L’Intelligenza Artificiale è, ormai, una delle più grandi rivoluzioni tecnologiche che l’uomo abbia mai sperimentato: dal Machine Learning, alla Robotica, fino alle Reti neurali. Che cosa si intende con “Intelligenza Artificiale”? L’IA è prima di tutto una tecnologia che si rifà a una intima ispirazione dell’uomo, quella di creare una “macchina” in cui si riflettono appieno le proprie capacità.
L’Intelligenza Artificiale è un tema storicamente e scientificamente ricchissimo e su cui si sono generati diversi dibattiti. Dibattiti che si sono ampliati soprattutto a seguito del lancio di ChatGPT e dell’affermarsi dell’AI Generativa. A oggi questa tecnologia rappresenta uno dei principali ambiti di interesse della comunità scientifica informatica.
Con l’aiuto dell’Osservatorio Artificial Intelligence della POLIMI School of Management, attraverso questa guida sull’Intelligenza Artificiale, approfondiremo diversi aspetti dell’AI, in primis il suo significato. Illustreremo poi come è nata l’Intelligenza Artificiale, quali sono le sue tipologie e applicazioni e qual è il ruolo dell’AI Generativa. Spiegheremo come funziona l’Intelligenza Artificiale, quali sono i rischi etici e le regolamentazioni a livello europeo. Inoltre, presenteremo anche i trend principali del mercato dell’Intelligenza Artificiale in Italia attraverso i dati di Ricerca analizzati dall’Osservatorio.
In questo percorso proveremo a rispondere a un roboante quesito finale: l’Intelligenza Artificiale, è una minaccia o una necessità per l’uomo?
Prima di comprendere come funzionano i sistemi di IA bisogna approfondire che cosa si intende per Intelligenza Artificiale. Di seguito la definizione fornita dall’Osservatorio Artificial Intelligence:
L’Intelligenza Artificiale (IA), o Artificial Intelligence (AI), è quel ramo della computer science che studia lo sviluppo di sistemi Hardware e Software dotati di specifiche capacità tipiche dell’essere umano. Alcuni esempi potrebbero essere l’interazione con l’ambiente, l’apprendimento e adattamento, il ragionamento e la pianificazione. Questi sistemi sono capaci di perseguire in modo autonomo una finalità definita, prendendo decisioni che fino a quel momento erano solitamente affidate alle persone.
Quindi, cosa studia l’Intelligenza Artificiale? Per spiegarlo si può dire che l’IA è un campo di ricerca che studia la programmazione e la progettazione di sistemi. Questi sistemi, poi, sono costruiti e pensati per dotare le macchine di una o più proprietà considerate tipicamente umane, che variano dall’apprendimento alla percezione visiva o spazio-temporale.
Parlando di Intelligenza Artificiale, spesso vengono utilizzati come sinonimi termini quali Machine Learning e Deep Learning. In realtà i concetti sono differenti. Infatti, il Machine Learning (ML), ossia l’“apprendimento automatico”, è un sottoinsieme dell’AI, che si basa su algoritmi capaci di imparare dai dati e migliorare nel tempo.
Un ulteriore sottoinsieme del Machine Learning è il Deep Learning, letteralmente “apprendimento approfondito”. Quest’ultimo utilizza reti neurali profonde (composte da molteplici livelli) per analizzare grandi quantità di dati e coglierne gli schemi.
Dopo aver chiarito e compreso che cosa si intende per Intelligenza Artificiale, possiamo ora comprendere la storia dell’Intelligenza Artificiale.
I primi studi in materia di Intelligenza Artificiale, le origini e la sua storia come disciplina scientifica risalgono agli anni Cinquanta. Fu proprio in questo periodo di grande fermento scientifico che si tenne il primo convegno a cui presero parte i maggiori esperti di informatica dell’epoca. Tra questi grandi esperti c’era anche Alan Turing, considerato uno dei padri dell’informatica moderna.
È stato proprio grazie aTuring che l’Intelligenza Artificiale ai tempi iniziò a ricevere attenzioni da parte della comunità scientifica. Qualche anno prima, all’interno dell’articolo Computing machinery and intelligence”, Alan Turing aveva proposto un test, noto come “Test di Turing”. Secondo questo test, una macchina poteva essere considerata intelligente se il suo comportamento, osservato da un essere umano, fosse stato considerato non distinguibile da quello di una persona.
Si può dire, dunque, che una figura chiave nello sviluppo dell’Intelligenza Artificiale sia proprio Alan Turing. Costui,però, può essere considerato il padre dell’Intelligenza Artificiale solo a livello teorico. A livello pratico il contributo decisivo è stato dato da pionieri come John McCarthy, Marvin Minsky, Allen Newell e Herbert Simon, che nel 1956 organizzarono la Conferenza di Dartmouth dove il termine “Intelligenza Artificiale” venne ufficialmente coniato e dove vennero poste le basi per lo sviluppo dei primi sistemi AI funzionanti.
Dopo i primi studi degli anni Cinquanta, le aspettative sull’Intelligenza Artificiale iniziarono ad aumentare. A causa dell’assenza di una capacità di calcolo sufficiente da parte dei dispositivi, però, ben presto il concetto di Intelligenza Artificiale si frammentò in due teorie distinte. Queste teorie sono, tutt’oggi, condivise e permettono di distinguere le due tipologie di AI, quali Intelligenza Artificiale Forte e Intelligenza Artificiale Debole. Vediamole più nel dettaglio di seguito.
Secondo questa teoria le macchine sono in grado di sviluppare una coscienza di sé, che studia sistemi in grado di replicare l’intelligenza umana. Il paradigma è supportato dal campo di ricerca dell’Intelligenza Artificiale Generale (AGI), che studia i sistemi in grado di replicare l’intelligenza umana. Tuttavia, buona parte della comunità scientifica ritiene che quest’ultima non possa essere replicata.
Secondo l’AI Debole è possibile sviluppare macchine in grado di risolvere problemi specifici senza avere però coscienza delle attività svolte (come avviene ad esempio nel gioco degli scacchi). L’obiettivo di questa teoria non è dunque quello di realizzare macchine dotate di intelligenza umana. Il fine ultimo, infatti, è quello di avere sistemi in grado di svolgere una o più funzioni umane complesse.
Dopo aver spiegato in modo approfondito e compreso le origini e il significato di Intelligenza Artificiale, possiamo iniziare a comprendere cosa può fare l’Intelligenza Artificiale.
L’AI può essere applicata a diversi ambiti. L’Osservatorio Artificial Intelligence ha elencato sei classi di soluzioni di IA adottate (o adottabili) dalle imprese e distinte in base alle finalità d’utilizzo.
Tra le applicazioni Intelligenza Artificiale, il Chatbot, o Assistente Virtuale, è una delle soluzioni più diffuse tra le aziende italiane e internazionali. Gli assistenti virtuali sono strumenti capaci offrire assistenza 24/7 sia ai clienti che ai dipendenti.
Un’altra applicazione di Intelligenza Artificiale è il Natural Language Processing (NLP), letteralmente “elaborazione del linguaggio naturale”. Le tecniche di NLP si pongono l’obiettivo di creare sistemi in grado di favorire l’interazione e la comprensione uomo/macchina. L’NLP è un algoritmo di apprendimento che si occupa principalmente di testi.
Tra le applicazioni di Intelligenza Artificiale, la Computer Vision (o visione artificiale) è una delle più importanti. Questa, infatti, studia gli algoritmi e le tecniche per permettere ai computer di raggiungere una comprensione di alto livello del contenuto di immagini o video.
La classe di soluzioni degli IDP (acronimo di Intelligent Data Processing, che in italiano significa “Elaborazione Intelligente dei Dati”) è quella più ampia dal punto di vista delle applicazioni dell’Intelligenza Artificiale. Qui vi rientrano tutte quelle soluzioni che utilizzano algoritmi di AI – su dati strutturati e non – per finalità collegate all’estrazione delle informazioni presenti nei dati stessi.
Gli algoritmi di raccomandazione sono il pilastro del modello di business di tutte le piattaforme Social e di eCommerce. Per esempio, sia Amazon che Netflix ne fanno largamente utilizzo. Alla base di questi sistemi ci sono algoritmi di Intelligenza Artificiale che tengono traccia delle azioni dell’utente. Comparandole, poi, con quelle degli altri utenti, apprendono le preferenze e sono in grado di produrre suggerimenti più precisi al fine di migliorare l’esperienza dell’utente sulla piattaforma.
Le soluzioni fisiche di Intelligenza Artificiale, ancora poco diffuse in Italia, si dividono in tre categorie. La prima sono i veicoli autonomi, la seconda consiste negli Autonomous Robot, robot in grado di muoversi senza l’intervento umano, e la terzacategoria è quella degli Intelligent Object, capaci di compiere azioni senza l’intervento umano e di prendere decisioni in base alle condizioni dell’ambiente circostante.
Le applicazioni relative all’Intelligenza Artificiale sono quindi molteplici e, in questo scenario, comprendere in profondità il funzionamento dell’IA non è semplice. Per trasformarle in un modello di business per la propria azienda, l’Osservatorio Artificial Intelligence ha elaborato un modello interpretativo in grado di descrivere al meglio la complessità delle tecnologie basate su logica IA. Questo modello prevede di partire da una specifica soluzione di AI (dai Chatbot ai Recommendation Systems, fino agli Intelligent Objects), per poi definire l’insieme di capacità necessarie per tale soluzione (come l’elaborazione del linguaggio naturale), identificare le metodologie per implementare tali capacità e scegliere le tecnologie per rendere operative tali metodologie.
Una spiegazione di come funziona l’Intelligenza Artificiale può partire dalla comprensione dei sistemi di RPA, che automatizzano attività ripetitive simulando il comportamento umano. Nell’ambito dello sviluppo di sistemi intelligenti, il Machine Learning rappresenta una delle strade più diffuse per applicare l’IA, permettendo ai sistemi – compresi quelli RPA – di apprendere dai dati e migliorare le proprie prestazioni in autonomia.
Scopriamo ora più dettagliatamente cosa si intende per RPA e per Machine Learning.
L’RPA (acronimo di Robotic Process Automation) è una tecnologia che utilizza bot software per automatizzare attività ripetitive e strutturate, solitamente svolte da operatori umani. Questi bot eseguono operazioni predefinite come l’inserimento dati, la compilazione di moduli, la gestione di email o l’estrazione di informazioni da documenti.
In passato, i sistemi di RPA si limitavano a seguire regole rigide e processi molto precisi. Oggi, però, l’integrazione tra RPA e Intelligenza Artificiale ha rivoluzionato il loro potenziale. L’IA permette infatti ai bot di andare oltre la semplice automazione “meccanica”: questi sono così dotati di diverse proprietà, che possiamo chiamare “capacità”, poiché si ispirano direttamente alle abilità degli esseri umani (come capire testi, interpretare immagini, prendere decisioni basate su dati o addirittura apprendere dai propri errori).
In pratica, l’IA aggiunge “intelligenza” ai bot dell’RPA, dotandoli di capacità come:
Le applicazioni di Intelligenza Artificiale integrate ai sistemi RPA funzionano grazie all’uso di algoritmi di Machine Learning, che permettono ai bot di apprendere dai dati e migliorare nel tempo senza essere programmati in modo rigido. Questo consente loro di adattarsi a situazioni nuove e prendere decisioni più autonome.
Quando parliamo di apprendimento automatico o Machine Learning (ML) ci riferiamo a quei sistemi in grado di apprendere dall’esperienza, ovvero di migliorare le proprie prestazioni analizzando i dati a cui sono esposti.
In pratica, invece di essere programmati con istruzioni rigide per ogni compito (come accade nei sistemi RPA), questi sistemi utilizzano algoritmi specifici per individuare schemi ricorrenti nei dati, apprendere dagli esempi e adattare il proprio comportamento. In questo modo possono svolgere attività come riconoscere immagini, comprendere testi, fare previsioni o prendere decisioni. Il Machine Learning è una componente fondamentale dell’Intelligenza Artificiale moderna, perché rende le macchine più flessibili, autonome e capaci di evolvere nel tempo.
Tuttavia, a questa flessibilità si accompagna spesso una maggiore complessità dei modelli, soprattutto nelle tecniche più sofisticate come il Deep Learning. In molti casi, anche quando un modello è altamente performante, non è facilmente comprensibile il motivo per cui prende una certa decisione. Questo fenomeno è noto come problema della “scatola nera” (black box), e rappresenta una delle principali sfide dell’AI moderna.
Proprio per affrontare questo problema, una delle sei principali tipologie di Machine Learning è dedicata esplicitamente alla “apertura della scatola nera”: si tratta dell’Explainable Regression & Classification, che include tecniche progettate per rendere i modelli più interpretabili, permettendo di comprendere su quali dati e logiche si basano le decisioni prese dal sistema.
Insieme al Deep Learning e all’Explainable Regression & Classification esistono altre quattro tipologie di ML, quali:
Nei prossimi paragrafi si cercherà di dare alcune definizioni di queste metodologie del Machine Learning appena elencate, cercando di fare maggiore chiarezza sul funzionamento dell’AI.
La Model Prediction, o Modellazione Predittiva, è un’area del Machine Learning chepermette di raccogliere informazioni dai dati a disposizione e apprendere modelli da applicare a nuovi dati. Questi modelli sono a loro volta capaci di operare su nuovi dati. La Modellazione Predittiva si pone, quindi, l’obiettivo di fare predizioni su dati o eventi nel futuro. Questo canale di applicazione dell’AI sta prendendo sempre più piede nelle aziende italiane ed è applicato specialmente in materia di prevenzione frodi, manutenzione predittiva e analisi qualitativa.
Il Deep Learning, o apprendimento approfondito, è uno degli ambiti più importanti del Machine Learning. Si tratta di un insieme di tecniche che simulano i processi di apprendimento del cervello attraverso reti neurali artificiali stratificate. In poche parole, le reti neurali, esposte a una vasta quantità di dati, calcolano i valori per gli strati successivi, poiché sono in grado di imparare da sole a svolgere determinati compiti senza la necessità di un pre-processamento dei dati.
L’Online Learning, detto anche Real Time Machine Learning, è il ramo del Machine Learning e dell’Intelligenza Artificiale, che studia tecniche di soluzione di problemi. Problemi in cui, i dati diventano disponibili sequenzialmente e le decisioni devono essere prese man mano che un dato diventa disponibile. Le decisioni si basano quindi su ciò che il sistema ha imparato in precedenza, e allo stesso tempo influenzano quali dati verranno osservati in seguito. Riassumendo, l’apprendimento influenza le decisioni, e le decisioni influenzano il prossimo apprendimento.
L’Explainable Regression & Classification, o Regressione e Classificazione Spiegabili, consiste in tecniche atte a risolvere problemi di regressione (predizione di quantità ordinali) e di classificazione, tali da permettere la spiegazione dei risultati ottenuti. In altre parole, consente di capire perché modelli di Intelligenza Artificiale per regressione e classificazione prendono determinate decisioni. Tutto ciò avviene a seguito dell’elaborazione dei dati, permettendo anche di comprendere cosa avviene nella “scatola nera” dell’apprendimento del Machine Learning.
L’Information Retrieval, in italiano “reperimento dell’informazione” è un insieme di tecniche di Machine Learning utilizzate per gestire differenti aspetti. Ad esempio, la rappresentazione, la memorizzazione, l’organizzazione e l’accesso a oggetti contenenti informazioni quali documenti, pagine web, cataloghi online e oggetti multimediali. L’obiettivo finale di questi processi consiste nel fornire all’utente le informazioni che egli ha in cercato in precedenza e che sono rilevanti per i suoi interessi.
Il Reinforcement Learning, o apprendimento per rinforzo, è una tecnica di apprendimento automatico atta a risolvere problemi decisionali sequenziali mediante il conseguimento di determinati obiettivi. Tutto ciò avviene tramite l’interazione con l’ambiente in cui opera, osservando gli effetti che l’azione scelta hanno avuto sull’ambiente. Un agente che apprende con algoritmi di reinforcement impara a prendere le decisioni ottimali attraverso un approccio empirico del tipo “trial-and-error” (ossia apprendendo per tentativi).
Quando si parla di Intelligenza Artificiale si pensa quasi subito, insieme al Machine Learning, alle ultime piattaforme sbarcate sul mercato ormai da qualche anno, in particolare ChatGPT, ma anche Gemini, Bing AI o la più recente Deepseek. Tutte queste piattaforme si basano sull’AI Generativa, o Intelligenza Artificiale Generativa, o ancora Generative AI.
L’AI Generativa è un tipo di Intelligenza Artificiale che utilizza algoritmi di Machine Learning per generare nuovi contenuti che in precedenza si basavano sulla creatività dell’uomo. Questi contenuti possono essere ad esempio testo, audio, immagini, video e codice informatico.
Insieme al Machine Learning, anche il Deep Learning è alla base di molti strumenti di AI Generativa moderni, come GPT, DALL·E o BERT, noti come “modelli fondazionali”. Nello specifico, i foundation model per l’interpretazione del linguaggio naturale, quali quelli appena citati, prendono oggi il nome Large Language Model (LLM).
A partire dal rilascio di algoritmi di Intelligenza Artificiale Generativa al grande pubblico, queste soluzioni hanno acquisito nuove funzionalità. I Chatbot, per esempio, sono molto più capaci e flessibili. I modelli fondativi capaci di elaborare testi (come GPT 3.5 e GTP4) hanno anche contribuito notevolmente all’aumento delle performance degli NLP. Modelli fondativi capaci di generare immagini (come DALL-E) hanno invece portato cambiamenti radicali nell’ambito della Computer Vision.
Il primo programma di Generative AI che ha mostrato al grande pubblico le opportunità di questo ramo dell’Intelligenza Artificiale è stato ChatGPT. Lanciato sul mercato nel novembre 2022 dall’impresa statunitense OpenAI, il programma ha avuto un immediato successo.
ChatGPT, sfruttando gli algoritmi di Intelligenza Artificiale di apprendimento automatico, è in grado di svolgere moltissime funzioni. Dal dialogo con gli utenti, alla stesura di testi (come articoli, ricette, e-mail, ecc.), alla generazione di immagini (tramite l’integrazione con DALL-E nella versione a pagamento, ChatGPT 4), ma non solo. ChatGPT, infatti, è in grado di analizzare e compilare snippet di codice in diversi linguaggi di programmazione. La versione base del tool si basa sul modello fondativo linguistico GPT-3.5 (Generative Pretrained Transformer), mentre ChatGPT 4, a pagamento, utilizza il modello GPT 4. Quest’ultimo è multimodale, in grado, cioè di comprendere e rispondere a input (che prendono il nome di “prompt”) sia testuali che visivi.
Per quanto riguarda l’aggiornamento delle informazioni, ChatGPT 3.5 e 4 si basano su dati addestrati fino a gennaio 2022 e fine 2023. Nelle versioni più avanzate, come ChatGPT-4 Turbo, è però possibile superare questo limite grazie a funzionalità come la navigazione web o tecniche simili alla Retrieval-Augmented Generation (RAG), che permettono al modello di accedere a fonti esterne o documenti caricati, fornendo così risposte più aggiornate.
A gennaio 2025, OpenAI ha inoltre introdotto o3-mini, un modello distinto dalla linea GPT, progettato specificamente per compiti di ragionamento matematico, scientifico e di programmazione. o3-mini, ora disponibile anche per gli utenti del piano gratuito, appartiene a una nuova famiglia di modelli ottimizzati per prestazioni elevate, latenza ridotta e uso efficiente delle risorse.
Dopo mesi di studio e di esperimenti negli Stati Uniti, anche Google ha lanciato la propria piattaforma di Intelligenza Artificiale Generativa con il nome di Google Bard. Bard è stato redo disponibile in Italia a partire dal 13 luglio 2023. L’8 febbraio 2024 Bard ha poi cambiato nome in Gemini che, proprio come ChatGPT, è una piattaforma multimodale. Il rebranding è avvenuto in concomitanza con il lancio di Gemini Advanced. Si tratta di una versione premium che sfrutta appieno le potenzialità di Gemini 2.0, il modello linguistico avanzato e potente di Google, progettato per interazioni multimodali e una comprensione più profonda del contesto.
Gemini vanta diverse peculiarità fin dalla sua prima versione, Bard. Una delle sue principali caratteristiche è la possibilità di poter essere integrato con gli altri servizi Google, come Google Documenti e Gmail. Un’altra sua caratteristica riguarda l’aggiornamento delle informazioni, in quanto può attingere da Google stesso, e quindi una grandissima mole di dati.
Copilot è l’iniziativa di Microsoft per integrare l’Intelligenza Artificiale nei suoi prodotti, partendo da Microsoft 365 e arrivando a Windows 11, Edge e Bing. Al centro di questa strategia c’è Bing AI, un’evoluzione del motore di ricerca Bing che utilizza modelli linguistici avanzati per fornire risposte più precise e contestuali alle ricerche degli utenti.
L’obiettivo di Microsoft è creare un “compagno” digitale che assista l’utente in modo personalizzato. Con Copilot Pro, l’azienda offre un accesso avanzato all’AI, permettendo la personalizzazione dell’esperienza e segnando un passo verso un’AI più adattabile e precisa.
DeepSeek è un sistema di Intelligenza Artificiale generativa con prestazioni comparabili ai principali LLM internazionali. La startup cinese DeepSeek, fondata nel 2023, ha negli anni sviluppato modelli, quali DeepSeek-V2 e V3, che hanno dimostrato prestazioni superiori rispetto ad altre piattaforme. Il modello DeepSeek-R1, lanciato a gennaio 2025, ha dimostrato capacità comparabili a quelle di ChatGPT, ma con un costo di addestramento significativamente inferiore, stimato in 6 milioni di dollari rispetto ai 100 milioni di dollari di GPT-4. Inoltre, nel marzo 2024, è stato sviluppato DeepSeek-VL, un foundation model multimodale in grado di elaborare contemporaneamente input testuali e visivi, ideale per applicazioni che richiedono comprensione e generazione di contenuti su più canali informativi.
Molti sono gli ambiti in cui l’Intelligenza Artificiale si sta sviluppando, dalla medicina alla sicurezza informatica. In generale, il ruolo dell’AI è quello di supportare le figure professionali, come medici o manager, ma senza sostituirli. Di seguito riportiamo alcuni tra i principali esempi di IA applicata all’Innovazione Digitale.
Studiare l’Intelligenza Artificiale significa acquisire competenze, tecnologie e tecniche utili a guidare l’innovazione e il cambiamento culturale nel rapporto tra aziende e consumatori. Restano però aperti interrogativi etici, legali e sociali, in particolare sull’impatto dell’IA sul lavoro e sulla società. La domanda centrale è se l’IA rappresenti una minaccia o un’opportunità, e se le macchine potranno davvero superare l’intelligenza umana.
Per quanto riguarda il lavoro, dalla Ricerca dell’Osservatorio emerge che il potenziale di automazione dell’AI su mercato del lavoro nazionale al 2023 è del 50%. Considerando però i fattori di adozione tecnologica, la cifra scende a 3,8 milioni di posti di lavoro automatizzabili al 2023.
Allo stesso tempo, il numero di contributori attivi necessari al sostentamento del sistema previdenziale che vedrà da qui al 2033 un incremento del numero di pensionati pari a 2,3 milioni di persone, dovrà aumentare di 5,6 milioni di lavoratori. Dato però l’attuale quadro demografico del nostro Paese, si tratta di un valore è irraggiungibile. In questo contesto, la tecnologia è indispensabile per aumentare la produttività dei lavoratori attivi.
Nel futuro occorrerà, comunque, capire quali professionalità saranno le più coinvolte da questa rivoluzione tecnologica e come incideranno le soluzioni di Job Automation (affiancamento e intensificazione delle capacità del lavoro dell’uomo) sul sistema previdenziale. Una sola cosa è certa: l’innovazione è una necessità e non una minaccia. Le piattaforme, sia testuali che visive, possono infatti fornire una buona base per il proprio lavoro, attraverso spunti e nuove idee. Tuttavia, non sostituiscono il lavoro dell’uomo.
Se si vogliono analizzare le sfide etiche dell’Intelligenza Artificiale, bisogna dividere in due le tipologie di rischi che possono evidenziarsi con l’applicazione di questa nuova tecnologia AI. Si possono individuare le implicazioni che derivano dalle scelte progettuali degli sviluppatori e quelle sulla nostra società.
Ecco di seguito le problematiche etiche che possono emergere in fase di progettazione e sviluppo della soluzione di AI in azienda qualora i processi non siano adeguatamente presidiati:
Tra i rischi dell’Intelligenza Artificiale (IA) ci sono, poi, alcune implicazioni che riguardano direttamente persone, società e sistema economico-politico:
Per mitigare i rischi in materia di AI e porre le basi per raggiungere un equilibrio con lo sviluppo di una forte economia del settore, l’Unione Europea ha introdotto l’AI Act (Artificial Intelligence Act) è il primo regolamento al mondo sull’Intelligenza Artificiale. Il suo obiettivo è quello di far sì che i sistemi di AI che si trovano all’interno del mercato europeo siano sicuri e rispettino i diritti dell’UE.
Nello specifico l’AI Act prevede di classificare i sistemi di AI in base al loro livello di rischio e di normare tali sistemi, di conseguenza, introducendo anche requisiti e obblighi per la loro immissione nel mercato europeo. Per i sistemi il cui rischio è considerato inaccettabile si giungerà, pertanto, al divieto di utilizzo.
Presentato per la prima volta ad aprile 2021, l’AI Act è stato approvato dal Parlamento Europeo il 13 marzo 2024. Il Regolamento è in vigore dal 2 Agosto del 2024 e sarà pienamente applicabile dal 2 Agosto del 2026. Tuttavia, l’applicazione di alcune disposizioni è anticipata al 2025.
L’Italia non aveva una legislazione specifica dedicata all’Intelligenza Artificiale prima dell’AI Act europeo, ma diverse normative esistenti si applicavano comunque alle tecnologie di IA:
Inoltre, prima dell’AI Act, l’Italia aveva già intrapreso alcune iniziative strategiche, come la “Strategia Nazionale per l’Intelligenza Artificiale” pubblicata dal MISE nel 2020, che delineava linee di indirizzo per lo sviluppo dell’IA in Italia, pur non essendo un intervento normativo in senso stretto.
Dopo aver scoperto insieme cos’è l’Intelligenza Artificiale sia nella teoria che nella pratica, è doveroso concentrarsi sul livello di diffusione in Italia di questo paradigma tecnologico.
Secondo la Ricerca dell’Osservatorio Artificial Intelligence nel 2024 il mercato dell’Intelligenza Artificiale in Italia raggiunge un nuovo record, con un valore stimato di 1,2 miliardi di euro e una crescita del +58% rispetto al 2023.
La Generative AI traina il mercato grazie a nuove sperimentazioni. Infatti, il 43% del valore di mercato è frutto di soluzioni esclusivamente di GenAI o di progetti ibridi (che includono nelle tecniche di sviluppo sia l’AI Generativa che l’AI tradizionale). Il restante 57% rimane invece frutto di progettualità in larga parte riguardanti il Machine Learning tradizionale.
Per quanto riguarda le grandi aziende, in Italia l’81% delle realtà ha almeno iniziato a valutare o ha già attivato progettualità di Intelligenza Artificiale, contro una media europea dell’89%. È pur vero, però, che il 25% dichiara di avere progettualità a regime diffuse, percentuale superiore a Paesi come Germania, Regno Unito e Francia.
La situazione delle PMI è molto lontana rispetto alle grandi realtà. Il 58% delle piccole e media è interessata al tema dell’AI, grazie soprattutto all’attenzione mediatica e allo sviluppo di un mercato di strumenti pronti all’uso e low-cost. Però, solo il 7% delle piccole imprese e il 15% delle medie dichiarano di aver avviato progettualità in tale ambito.
Contenuti suggeriti dell’Osservatorio Artificial Intelligence
