1. Cosa significa AI sovrana per un'impresa
Quando si parla di intelligenza artificiale sovrana si intendono spesso cose diverse. Può voler dire che i dati restano in Europa, che il modello gira su infrastrutture controllate dall'azienda, che il fornitore del modello non può usare i dati aziendali per addestrare altri sistemi, o che l'intero processo è verificabile. Sono quattro questioni separate. Un progetto può garantirne una e non le altre.
Per questo la prima domanda utile è quale problema si vuole risolvere e quali dati servono. Un assistente che risponde su documenti interni tocca dati diversi da un sistema che classifica immagini di un impianto. Definire il caso d'uso prima dell'infrastruttura evita di costruire una piattaforma costosa che nessuno usa. Anche una prima scheda del caso d'uso, di una pagina, è già un progresso.
2. Addestramento e inferenza: due attività diverse
L'addestramento è la fase in cui un modello apprende dai dati, richiede grandi quantità di calcolo e competenze specialistiche, e produce un modello che poi va mantenuto. L'inferenza è l'uso del modello già pronto per rispondere a una richiesta o elaborare un dato. Per la maggior parte delle PMI il punto di partenza realistico è l'inferenza, spesso combinata con documenti aziendali consultati al momento della richiesta.
Addestrare un modello da zero è raramente necessario per un'impresa media. Più spesso si usa un modello esistente, lo si adatta o lo si arricchisce con i propri documenti. Ogni scelta ha implicazioni sui dati e sui diritti d'uso: i modelli disponibili hanno licenze diverse, e le condizioni vanno lette con attenzione prima di usarli in produzione. Conserva una copia della licenza nel fascicolo del progetto e rileggila a ogni aggiornamento del modello.
3. Dove far girare il calcolo
Le opzioni principali sono tre. Il servizio AI di un fornitore cloud è il più rapido da attivare, ma i dati passano dall'infrastruttura del fornitore e vanno valutati con le stesse regole di un altro servizio cloud. Un cluster dedicato in un datacenter di terzi offre più controllo sulle risorse e sulla configurazione, con costi fissi e competenze da gestire. Un'infrastruttura in sede dà il massimo controllo, ma richiede spazio, energia, raffreddamento e personale.
La scelta dipende dal volume di richieste, dalla sensibilità dei dati e dalle competenze interne. Un carico variabile si adatta bene a servizi elastici, un carico costante e prevedibile può giustificare un'infrastruttura dedicata. Non sottovalutare la gestione: un sistema di calcolo richiede aggiornamenti, monitoraggio e sostituzione dei componenti, come qualunque altro sistema critico. Metti in conto anche il tempo del personale che se ne occupa, non solo l'hardware.
4. Opzioni a confronto
La tabella confronta le tre opzioni principali più una variante ibrida. I criteri sono il controllo sui dati, il costo e la complessità di gestione, e il tipo di impresa per cui la scelta ha senso. Le valutazioni sono qualitative: i costi reali dipendono dal modello, dal volume e dal fornitore, e vanno richiesti con un'offerta scritta. Non confrontare offerte basate su ipotesi diverse di volume e di utilizzo.
L'approccio ibrido è spesso il più pragmatico. I dati più sensibili restano in un ambiente controllato e i casi più generici usano un servizio esterno, con regole chiare su quali dati possono uscire. Questa separazione va definita per iscritto e verificata, perché è facile che un dato sensibile finisca in un prompt senza che nessuno se ne accorga. Un controllo tecnico sui dati in uscita aiuta più di una raccomandazione scritta.
| Opzione | Controllo sui dati | Costo e complessità | Adatta a |
|---|---|---|---|
| Servizio AI di un fornitore cloud | Dipende dal contratto e dalle garanzie sul trattamento | Bassi all'avvio, variabili nel tempo | Progetti pilota e casi d'uso con dati non critici |
| Cluster dedicato in datacenter di terzi | Buono, con configurazione controllata | Costi fissi e competenze di gestione | Carichi costanti con dati sensibili |
| Infrastruttura in sede | Massimo, sotto controllo diretto | Investimento iniziale e personale dedicato | Aziende con dati molto sensibili e team tecnico |
| Approccio ibrido | Differenziato per tipo di dato | Più complesso da governare | Imprese con casi d'uso misti e regole interne chiare |
5. Dati, modelli e diritti: i punti da chiarire
Il GDPR si applica ogni volta che un sistema tratta dati personali, anche quando il sistema è un assistente interno. Vanno chiarite le basi giuridiche del trattamento, le informazioni da dare alle persone, la durata di conservazione dei log e chi può consultarli. Un registro delle richieste e delle risposte può contenere dati personali, quindi va trattato come qualunque archivio aziendale.
Sul fronte dei diritti, due aspetti meritano attenzione. Il primo è la licenza del modello: le condizioni d'uso variano e possono limitare alcuni impieghi commerciali. Il secondo è la provenienza dei contenuti usati per arricchire il sistema, per cui vanno verificati i diritti sui documenti e sulle immagini. Su questi temi il parere di un consulente legale è indispensabile prima di mettere il sistema in produzione.
6. Checklist per il primo progetto
Un progetto di AI ben impostato segue una sequenza. La lista seguente parte dal caso d'uso e arriva al monitoraggio, passando per dati e sicurezza. Ogni passo andrebbe chiuso con un documento, non solo con una decisione verbale. Il documento può essere breve, ma deve avere un responsabile e una data. Senza questo passaggio le decisioni tornano ogni volta in discussione.
Se un passo non può essere completato, non è un fallimento: significa che il progetto deve restare più piccolo. Un pilota su un solo processo, con dati non critici e regole chiare, insegna molto più di un'infrastruttura progettata per tutto. Il valore del pilota è nei dati che produce, non nella tecnologia che usa. Quando il pilota funziona, il passo successivo è estenderlo a un secondo processo.
- Definisci un caso d'uso preciso, con l'obiettivo misurabile e le persone coinvolte.
- Elenca i dati necessari, classificandoli per sensibilità e per presenza di dati personali.
- Scegli l'approccio di calcolo e verifica per iscritto il trattamento dei dati del fornitore.
- Verifica le licenze del modello e i diritti sui contenuti usati.
- Stabilisci chi può accedere al sistema, quali log vengono conservati e per quanto tempo.
- Esegui un pilota su un processo limitato, misurando qualità delle risposte ed errori.
- Definisci un responsabile del sistema e una procedura per aggiornamenti e incidenti.
7. Errori comuni nei progetti di AI
Il primo errore è comprare hardware prima di definire il caso d'uso. Un'infrastruttura sovradimensionata resta inutilizzata e il costo di gestione continua a crescere. Il secondo è pensare che la sovranità si risolva con la localizzazione. Un sistema in un datacenter europeo può comunque trattare dati in modo non conforme, se mancano regole, log e controlli di accesso. La localizzazione non sostituisce la governance.
Il terzo errore è sottovalutare la gestione dei dati in ingresso. Documenti non aggiornati, duplicati o con permessi sbagliati producono risposte sbagliate e possono esporre informazioni a persone non autorizzate. Il quarto è non prevedere il monitoraggio: un sistema che cambia nel tempo, con modelli e dati aggiornati, va misurato come qualunque altro servizio. Definisci indicatori semplici, come la qualità delle risposte verificate a campione.
8. Come iniziare: il primo passo concreto
Il primo passo è scegliere un processo ripetitivo, con un volume di dati noto e un rischio limitato, e descriverlo per iscritto: input, output, persone coinvolte, errori accettabili. Questa scheda diventa la base del pilota e del confronto con i fornitori. Non serve un documento lungo: bastano poche pagine ben scritte. Rileggila con il responsabile del processo prima di contattare i fornitori.
Poi chiedi a due o tre fornitori un'offerta per lo stesso caso d'uso, con le stesse domande sul trattamento dei dati, sulle licenze e sull'uscita dal servizio. Confronta le risposte prima di scegliere l'infrastruttura. Solo dopo un pilota misurato ha senso valutare un investimento più grande. Confronta i costi con il valore misurato nel pilota, non con le ipotesi di partenza.
Domande frequenti
Serve un'infrastruttura propria per usare l'AI in modo sicuro?
Non necessariamente. Molti casi d'uso si possono affrontare con servizi esterni, purché siano chiari i dati che vi entrano, le garanzie contrattuali e le regole interne. Un'infrastruttura propria ha senso soprattutto con dati molto sensibili, carichi costanti o vincoli normativi specifici. Parti da un pilota e decidi in base ai risultati.
Posso usare i dati dei clienti per addestrare un modello?
Va valutato con molta attenzione. I dati personali richiedono una base giuridica e un'informativa adeguata, e l'uso per addestramento è un trattamento a sé. Prima di procedere serve un'analisi con il responsabile della privacy e spesso un parere legale. In molti casi un sistema che consulta documenti al momento della richiesta è più semplice da giustificare.
Il modello open source è automaticamente libero da vincoli?
No. Open source non significa sempre senza condizioni. Le licenze dei modelli possono imporre limiti sull'uso commerciale, sulla redistribuzione o sulla tipologia di applicazioni. Leggi la licenza del modello specifico che intendi usare, e chiedi un parere legale se il progetto è rilevante per il business.
Quanto costa un progetto di AI sovrana?
Dipende dal caso d'uso, dal volume di richieste, dall'approccio scelto e dalle competenze interne. Non esiste una cifra standard. Chiedi offerte scritte per uno stesso scenario, con costi di avvio, costi ricorrenti, gestione e uscita, e confrontale con il valore atteso del processo.
Chi deve gestire un sistema di AI in azienda?
Serve un responsabile interno del sistema, anche se la gestione tecnica è affidata a un fornitore. Il responsabile decide gli usi consentiti, controlla i log, coordina gli aggiornamenti e risponde in caso di incidente. Senza questa figura il progetto tende a degradare e a restare senza controllo.