Verso una infrastruttura pubblica dell’Intelligenza Artificiale

Prima ancora di discutere di modelli, algoritmi, data center, cloud o capacità computazionale, è necessario affrontare il livello più profondo dell’Intelligenza Artificiale: la costruzione del significato. Un sistema di AI non interpreta direttamente la realtà, ma le rappresentazioni che ne vengono costruite. Tali rappresentazioni sono costituite da dati, attributi, categorie, relazioni, eventi, classificazioni e regole interpretative. Quando questi elementi non sono definiti secondo criteri condivisi, la macchina può elaborare enormi quantità di informazioni senza comprendere realmente il significato che esse assumono nel contesto amministrativo, sanitario, industriale, economico o giuridico in cui vengono utilizzate.

La semantica rappresenta il livello che attribuisce significato ai dati; l’ontologia costituisce invece la struttura formale che organizza quel significato in modo computabile. In termini scientifici, un’ontologia descrive un dominio di conoscenza identificando i concetti fondamentali, le relazioni che li collegano, gli attributi che li caratterizzano, le regole attraverso cui possono essere derivate nuove informazioni e i vincoli logici che impediscono interpretazioni incoerenti o incompatibili. L’ontologia non è quindi un semplice vocabolario evoluto, ma una vera architettura della conoscenza che consente a persone, organizzazioni e sistemi intelligenti di condividere non soltanto lo stesso linguaggio, ma anche la stessa interpretazione della realtà.

La qualità dell’Intelligenza Artificiale dipende direttamente dalla qualità di questa rappresentazione. Due amministrazioni possono utilizzare lo stesso termine attribuendogli significati differenti; due ospedali possono classificare la medesima patologia secondo criteri diversi; una Regione, un Ministero e un Comune possono descrivere lo stesso procedimento amministrativo con modelli informativi incompatibili. In tutti questi casi il problema non riguarda la qualità del dato, ma la qualità del significato associato al dato. Una banca dati può essere completa, aggiornata e formalmente corretta, rimanendo tuttavia semanticamente fragile. L’algoritmo produrrà quindi risultati apparentemente coerenti, costruiti però su categorie concettuali instabili. Una parte significativa del rischio algoritmico nasce proprio da questa rappresentazione incompleta o ambigua del dominio di conoscenza e precede il funzionamento stesso del modello.

Per costruire una infrastruttura pubblica del significato è necessario sviluppare una architettura semantica articolata su cinque livelli progressivi. Il primo consiste nella definizione di un vocabolario controllato, attraverso cui vengono uniformati i termini fondamentali di ciascun dominio. Il secondo riguarda la costruzione di tassonomie che organizzano i concetti secondo gerarchie coerenti. Il terzo livello è costituito dall’ontologia propriamente detta, nella quale vengono formalizzate relazioni, proprietà e dipendenze tra i concetti. Il quarto prevede la trasformazione dell’ontologia in un knowledge graph, capace di rendere tali relazioni interrogabili e utilizzabili dai sistemi informatici. Il quinto introduce il livello inferenziale, consentendo ai sistemi di AI di individuare anomalie, verificare coerenze e produrre nuova conoscenza attraverso processi di inferenza automatica. Questo percorso rappresenta il passaggio dalla semplice digitalizzazione documentale alla costruzione di una vera infrastruttura della conoscenza. È il presupposto perché la Pubblica Amministrazione possa evolvere verso un modello di intelligenza istituzionale computabile.

La costruzione di ontologie pubbliche richiede inevitabilmente una governance multidisciplinare. La definizione del significato non può essere affidata esclusivamente agli informatici, poiché coinvolge competenze organizzative, giuridiche, economiche, sociali e linguistiche. Le Regioni possono svolgere il ruolo di coordinamento territoriale individuando i domini prioritari; le Pubbliche Amministrazioni contribuiscono con la conoscenza dei procedimenti e dei dati amministrativi; università e centri di ricerca apportano competenze in ingegneria della conoscenza, intelligenza artificiale, data science, diritto, economia e linguistica computazionale; le imprese tecnologiche sviluppano gli strumenti di rappresentazione semantica, mentre le imprese dei diversi settori economici trasferiscono il linguaggio operativo dei rispettivi domini. Gli ordini professionali contribuiscono alla formalizzazione delle prassi specialistiche e il Terzo Settore, insieme alle Giurie di Comunità per l’AI, verifica che le categorie adottate rappresentino correttamente i bisogni delle persone e dei territori.

In questo contesto Fondazione ENIA potrebbe svolgere una funzione di raccordo metodologico tra tutti gli attori coinvolti, favorendo la costruzione, la validazione e l’evoluzione della semantica pubblica dell’Intelligenza Artificiale. Il Congresso propone pertanto l’avvio di un Atlante Semantico Pubblico per l’Intelligenza Artificiale, concepito come programma permanente di ricerca e collaborazione. Il progetto potrebbe svilupparsi attraverso la mappatura dei domini prioritari, la raccolta dei vocabolari esistenti presso amministrazioni, imprese e università, la realizzazione di ontologie pilota nei principali ambiti di interesse pubblico, la loro trasformazione in knowledge graph interoperabili e la successiva sperimentazione con sistemi di AI predittiva e generativa per misurarne gli effetti in termini di interoperabilità, accuratezza, tracciabilità e affidabilità. L’obiettivo finale è costruire una infrastruttura pubblica del significato, patrimonio condiviso capace di consentire a istituzioni, imprese e cittadini di partecipare alla costruzione di un ecosistema di Intelligenza Artificiale affidabile, interoperabile e trasparente. Perché, in definitiva, gli algoritmi possono elaborare dati; soltanto una semantica condivisa consente loro di elaborare conoscenza.

Se le ontologie rappresentano il linguaggio attraverso cui l’Intelligenza Artificiale interpreta il mondo, l’Edge Computing costituisce l’infrastruttura fisica che le consente di operare in modo distribuito, resiliente e vicino ai luoghi in cui i dati vengono prodotti. L’idea di fondo è semplice: anziché trasferire continuamente enormi quantità di informazioni verso grandi infrastrutture cloud centralizzate, una parte significativa dell’elaborazione viene eseguita direttamente presso la sorgente del dato. Ospedali, scuole, stabilimenti produttivi, reti energetiche, aeroporti, porti, sistemi di trasporto, municipi, sensori ambientali e infrastrutture critiche possono così diventare nodi intelligenti di una rete computazionale distribuita. In questo modello il dato non viene semplicemente raccolto e trasmesso, ma può essere validato, filtrato, anonimizzato, arricchito semanticamente e utilizzato per produrre inferenze locali prima di essere eventualmente condiviso con altre infrastrutture. Tale approccio riduce la latenza, limita il traffico di rete, migliora la continuità operativa e rafforza il controllo sui dati strategici.

Per questo motivo l’Edge Computing rappresenta una componente fondamentale della sovranità infrastrutturale. La questione assume una rilevanza che va ben oltre l’ambito tecnologico. Chi controlla la capacità di elaborazione controlla anche tempi di risposta, livelli di sicurezza, continuità dei servizi, dipendenze tecnologiche e resilienza dell’intero sistema. La sovranità infrastrutturale non implica isolamento rispetto ai grandi operatori globali, ma la possibilità di scegliere consapevolmente quali processi mantenere sotto controllo pubblico o industriale, quali dati elaborare localmente e quali servizi affidare a infrastrutture esterne. Per una regione ad alta intensità produttiva come la Lombardia questa scelta riguarda direttamente sanità, manifattura avanzata, mobilità, energia, finanza, ricerca e pubblica amministrazione. Un sistema sanitario che utilizza algoritmi per la diagnostica, il monitoraggio territoriale o il triage non può dipendere esclusivamente da infrastrutture remote. Analogamente, una fabbrica intelligente deve poter elaborare in tempo reale i dati provenienti da robot, macchine e sensori, mentre una rete di protezione civile deve continuare a funzionare anche in presenza di connettività degradata o di eventi che compromettano le infrastrutture centrali.

Dal punto di vista tecnico, una moderna architettura Edge si sviluppa come una filiera integrata. Alla base vi è il livello sensoriale, costituito da dispositivi IoT, sistemi industriali, apparecchiature sanitarie, telecamere e reti di monitoraggio. Segue un livello di pre-elaborazione, nel quale i dati vengono normalizzati, verificati, anonimizzati e preparati per l’utilizzo. L’inferenza locale consente quindi a modelli di Intelligenza Artificiale di operare direttamente sul territorio, generando classificazioni, previsioni, segnalazioni e supporto decisionale senza ricorrere necessariamente a infrastrutture centrali. L’orchestrazione edge-cloud coordina successivamente la distribuzione dei dati e dei modelli, stabilendo quali informazioni rimangano localmente e quali debbano essere condivise. A questo si affiancano i livelli dedicati alla sicurezza, alla governance e alla tracciabilità delle operazioni, fino ad arrivare al livello semantico, che collega direttamente questo pilastro al precedente. Infatti, una rete distribuita di nodi Edge produce reale valore soltanto se tutti interpretano il dato secondo ontologie condivise. In assenza di una semantica comune, ogni nodo genera conoscenza locale difficilmente integrabile con quella prodotta dagli altri.

Per un decisore pubblico, progettare una infrastruttura Edge significa costruire una rete di nodi territoriali distribuiti presso ospedali, università, poli industriali, data center regionali, centrali operative, reti energetiche e infrastrutture strategiche. Ogni nodo deve essere in grado di acquisire dati, verificarne provenienza e qualità, applicare criteri di sicurezza, eseguire modelli di AI in prossimità della sorgente informativa, conservare evidenze delle operazioni svolte e dialogare con infrastrutture cloud pubbliche, private o sovrane. Il risultato è una architettura ibrida nella quale la capacità computazionale viene distribuita in funzione delle esigenze operative: locale quando prevalgono esigenze di tempestività e controllo, centrale quando occorre maggiore potenza elaborativa, federata quando diventa necessario condividere conoscenza tra territori e organizzazioni. La realizzazione di una simile infrastruttura richiede una collaborazione stabile tra istituzioni regionali, amministrazioni locali, università, politecnici, imprese tecnologiche, gestori di infrastrutture critiche, operatori delle telecomunicazioni, industria manifatturiera, organismi di standardizzazione e autorità competenti in materia di cybersecurity e compliance. Ciascuno di questi soggetti contribuisce con competenze complementari: dalla progettazione delle architetture alla definizione degli standard, dalla gestione delle reti allo sviluppo dei modelli, fino alla valutazione della sicurezza e dell’impatto organizzativo.

In questo quadro, Fondazione ENIA potrebbe svolgere un ruolo di raccordo metodologico tra i diversi attori, favorendo il dialogo tra dimensione tecnologica, governance, semantica, AI Literacy e politiche di innovazione. Il Congresso propone pertanto l’avvio della Rete Italiana dei Nodi Edge per l’AI Pubblica, un programma di sperimentazione volto a individuare i domini prioritari, progettare nodi territoriali interoperabili, definire requisiti tecnici comuni, integrare le architetture con le ontologie pubbliche, sperimentare casi applicativi ad alto impatto e valutare progressivamente risultati, sicurezza e modelli di scalabilità regionale e nazionale. L’obiettivo finale è dotare il Paese di una capacità computazionale distribuita che renda possibile un utilizzo dell’Intelligenza Artificiale più sicuro, resiliente e coerente con le esigenze dei territori. La sovranità digitale non si costruisce esclusivamente attraverso le norme, ma attraverso infrastrutture capaci di mantenere sotto controllo i processi strategici, garantendo al tempo stesso interoperabilità, sicurezza, continuità operativa e autonomia decisionale. In questa prospettiva, l’Edge Computing rappresenta il naturale complemento dell’infrastruttura semantica, trasformando il significato condiviso in capacità operativa distribuita.

Dopo aver definito il linguaggio comune attraverso le ontologie e costruito la capacità computazionale mediante infrastrutture distribuite, il terzo pilastro riguarda la capacità delle persone di comprendere, governare e utilizzare consapevolmente tali strumenti. L’Intelligenza Artificiale, infatti, non è soltanto una tecnologia, ma una trasformazione cognitiva che modifica il modo in cui individui, organizzazioni e istituzioni producono conoscenza, assumono decisioni e interpretano la realtà. L’AI Literacy rappresenta pertanto l’infrastruttura cognitiva dell’ecosistema AI. Essa non coincide con l’alfabetizzazione digitale tradizionale, né con la semplice capacità di utilizzare applicazioni o piattaforme di Intelligenza Artificiale. Riguarda invece la comprensione dei principi che regolano il funzionamento dei sistemi intelligenti: come vengono costruiti i modelli, quali dati utilizzano, come apprendono, quali limiti presentano, quali errori possono produrre e quali condizioni ne determinano l’affidabilità. Questa consapevolezza rappresenta oggi un fattore strategico per la competitività economica, la resilienza delle istituzioni e la qualità della democrazia.

Ogni rivoluzione tecnologica è stata accompagnata da una corrispondente evoluzione culturale: l’alfabetizzazione ha sostenuto la società industriale, l’informatica ha accompagnato la trasformazione digitale, mentre l’AI Literacy costituisce il presupposto della nuova economia della conoscenza. La peculiarità dell’Intelligenza Artificiale risiede infatti nella capacità di produrre contenuti, formulare ipotesi, sintetizzare informazioni, assistere processi decisionali e generare nuova conoscenza. Ciò determina una nuova forma di disuguaglianza, sempre meno legata all’accesso alla tecnologia e sempre più collegata alla capacità di comprenderne il funzionamento. L’infrastruttura cognitiva deve quindi svilupparsi lungo sei direttrici complementari. La prima riguarda la comprensione dei fondamenti computazionali dell’AI, dei modelli di apprendimento, dei dati e dei processi inferenziali. La seconda interessa la qualità dell’informazione, la provenienza dei dati, la loro affidabilità, tracciabilità e contestualizzazione. La terza concerne la dimensione semantica, ovvero la capacità di comprendere come vengono costruite ontologie, tassonomie e rappresentazioni della conoscenza, elemento che collega direttamente questo pilastro al precedente dedicato alla semantica pubblica. La quarta riguarda gli aspetti etici e giuridici, comprendendo responsabilità, trasparenza, accountability, tutela dei diritti e gestione dei rischi algoritmici. La quinta interessa la dimensione organizzativa, necessaria per integrare l’Intelligenza Artificiale nei processi decisionali senza generare nuove vulnerabilità. La sesta, infine, riguarda la dimensione strategica, indispensabile per comprendere gli impatti dell’AI sulla competitività, sull’innovazione, sul lavoro, sulla sicurezza economica e sulla sovranità tecnologica.

L’insieme di queste competenze costituisce quello che può essere definito il capitale cognitivo nazionale per l’Intelligenza Artificiale. La sua costruzione rappresenta oggi una priorità strategica almeno quanto lo sviluppo delle infrastrutture digitali. Nei prossimi anni il principale divario non sarà infatti determinato soltanto dall’accesso alle tecnologie, ma dalla capacità di comprenderle. Accanto al tradizionale digital divide si sta progressivamente delineando un AI Divide, destinato a separare cittadini, imprese e istituzioni in grado di governare l’Intelligenza Artificiale da coloro che ne utilizzeranno esclusivamente le interfacce, rimanendo dipendenti dalle decisioni e dalle logiche sviluppate da altri. Per una piccola impresa questo significa poter valutare criticamente gli strumenti che intende adottare, evitando dipendenze tecnologiche e investimenti non sostenibili. Per una Pubblica Amministrazione significa introdurre sistemi intelligenti mantenendo il controllo dei processi decisionali e della responsabilità amministrativa. Per i cittadini significa sviluppare gli strumenti culturali necessari per riconoscere manipolazioni informative, contenuti sintetici, bias, allucinazioni algoritmiche e nuove forme di disinformazione. L’AI Literacy diventa così una misura preventiva di resilienza collettiva e di sicurezza cognitiva.

La costruzione di questa infrastruttura richiede un’azione coordinata. Le Regioni possono integrare l’AI Literacy nelle politiche di innovazione, sviluppo economico e formazione; università e centri di ricerca possono sviluppare percorsi interdisciplinari capaci di coniugare informatica, diritto, economia, organizzazione e scienze sociali; il sistema scolastico rappresenta il primo presidio di educazione critica all’Intelligenza Artificiale; imprese e pubbliche amministrazioni devono promuovere programmi permanenti di aggiornamento professionale; gli ordini professionali possono contribuire alla diffusione di competenze specialistiche nei diversi ambiti applicativi, mentre il Terzo Settore svolge un ruolo fondamentale nel coinvolgimento delle fasce di popolazione più esposte al rischio di esclusione cognitiva.

In questo contesto Fondazione ENIA potrebbe assumere una funzione di coordinamento metodologico, favorendo la definizione di standard nazionali, metriche di maturità, percorsi di certificazione e modelli condivisi di AI Literacy. Il Congresso propone pertanto l’avvio di un Piano Nazionale di AI Literacy e Resilienza Cognitiva, finalizzato a costruire un framework unitario delle competenze, promuovere programmi territoriali di alfabetizzazione, sviluppare sistemi di valutazione della maturità cognitiva e sostenere una rete permanente di collaborazione tra scuole, università, imprese, pubbliche amministrazioni e Terzo Settore. Se il primo pilastro costruisce il significato e il secondo realizza l’infrastruttura computazionale, il terzo costruisce la capacità di comprendere entrambi. Le società che guideranno l’evoluzione dell’Intelligenza Artificiale non saranno necessariamente quelle che disporranno dei modelli più potenti, ma quelle che avranno investito nella diffusione della conoscenza, del pensiero critico e della capacità di governo della tecnologia. In questa prospettiva, l’AI Literacy assume il valore di una vera infrastruttura strategica nazionale, destinata a incidere sulla qualità delle decisioni pubbliche, sulla competitività delle imprese e sulla capacità del Paese di affrontare con autonomia la trasformazione dell’economia e della società.

Se il primo pilastro costruisce il significato, il secondo realizza l’infrastruttura computazionale e il terzo sviluppa il capitale cognitivo, il quarto definisce il modo in cui questi elementi vengono coordinati all’interno delle organizzazioni e delle istituzioni. La governance rappresenta infatti l’infrastruttura organizzativa dell’ecosistema AI, ovvero l’insieme di regole, responsabilità, processi e meccanismi di coordinamento che consentono di trasformare una tecnologia in una capacità stabile del sistema economico e istituzionale. Ogni infrastruttura complessa richiede un modello di governo. Le reti elettriche dispongono di sistemi di dispacciamento, le infrastrutture aeroportuali operano attraverso torri di controllo e le reti ferroviarie sono coordinate da centrali operative che garantiscono sicurezza, continuità e sincronizzazione delle attività. L’Intelligenza Artificiale richiede una capacità organizzativa analoga. La disponibilità di dati, capacità computazionale e competenze diffuse non è sufficiente se manca una struttura capace di indirizzare, coordinare e monitorare il funzionamento dell’intero ecosistema.

La governance dell’AI non può quindi essere ridotta al rispetto della normativa vigente. L’AI Act costituisce un riferimento fondamentale per disciplinare obblighi e responsabilità dei fornitori e degli utilizzatori di sistemi di Intelligenza Artificiale, ma il governo dell’AI richiede una prospettiva più ampia. Significa progettare modelli decisionali, attribuire responsabilità, definire ruoli organizzativi, costruire flussi informativi affidabili, predisporre sistemi di monitoraggio e promuovere un miglioramento continuo lungo tutto il ciclo di vita delle soluzioni intelligenti. In questo senso la governance rappresenta il sistema nervoso dell’intera infrastruttura nazionale dell’AI. L’Intelligenza Artificiale modifica profondamente il funzionamento delle organizzazioni perché interviene direttamente nei processi decisionali. Che si tratti della concessione di un credito, della diagnosi clinica, della gestione del traffico, della manutenzione predittiva di infrastrutture o dell’allocazione di risorse pubbliche, ogni algoritmo introduce nuovi criteri decisionali e ridistribuisce responsabilità che in precedenza appartenevano esclusivamente alle persone. Diventa pertanto necessario stabilire chi garantisce la qualità dei dati, chi autorizza l’introduzione dei modelli, chi valuta il rischio, chi ne controlla le prestazioni nel tempo, chi interviene in caso di anomalie, chi conserva le evidenze documentali e chi assicura il dialogo con le autorità competenti. Quando queste responsabilità non vengono definite preventivamente, la tecnologia evolve più rapidamente della capacità organizzativa di governarla. È questa una delle principali criticità che caratterizza l’attuale fase di diffusione dell’AI. Molte organizzazioni stanno investendo nell’acquisto di strumenti intelligenti, mentre solo una parte limitata sta costruendo una reale capacità di governo dell’innovazione.

Per rispondere a questa esigenza, la governance deve essere concepita come un sistema multilivello. A livello strategico vengono definiti visione, obiettivi, investimenti e propensione al rischio da parte degli organi di governo e delle direzioni generali. Il livello organizzativo individua ruoli, responsabilità e competenze, coinvolgendo figure quali Chief AI Officer, Risk Manager, Data Protection Officer, responsabili della sicurezza informatica e responsabili dei processi. Il livello operativo governa il ciclo di vita dei dati e dei modelli, comprendendo validazione, monitoraggio, cybersecurity, documentazione tecnica, aggiornamento e gestione degli incidenti. A ciò si aggiunge la governance algoritmica, dedicata all’osservazione continua delle prestazioni dei modelli attraverso indicatori di accuratezza, robustezza, explainability, fairness, deriva dei dati e affidabilità operativa. Infine, la governance istituzionale assicura il coordinamento tra amministrazioni centrali, Regioni, enti locali, università, organismi di standardizzazione, imprese e autorità indipendenti, riconoscendo che l’Intelligenza Artificiale costituisce una infrastruttura trasversale che nessun soggetto può governare autonomamente. La governance deve inoltre essere interpretata come un processo continuo e non come un insieme statico di procedure. Ogni sistema di AI attraversa un ciclo di vita che comprende l’identificazione del bisogno, la valutazione preliminare, l’analisi del rischio, la selezione del modello, la validazione, l’implementazione, il monitoraggio, l’aggiornamento, gli audit periodici e, quando necessario, la dismissione. Ciascuna di queste fasi genera nuove evidenze, nuovi rischi e nuove decisioni. La funzione della governance consiste nel mantenere il controllo di questo processo, garantendone trasparenza, tracciabilità e capacità di adattamento.

La costruzione di una governance nazionale richiede quindi una collaborazione permanente tra istituzioni, territori, università, imprese, organismi di normazione e autorità indipendenti. Le amministrazioni centrali definiscono gli indirizzi strategici e il coordinamento interistituzionale; le Regioni traducono tali indirizzi nelle politiche territoriali; le pubbliche amministrazioni progettano i modelli organizzativi; il mondo accademico contribuisce con ricerca e formazione avanzata; le imprese sviluppano competenze applicative e capacità industriali; gli organismi di normazione definiscono standard e metodologie di valutazione; le autorità indipendenti garantiscono la tutela dei diritti e il corretto equilibrio tra innovazione e interesse pubblico. In questo contesto Fondazione ENIA può svolgere una funzione di raccordo metodologico tra i diversi attori dell’ecosistema, promuovendo linguaggi condivisi, metodologie comuni, percorsi di sperimentazione, formazione interdisciplinare e confronto permanente tra ricerca, industria e istituzioni.

Il Congresso propone pertanto l’istituzione di una Cabina Nazionale per la Governance dell’Intelligenza Artificiale, concepita non come un nuovo organismo regolatorio, ma come una piattaforma stabile di coordinamento tra amministrazioni, territori, università, imprese e società civile. La sua finalità sarebbe favorire la convergenza di modelli organizzativi, metodologie di valutazione, indicatori di maturità, standard operativi e buone pratiche, contribuendo alla costruzione di un ecosistema nazionale coerente e interoperabile. La sessione congressuale dedicata a questo tema costituirà il momento centrale dell’intero programma, ponendo al centro il passaggio dalla conformità normativa alla capacità istituzionale di governo. L’obiettivo non è discutere esclusivamente di regole, ma delineare un modello organizzativo che consenta all’Italia di governare l’Intelligenza Artificiale come infrastruttura strategica del Paese. Se i primi tre pilastri costruiscono rispettivamente il significato, la capacità computazionale e il capitale cognitivo, la governance rende possibile il funzionamento coordinato dell’intero sistema. È l’infrastruttura organizzativa che trasforma tecnologie, competenze e dati in una capacità permanente di innovazione, assicurando che lo sviluppo dell’Intelligenza Artificiale proceda in modo affidabile, responsabile e coerente con gli obiettivi di interesse pubblico.

Se i primi quattro pilastri costruiscono rispettivamente il significato, la capacità computazionale, il capitale cognitivo e l’infrastruttura organizzativa dell’Intelligenza Artificiale, il quinto introduce una dimensione ulteriore: la capacità del sistema istituzionale di comprendere come l’AI trasformi concretamente la vita delle persone e dei territori. Ogni grande innovazione modifica infatti il rapporto tra cittadini, istituzioni ed economia; l’Intelligenza Artificiale aggiunge un elemento di complessità ulteriore, poiché una parte crescente delle decisioni che incidono sulla vita quotidiana viene progressivamente supportata, orientata o automatizzata da sistemi algoritmici il cui funzionamento rimane spesso poco visibile agli utilizzatori finali. Per questa ragione l’infrastruttura dell’AI non può limitarsi alle dimensioni tecnologica, organizzativa e normativa. È necessario affiancare una infrastruttura democratica capace di osservare, interpretare e restituire alle istituzioni gli effetti sociali prodotti dall’adozione dell’Intelligenza Artificiale.

Le Giurie di Comunità rispondono a questa esigenza. Esse non costituiscono organismi di controllo politico, né assemblee deliberative destinate a sostituire le istituzioni competenti. Rappresentano piuttosto un’infrastruttura permanente di osservazione sociale, finalizzata alla raccolta sistematica di evidenze, all’analisi dei bisogni emergenti e alla produzione di conoscenza utile per orientare le politiche pubbliche e accompagnare l’evoluzione dell’ecosistema AI. L’Intelligenza Artificiale produce infatti effetti che raramente possono essere osservati durante la progettazione di un algoritmo. Le conseguenze reali emergono quando le tecnologie entrano nei processi amministrativi, nei servizi sanitari, nel mercato del lavoro, nel credito, nell’istruzione, nei servizi pubblici e nella vita quotidiana dei cittadini. Nessun laboratorio di ricerca, audit tecnico o ambiente di sperimentazione è in grado di rilevare integralmente tali trasformazioni. Molti impatti riguardano infatti la fiducia, la comprensibilità dei sistemi, l’accettabilità sociale, la percezione di equità, l’emergere di nuovi bisogni o la comparsa di criticità organizzative che diventano evidenti soltanto nell’utilizzo concreto delle tecnologie. Le Giurie di Comunità permettono di rendere osservabile questa dimensione. I cittadini non assumono il ruolo di semplici destinatari dell’innovazione, ma diventano osservatori qualificati dei suoi effetti, contribuendo alla costruzione di una conoscenza collettiva che integra e completa quella prodotta dai sistemi di monitoraggio tecnico.

Dal punto di vista metodologico, il modello si sviluppa attraverso un processo continuo di raccolta delle evidenze, contestualizzazione, analisi interdisciplinare e restituzione istituzionale. Esperienze d’uso, criticità, opportunità, bisogni emergenti e segnali deboli vengono raccolti secondo procedure strutturate e successivamente interpretati considerando il dominio applicativo, il contesto organizzativo, la normativa vigente e le caratteristiche del territorio. Il confronto tra cittadini, esperti e istituzioni consente quindi di trasformare tali informazioni in report, indicatori territoriali, raccomandazioni operative e proposte di miglioramento, alimentando un processo permanente di apprendimento per le amministrazioni pubbliche, le imprese, il mondo della ricerca e gli organismi di governance. In questa prospettiva le Giurie di Comunità possono essere considerate una vera infrastruttura di intelligence civica. Mentre i sistemi di Intelligenza Artificiale elaborano prevalentemente dati strutturati, esse consentono di raccogliere informazioni qualitative ad alta contestualizzazione che difficilmente trovano spazio nei modelli algoritmici: fiducia, percezione del rischio, comprensibilità delle decisioni automatizzate, qualità dell’esperienza d’uso, effetti inattesi, vulnerabilità emergenti e nuove esigenze delle comunità. L’integrazione di queste informazioni permette di completare la governance dell’AI con una dimensione sociale oggi ancora poco esplorata.

La costruzione di questa infrastruttura richiede una collaborazione stabile tra istituzioni regionali, enti locali, università, centri di ricerca, imprese e Terzo Settore. Le Regioni possono coordinare la rete territoriale delle Giurie integrandola nelle politiche di innovazione, sanità, welfare, sviluppo economico e partecipazione civica; i Comuni rappresentano il naturale livello di prossimità con cittadini, associazioni e imprese; università ed enti di ricerca garantiscono il rigore metodologico nella raccolta e nell’interpretazione delle evidenze; il sistema produttivo può utilizzare le conoscenze generate per migliorare trasparenza, usabilità e impatto sociale delle proprie soluzioni; il Terzo Settore facilita il coinvolgimento delle comunità e delle categorie maggiormente esposte ai rischi di esclusione. In tale contesto Fondazione ENIA può svolgere una funzione di coordinamento metodologico nazionale, definendo criteri di funzionamento, percorsi formativi, standard qualitativi, metodologie di raccolta delle evidenze e strumenti di analisi condivisi.

Il Congresso propone pertanto di avviare la Rete Nazionale delle Giurie di Comunità per l’Intelligenza Artificiale, concepita come una infrastruttura civica distribuita su base comunale, provinciale, regionale e nazionale, capace di raccogliere in modo sistematico le evidenze generate dall’introduzione dell’AI nei diversi contesti economici e sociali. Le informazioni prodotte dalla rete potrebbero alimentare un Osservatorio Nazionale sull’Impatto Sociale dell’Intelligenza Artificiale, integrando dati quantitativi e qualitativi a supporto delle politiche pubbliche, della ricerca e delle strategie di innovazione. La sessione conclusiva del Congresso sarà dedicata proprio a questa prospettiva, con l’obiettivo di presentare il modello metodologico sviluppato da Fondazione ENIA, condividere le prime esperienze territoriali e promuovere il coinvolgimento delle istituzioni nella costruzione di una rete permanente di osservazione civica dell’Intelligenza Artificiale. Se i primi quattro pilastri rendono possibile lo sviluppo dell’ecosistema AI, il quinto ne garantisce la legittimazione democratica. Una società tecnologicamente avanzata non si misura soltanto dalla qualità delle proprie infrastrutture o dalla potenza dei propri algoritmi, ma dalla capacità di ascoltare, comprendere e integrare l’esperienza delle persone nei processi di innovazione. In questa prospettiva, le Giurie di Comunità trasformano la partecipazione civica in una componente strutturale della governance dell’Intelligenza Artificiale, contribuendo a costruire un ecosistema in cui progresso tecnologico, fiducia istituzionale e interesse pubblico possano evolvere in modo armonico e reciprocamente rafforzarsi.

Ogni trasformazione tecnologica diventa un reale motore di sviluppo soltanto quando il sistema economico e finanziario acquisisce la capacità di comprenderne il valore e di sostenerne la crescita. È accaduto con la rivoluzione industriale, con l’elettrificazione, con le telecomunicazioni e successivamente con Internet. L’Intelligenza Artificiale non rappresenta un’eccezione. Per questa ragione il sistema bancario, assicurativo e finanziario non dovrebbe essere coinvolto esclusivamente nella fase conclusiva dell’innovazione, quando le tecnologie sono ormai mature e pronte per essere finanziate. Il suo contributo è strategico già nelle prime fasi di costruzione dell’ecosistema, perché è proprio in quel momento che si definiscono i criteri attraverso cui un algoritmo, un modello di AI o una nuova soluzione tecnologica acquisiscono riconoscibilità economica.

Oggi la principale difficoltà non consiste soltanto nel finanziare progetti di Intelligenza Artificiale, ma nel costruire un linguaggio comune tra ricerca, imprese, investitori e istituzioni. Gli algoritmi possiedono infatti caratteristiche profondamente diverse rispetto agli asset tradizionali: evolvono nel tempo, apprendono dai dati, migliorano attraverso l’utilizzo, generano nuova conoscenza e possono essere riutilizzati in contesti differenti. La loro capacità di creare valore dipende contemporaneamente dalla qualità dei dati, dalla robustezza del modello, dalla governance, dalla scalabilità, dall’interoperabilità e dalla fiducia che il mercato ripone nel loro funzionamento. Questa evoluzione rende necessario sviluppare nuovi strumenti di valutazione economica, nuove metodologie di due diligence, nuovi criteri di assicurabilità e nuovi modelli di finanziamento dell’innovazione. Diventa altrettanto importante definire modalità condivise per qualificare gli asset algoritmici, stimarne il valore prospettico, misurarne il rischio e comprenderne il contributo alla crescita delle imprese e alla competitività del Paese.

Il coinvolgimento del sistema finanziario assume quindi un ruolo decisivo anche per il trasferimento tecnologico. Università, centri di ricerca e startup sviluppano ogni anno competenze e tecnologie che faticano a trasformarsi in iniziative industriali perché manca un quadro condiviso che consenta agli operatori finanziari di interpretarne correttamente il valore. Ridurre questa distanza significa accelerare il passaggio dalla ricerca al mercato, favorire la nascita di nuove imprese ad alta intensità tecnologica e sostenere la crescita delle realtà già esistenti. All’interno del Congresso ENIA questo tema potrebbe essere affrontato come un tavolo permanente di confronto tra istituzioni, università, sistema bancario, assicurazioni, fondi di investimento, imprese innovative e organismi di ricerca, con l’obiettivo di costruire un lessico condiviso sull’economia dell’Intelligenza Artificiale e individuare strumenti capaci di favorire il finanziamento dell’innovazione in modo più efficace.

La proposta che Fondazione ENIA intende promuovere è l’avvio di un percorso nazionale dedicato alla qualificazione economica degli asset algoritmici e alla definizione di metodologie condivise per la loro valutazione, finanziabilità e assicurabilità. Un’iniziativa di questo tipo consentirebbe di mettere in relazione il mondo della ricerca con quello della finanza, contribuendo a creare le condizioni affinché l’Intelligenza Artificiale diventi non soltanto una leva di innovazione tecnologica, ma anche un motore stabile di sviluppo economico e industriale. In questa prospettiva, il sistema bancario e assicurativo non rappresenta un semplice finanziatore dell’ecosistema AI. Diventa uno degli attori che concorrono a definirne il valore, a renderlo comprensibile agli investitori e a trasformare il potenziale tecnologico in crescita economica per il territorio e per il Paese.