di Gianluigi Spagnuolo
Introduzione editoriale
Sovrano non vuol dire trasparente
Il 12 giugno 2026, tre giorni dopo il loro lancio, l’accesso a due modelli di intelligenza artificiale americani è stato sospeso per ogni utente non statunitense — non per decisione dell’azienda che li produce, ma per un provvedimento del governo degli Stati Uniti. Le organizzazioni europee che li avevano già integrati nei propri processi si sono trovate senza servizio da un giorno all’altro. L’accesso è tornato il primo luglio: diciannove giorni, e nessun ricorso possibile nei tempi dell’interruzione.
Questo contributo parte da lì, ma non per denunciare una dipendenza. Parte da lì per smontare la soluzione che si è formata come risposta.
L’idea è che se il problema è dipendere da fornitori stranieri, basti possedere l’infrastruttura: server propri, modelli scaricati, addestramento interno. Spagnuolo mostra che quella conclusione confonde due questioni indipendenti — chi possiede i server, e se chi usa il sistema può risalire alla fonte di ciò che gli viene risposto. Si può avere l’una senza l’altra. Il server è in Italia, e chi lo usa continua a non sapere da dove viene la risposta.
Da qui l’articolo fa una cosa che nel dibattito sulla sovranità digitale manca quasi sempre: invece di proporre un modello, documenta ciò che esiste già — quattro infrastrutture condivise, in Italia e in Europa, su cui un’impresa o un ente possono innestarsi senza costruirsi tutto da soli.
E arriva a un passaggio che vale l’intero saggio, perché rovescia l’assunto di partenza: un modello addestrato soltanto sui documenti interni di un’organizzazione non elimina il rischio di un corpus parziale — lo sposta di scala. La sovranità, da sola, non protegge dai pregiudizi: può consolidarli, restituendoli con l’autorevolezza di un calcolo invece che con la contestabilità di un’opinione.
Il testo è tecnico, e chiediamo al lettore la pazienza di attraversarlo. In cambio offre due cose rare: la ricognizione di ciò che è già operativo, e un autore che demolisce la propria proposta prima di formularla.
Abstract:
In questo contributo propongo una revisione critica del rapporto che intercorre tra la sovranità infrastrutturale e la trasparenza epistemica nella progettazione di sistemi di intelligenza artificiale per aziende, enti pubblici e istituzioni. L’obiettivo è quello di teorizzare una proposta operativa su come, concretamente, imprese e amministrazioni europee e italiane possano costruire un’AI sovrana. Contro la tendenza a considerare la proprietà dell’infrastruttura come condizione sufficiente per risolvere l’opacità algoritmica cerco di argomentare, al contrario, che sovranità e trasparenza sono due assi indipendenti, governati da scelte progettuali distinte. Sulla base dello stato dell’arte normativo (AI Act, legge italiana 132/2025, GDPR) e di quattro casi empirici concernenti le infrastrutture consorziali attualmente operative in Italia e in Europa, inoltre, provo ad evidenziare in che modo la via consorziale, più delle altre (es. cloud nazionale e on-premise proprietario), sia oggi la strada più replicabile per la maggior parte del nostro tessuto produttivo. Propongo, infine, un modello operativo, costantemente rimodulabile, in quattro fasi per un’équipe di Ethics by Design, ancorato alla governance distribuita introdotta dalla legge 132/2025 e ai principi della Rome Call for AI Ethics, con l’obiettivo di rendere la sovranità tecnica un vantaggio competitivo verificabile e non un nuovo dispositivo di potere non controllato.
Parole chiave:
Sovranità digitale, trasparenza epistemica, ethics by design, infrastruttura consorziale, AI Act
1. Introduzione
Il dibattito pubblico e accademico sull’intelligenza artificiale generativa si divide spesso su due problematiche distinte che, però, vengono affrontate come se fossero la stessa cosa: da un lato l’opacità dei modelli ovvero l’impossibilità, per chi li utilizza, di risalire alla fonte o alla logica di una risposta; dall’altro, invece, la dipendenza infrastrutturale da fornitori extraeuropei con la conseguente perdita di controllo su dati, know-how e continuità del servizio.
Tale confusione di problematiche è comprensibile perchè entrambe si presentano, spesso, contemporaneamente nello stesso prodotto e nello stesso fornitore. Ciononostante, la loro sovrapposizione produce un errore di progettazione ricorrente, quello di credere che possedere l’infrastruttura – server propri, pesi scaricati, addestramento interno – risolva automaticamente anche il problema dell’opacità ma, purtroppo, non è così e trattare le due questioni come equivalenti porta a proposte di AI sovrana che risolvono la dipendenza ma non la comprensibilità o viceversa.
A partire da questo tipo di complessità, allora, è bene effettuare una distinzione tra queste due dimensioni e provare ad osservarle da differenti punti prospettici provando a sviluppare la discussione su quattro piani argomentati.
Il primo piano è concettuale e propone di inquadrare la sovranità infrastrutturale e la trasparenza epistemica come due assi ortogonali. Il secondo è empirico, utilizzando un caso realmente accaduto nel giugno 2026 si proverà a mostrare cosa significhi, concretamente, quando la sovranità infrastrutturale viene a mancare. Il terzo piano è infrastrutturale e consisterà nel mostrare, attraverso quattro casi già operativi in Italia e in Europa, che la via consorziale sia, oggi, la più replicabile per la parte del tessuto produttivo che non dispone delle risorse di un grande gruppo industriale o di uno Stato. Il quarto ed ultimo piano è, invece, organizzativo: proporre un modello operativo, non solo un principio, per un’équipe di Ethics by Design chiamata a governare i sistemi di intelligenza artificiale generativa, mostrando come una simile funzione possa essere insieme una garanzia etica e un vantaggio competitivo per le aziende e non solo.
2. Due assi indipendenti
Iniziamo col definire brevemente i due termini della questione per vedere in che modo si possano sviluppare diversi gradi di sovranità.
Per sovranità infrastrutturale si intende qui il controllo giuridico ed effettivo sull’infrastruttura che ospita ed esegue il modello, ovvero chi possiede fisicamente i server, sotto quale giurisdizione opera l’entità che li gestisce, chi ha addestrato i pesi e su quali dati e chi può, unilateralmente, sospendere l’accesso al servizio. In poche parole, la sovranità infrastrutturale, è una questione di proprietà, di collocazione geografica e di diritto applicabile.
Per trasparenza epistemica, invece, si intende la possibilità per chi interroga il sistema di risalire alla fonte primaria dell’informazione restituita – di verificarla e tracciarne la provenienza – indipendentemente da chi possieda l’infrastruttura sottostante. La trasparenza, quindi, è una questione architetturale e non proprietaria: si ottiene attraverso il reperimento documentale (Retrieval-Augmented Generation), un’architettura a partire dalla quale il modello non genera la risposta attingendo esclusivamente alla propria memoria parametrica, ma recupera passaggi specifici da un corpus di documenti indicizzati citando le fonti da cui li ha estratti.
A partire da queste definizioni si può affermare, senza cadere in errore, che le due proprietà sono indipendenti l’una dall’altra. Si può costruire un sistema RAG, con piena tracciabilità delle fonti, appoggiandosi all’API di un fornitore chiuso e straniero ed ottenere la trasparenza epistemica ma, senza, sovranità infrastrutturale. Si potrebbe, al contrario, addestrare da zero un modello open-weights e farlo girare interamente on-premise, nella condizione di massima sovranità infrastrutturale e ottenere, comunque, un sistema che genera risposte dalla propria memoria parametrica senza mai citare una fonte verificabile: la sovranità c’è, la trasparenza no.
Si vedrà, più avanti, come il caso italiano del modello Minerva, sviluppato in ambito universitario e pubblico, con pesi e fonti di addestramento interamente pubblici costituisca un caso particolare: esso è un modello open-weights ospitato internamente e integrato con un’architettura RAG sul corpus documentale proprietario,
Ne consegue, in ogni caso, che la sovranità infrastrutturale è condizione necessaria, ma non sufficiente, per la trasparenza epistemica in quanto, senza di essa, un ente resta esposto a decisioni prese altrove ma, solo con essa, senza un’architettura di reperimento documentale deliberatamente progettata, ottiene il controllo dell’infrastruttura ma non la tracciabilità delle risposte.
C’è un punto della questione che, lo si vedrà più avanti, merita l’attenzione: ci sarà sempre, per il momento almeno, un residuo di opacità che nessuna delle due condizioni, singolarmente o insieme, riuscirà ad eliminare.
3. Per un caso concreto
Il 12 giugno 2026, tre giorni dopo il lancio pubblico dei modelli Claude Fable 5 e Claude Mythos 5, il Dipartimento del Commercio statunitense ha ordinato ad Anthropic la sospensione immediata dell’accesso, a entrambi i modelli, per ogni utente non cittadino statunitense, citando ragioni di sicurezza nazionale legate ad una tecnica di elusione dei sistemi di sicurezza del modello[1].
Non disponendo di un meccanismo tecnico per filtrare l’accesso in tempo reale, in base alla nazionalità dell’utente su scala globale, l’azienda ha dovuto disattivare entrambi i modelli per l’intera base utenti, incluse le organizzazioni europee che li avevano già integrati nei propri flussi di lavoro.
L’accesso è stato poi ripristinato il primo luglio 2026, dopo che il medesimo Dipartimento ha revocato le restrizioni[2].
Si è voluto riportare questo episodio non per esprimere un giudizio sul merito della decisione, che esula dagli scopi di questo contributo, ma perchè costituisce un caso empirico di ciò che la letteratura sulla sovranità digitale descrive da anni in termini più astratti[3].
Un’organizzazione che aveva costruito processi produttivi attorno ad un servizio infrastrutturale esterno si è ritrovata, da un giorno all’altro, priva di accesso a quel servizio, per altro costoso, per una decisione presa da un’autorità giurisdizionale su cui non aveva alcuna voce in capitolo e nessun canale di ricorso praticabile nei tempi dell’interruzione.
Vale la pena, a tal proposito, notare un dettaglio che complica la mera narrazione binaria sovranità europea/Big Tech americana: la misura del Dipartimento americano non colpiva selettivamente gli utenti europei, ma ogni utente non statunitense, inclusi gli stessi dipendenti di Anthropic.
Il rischio infrastrutturale, in altre parole, non discende necessariamente da un’ostilità geopolitica mirata ma, al contrario, dalla stessa dipendenza da un’infrastruttura la cui continuità esistenziale è decisa altrove, per ragioni che possono essere indipendenti dal rapporto specifico tra il fornitore e l’utente finale.
È precisamente questo l’oggetto della sovranità infrastrutturale di cui parliamo in questo contributo.
4. Lo stato dell’arte normativo e infrastrutturale nel 2026
Il quadro normativo europeo evocato genericamente nella letteratura concernente “l’AI sovrana” ha subito, nei mesi immediatamente precedenti la stesura di questo contributo, delle modifiche sostanziali che è necessario riportare per non argomentare su basi già superate.
Il Regolamento (UE) 2024/1689, comunemente conosciuto come AI Act[4], prevedeva un’applicazione progressiva delle proprie disposizioni fino al 2027. Il pacchetto di semplificazione concettuale-normativo, noto come Digital Omnibus, negoziato tra Commissione, Parlamento e Consiglio nella prima metà del 2026, ha rinviato l’applicazione degli obblighi sui sistemi ad alto rischio dell’Allegato III dal 2 agosto 2026 al 2 dicembre 2027, e quelli relativi ai sistemi ad alto rischio incorporati in prodotti regolamentati (Allegato I) dal 2 agosto 2027 al 2 agosto 2028, pur mantenendo ferma al 2 agosto 2026 la data di applicazione degli obblighi di trasparenza.
Per un’équipe di Ethics by Design, come quella che si proporrà in seguito, questa distinzione ha conseguenze pratiche dirette: gli obblighi di trasparenza sono già vincolanti, mentre l’impianto più oneroso di valutazione di conformità per i sistemi ad alto rischio avrà un margine di implementazione più ampio del previsto.
Accanto al quadro europeo, l’Italia si è dotata di una propria disciplina nazionale: la legge 23 settembre 2025, n. 132, in vigore dal 10 ottobre 2025. Quest’ultima non istituisce una nuova autorità dedicata ma, al contrario, adotta un modello di governance distribuita tra enti già esistenti, coordinati da un Comitato di coordinamento istituito presso la Presidenza del Consiglio: l’Agenzia per l’Italia Digitale (AgID) come autorità di promozione, notifica e sviluppo; l’Agenzia per la Cybersicurezza Nazionale (ACN) come autorità di vigilanza del mercato, con poteri ispettivi e sanzionatori; Banca d’Italia, CONSOB e IVASS come autorità di vigilanza nei rispettivi settori; il Garante per la protezione dei dati personali, che mantiene le proprie competenze sul trattamento dei dati nei sistemi AI. La legge, inoltre, prevede l’aggiornamento almeno biennale della strategia nazionale per l’intelligenza artificiale, sottoposto a monitoraggio parlamentare annuale, l’obbligo per i professionisti di informare il cliente quando utilizzano sistemi di AI come supporto alla prestazione e un fondo da un miliardo di euro per investimenti in equity e quasi-equity in intelligenza artificiale, cybersicurezza e tecnologie quantistiche.
Tale architettura istituzionale è interessante, sotto alcuni aspetti, perchè offre un riferimento concreto a cui ancorare i meccanismi di responsabilità esterna di un’équipe di Ethics by Design, piuttosto che lasciarli come principio astratto.
Per quanto concerne la giurisdizione sui dati, a tal proposito, vale la pena correggere un’assunzione ricorrente secondo cui l’utilizzo di un fornitore con server fisicamente situati in territorio europeo sia sufficiente per sottrarsi al Cloud Act statunitense. Sappiamo benissimo che, in realtà, non è così in quanto il Cloud Act si applica in base al controllo societario del fornitore, non alla collocazione geografica del data center. In questo modo le regioni europee di hyperscaler americani restano, in linea di principio, soggette a richieste di accesso ai dati da parte dell’autorità statunitense, in potenziale conflitto con l’articolo 48 del GDPR[5], che vieta il trasferimento di dati personali ad autorità di paesi terzi in assenza di un accordo internazionale riconosciuto.
Potrebbe affermarsi, a tal proposito, che l’unica condizione che sottrae effettivamente un fornitore cloud alla giurisdizione extraeuropea sia il domicilio legale della società controllante in territorio europeo e non, quindi, la localizzazione del server oppure l’etichetta commerciale di “sovranità” che diversi hyperscaler americani hanno iniziato ad attribuire alle proprie offerte regionali.
Su questo punto il panorama dei modelli open-weights europei ha compiuto, nel 2026, dei passi concreti. L’azienda francese Mistral AI, pienamente soggetta al GDPR in quanto domiciliata a Parigi senza intermediazione di una casa madre extraeuropea, ha ampliato la propria infrastruttura di calcolo e la propria offerta di modelli open-weights, arrivando ad un accordo strategico con Microsoft nel luglio 2026 per l’integrazione della propria infrastruttura sovrana nei servizi enterprise del partner americano[6].
È significativo, per gli scopi di questo contributo, che diversi osservatori abbiano collegato il rafforzamento della narrativa di sovranità di Mistral proprio all’episodio discusso prima: la sospensione di un modello di frontiera americano ha reso concreto, per molte organizzazioni europee, un rischio che fino a quel momento era rimasto in larga parte tecnico.
In Italia, invece, il Polo Strategico Nazionale rimane l’infrastruttura cloud sovrana di riferimento per la Pubblica Amministrazione. Il 2026 è stato indicato, dagli osservatori istituzionali, come l’anno decisivo per il consolidamento del Polo, in concomitanza con l’adozione del Cloud Sovereignty Framework nazionale e con un bando da 180 milioni di euro per soluzioni cloud destinate anche al tessuto delle piccole e medie imprese. Sul piano europeo, inoltre, l’iniziativa Gaia-X continua a proporsi come federazione di standard per un ecosistema cloud interoperabile e conforme al diritto europeo.
Ciononostante è giusto sottolineare che sia Gaia-X che il Polo prevedono, nella loro implementazione concreta, il coinvolgimento di attori extraeuropei[7], soprattutto per quel che concerne i fornitori di tecnologie e subappaltatori.
Si può affermare, quindi, che la sovranità digitale europea, nel 2026, è meglio descritta come un processo in corso, con gradi di realizzazione diseguali, che come un traguardo raggiunto.
5. Le tre vie infrastrutturali
Ai fini della ricerca che stiamo conducendo è bene individuare, per così dire, una sorta di tassonomia per tre gradi o strade di sovranità infrastrutturale e/o cognitiva (trasparenza epistemica).
La prima via è quella del cloud nazionale e consiste nell’affittare capacità di calcolo isolata presso provider europei certificati, demandando a terzi la manutenzione sistemisitica: l’organizzazione conserva il controllo sui propri dati e sulla giurisdizione applicabile, ma non si fa carico della gestione tecniche dell’infrastruttura. I referenti concreti, nel 2026, sono il Polo Strategico Nazionale, già incontrato, – partecipato da Leonardo, Poste Italiane e Tim – e l’offerta enterprise di Mistral AI.
Il limite di questa via è che la governance tecnica e parte del substrato hardware possono restare, indirettamente, legate a fornitori extraeuropei.
Il secondo grado di sovranità concerne l’infrastruttura consorziale alla quale è dedicato l’intero paragrafo successivo, data la sua centralità per gli scopi di questo contributo. Essa consiste, in estrema sintesi, nella condivisione, tra più enti, del calcolo, dei modelli o dei dati di filiera, con il vantaggio di abbattere la barriera di costo di ingresso che rende le altre due vie proibitive per la maggior parte delle organizzioni. I referenti concreti sono i quattro casi che si analizzeranno nel dettaglio: IT4LIA (CINECA/Leonardo), Minerva (Sapienza/FAIR), OpenEuroLLM e il consorzio Innovate. Il limite che si incrontra qui, invece, riguarda gli standard tecnici e le componenti hardware sottostanti che incluno ancora fornitori extraeuropei all’interno della filiera.
La terza via, infine, è quella dell’on-premise proprietario e consiste nel riuscire ad ottenere l’addestramento e l’hosting interamente interni, l’isolamento fisico dalla rete pubblica e il massimo controllo sull’intera catena. Quest’ultima, come si può intuire, costituisce la condizione di sovranità infrastrutturale più completa, ma anche la più onerosa. I referenti tipici sono i cluster GPU aziendali dedicati, riservati nella pratica a grandi imprese o enti con budget dedicato. Ciononostante anche quest’ultima strada ha dei limiti interni: da un lato è accessibile solo a chi può sostenere i costi di hardware, energia e personale MLOps qualificato; dall’altro, ed è uno dei punti strutturali, anche la via più sovrana si arresta al livello del software e dei dati, ma non tocca il livello dei semiconduttori su cui quel software gira.
La filiera globale dei chip avanzati resta concentrata in un numero ristretto di produttori, nessuno dei quali europeo su scala paragonabile.
È da notare, però, che nessuna scelta progettuale a livello di dati o di pesi risolve questa dipendenza, la si può solo attenuare con politiche industriali di lungo periodo, che esulano dal perimetro di un’équipe di Ethics by Design ma che, in ogni caso, è onesto riconoscere come pavimento strutturale sotto qualunque proposta di sovranità infrastrutturale.
6. La via consorziale: quattro casi italiani ed europei
Vale la pena soffermarsi, per due ragioni, sulla via consorziale. La prima è che è la meno raccontata nella letteratura sulla sovranità AI, spesso ridotta a un rapido cenno ai supercalcolatori pubblici. La seconda, più importante, è che essa è la via più replicabile per la parte ampia del tessuto produttivo europeo che non dispone delle risorse di un grande gruppo industriale o di uno Stato.
“Infrastruttura consorziale” può voler dire, in pratica, almeno quattro cose diverse, ciascuna con un caso già operativo a cui fare riferimento diretto.
6.1. Il calcolo condiviso
La forma più semplice di infrastruttura consorziale è la condivisione della sola capacità di calcolo ed è il modello delle AI Factories dell’EuroHPC Joint Undertaking, l’organismo europeo che coordina i supercalcolatori del continente. Sono 19 le AI Factories ad essere, oggi, in fase di realizzazione in tutta l’Unione, affiancate da 13 antenne territoriali, con l’obiettivo dichiarato di offrire capacità di calcolo e supporto tecnico gratuito a piccole e medie imprese e startup[8].
In Italia l’AI Factory si chiama IT4LIA ed è coordinata dal CINECA, il consorzio interuniversitario che riunisce 122 istituzioni tra cui 71 università italiane e due ministeri, che si appoggia al supercomputer Leonardo, ospitato al Tecnopolo di Bologna e potenziato con la partizione LISA dedicata all’addestramento di modelli linguistici di grandi dimensioni.
Nell’aprile 2026 l’EuroHPC ha firmato un nuovo contratto da 290 milioni di euro, cofinanziato al 50% dal Programma Europa Digitale e per la restante parte dal Ministero dell’Università e della Ricerca, per un ulteriore supercomputer ottimizzato per l’AI, integrato nella medesima infrastruttura. Dall’aprile 2025 – e questo non è un dato da sottovalutare – IT4LIA fornisce già le risorse di calcolo a PMI e startup europee.
6.2. Il modello condiviso
La seconda declinazione della via consorziale non si limita a condividere il calcolo, ma l’intero processo di addestramento del modello.
In Italia, l’esempio più maturo, è rappresentato da Minerva, ovvero la prima famiglia di modelli linguistici di grandi dimensioni (LLM) addestrata interamente da zero sull’italiano senza partire, quindi, da un modello straniero preesistente. Il progetto è stato realizzato dal gruppo di ricerca Sapienza NLP, guidato da Roberto Navigli, all’interno del progetto FAIR – Future Artificial Intelligence Research, il programma coordinato dal Consiglio Nazionale delle Ricerche che attua la strategia nazionale sull’AI con i fondi del PNRR – utilizzando il supercomputer Leonardo messo a disposizione da CINECA e, in aggiunta, con il supporto tecnico di NVIDIA[9].
I modelli Minerva – quattro versioni comprese tra 350 milioni e 7 miliardi di paramentri, addestrate su un corpus esteso fino a 2,48 trilioni di token – sono rilasciati con licenza Apache 2.0, pesi e fonti di provenienza pubblici: esattamente la condizione di trasparenza epistemica discussa precedentemente, qui ottenuta grazie alla natura consorziale del progetto, che ha reso la tracciabilità delle fonti un requisito di partenza piuttosto che un’aggiunta successiva.
Nel marzo 2026 il Polo Strategico Nazionale ha siglato un memorandum d’intesa con il dipartimento di Ingegneria informatica della Sapienza per portare l’infrastruttura di Minerva sul cloud sovrano della Pubblica Amministrazione[10] e il progetto, oggi, è industrializzato dallo spin-ogg Babelscape in una soluzione (ChatMinerva) destinata alla pubblica amministrazione, sanità, difesa, cultura e istruzione. Il caso di Minerva mostra, in modo molto limpido, come le tre vie infrastrutturali non siano mutuamente esclusive in quanto, questa infrastruttura, nasce come progetto consorziale (università, consorzio interuniversitario, fondi pubblici), si appoggia al cloud nazionale per la distribuzione e converge, nella sua industrializzazione, verso un’offerta che una singola azienda può adottare on-premise o tramite un’API sovrana.
6.3. Il consorzio multinazionale
Il terzo caso, invece, supera di gran lunga il perimetro nazionale ed è rappresentanto dall’OpenEuroLLM che riunisce differenti realtà: centri di ricerca, aziende e centri di supercalcolo europei – con il CINECA che rappresenta l’Italia – coordinati dall’Università Carolina di Praga con l’obiettivo di costruire una famiglia di modelli fondazionali multilingue, open source e conformi all’AI Act, destinati a servizi commerciali, industriali e pubblici in tutte le lingue dell’Unione[11].
Il progetto, avviato il primo febbraio 2025, prevede il rilascio di una versione intermedia, con alcune decine di miliardi di parametri, entro la fine del 2026, e della versione definitiva, con centinai di miliardi di parametri, nel febbraio 2028.
Questo esempio costituisce il tentativo più esplicito, ad oggi, per rispondere su scala europea al problema di fondo: nessuno Stato membro, Italia inclusa, dispone da solo della massa critica di dati, calcolo e competenze necessaria a competere con i laboratori americani e cinesi.
Il consorzio multinazionale è, di fatto, la scala a cui questa massa critica diventa raggiungibile.
6.4. I dati di filiera
La quarta ed ultima declinazione pratica non riguarda un modello generalista ma, al contrario, un’infrastruttura dedicata a un settore industriale specifico.
Il consorzio Innovate, guidato dal CINECA insieme a sette partner industriali italiani, tra cui Almawave (specializzata in dati e AI) e Autostrade per l’Italia, è stato selezionato per ospitare il primo supercomputer industriale dell’EuroHPC[12]. Questo tipo di modello è vicino ai data space settoriali promossi dallo standard Gaia-X, in cui più aziende della stessa filiera condividono un’infrastruttura di calcolo e, potenzialmente, un patrimonio di dati settoriali senza che nessuna delle due debba cederne la proprietà alle altre.
Questa infrastruttura è la configurazione più prossima ad una sorta di “bene comune digitale”: non un’infrastruttura per tutti indistintamente, ma un’infrastruttura condivisa da chi opera nello stesso settore e ha, per questo, incentivi allineati a mantenerla aperta e ben gestita.
Questi quattro casi non esauriscono, ovviamente, le forme possibili di infrastruttura consorziale, ma bastano per mostrare che la via non è un’aspirazione astratta, ma è già il paradigma su cui si muovono, concretamente, un’università pubblica italiana, un consorzio interuniversitario, un programma di ricerca nazionale finanziato dal PNRR, un’alleanza di venti istituzioni europee e un gruppo di aziende industriali.
Uno degli obiettivi del contributo può considerarsi raggiunto, in quanto possiamo affermare che per un’azienda o per un ente italiano che voglia costruire un’AI sovrana senza sostenere da solo i costi dell’on-premise proprietario, il punto di ingresso in concreto oggi non è, semplicisticamente, rivolgersi al cloud nazionale in astratto ma, al contrario, verificare se il proprio settore ha già, o può costruire, un consorzio equivalente a uno di questi quattro: accedere a IT4LIA per il calcolo, valutare l’adozione o il fine-tuning di Minerva o dei futuri modelli OpenEuroLLM per la componente linguistica, oppure promuovere, insieme ad altre aziende delle propria filiera, un data space settoriale sul modello Innovate.
7. Trasparenza epistemica
Il meccanismo che rende un’AI sovrana anche epistemicamente trasparente, come si è accennato in precedenza, risiede nel reperimento documentale, ovvero il modello, invece di generare la risposta esclusivamente dalla propria memoria parametrica, recupera in tempo reale passaggi specifici da un corpus indicizzato – documenti aziendali, procedure, brevetti – citandoli nella risposta.
È questo aspetto e non la proprietà dei pesi a restituire all’utente il potere di verifica. Un’AI sovrana, priva di questa architettura, resta un oracolo dogmatico più vicino, magari, geograficamente ma non più verificabile.
Merita, a tal proposito, di esssere meglio fondata l’affermazione secondo cui i grandi modelli commerciali riflettono specifiche egemonie culturali, valoriali ed economiche a causa del materiale su cui vengono addestrati: si tratta di un risultato ormai consolidato nella letteratura sui rischi degli LLM e nella più ampia riflessione sul cosidetto colonialismo dei dati[13].
Ma proprio questa consapevolezza dovrebbe indurre a un’ulteriore cautela: un modello addestrato o messo a punto esclusivamente sul corpus documentale interno di un’organizzazione non elimina il rischio di un corpus parziale ma, al contrario, lo sposta solo di scala. Un sistema che, ad esempio, apprende solo il “dialetto operativo” di un’azienda rischia di consolidare algoritmicamente proprio i punti ciechi, i pregiudizi organizzativi e le procedure discutibili che quell’azienda già possedeva, restituendoli con l’autorevolezza apparente di un sistema tecnico invece che con la contestabilità di un’opinione interna.
Per fare un esempio possiamo riportare il caso che interessò Amazon tra il 2014 e il 2017. L’azienda sviluppò internamente uno strumento sperimentale di selezione dei candidati, addestrato sui curriculum ricevuti nel decennio precedente. Il sistema, com’è risaputo, penalizzava sistematicamente le candidature femminili, avendo appreso lo squilibrio di genere già presente nell’organico storico dell’azienda e, una volta scoperto internamente nel 2018, fu abbandonato[14].
Il caso citato è utile, non per il nome dell’azienda, ma per la strutturalità dell’errore, in quanto mostra che un sistema addestrato esclusivamente su dati proprietari, senza un canale di verifica esterno strutturato, aveva appreso e automatizzato un pregiudizio organizzativo esistente già da anni all’interno della stessa azienda.
È questo, a parer nostro, il rischio a cui un’équipe di Ethics by Design deve essere sensibile fin dalla fase di censimento dei dati; la chiusura epistemica su un corpus proprietario, quindi, è un rischio diverso, che un’etica del design deve prevedere, ad esempio attraverso un canale strutturato di confronto con fonti e competenze esterne all’organizzazione.
8. Ethics By Design: un modello operativo
Il principio dell’Ethics by Design ha una genealogia precisa, che vale la pena rendere esplicita perchè è proprio da essa che discendono i suoi limiti strutturali. Il principio nasce dal Privacy by Design elaborato da Ann Cavoukian negli anni in cui ricopriva il ruolo di Garante per la Protezione dei Dati e la Privacy dell’Ontario, poi sistematizzato, successivamente, nei sette principi fondativi che ne costituiscono, tuttora, il riferimento canonico: proattività anziché reattività, protezione positiva, sicurezza end-to-end, visibilità/trasparenza e rispetto della centralità dell’utente[15].
Lo stesso impianto è stato applicato, ex ante, all’AI ed è stato ripreso e specificato dal gruppo di esperti della Commissione Europea nelle Ethics Guidelines for Trustworthy AI del 2019, che articolano sette requisiti – supervisione umana, robustezza tecnica, trasparenza, non discriminazione, benessere sociale e ambientale – pensati per essere incorporati nella filiera algoritmica fin dalle fasi iniziali e non aggiunti come correttivo a valle[16].
Questi elementi rendono visibili alcune problematiche: sia il Privacy by Design sia le Ethics Guidelines europee prevedono meccanismi di verifica esterna, un’autorità di controllo indipendente nel primo caso e un sistema di valutazione di conformità, con possibilità di intervento delle autorità di vigilanza nazionali, nel secondo. Un’équipe multidisciplinare interna a un’azienda o a un ente, per quanto competente e ben intenzionata, non è equivalente ad un’autorità di controllo, essa risponde alla gerarchia che la retribuisce e non a un mandato pubblico.
Pertanto, una proposta di AI sovrana governata da un’équipe interna, se lasciata a questo livello di genericità, rischia di sostituire un’opacità esterna (il fornitore straniero inacessibile), con un’opacità interna più difficile da percepire proprio perchè più vicina e familiare.
Per essere coerente con la propria genealogia, dunque, un’équipe di Ethics by Design applicata all’AI sovrana dovrebbe prevedere, esplicitamente, almeno quattro meccanismi: un canale di segnalazione accessibile all’utente finale per contestare un output o una scelta di addestramento; una composizione dell’équipe con rotazione periodica e presenza di membri esterni all’organizzazione, per ridurre il rischio di cattura; un audit trail pubblicabile, anche in forma sintetica, che documenti le fonti di addestramento, i criteri di accesso ai dati interni e le modifiche rilevanti nel tempo; un ancoraggio, per gli enti che rientrano nel perimetro dei sistemi ad alto rischio, agli obblighi di valutazione di conformità già previsti dal diritto europeo a partire dal dicembre 2027[17], così da non affidare la responsabilità ultima soltanto alla buona fede dell’équipe interna, ma a un meccanismo di verifica con una base legale esterna all’organizzazione stessa.
È bene, a tal proposito, osservare più nel dettaglio questi quattro meccanismi per poi confrontare il fenomeno con un caso già noto.
La prima fase, per così dire, si dovrebbe basare sul censimento e sull’audit dei dati e, quindi, precederebbe ogni scelta architetturale. L’équipe, in questo modo, catalogherebbe il corpus documentale interno candidato all’addestramento o al reperimento documentale, ne verifica la provenienza, i livelli di accesso e riservatezza segnalando le lacune o gli squilibri del corpus prima che diventino, silenziosamente, pregiudizi del modello.
La seconda fase concerne, invece, la progettazione architetturale ed è quella in cui l’équipe decide se e come implementare il reperimento documentale, quali fonti citare, con quale granularità e come comunicare all’utente il grado di affidabilità di una risposta (se il modello sta citando una fonte verificabile o generando dalla propria memoria parametrica). Queste sono decisioni tecniche con conseguenze etiche (di condotta) dirette e, per questo, richiede la presenza congiunta delle competenze ingegneristiche e umanistiche contemporaneamente.
La terza fase, di revisione ex ante, consiste nella valutazione formale che precede il vero e proprio rilascio: verifica se il sistema rientra nel perimetro dei sistemi ad alto rischio secondo l’Allegato III dell’AI Act, se richiede una valutazione di conformità, quali categorie di utenti potrebbero essere svantaggiate e quale canale di segnalazione sarà reso disponibile. È a quest’altezza discorsiva che si inserisce il canale di contestazione accessibile all’utente finale discusso in precedenza e che non dovrebbe consistere in un indirizzo email generico ma, al contrario, ad una procedura con un tempo di risposta dichiarato e un responsabile identificabile.
La quarta ed ultima fase, la più importante, riguarda il monitoraggio e il riesame periodico. L’équipe non si scioglie dopo il rilascio, ma si riconvoca a cadenza fissa per rivedere i log delle segnalazioni ricevute, le modifiche intervenute nel corpus di addestramento e l’eventuale scostamento tra il comportamento atteso e quello osservato in produzione. Sono proprio questi ultimi aspetti che trasformano l’Ethics by Design da evento singolo in una postura continuativa.
Sulla composizione dell’équipe, la proposta più solida non è quella di un organo monolitico interno, ma quella di una governance distribuita tra funzioni specializzate che si coordinano periodicamente invece di sovrapporsi. Le legge italiana, come si è visto in precedenza, assegna compiti distinti a enti già esistenti, coordinati da un Comitato che riferisce al Parlamento.
Questo, però, è un modello che un’équipe aziendale può riprodurre in scala ridotta: non un unico comitato che decide tutto, ma una funzione dati (che risponde della qualità e provenienza del corpus), una funzione tecnica (che risponde dell’architettura e della sicurezza), una funzione legale e di conformità (che risponde dell’architettura e della sicurezza) e una funzione umanistica o sociale (che risponde dell’impatto sugli utenti e sul tipo di ethos, inteso in differenti modi, che il modello può comportare), con un coordinatore che, periodicamente, riporta i risultati al consiglio di amministrazione.
Tutto ciò è un meccanismo già in corso nelle imprese più mature: nel 2026 il 44% dei consigli di amministrazione delle grandi aziende include almeno un consigliere con competenze specifiche in AI, contro il 26% del 2024, segno che l’oversight sull’AI stia smettendo di essere un’iniziativa isolata per diventare parte ordinaria della governance aziendale[18].
Un secondo riferimento utile, questa volta sul piano dei principi condivisi più che della struttura organizzativa, concerne la Rome Call for AI Ethics: il documento promosso nel 2020 dalla Pontificia Accademia per la Vita insieme a Microsoft, IBM, FAO e al Governo italiano, oggi sottoscritto anche da Cisco, Qualcomm, Salesforce e, dal giugno 2026, dal Consiglio Nazionale degli Ingegneri, articola sei principi – trasparenza, inclusione, responsabilità, imparzialità, affidabilità, sicurezza e protezione dei dati – pensati per essere adottati da organizzazioni di natura molto diversa tra loro[19].
Il valore di un riferimento come questo per un’équipe aziendale non sta nell’adesione formale al documento, quanto nella sua funzione di carta statuaria per cui, un’équipe di Ethics by Design dovrebbe dotarsi, fin dalla propria costituzione, di un documento analogo che dichiari i principi a cui si vincola, così che la sua eventuale inadempienza sia contestabile con riferimento a un impegno esplicito, senza essere lasciata alla sola valutazione discrezionale di chi la compone.
Vale la pena, infine, rendere esplicito un aspetto che il linguaggio della compliance rischia di oscurare. Esso riguarda il fatto che un’équipe così strutturata non è soltanto un costo di conformità, ma una funzione che riduce concretamente il rischio operativo di un’azienda.
Un sistema il cui corpus di addestramento è stato controllato in fase di censimento genera meno risposte da correggere in produzione; un’architettura con reperimento documentale ben progettata riduce il tempo speso dai dipendenti a verificare manualmente le risposte del modello; un canale di segnalazione reale intercetta un pregiudizio sistemico prima che diventi, come nel caso di Amazon, un problema reputazionale o legale.
L’efficienza e l’etica (intesa come possibile modo per indirizzare comportamenti), in questo schema, non sono in tensione in quanto, la seconda, è per un’azienda che debba rispondere a clienti, dipendenti e autorità di vigilanza, una precondizione della prima.
9. Per una conclusione
Riassumendo l’argormento sviluppato in queste pagine possiamo dire, in definitiva, che la sovranità infrastrutturale e la trasparenza epistemica sono condizioni distinte e indipendenti e un’etica del design, per l’intelligenza artificiale, che le tratti come equivalenti rischia di produrre sistemi che risolvono un problema lasciando intatto l’altro.
Alla domanda che ha motivato questo numero dela rivista – in che modo l’Europa, l’Italia e le loro aziende possano dotarsi di un’AI sovrana – questo contributo dà una risposta più circoscritta di quanto il termine “sovranità” lasci intendere ma, per questo, più praticabile: per la grande maggioranza delle aziende e degli enti italiani ed europei, la strada realisticamente percorribile nell’immediato non è costruire da soli un’infrastruttura on-premise, ma innestarsi su una delle infrastrutture consorziali già operative – IT4LIA per il calcolo, Minerva o i futuri modelli OpenEuroLLM per la componente linguistica, un data space settoriale sul modello Innovate per i dati di filiera – integrandovi un’architettura di reperimento documentale per la trasparenza e presidiando l’intero processo con un’équipe di Ethics by Design strutturata secondo le quattro fasi indicate in precedenza e non lasciata a un mandato di buona volontà.
In definitiva e per concludere, una proposta di AI sovrana genuinamente all’altezza delle proprie premesse dovrebbe specificare, all’interno del proprio progetto di nascita, almeno cinque elementi.
Il primo elemento da specificare è il domicilio giuridico effettivo, non solo la collocazione fisica, dell’entità che controlla l’infrastruttura, verificato caso per caso e non assunto sulla base dell’ubicazione del data center.
Il secondo da dichiarare è l’architettura di reperimento documentale che garantisce la tracciabilità delle fonti, indipendentemente da dove risieda l’infrastruttura, riconoscendo al contempo che questa tracciabilità non risolve l’opacità interpretativa residua della rete neurale sottostante.
Il terzo elemento consiste nel preferire, dove possibile, l’infrastruttura consorsiale rispetto alle altre due vie, perchè è oggi la più matura, economia e coerente con il principio del “bene comune digitale”.
Il quarto e probabilmente più importante elemento, concerne la costituzione dell’équipe di Ethics by Design organizzata in fasi operative ricorrenti – censimento dei dati, progettazione architetturale, revisione ex ante, monitoraggio periodico – e dotata di meccanismi di responsabilità esterna, non di un mandato interno.
Il quinto, ed ultimo, elemento da specificare riguarda più propriamente una questione tecnica: il riconoscimento esplicito che né la sovranità né la trasparenza, da sole o insieme, eliminano il carattere intrinsecamente probabilistico e parzialmente inaccessibile del ragionamento di un modello neurale, un limite tecnico che nessuna architettura istituzionale, per quanto ben progettata, è oggi in grado di risolvere del tutto.
Resta, infine, una domanda aperta che questo contributo non pretende di chiudere e che vale la pena lasciare tale piuttosto che nasconderla dietro una conclusione rassicurante: il ritmo con cui cambia il panorama dei modelli disponibili, il quadro normativo europeo e gli equilibri geopolitici tra i principali attori rende difficile o, forse, impossibile immaginare un’architettura istituzionale fissata una volta per tutte.
Ciò che un’etica del design per l’AI sovrana richiede, forse più di ogni singola scelta infrastrutturale, è una capacità di riesame periodico incorporata fin dall’origine nella governance stessa del sistema.
Non una destinazione da raggiungere, quindi, ma una postura da mantenere.
Bibliografia
AI4Business, Governance, rischio e regolazione: l’AI entra nei comitati, 19 febbraio 2026.
Alessandro Pulcini, Tutto sull’AI Factory IT4LIA: kickoff, protagonisti e il nuovo supercomputer, Fortune Italia, 17 marzo 2025.
Anthropic, Statement on the US government directive to suspend access to Fable 5 and Mythos 5, Annunci, 12 giugno 2026, https://www.anthropic.com/news/fable-mythos-access.
Ashley Capoot, Anthropic says Trump admin has lifted export controls on Claude Fable 5 and Mythos 5, CNBC, 30 giugno 2026.
A. Cavoukian, Privacy by Design: The 7 Foundational Principles, Information and Privacy Commissioner of Ontario, Canada, Agosto 2009, revisione gennaio 2011.
Cineca, The Innovate Consortium Chosen to Host EuroHPC’s First Industrial Supercomputer, comunicato stampa, 4 febbraio 2024.
Commissione Europea, High-Level Expert Group on Artificial Intelligence, Ethics Guidelines for Trustworthy AI, aprile 2019.
C. Bignotti, Sovranità digitale e infrastrutture cloud: il progetto Gaia-X e il Polo strategico nazionale riusciranno ad arginare i giganti tecnologici americani e cinesi?, Osservatorio sullo Stato Digitale, IRPA, 1 novembre 2022.
E. Barelli, E. Gallo, G. Sechi, Osservazioni su… Supercalcolo e Intelligenza Artificiale. Tendenze e applicazioni del Supercalcolo, Big Data e Quantum Computing, Fondazione ICSC/IFAB, luglio 2025.
E. M. Bender, T. Gebru, A. McMillan-Major, S. Shmitchell, On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21).
J. Dastin, Amazon scraps secret AI recruiting tool that showed bias against women, Reuters, 10 ottobre 2018.
J. Pohle, T. Thiel, Digital sovereignty, Internet Policy Review, 9 (4), 2020, https://doi.org/10.14763/2020.4.1532.
John Power, US lifts restrictions on Anthropic’s powerful AI models Fable and Mythos, Al Jazeera, 1 luglio 2026.
N. Couldry, U. A. Mejias, The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism, Stanford University Press, 2019.
OpenEuroLLM, Europe’s Leading AI Companies and Research Institutions Combine Their Forces to Develop Next-generation Open LLMs, comunicato di lancio, 3 febbraio 2025.
Polo Strategico Nazionale, PSN e DIAG – Dipartimento di Ingegneria informatica, automatica e gestionale della Sapienza Università di Roma: siglato Memorandum d’Intesa per l’Intelligenza Artificiale al servizio della PA, comunicato, 6 marzo 2026.
R. Orlando, L. Moroni e co-autori, Minerva LLMs: The first family of large language model trained from scratch on italian data, in F. Dell’Orletta, A. Lenci, S. Montemagni, R. Sprugnoli (a cura di), Proceedings of the tenth italian conference on computational linguistics (CLIC-it 2024), Pisa, CEUR workshop proceedings, dicembre 2024, pp. 707-719.
Regolamento (UE) 2016/679 (GDPR), art. 48, scaricabile da: Privacy Regulation EU.
Regolamento (UE) 2024/1689 (AI Act), scaricabile su EUR-Lex, Documento 32024R1689.
Rome Call for AI Ethics, Pontificia Accademia per la Vita e Fondazione RenAIssance, Roma, 28 febbraio 2020.
Bio-bibliografia:
Matteo Spagnuolo (Avellino, 1999), ha conseguito la laurea magistrale in Scienze Filosofiche presso l’Università degli Studi di Napoli Federico II. Ha fondato la rivista online The Rive con l’obiettivo di unire contributi scientifici, provenienti da ogni campo disciplinare, per riuscire a comprendere e affrontare le sfide del tempo presente.
Tra le sue recenti pubblicazioni si segnala:
M. Spagnuolo, Una nuova specie: soggettività biotiche, in “Filosofia e nuovi sentieri/ISSN 2282-5711”, 2025.
Id., Echologia, normalità e potere: a partire da E. Bazzanella, in “Filosofia e nuovi sentieri/ISSN 2282-5711”, 2025.
Id., Capitalismo metabolico: nuova specie, nuovo capitalismo, Asterios Editore, Trieste, 2026.
[1] Anthropic, Statement on the US government directive to suspend access to Fable 5 and Mythos 5, Annunci, 12 giugno 2026, https://www.anthropic.com/news/fable-mythos-access.
[2] Ashley Capoot, Anthropic says Trump admin has lifted export controls on Claude Fable 5 and Mythos 5, CNBC, 30 giugno 2026; John Power, US lifts restrictions on Anthropic’s powerful AI models Fable and Mythos, Al Jazeera, 1 luglio 2026.
[3] J. Pohle, T. Thiel, Digital sovereignty, Internet Policy Review, 9 (4), 2020, https://doi.org/10.14763/2020.4.1532.
[4] Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio che stabilisce regole armonizzate sull’intelligenza artificiale (AI Act), entrato in vigore il 1 agosto 2024. Scaricabile su EUR-Lex, Documento 32024R1689.
[5] Regolamento (UE) 2016/679 (GDPR), art. 48, scaricabile da: Privacy Regulation EU.
[6] La partnership strategica tra Microsoft e Mistral AI annunciata il 21 luglio 2026, incentrata sull’infrastruttura di calcolo europea di Mistral integrata in Foundry e Copilot Studio: Microsoft e Mistral ampliano la partnership strategica per offrire alle imprese e ai settori regolamentati un’AI di frontiera – Source EMEA
[7]C. Bignotti, Sovranità digitale e infrastrutture cloud: il progetto Gaia-X e il Polo strategico nazionale riusciranno ad arginare i giganti tecnologici americani e cinesi?, Osservatorio sullo Stato Digitale, IRPA, 1 novembre 2022.
[8] Per informazioni più specifiche vedi: Alessandro Pulcini, Tutto sull’AI Factory IT4LIA: kickoff, protagonisti e il nuovo supercomputer, Fortune Italia, 17 marzo 2025. Sul web è presente un Live Webinar circa queste informazioni, anche da un punto di vista più tecnico: E. Barelli, E. Gallo, G. Sechi, Osservazioni su…Supercalcolo e Intelligenza Artificiale. Tendenze e applicazioni del Supercalcolo, Big Data e Quantum Computing, Fondazione ICSC/IFAB, luglio 2025.
[9] R. Orlando, L. Moroni e co-autori, Minerva LLMs: The first family of large language model trained from scratch on italian data, in F. Dell’Orletta, A. Lenci, S. Montemagni, R. Sprugnoli (a cura di), Proceedings of the tenth italian conference on computational linguistics (CLIC-it 2024), Pisa, CEUR workshop proceedings, dicembre 2024, pp. 707-719.
[10] Polo Strategico Nazionale, PSN e DIAG – Dipartimento di Ingegneria informatica, automatica e gestionale della Sapienza Università di Roma: siglato Memorandum d’Intesa per l’Intelligenza Artificiale al servizio della PA, comunicato, 6 marzo 2026.
[11] OpenEuroLLM, Europe’s Leading AI Companies and Research Institutions Combine Their Forces to Develop Next-generation Open LLMs, comunicato di lancio, 3 febbraio 2025.
[12]Cineca, The Innovate Consortium Chosen to Host EuroHPC’s First Industrial Supercomputer, comunicato stampa, 4 febbraio 2024.
[13]E. M. Bender, T. Gebru, A. McMillan-Major, S. Shmitchell, On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21); N. Couldry, U. A. Mejias, The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism, Stanford University Press, 2019.
[14] J. Dastin, Amazon scraps secret AI recruiting tool that showed bias against women, Reuters, 10 ottobre 2018
[15]A. Cavoukian, Privacy by Design: The 7 Foundational Principles, Information and Privacy Commissioner of Ontario, Canada, Agosto 2009, revisione gennaio 2011.
[16]Commissione Europea, High-Level Expert Group on Artificial Intelligence, Ethics Guidelines for Trustworthy AI, aprile 2019.
[17]Regolamento (UE) 2024/1689, artt. 43 (valutazione di conformità per i sistemi ad alto rischio).
[18] AI4Business, Governance, rischio e regolazione: l’AI entra nei comitati, 19 febbraio 2026.
[19]Rome Call for AI Ethics, Pontificia Accademia per la Vita e Fondazione RenAIssance, Roma, 28 febbraio 2020.