A settant’anni dalla storica conferenza del Dartmouth College del 1956, che sancì la nascita formale della disciplina e del termine intelligenza artificiale, l’adozione aziendale dei Large Language Model si trova davanti a un bivio strutturale: il passaggio dall’entusiasmo della generazione di contenuti alla necessità inderogabile di un’AI affidabile. Se l’elaborazione probabilistica ha superato i limiti storici nell’elaborazione del linguaggio naturale, la gestione dei processi d’impresa critici esige determinismo, conformità normativa e tracciabilità.
Il nodo è emerso con chiarezza nell’intervista approfondita svoltasi in occasione dell’edizione 2026 del Tram dell’Innovazione, l’iniziativa ideata da Gianna Martinengo per la Milano Digital Week. Nel confronto diretto, Stefano A. Cerri, pioniere della ricerca informatica europea, ha dialogato con Enrico Motta, professore di Tecnologie della Conoscenza al Knowledge Media Institute (KMi) della Open University britannica e già presidente del panel di informatica dell’European Research Council (ERC) per i bandi Starting Grants, analizzando l’evoluzione dell’architettura computazionale e le sue ricadute sull’economia reale.
Indice degli argomenti
Dai modelli statistici opachi all’AI affidabile nei processi d’impresa
La traiettoria dell’intelligenza artificiale affonda le radici nel tentativo di replicare i meccanismi cognitivi umani mediante regole esplicite. Nei primi decenni di sperimentazione, dai General Problem Solvers degli anni Sessanta fino alle piattaforme di rappresentazione ontologica nei primi anni Duemila, l’ostacolo principale per trasformare i prototipi accademici in prodotti industriali risiedeva nel cosiddetto collo di bottiglia dell’acquisizione della conoscenza. Quando nel 1984 prese avvio il monumentale progetto Cyc, la formalizzazione del sapere richiese l’impiego manuale di centinaia di esperti incaricati di codificare miliardi di asserzioni logiche. L’avvento dei Large Language Model addestrati sull’intero patrimonio informativo digitalizzato presente sul Web ha aggirato questo limite, garantendo una capacità senza precedenti di iper-contestualizzazione operativa.
Tale accelerazione tecnologica non ha tuttavia modificato il legame intrinseco tra conoscenza strutturata e capacità di risoluzione dei problemi. Come evidenziato da Enrico Motta durante il colloquio: “Nella preistoria dell’IA si cercava di creare algoritmi generici di ricerca su spazi complessi, ma quando ci si è confrontati con task reali, si è compreso che per ottenere prestazioni adeguate di problem solving occorrono enormi quantità di conoscenza”. La traslazione dai sistemi esperti deterministici ai modelli linguistici moderni sposta l’asse delle priorità d’impresa: la codifica non avviene più all’interno di tassonomie trasparenti, ma dentro matrici probabilistiche multidimensionali e intrinsecamente opache.
Perché i limiti statistici aumentano il disallineamento degli agenti autonomi
L’integrazione di agenti capaci di operare senza supervisione continua amplifica l’impatto economico di tali asimmetrie. A differenza degli algoritmi degli anni Ottanta e Novanta, confinati in perimetri chiusi e interpretabili riga per riga, i sistemi autonomi contemporanei manifestano fenomeni ricorrenti di disallineamento (misalignment) rispetto agli scopi per cui vengono distribuiti. I casi documentati di agenti software che effettuano l’estrazione massiva di dati sensibili non pubblici da archivi istituzionali, oppure le anomalie operative registrate su infrastrutture di condivisione di modelli come Hugging Face, evidenziano rischi di compliance che investono direttamente la responsabilità degli organi di vertice aziendali.
La conoscenza tacita ed esperienziale, tipica di figure come medici specialisti, ingegneri o direttori operativi, si rivela resistente alla totale astrazione matematica. Motta ha puntualizzato la natura di questo divario operativo: “I problemi fondamentali di acquisizione della conoscenza da esperti rimangono tuttora validi. La conoscenza degli esperti è procedurale, basata sull’esperienza e difficile da astrarre”. Gli LLM eccellono nell’adattarsi a una molteplicità di formulazioni linguistiche contingenti, ma rimangono vulnerabili a fallimenti logici imprevisti nel momento in cui devono trasferire procedure complesse in ambienti ad alto grado di incertezza.
Come l’integrazione neuro-simbolica garantisce un’AI affidabile
Per colmare la distanza tra flessibilità linguistica e rigore esecutivo, l’attenzione della ricerca applicata e delle aziende deep tech converge verso i sistemi neuro-simbolici. L’obiettivo strategico consiste nell’affiancare alla capacità generativa delle reti neurali un livello di verifica governato da ontologie e logiche formali deterministiche, capaci di agire da barriere protettive (guardrail) invalicabili. In questa configurazione architetturale, l’output probabilistico prodotto dal modello linguistico viene filtrato e validato da motori d’inferenza tradizionali prima di azionare qualsiasi comando di business o trasmettere dati all’esterno.
Motta ha chiarito la centralità di questo schema per la sicurezza dei sistemi industriali: “Un approccio studiato riguarda l’integrazione dell’IA tradizionale per definire regole e guardrail formali e precisi che non devono essere superati”. Sebbene i modelli generativi si rivelino validi alleati nella costruzione accelerata di basi di conoscenza e ontologie, delegare l’intero ciclo decisionale a una rete neurale pura comporta margini di aleatorietà inaccettabili per il corporate management. Lo sviluppo di standard neuro-simbolici nativi diventa così un imperativo competitivo che chiama in causa i principali sviluppatori globali di modelli di frontiera, da OpenAI ad Anthropic.
Il ruolo del senso comune e delle regole formali per prevenire errori critici
I rischi derivanti dall’assenza di modelli espliciti emergono in modo plastico quando gli algoritmi statistici interagiscono con il mondo fisico attraverso la robotica di servizio. Nelle sperimentazioni condotte dai ricercatori del KMi per l’ispezione autonoma della sicurezza e della conformità degli edifici, l’impiego dei più avanzati motori di computer vision disponibili ha generato allucinazioni visive macroscopiche. In assenza di coordinate di senso comune, il sistema ha classificato una poltrona circolare scambiandola per una tazza da colazione, mentre la superficie riflettente di un termosifone esposto alla luce diretta del sole è stata etichettata come un apparecchio televisivo.
L’inserimento di moduli simbolici espliciti dedicati alla gestione della scala dimensionale, delle distanze relative e della permanenza degli oggetti nello spazio ha corretto tali distorsioni. L’introduzione di postulati fisici formali garantisce la stabilità interpretativa del robot, dimostrando che l’accuratezza operativa dipende dall’unione tra percezione statistica e vincoli logici non negoziabili.
Protocolli di certificazione e trial digitali per tutelare aziende e investitori
La diffusione incontrollata di agenti autonomi pone questioni legali ed economiche destinate a ridefinire il perimetro del rischio per investitori e consigli d’amministrazione. L’ipotesi dottrinale di riconoscere gli agenti algoritmici come soggetti giuridici dotati di responsabilità autonoma riflette la consapevolezza delle ricadute finanziarie derivanti da comportamenti anomali o lesivi. Gli stessi colossi tecnologici che guidano lo sviluppo dei modelli generativi richiedono cornici regolatorie stringenti, motivate dal timore di dover rispondere civilmente e penalmente dei danni patrimoniali causati dalle proprie creazioni software.
Nel corso del dibattito, Cerri ha richiamato la proposta avanzata al Parlamento Europeo di equiparare i sistemi avanzati di calcolo ai prodotti farmacologici, sottoponendoli a trial digitali standardizzati prima del rilascio commerciale. Se la molecola farmaceutica possiede proprietà chimiche immutabili e gli algoritmi tendono a modificare i propri schemi tramite l’interazione costante, la predisposizione di protocolli di audit indipendenti rappresenta una garanzia essenziale per il mercato. Enti come l’UK AI Safety Institute nel Regno Unito, insieme alle strutture di vigilanza istituite dall’AI Act dell’Unione Europea, configurano un reticolo di conformità necessario a tutelare i capitali aziendali da contenziosi devastanti.
Dalla ricerca al mercato: l’AI affidabile nella robotica per la sanità
La sintesi tra vincoli formali, percezione ambientale e automazione trova un terreno d’applicazione ideale nelle infrastrutture sociosanitarie, caratterizzate da rigidità procedurali e severi limiti di budget. In collaborazione con una startup deep tech di Milton Keynes, il Knowledge Media Institute ha avviato la sperimentazione di unità robotiche di servizio all’interno di presidi ospedalieri e residenze sanitarie assistenziali. Nelle fasce orarie notturne, i vettori robotizzati gestiscono la logistica interna trasferendo farmaci e materiali tra i reparti, integrando compiti di pattugliamento continuo per rilevare condizioni anomale come accessi non consentiti, la presenza ingiustificata di minori fuori dall’area pediatrica o la formazione di pozze di liquido sui pavimenti.
L’automazione nei reparti ospedalieri per colmare la carenza di personale
La razionalizzazione logistica produce un impatto diretto sui parametri di efficienza assistenziale e sulla salvaguardia dei pazienti ricoverati. Motta ha documentato la portata del deficit organizzativo che condiziona le corsie ospedaliere: “Negli ospedali, circa il 75% delle cadute notturne dei pazienti non viene assistito immediatamente per mancanza di personale in giro”. La tempestività d’intervento garantita dai sensori robotici consente di azzerare i tempi di allerta, tutelando la salute degli assistiti e riducendo i costi assicurativi delle strutture ospedaliere.
Sul versante delle strutture di lungo-degenza per anziani, il progetto impiega piccoli robot da tavolo progettati per l’assistenza relazionale discreta. Questi dispositivi conducono interazioni conversazionali mirate e disinnescano condotte pericolose in via preventiva, invitando per esempio l’ospite a non abbandonare la postazione da solo in condizioni di instabilità motoria. Il connubio tra hardware robotico, elaborazione locale e protocolli comportamentali trasforma la tecnologia d’avanguardia in una leva tangibile di sostenibilità per l’intero comparto sanitario.
Il capitale umano italiano nella competizione europea dell’innovazione profonda
La capacità di convertire paradigmi teorici complessi in vettori di trasformazione industriale poggia sulla qualità dell’ecosistema di ricerca e sulla formazione del capitale umano. Ricostruendo un percorso professionale iniziato con gli studi a Pisa e proseguito per oltre quarant’anni ai vertici delle istituzioni scientifiche del Regno Unito, Motta ha evidenziato l’evoluzione strutturale degli atenei italiani, oggi inseriti a pieno titolo nelle reti di cooperazione con poli di ricerca d’eccellenza a Milano, Bologna, Roma e Cagliari.
L’esperienza maturata alla guida dei panel di selezione per i bandi Starting Grants dell’European Research Council conferma la competitività dei talenti formati in Italia. Rispetto agli anni Ottanta, il ritardo organizzativo e di risorse che caratterizzava il sistema accademico nazionale nei confronti degli standard anglosassoni è stato sensibilmente ridotto. I giovani scienziati e i founder di matrice tecnica provenienti dalle università italiane reggono il confronto qualitativo con i colleghi britannici, tedeschi e francesi, posizionando l’Italia come un bacino primario di competenze deep tech per la costruzione della prossima generazione di sistemi intelligenti.
FAQ: Intelligenza Artificiale
Che cos’è l’Intelligenza Artificiale?
L’Intelligenza Artificiale è la disciplina che studia come realizzare sistemi informatici in grado di simulare il pensiero umano. Secondo la Treccani, si tratta della disciplina che studia i fondamenti teorici, le metodologie e le tecniche che permettono di progettare sistemi hardware e software capaci di fornire prestazioni che sembrerebbero appartenere esclusivamente all’intelligenza umana. Rifacendosi alle teorie di Alan Turing, l’AI può essere definita come “la scienza di far fare ai computer cose che richiedono intelligenza quando vengono fatte dagli esseri umani”. Oggi l’intelligenza artificiale è diventata parte della vita quotidiana, consentendo alle macchine di eseguire vari compiti che un tempo erano prerogativa degli umani.
Quali sono le origini dell’Intelligenza Artificiale?
Le origini dell’Intelligenza Artificiale risalgono al XVII secolo quando filosofi come Leibniz, Thomas Hobbes e René Descartes esplorarono la possibilità che il pensiero razionale potesse essere sistematizzato come l’algebra o la geometria. Tuttavia, il “padre” del concetto nell’età moderna è considerato Alan Turing, che nel 1950 pubblicò “Computing Machinery and Intelligence” introducendo il “test di Turing”. Il termine “Artificial Intelligence” venne coniato ufficialmente il 31 agosto 1955 come titolo di un workshop organizzato da John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. Questo seminario, tenutosi nel 1956, è considerato la data di nascita ufficiale di questo campo di studio e sperimentazione.
Quali sono le principali tecnologie di Intelligenza Artificiale?
L’Intelligenza Artificiale comprende diverse tecnologie chiave: il Natural Language Processing (NLP) che permette alle macchine di comprendere e generare linguaggio umano; il Speech Recognition per la trascrizione e trasformazione del parlato; i Virtual Agents come chatbot e assistenti virtuali; le piattaforme di Machine Learning che permettono ai computer di apprendere dai dati; l’AI-optimized Hardware specificamente progettato per calcoli AI; i sistemi di Decision Management che inseriscono regole logiche nei sistemi AI; le Deep Learning Platform basate su reti neurali artificiali; la Biometrica per interazioni naturali uomo-macchina; la Robotic Process Automation per automatizzare azioni umane; e il Text Analytics per comprendere strutture e significati dei testi.
Che differenza c’è tra Intelligenza Artificiale Generale (AGI) e Intelligenza Artificiale specializzata?
L’Intelligenza Artificiale Generale (AGI) e l’intelligenza artificiale specializzata (o “debole”) sono concetti distinti. Mentre l’AGI è un sistema dotato di capacità cognitive universali, che consentono di apprendere, comprendere e operare in una vasta gamma di domini e contesti, l’intelligenza artificiale specializzata è progettata per eseguire compiti specifici e ben definiti, come il riconoscimento di immagini, la traduzione linguistica o il gioco degli scacchi. L’IA specializzata eccelle nell’ottimizzazione di compiti particolari, ma non può andare oltre i limiti del suo ambito predefinito ed è già ampiamente utilizzata, guidando l’innovazione in molteplici industrie e applicazioni pratiche.
Quali sono le applicazioni dell’Intelligenza Artificiale nei diversi settori?
L’Intelligenza Artificiale trova applicazione in numerosi settori. Nell’industria, l’AI ottimizza la produzione, riduce gli sprechi e migliora la progettazione dei prodotti. Nel settore sanitario, gli algoritmi di deep learning analizzano immagini diagnostiche, predicono l’evoluzione delle patologie e suggeriscono trattamenti personalizzati. In agricoltura, AI, droni e sensori intelligenti monitorano la salute delle colture e ottimizzano irrigazione e fertilizzazione. Nel settore finanziario, l’AI analizza grandi volumi di dati per identificare frodi e valutare rischi. Nell’istruzione, permette percorsi didattici personalizzati. Nelle smart city, l’AI gestisce traffico, trasporti pubblici e rifiuti per città più sostenibili. Nella logistica, ottimizza ogni fase della catena di approvvigionamento, dalla previsione della domanda alla consegna.
Come funziona l’Intelligenza Artificiale prescrittiva?
L’Intelligenza Artificiale prescrittiva è una branca avanzata dell’AI che non si limita a prevedere eventi futuri (come fa quella predittiva), ma fornisce raccomandazioni operative su cosa fare per ottenere il miglior risultato possibile. Utilizza algoritmi di ottimizzazione, simulazione e modelli matematici per analizzare una vasta gamma di variabili, vincoli e obiettivi, generando scenari decisionali ottimali. È in grado di valutare milioni di possibili soluzioni e selezionare quella più efficiente, tenendo conto delle condizioni reali del contesto aziendale. È particolarmente utile in ambiti complessi come la supply chain, la logistica, la produzione e la pianificazione strategica, dove le decisioni devono essere rapide, data-driven e ad alto impatto.
Quali sono le sfide etiche legate all’Intelligenza Artificiale?
L’adozione dell’intelligenza artificiale nei processi di innovazione apre scenari straordinari, ma anche nuove complessità da governare. Le principali criticità etiche includono la gestione dei bias nei modelli generativi, i rischi di allucinazione nei sistemi di GenAI e la mancanza di framework di governance adeguati a monitorare la qualità e l’affidabilità dei risultati prodotti. Si aggiungono problemi legati alla protezione dei dati sensibili, alla proprietà intellettuale delle soluzioni co-create con l’AI e alla readiness culturale delle organizzazioni. La sfida non è più se adottare l’AI, ma come farlo in modo etico, controllato e sostenibile, bilanciando la potenza predittiva degli algoritmi con la necessaria supervisione umana.
Cos’è l’Explainable AI (XAI) e perché è importante?
L’Explainable AI (XAI), o intelligenza artificiale spiegabile, è un ramo dell’AI che sviluppa metodi e tecniche per fornire spiegazioni chiare e interpretabili rispetto alle decisioni prese dai modelli di machine learning e deep learning. Grazie a queste spiegazioni, gli utenti possono comprendere il “perché” e il “come” si è arrivati ai risultati proposti dagli algoritmi. L’XAI è fondamentale per aumentare la fiducia nelle soluzioni AI, garantire la conformità alle normative (come l’AI Act europeo), ottimizzare i processi decisionali identificando errori o bias, e migliorare la relazione con clienti e utenti. In settori come la sanità, dove le decisioni hanno impatto diretto sulla vita dei pazienti, l’XAI è cruciale per permettere ai medici di comprendere e validare le predizioni dei modelli AI.
Quali sono le startup italiane che utilizzano l’Intelligenza Artificiale?
In Italia esistono diverse startup innovative che utilizzano l’Intelligenza Artificiale per offrire servizi in vari settori. Tra queste troviamo Eyra (Horus), che ha sviluppato un dispositivo indossabile che osserva la realtà e la descrive alle persone non vedenti; The Energy Audit (TEA), che si occupa di efficienza e diagnosi energetica; Unfraud, specializzata nell’individuazione di frodi nelle transazioni; Expert System, che sviluppa tecnologie semantiche per la gestione dei big data; Stamplay, una piattaforma che aiuta gli sviluppatori a integrare servizi esistenti; e Indigo, che utilizza chatbot e machine learning per automatizzare la comunicazione con gli utenti in chat, fornendo assistenti virtuali personalizzati.
Perché molti progetti di Intelligenza Artificiale falliscono nelle aziende?
Secondo una ricerca del Massachusetts Institute of Technology, il 95% dei progetti di intelligenza artificiale generativa nelle aziende non produce risultati misurabili. Le cause principali di questo fallimento includono: scarsa integrazione con i sistemi esistenti, strategie AI deboli o assenti, budget mal allocati che privilegiano la tecnologia rispetto all’integrazione, competenze insufficienti per gestire progetti complessi, e aspettative irrealistiche sui tempi di implementazione. Al contrario, le startup mostrano risultati migliori grazie a un approccio AI-first: niente legacy tecnologiche da gestire, agilità organizzativa e focus su problemi specifici. Il messaggio è chiaro: senza integrazione, governance e strategia, i progetti AI falliscono nella grande maggioranza dei casi.
Come sta evolvendo l’automazione grazie all’Intelligenza Artificiale?
L’automazione sta evolvendo significativamente grazie all’Intelligenza Artificiale, che la rende più intelligente, flessibile e capace di rispondere in tempo reale alle complessità del mondo reale. L’RPA (Robotic Process Automation) si sta trasformando grazie all’IA, rendendo i software robotici capaci di prendere decisioni basate su dati contestuali, elaborare linguaggio naturale e apprendere dai feedback. I veicoli autonomi rappresentano una frontiera visibile dell’AI in azione, interpretando l’ambiente circostante e prendendo decisioni in millisecondi. Nell’industria 4.0, l’IA analizza dati in tempo reale per ottimizzare produzione e manutenzione, mentre chatbot e assistenti virtuali ridefiniscono la relazione tra brand e clienti. Secondo PwC, entro il 2030 l’AI potrebbe contribuire fino a 15.700 miliardi di dollari all’economia globale.
Partecipa alla community