Decidere dove risiedono dati, modelli e capacit\u00e0 di calcolo \u00e8 diventata una scelta di autonomia strategica per imprese e Pubblica Amministrazione.<\/p>\n\n\n\n
I punti chiave:<\/p>\n\n\n\n
<\/p>\n\n\n\n
Fino a pochi anni fa la domanda “chi possiede l’intelligenza di un’organizzazione?”<\/a> 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 per\u00f2 si alimentano della conoscenza aziendale. Ogni richiesta inviata a un modello porta con s\u00e9 un frammento di patrimonio informativo: un contratto, un progetto, un dato di produzione.<\/p>\n\n\n\n Il rapporto tra sovranit\u00e0 digitale e intelligenza artificiale viene spesso raccontato in chiave geopolitica, come una partita tra Stati e grandi piattaforme. Per un’organizzazione, per\u00f2, la questione \u00e8 molto pi\u00f9 concreta e riguarda il controllo di tre forme di intelligenza distinte, nessuna delle quali basta da sola. Il valore nasce quando si combinano, ed \u00e8 proprio l\u00ec, nel punto in cui si incontrano, che si concentra anche il rischio: quello di perdere il controllo sulla propria conoscenza, perch\u00e9 i dati vengono elaborati su infrastrutture di terzi, sotto giurisdizioni diverse o all\u2019interno di servizi da cui diventa difficile uscire.<\/p>\n\n\n\n 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 sovranit\u00e0 consiste nel governare il punto in cui si incontrano.<\/p>\n\n\n\n <\/p>\n\n\n\n La prima \u00e8 quella pi\u00f9 evidente, la pi\u00f9 visibile: modelli linguistici, machine learning, agenti, strumenti di analisi e automazione. \u00c8 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.<\/p>\n\n\n\n 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, \u00e8 l’infrastruttura a stabilire dove vengono elaborati i dati, chi pu\u00f2 accedervi, quali servizi si possono usare e quanto sar\u00e0 difficile, un domani, spostare altrove ci\u00f2 che si \u00e8 costruito. Anche lei, insomma, contribuisce a distribuire il potere tecnologico, anche se se ne parla poco.<\/p>\n\n\n\n La terza \u00e8 l’intelligenza dell’impresa. \u00c8 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 capacit\u00e0 di trasformarli in conoscenza e poi in scelte. \u00c8 su questo passaggio che l’AI pu\u00f2 fare la differenza, a patto di avere qualcosa su cui lavorare.<\/p>\n\n\n\n Nessuna delle tre basta da sola. Il valore nasce quando si combinano, ed \u00e8 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. \u00c8 questo il senso di AI sovrana<\/strong>: la capacit\u00e0 di scegliere e controllare dove e come vengono eseguiti i modelli e i dati che li alimentano, senza dipendenze irreversibili da un singolo fornitore.<\/p>\n\n\n\n Ogni progetto di AI in azienda, anche il pi\u00f9 semplice, ha un passaggio in comune: a un certo punto i dati escono dai sistemi in cui sono nati e raggiungono l\u2019infrastruttura su cui gira il modello. Questo pu\u00f2 avvenire secondo tre schemi d\u2019uso, diversi per complessit\u00e0 e per il tipo di esposizione che comportano.<\/p>\n\n\n\n Il pi\u00f9 diretto \u00e8 l’inferenza<\/strong>: ogni richiesta trasferisce al modello testo, dati o file, e i volumi crescono man mano che l’uso si diffonde. La RAG<\/strong> (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 cos\u00ec una copia ricercabile di una parte importante del patrimonio informativo, ed \u00e8 decisivo sapere dove si trova. Il fine-tuning<\/strong>, infine, addestra il modello sui dati aziendali, che vengono assorbiti nei suoi parametri: non si possono pi\u00f9 rimuovere senza un nuovo addestramento, e in alcuni casi il modello pu\u00f2 riprodurne dei frammenti.<\/p>\n\n\n\n <\/p>\n\n\n\n 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 \u00e8 classificare i casi d’uso per sensibilit\u00e0 dei dati, prima ancora di scegliere piattaforma e fornitore.<\/p>\n\n\n\n L’adozione dell’AI in Italia \u00e8 raddoppiata in un anno e supera la met\u00e0 delle grandi imprese. I principali ostacoli non sono tecnologici: mancano competenze, chiarezza normativa e dati di qualit\u00e0 adeguata.<\/p>\n\n\n\nTre intelligenze dentro la stessa azienda<\/h2>\n\n\n\n
\n
Perch\u00e9 la sovranit\u00e0 riguarda anche il patrimonio informativo dell’impresa?<\/h3>\n\n\n\n
Dove si incontrano: inferenza, RAG e fine-tuning<\/h2>\n\n\n\n
\n
Quali dati aziendali attraversano l’infrastruttura di un modello AI?<\/h3>\n\n\n\n
Cosa dicono i dati sull’adozione in Italia<\/h2>\n\n\n\n