1. Perché l'AI sui documenti aziendali solleva questioni di riservatezza
Contratti, offerte, perizie, fascicoli di progetto, schede di produzione: molte aziende di Torino, dagli studi professionali alle industrie, custodiscono documenti di valore che contengono anche dati personali. Gli strumenti di intelligenza artificiale che leggono e riassumono questi testi sono utili, ma pongono una domanda precisa: dove finiscono i documenti e chi può vederli. Il tema diventa ancora più delicato quando i documenti riguardano clienti, dipendenti o informazioni industriali non ancora pubbliche.
Il problema non si risolve con un divieto generico, perché i dipendenti usano comunque strumenti esterni se non trovano alternative interne. Conviene decidere in modo esplicito quali documenti possono essere elaborati da quali sistemi, con quali regole e con quale responsabile. La questione riguarda prima di tutto il governo dei dati, e solo dopo la tecnologia. Una decisione scritta sui documenti ammessi è il primo passo concreto.
2. Come funzionano un LLM locale e il metodo RAG
Un LLM (large language model) è un modello linguistico che genera testo a partire da un'istruzione. Eseguirlo in locale significa farlo girare su hardware controllato dall'azienda, invece che su un servizio esterno. I modelli open source, cioè con pesi disponibili e licenze d'uso specifiche, permettono questa scelta. La licenza va sempre letta, perché non tutte consentono l'uso commerciale o la distribuzione alle stesse condizioni.
Il metodo RAG (retrieval augmented generation) collega il modello ai tuoi documenti. Prima della risposta, un sistema di ricerca recupera i passaggi pertinenti da un archivio indicizzato, e il modello risponde basandosi su quelli. Questo riduce le invenzioni e permette di citare la fonte. La qualità dipende però dalla preparazione dei documenti, dalla ricerca e dalla verifica delle risposte. Non confondere il metodo con il modello: anche un modello molto capace risponde male se i documenti sono disordinati.
3. Cloud pubblico, cloud dedicato o hardware proprio
Esistono diverse modalità. Un servizio AI pubblico, con contratto enterprise, offre modelli avanzati e poca gestione, ma richiede di fidarsi delle condizioni del fornitore. Un ambiente dedicato su cloud isola le risorse, ma i dati escono comunque dall'azienda. L'hardware proprio, su server aziendali o in un locale dedicato, dà il massimo controllo al prezzo di competenze e manutenzione. Gli strumenti consumer, usati senza regole, non sono una scelta accettabile per documenti riservati.
La potenza dell'hardware, in particolare la memoria delle schede grafiche (GPU, graphics processing unit), determina quali modelli si possono eseguire e con quale velocità. Non esiste una configurazione valida per tutti. Il dimensionamento va fatto sul caso d'uso reale: numero di utenti, lunghezza dei documenti e tempi di risposta accettabili. Nel caso dell'industria, per esempio, schede tecniche e manuali possono avere versioni diverse: il sistema deve sapere quale è in vigore.
| Modalità | Controllo dei dati | Qualità e aggiornamenti | Impegno per l'azienda |
|---|---|---|---|
| Servizio AI pubblico enterprise | Dipende dalle condizioni contrattuali e dalla configurazione | Modelli avanzati, aggiornati dal fornitore | Basso, ma con verifiche contrattuali da fare |
| Ambiente dedicato su cloud | Risorse isolate, ma dati fuori sede | Buona, con possibilità di scelta dei modelli | Medio, da configurare e governare |
| Hardware proprio on-premise | Massimo, i dati non escono dall'azienda | Dipende dai modelli scelti e dalla manutenzione | Alto, con competenze e manutenzione interne o esterne |
| Strumenti consumer senza regole | Nessun controllo sui dati caricati | Variabile e non governata | Nessuno sul piano organizzativo, ma rischio elevato |
4. Errori frequenti nei progetti di AI documentale
Il primo errore è indicizzare tutto senza un modello dei permessi. Se il sistema risponde a chiunque con contenuti di fascicoli riservati, il controllo di accesso è stato saltato. Le autorizzazioni dei documenti originali devono valere anche per le risposte generate. Il secondo errore è non valutare la qualità: una risposta fluente non è necessariamente una risposta corretta. Un'altra trappola è indicizzare documenti duplicati o obsoleti, che producono risposte contraddittorie. Anche la pulizia dell'archivio va pianificata, non lasciata al caso.
Il terzo errore è sottovalutare la manutenzione. Documenti nuovi, versioni diverse, modelli da aggiornare e log da controllare richiedono un responsabile. Un errore comune è scegliere l'hardware prima di aver definito il caso d'uso, e scoprire poi che la memoria disponibile non basta. Il quarto errore è anche il più costoso: un modello scelto senza verificare la licenza può richiedere di cambiare tutto dopo mesi di lavoro. Chiedi una verifica scritta prima di partire.
5. Checklist per un progetto AI su documenti riservati
Questa checklist evita il tipico progetto che funziona in dimostrazione e fallisce in produzione. Ogni voce richiede una decisione scritta e un responsabile. Se un punto non è chiaro, conviene rallentare prima di estendere l'uso a nuovi documenti. Coinvolgi nella checklist il responsabile della protezione dei dati, dove presente, e l'ufficio legale o un consulente esterno. Conserva la checklist insieme alla documentazione del progetto.
Parti sempre da un caso d'uso limitato, con un gruppo ristretto di utenti e un insieme controllato di documenti. Misura quante risposte sono corrette e quante richiedono correzioni. Solo dopo decidi se estendere l'uso. Il documento va rivisto ogni volta che cambia il modello o l'insieme dei documenti. Stabilisci in anticipo la soglia oltre la quale una risposta va sempre verificata da una persona.
- Caso d'uso scritto: quali documenti, per quale attività e con quale utente.
- Classificazione dei documenti per livello di riservatezza.
- Permessi dei documenti riportati nel sistema di ricerca.
- Licenza del modello verificata per l'uso aziendale previsto.
- Log delle richieste e delle risposte, con accesso limitato.
- Valutazione d'impatto sulla protezione dei dati, quando richiesta dal GDPR.
- Metodo di verifica delle risposte con un gruppo di prova.
6. Cosa chiedere al fornitore
Chiedi dove vengono eseguiti i modelli, chi può accedere ai dati di input e di output e se qualcosa viene usato per addestrare altri modelli. Chiedi come sono gestiti i log e per quanto tempo sono conservati. Sono domande che richiedono risposte scritte, non una dichiarazione generica di riservatezza. Chiedi anche quali log di accesso sono disponibili per l'amministratore e come vengono protetti, perché un registro modificabile non è una prova.
Chiedi come il sistema applica i permessi dei documenti, come si aggiornano gli indici quando un file cambia o viene cancellato e quali strumenti di valutazione della qualità sono previsti. Verifica anche chi aggiorna i modelli, con quale frequenza e con quali test. Un fornitore competente sa rispondere a questi punti senza ricorrere a formule vaghe. Infine, chiedi un esempio di test già eseguito su documenti simili.
7. Come iniziare
Scegli un caso d'uso concreto e a basso rischio, per esempio la ricerca di clausole in un archivio di contratti già classificati o il riassunto di manuali tecnici interni. All'inizio evita documenti personali o dati sanitari. Definisci fin da subito chi valuta le risposte e con quali criteri. Fissa anche una data entro cui decidere se il progetto prosegue o si ferma, così la prova non resta indefinita.
Poi confronta le modalità della tabella con i requisiti del caso d'uso e chiedi a più fornitori una proposta basata su quel caso. Prima di decidere, esegui una prova con documenti di test e misura i risultati. Solo se la prova regge, passa alla fase di progetto con un responsabile, una procedura scritta e un piano di manutenzione. Documenta la decisione finale e le motivazioni.
Domande frequenti
Un modello locale è sempre più sicuro?
Ha un vantaggio chiaro: i dati restano sotto il controllo dell'azienda. Ma non è automaticamente sicuro. Contano la protezione dei server, i permessi, la gestione degli aggiornamenti e la qualità delle procedure. Un sistema locale mal configurato può esporre più documenti di un servizio esterno ben governato. Valuta sempre il sistema nel suo insieme.
Le risposte dell'AI sono affidabili?
Vanno trattate come bozze da verificare. Un modello può produrre affermazioni non presenti nei documenti, soprattutto quando la ricerca recupera passaggi poco pertinenti. Il metodo RAG riduce il problema, ma non lo elimina. Chiedi che ogni risposta riporti la fonte e che esista un processo di controllo per gli usi che hanno conseguenze legali o economiche.
Posso usare documenti con dati personali?
Sì, ma il trattamento deve rispettare il GDPR: servono una base giuridica, informative adeguate, misure di sicurezza e, in molti casi, una valutazione d'impatto. Verifica con il responsabile della protezione dei dati o con un consulente prima di indicizzare archivi con dati personali, soprattutto quelli che riguardano clienti o dipendenti.
Quanto conta la scelta del modello?
Conta molto per la qualità, ma non è l'unico fattore. Un modello più grande richiede più risorse e può essere più lento. Un modello più piccolo, ben configurato e con documenti ben preparati, può dare risultati migliori su un compito specifico. Scegli in base a un test con i tuoi documenti, non alle classifiche generiche.
Serve un tecnico dedicato per mantenerlo?
Dipende dalla modalità scelta. Un servizio pubblico richiede soprattutto governo contrattuale. Un sistema on-premise richiede competenze sistemistiche, aggiornamenti, copie di sicurezza e monitoraggio. Anche con un fornitore esterno serve un referente interno che decida sugli accessi, sui casi d'uso e sulla verifica delle risposte.