// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
Mentre discutiamo del futuro dell'AI, le aziende fanno i conti con dati e costi
In questi giorni il dibattito sull'intelligenza artificiale ha assunto toni particolarmente accesi, con interventi molto diretti da parte dei protagonisti stessi del suo sviluppo: da Dario Amodei a Sam Altman, da Elon Musk a Demis Hassabis si parla pubblicamente della necessità di rallentare la corsa verso modelli sempre più potenti, di rafforzare i meccanismi di controllo e di interrogarsi sui rischi legati alla crescente autonomia dei sistemi.
Personalmente mi occupo di rischio, sono quindi abituato a valutare attentamente anche i cambiamenti più dirompenti. Proprio per questo, dovendo costruire una mappa dei rischi legati all'intelligenza artificiale nelle imprese, insieme ai grandi interrogativi ne metterei sotto osservazione almeno due molto più pratici e decisamente più vicini alla nostra esperienza quotidiana. Il primo riguarda il governo dei dati, il secondo l'economia dell'AI.
Il caso Revolut di questi giorni offre un esempio interessante, anche se non riguarda direttamente l'intelligenza artificiale.
La banca digitale ha confermato di aver trasmesso informazioni sensibili di alcuni clienti in seguito a richieste fraudolente che sembravano provenire da un dominio istituzionale autentico. Secondo le ricostruzioni disponibili, gli attaccanti avrebbero utilizzato una casella riconducibile a un'istituzione italiana per presentarsi come autorità legittimata a richiedere quelle informazioni. Revolut sostiene che i propri sistemi non siano stati violati e che i fondi dei clienti non siano stati coinvolti. Le autorità stanno indagando sull'accaduto ed è proprio questo il punto interessante.
Possiamo costruire infrastrutture estremamente sicure e continuare ad avere un problema se non governiamo altrettanto bene il processo attraverso cui decidiamo quando, come e a chi un dato può essere affidato. Con l'AI questa domanda diventa ancora più importante.
Quando integriamo un modello all'interno di un processo aziendale, infatti, non stiamo semplicemente scegliendo un software. Stiamo decidendo dove verranno elaborati i nostri dati, quali informazioni potranno lasciare il perimetro aziendale, attraverso quali infrastrutture transiteranno e quali soggetti entreranno nella catena.
Per questo parlare semplicemente di "adottare l'AI" significa porre male la questione. Infatti, la domanda dovrebbe essere: quale AI, per quale processo, con quali dati e a quali condizioni?
La risposta non può essere sempre la stessa. Per alcune attività relativamente semplici ma caratterizzate da un'elevata sensibilità delle informazioni, può avere senso utilizzare modelli open weight all'interno dell'infrastruttura aziendale. In altri casi può essere opportuno ricorrere a servizi cloud dedicati. In altri ancora, architetture RAG permettono di mantenere sotto controllo il patrimonio documentale e mettere a disposizione del modello soltanto le informazioni necessarie a svolgere uno specifico task.
Non esiste quindi un modello migliore in assoluto. Esiste il modello più appropriato rispetto a quel dato, quel task e quel livello di rischio. È qui che diventa importante un principio che considero centrale nell'industrializzazione dell'intelligenza artificiale: l'agnosticismo tecnologico.
Partire dal processo anziché dal prodotto. Comprendere prima che cosa dobbiamo ottenere, quali informazioni dobbiamo utilizzare, quali vincoli dobbiamo rispettare e quale livello di performance ci serve. E soltanto dopo scegliere la tecnologia.