Chi possiede l’intelligenza? Dove vive la sovranità?

Decidere dove risiedono dati, modelli e capacità di calcolo è diventata una scelta di autonomia strategica per imprese e Pubblica Amministrazione.

I punti chiave:

Fino a pochi anni fa la domanda “chi possiede l’intelligenza di un’organizzazione?” aveva una risposta semplice: l’organizzazione stessa, custode dei propri dati, dei processi e delle competenze delle persone. Con i modelli generativi la domanda cambia natura. Una parte crescente del lavoro cognitivo passa attraverso algoritmi addestrati altrove ed eseguiti su server di terzi, che però si alimentano della conoscenza aziendale. Ogni richiesta inviata a un modello porta con sé un frammento di patrimonio informativo: un contratto, un progetto, un dato di produzione.

Il rapporto tra sovranità digitale e intelligenza artificiale viene spesso raccontato in chiave geopolitica, come una partita tra Stati e grandi piattaforme. Per un’organizzazione, però, la questione è molto più concreta e riguarda il controllo di tre forme di intelligenza distinte, nessuna delle quali basta da sola. Il valore nasce quando si combinano, ed è proprio lì, nel punto in cui si incontrano, che si concentra anche il rischio: quello di perdere il controllo sulla propria conoscenza, perché i dati vengono elaborati su infrastrutture di terzi, sotto giurisdizioni diverse o all’interno di servizi da cui diventa difficile uscire.

Tre intelligenze dentro la stessa azienda

Nell’era dell’AI convivono tre intelligenze: quella artificiale dei modelli, quella dell’impresa fatta di dati e competenze, quella dell’infrastruttura che le collega. La sovranità consiste nel governare il punto in cui si incontrano.

• Intelligenza artificiale: modelli, algoritmi e la potenza di calcolo necessaria a eseguirli.
• Intelligenza dell’impresa: dati di business, proprietà intellettuale, processi decisionali e competenze interne.
• Intelligenza dell’infrastruttura: data center, connettività in fibra, sicurezza e continuità operativa.

La prima è quella più evidente, la più visibile: modelli linguistici, machine learning, agenti, strumenti di analisi e automazione. È potente e generalista, ma non conosce l’azienda in cui viene introdotta. Sa molte cose sul mondo e quasi nulla dei prodotti, dei clienti o delle logiche commerciali di chi la usa.

La seconda si vede meno e riguarda l’infrastruttura: data center, cloud, reti, storage, acceleratori di calcolo, piattaforme di orchestrazione e sicurezza. Per anni l’abbiamo considerata un tema da reparto IT, qualcosa che deve funzionare e basta. Eppure, è l’infrastruttura a stabilire dove vengono elaborati i dati, chi può accedervi, quali servizi si possono usare e quanto sarà difficile, un domani, spostare altrove ciò che si è costruito. Anche lei, insomma, contribuisce a distribuire il potere tecnologico, anche se se ne parla poco.

La terza è l’intelligenza dell’impresa. È fatta di dati, certo, ma anche di esperienza, competenze, relazioni e memoria delle decisioni prese. Avere molti dati non significa automaticamente sapere molte cose: il valore sta nella capacità di trasformarli in conoscenza e poi in scelte. È su questo passaggio che l’AI può fare la differenza, a patto di avere qualcosa su cui lavorare.

Perché la sovranità riguarda anche il patrimonio informativo dell’impresa?

Nessuna delle tre basta da sola. Il valore nasce quando si combinano, ed è nello stesso punto che si concentra il rischio. Un modello generico diventa utile solo quando lavora sui dati e sui processi di una specifica organizzazione: chi controlla il luogo di questo incontro controlla anche una parte del vantaggio competitivo. È questo il senso di AI sovrana: la capacità di scegliere e controllare dove e come vengono eseguiti i modelli e i dati che li alimentano, senza dipendenze irreversibili da un singolo fornitore.

Dove si incontrano: inferenza, RAG e fine-tuning

Ogni progetto di AI in azienda, anche il più semplice, ha un passaggio in comune: a un certo punto i dati escono dai sistemi in cui sono nati e raggiungono l’infrastruttura su cui gira il modello. Questo può avvenire secondo tre schemi d’uso, diversi per complessità e per il tipo di esposizione che comportano.

Il più diretto è l’inferenza: ogni richiesta trasferisce al modello testo, dati o file, e i volumi crescono man mano che l’uso si diffonde. La RAG (Retrieval-Augmented Generation) arricchisce ogni richiesta con i documenti interni: un sistema di ricerca interroga un indice dell’archivio aziendale e passa al modello solo i contenuti pertinenti. L’indice diventa così una copia ricercabile di una parte importante del patrimonio informativo, ed è decisivo sapere dove si trova. Il fine-tuning, infine, addestra il modello sui dati aziendali, che vengono assorbiti nei suoi parametri: non si possono più rimuovere senza un nuovo addestramento, e in alcuni casi il modello può riprodurne dei frammenti.

• Inferenza: ogni richiesta trasferisce testo, dati o file al modello, con volumi che crescono con l’adozione.
• RAG: l’indice dei documenti interni contiene una rappresentazione dell’intero patrimonio informativo.
• Fine-tuning: i dati di addestramento diventano parte dei parametri del modello e non sono più separabili da esso.

Quali dati aziendali attraversano l’infrastruttura di un modello AI?

In produzione questi sistemi trattano contratti, dati di clienti e fornitori, progetti tecnici, informazioni finanziarie e, nella PA, dati dei cittadini. Indici e log ne conservano le tracce. Se l’infrastruttura appartiene a un terzo, occorre sapere dove si trova, a quale giurisdizione risponde e che cosa conserva. Il primo passo pratico è classificare i casi d’uso per sensibilità dei dati, prima ancora di scegliere piattaforma e fornitore.

Cosa dicono i dati sull’adozione in Italia

L’adozione dell’AI in Italia è raddoppiata in un anno e supera la metà delle grandi imprese. I principali ostacoli non sono tecnologici: mancano competenze, chiarezza normativa e dati di qualità adeguata.

Secondo Istat (Imprese e ICT, dicembre 2025), il 16,4% delle imprese con almeno 10 addetti usa l’intelligenza artificiale, contro l’8,2% del 2024, e la quota sale al 53,1% tra le grandi imprese. L’adozione corre più veloce della capacità di governarla.

Più interessante è guardare chi l’AI l’ha valutata senza adottarla. Il 58,6% indica competenze insufficienti, il 47,3% una normativa poco chiara, il 45,2% dati scarsi o di bassa qualità, il 43,2% timori per privacy e protezione dei dati. Sono ostacoli che riguardano il governo dell’intelligenza dell’impresa più che l’accesso alla tecnologia, e in buona parte hanno una componente infrastrutturale: sapere dove risiedono i dati, chi può accedervi e con quali garanzie riduce l’incertezza normativa e semplifica le valutazioni di conformità.

L’intelligenza dell’infrastruttura per l’AI

Un’infrastruttura per l’intelligenza artificiale richiede calcolo ad alta densità, raffreddamento evoluto, bassa latenza e connettività ridondata. Tenere l’elaborazione vicino ai dati riduce costi, tempi di risposta e rischi di esposizione.

I carichi AI hanno caratteristiche fisiche molto diverse dalle applicazioni tradizionali. I server con acceleratori concentrano in un rack potenze che in passato servivano un’intera sala, e il calore generato richiede soluzioni a liquido. Un sistema che interroga archivi distribuiti tra più sedi dipende da connettività in fibra a bassa latenza e da percorsi ridondati. L’infrastruttura diventa così la terza intelligenza del sistema: determina prestazioni, continuità e collocazione giuridica dei dati.

• Densità di potenza: i rack per l’AI richiedono decine di kW, contro i pochi kW dei rack tradizionali.
• Raffreddamento a liquido: necessario per gestire i carichi più intensi con efficienza energetica.
• Latenza e connettività: dorsali in fibra e collegamenti diretti tra sedi, data center e cloud evitano colli di bottiglia e transiti non controllati.

Perché conviene portare il calcolo vicino ai dati?

Portare il calcolo vicino ai dati conviene perché spostare grandi volumi verso un cloud remoto costa, introduce latenza e moltiplica i punti di esposizione. Un’inferenza eseguita in un data center localizzato, collegato in fibra alle sedi, mantiene i dati sotto una giurisdizione nota.

Secondo IDC (Directions 2026, AI Factories), l’86% delle organizzazioni vuole la libertà di scegliere piattaforme diverse dal cloud pubblico per l’inferenza AI su larga scala. Entro il 2027 il 75% delle grandi imprese non statunitensi della Global 2000 darà priorità alla sovranità dell’AI.

Sovranità del dato, sovranità digitale, AI sovrana: tre livelli diversi

La sovranità del dato riguarda dove risiedono le informazioni e chi vi accede. La sovranità digitale estende il controllo all’intera catena tecnologica. L’AI sovrana aggiunge il governo di dove e come i modelli elaborano la conoscenza.

I tre concetti vengono spesso usati come sinonimi, ma descrivono livelli di controllo progressivi. Un’organizzazione può avere i dati in Italia e allo stesso tempo inviarli a un modello eseguito altrove, perdendo il controllo proprio nel punto in cui generano più valore. Per questo la sovranità digitale delle aziende oggi include anche il livello dell’AI.

Livello	Che cosa si controlla	Domanda chiave	Presidi tipici
Sovranità del dato	Localizzazione, accesso, legge applicabile, portabilità	Dove sono i dati e chi può leggerli?	Data center nazionali, cifratura, gestione delle chiavi
Sovranità digitale	Infrastruttura, rete, software, competenze, fornitori	Si può cambiare fornitore senza fermare l’operatività?	Architetture ibride, standard aperti, clausole di uscita
AI sovrana	Esecuzione dei modelli, indici documentali, dati di addestramento	Dove e da chi viene elaborata la conoscenza aziendale?	Inferenza in ambienti dedicati, modelli aperti, log sotto controllo

Il cloud sovrano basta a garantire la sovranità dell’AI?

Il cloud sovrano da solo non basta a garantire la sovranità dell’AI, perché assicura soprattutto localizzazione e giurisdizione dei dati. Occorre verificare anche dove vengono eseguiti i modelli, chi gestisce indici e log, quali subfornitori intervengono e come si esce dal servizio.

Il quadro normativo: AI Act e obblighi per le imprese

Quattro norme definiscono il perimetro: l’AI Act sui sistemi di intelligenza artificiale, il Data Act sulla portabilità del cloud, la direttiva NIS2 (Network and Information Security Directive 2) sulla catena di fornitura e la legge italiana 132/2025 sull’AI.

Il quadro europeo e italiano non impone in modo generalizzato di localizzare dati e modelli. Rende però la scelta dell’infrastruttura una decisione di governance, documentabile e verificabile. Con il pacchetto Digital Omnibus il calendario dell’AI Act è stato rivisto, spostando in avanti gli obblighi per i sistemi ad alto rischio.

AI Act (Regolamento UE 2024/1689): : è la normativa europea che suddivide i sistemi di intelligenza artificiale per livello di rischio e, per ciascuno, prevede regole su trasparenza, gestione dei dati, controllo umano e documentazione.

• AI Act: gli obblighi di trasparenza scattano il 2 agosto 2026. Per i sistemi ad alto rischio i tempi sono più lunghi: 2 dicembre 2027 per quelli dell’Allegato III, 2 agosto 2028 per quelli dell’Allegato I. Per capire in quale fascia rientra una soluzione si può consultare il quadro della Commissione europea.
• Data Act: applicabile dal 12 settembre 2025; dal 12 gennaio 2027 il passaggio a un altro fornitore cloud dovrà essere gratuito, con transizione di massimo 30 giorni.
• NIS2: recepita con il d.lgs. 138/2024, richiede misure di sicurezza sulla catena di fornitura ICT; l’Agenzia per la Cybersicurezza Nazionale ne coordina l’attuazione.
• Legge 132/2025: prima legge italiana sull’intelligenza artificiale, in vigore dal 10 ottobre 2025.

Che cosa prevede la legge italiana sull’AI per la Pubblica Amministrazione?

La legge italiana sull’AI consente alla PA di privilegiare, negli acquisti, soluzioni che garantiscono localizzazione ed elaborazione dei dati strategici, disaster recovery e continuità operativa in data center nazionali. Lo prevede l’articolo 5 della legge 23 settembre 2025, n. 132.

Il calendario dell’AI Act è stato modificato più volte: le date vanno verificate sulle fonti ufficiali al momento della pianificazione, in particolare per i sistemi ad alto rischio.

Sovranità come autonomia, non autarchia

Sovranità non significa rinunciare ai grandi cloud globali, ma conservare la libertà di scegliere: quali carichi tenere in ambienti locali e controllati, quali affidare a piattaforme pubbliche e come spostarli quando serve.

Nessuna organizzazione può sviluppare in proprio modelli, chip e piattaforme. L’obiettivo è un’architettura ibrida in cui ogni carico di lavoro sta nel luogo più adatto alla sua sensibilità. Il binomio sovranità digitale e intelligenza artificiale si traduce così in una disciplina di scelta: modelli aperti dove serve controllo, servizi pubblici dove conta la scala, infrastruttura localizzata per tenere insieme il sistema.

Secondo Gartner (febbraio 2026), la spesa mondiale per cloud sovrano IaaS (Infrastructure as a Service) raggiungerà 80 miliardi di dollari nel 2026, con una crescita del 35,6%. In Europa l’aumento atteso è dell’83% e nel 2027 la spesa europea supererà quella nordamericana. Il 20% dei carichi di lavoro attuali passerà da cloud globali a fornitori locali.

Quali domande porre prima di scegliere un’infrastruttura per l’AI?

Prima di scegliere un’infrastruttura per l’AI servono cinque verifiche su dati, modelli, contratti e continuità, utili anche a confrontare fornitori diversi su basi omogenee.

• Dove risiedono i dati: in quale Paese e sotto quale giurisdizione si trovano dati, backup, indici e log.
• Dove vengono eseguiti i modelli: in un ambiente dedicato o su piattaforme condivise extra UE.
• Chi può accedere: quali subfornitori intervengono e chi gestisce le chiavi di cifratura.
• Come si gestisce l’uscita dal servizio: tempi, costi e formati per migrare dati e carichi.
• Come si garantisce la continuità: SLA (Service Level Agreement), disaster recovery e ridondanza della connettività.

La sovranità si costruisce anche attraverso la scelta dei partner. Per governare dati, modelli e connettività serve un fornitore che disponga di infrastrutture proprie, conosca il quadro normativo italiano ed europeo e abbia esperienza nella gestione di ambienti critici. Retelit affianca organizzazioni enterprise e PA con una rete in fibra proprietaria, connettività dedicata tra sedi e cloud, soluzioni di hybrid cloud e servizi di sicurezza gestita. In questo modo i servizi dei grandi hyperscaler si integrano con il controllo locale dei dati.

Chi possiede allora l’intelligenza, e dove vive la sovranità

La risposta più comoda sarebbe “chi possiede il modello”. Ma un modello, da solo, non sa nulla dell’impresa che lo usa. Il valore nasce quando incontra dati, processi e competenze, e quell’incontro avviene sempre in un luogo preciso: un data center, una rete, un ambiente di calcolo che qualcuno gestisce e che risponde a una legge. L’intelligenza di un’organizzazione appartiene quindi a chi sa governarla lungo tutto il percorso. Se il modello è una scatola chiusa, se l’infrastruttura impedisce di cambiare fornitore, se le competenze per leggere i risultati stanno tutte fuori, la proprietà dei dati vale meno di quanto sembri.

La sovranità non sta in un contratto o in una certificazione. Sta in quel punto d’incontro, e nella possibilità concreta di decidere dove collocarlo, chi può accedervi e come spostarlo. Ogni volta che si affida una parte della propria conoscenza a un modello o a un fornitore, si affida insieme a essa una parte della propria capacità di decidere. La differenza tra dipendenza e autonomia sta tutta nel sapere quanta capacità di decidere si sta cedendo, e nel poterla riprendere quando serve.

Domande frequenti su sovranità digitale e AI

A cura di P. Annoni e T. Radojicic, Digital Marketing, Retelit