diagnosi differenziali si trasformano improvvisamente in trappole cognitive e perché queste scoperte potrebbero trasformare radicalmente non solo la pratica medica, ma anche il mercato globale dell'IA e le future normative dell'UE.

Correlato a questo:

• L'effetto delle spiegazioni mediche derivanti da modelli linguistici complessi sull'accuratezza diagnostica in radiologia

Quando l'IA pensa da sola: come l'intelligenza artificiale spiegabile sta cambiando la diagnostica medica

Una risposta plausibile non basta: chi si affida ciecamente all'intelligenza artificiale mette in pericolo la vita dei pazienti

I modelli linguistici complessi non sono più confinati agli esperimenti di laboratorio. Si trovano negli studi legali, nelle redazioni giornalistiche, nelle società di consulenza gestionale e, sempre più spesso, negli ospedali. Ma mentre il dibattito pubblico si concentra spesso sulla questione se l'intelligenza artificiale sostituirà un giorno i medici, i ricercatori della LMU di Monaco, dell'Ospedale Universitario LMU, del Karlsruhe Institute of Technology e dell'Università di Bayreuth si pongono una domanda ben più articolata e direttamente rilevante per la pratica clinica quotidiana: in quali condizioni il supporto dell'IA migliora effettivamente la qualità diagnostica e, nel peggiore dei casi, quando può addirittura essere dannoso?

La risposta, pubblicata sulla rivista npj Digital Medicine dal team di ricerca guidato da Stefan Feuerriegel, professore presso la LMU Munich School of Management, e Boj Friedrich Hoppe dell'Ospedale Universitario LMU, è tanto chiara quanto inquietante: la preoccupazione principale non è se un'IA fornisca una diagnosi corretta, ma come la spieghi. Questa scoperta è significativa perché eleva l'intero dibattito sull'IA in ambito sanitario a un nuovo livello, allontanandosi dalla dicotomia "IA sì o no?" per affrontare la questione più complessa di come progettare l'interazione uomo-macchina.

L'esperimento: 101 radiologi e quattro condizioni

Lo studio è metodologicamente notevole. In un esperimento randomizzato, a 101 radiologi sono stati presentati casi clinici reali che includevano immagini radiologiche, tra cui referti di tomografia computerizzata e risonanza magnetica. Ai partecipanti è stato chiesto di formulare una diagnosi in formato libero, un compito significativamente più impegnativo rispetto alla semplice selezione di un'opzione a scelta multipla e che riflette la realtà clinica in modo molto più accurato.

I partecipanti sono stati assegnati in modo casuale a uno dei quattro gruppi. Il primo gruppo ha lavorato completamente senza il supporto dell'IA ed è servito da gruppo di controllo. Il secondo gruppo ha ricevuto un'unica raccomandazione diagnostica dal modello linguistico multimodale. Il terzo gruppo ha ricevuto una diagnosi differenziale, ovvero un elenco di possibili malattie con probabilità graduate. Infine, il quarto gruppo ha ricevuto una cosiddetta spiegazione a catena di pensiero: il modello ha rivelato il suo ragionamento passo dopo passo, nominando le caratteristiche rilevanti dell'immagine, spiegando le indicazioni cliniche, discutendo i criteri di esclusione e rendendo il suo ragionamento comprensibile al medico.

Il risultato: una differenza di dodici punti percentuali e le ragioni che la determinano

I risultati sono chiari. I radiologi che hanno utilizzato la spiegazione passo passo del processo decisionale hanno raggiunto un tasso di accuratezza diagnostica superiore di 12,2 punti percentuali rispetto al gruppo di controllo senza intelligenza artificiale. Non si tratta di un effetto marginale. Nel contesto della pratica clinica quotidiana, dove vengono generati migliaia di referti ogni giorno, questa differenza corrisponde a un numero significativo di diagnosi errate che potrebbero essere evitate.

Al contrario, le diagnosi semplici e le diagnosi differenziali hanno ottenuto risultati decisamente peggiori. Il dato relativo alla diagnosi differenziale è particolarmente rivelatore: nei casi in cui il modello di intelligenza artificiale ha fornito una valutazione errata, i medici hanno seguito l'elenco con maggiore frequenza rispetto a quanto avrebbero fatto con una semplice diagnosi singola. La diagnosi differenziale trasmette un'impressione di completezza. Presenta molteplici possibilità e crea quindi la sensazione che lo spazio diagnostico sia già stato completamente esplorato. Ciò porta i medici a ridurre il proprio pensiero critico, soprattutto in caso di patologie rare o complesse che non compaiono nemmeno nell'elenco presentato.

Distorsione da automazione: il rischio sottovalutato nella pratica clinica quotidiana

Il fenomeno che lo studio della LMU illustra in modo così efficace è noto nella letteratura scientifica come "bias di automazione". Descrive la tendenza delle persone a seguire le raccomandazioni dei sistemi automatizzati anche quando la loro percezione o esperienza le contraddice. Il bias di automazione non è segno di incompetenza. Si tratta di uno schema cognitivo profondamente umano che deriva da euristiche evolutive: chi si fida di sistemi efficienti risparmia risorse cognitive. Nella maggior parte delle situazioni quotidiane, questo è funzionale. In medicina, tuttavia, può essere fatale.

Studi precedenti hanno dimostrato che il bias dell'automazione è significativamente più pronunciato sotto pressione temporale. Uno studio sul supporto alle decisioni cliniche basato sull'IA in patologia ha rilevato che, sebbene l'integrazione dell'IA abbia portato a un miglioramento complessivo statisticamente significativo delle prestazioni, ha contemporaneamente generato un tasso di bias dell'automazione del 7%, ovvero casi in cui valutazioni inizialmente corrette sono state modificate da raccomandazioni errate dell'IA. La pressione temporale non ha aumentato la frequenza del bias, ma ne ha aumentato l'intensità. I ​​parallelismi con la pratica radiologica, dove i radiologi in alcuni ospedali devono produrre più di cento referti per turno, sono evidenti.

Lo studio della LMU dimostra ora che il modo in cui viene spiegata l'IA è un fattore cruciale per mitigare questo rischio. Le spiegazioni passo passo rendono trasparente il ragionamento del modello e consentono al medico di confrontarlo con la propria esperienza, un processo che facilita l'individuazione degli errori nel modello e, al contempo, incoraggia un coinvolgimento cognitivo attivo anziché una mera accettazione passiva.

L'economia della spiegabilità: quanto costa davvero una buona IA?

Da una prospettiva economica, lo studio della LMU apre un importante dibattito che viene spesso trascurato nelle previsioni di crescita dell'intelligenza artificiale in ambito sanitario, guidate dalle dinamiche di mercato. Il mercato globale dell'intelligenza artificiale in ambito sanitario è stato stimato tra i 28 e i 39 miliardi di dollari statunitensi nel 2025 e si prevede che supererà i 500 miliardi di dollari statunitensi entro il 2034, con tassi di crescita annuali superiori al 34%. Tuttavia, queste cifre descrivono principalmente il mercato dei prodotti di intelligenza artificiale, non il valore economico effettivo che questi prodotti generano nell'uso clinico.

È proprio qui che risiede il problema. Una revisione sistematica pubblicata nel 2025 sulla valutazione economica dell'IA in radiologia ha analizzato oltre 1.800 pubblicazioni e ha individuato solo 21 studi che quantificavano effettivamente i costi, i risparmi o il rapporto costo-efficacia degli strumenti di IA. La stragrande maggioranza delle evidenze si basa su scenari simulati, non su implementazioni cliniche reali. Ancor più grave, i dati reali dimostrano che l'IA in radiologia non comporta automaticamente un risparmio sui costi. Il valore economico è fortemente dipendente dal contesto: tende ad essere positivo in presenza di volumi elevati, carenza di radiologi o attività ad alta intensità di risorse. Tuttavia, può anche essere negativo, se una specificità insufficiente porta a un maggior numero di esami di follow-up, o se i modelli di licenza basati sull'utilizzo annullano i vantaggi in termini di efficienza ottenuti con volumi elevati di casi.

La comprensibilità delle spese relative all'IA non è un mero problema accademico, bensì una variabile economica tangibile. Un'IA che raggiunge un'accuratezzasegensuperiore di 12,2 punti percentuali, quando le sue spese vengono spiegate utilizzando un approccio basato sulla catena di pensiero, genera un valore clinico ed economico significativamente maggiore rispetto a un'IA che si limita a fornire una diagnosi, a parità di qualità del modello. Tradotto in termini di costi, ciò si traduce in: diagnosi errate evitate, riduzione degli esami di controllo, durata dei trattamenti più breve e minore tasso di errore. I benefici sono reali, anche se difficili da quantificare in euro, poiché le diagnosi errate comportano costi medici diretti, nonché costi indiretti dovuti a degenze ospedaliere prolungate, rischi legali e perdita di fiducia nel sistema sanitario.

L'intelligenza artificiale spiegabile come necessità strategica nel quadro normativo

La legge europea sull'intelligenza artificiale (IA), in vigore dall'agosto 2024, classifica quasi tutte le applicazioni cliniche di IA – strumenti diagnostici, sistemi di pianificazione della terapia e applicazioni di monitoraggio digitale – come ad alto rischio. Ciò comporta obblighi considerevoli: documentazione tecnica, gestione del rischio e della qualità, monitoraggio continuo e requisiti espliciti di trasparenza. Dall'agosto 2028, a seguito dell'aggiornamento del pacchetto omnibus digitale, approvato provvisoriamente dal Consiglio e dal Parlamento europeo il 7 maggio 2026, si applicheranno integralmente i requisiti per i fabbricanti di dispositivi medici.

Il nucleo normativo centrale di queste normative è preciso: l'IA ad alto rischio deve essere comprensibile agli utenti. I processi decisionali devono essere trasparenti e le raccomandazioni devono essere contestabili. Ciò che l'Atto UE sull'IA richiede a livello normativo è confermato empiricamente dallo studio della LMU: la spiegabilità non è semplicemente un requisito di conformità. È il prerequisito per l'uso sicuro dell'IA in situazioni cliniche ad alto rischio. La nuova normativa obbliga quindi i produttori di sistemi di IA in ambito sanitario ad affrontare la natura e la qualità dei loro risultati, non solo l'accuratezza tecnica dei loro modelli.

Da una prospettiva strategica, ciò crea un'interessante dinamica di mercato. I fornitori che prendono sul serio il potere esplicativo dell'intelligenza artificiale e investono in formati di output trasparenti e lineari saranno in una posizione migliore dal punto di vista normativo. Allo stesso tempo, otterranno risultati clinici migliori e dimostrabili. La competizione per le soluzioni di intelligenza artificiale in ambito sanitario si sposterà quindi in futuro dalla questione dell'accuratezza tecnica del modello a quella dell'usabilità clinica: un cambio di paradigma con conseguenze significative per l'intero settore.

Una nuova dimensione della trasformazione digitale con 'Managed AI' (Intelligenza Artificiale) – Piattaforma e soluzione B2B | Xpert Consulting - Immagine: Xpert.Digital

Qui scoprirai come la tua azienda può implementare soluzioni di intelligenza artificiale personalizzate in modo rapido, sicuro e senza elevate barriere all'ingresso.

Una piattaforma di intelligenza artificiale gestita è la soluzione completa e senza pensieri per l'intelligenza artificiale. Invece di dover gestire tecnologie complesse, infrastrutture costose e lunghi processi di sviluppo, riceverai una soluzione pronta all'uso, su misura per le tue esigenze, da un partner specializzato, spesso entro pochi giorni.

I principali vantaggi in sintesi:

⚡ Implementazione rapida: dall'idea all'applicazione pronta all'uso in pochi giorni, non mesi. Forniamo soluzioni pratiche che creano un valore aggiunto immediato.

🔒 Massima sicurezza dei dati: i tuoi dati sensibili restano con te. Garantiamo un'elaborazione sicura e conforme alle normative, senza condividere i dati con terze parti.

💸 Nessun rischio finanziario: paghi solo per i risultati. Gli elevati investimenti iniziali in hardware, software o personale vengono completamente eliminati.

🎯 Concentrati sul tuo core business: concentrati su ciò che sai fare meglio. Ci occupiamo dell'intera implementazione tecnica, del funzionamento e della manutenzione della tua soluzione di intelligenza artificiale.

📈 A prova di futuro e scalabile: la tua IA cresce con te. Garantiamo ottimizzazione e scalabilità continue e adattiamo i modelli in modo flessibile alle nuove esigenze.

Maggiori informazioni qui:

• La soluzione di intelligenza artificiale gestita - Servizi di intelligenza artificiale industriale: la chiave per la competitività nei settori dei servizi, dell'industria e dell'ingegneria meccanica

La carenza di competenze come catalizzatore per l'adozione acritica dell'IA

I risultati dello studio della LMU assumono particolare rilevanza alla luce della carenza strutturale di professionisti qualificati nel sistema sanitario tedesco. La radiologia è una specialità che, in Germania – come in molti altri paesi europei – è sottoposta a una notevole pressione in termini di personale. Allo stesso tempo, il volume dei referti di diagnostica per immagini è in rapida crescita a causa del sempre maggiore utilizzo di TC, risonanza magnetica e altre tecniche di imaging. Questa pressione crea un contesto in cui la tentazione di adottare frettolosamente i suggerimenti dell'IA anziché esaminarli criticamente è forte.

In questo contesto, il bias dell'automazione è particolarmente pericoloso. Quando un radiologo è sotto pressione e l'IA presenta un elenco di diagnosi apparentemente plausibili, il percorso verso un'accettazione acritica è breve. Lo studio della LMU dimostra che un output di IA ben progettato e con capacità esplicative può contrastare questo fenomeno, ma solo se i medici leggono e rivedono attivamente le spiegazioni. Ciò richiede che i sistemi di IA siano integrati nei flussi di lavoro clinici in modo tale da lasciare tempo sufficiente per questa valutazione critica. Chi introduce l'IA semplicemente come strumento di accelerazione, senza considerare la qualità dell'interazione, rischia di ottenere l'effetto opposto a quello desiderato: diagnosi più rapide, ma più soggette a errori.

La Fondazione Bertelsmann stima che la Germania stia perdendo potenziali aumenti di produttività fino al 16% a causa della mancanza di competenze in materia di intelligenza artificiale, un dato equivalente a miliardi di euro di mancati ricavi. Nel settore sanitario, questo effetto è ancora più complesso da misurare, poiché il valore non si esprime in termini di fatturato, bensì in termini di risultati clinici. Ciononostante, la logica di fondo rimane la stessa: il potenziale dell'IA può essere pienamente realizzato solo se gli utenti sono sufficientemente competenti per valutare criticamente gli investimenti in IA e se i sistemi di IA stessi sono progettati in modo tale da rendere possibile e incentivata tale valutazione critica.

Diagnosi differenziali e l'ingannevole senso di sicurezza

Uno dei risultati più sottili dello studio LMU merita particolare attenzione perché contraddice l'intuizione clinica. Le diagnosi differenziali sono considerate un segno di diligenza clinica in medicina. Dimostrano che un medico considera molteplici possibilità e non si arrende prematuramente a una diagnosi. Tuttavia, nell'interazione con un sistema di intelligenza artificiale, proprio questo tipo di risultato può essere problematico.

Il meccanismo sottostante è facilmente spiegabile da un punto di vista psicologico: un elenco di diagnosi differenziali dà l'impressione che il problema sia già stato considerato in modo esaustivo. L'elevata densità di informazioni di questo output segnala un sollievo cognitivo. Di conseguenza, i medici tendono a pensare meno al di là delle diagnosi elencate e a esercitare una minore autovalutazione. Se il modello produce diagnosi differenziali errate o incomplete in questa fase – cosa che certamente accade con i modelli linguistici – la probabilità che l'errore venga adottato è maggiore rispetto a una singola diagnosi chiaramente indicata come preliminare.

Le spiegazioni basate su una catena di ragionamenti contrastano questo problema perché identificano esplicitamente le incertezze, rivelano i fattori di esclusione e comunicano quindi l'apertura epistemica del modello. I medici sono invitati a mettere in discussione il modello e sono quindi in grado di correggerlo meglio laddove presenta delle lacune.

Generalizzabilità: cosa significa il risultato al di là della radiologia

Stefan Feuerriegel, autore corrispondente dello studio, sottolinea esplicitamente che i risultati vanno ben oltre la radiologia. I modelli linguistici complessi vengono sempre più utilizzati per prendere decisioni nella vita di tutti i giorni e sul lavoro: in ambito legale, finanziario, nella consulenza gestionale e nell'istruzione. Ovunque si utilizzi l'output dell'IA come base per decisioni importanti, sorgono sempre le stesse domande: devo esaminare criticamente la raccomandazione o la accetto per ragioni di efficienza? Ne comprendo il ragionamento o mi affido all'IA perché il risultato sembra plausibile?

L'avvertimento contro gli "errori che sembrano convincenti" è particolarmente importante. I modelli linguistici sono in grado di produrre spiegazioni che appaiono strutturalmente corrette e retoricamente persuasive, pur essendo fattualmente errate. Si tratta di un fenomeno ben noto, definito nella letteratura scientifica come "allucinazione", che non può essere completamente eliminato semplicemente ottimizzando le prestazioni dei modelli. Sebbene le spiegazioni passo passo offrano maggiori opportunità di revisione critica, non proteggono completamente da questo rischio. La responsabilità della decisione finale rimane sempre in capo all'essere umano.

Da una prospettiva economica, ciò può essere interpretato come un argomento a favore di competenze utente differenziate: coloro che desiderano trarre vantaggio in modo sostenibile dagli strumenti di intelligenza artificiale – sia in medicina, nel diritto o nella consulenza gestionale – non devono solo saperli utilizzare, ma anche valutarne i costi. Questa competenza può essere acquisita, ma richiede una formazione mirata e un continuo sviluppo professionale. Le istituzioni che investono in questa competenza utilizzeranno i sistemi di intelligenza artificiale in modo più efficace rispetto a quelle che la considerano un mero strumento decisionale autonomo.

Intelligenza artificiale spiegabile e problema della fiducia: una prospettiva sistemica

In medicina, la fiducia non è un fattore secondario, bensì un valore economico concreto. I pazienti che si fidano dei propri medici sono più propensi a seguire le raccomandazioni terapeutiche, a segnalare i sintomi precocemente e, di conseguenza, a ottenere risultati migliori. Questa fiducia si è ora ampliata fino a comprendere un'ulteriore dimensione: include sempre più la fiducia nei sistemi di intelligenza artificiale coinvolti nella diagnosi e nella pianificazione del trattamento.

Il concetto di IA spiegabile – indicato in letteratura come XAI, Explainable Artificial Intelligence (Intelligenza Artificiale Spiegabile) – affronta proprio questo problema di fiducia. Non si tratta di semplificare i modelli, ma di rendere i loro processi decisionali comprensibili ai gruppi di utenti interessati. "Comprensibile" non è un termine assoluto: ciò che è una spiegazione passo passo utile per un radiologo esperto potrebbe essere troppo dettagliata o fuorviante per un medico di base senza specializzazione in diagnostica per immagini. Pertanto, la XAI deve essere considerata non solo da una prospettiva tecnica, ma anche tenendo conto dell'utente e del contesto.

Dal punto di vista dei produttori, ciò significa che sviluppare spiegazioni efficaci basate sull'intelligenza artificiale non è un compito banale. Richiede una profonda comprensione dei flussi di lavoro clinici e delle esigenze cognitive dei rispettivi gruppi di utenti. Le spiegazioni basate sulla catena di pensiero, che hanno ottenuto risultati superiori nello studio, non sono semplicemente un formato di output tecnico, ma il risultato di un'interazione attentamente progettata. Questa progettazione richiede risorse, ma crea in modo tangibile valore per i pazienti, i medici e la società.

Obblighi normativi e realtà clinica: una prospettiva pragmatica

I periodi transitori previsti dalla legge europea sull'intelligenza artificiale (AI Act) concedono ai produttori e agli operatori di sistemi di intelligenza artificiale in ambito sanitario il tempo necessario per adattarsi. Secondo le nuove normative del pacchetto digitale omnibus, la scadenza ultima per i produttori di dispositivi medici è agosto 2028. Tuttavia, questo periodo non deve essere interpretato come un rinvio, bensì come una transizione strutturata in cui i risultati della ricerca clinica, come quelli dello studio della LMU, possono essere integrati nello sviluppo del prodotto.

Nello specifico, ciò significa per gli ospedali e i tecnici ospedalieri: la valutazione dei sistemi di intelligenza artificiale non dovrebbe misurare solo l'accuratezzasegentecnica, ma anche la qualità dell'output nell'uso clinico. Le dichiarazioni che illustrano il processo decisionale e formati di output trasparenti simili dovrebbero essere considerati criteri di selezione in fase di acquisto. La formazione dei medici che utilizzano strumenti di intelligenza artificiale deve affrontare esplicitamente il problema dei bias di automazione e la revisione critica delle raccomandazioni dell'IA. Infine, i sistemi di garanzia della qualità clinica dovrebbero documentare l'adozione delle raccomandazioni dell'IA per identificare tempestivamente gli errori sistematici.

Per gli sviluppatori e i fornitori di soluzioni di intelligenza artificiale in ambito sanitario, il messaggio è chiaro: investire nell'interpretabilità non è un optional, ma la leva fondamentale che trasforma un modello tecnicamente valido in uno strumento clinicamente efficace e conforme alle normative.

Il tema principale: come gli esseri umani e le macchine possono diventare più intelligenti insieme

Lo studio della LMU contribuisce in definitiva a una questione più ampia che va ben oltre la radiologia e la medicina: come devono essere progettati i sistemi di intelligenza artificiale affinché potenzino il pensiero umano anziché sostituirlo o, peggio, minarlo? La risposta è: attraverso la trasparenza, la tracciabilità e incoraggiando attivamente l'analisi critica.

Non si tratta di un ideale puramente romantico dal punto di vista tecnico. È un principio di progettazione empiricamente provato, economicamente valido ed eticamente imprescindibile. In un sistema sanitario sottoposto a crescenti pressioni in termini di prestazioni, che si affida agli strumenti digitali e al contempo è tenuto a rispettare i più elevati standard qualitativi, la domanda "Come spiega la vostra IA le sue raccomandazioni?" potrebbe presto diventare la questione più importante in fase di acquisto in ambito clinico.

Una buona risposta basata sull'intelligenza artificiale non è solo corretta, ma anche verificabile. Chi saprà tradurre coerentemente questo principio nello sviluppo, nell'acquisizione e nell'implementazione di sistemi di intelligenza artificiale non solo otterrà risultati medici migliori, ma si guadagnerà anche la fiducia di cui la profonda digitalizzazione del settore sanitario ha urgente bisogno: la fiducia di medici, pazienti e della società nel suo complesso.

La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business - Immagine: Xpert.Digital

Xpert.Digital è un hub industriale B2B basato sui dati, guidato da Konrad Wolfenstein . L'azienda funge da soluzione esterna, quasi interna, per i partner industriali, colmando le lacune operative in marketing, contenuti e vendite, senza richiedere risorse aggiuntive al cliente.

Maggiori informazioni qui:

• La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business

☑️ La nostra lingua aziendale è l'inglese o il tedesco

☑️ NOVITÀ: Corrispondenza nella tua lingua madre!

Konrad Wolfenstein

Io e il mio team saremo lieti di essere a tua disposizione come tuo consulente personale.

Puoi contattarmi compilando il modulo di contatto qui semplicemente chiamandomi al numero +49 7348 4088 965. Il mio indirizzo email è [email protected]:o

Non vedo l'ora di iniziare il nostro progetto comune.

☑️ Supporto alle PMI in strategia, consulenza, pianificazione e implementazione

☑️ Creazione o riallineamento della strategia digitale e digitalizzazione

☑️ Espansione e ottimizzazione dei processi di vendita internazionali

☑️ Piattaforme di trading B2B globali e digitali

☑️ Sviluppo aziendale pionieristico / Marketing / PR / Fiere