Categoria: IA, società e potere

IA, quanto costa il futuro? Tre aziende e il confronto con 45 anni di Borsa

Un confronto ripreso da Rivista.AI mette le valutazioni di SpaceX, Anthropic e OpenAI davanti alla somma dei valori al debutto di migliaia di società tecnologiche americane. È un’immagine potente. Per capirla, però, occorre separare l’aritmetica dalla sua interpretazione.

Ci sono numeri che sembrano già contenere una conclusione. Cinquemiladuecento miliardi di dollari contro quattromilacento: tre aziende da una parte, migliaia dall’altra. La tentazione è immediata: l’intelligenza artificiale avrebbe già superato un’intera epoca della tecnologia. Ma prima di lasciarci impressionare dal risultato, cosa non facile, conviene fare una domanda molto semplice: stiamo davvero misurando la stessa cosa?

Da dove arriva il confronto

Lo spunto è un articolo di Rivista.AI del 22 settembre 2026, che riprende un’elaborazione di Steve Rattner basata sui dati sulle IPO di Jay Ritter e sulle valutazioni riportate dal Financial Times. IPO significa offerta pubblica iniziale: il passaggio con cui una società offre azioni al pubblico in vista della quotazione.

Voce del confronto	Valore riportato	Come leggerlo
SpaceX	2.000 miliardi di dollari	Valore utilizzato nell’elaborazione
Anthropic	2.000 miliardi di dollari	Valutazione attesa in vista dell’IPO
OpenAI	1.200 miliardi di dollari	Valutazione discussa per un nuovo finanziamento privato
Totale delle tre società	5.200 miliardi di dollari	Somma di valori di natura diversa
3.365 IPO tecnologiche USA, 1980–2025	4.100 miliardi di dollari	Somma dei valori al primo giorno di negoziazione

Cifre dell’elaborazione ripresa da Rivista.AI e diffusa da Steve Rattner; non una rilevazione omogenea delle capitalizzazioni correnti.

Tre distinzioni che cambiano la lettura

La prima: valore della società e capitale raccolto non coincidono. Se un’impresa colloca il 10% delle proprie azioni per un miliardo, la valutazione implicita complessiva è, in un esempio semplificato, dieci miliardi. Non significa che dieci miliardi siano entrati nelle sue casse. E se vengono vendute azioni già esistenti, il ricavato va ai soci venditori.

La seconda: il valore al debutto non è il valore attuale. I 4.100 miliardi non rappresentano quanto valgono oggi le aziende tecnologiche quotate in quel periodo. Sommano fotografie scattate in momenti diversi della loro storia. Non misurano neppure tutti i ricavi, gli utili o il contributo economico prodotti in decenni.

La terza: una valutazione attesa non è un prezzo verificato dagli scambi. Reuters, il 18 settembre, ha riportato discussioni su una valutazione di OpenAI intorno a 1.200 miliardi, richiamando il Financial Times. Una trattativa resta una trattativa: termini, importi e condizioni possono cambiare. Anche un round concluso riguarda un’operazione specifica, talvolta con diritti differenti fra investitori; non equivale automaticamente al prezzo ottenibile vendendo ogni azione.

Resta poi il problema del tempo: sommare valori storici richiede di sapere se siano espressi in dollari correnti dell’epoca oppure corretti per l’inflazione. La sintesi giornalistica non permette di considerare risolto questo punto. Per un confronto rigoroso servirebbero anche criteri omogenei di inclusione delle società e definizioni precise delle valutazioni.

Il futuro può essere straordinario. Il prezzo anche

Il grafico è dunque più utile come punto di partenza per una domanda che come dimostrazione di un primato. La domanda è questa: quali risultati dovranno realizzare queste imprese perché le aspettative incorporate nelle valutazioni trovino riscontro?

Nella logica finanziaria, una valutazione dipende dai benefici economici futuri attesi, dal momento in cui arriveranno e dal rischio che non si materializzino. La crescita dei ricavi conta, ma non basta: occorre capire quanto costi produrla e quanta cassa rimanga dopo gli investimenti.

Per l’IA questa distinzione è particolarmente interessante. Un servizio può conquistare utenti e diventare utile senza avere già dimostrato di poter sostenere, con i propri incassi, tutta l’infrastruttura necessaria. Una tecnologia può trasformare il lavoro mentre i fornitori competono abbassando i prezzi. Il beneficio per chi la usa e il rendimento per chi finanzia l’impresa sono due grandezze diverse.

Ecco perché il successo tecnologico, da solo, non risolve la questione del prezzo. Si può avere ragione sull’importanza di una tecnologia e pagare troppo l’azienda che la sviluppa. Vale anche il contrario: una valutazione elevata non prova, da sola, l’esistenza di una bolla. Servono ipotesi esplicite e risultati da confrontare con quelle ipotesi.

Dalle valutazioni al potere

C’è poi una lettura che va oltre la Borsa. Se le aspettative di crescita si concentrano su pochi fornitori, la questione diventa anche industriale: chi avrà accesso alle infrastrutture, chi potrà sostenere la concorrenza e quanto sarà semplice cambiare piattaforma? Il grafico non misura questo potere, ma offre un’occasione per discuterne.

Per un’azienda o una pubblica amministrazione che adotta l’IA, la valutazione del fornitore non è una garanzia di adeguatezza. Contano la continuità del servizio, la protezione dei dati, la possibilità di trasferire applicazioni e informazioni, i costi nel tempo. Un grande nome può essere un partner valido; resta necessario progettare anche la possibilità di sostituirlo.

La domanda da tenere aperta

Tre società valgono davvero più di quarantacinque anni di IPO? Nella particolare costruzione numerica citata, il totale è maggiore. Trasformare questa osservazione nell’affermazione che tre imprese abbiano già creato più valore di un’intera generazione tecnologica sarebbe invece un salto ingiustificato.

Il punto interessante è la distanza fra promesse, risultati e prezzo. Nei prossimi anni sarà utile osservare quanta crescita diventerà redditività, quali vantaggi resteranno difendibili e quanto capitale sarà ancora necessario. Il futuro può mantenere molte delle sue promesse senza mantenere tutte quelle scritte nelle valutazioni.

Fonti e approfondimenti

Rivista.AI, articolo del 22 settembre 2026, da cui nasce questa riflessione; Steve Rattner, confronto diffuso il 21 settembre 2026; Jay R. Ritter, archivio di dati e ricerche sulle IPO; Reuters, 18 settembre 2026, sulle prospettive finanziarie di OpenAI e sulle discussioni per un nuovo round.

23 Settembre 2026

IA, ultradestra e informazione: quando la paura diventa politica

L’intelligenza artificiale può rendere più economica e capillare la manipolazione dell’informazione. È il nodo al centro dell’articolo di Rivista.AI dedicato alla puntata di Otto e mezzo del 18 settembre 2026 che consiglio di guardare: una lettura che collega l’avanzata delle destre radicali, l’incertezza tecnologica e la difficoltà di orientarsi nel dibattito pubblico.

Nel resoconto della trasmissione condotta da Lilli Gruber, gli interventi di Paolo Pagliaro, Michela Ponzani, Gad Lerner e Franco Bernabè compongono un ragionamento comune: la paura del cambiamento può diventare una risorsa politica, soprattutto quando mancano strumenti per comprenderlo.

Pagliaro richiama il legame tra inquietudine e ricerca di spiegazioni semplici; Ponzani introduce la prospettiva storica, soffermandosi sui meccanismi della propaganda e della costruzione del nemico. Il confronto con il Novecento serve a riconoscere dinamiche ricorrenti, evitando di sovrapporre automaticamente epoche differenti.

La novità, nella lettura proposta da Rivista.AI, riguarda la scala della comunicazione. L’IA generativa può produrre rapidamente testi, immagini e video, adattandoli a pubblici diversi. Le piattaforme e i loro sistemi di raccomandazione possono poi amplificarne la circolazione. Produzione dei contenuti e distribuzione algoritmica sono due passaggi distinti, che possono rafforzarsi a vicenda.

Lerner porta l’attenzione sulla fragilità del giornalismo nell’economia dell’attenzione. Verificare una notizia richiede tempo e competenze; confezionare un contenuto capace di suscitare rabbia o indignazione può essere molto più rapido. Il problema, dunque, riguarda anche gli incentivi che premiano la visibilità rispetto all’accuratezza.

Bernabè allarga il quadro alla dimensione industriale e geopolitica. L’IA dipende da dati, energia, semiconduttori e infrastrutture cloud: governarla significa interrogarsi su chi controlla queste risorse e su quali interessi orientano il loro impiego. Da qui il richiamo a un coordinamento che superi i confini nazionali.

La conclusione dell’articolo evita un rapporto automatico di causa ed effetto: l’IA non genera da sola populismo o autoritarismo, ma può rendere la persuasione più accessibile, veloce e personalizzata. Il rischio discusso è l’indebolimento della capacità collettiva di distinguere fatti, interpretazioni e manipolazioni.

Se produrre informazione diventa sempre più facile, valutarla resta un compito impegnativo. È su questa capacità di giudizio, insieme alla responsabilità delle piattaforme e al governo delle infrastrutture, che il dibattito invita a concentrarsi.

Fonte: sintesi dell’articolo di Rivista.AI «L’ultradestra, l’IA e la fine del mondo», dedicato alla puntata di Otto e mezzo del 18 settembre 2026.

19 Settembre 2026
Superintelligenza: un libro invecchiato, ma non superato

Quando un libro sull’intelligenza artificiale è stato pubblicato nel 2014, la prima domanda sembra inevitabile: ha ancora senso leggerlo? Diversi miei amici e conoscenti mi hanno fatto questa osservazione e non solo su questo libro.

Nel caso di Superintelligenza. Tendenze, pericoli, strategie di Nick Bostrom, la risposta è assolutamente sì, ha ancora senso leggerlo! Non perché il volume abbia previsto con precisione l’evoluzione tecnologica degli ultimi anni, ma perché affronta problemi che l’arrivo dell’IA generativa ha reso più concreti, non meno importanti.

Bostrom non scrive una storia dell’intelligenza artificiale né un manuale sul funzionamento degli algoritmi. Il suo punto di partenza è un esperimento mentale: che cosa accadrebbe se costruissimo un sistema capace di superare le prestazioni cognitive umane nella maggior parte degli ambiti rilevanti? Quali obiettivi perseguirebbe? Potremmo controllarlo? E, soprattutto, avremmo la possibilità di correggere un errore dopo averlo messo in funzione?

È qui che il libro conserva la sua forza. Le architetture cambiano, i modelli diventano multimodali, imparano a usare strumenti e vengono inseriti in agenti sempre più autonomi. Ma la domanda formulata da Bostrom rimane: come possiamo assicurarci che un sistema molto capace faccia ciò che intendiamo davvero, e non soltanto ciò che siamo riusciti a specificare?

Prima pagina della prefazione

Che cosa è realmente invecchiato

Alcune parti mostrano inevitabilmente gli anni trascorsi. Bostrom dedica molto spazio a possibili percorsi verso la superintelligenza — emulazione completa del cervello, potenziamento biologico, intelligenza collettiva e miglioramento ricorsivo del software — senza assegnare un ruolo centrale al paradigma che avrebbe dominato il decennio successivo: enormi modelli neurali addestrati su grandi quantità di dati e successivamente adattati attraverso l’interazione umana.

Il libro dedica inoltre poca attenzione ai problemi già presenti: concentrazione industriale, lavoro, sorveglianza, discriminazione algoritmica, consumo energetico, proprietà dei dati e dipendenza dalle grandi piattaforme. Sono limiti importanti, soprattutto se Superintelligenza viene considerato una descrizione complessiva dell’impatto sociale dell’IA.

Le idee che restano attuali

Il contributo più importante del volume è la separazione tra intelligenza e obiettivi. Un sistema può essere straordinariamente competente senza condividere valori, desideri o forme di buon senso umane. È la cosiddetta tesi dell’ortogonalità: il livello di intelligenza non determina automaticamente la qualità morale degli scopi perseguiti.

Da qui deriva il problema della convergenza strumentale. Sistemi con obiettivi finali molto diversi potrebbero trovare utili gli stessi obiettivi intermedi: acquisire risorse, preservare la propria operatività, evitare modifiche e aumentare la capacità di influire sull’ambiente. Non perché siano “malvagi”, ma perché queste azioni possono risultare funzionali al compito assegnato.

È una distinzione ancora fondamentale. Il pericolo descritto da Bostrom non è principalmente quello di una macchina che sviluppa odio verso l’umanità. È quello di una macchina molto efficace che persegue con coerenza un obiettivo formulato male.

Altrettanto attuale è la distinzione tra controllo delle capacità e controllo delle motivazioni. Possiamo limitare l’accesso di un sistema alla rete, agli strumenti o alle risorse; oppure possiamo cercare di costruire obiettivi compatibili con i valori umani. Bostrom mostra perché nessuna delle due strade sia semplice: il contenimento può fallire e i valori umani sono difficili da esprimere in una funzione da ottimizzare.

Oggi chiamiamo questo insieme di problemi allineamento dell’intelligenza artificiale. Il linguaggio della ricerca è cambiato, ma molte domande discusse nel libro sono entrate stabilmente nel dibattito tecnico e politico.

Un libro più filosofico che profetico

L’errore più comune è leggere Superintelligenza come una raccolta di previsioni. In questo modo è facile contestarlo.

Il valore del volume non sta nell’aver indovinato quale tecnologia sarebbe arrivata per prima. Sta nell’aver costruito una mappa concettuale delle decisioni che diventerebbero necessarie qualora i sistemi artificiali acquisissero capacità sempre maggiori.

Da questo punto di vista, il libro è simile a un’opera di filosofia politica applicata a una tecnologia non ancora pienamente esistente. Non descrive una macchina particolare: analizza asimmetrie di potere, difficoltà di controllo, irreversibilità delle decisioni e conseguenze di obiettivi mal definiti.

L’evoluzione recente dell’IA non dimostra che tutti gli scenari di Bostrom si realizzeranno. Non abbiamo osservato una vera esplosione ricorsiva dell’intelligenza né una macchina dotata del tipo di autonomia strategica descritto nel volume. Tuttavia abbiamo visto capacità emergere in sistemi opachi, comportamenti non previsti dagli sviluppatori e modelli utilizzati per compiti molto diversi da quelli immaginati durante l’addestramento. Questo non conferma la profezia, ma rende il problema meno astratto.

Una lettura impegnativa

Superintelligenza non è un libro leggero. Bostrom procede per definizioni, classificazioni, scenari e ramificazioni logiche. In alcuni passaggi sembra voler esaminare ogni possibile casella di una gigantesca matrice concettuale. Il rigore è un pregio, ma può rendere la lettura faticosa e talvolta allontanare il lettore dal problema concreto.

Anche il tono tende a trattare possibilità altamente speculative con la stessa precisione terminologica riservata agli scenari più plausibili. È quindi necessario leggerlo criticamente, distinguendo la solidità di un argomento dalla probabilità delle sue premesse.

Perché leggerlo ancora

Avete capito, non consiglierei Superintelligenza a chi cerca un’introduzione aggiornata al funzionamento dell’IA contemporanea. Non spiega come lavorano gli LLM e non racconta l’industria dell’intelligenza artificiale del 2026.

Lo consiglierei invece a chi vuole comprendere l’origine di concetti oggi centrali: il problema del controllo, l’allineamento degli obiettivi, la convergenza strumentale, la velocità della transizione e la difficoltà di correggere un sistema più capace dei suoi controllori.

Andrebbe letto accanto a opere più recenti, capaci di integrarlo con la realtà industriale, geopolitica e sociale dell’IA. L’onda che verrà di Mustafa Suleyman che ho comprato pochi giorni fa ma che devo ancora iniziare, per esempio, sposta l’attenzione dalla singola superintelligenza al problema più ampio del contenimento di tecnologie potenti e diffuse.

Ma i libri successivi non rendono inutile quello di Bostrom. Al contrario, mostrano quanto il vocabolario introdotto nel 2014 abbia contribuito a definire il dibattito attuale.

Giudizio finale

È un classico recente da leggere con spirito critico, separando le previsioni contingenti dalla struttura degli argomenti. Dopo l’esplosione dell’intelligenza artificiale generativa, questa lettura non è diventata meno utile. È diventata più urgente. E diffidate da chi guarda la data di pubblicazione di un libro per consigliarlo o meno, anche se si tratta di un argomento relativamente moderno come l’IA.

14 Settembre 2026
Appello delle medaglie Fields: un grave disallineamento dell’IA in matematica

Le recenti notizie sul possibile contributo di OpenAI allo studio delle equazioni di Navier–Stokes hanno suscitato grande interesse, ma anche interrogativi sul ruolo dell’intelligenza artificiale nella ricerca matematica. In questo clima, venticinque vincitori della Medaglia Fields hanno sottoscritto una lettera aperta per richiamare l’attenzione sui rischi e sulle opportunità di questa trasformazione e promuovere un confronto più consapevole all’interno della comunità matematica.

Tra i tanti sostenitori dell’iniziativa anche diverse figure di UniPD .

Negli ultimi mesi, le capacità matematiche dei modelli linguistici di grandi dimensioni (LLM) sono migliorate drasticamente, al punto da poter risolvere importanti problemi ancora aperti in molti campi della matematica. Tuttavia, la spinta da parte delle aziende di IA a risolvere problemi matematici come punto di riferimento risulta nociva per la scienza della matematica e per la comunità matematica. Gli obiettivi delle aziende di IA e quelli della comunità matematica sono profondamente disallineati. Consideriamo tutto ciò parte di problemi di allineamento più ampi che colpiscono altre professioni scientifiche e creative, così come l’intera società.

La ricerca matematica si occupa di comprendere le strutture fondamentali di forme, numeri e fenomeni naturali. Nel corso delle generazioni, essa ha costruito un vasto corpus di idee sofisticate, metodi, astrazioni e altri strumenti per comprendere il panorama matematico. A loro volta, le tecnologie e le scienze moderne si basano su strumenti matematici.

I problemi famosi sono spesso serviti da punti di riferimento e fari rispetto ai quali misurare una comprensione più approfondita di questo panorama. La soluzione di uno di questi problemi è stata per molto tempo un chiaro segno di nuove intuizioni e di metodi interessanti, che sarebbero poi stati studiati da una comunità di matematici attraverso un lungo e faticoso processo fatto di conferenze, discussioni e semplificazioni. Alla fine di questo processo, si troverà idealmente una trattazione da manuale dei risultati, adatta allo studio di qualsiasi studente universitario o persino di corsi di laurea triennale. Alcune delle idee matematiche proseguono ulteriormente il loro viaggio per diventare, decenni o secoli dopo, strumenti compresi e usati dall’intera popolazione.

La comunità matematica funziona, per molti versi, come una versione in miniatura dell’umanità. Essa è composta da individui che utilizzano un’ampia varietà di approcci differenti, uniti da valori fondamentali. Le risorse più preziose della nostra professione sono gli studenti e le idee, e ce ne prendiamo cura con grande attenzione. Ci sentiamo responsabili nel permettere loro di crescere fino al loro pieno potenziale, finché non potranno vivere di vita propria nel mondo matematico. Agli studenti suggeriamo spesso problemi con il preciso intento di sviluppare competenze che li mettano in una posizione favorevole per i progressi nella ricerca e altrove. Le nostre idee vengono divulgate in interventi, discussioni private e stesure accurate, collegandole alle idee precedenti degli altri. Questi processi richiedono inevitabilmente tempo e si fondano sull’interazione umana.

Negli ultimi mesi, il successo dell’IA nella risoluzione di importanti problemi matematici ha fatto notizia anche al di fuori degli ambienti matematici. Ma risolvere problemi è solo uno strumento e un indicatore per raggiungere l’obiettivo primario della comprensione concettuale e dell’intuizione. Dimenticare questo nel mondo dell’intelligenza artificiale rischia di rivoltare lo strumento contro l’obiettivo primario. In effetti, la produzione di massa a ritmi sempre più frenetici di affermazioni “vero/falso” potrebbe distruggere il terreno fertile anziché dare vita a nuove idee.

Spesso queste soluzioni vengono annunciate in fretta e furia, senza lasciare il tempo per una stesura appropriata, per l’isolamento di nuovi metodi e idee, e per citare il rilevante lavoro precedente di altre persone. Come in tutte le professioni creative, ciò solleva gravi questioni di attribuzione e plagio. Inoltre, senza che le persone siano disposte a prendersi cura del loro sviluppo e della loro integrazione nel canone matematico, le idee concepite dall’intelligenza artificiale non prenderebbero mai pienamente vita e andrebbe persa la cruciale catena di trasmissione umana nella comunità matematica.

Stiamo assistendo a una minaccia generale per il lavoro intellettuale, caratterizzata da un disallineamento tra il risultato dell’uso dell’IA e il suo scopo iniziale. In molti campi e attività, anni di formazione sono tradizionalmente serviti non solo a produrre una risposta o un prodotto finale, ma anche a sviluppare la comprensione e la capacità di formulare nuove domande e idee. Tuttavia, basandosi su una vasta mole di lavoro umano precedente, i sistemi di IA stanno diventando sempre più capaci di produrre direttamente i risultati di tale lavoro, e questi obiettivi cessano di allinearsi. I problemi che la comunità matematica affronta ora sono simili a quelli che altre professioni scientifiche e creative stanno affrontando, e prefigurano questioni che l’intera umanità potrebbe trovarsi ad affrontare: come fare in modo che, mentre l’IA cambia il modo in cui il lavoro viene svolto, non si perda di vista ciò che quel lavoro era destinato a realizzare fin dall’inizio.

L’IA offre il potenziale per migliorare e accelerare lo studio e la comprensione matematica autentici. La matematica come professione dovrà adattarsi a questi cambiamenti in diversi modi. Tuttavia, se questi cambiamenti andranno a beneficio del campo o avranno un effetto distruttivo sarà determinato in gran parte dalle decisioni degli esseri umani che controllano questa nuova tecnologia.

A questi problemi bisogna far fronte con urgenza, all’interno della comunità matematica, da parte delle aziende che sviluppano queste tecnologie e, in un’ottica più ampia, da parte di una società che si confronterà con problemi simili in molte altre forme di lavoro intellettuale.

Artur Avila (Fields Medal 2014)
Manjul Bhargava (Fields Medal 2014)
Caucher Birkar (Fields Medal 2018)
Pierre Deligne (Fields Medal 1978)
Yu Deng (Fields Medal 2026)
Simon Donaldson (Fields Medal 1986)
Hugo Duminil-Copin (Fields Medal 2022)
Alessio Figalli (Fields Medal 2018)
Martin Hairer (Fields Medal 2014)
June Huh (Fields Medal 2022)
Maxim Kontsevich (Fields Medal 1998)
Elon Lindenstrauss (Fields Medal 2010)
Pierre-Louis Lions (Fields Medal 1994)
James Maynard (Fields Medal 2022)
Curtis McMullen (Fields Medal 1998)
Shigefumi Mori (Fields Medal 1990)
Ngô Bảo Châu (Fields Medal 2010)
Andrei Okounkov (Fields Medal 2006)
Peter Scholze (Fields Medal 2018)
Stanislav Smirnov (Fields Medal 2010)
Terence Tao (Fields Medal 2006)
Maryna Viazovska (Fields Medal 2022)
Cédric Villani (Fields Medal 2010)
Wendelin Werner (Fields Medal 2006)
Efim Zelmanov (Fields Medal 1994)

13 Settembre 2026
IA: tutti temono i rischi, ma nessuno può permettersi di rallentare
Negli ultimi mesi alcuni dei protagonisti dell’intelligenza artificiale hanno iniziato a usare parole sempre più preoccupate per descrivere la tecnologia che stanno contribuendo a costruire.

L’ultimo caso è quello di Jacob Coxon, giovane ricercatore britannico che ha lavorato prima in OpenAI e poi in Anthropic e che ha annunciato le proprie dimissioni accusando entrambe le aziende di non affrontare in modo sufficientemente responsabile i rischi legati allo sviluppo dei modelli più avanzati. Per allietare le nostre serate, ne hanno parlato anche nei TG ieri sera (9 Settembre 2026).

Le sue dichiarazioni sono particolarmente drastiche: secondo Coxon, l’IA potrebbe presto acquisire capacità molto potenti nel campo della cybersecurity e trasformare rapidamente interi settori economici e sociali.

A rendere ancora più significativo il caso è il fatto che timori analoghi vengano espressi anche da persone che continuano a lavorare all’interno dei principali laboratori di intelligenza artificiale.

Negli ultimi anni Sam Altman, Dario Amodei, Elon Musk e Bill Gates, pur con posizioni differenti, hanno più volte sottolineato che l’intelligenza artificiale potrebbe diventare una delle tecnologie più importanti mai costruite e, contemporaneamente, una delle più difficili da controllare.

Il paradosso della corsa all’IA

Qui emerge una contraddizione interessante.

Le aziende che sviluppano i sistemi più potenti sono spesso anche quelle che lanciano gli allarmi più forti. Alcuni osservatori ritengono che questo racconto contribuisca anche ad aumentare la percezione del valore della tecnologia: se l’IA viene descritta come qualcosa capace di trasformare il mondo, aumenta inevitabilmente anche il valore economico e strategico di chi la controlla.

Ma sarebbe un errore liquidare tutto come solo marketing.

Esistono problemi tecnici e politici molto concreti.

Uno dei principali è quello dell’allineamento: come possiamo essere certi che sistemi sempre più autonomi continuino ad agire secondo gli obiettivi e i vincoli stabiliti dagli esseri umani?

A questo si aggiunge la competizione internazionale.

OpenAI compete con Anthropic, Google, xAI e altri laboratori. Le aziende statunitensi guardano inoltre con attenzione allo sviluppo dell’intelligenza artificiale in Cina.

Il risultato è un meccanismo molto simile a quello delle corse agli armamenti del passato:

tutti riconoscono che sarebbe utile rallentare, ma nessuno vuole essere il primo a farlo.

Rallentare potrebbe infatti significare concedere un vantaggio tecnologico, economico o militare ai concorrenti.

Servono controlli indipendenti

Una possibile risposta potrebbe essere quella di introdurre organismi indipendenti capaci di valutare i sistemi di intelligenza artificiale prima della loro diffusione.

Il modello potrebbe ricordare quello utilizzato in altri settori ad alto rischio, come quello farmaceutico: le aziende sviluppano i prodotti, ma non decidono autonomamente se e come possano essere immessi sul mercato.

Una governance efficace dell’IA richiederebbe quindi verifiche tecniche indipendenti, livelli di autorizzazione proporzionati al rischio e responsabilità chiaramente definite.

Soprattutto, questi organismi dovrebbero essere realmente indipendenti dai grandi produttori tecnologici.

Il problema non è Terminator

C’è però un altro punto importante.

Concentrarsi continuamente sull’ipotesi che l’intelligenza artificiale possa «distruggere l’umanità» rischia di distogliere l’attenzione dai problemi che sono già molto più concreti.
- concentrare ulteriormente il potere economico e tecnologico nelle mani di poche aziende;
- trasformare profondamente il mercato del lavoro;
- rendere più sofisticata la manipolazione dell’informazione;
- aumentare l’efficacia degli attacchi informatici;
- facilitare alcune attività criminali;
- aumentare le capacità di sorveglianza;
- automatizzare decisioni che incidono sui diritti delle persone;
- rendere più accessibili conoscenze potenzialmente utilizzabili per sviluppare armi biologiche o altri strumenti pericolosi.
Sono questioni meno spettacolari della ribellione delle macchine raccontata dalla fantascienza, ma probabilmente molto più importanti.

Il vero problema dell’intelligenza artificiale, almeno nel prossimo futuro, potrebbe quindi non essere una macchina che decide di eliminare l’umanità.

Potrebbe essere qualcosa di molto più ordinario: una tecnologia straordinariamente potente sviluppata troppo velocemente, concentrata nelle mani di pochi soggetti e introdotta nella società prima che istituzioni, regole e cultura siano riuscite ad adattarsi.
10 Settembre 2026
La fabbrica invisibile: quando l’intelligenza artificiale decide cosa vede il mercato

L’intelligenza artificiale sta cambiando non soltanto il modo in cui utilizziamo il digitale, ma anche il modo in cui le imprese vengono scoperte, valutate e selezionate.

È questo il tema centrale della newsletter di Rivista.AI, intitolata “La fabbrica invisibile”. Il punto di partenza è l’evoluzione degli agenti intelligenti, sistemi capaci non solo di rispondere alle nostre domande, ma anche di compiere azioni: organizzare un viaggio, scegliere un ristorante, acquistare un prodotto o selezionare un fornitore.

Dal chatbot all’agente

Meta, con il progetto Muse, sta lavorando a un agente capace di interagire con posta elettronica, calendario, pagamenti, acquisti e altri servizi digitali. La differenza rispetto a un chatbot tradizionale è sostanziale:

un chatbot produce una risposta; un agente produce una conseguenza.

L’agente non si limita quindi a fornire informazioni, ma può trasformare un’intenzione umana in un’azione concreta. In questo modo diventa un nuovo intermediario economico, ancora più vicino alla decisione d’acquisto rispetto ai motori di ricerca.

Per anni Google ha intercettato l’intenzione dell’utente prima del clic. Gli agenti potrebbero intercettarla ancora prima, decidendo direttamente quali informazioni utilizzare e quali azioni eseguire.

Il valore dell’intelligenza artificiale personale potrebbe quindi non essere misurato soltanto in termini di potenza o di costo, ma anche in base alla quantità di autonomia che siamo disposti a delegare.

Una risposta generativa non è una pagina di risultati

Questa trasformazione modifica anche il modo in cui le aziende devono pensare alla propria visibilità.

Per molto tempo le imprese hanno investito nella SEO per comparire nelle pagine dei motori di ricerca. La logica era quella di ottenere una posizione visibile all’interno di una lista di risultati, lasciando all’utente la possibilità di confrontare diverse alternative.

Una risposta generata dall’intelligenza artificiale funziona in modo diverso. Non mostra necessariamente una lista completa, ma costruisce una sintesi e seleziona alcune informazioni. Può quindi decidere, implicitamente, quali imprese entrano nel campo visivo dell’utente e quali rimangono escluse.

Questa differenza è particolarmente importante per il sistema produttivo italiano, costituito da migliaia di piccole e medie imprese, distretti industriali e aziende altamente specializzate. Molte di queste realtà sono conosciute dagli operatori del settore, ma possono risultare quasi invisibili ai sistemi generativi se le informazioni che le descrivono sono frammentarie, poco strutturate o difficili da verificare.

La sovranità della rappresentazione

La newsletter introduce così un concetto interessante: quello della sovranità della rappresentazione.

Quando si parla di sovranità tecnologica si fa normalmente riferimento a cloud, semiconduttori, infrastrutture, dati, modelli e capacità produttiva. Tutti elementi fondamentali. Ma in un’economia sempre più mediata dall’intelligenza artificiale emerge una nuova esigenza: essere correttamente rappresentati dalle macchine.

Non significa pretendere di controllare ciò che un modello deve dire di un’azienda. Significa fare in modo che le informazioni necessarie per comprenderla siano disponibili, coerenti, strutturate e verificabili.

Da questo punto di vista, la Generative Engine Optimization, o GEO, non è semplicemente una nuova versione della SEO. L’obiettivo non è soltanto comparire in una lista di risultati, ma permettere a un sistema generativo di costruire una rappresentazione accurata dell’impresa: cosa produce, quali competenze possiede, quali certificazioni ha e in quali contesti può essere un partner affidabile.

Dalla visibilità al procurement

Il tema diventa ancora più delicato quando gli agenti iniziano a entrare nei processi di acquisto.

Un agente incaricato di cercare un macchinario, individuare un fornitore o selezionare un servizio professionale potrebbe non presentare a un manager una lunga lista di aziende. Potrebbe selezionarne tre, oppure una sola.

In quel momento la visibilità digitale diventa direttamente una componente del procurement. Un’azienda che non viene correttamente riconosciuta dall’intelligenza artificiale rischia di non perdere soltanto traffico sul proprio sito: potrebbe perdere un’opportunità commerciale senza nemmeno sapere di aver partecipato alla selezione.

È questo il paradosso della “fabbrica invisibile”: la fabbrica continua a produrre, possiede competenze e clienti, ma la macchina informativa non riesce a vederla.

Sicurezza, autonomia e controllo

La newsletter collega questo tema ad altri episodi recenti del mondo dell’intelligenza artificiale.

L’incidente nel quale diversi agenti OpenAI hanno interagito attraverso un wiki esterno ha mostrato quanto sia difficile confinare sistemi autonomi dentro ambienti progettati secondo la logica tradizionale del software. Un agente dotato di strumenti, memoria e obiettivi può trovare percorsi non previsti e produrre conseguenze al di fuori delle intenzioni iniziali.

Anche l’invito di Jakub Pachocki a trasformare gli impegni volontari sulla sicurezza in standard verificabili va nella stessa direzione. Non basta più migliorare il modello: occorre costruire sistemi di controllo adeguati alla capacità dell’intelligenza artificiale di agire nel mondo.

La vicenda Huawei, impegnata a trovare soluzioni alternative ai vincoli americani sui semiconduttori, rappresenta invece un altro aspetto della sovranità tecnologica: la capacità di continuare a produrre valore anche quando una parte critica della catena tecnologica è controllata da altri.

Il rischio per il Made in Italy

Per l’Italia il rischio potrebbe essere diverso da quello di non possedere tecnologia sufficiente. Potremmo possedere competenze, prodotti e capacità industriali eccellenti senza riuscire a comunicarli in modo leggibile alle macchine.

Una PMI della meccanica di precisione può avere decenni di esperienza e clienti internazionali, ma risultare quasi inesistente in una risposta generativa se il proprio patrimonio informativo è disperso, ambiguo o assente dalle fonti utilizzate dai modelli.

Il Made in Italy potrebbe quindi trovarsi davanti a una nuova forma di competitività: non solo produrre bene, ma essere correttamente compreso dagli algoritmi che contribuiscono a orientare la domanda.

Per questo Rivista.AI ha annunciato il Made in Italy AI Visibility Observatory, con l’obiettivo di misurare quanto la rappresentazione generata dai sistemi di intelligenza artificiale corrisponda alla realtà industriale italiana. Il primo settore analizzato sarà quello dei macchinari per il packaging.

Quando le macchine cominciano a scegliere

La riflessione più importante della newsletter è forse questa: la sovranità tecnologica non riguarda soltanto ciò che possediamo, ma anche il modo in cui veniamo rappresentati.

Nel momento in cui gli agenti artificiali inizieranno a scegliere fornitori, prodotti e servizi, essere conosciuti dagli algoritmi diventerà una condizione preliminare per essere considerati dal mercato.

La prossima frontiera della competitività digitale non sarà quindi soltanto la capacità di utilizzare l’intelligenza artificiale. Sarà anche la capacità di diventare leggibili per l’intelligenza artificiale.

La fabbrica continuerà a produrre. Ma, in un’economia governata sempre più da agenti autonomi, la domanda decisiva sarà un’altra:

la macchina riuscirà a vederla?

Fonte: Paper La fabbrica invisibile: come l’intelligenza artificiale sta riscrivendo la visibilità dell’industria italiana nel mondo di Rivsta.AIttembre 2026.

9 Settembre 2026
Microsoft ha ancora margine. Gli altri hyperscaler no.

La corsa all’intelligenza artificiale sta trasformando i grandi provider cloud in qualcosa di molto diverso dalle aziende software del passato. Non basta più scrivere codice: servono data center, chip, energia elettrica e investimenti colossali.

L’articolo di Rivista AI evidenzia un dato particolarmente interessante: Microsoft dispone ancora di circa 196 miliardi di dollari di “spazio finanziario” prima di raggiungere livelli di investimento considerati critici, mentre molti altri hyperscaler stanno già operando vicino alla cosiddetta linea rossa. La differenza non è tanto nella quantità di denaro investita, ma nella capacità di sostenere tali investimenti senza compromettere la redditività.

Negli ultimi trimestri Microsoft ha dimostrato di riuscire a finanziare l’espansione delle infrastrutture AI mantenendo margini elevati grazie alla combinazione di Azure, Microsoft 365, Copilot e alle partnership strategiche nel settore dell’intelligenza artificiale. Al contrario, altri operatori stanno vedendo comprimersi il free cash flow e aumentare la pressione sugli utili.

Il punto centrale è che la competizione sull’AI non sarà vinta solo dai modelli migliori, ma anche da chi possiede il bilancio più solido. L’intelligenza artificiale sta diventando una sfida industriale prima ancora che tecnologica: servono capitale, infrastrutture e una capacità di esecuzione che pochi possono permettersi.

In questo scenario Microsoft sembra partire da una posizione privilegiata, potendo continuare a investire massicciamente senza mettere a rischio il proprio equilibrio finanziario. Per gli altri hyperscaler la sfida sarà dimostrare che gli enormi investimenti effettuati oggi potranno tradursi domani in ricavi sostenibili e profitti reali.

Articolo originale: Microsoft ha ancora 196 miliardi di margine. Gli altri hyperscaler sono già sulla linea rossa

20 Agosto 2026
Dall’algoritmo alla fabbrica: la vera sfida della sovranità tecnologica italiana
Quando si parla di sovranità tecnologica, il rischio è immaginare una sorta di autarchia digitale: chip, cloud e modelli di intelligenza artificiale interamente prodotti entro i confini nazionali. Il paper realizzato da Rivista.AI e TechVisory propone invece una definizione più concreta e realistica: essere sovrani significa soprattutto conservare la capacità di scegliere.

Un Paese tecnologicamente sovrano deve poter decidere quali dipendenze accettare, sapere dove vengono conservati ed elaborati i propri dati, verificare chi vi accede e sostituire un fornitore quando cambiano le condizioni economiche, tecnologiche o geopolitiche. Non è quindi necessario rinunciare alle tecnologie straniere, ma occorre evitare che il loro utilizzo produca dipendenze irreversibili.

Il patrimonio digitale della manifattura italiana

Per l’Italia la questione riguarda sia la pubblica amministrazione che l’industria. Il nostro principale vantaggio competitivo non consiste nella capacità di sviluppare il prossimo grande modello linguistico globale, ma nel patrimonio di competenze, processi produttivi e conoscenze accumulato nei distretti manifatturieri.

Disegni tecnici, codice sorgente, configurazioni degli impianti, parametri di produzione, ricette dei materiali, risultati dei test, procedure di manutenzione e dati sulle anomalie rappresentano il know-how delle imprese trasformato in informazione digitale.

L’intelligenza artificiale può rendere questo patrimonio molto più produttivo, ma anche più facilmente trasferibile. Se i dati industriali vengono continuamente inviati verso piattaforme esterne, senza sapere con certezza dove siano conservati e come possano essere riutilizzati, un guadagno immediato di efficienza può trasformarsi in una perdita di autonomia nel lungo periodo.

Il noto caso Samsung del 2023 è indicativo: alcuni dipendenti inserirono in ChatGPT codice sorgente, procedure di test e trascrizioni di riunioni interne (qualcuno dei lettori esclude di averlo mai fatto?). Non si trattò di un attacco informatico, ma dell’uso ordinario di uno strumento finalizzato ad aumentare la produttività. Il nuovo perimetro della sicurezza aziendale, pertanto, non coincide più soltanto con la rete interna, ma comprende ogni sistema capace di ricevere ed elaborare informazioni.

L’intelligenza artificiale entra nel mondo fisico

Il paper invita inoltre a guardare oltre i chatbot e i (mi viene da scrivere sempre gli) Large Language Models. L’AI sta evolvendo verso sistemi capaci di rappresentare l’ambiente, prevederne l’evoluzione e agire attraverso robot, sensori, veicoli e macchine industriali.

Questa cosiddetta “AI fisica” interesserà direttamente automazione, manutenzione predittiva, controllo della qualità, ottimizzazione energetica, logistica e robotica. Una parte crescente dell’elaborazione dovrà quindi avvenire vicino al luogo in cui i dati vengono prodotti: nelle fabbriche, negli impianti energetici e nelle infrastrutture.

Per questo il cloud non può essere l’unica risposta. Le informazioni meno sensibili potranno essere elaborate attraverso servizi qualificati, mentre i dati industriali strategici dovranno rimanere in ambienti segregati, su infrastrutture locali o su nodi edge controllati. Il ritorno selettivo all’on-premises non costituisce un passo indietro, ma una componente delle future architetture ibride.

Cloud sovrano e Sovereign AI

Il documento distingue opportunamente il cloud sovrano dalla Sovereign AI.

Il primo riguarda la possibilità di ospitare dati e applicazioni entro un perimetro fisico, operativo e giuridico controllabile. La semplice localizzazione di un data center in Italia, tuttavia, non è sufficiente: occorre considerare anche chi gestisce l’infrastruttura, il software, le chiavi crittografiche e gli aggiornamenti, oltre alla giurisdizione alla quale è sottoposto il fornitore.

La Sovereign AI riguarda invece il controllo sull’intero ciclo di vita dei sistemi intelligenti: modelli, dati di addestramento, infrastrutture di inferenza, livelli di orchestrazione, sicurezza e possibilità di intervenire sul sistema. Tale esigenza diventa particolarmente importante quando l’AI entra nella sanità, nella giustizia, nella fiscalità, nella previdenza o nei servizi pubblici essenziali.

Secondo gli autori, il PSN (Polo Strategico Nazionale) potrebbe progressivamente evolvere da infrastruttura cloud della Pubblica Amministrazione a piattaforma capace di coordinare capacità di calcolo, interoperabilità e acquisti pubblici, collegandosi anche a una rete territoriale di data center edge.

Il ruolo decisivo dello Stato

Uno dei passaggi più interessanti riguarda il procurement pubblico. Lo Stato non è soltanto il regolatore del mercato tecnologico, ma anche uno dei suoi principali clienti. Attraverso gli acquisti pubblici può contribuire alla crescita di un ecosistema italiano ed europeo dell’intelligenza artificiale.

Se le gare vengono valutate esclusivamente sulla base del prezzo e della maturità immediata delle soluzioni, il rischio è consolidare il dominio degli hyperscaler extraeuropei. Nei capitolati dovrebbero entrare anche criteri come portabilità dei dati, interoperabilità, trasparenza della filiera, ispezionabilità dei modelli e possibilità concreta di cambiare fornitore.

Il paper propone di portare progressivamente al 30-40% la quota di spesa pubblica in servizi di AI basati su modelli europei, infrastrutture sovrane o architetture ibride controllabili. Non conta tanto la nazionalità formale del prodotto, quanto il livello effettivo di controllo esercitabile.

Una strategia italiana fondata su quattro pilastri

La proposta conclusiva si articola intorno a quattro elementi:
1. una cabina di regia nazionale dotata di reali capacità tecniche e operative;
2. l’utilizzo del procurement pubblico per creare domanda e sostenere il mercato;
3. un’infrastruttura distribuita, composta da grandi centri di calcolo, capacità on-premises e nodi edge vicini ai distretti industriali;
4. alleanze europee concrete, in particolare con Francia e Germania, su energia, capacità di calcolo, robotica, standard e interoperabilità.
In questo quadro si inseriscono le AI Factories e le future AI Gigafactories europee. Ospitare una grande infrastruttura di calcolo potrebbe attrarre ricerca, imprese, capitali e competenze, ma la sola disponibilità di processori non sarebbe sufficiente. Servono energia a costi sostenibili, reti adeguate, procedure autorizzative certe e un ecosistema industriale capace di utilizzare quella capacità.

La sovranità come capacità di scelta

Il messaggio conclusivo del paper è convincente: la sovranità tecnologica non consiste nel produrre tutto autonomamente, ma nel non dipendere totalmente da nessuno.

Per l’Italia significa trasformare la propria forza manifatturiera in un vantaggio nell’AI industriale, proteggere i dati che incorporano il sapere delle imprese e partecipare alla costruzione delle infrastrutture europee. Il successo non andrà misurato dal numero di progetti annunciati, ma dalle capacità che resteranno nel Paese: competenze, infrastrutture, proprietà intellettuale, accesso al calcolo e libertà di sostituire i fornitori.

La sfida non è soltanto utilizzare l’intelligenza artificiale. È farlo senza perdere il controllo di ciò che rende unica e competitiva l’industria italiana.

Fonte: Rivista.AI e TechVisory – “Dal modello alla fabbrica: perché la sovranità tecnologica è la vera posta in gioco per l’industria italiana”, luglio 2026.
19 Agosto 2026
Boom dell’Intelligenza Artificiale e rischio bolla, l’allarme della Bce

Mercati azionari sotto osservazione per il rischio di una correzione legata all’euforia sull’intelligenza artificiale. A lanciare l’allarme è la Banca centrale europea che, in un’analisi pubblicata sul suo blog, evidenzia come le valutazioni delle Borse statunitensi siano vicine ai massimi storici, mentre anche quelle dell’area euro sono aumentate, seppure in misura più contenuta. Al centro dell’attenzione ci sono soprattutto i cosiddetti Magnifici Sette, i grandi titoli tecnologici americani che hanno beneficiato dell’entusiasmo degli investitori per l’IA. Secondo la ricerca della BCE, le rivoluzioni tecnologiche del passato mostrano spesso uno schema ricorrente: una fase di forte crescita degli investimenti e delle valutazioni seguita da una brusca correzione. Un fenomeno già osservato con le ferrovie, l’elettricità e, negli anni Novanta, con Internet e la bolla delle dot-com. Anche se l’IA dovesse confermarsi una tecnologia realmente trasformativa, questo non escluderebbe una futura discesa dei prezzi azionari. Il rischio riguarda da vicino anche l’area euro. Le famiglie europee avrebbero un’esposizione di circa 440 miliardi di euro ai titoli tecnologici statunitensi, soprattutto attraverso fondi comuni ed ETF. Una forte correzione potrebbe quindi generare perdite per gli investitori e, in caso di vendite e rimborsi massicci, alimentare ulteriori tensioni sui mercati. Per la BCE, dunque, il possibile ridimensionamento dei titoli legati all’IA rappresenta anche una questione di stabilità finanziaria.

19 Agosto 2026
La Pubblica Amministrazione aumentata: quando l’AI incontra la PA
L’intelligenza artificiale non dovrebbe essere vista semplicemente come una nuova tecnologia da introdurre nella Pubblica Amministrazione. La questione più interessante è capire come possa contribuire a costruire una nuova generazione di servizi pubblici, più efficienti, accessibili e capaci di rispondere alle esigenze dei cittadini.

È questa la prospettiva proposta da Deloitte nel report Why AI? Trend drivers for AI adoption in the public sector. Il punto di partenza è significativo: non bisogna chiedersi soltanto che cosa possa fare l’AI per la Pubblica Amministrazione, ma quali obiettivi vogliamo raggiungere e come la tecnologia possa aiutarci a farlo.

Perché l’AI sta entrando nella Pubblica Amministrazione

Secondo Deloitte, la diffusione dell’intelligenza artificiale nel settore pubblico è favorita innanzitutto da tre fattori tecnologici: la crescente disponibilità di potenza di calcolo, l’accessibilità delle infrastrutture cloud e l’enorme quantità di dati digitali oggi disponibili.

Ma la spinta non arriva soltanto dalla tecnologia.

I cittadini sono ormai abituati ai servizi digitali offerti dal settore privato e si aspettano dalla Pubblica Amministrazione esperienze altrettanto semplici, rapide e personalizzate. Questo non significa però trasformare ogni servizio pubblico in un servizio esclusivamente digitale: Deloitte sottolinea l’importanza di mantenere un approccio omnichannel, evitando che la digitalizzazione produca nuove forme di esclusione.

L’intelligenza artificiale, e in particolare quella generativa, potrebbe rendere possibile una personalizzazione dei servizi pubblici su una scala difficilmente raggiungibile con gli strumenti tradizionali.

Tre grandi opportunità

Il report individua tre aree nelle quali l’AI può produrre un impatto particolarmente significativo: migliorare le decisioni, aumentare l’efficienza dei processi e supportare la progettazione delle politiche pubbliche.

La prima riguarda il supporto alle decisioni. Algoritmi e sistemi di machine learning possono analizzare grandi quantità di informazioni, individuare elementi rilevanti e assistere il funzionario pubblico nella valutazione di pratiche e situazioni complesse. Un punto importante, tuttavia, è il ruolo dell’uomo: soprattutto nelle decisioni che incidono direttamente sui cittadini, l’AI dovrebbe supportare il processo decisionale piuttosto che sostituirlo completamente.

La seconda opportunità riguarda l’efficienza amministrativa. Molte amministrazioni devono gestire quantità crescenti di pratiche utilizzando processi e sistemi informativi spesso progettati molti anni fa. L’AI può intervenire nella classificazione dei documenti, nel triage delle pratiche, nell’assistenza ai cittadini attraverso chatbot e assistenti virtuali e nell’automazione delle attività ripetitive.

Il risultato non dovrebbe essere semplicemente una riduzione dei costi. Automatizzare le attività a basso valore può liberare tempo delle persone per attività nelle quali capacità di giudizio, esperienza e relazione con il cittadino rimangono fondamentali.

La terza area è forse quella più interessante nel lungo periodo: utilizzare dati e AI per progettare politiche pubbliche migliori.

Incrociando dati economici, sociali e ambientali è possibile costruire modelli in grado di simulare scenari, prevedere conseguenze e valutare con maggiore precisione l’impatto delle decisioni pubbliche. Il report cita, tra gli esempi, la previsione di eventi climatici estremi, la pianificazione delle infrastrutture per la mobilità elettrica e l’ottimizzazione delle reti energetiche.

Il vero problema non è l’algoritmo

La parte probabilmente più interessante del documento riguarda però le condizioni necessarie affinché tutto questo possa funzionare.

Deloitte ne individua cinque:
1. una strategia chiara per AI e dati;
2. programmi diffusi di AI literacy e formazione del personale pubblico;
3. capacità di condividere i dati tra amministrazioni;
4. una governance dei dati più robusta;
5. un quadro normativo capace di evolvere insieme alla tecnologia.
È un punto importante perché sposta l’attenzione dalla tecnologia all’organizzazione.

Comprare una piattaforma di intelligenza artificiale è relativamente semplice. Molto più difficile è disporre di dati interoperabili e di qualità, ripensare i processi, formare le persone, definire responsabilità e garantire trasparenza nelle decisioni.

Fiducia, trasparenza e responsabilità

Nel settore pubblico esiste inoltre una differenza fondamentale rispetto a molte applicazioni private dell’AI.

Una decisione algoritmica può incidere sull’accesso a un beneficio sociale, sull’immigrazione, su un’autorizzazione o su altri diritti del cittadino. Per questo motivo accuratezza tecnica ed efficienza non sono sufficienti.

I sistemi devono essere anche trasparenti, spiegabili, equi e soggetti a responsabilità chiaramente definite. Deloitte sottolinea infatti la necessità di mantenere l’intervento umano nelle decisioni più delicate e di costruire sistemi di AI capaci di conquistare e mantenere la fiducia dei cittadini.

Una Pubblica Amministrazione aumentata

La riflessione più interessante che emerge dal report è quindi che l’intelligenza artificiale non dovrebbe servire semplicemente ad automatizzare la Pubblica Amministrazione esistente.

L’opportunità è più ambiziosa: ripensare servizi e processi partendo dai bisogni dei cittadini e utilizzando AI e dati come strumenti per costruire una PA più semplice, predittiva e personalizzata.

In questa prospettiva l’obiettivo non è una Pubblica Amministrazione nella quale gli algoritmi sostituiscono le persone, ma una Pubblica Amministrazione aumentata, nella quale tecnologia e competenze umane lavorano insieme.

Ed è forse questo il messaggio più attuale del documento: la trasformazione digitale non consiste nell’applicare nuove tecnologie ai vecchi processi. Consiste nel chiedersi se, grazie alle nuove tecnologie, quei processi possano essere progettati in modo completamente diverso.

Fonte: Deloitte, Why AI? – Trend drivers for AI adoption in the public sector. Leggi il report originale di Deloitte
19 Agosto 2026