Durante un seminario tenutosi presso il Politecnico di Milano, Roberto Baldoni, Senior Advisor per le politiche tecnologiche e di cybersecurity dell’Ambasciatore d’Italia negli Stati Uniti e professore onorario di Informatica alla Sapienza Università di Roma, ha analizzato le implicazioni macroeconomiche e geopolitiche nate con la diffusione dei modelli generativi.
L’intervento del docente, già Direttore Generale dell’Agenzia per la Cybersicurezza Nazionale, ha delineato una mappa dettagliata dei rischi e delle opportunità che il tessuto produttivo si trova ad affrontare nel mercato globale, con un focus mirato sulle necessità competitive delle imprese.
Indice degli argomenti
L’evoluzione storica della trasformazione digitale e l’impatto sul business
La trasformazione digitale delle aziende e della pubblica amministrazione ha radici storiche che risalgono allo sviluppo del primo calcolatore programmabile, l’ENIAC.
Nelle prime fasi storiche dell’informatica, l’adozione delle tecnologie era strettamente circoscritta all’interno di singoli dipartimenti aziendali, caratterizzati da grandi datacenter locali gestiti da personale tecnico interamente dedicato. Questo impianto iniziale ha registrato una prima accelerazione a metà degli anni Ottanta, per poi subire un’espansione commerciale radicale grazie all’introduzione e alla successiva diffusione di massa del World Wide Web.
La svolta del cloud computing e il nuovo modello economico
Il vero salto di scala per il business globale si è verificato intorno al 2005 con l’affermazione del cloud computing. Questa tecnologia ha modificato i modelli economici aziendali, offrendo alle imprese la possibilità di esternalizzare completamente le proprie infrastrutture informatiche.
Le aziende hanno potuto avviare percorsi di digitalizzazione spinta in ogni settore, dall’agricoltura fino ai trasporti, senza dover sostenere i costi fissi legati all’acquisto di centri dati fisici o all’assunzione di ampi team dedicati alla manutenzione hardware. Su questa infrastruttura si è innestata l’ondata dell’intelligenza artificiale generativa dal 2023, proiettando il mercato verso i traguardi previsti per l’intelligenza artificiale generale.
La complessità geopolitica dello stack AI
L’attuale evoluzione tecnologica impone alle organizzazioni di confrontarsi con una struttura industriale stratificata, comunemente definita stack AI. Questo ecosistema non si riduce a un’applicazione software isolata, ma si configura come un insieme di livelli interdipendenti che includono la ricerca scientifica, le materie prime, la capacità computazionale e lo sviluppo dei modelli algoritmici.
Il possesso e il controllo diretto dei vari livelli dello stack AI determinano il grado di autonomia strategica di un intero sistema economico, mentre l’assenza di tali capacità genera una dipendenza strutturale verso l’esterno.
Il legame tra risorse energetiche e capacità computazionale
Un aspetto cruciale per comprendere il funzionamento dello stack AI risiede nel suo legame indissolubile con le risorse fisiche, in particolare l’energia elettrica e i minerali critici.
Esiste un rapporto di mutua dipendenza: la gestione delle moderne reti elettriche intelligenti richiede l’efficacia dello stack AI, ma allo stesso tempo l’assenza di una fornitura energetica stabile e massiccia rende impossibile il funzionamento delle grandi Gigafactory dedicate al calcolo e all’inferenza dei modelli. Questa dinamica equipara le tecnologie avanzate al ruolo geopolitico che il petrolio ha rivestito durante le crisi di approvvigionamento degli anni Settanta.
Il divario competitivo tra Europa, Stati Uniti e Cina
Il mercato industriale europeo si trova oggi in una posizione di svantaggio competitivo rispetto ai principali attori globali.
Tra i freni principali che rallentano le imprese spicca il costo dell’energia in Europa, che risulta essere cinque volte superiore rispetto a quello registrato negli Stati Uniti.
A questo fattore economico si aggiungono le profonde rigidità dei contratti di lavoro del Vecchio Continente.
Se una grande azienda tecnologica americana può investire enormi capitali in un progetto innovativo e interromperlo licenziando il personale in caso di insuccesso, il sistema normativo europeo presenta una complessità protettiva che non consente una simile flessibilità operativa alle imprese.
Gli investimenti nell’upstream e il peso delle autocrazie private
La corsa alla supremazia tecnologica si combatte principalmente sul livello dell’upstream, ovvero l’ambito dedicato alla ricerca scientifica, all’innovazione e alla definizione degli standard internazionali.
Negli Stati Uniti gli investimenti privati destinati all’addestramento dei modelli di frontiera raggiungono la cifra di circa 200 miliardi di dollari all’anno, una massa monetaria alimentata in buona parte proprio dai capitali provenienti dall’Europa.
Baldoni ha chiarito questa asimmetria con una precisa analisi strutturale: «Nel momento stesso in cui nella formazione dell’intelligenza artificiale si crea un vantaggio di tipo upstream per le nazioni e le aziende che ne hanno il controllo, se tu non hai nemmeno una tua infrastruttura cloud o non hai l’energia, il tuo vantaggio economico si assottiglia e diventi fortemente dipendente da ciò che sta sotto».
Questo scenario favorisce la nascita di colossi industriali privati che integrano verticalmente comunicazioni satellitari, cloud e modelli algoritmici, assumendo un potere politico de facto che scavalca la sovranità degli stessi Stati nazione.
La trappola della sovra-regolamentazione e l’impatto sui sistemi industriali
Di fronte alla rapidità dei competitor internazionali, l’Unione Europea ha scelto di puntare sulla regolamentazione dei mercati attraverso lo sviluppo dell’AI Act. Tuttavia, questa impostazione presenta gravi lacune metodologiche che rischiano di penalizzare lo sviluppo delle imprese comunitarie.
Il legislatore europeo ha violato i due principi cardine della standardizzazione industriale: l’impossibilità di regolare ciò che non si produce internamente e l’inefficacia nel normare tecnologie di cui non si conoscono a fondo i meccanismi di funzionamento.
Il risultato è un impianto burocratico complesso composto da centinaia di pagine che rallenta la capacità di reazione del sistema produttivo rispetto ai documenti strategici, snelli e orientati agli obiettivi commerciali emanati dall’amministrazione di Washington.
Il blocco dei servizi e le sanzioni alle aziende manifatturiere
Le conseguenze pratiche di questa impostazione normativa si sono manifestate immediatamente dopo l’approvazione del testo europeo. Alcune tra le principali software house americane hanno temporaneamente sospeso l’erogazione dei propri servizi tecnologici avanzati verso l’Europa, riattivandoli solo dopo aver ottenuto tutele legali esplicite.
Le imprese europee, costrette a utilizzare tali strumenti per mantenere la propria competitività sui mercati globali, hanno esercitato forti pressioni per sbloccare la situazione.
L’errore più evidente ha riguardato l’estensione degli obblighi di conformità ai sistemi industriali interni. Baldoni ha criticato aspramente questa scelta normativa ricordando che: «il bello dell’AI Act è che, non conoscendo bene come funzionano questi sistemi, non puoi dare regole tecnologiche precise: sei costretto a dare regole che vanno a interpretazione.»
Di conseguenza, una comune azienda manifatturiera intenzionata a ottimizzare la propria produzione si è trovata bloccata per anni dal timore dei propri advisor legali di violare norme dai contorni incerti.
Oltre la Google europea: la strategia dei mille campioni industriali
Per uscire da questa condizione di subalternità, l’Europa non deve rincorrere l’illusione di creare un duplicato dei motori di ricerca o dei social network americani, modelli commerciali difficilmente replicabili nel contesto economico continentale.
Il modello ASML e il valore della specializzazione verticale
La strategia vincente consiste nel valorizzare i settori storici in cui la manifattura tradizionale incontra l’innovazione digitale avanzata.
L’esempio di riferimento è rappresentato dall’azienda olandese ASML, una realtà industriale di dimensioni contenute ma assolutamente strategica a livello globale, essendo l’unica in grado di produrre le macchine litografiche necessarie per realizzare i chip a pochissimi nanometri richiesti dallo stack AI.
Baldoni ha indicato una precisa direzione industriale per il futuro del continente: «Cerchiamo di essere indispensabili all’interno delle catene di approvvigionamento, esattamente come ASML. Creiamo mille ASML in Europa nei vari livelli dello stack dove il digitale incontra la manifattura».
L’alleanza strategica e la governance delle trusted technologies
Il superamento della frammentazione istituzionale tra le diverse strategie nazionali di Francia, Germania e Italia rappresenta il passo fondamentale per raggiungere una scala di mercato efficiente. Nessuna singola nazione europea possiede da sola le risorse per competere contro la pianificazione centralizzata cinese o la potenza finanziaria americana.
La protezione degli ecosistemi digitali europei e la sicurezza delle imprese devono passare attraverso l’adozione delle cosiddette Trusted Technologies, soluzioni tecnologiche rigorosamente ancorate ai valori democratici occidentali come la libertà, la tracciabilità delle informazioni e la dignità umana.
Attraverso la costruzione di un’alleanza tecnologica internazionale e la condivisione di grandi infrastrutture di calcolo d’eccellenza, il sistema industriale europeo potrà ritagliarsi un ruolo di primo piano nella catena del valore globale, garantendo sviluppo e indipendenza economica alle future generazioni.
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
Partecipa alla community