Italiano (materiali di studio e letture in italiano e in inglese).

- Shapiro C., Varian H.R., Information Rules: A Strategic Guide to the Network Economy, Harvard Business School Press, 1999 (trad. it. Information Rules. Le regole dell'economia dell'informazione, Etas), capitoli selezionati.
- Goldfarb A., Tucker C., "Digital Economics", Journal of Economic Literature, 57(1), 2019.
- Agrawal A., Gans J., Goldfarb A., Power and Prediction: The Disruptive Economics of Artificial Intelligence, Harvard Business Review Press, 2022, capitoli selezionati.
- Carlton D.W., Perloff J.M., Organizzazione industriale, McGraw-Hill, capitolo 13 (L'informazione).
- Akerlof G.A., "The Market for 'Lemons'", Quarterly Journal of Economics, 84(3), 1970.
- Rochet J.-C., Tirole J., "Platform Competition in Two-Sided Markets", Journal of the European Economic Association, 1(4), 2003 (sezioni scelte).
- Brynjolfsson E., Li D., Raymond L., "Generative AI at Work", Quarterly Journal of Economics, 2025 (sezioni scelte).
- Xu F., Wang X., Chen W., "The Economics of AI Foundation Models: Openness, Competition, and Governance", working paper, 2025 (sezioni scelte).
- Rapporti istituzionali aggiornati su mercati digitali e IA (Commissione europea, OCSE, AGCM, Stanford AI Index), indicati a lezione.
- Dispense del docente, distribuite lezione per lezione, con letture di approfondimento specifiche (articoli, casi, materiali video consigliati).

L'insegnamento contribuisce all'obiettivo generale del Corso di Studio in Digital Marketing di formare figure capaci di comprendere il funzionamento economico dei mercati digitali in cui operano imprese, piattaforme e consumatori. Il principale obiettivo del corso è sviluppare nello studente la capacità di leggere strategie, prezzi e strutture di mercato dei beni digitali con gli strumenti dell'economia dell'informazione, e di riconoscere in che misura l'intelligenza artificiale generativa confermi o rovesci tali logiche. Al termine dell'insegnamento gli studenti dovranno essere in grado di:
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: descrivere le proprietà economiche dei beni digitali (non rivalità, struttura dei costi, economie di scala) e le differenze con la struttura di costo dell'IA; spiegare le principali strategie di prezzo e i modelli di business dei beni digitali; comprendere esternalità di rete, lock-in, standard e mercati multilaterali; conoscere i fondamenti delle asimmetrie informative e dei sistemi di reputazione online; conoscere il quadro regolatorio dei mercati digitali (antitrust, DMA, AI Act).
AUTONOMIA DI GIUDIZIO: valutare criticamente la strategia di prezzo o il modello di business di un prodotto digitale o di un servizio di IA; analizzare la struttura competitiva di un mercato digitale e prevedere gli effetti dell'ingresso dell'IA; distinguere le affermazioni supportate da evidenze da quelle puramente promozionali.
ABILITÀ COMUNICATIVE: esporre con terminologia appropriata i temi trattati; presentare e discutere i risultati del progetto di gruppo davanti alla classe.
CAPACITÀ DI APPRENDIMENTO: aggiornare autonomamente le proprie conoscenze in un ambito in rapidissima evoluzione, attraverso la lettura critica di paper, rapporti istituzionali e fonti qualificate, utilizzando in modo critico e consapevole gli stessi strumenti di IA oggetto del corso.

Conoscenze di base di microeconomia (domanda e offerta, costi, concorrenza perfetta e monopolio). Non è richiesta alcuna esperienza di programmazione.

Il corso alterna tre modalità didattiche: (i) lezioni frontali e partecipate, con struttura narrativa: ogni lezione presenta un concetto classico dell'economia dei beni digitali, lo illustra con casi reali e lo mette alla prova sul caso dell'intelligenza artificiale ("lente AI"); (ii) tre laboratori pratici senza prerequisiti di programmazione, basati su simulazioni interattive utilizzabili dal browser, fogli di calcolo precompilati e uso guidato e critico di modelli linguistici (analisi dei costi di un bene digitale e di un modello di IA; audit del modello di business e del pricing di un servizio digitale; simulazione di un caso di regolazione); i materiali di laboratorio sono utilizzabili in aula e a casa, con consegne per il lavoro individuale; (iii) seminari di discussione su casi applicativi e paper recenti. Per ciascuna lezione vengono forniti una dispensa di studio (teoria, esempi, glossario e domande di autoverifica) e il materiale di presentazione utilizzato in aula. A metà corso è prevista una prova intermedia sulla Parte I; il corso si chiude con le presentazioni dei progetti di gruppo.

La verifica dell'apprendimento si articola nelle seguenti componenti:
1) Prova intermedia scritta (settimana 3, lezione 6), con peso del 20% sul voto finale, su domande chiuse e aperte relative alla Parte I del corso.
2) Progetto di gruppo con presentazione finale (peso 30%): analisi economica di un bene digitale, di una piattaforma o di un servizio di IA a scelta (strategia di prezzo, modello di business, struttura competitiva del mercato), con l'obbligo di confrontare esplicitamente le logiche dei beni digitali tradizionali con quelle dell'IA. Rubrica di valutazione: rigore dell'analisi economica 35%; qualità delle evidenze e delle fonti 25%; originalità e capacità critica 15%; efficacia della presentazione 15%; contributo individuale (peer assessment) 10%.
3) Esame finale scritto (peso 50%), durata 90 minuti: tre domande aperte (una per ciascuna parte del corso) e un mini-caso applicativo su un mercato digitale o un servizio di IA. È ammessa una pagina di appunti personali (formato "cheat sheet") per incoraggiare la sintesi attiva in fase di studio.
4) Consegne di laboratorio: le tre consegne a casa sono valutate idoneo/non idoneo; chi consegna tutte e tre le prove idonee ottiene fino a 2 punti bonus sul voto finale.
Il voto finale è espresso in trentesimi e risulta dalla media ponderata delle componenti, secondo criteri di coerenza, completezza, padronanza degli strumenti analitici e capacità argomentativa. Si considera frequentante lo studente che sostiene la prova intermedia, partecipa al progetto di gruppo e consegna almeno 2 delle 3 prove di laboratorio; non è richiesta alcuna registrazione delle presenze. Per gli studenti che non soddisfano tali condizioni (non frequentanti) la valutazione si basa su un esame scritto esteso all'intero programma, integrato da un colloquio orale sui testi di riferimento.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi. Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate. Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof.ssa Tania Masi

Questo insegnamento concorre alla realizzazione dei seguenti obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile: Obiettivo 4 - Istruzione di qualità; Obiettivo 8 - Lavoro dignitoso e crescita economica; Obiettivo 9 - Imprese, innovazione e infrastrutture; Obiettivo 12 - Consumo e produzione responsabili.

La frequenza è fortemente consigliata, in particolare per le attività di laboratorio e per il progetto di gruppo. Non è previsto alcun rilevamento formale delle presenze: ai fini della valutazione, si considera frequentante lo studente che sostiene la prova intermedia, partecipa al progetto di gruppo e consegna almeno 2 delle 3 prove di laboratorio. Si raccomanda di portare in aula un notebook o un dispositivo con accesso al browser per le sessioni di laboratorio. L'uso di strumenti di IA generativa è consentito e incoraggiato nelle attività di laboratorio e nel progetto, a condizione che sia dichiarato e che lo studente sia in grado di spiegare e difendere ogni risultato prodotto. Il materiale didattico (dispense, slide, materiali di laboratorio e schede di consegna) è distribuito lezione per lezione attraverso la piattaforma di e-learning dell'Ateneo. Gli studenti ERASMUS sono invitati a contattare il docente per concordare il programma e, se necessario, materiali e prove in lingua inglese.