Resoconto della I^ sessione di approfondimento del programma A+Forum 2025 – AI 2025: Innovazione, Sfide e Opportunità per le Imprese| 9 maggio 2025 | Autore Antonio Sorella – Turtle S.r.l.
Per il 2025 A+network ha scelto di dedicare l’intero ciclo di incontri del percorso A+Forum all’Intelligenza Artificiale (IA), iniziando con questa sessione introduttiva sugli aspetti tecnici e storici dello sviluppo, il problema etico legato al suo impiego e un’analisi degli aspetti normativi. Nei prossimi mesi ulteriori incontri affronteranno l’impatto dell’AI in ambiti specifici: dall’industria alla gestione delle risorse umane, dalla formazione alla sanità, per concludere con una tavola rotonda finale che raccoglierà le riflessioni emerse, offrendo una sintesi complessiva del percorso intrapreso.
Come sottolineato dal Prof. Enrico Supino, professore associato presso il Dipartimento di Scienze Aziendali dell’Università di Bologna, l’attenzione mediatica riguardo l’IA ha subito un’impennata negli ultimi anni, quando, a partire dal 30 novembre 2022 è avvenuto il rilascio della prima versione di ChatGPT (modello di IA conversazionale) da parte di Open AI. Questo evento ha segnato l’inizio di una fase di grande attenzione e considerazione per l’IA nel dibattito pubblico e professionale, riconoscendo le notevoli potenzialità ma anche la necessità di implementare strumenti di controllo efficaci, specialmente per coloro che hanno meno familiarità con queste tecnologie, al fine di mitigarne i potenziali rischi. Questo periodo di grande “hype” ha caratterizzato in passato anche altre innovazioni tecnologiche; tuttavia l’avvento dei Large Language Model (LLM, Modelli Linguistici di Grandi Dimensioni) ha creato una situazione peculiare e dirompente.
Le origini dell’IA possono essere attribuite ad Alan Turing, che negli anni ’50 ha introdotto l’idea di implementare meccanismi artificiali capaci di svolgere compiti che tradizionalmente richiedono l’intelligenza umana, con l’obiettivo ultimo di sostituire, in determinate funzioni, le capacità umane. Da questa idea fondante è nata la necessità di definire e misurare l’intelligenza di una macchina attraverso il cosiddetto Test di Turing. Un giudice umano interagendo con un interlocutore ignoto, che può essere sia un altro umano sia una macchina, deve distinguere la macchina dall’umano; se non riesce nel suo obiettivo un numero sufficiente di volte, la macchina supera il test e può essere definite “intelligente”. Lo scopo non è dimostrare che la macchina “pensi”, ma che possa simulare in modo convincente l’intelligenza umana in un contesto specifico.
Negli anni ’60 hanno fatto la loro comparsa i “sistemi esperti”, programmi informatici progettati per simulare il processo di ragionamento di un umano esperto in un campo specifico. Pur essendo limitati nelle loro capacità e operando in domini ristretti, questi sistemi ottennero alcuni successi iniziali e cominciarono ad attrarre i primi investimenti nel settore.
Gli anni ’80 hanno rappresentato una fase di crescita fondamentale per l’AI, grazie allo sviluppo di algoritmi cruciali come l’algoritmo del “gradiente discendente”, che ha reso poi possibile utilizzare in modo più efficace strumenti come le reti neurali (inclusi i “transformer”, architetture fondamentali per i moderni LLM). Il gradiente discendente permette a questi strumenti di funzionare come sofisticate approssimazioni matematiche: essi acquisiscono dati (fase di input), li elaborano attraverso una serie di “funzioni di attivazione” e, attraverso un processo iterativo di addestramento (in cui viene definito cosa costituisce una risposta corretta o meno), i parametri del modello vengono continuamente aggiornati per ottenere un risultato sempre migliore. Questo processo di apprendimento si interrompe quando il modello raggiunge un livello di accuratezza soddisfacente, ovvero quando la sua predizione è molto simile al valore reale che si intende prevedere.
Gli anni ’90 hanno visto un significativo progresso nel campo del Machine Learning (ML), in gran parte grazie alla disponibilità di dataset di dimensioni sempre maggiori, che spesso garantivano risultati più affidabili e accurati. Negli stessi anni il campione di scacchi Garry Kasparov, noto per il suo talento e la creatività nelle mosse, uscì per la prima volta sconfitto in una sfida contro il supercomputer Deep Blue di IBM. Questo risultato, interpretato da molti come una conferma della crescente potenza delle macchine nell’affrontare compiti complessi e, seguendo la logica del Test di Turing, come una simbolica sconfitta dell’autorità umana, diede un impulso decisivo agli investimenti in ricerca e sviluppo nel campo dell’IA, stimolando un’ondata di nuove competenze e approcci innovativi nel settore.
Questa crescente disponibilità di dati ha portato, negli anni 2000, all’esplosione dei “big data”. La grande quantità di dati a disposizione acquisisce valore solo se esistono modelli in grado di analizzarli e interpretarli efficacemente; di conseguenza, in questo periodo si è assistito anche a un notevole miglioramento dei modelli di apprendimento automatico.
Dopo il 2010 si è verificata una rapida diffusione delle reti neurali, che sono diventate progressivamente sempre più complesse, con un numero crescente di “layer” e quindi si è passati dalle tecniche di ML più tradizionali al cosiddetto Deep learning: è in questo periodo che si sono venuti a creare i presupposti tecnologici per l’emergere di modelli come ChatGPT.
Le reti neurali artificiali sono modelli computazionali ispirati alla struttura e al funzionamento del cervello umano, progettati per modellare le relazioni complesse tra input e output. Nel processo di elaborazione dell’input si attiva un meccanismo (simile allo stimolo-risposta nel cervello umano) che emula il comportamento biologico. In sostanza le reti neurali cercano di replicare il modello di elaborazione delle informazioni che avviene nel nostro cervello. In questo senso, analogamente al numero di neuroni nel cervello umano, un fattore cruciale è il numero di neuroni presenti nel modello. Per questo motivo, le architetture delle reti neurali si sono evolute significativamente passando dai primi modelli con poche centinaia di neuroni, fino ai modelli attuali come ChatGPT che utilizzano un numero sbalorditivo di parametri, nell’ordine dei bilioni.
Le reti neurali vengono spesso descritte come “black box machine” (scatole nere), poiché, pur essendo estremamente efficaci, non sempre si comprende appieno il dettaglio del loro funzionamento interno durante l’elaborazione dei dati. Un neurone artificiale, unità fondamentale di queste reti, funziona ricevendo degli input (come dati numerici o segnali complessi) e a ciascuno viene assegnato un “peso”: se la somma pesata degli input supera una determinata “soglia”, l’informazione viene trasmessa al neurone successivo. Questo processo avviene in due fasi principali: una “fase in avanti” (forward propagation), in cui i dati attraversano la rete fino a produrre un output, e una “fase all’indietro” (back propagation), in cui l’errore tra l’output prodotto e l’output desiderato viene utilizzato per modificare iterativamente i pesi delle connessioni, al fine di ridurre l’errore nelle iterazioni successive. Questo ciclo continua fino a quando l’errore scende al di sotto di un valore predefinito, momento in cui il modello viene considerato “addestrato” e pronto per essere utilizzato su nuovi dati. Le reti neurali sono particolarmente efficaci in contesti dove le relazioni tra le variabili sono complesse e non lineari, contesti in cui i metodi statistici tradizionali spesso faticano a fornire risultati accurati.
Quando si parla di Intelligenza Artificiale è utile approfondire il significato che viene attribuito alla parola “intelligenza”, poiché essa evoca qualcosa di molto vicino alla nostra esperienza umana. Poiché in realtà le macchine non “pensano” come noi, sarebbe più preciso parlare di “comportamento intellettuale”. Il punto chiave è che ciò che chiamiamo “intelligenza” nelle macchine è in realtà l’abilità di imitare certi comportamenti che noi associamo al pensiero umano. Un chatbot come ChatGPT, che risponde in modo coerente, non “capisce” davvero la conversazione come faremmo noi, sta semplicemente seguendo modelli statistici sofisticati che gli permettono di determinare qual è la parola che, in via del tutto probabilistica, segue determinati vocaboli. Ad esempio un chatbot non sa “contare”, ma statisticamente prevede che all’operazione “3+3” segue il “6”. Quindi, quella che chiamiamo “intelligenza” nei sistemi IA ha ben poco a che vedere con l’idea di intelligenza che abbiamo noi esseri umani. Mentre per noi l’intelligenza evoca comprensione, creatività e consapevolezza, per le macchine si tratta semplicemente di due capacità molto pratiche: prevedere e classificare.
Durante l’intervento è stato richiamato il pensiero di Jean Piaget, secondo cui l’intelligenza si sviluppa attraverso due processi dinamici: assimilazione e accomodamento. L’assimilazione consiste nell’incorporare nuove informazioni negli schemi mentali preesistenti, mentre l’accomodamento implica la modifica di questi schemi per adattarsi a nuove esperienze, permettendo così di ampliare continuamente la conoscenza e di risolvere problemi. Volendo confrontare questa visione biologica dell’intelligenza con le capacità dell’AI, è utile sintetizzare le caratteristiche essenziali dell’intelligenza in: capacità di apprendimento, ragionamento (inteso come la capacità di connettere informazioni e trarre conclusioni logiche), adattabilità a nuove situazioni o ambienti, creatività (definita come la produzione di qualcosa di unico e raro, una qualità che gli attuali modelli linguistici di grandi dimensioni, o LLM, non possiedono) e pensiero critico. Tutte queste facoltà sono strettamente legate alla memoria, che gioca un ruolo cruciale nel definire il contesto della comunicazione, permettendo di “ricordare” chi sta parlando e in quale contesto. Infatti uno degli sforzi principali nello sviluppo dell’IA conversazionale è stato quello di aumentare significativamente la memoria contestuale dei modelli, un passo cruciale per migliorare la qualità delle interazioni e l’accuratezza delle risposte.
Anche seguendo la teoria delle intelligenze multiple di Gardner, è evidente come l’intelligenza biologica, plurale e sfaccettata, differisca radicalmente da quella artificiale, che opera su principi meccanici di elaborazione statistica. Questo divario persiste nonostante gli avanzamenti tecnologici e la crescente capacità di calcolo.
L’intelligenza artificiale non è solo ChatGPT, Gemini o DeepSeek: questi celebri chatbot rappresentano solo una parte di un ecosistema molto più vasto e articolato, quello del Machine Learning (ML), il quale si occupa di sviluppare macchine capaci di apprendere a classificare e prevedere. Producendo progressivamente meccanismi sempre più complessi, si arriva a definire il Deep Learning (il termine “profondo” esprime la complessità delle architetture), al cui interno si colloca l’elemento di grande attualità: l’Intelligenza Artificiale generativa. L’IA generativa dimostra capacità sempre più ampie e sofisticate, producendo contenuti diversificati che spaziano da immagini e podcast a video, documentazione tecnica e persino avatar in grado di interagire con turisti in più lingue, mostrando una qualità in continua evoluzione. Parallelamente si registra una crescente domanda di maggiore affidabilità nelle funzioni di classificazione e previsione, che costituiscono il cuore operativo di queste tecnologie. A testimonianza di questa tendenza, è stato riportato l’esempio significativo di un’agenzia meteorologica che ha recentemente presentato pubbliche scuse per previsioni particolarmente inaccurate; ciò evidenzia come oggi le aspettative degli utenti si siano innalzate, con una tolleranza sempre minore verso gli errori. Questa esigenza diffusa di precisione, secondo l’analisi proposta, rappresenta uno dei principali fattori che alimentano il progresso e il perfezionamento costante delle tecnologie di intelligenza artificiale. Eppure anche il sistema più avanzato non “capisce” davvero il meteo, semplicemente analizza schemi e dati meglio di quanto potessimo fare prima.
È quindi evidente come la società debba sviluppare adeguati strumenti di garanzia per gestire l’impatto crescente dell’IA, riconoscendone comunque l’inarrestabile diffusione (“non si può fermare il mare con le mani”). Più che demonizzare o vietare questa tecnologia, è opportuno insegnare a sfruttarne al meglio le potenzialità. Questo approccio rovescia la narrazione distopica di film come Blade Runner o Terminator, dove l’IA è stata rappresentata come minaccia. La realtà odierna mostra invece come questi strumenti stiano migliorando concretamente la nostra capacità di comunicare, analizzare e prevedere. Pur riconoscendo alcuni rischi (come l’impoverimento di competenze di base), l’analisi ha sottolineato come il bilancio complessivo sia ampiamente positivo. Tuttavia è emersa con forza una condizione imprescindibile: l’effettiva utilità dell’IA dipende dalla competenza degli utenti. Senza un’adeguata formazione, questi strumenti potenti potrebbero rivelarsi controproducenti, amplificando anziché risolvere i problemi.
Il Prof. Supino ha portato come esempio di applicazione un caso concreto, relativo al suo insegnamento del corso di “Modelli di previsione delle insolvenze”, in cui è stata utilizzata una rete neurale molto semplice (composta da un solo livello e quattro neuroni) per prevedere le insolvenze aziendali. I risultati di questo modello, addestrato su una porzione di dati finanziari e validato sulla restante porzione di dati mai visti, hanno evidenziato un’accuratezza significativamente superiore rispetto ai modelli statistici tradizionali (0,86 per la rete neurale contro 0,78 dei metodi tradizionali), dimostrando come l’IA possa offrire previsioni più precise e affidabili. Questa differenza di performance rende l’uso degli strumenti di IA una scelta sempre più strategica e, in molti casi, quasi obbligata per chi desidera ottenere risultati accurati in questo settore. Inoltre è stato previsto che l’IA troverà applicazione in un numero crescente di ambiti, come la diagnostica medica, pur rimanendo essenziale il ruolo dell’esperto umano nell’interpretazione del segnale prodotto dall’algoritmo, come sottolineato anche col richiamo alla storia dell’ufficiale sovietico Stanislav Petrov, che evitò un potenziale conflitto nucleare interpretando correttamente un falso allarme in un momento di alta tensione durante la Guerra Fredda. Anche nei contesti più avanzati, dove l’IA sembra in grado di superare le capacità dei metodi tradizionali, è fondamentale che il giudizio umano rimanga al centro del processo decisionale, garantendo una valutazione critica che le macchine, per quanto sofisticate, non possono sostituire.
Ma cosa dobbiamo aspettarci dal futuro? Basandoci sui dati, al momento il 42% dei professionisti ha già implementato soluzioni di IA nel proprio lavoro e un ulteriore 40% sta attivamente lavorando per farlo: ciò indica una diffusione pervasiva e sempre più personale di queste tecnologie. Uno scenario plausibile è che l’IA verrà utilizzata in misura sempre maggiore in futuro, con l’auspicio però che questo avvenga in modo responsabile e consapevole. Sarà cruciale sviluppare competenze specifiche per interagire efficacemente con queste tecnologie, poiché il rischio è produrre risposte errate a domande mal poste. Per utilizzare quindi l’IA in modo consapevole è necessario avere una conoscenza approfondita di ciò che si sta facendo: se non si ha questa consapevolezza di base, il rischio di ottenere risposte incoerenti o errate (“allucinazioni” nel gergo dell’IA) è altissimo. L’approccio corretto è utilizzare l’IA per automatizzare compiti che l’utente conosce e del quale è esperto, ma che questi strumenti possono eseguire più rapidamente.
Successivamente l’attenzione si è spostata sulla questione etica, spesso percepita, in modo riduttivo, come un semplice appello alla buona volontà. Padre Francesco Compagnoni ha invece proposto un approccio più strutturato, ispirato ai modelli utilizzati nell’insegnamento dell’etica nelle facoltà di filosofia del mondo occidentale, articolando la sua analisi in sette punti principali.
- In primo luogo è stato sottolineato come ci troviamo in una situazione di “reale” globalizzazione, un fenomeno di cui intellettuali e politici erano già consapevoli dopo il 1500, come testimonia il motto di Francisco de Vitoria (1483-1546), teologo spagnolo fondatore del Diritto Internazionale, “totus mundus est quasi una res publica”. In quegli anni la scoperta dell’America da parte di Colombo (già come la circumnavigazione del globo compiuta da Magellano), rappresentò uno shock culturale significativo e l’analisi dei testi etici dell’epoca rivela chiaramente come i pensatori del tempo si trovassero di fronte a un mondo radicalmente nuovo. Allo stesso modo oggi la globalizzazione economica, tecnologica ed etica è una realtà innegabile, che ci pone di fronte a una nuova svolta, segnata dal problema ecologico (la questione dell’energia e dei suoi costi) e da quello digitale. Questo nuovo scenario cambia profondamente il quadro entro cui dobbiamo condurre la riflessione etica e ci mette in guardia dal trattare questi nuovi strumenti tecnologici con l’ingenuità di un adolescente che scopre il mondo, ribadendo che i mezzi non devono mai essere considerati più importanti dei fini.
- In secondo luogo Padre Compagnoni ha osservato come l’etica che viviamo quotidianamente affondi le sue radici nella cultura giuridica e filosofica greco-romana e giudeo-cristiana, sottolineando come le differenze diventino subito evidenti quando ci confrontiamo con tradizioni culturali diverse.
- Il punto di riferimento assoluto di questa analisi deve essere sempre la dignità dell’uomo, un concetto che implica un insieme di diritti e doveri inalienabili. Poiché la macchina non possiede alcuna etica, né morale né immorale, la responsabilità, anche a lungo termine, ricade sempre sull’umano che l’ha creata e controllata. Il problema diventa, quindi, come concretizzare operativamente il concetto di dignità umana, suggerendo di farlo attraverso la tradizione dei diritti umani di matrice cristiana e illuministica, concretizzatasi nelle organizzazioni e nei trattati internazionali. In questo senso l’attuale crisi internazionale ci sta allontanando non solo dalla tradizione romana e cristiana, ma anche da quella illuministica. Per tornare a realizzare i diritti umani occorre tendere, come fanno le organizzazioni internazionali, a una pace stabile e giusta, che solo un uomo “giusto” è in grado di generare. È quindi fondamentale riscoprire l’etica delle virtù, incentrata sulla formazione di un uomo motivato a realizzare il bene comune universale e non egoistico.
- Per realizzare una società giusta è necessario avere un modello di uomo ben definito: una persona onesta e integra. A sua volta, per avere un modello di giustizia, è necessaria un’antropologia filosofica chiara: qual è il modello di uomo per bene? Se l’obiettivo della vita è realizzare pienamente se stessi, arriviamo al confine del senso della vita umana individuale, toccando la questione metafisica dell’origine dell’essere: perché esiste qualcosa, invece di non esistere nulla?
- La globalizzazione reale a cui stiamo assistendo è una conseguenza diretta dell’industrializzazione dell’Occidente, sviluppatasi parallelamente al movimento dei diritti dell’uomo di matrice illuminista. In quel periodo si sono sviluppate enormemente le scienze empiriche e le loro applicazioni tecnologiche come l’ingegneria. Lo sviluppo, avvenuto così rapidamente in un solo secolo, ci ha portato a considerare il valore economico come il principale criterio di giudizio sul progresso, facendo poi diventare il “quanto costa?” criterio di valutazione per quasi ogni cosa.
- Coloro che scoprono i problemi etici legati all’IA e a tutti i nuovi campi della tecnologia sono coloro che vi lavorano direttamente. Gli esperti sono i primi a identificare le percentuali di errore potenziali e sono loro stessi a dover trovare delle soluzioni, in quanto possiedono le competenze tecniche necessarie. Tuttavia, ha chiarito il relatore, questo non significa essere completamente nelle mani degli ingegneri: le implicazioni etiche delle scoperte tecnologiche possono e devono essere comprese da tutti, non solo dagli esperti di tecniche e applicazioni. Dato che le regole morali non sono oggettive nel senso di una formula matematica, ma devono essere accettate socialmente, quando un esperto identifica un problema etico, oltre a pensare a come risolverlo, dev’essere in grado di esporre chiaramente all’opinione pubblica sia il problema sia la possibile soluzione.
- Infine è stata sottolineata l’importanza di non confondere il livello giuridico con quello etico. A livello giuridico, in una società civile e moderna, ci si accorda su regole comuni, e il compromesso, frutto delle convergenze generali delle diverse opinioni, è considerato positivo e alla base della democrazia. Tuttavia questo approccio non funziona nel campo dell’etica: le soluzioni etiche non dipendono dal numero di persone che sono d’accordo o meno. Fare altrimenti significherebbe rendere le soluzioni etiche dipendenti dall’opinione pubblica, la quale è facilmente manipolabile. È quindi necessario mantenere distinta la legislazione politica dal valore intrinseco della persona umana.
Secondo Padre Compagnoni la visione che abbiamo delle cose che cambiano, spesso non è così profonda come dovrebbe essere e le soluzioni etiche non sono immediate. In questo contesto l’IA ha agito come un motore che ha accelerato enormemente tutto, tanto che spesso non riusciamo più a seguire la velocità del cambiamento.
Approfondito il tema tecnologico e la questione etica che questa rivoluzione porta con sé, poiché questi strumenti sono a disposizione di tutti, non solo dell’uomo “giusto ed esperto”, è necessario affrontare gli aspetti normativi e le responsabilità connesse.
L’Avv. Roberto Sammarchi ha quindi affrontato la questione delle normative e di come orientarsi tra queste. L’orientamento, infatti, implica tre fasi fondamentali: determinare il punto di partenza (“dove sono”), definire l’obiettivo desiderato (“dove voglio andare”) e pianificare realisticamente il percorso per raggiungerlo (“come ci vado”). Poiché “nessuna rotta è sicura per chi non sa dove andare”, nel contesto dell’AI questo si traduce in un problema di “soggetto”: è cruciale possedere competenze approfondite e raffinate per potersi orientare.
Inoltre è interessante osservare come nei settori della navigazione marittima e aerea, dove l’orientamento è una questione di vita o di morte, la storia umana abbia dimostrato la necessità di un soggetto che si assuma la piena responsabilità. Il modello democratico deve confrontarsi con questa esigenza, in quanto si tratta di individuare chi ha la responsabilità ultima (come il comandante di una nave, la cui responsabilità non è delegabile a nessuna funzione organizzativa).
Dal punto di vista normativo la questione è complicata da alcune ambiguità linguistiche presenti nei principali testi legislativi. Il testo base è Regolamento (UE) 2024/1689 del Parlamento Europeo, noto come AI Act, documento complesso che in pochi hanno letto integralmente, che, come una “carta geografica”, guiderà lo sviluppo in Europa dell’IA nei prossimi anni. In Italia è attualmente in corso di approvazione un disegno di legge che, all’articolo 2, riprende, traducendole, le definizioni riportate nell’AI Act in lingua italiana. Secondo questo testo, sono da intendersi come “sistemi di IA” quei sistemi automatizzati che possono presentare adattabilità e che “deducono” dai dati di input come generare segnali di output (quali previsioni, contenuti, ecc.) che possono influenzare ambienti fisici o virtuali. La versione in inglese (testo base in UE) usa il termine “inferire” (infer) invece di “dedurre”: questa differenza (che si ritrova anche nella versione tedesca in cui è tradotta con “ableiten”, derivare, e in quella francese in cui è tradotta con “déduire”, dedurre), apparentemente sottile, ha implicazioni significative poiché, mentre dedurre implica una logica rigida e deterministica, inferire introduce una componente probabilistica, più vicina al modo in cui l’IA elabora dati. Questa discrepanza crea un problema di fondo che riguarda la definizione stessa di IA e i limiti delle responsabilità a essa associati. Dato che il Regolamento Europeo prevede un pacchetto di sanzioni per usi illeciti, a quali sistemi verrà applicata la norma? Quelli che “deducono” o quelli che “inferiscono”?
Riportando l’attenzione sul problema del “soggetto” è stata richiamata l’etimologia del termine “cibernetica”, dal greco “kybernetes”, “timoniere” o “colui che presidia la rotta”. Ciò pone una domanda fondamentale: chi ha la responsabilità della rotta? E inoltre, dato che il salto tecnologico che sta avvenendo con l’IA porta le macchine a un livello di vicinanza senza precedenti ai nostri processi cognitivi, un’altra domanda che sorge è: chi ha il controllo? Siamo noi a controllare il sistema o è lui a controllare noi? Questa ambiguità nasce dal fatto che, diversamente da altre tecnologie rivoluzionare, questa è molto più “interna” all’essere umano. Per integrarla efficacemente nelle nostre organizzazioni è necessario considerare che essa trasforma le aziende in modo molto più profondo rispetto alle altre tecnologie e che quindi sarà sempre più importante un approccio consapevole.
Poiché spetta all’uomo stabilire la “rotta”, è opportuno ribadire che il fattore determinante è la consapevolezza che noi abbiamo di questo strumento: promuoverne un’adozione responsabile significherà stimolarne un uso etico e sicuro. Alla responsabilità dell’uomo segue immediatamente l’importanza di un quadro normativo solido, rappresentato dalle norme dell’Unione Europea sull’IA, seguite dai regolamenti sulla privacy e sulla cybersecurity, sottolineando come i maggiori problemi si verifichino quando l’IA interagisce con dati personali e con la possibilità di difendere e/o attaccare i sistemi informatici.
Un ulteriore tema centrale emerso riguarda il coordinamento del disegno di legge sull’IA, che si articola attorno a tre aspetti fondamentali. In primo luogo esiste un ampio corpo di misure di incentivo, spesso gestite da agenzie italiane incaricate della gestione di fondi provenienti dall’Unione Europea. Una bozza di linea guida per l’introduzione dell’IA nel mondo del lavoro, ad esempio, include una rassegna di questi incentivi, distribuiti tra diversi ministeri. Tuttavia orientarsi tra le molteplici opportunità disponibili può risultare complesso, richiedendo un supporto mirato per accedere ai fondi più adatti. In secondo luogo è cruciale il tema della formazione, sia nelle scuole sia nelle università. Anche in questo caso, sebbene siano disponibili numerosi fondi e incentivi, la loro frammentazione rende necessario un accompagnamento strutturato per individuare le soluzioni più efficaci. Infine l’adozione dell’IA nelle aziende deve fondarsi sulla consapevolezza, intesa come la capacità di sviluppare competenze critiche nell’uso di questi strumenti. Questo richiede un percorso continuo di apprendimento e affinamento delle competenze, supportato da una governance solida e da una pianificazione normativa ed etica, essenziali per garantire un uso consapevole e responsabile dell’IA.
L’Intelligenza Artificiale, come evidenziato in questa sessione introduttiva, rappresenta una tecnologia potente ma complessa, che tocca aspetti tecnici, storici, etici e normativi cruciali. Con il contributo di esperti come il Prof. Enrico Supino, Padre Francesco Compagnoni e l’Avv. Roberto Sammarchi, è emerso come l’IA, dai suoi primi sviluppi fino agli attuali LLM, richieda competenza, consapevolezza e responsabilità per essere utilizzata in modo sicuro ed etico. Per garantire che l’IA contribuisca in modo positivo e responsabile al nostro futuro, è essenziale affrontare con serietà le questioni etiche e normative emerse, ricordando che l’uomo resta sempre il “timoniere” del processo tecnologico.
Nei prossimi mesi il percorso continuerà ad esplorare le sfide e le opportunità offerte dall’IA in ambiti specifici, con l’obiettivo di creare una comprensione più profonda e informata di questa trasformazione.specifici, con l’obiettivo di creare una comprensione più profonda e informata di questa trasformazione.