L’ecosistema dell’intelligenza artificiale sta vivendo una trasformazione senza precedenti nel campo della sicurezza e privacy. Mentre strumenti come Google Gemini con le sue funzionalità di image editing catturano l’attenzione pubblica, dietro le quinte si combatte una battaglia tecnologica cruciale per il futuro della privacy digitale.

Le Zero Knowledge Proofs emergono come alternative rivoluzionarie alla crittografia omomorfica, mentre tecnologie complementari come Differential Privacy e Federated Learning raggiungono maturità commerciale. Con investimenti venture capital in AI che hanno toccato $131.5 miliardi nel 2024 (35.7% del totale VC globale), i breakthrough tecnici promettono di risolvere definitivamente il dilemma privacy-performance entro il 2028.

Zero Knowledge Proofs: la verifica senza rivelazione

Le Zero Knowledge Proofs stanno rivoluzionando il paradigma della verifica nell’AI imaging, permettendo di dimostrare l’autenticità di contenuti digitali senza compromettere la privacy degli utenti. Il framework ZK-IMG, sviluppato da Daniel Kang e il team di ricerca di Stanford, rappresenta il cutting-edge di questa tecnologia applicata alla lotta contro la disinformazione visiva.

Il sistema processa immagini HD fino a 2048×1363 pixel con tempi di verifica di appena 4.59 millisecondi per operazioni complesse come il cropping, rappresentando un miglioramento prestazionale di 112x rispetto alle implementazioni precedenti. La tecnologia si basa su circuiti zero-knowledge che convertono automaticamente modelli ONNX in strutture verificabili, supportando reti neurali di varie dimensioni attraverso il framework EZKL.

L’architettura tecnica poggia su due approcci fondamentali: i ZK-SNARKs, che generano prove compatte di 200-500 KB con verifica costante in 4-15 millisecondi ma richiedono un trusted setup iniziale, e i ZK-STARKs, che offrono resistenza quantistica e trasparenza completa eliminando la necessità di trusted setup, al costo di prove leggermente più voluminose.

Le implementazioni attuali supportano trasformazioni sofisticate come cropping intelligente, resizing adattivo, conversione grayscale ottimizzata e rotazioni precise, mantenendo sempre una catena di custodia crittograficamente verificabile per ogni modifica applicata all’immagine originale.

Il valore strategico per l’AI imaging include la capacità rivoluzionaria di verificare che un’immagine provenga effettivamente da una fotocamera certificata senza mai rivelare il contenuto specifico dell’immagine stessa – una funzionalità fondamentale per la detection automatica dei deepfake. Progetti all’avanguardia come zkDL di SafeAILab stanno spingendo ulteriormente i confini prestazionali attraverso accelerazione GPU specializzata, mentre l’ecosistema mostra una crescita esplosiva grazie a partnership strategiche tra leader del settore crypto e AI.

Crittografia omomorfica: computazione su dati cifrati

La crittografia omomorfica (FHE – Fully Homomorphic Encryption) sta rapidamente evolvendo da curiosità accademica a tecnologia commercialmente viabile per l’elaborazione sicura di dati sensibili nel cloud. Apple ha dimostrato la fattibilità su scala industriale implementando Private Nearest Neighbor Search per il riconoscimento intelligente di landmark attraverso Enhanced Visual Search in iOS 18, tecnologia ora attiva su centinaia di milioni di dispositivi.

Zama, l’azienda francese pioniera nel campo FHE, ha raggiunto lo status di unicorno il 25 giugno 2025 con una valutazione superiore al miliardo di dollari, diventando la prima startup FHE a raggiungere questa milestone. La loro Serie B da $57 milioni, guidata da Blockchange Ventures e Pantera Capital, ha finanziato breakthrough significativi nella riduzione dei tempi di bootstrapping, rendendo possibili applicazioni precedentemente impensabili per vincoli prestazionali.

I benchmark prestazionali attuali mostrano che l’inferenza CNN completamente cifrata presenta ancora overhead computazionali significativi nell’ordine di 10.000-90.000x rispetto all’elaborazione in plaintext, ma ottimizzazioni aggressive attraverso tecniche di pruning neurali e quantizzazione stanno rapidamente riducendo questo gap mantenendo degradazioni di accuratezza inferiori all’1%.

L’ecosistema open source maturo include Microsoft SEAL, OpenFHE e HElib come pilastri fondamentali, mentre implementazioni commerciali come Duality Technologies dimostrano la viabilità pratica processando migliaia di transazioni finanziarie crittografate all’ora con zero esposizione di dati sensibili.

Il confronto diretto con le Zero Knowledge Proofs rivela una complementarità strategica: FHE eccelle nell’elaborazione continua e iterativa su dataset cifrati con overhead computazionale significativo ma senza limitazioni sulla profondità dei circuiti grazie al bootstrapping programmabile, mentre ZK-proofs offrono verifiche ultra-rapide (1-10ms) con prove compatte (192-256 bytes) ma senza supporto per computazione diretta su dati cifrati.

L’hardware specializzato rappresenta il vero game-changer dell’equazione: acceleratori FPGA dedicati e ASIC purpose-built promettono riduzioni prestazionali di ordini di grandezza nei tempi di elaborazione FHE, portando la tecnologia verso la praticabilità mainstream.

L’arsenale completo delle tecnologie emergenti

Differential Privacy: privacy matematicamente garantita

Differential Privacy ha raggiunto piena maturità commerciale con implementazioni production-ready in TensorFlow Privacy e Opacus, offrendo garanzie matematiche rigorose di privacy con overhead computazionale contenuto tra 2-10x durante le fasi di training. Google VaultGemma ha dimostrato miglioramenti sostanziali nel trade-off privacy-utility rispetto ai modelli DP della generazione precedente.

Le applicazioni nell’imaging medico sono particolarmente promettenti, permettendo training collaborativo distribuito su dataset clinici di pazienti con garanzie formali di privacy che soddisfano i requisiti HIPAA più stringenti. I meccanismi di noise injection possono essere applicati a livello di pixel, latent space e feature extraction, offrendo flessibilità implementativa senza precedenti.

Federated Learning: training distribuito senza condivisione dati

Federated Learning domina attualmente con il tasso di adozione più elevato tra tutte le tecnologie privacy-enhancing analizzate, supportato da deployment commerciali di successo su scala globale come Google Gboard e Samsung on-device training. FLOWER emerge come il framework open source più maturo con supporto universale per tutti i principali framework di machine learning, mentre TensorFlow Federated di Google e FedML offrono soluzioni enterprise-grade completamente gestite.

La tecnologia si distingue particolarmente nel training distribuito di CNN per computer vision, mantenendo rigorosamente i dati sui dispositivi originali degli utenti e trasferendo solo gli aggiornamenti dei parametri del modello.

Secure Multi-party Computation: privacy teoricamente perfetta

Secure Multi-party Computation (SMPC) rimane computazionalmente intensiva ma offre privacy teoricamente perfetta per scenari ad altissimo valore aggiunto. Protocolli avanzati come SPDZ permettono elaborazione congiunta sicura di dataset di immagini tra multiple parti senza mai rivelare dati individuali, con applicazioni reali già implementate nell’Estonian Tax Authority per sophisticated fraud detection.

I garbled circuits raggiungono performance sufficienti per operazioni base di computer vision ma rimangono ancora limitati per l’elaborazione di CNN complesse a causa dei vincoli computazionali intrinseci.

Trusted Execution Environments: il compromesso ottimale

Trusted Execution Environments (TEE) offrono attualmente il miglior bilanciamento performance-sicurezza disponibile, con overhead contenuti del 5-30% grazie all’encryption hardware integrata. Intel SGX e ARM TrustZone dominano il mercato enterprise con deployment commerciali consolidati in Azure Confidential Computing e AWS Nitro Enclaves.

Nonostante le limitazioni di memoria rimangano una sfida tecnica, applicazioni mission-critical come l’analisi di immagini mediche HIPAA-compliant nel cloud pubblico dimostrano chiaramente la viabilità pratica della tecnologia.

Content Authentication: provenance immutabile

Content Credentials (C2PA) rappresenta lo standard emergente per la provenance immutabile con overhead operativo minimo. OpenAI DALL-E 3, Google e Meta hanno integrato completamente C2PA metadata nelle immagini AI-generate, mentre hardware manufacturer come Leica e Qualcomm Snapdragon implementano supporto nativo a livello di sensore fotografico.

Watermarking digitale avanzato attraverso SynthID di Google e Stable Signature di Meta embedded identificatori crittografici direttamente nella struttura dei pixel durante la fase di generazione, sopravvivendo a compressione JPEG aggressiva, filtering avanzato e color space changes. L’overhead di generazione del 5-15% risulta accettabile per la maggioranza delle applicazioni, mentre la detection real-time abilita content moderation automatizzata su scala industriale.

Analisi comparativa: sinergie e complementarità

L’analisi quantitativa delle performance rivela che nessuna singola tecnologia domina completamente tutti i parametri di valutazione. Differential Privacy eccelle nel rapporto privacy/performance mantenendo latenze contenute, mentre la crittografia omomorfica garantisce privacy teoricamente perfetta al costo di latenze significativamente elevate. I Trusted Execution Environments emergono come la soluzione di compromesso generale più equilibrata.

Le combinazioni sinergiche più promettenti per applicazioni reali includono:

• DP + FL + TEE per edge healthcare diagnostics, mantenendo alta utility clinica con latenza operativamente accettabile
• HE + SMPC + Blockchain per applicazioni che richiedono massima sicurezza, offrendo privacy perfetta con latenza accettabile per scenari multi-jurisdictional dove il valore intrinseco dei dati giustifica completamente i costi computazionali elevati

Scenari futuri: convergenza verso ecosistemi ibridi

La roadmap tecnologica 2025-2030 indica una chiara convergenza verso ecosistemi ibridi multi-tecnologia sofisticati. Il 2025 segnerà il consolidamento definitivo delle fondamenta con Differential Privacy e Federated Learning che raggiungeranno maturità mainstream completa.

Il biennio 2026-2027 vedrà breakthrough ibridi decisivi con combinazioni tecnologiche che chiuderanno definitivamente il performance gap attuale e piattaforme di orchestrazione multi-PET (Privacy-Enhancing Technologies) che raggiungeranno piena maturità commerciale.

Gli investimenti venture capital mostrano momentum fortissimo, accelerato dal regulatory push dell’EU AI Act che sta guidando la demand di compliance su scala continentale. L’evoluzione hardware con acceleratori PET purpose-built promette di risolvere i bottleneck prestazionali residui, mentre l’ecosistema open source maturo abbassa drasticamente le barriere all’ingresso per startup innovative.

Compliance e implicazioni pratiche

Panorama normativo accelerato

Il framework regolamentare sta accelerando l’adozione enterprise con l’EU AI Act che impone misure obbligatorie di trasparenza e marcatura machine-readable per tutti i contenuti AI-generated entro agosto 2025, con sanzioni pecuniarie fino a €35 milioni o 7% del fatturato globale annuo.

Il GDPR richiede esplicitamente privacy by design con technical measures verificabili come encryption end-to-end e differential privacy, mentre la California ha implementato AB 2885 e SB 942 che impongono detection tools obbligatori per tutte le piattaforme con oltre 1 milione di utenti attivi.

Case studies e ROI enterprise

I case studies aziendali dimostrano ROI significativi e misurabili: implementazioni healthcare per stroke management automatizzato generano 451% ROI su 5 anni (che sale a 791% includendo i risparmi di tempo clinico dei radiologi), con investimenti iniziali che producono revenue stream sostanziali e risparmi operativi significativi.

Nel financial services, oltre il 70% delle grandi organizzazioni multinazionali dichiarano disponibilità a investimenti sostanziali in AI cybersecurity, riconoscendo il valore strategico della protezione dei dati clienti.

Total Cost of Ownership (TCO)

L’analisi TCO enterprise rivela range di investimento iniziale da $50K-150K per implementazioni proof-of-concept fino a $300K-500K+ per soluzioni enterprise full-scale. Le soluzioni vendor mature includono:

• Sensity AI (95-98% accuracy nella deepfake detection)
• Reality Defender (pluripremiata con SXSW 2023, SINET16 2024, RSA Innovation Sandbox 2024)
• Microsoft Azure Confidential Computing per deployment cloud enterprise

Raccomandazioni strategiche per il 2025

Approccio implementativo graduamel

Le organizzazioni devono adottare una strategia “start small, scale fast” implementando progetti pilota mirati mentre i framework normativi si consolidano definitivamente. La strategia ottimale per il 2025 combina C2PA e watermarking per content authenticity a basso costo iniziale, evolvendo progressivamente verso Federated Learning + Differential Privacy per use cases collaborativi avanzati.

Framework di selezione tecnologica

La selezione tecnologica deve essere guidata da criteri decisionales chiari e misurabili:

• Regulatory compliance: DP + FL per conformità GDPR/HIPAA
• Performance-critical applications: TEE + Watermarking per latenza minima
• Maximum security requirements: SMPC nonostante costi computazionali elevati
• Industry standard adoption: ecosistema C2PA per interoperabilità

Finestra strategica critica

Il momento strategico è adesso: le aziende che implementano responsabilmente queste tecnologie oggi costruiranno fondamenta competitive sostenibili e difficilmente replicabili per l’era AI-first. Con breakthrough tecnici che stanno riducendo drammaticamente i costi operativi, maturità crescente delle soluzioni commerciali e pressione normativa che accelera l’adoption rate, il triennio 2025-2027 rappresenta la finestra critica per stabilire leadership tecnologica nell’inevitabile transizione verso ecosistemi ibridi multi-tecnologia.

Note:

Kang, D., Hashimoto, T., Stoica, I., & Sun, Y. (2022). ZK-IMG: Attested Images via Zero-Knowledge Proofs to Fight Disinformation. arXiv:2211.04775.

South, T., et al. (2024). Verifiable evaluations of machine learning models using zkSNARKs. arXiv:2402.02675v2.

Apple Machine Learning Research. (2025). Combining Machine Learning and Homomorphic Encryption in the Apple Ecosystem.

PitchBook-NVCA. (2025). Global VC investments analysis: AI represents 35.7% of total VC deal value. VentureBeat.

European Parliament. (2024). EU AI Act: first regulation on artificial intelligence.

Zama. (2025). Series B funding announcement – June 25, 2025: First FHE unicorn status.

TensorFlow. (2025). Differential Privacy implementation guide for enterprise.

Content Authenticity Initiative. (2025). C2PA standard implementation across major platforms.

Journal of the American College of Radiology. (2024). ROI quantification study: Hospital AI implementation returns.

Microsoft Research. (2024). SEAL library performance improvements and enterprise adoption metrics.

OpenFHE Development Team. (2024). Cross-platform homomorphic encryption framework benchmarks.

IEEE Digital Privacy Consortium. (2025). Homomorphic encryption use cases and regulatory compliance guide.

https://www.ictsecuritymagazine.com/articoli/zero-knowledge-proofs-ai/

L’evoluzione delle tecnologie di intelligenza artificiale generativa ha inaugurato un’epoca di trasformazione radicale nella creazione e nella manipolazione dei contenuti digitali, ponendo sfide senza precedenti per l’autenticità e la verificabilità delle informazioni. Le tecniche di watermarking invisibile, la protezione contro attacchi avversariali, la tracciabilità dei contenuti generati e i sistemi di rilevamento basati su modelli fondazionali rappresentano oggi le frontiere più avanzate nella battaglia per preservare l’integrità dell’ecosistema informativo digitale.

Questa analisi esplora le implicazioni pratiche di queste tecnologie, esaminando come vengono implementate nei contesti reali – dai social media alle aule di tribunale, dalle redazioni giornalistiche alle applicazioni di sicurezza nazionale – evidenziando sia i successi ottenuti che le sfide persistenti che caratterizzano questo campo in rapida evoluzione.

Il watermarking invisibile come baluardo dell’autenticità

Sicurezza IA: Architetture avanzate di watermarking

I sistemi di watermarking invisibile rappresentano oggi una delle tecnologie più promettenti per garantire la tracciabilità e l’autenticità dei contenuti generati dall’intelligenza artificiale. TrustMark, sviluppato da Adobe Research, esemplifica l’approccio più sofisticato attualmente disponibile: attraverso un’architettura basata su reti generative avversariali, questo sistema raggiunge una qualità percettiva di 40-43 dB PSNR mantenendo robustezza contro 18 diverse tipologie di attacchi, inclusi la compressione JPEG, le trasformazioni geometriche e gli attacchi avversariali deliberati.

L’innovazione di Stable Signature, proposta da Meta FAIR nel 2023, introduce un paradigma radicalmente diverso: anziché aggiungere il watermark dopo la generazione, il sistema integra la marcatura direttamente nel processo di fine-tuning del modello di diffusione latente. Questa integrazione profonda rende l’eliminazione del watermark estremamente difficile, se non impossibile, senza degradare significativamente la qualità dell’immagine generata. Il sistema mantiene un tasso di falsi positivi di 1e-6 (un ordine di grandezza superiore ai metodi di rilevamento tradizionali che operano a 1e-2), garantendo così un’affidabilità significativamente migliorata nelle applicazioni pratiche.

Le implementazioni industriali di queste tecnologie rivelano un panorama in rapida evoluzione. Google DeepMind ha sviluppato SynthID, un sistema di watermarking che copre immagini, audio, testo e video, ora reso open-source per il watermarking testuale e raggiungendo il 98% di accuratezza con meno dello 0,5% di falsi positivi. Microsoft Azure OpenAI implementa automaticamente watermark crittografici per tutte le immagini generate da DALL-E 3, garantendo la tracciabilità attraverso identificatori univoci globali (GUID) resistenti alle modifiche comuni. Amazon Titan Image Generator incorpora watermark invisibili in tutte le immagini generate, mentre OpenAI sta sviluppando sistemi di watermarking per i modelli vocali personalizzati.

Tuttavia, la ricerca recente ha evidenziato vulnerabilità significative in questi sistemi. L’attacco SemanticRegen dimostra come sia possibile eliminare watermark semantici attraverso un processo a tre fasi che sfrutta le capacità rigenerative dell’IA stessa. Gli attacchi basati su ottimizzazione multi-stadio come UnMarker richiedono migliaia di iterazioni per compromettere i metodi più robusti, ma dimostrano che nessun sistema è completamente invulnerabile. Questa realtà sottolinea la natura di “corsa agli armamenti” che caratterizza il campo della sicurezza dell’IA generativa.

La protezione contro gli attacchi avversariali nei modelli generativi

Strategie difensive per i modelli di diffusione

I modelli di diffusione, che costituiscono l’architettura dominante per la generazione di immagini di alta qualità, presentano una robustezza intrinseca grazie alle loro proprietà di denoising, ma rimangono vulnerabili ad attacchi mirati. Il framework DiffPure sfrutta questa caratteristica naturale utilizzando modelli di diffusione pre-addestrati per purificare esempi avversariali attraverso l’aggiunta controllata di rumore seguita da denoising. Questa tecnica ha dimostrato miglioramenti dell’88% nell’accuratezza robusta mantenendo l’informazione semantica originale.

L’approccio LoRID (Low-Rank Iterative Diffusion) combina il denoising generativo con la decomposizione tensoriale per eliminare le perturbazioni avversariali in modo più efficiente. TendiffPure estende questo concetto utilizzando la decomposizione tensor-train per creare modelli di diffusione compressi che mantengono capacità di purificazione avversariale con requisiti computazionali ridotti. Queste innovazioni rappresentano passi cruciali verso sistemi di difesa praticamente implementabili su larga scala.

Fortificazione dei Large Language Models

La protezione dei modelli linguistici di grandi dimensioni richiede strategie multi-livello data la loro complessità e la diversità dei vettori di attacco. Il metodo Robust Prompt Optimization (RPO) ottimizza suffissi leggeri e trasferibili per difendere contro il jailbreaking, raggiungendo un tasso di successo degli attacchi di solo il 6% su GPT-4. Il rafforzamento del system prompt e l’implementazione di principi di Constitutional AI attraverso il Reinforcement Learning from Human Feedback (RLHF) forniscono ulteriori livelli di protezione.

OWASP ha classificato l’iniezione di prompt come il rischio numero uno per la sicurezza dell’IA nel 2025 (LLM01:2025), evidenziando l’urgenza di queste difese. Le implementazioni di produzione in ChatGPT e altri sistemi commerciali dimostrano l’efficacia di approcci multi-livello che combinano validazione dell’input, context locking, e la tecnica “sandwich defense” che rinforza le istruzioni all’inizio e alla fine dei prompt. Microsoft ha lanciato la sfida LLMail-Inject per testare praticamente queste difese, mentre SmoothLLM utilizza perturbazione e aggregazione dell’input per rilevare prompt avversariali.

Il compromesso tra sicurezza e prestazioni rimane una sfida centrale. L’addestramento avversariale aumenta il tempo di training di 2-10 volte, mentre i modelli robusti mostrano tipicamente una riduzione del 5-15% nell’accuratezza su input benigni. I metodi di purificazione aggiungono 100-500ms di latenza di elaborazione, creando tensioni significative per sistemi che richiedono risposte in tempo reale inferiori a 100ms. Questi trade-off richiedono decisioni strategiche nell’implementazione basate sui requisiti specifici di ciascuna applicazione.

La tracciabilità attraverso tecniche di point tracking e sistemi di provenienza

Fingerprinting dei modelli generativi e analisi forense

La ricerca pionieristica di Yu et al. del 2019 ha stabilito che le reti generative avversariali portano impronte digitali distintive che lasciano firme stabili nelle immagini generate. Queste impronte digitali dimostrano cinque caratteristiche fondamentali: esistenza (i GAN portano impronte distintive che supportano l’attribuzione delle immagini), unicità (differenze minime nell’addestramento risultano in impronte diverse), persistenza (le impronte sopravvivono attraverso frequenze e patch dell’immagine), robustezza (resistenza contro cinque tipi di perturbazioni avversariali), e superiorità (prestazioni costantemente migliori rispetto ai metodi baseline).

Gli approcci moderni di fingerprinting multi-livello distinguono tra impronte a livello di architettura nel dominio spaziale e impronte a livello di istanza nel dominio della frequenza. I framework di rappresentazione disaccoppiata permettono l’estrazione separata di diversi livelli di impronte per applicazioni task-specific. L’analisi di ombre e riflessi, sviluppata da Amped Software, sfrutta l’incapacità dei sistemi AI di mantenere coerenza fisica completa, rilevando pattern di ombre e riflessi fisicamente impossibili che forniscono prove interpretabili per procedimenti legali.

La Coalition for Content Provenance and Authenticity come standard industriale

Il C2PA rappresenta lo sforzo industriale più completo verso l’autenticità dei contenuti, sviluppato da una coalizione che include Adobe, Microsoft, Intel, BBC e altri attori principali sotto l’egida della Linux Foundation. Lo standard fornisce un’architettura tecnica basata su Content Credentials – metadati crittograficamente firmati contenenti informazioni di provenienza – con strutture manifest tamper-evident che registrano creazione, editing e distribuzione dei contenuti. Le firme digitali basate su certificati X.509 con verifica dell’autorità di timestamp e la verifica dell’integrità attraverso hashing crittografico garantiscono l’autenticità end-to-end.

L’adozione industriale sta accelerando significativamente. Leica (M11-P come prima fotocamera di produzione con autenticazione integrata) e Nikon hanno integrato le credenziali C2PA direttamente nelle loro fotocamere, Adobe Creative Suite e gli strumenti OpenAI incorporano Content Credentials nativamente, mentre le piattaforme social media stanno progressivamente adottando lo standard. Tuttavia, persistono sfide nell’adozione universale, vulnerabilità allo stripping dei metadati, impatti sulle prestazioni dei workflow di creazione contenuti, e problemi di interoperabilità cross-platform. Wikipedia nota che “molto poco contenuto internet utilizza C2PA” al 2025, evidenziando il gap tra capacità tecnica e implementazione reale.

Le soluzioni basate su blockchain, esemplificate dal Numbers Protocol, offrono un approccio complementare attraverso il processo Capture-Seal-Trace che crea record di provenienza immutabili. Il Proof-of-Existence (PoE) con identificatori unici contenenti hash values, timestamp e dati di proprietà, combinato con record on-chain che garantiscono tracciamento tamper-evident, fornisce vantaggi significativi in termini di decentralizzazione, immutabilità, verificabilità e interoperabilità.

Il rilevamento avanzato attraverso modelli fondazionali

L’evoluzione dei Vision Transformers nel rilevamento dei deepfake

I Convolutional Vision Transformers (CViT) rappresentano l’avanguardia nel rilevamento dei contenuti sintetici, combinando CNN con ViT per raggiungere il 91.5% di accuratezza sul dataset DFDC con un AUC di 0.91. GenConViT integra modelli ConvNeXt e Swin Transformer con Autoencoders/Variational Autoencoders, superando le aspettative con il 95.8% di accuratezza media attraverso DFDC, FF++, DeepfakeTIMIT e Celeb-DF v2. La fusione multi-architettura che combina Dual Attention Vision Transformers (DaViT), Inception Transformer (iFormer) e Group Propagation Vision Transformer (GPViT) usando MLP-Mixer per la fusione delle features sfrutta la comprensione contestuale locale-globale, l’ampliamento dello spettro di frequenza e la ritenzione di features ad alta risoluzione.

I Vision Transformers auto-supervisionati pre-addestrati come DINO offrono adattabilità comparabile ai metodi supervisionati con requisiti computazionali significativamente inferiori. DINO fornisce spiegabilità naturale attraverso meccanismi di attenzione, mentre il fine-tuning parziale riduce l’overhead computazionale mantenendo le prestazioni di rilevamento. Gli approcci basati su CLIP come C2P-CLIP iniettano prompt comuni di categoria per migliorare la generalizzazione nel rilevamento dei deepfake, mentre gli approcci Guided e Fused utilizzano CLIP-ViT congelato con guida delle features e fusione multi-stadio.

I metodi ViT all’avanguardia raggiungono accuratezza del 95-99% sui benchmark standard, ma la generalizzazione cross-dataset rimane problematica con prestazioni che scendono al 70-80% su dataset non visti. I metodi basati su CLIP mostrano robustezza migliorata attraverso diverse tecniche di generazione, suggerendo il valore delle capacità multimodali per il rilevamento robusto.

Sistemi multimodali e l’integrazione di modelli linguistici

I framework di rilevamento audio-visivo come UMMAFormer (Universal Multimodal-adaptive Transformer) per la localizzazione temporale delle falsificazioni e AVoiD-DF per l’apprendimento congiunto audio-visivo raggiungono prestazioni all’avanguardia sul dataset FakeAVCeleb (19.500 video falsi con audio sintetizzato). I meccanismi di attenzione cross-modale rilevano inconsistenze audio-visive, l’analisi di consistenza temporale attraverso le modalità identifica manipolazioni, mentre l’analisi del lip-sync combinata con il riconoscimento dei pattern vocali e l’integrazione del movimento oculare estende il rilevamento oltre il tradizionale lip-sync.

I Multimodal Large Language Models (MLLM) come ForgeryGPT e il benchmark SHIELD dimostrano capacità per il rilevamento spiegabile dei deepfake. GPT-4V e Gemini mostrano prestazioni zero-shot competitive rispetto ai metodi CV tradizionali con capacità superiori di interpretabilità e ragionamento per manipolazioni complesse, anche se non sono affidabili come sistemi standalone. I modelli OpenAI (GPT-4o) superano costantemente altri provider MLLM, anche se gli approcci augmented dal ragionamento non migliorano universalmente l’accuratezza del rilevamento.

Le implementazioni nel mondo reale e le sfide operative

L’ecosistema delle piattaforme social media

Le piattaforme di social media rappresentano la prima linea nella battaglia contro i contenuti sintetici malevoli. Meta ha investito massicciamente nella Deepfake Detection Challenge, generando oltre 35.109 modelli di rilevamento da 2.114 partecipanti con un premio di un milione di dollari. Nonostante questi sforzi, un’indagine CBS del 2024 ha rivelato centinaia di annunci deepfake “nudify” attraverso le piattaforme Meta, portando Meta a citare in giudizio Joy Timeline HK Limited nel giugno 2025.

Twitter/X ha introdotto politiche sui media sintetici con etichette di avvertimento e meccanismi di segnalazione degli utenti, ma sotto la leadership di Elon Musk ha visto riduzioni dell’80% nei team di moderazione dei contenuti. TikTok ha lanciato strumenti per rilevare e divulgare contenuti generati dall’IA il 19 settembre 2023, con oltre 37 milioni di creatori che utilizzano questi strumenti. YouTube sta implementando politiche di etichettatura AI integrate nei sistemi esistenti di moderazione dei contenuti, evitando di raccomandare contenuti contrassegnati come falsi dai fact-checker.

Le sfide di scala sono monumentali: YouTube elabora 500 ore di contenuti caricati al minuto (equivalenti a 82 anni di contenuto al giorno), Twitter gestisce milioni di post che richiedono analisi in tempo reale. Le prestazioni nel mondo reale sono spesso del 20-30% inferiori alle condizioni di laboratorio a causa della compressione delle piattaforme social. I sistemi di rilevamento rimangono vulnerabili agli attacchi avversariali, creando una dinamica di corsa agli armamenti tra generatori e rilevatori che richiede aggiornamenti e riaddestramento continui dei modelli.

Le applicazioni forensi e legali nell’era dei deepfake

Il sistema legale affronta sfide senza precedenti nell’autenticazione delle prove digitali. Le Federal Rules of Evidence esistenti, in particolare la Rule 901 sviluppata prima della manipolazione AI, sono inadeguate per l’era dei deepfake. Northwestern Law Review nota che “non esiste oggi un modo infallibile per classificare testo, audio, video o immagini come autentici o generati dall’IA”. I tribunali richiedono sempre più testimoni esperti, analisti forensi e consulenti FBI per la verifica.

Casi reali illuminano queste sfide. Nel 2019, una madre ha segretamente registrato conversazioni reali del padre per fabbricare prove false, rilevate attraverso analisi forense. Il caso della Pikesville High School del 2024 ha richiesto due esperti forensi e consulenti FBI per verificare una registrazione del preside generata dall’IA. I tribunali programmano sempre più udienze probatorie pre-processuali specificamente per presunte prove deepfake, stabilendo precedenti per la gestione futura di tali casi.

Le soluzioni proposte includono una nuova Rule 901(b)(11) che richiede fonti di conferma oltre le dichiarazioni dei testimoni, standard di autenticazione più elevati quando vengono sollevati sospetti di deepfake, e sistemi esperti come Intel FakeCatcher, DuckDuckGoose AI e Sensity AI implementati in contesti forensi. L’ammissibilità legale richiede catena di custodia e standard forensi rigorosi, complicando ulteriormente l’implementazione pratica.

L’industria dei media e il giornalismo investigativo

Il Wall Street Journal ha formato il WSJ Media Forensics Committee, una task force interna sui deepfake con editor di video, foto, visual, ricerca, piattaforma e notizie. Il loro approccio combina analisi frame-by-frame, ricerche inverse di immagini e strumenti di autenticazione blockchain attraverso partnership con Storyful, Associated Press e Cornell Tech. La loro filosofia che “la tecnologia da sola non risolverà il problema” sottolinea l’importanza dell’augmentazione umana.

Reuters ha trovato 30 video falsi durante le tensioni India-Pakistan del 2019, per lo più vecchi video con nuove didascalie, portando alla formazione di team specializzati di rilevamento. Tuttavia, la Columbia Journalism Review nel 2025 avverte che gli strumenti di rilevamento “non possono essere considerati affidabili per catturare contenuti generati dall’IA”, con il 71% delle persone intervistate che non sanno cosa sono i deepfake e solo il 61% in grado di distinguere persone generate dall’IA da quelle reali.

Gli impatti economici e sociali della manipolazione sintetica

Il costo crescente delle frodi deepfake

L’impatto economico delle frodi deepfake sta raggiungendo proporzioni allarmanti. Il caso Arup Engineering nel Regno Unito ha visto perdite di HK$200 milioni ($25,6 milioni USD) da videoconferenze deepfake che impersonavano dirigenti. Steve Beauchamp, 82 anni, ha perso $690.000 in una truffa di investimento deepfake di Elon Musk. In Francia, una donna di 53 anni ha perso €830.000 in 18 mesi a una truffa romantica deepfake di Brad Pitt, confermata da TF1 e dalla risposta ufficiale di Brad Pitt.

Le statistiche globali rivelano tendenze preoccupanti: un aumento del 1.000% (10x) nelle frodi deepfake dal 2022 al 2023 secondo i dati Sumsub, con il Nord America che ha visto un aumento del 1.740% e l’Asia-Pacifico del 1.530%. L’88% dei casi si concentra nel settore crypto, l’8% nel fintech. Il governo britannico stima che 8 milioni di deepfake saranno condivisi nel 2025 contro i 500.000 del 2023. Le aziende perdono in media $450.000-680.000 per incidente deepfake, con perdite per frodi AI generative previste raggiungere i $40 miliardi entro il 2027 negli Stati Uniti.

Le implicazioni politiche e la minaccia alla democrazia

I deepfake rappresentano una minaccia esistenziale ai processi democratici. La robocall Biden del New Hampshire che utilizzava voce generata dall’IA per scoraggiare il voto alle primarie ha portato a una multa di $6 milioni per Steve Kramer (con una multa aggiuntiva di $1 milione per la compagnia telefonica Lingo Telecom). Le elezioni statali indiane del marzo 2024 hanno visto l’uso diffuso da parte dei candidati politici per tradurre discorsi in lingue regionali. Il video deepfake del presidente ucraino Zelensky del marzo 2022 che dichiarava falsamente la fine della guerra contro la Russia ha dimostrato il potenziale per la manipolazione geopolitica.

L’incidente di Taylor Swift del gennaio 2024 con immagini deepfake esplicite diffuse sui social media ha spinto discussioni legislative, con X che ha temporaneamente bloccato le ricerche per il nome di Swift. Le truffe pubblicitarie deepfake di MrBeast del 2023 per omaggi falsi dimostrano come le celebrità siano bersagli particolarmente vulnerabili per lo sfruttamento deepfake, con MrBeast stesso che ha postato su X riguardo al problema.

I framework normativi e le risposte istituzionali

L’AI Act europeo come modello globale

L’AI Act dell’Unione Europea, entrato in vigore il 1° agosto 2024 con i rischi inaccettabili vietati dal 2 febbraio 2025 e piena applicabilità dal 2 agosto 2026, stabilisce il primo framework normativo completo per l’IA. L’atto definisce i deepfake come “contenuti immagine, audio o video generati o manipolati dall’IA che assomigliano a persone, oggetti, luoghi, entità o eventi esistenti e apparirebbero falsamente a una persona come autentici o veritieri”.

I requisiti includono l’etichettatura di divulgazione obbligatoria e gli obblighi di trasparenza per fornitori e implementatori. Le sanzioni possono raggiungere €35 milioni o il 7% del fatturato globale, a seconda di quale sia maggiore (Articolo 99). Le esenzioni per l’applicazione della legge per rilevare, prevenire, indagare o perseguire reati penali creano complessità aggiuntive nell’implementazione.

L’approccio degli Stati Uniti

Il TAKE IT DOWN Act firmato in legge il 19 maggio 2025 (Legge Pubblica 119-12) rappresenta la prima legge federale che restringe direttamente i deepfake dannosi, concentrandosi su immagini intime non consensuali con requisiti per le aziende di siti web e social media di rimuovere contenuti deepfake entro 48 ore dalla notifica della vittima. Quasi ogni stato americano ha progetti di legge attivi relativi all’IA, con 25 progetti di legge sui deepfake introdotti a settimana. La California guida con molteplici leggi firmate inclusi disclaimer per annunci politici generati dall’IA (SB 942) e requisiti di rimozione dalle piattaforme.

Le tendenze normative internazionali mostrano approcci divergenti. L’Online Safety Act del Regno Unito richiede alle piattaforme di rimuovere la pornografia deepfake illegale su notifica, con pene fino a 2 anni di prigione. Le normative cinesi richiedono che tutti i contenuti generati dall’IA siano chiaramente etichettati visibilmente e nei metadati dal 1° settembre 2025, limitando la generazione di notizie AI. La Danimarca sta considerando un divieto completo di immagini sessuali generate dall’IA senza consenso.

Le prospettive future e le direzioni di ricerca emergenti

L’evoluzione tecnologica e le nuove frontiere

Le tecnologie di prossima generazione promettono sia opportunità che sfide. L’analisi multimodale che combina autenticazione di testo, immagine, video e audio offre rilevamento più robusto. Il fingerprinting comportamentale dei pattern di interazione degli utenti per l’identificazione dei contenuti sintetici fornisce un nuovo vettore per il rilevamento. La crittografia quantum-resistant per l’autenticazione dei contenuti prepara i sistemi per le future minacce del calcolo quantistico. L’apprendimento federato permette l’addestramento distribuito preservando la privacy mentre migliora il rilevamento.

Gli sforzi di standardizzazione industriale stanno accelerando con framework ISO/IEC per l’autenticazione dei contenuti AI, specifiche W3C per lo scambio di informazioni di provenienza, e linee guida IEEE per i sistemi di tracciamento dei contenuti AI. L’evoluzione legale include sforzi di armonizzazione per il coordinamento internazionale sulla regolamentazione dei contenuti AI, framework di responsabilità per i danni dei contenuti generati dall’IA, e standard di prova per l’ammissibilità forense del rilevamento AI nei procedimenti legali.

Le raccomandazioni strategiche per gli stakeholder

Per l’industria, l’accelerazione dell’adozione C2PA attraverso piattaforme di creazione e distribuzione dei contenuti è cruciale, riconoscendo che l’adozione attuale rimane limitata. Gli investimenti in infrastrutture di rilevamento robuste capaci di analisi in tempo reale su scala, lo sviluppo di soluzioni interoperabili che permettono la verifica dei contenuti cross-platform, e l’istituzione di best practice a livello industriale per l’etichettatura e la divulgazione dei contenuti AI sono priorità immediate.

I ricercatori devono concentrarsi sulla robustezza avversariale nello sviluppo di algoritmi di rilevamento, investigare approcci multimodali che combinano molteplici tecniche di autenticazione, sviluppare metodi AI spiegabili per applicazioni forensi e legali, e ricercare tecniche che preservano la privacy bilanciando l’autenticità con i diritti degli utenti.

I policymaker devono armonizzare gli standard internazionali per la regolamentazione dei contenuti AI, stabilire chiari framework di responsabilità per i danni dei contenuti sintetici, investire nelle capacità del settore pubblico per la verifica e l’applicazione dei contenuti, e supportare la ricerca e lo sviluppo nelle tecnologie di autenticità AI.

Conclusioni

La sicurezza dell’IA generativa e il rilevamento dei deepfake rappresentano una delle sfide tecnologiche e sociali più pressanti del nostro tempo. Mentre le tecnologie di watermarking invisibile, la protezione contro attacchi avversariali, i sistemi di tracciabilità e i modelli fondazionali per il rilevamento offrono capacità promettenti, la loro efficacia nel mondo reale rimane limitata da sfide tecniche, di scala e di adozione.

L’esperienza delle implementazioni pratiche – dalle piattaforme social media alle aule di tribunale – dimostra che la tecnologia da sola non è sufficiente. Il successo richiede un approccio ecosistemico che integra innovazione tecnologica, cooperazione industriale, framework normativi appropriati e consapevolezza pubblica. La natura di “corsa agli armamenti” tra creatori e rilevatori di contenuti sintetici suggerisce che questa sfida richiederà vigilanza e adattamento continui.

Il prossimo decennio sarà critico nel determinare se la società può mantenere la fiducia nell’autenticità dei media digitali mentre le capacità di generazione AI continuano ad avanzare esponenzialmente. La convergenza di standard industriali come C2PA (nonostante l’adozione limitata attuale), l’evoluzione dei framework normativi come l’AI Act europeo, e i continui progressi nelle tecnologie di rilevamento offre speranza che l’integrità dell’ecosistema informativo possa essere preservata.

Tuttavia, questo richiederà sforzi coordinati senza precedenti attraverso settori, confini e discipline per affrontare efficacemente le implicazioni profonde dell’IA generativa per la verità, la fiducia e l’autenticità nell’era digitale. La sfida non è solo tecnologica, ma fondamentalmente sociale: come preservare la fiducia in un mondo dove la distinzione tra reale e sintetico diventa sempre più sfumata.

Fonti:

Adobe Research. (2023). TrustMark: Universal Watermarking for Arbitrary Resolution Images. GitHub Repository.

Fernandez, P., Couairon, G., Jain, H., Douze, M., & Cord, M. (2023). The stable signature: Rooting watermarks in latent diffusion models. In Proceedings of the IEEE/CVF International Conference on Computer Vision. Meta AI Blog.

Google DeepMind. (2024). SynthID: Tools for watermarking and detecting LLM-generated Text. Responsible Generative AI Toolkit.

Salman, H., et al. (2023). Denoising Diffusion Probabilistic Models as a Defense against Adversarial Attacks. arXiv preprint arXiv:2301.06871.

Yu, N., Davis, L., & Fritz, M. (2019). Attributing fake images to GANs: Learning and analyzing GAN fingerprints. In Proceedings of the IEEE/CVF International Conference on Computer Vision.

Dolhansky, B., et al. (2020). The DeepFake Detection Challenge (DFDC) Dataset. arXiv preprint arXiv:2006.07397.

Khalid, H., et al. (2021). FakeAVCeleb: A Novel Audio-Video Multimodal Deepfake Dataset. NeurIPS Datasets and Benchmarks Track.

Coalition for Content Provenance and Authenticity (C2PA). (2024). C2PA Specification Version 2.2. Linux Foundation Project.

OWASP Gen AI Security Project. (2025). LLM01:2025 Prompt Injection.

CFO Dive. (2024). Scammers siphon $25M from engineering firm Arup via AI deepfake ‘CFO’.

Sumsub. (2023). Global Deepfake Incidents Surge Tenfold from 2022 to 2023.

Federal Communications Commission. (2024). FCC Fines Man Behind Election Interference Scheme $6 Million. DOC-405811A1.

NBC News. (2024). Telecom company agrees to $1M fine over Biden deepfake.

CNN. (2024). Pikesville High School’s principal was accused of offensive language on a recording. Authorities now say it was a deepfake.

Meta AI. (2020). Deepfake Detection Challenge Results: An open initiative to advance AI.

CBS News. (2024). Meta’s platforms showed hundreds of “nudify” deepfake ads, investigation finds.

TechCrunch. (2023). TikTok debuts new tools and technology to label AI content.

European Commission. (2024). AI Act | Shaping Europe’s digital future.

Congress.gov. (2025). The TAKE IT DOWN Act: A Federal Law Prohibiting the Nonconsensual Publication of Intimate Images.

https://www.ictsecuritymagazine.com/articoli/sicurezza-ia/

Media e AI. Viola (DG Connect Ue): “Garantire più tutela del copyright e dell’informazione professionale”

L’intelligenza artificiale (AI) si preannuncia come il prossimo grande catalizzatore di cambiamento nell’industria dei media. Non è solo un’evoluzione, ma una rivoluzione che potrebbe rimodellare ogni aspetto del settore, dalla creazione di contenuti alla distribuzione, dal marketing alla monetizzazione.

Del tema si è occupato Roberto Viola, direttore generale della DG Connect alla Commissione europea, intervenendo all’evento Connact Media, organizzato dalla piattaforma Connact in collaborazione con il Parlamento europeo, dal titolo “Nuove frontiere dell’informazione e dell’industria culturale dell’Ue”.

Parlando dell’AI, il direttore generale ha proposto il modello delle gigafactory, con oltre “230 miliardi di investimenti promessi” da fondi internazionali, da estendere anche ai media, per “organizzare noi stessi contenuti e intelligenza artificiale” e garantire così più tutela del copyright e dell’informazione professionale.

<!-- ARUBA - 300x250 -->

Evitare in Europa la frammentazione normativa sull’AI

Viola ha poi spiegato che “se cominciamo con 27 leggi sull’AI non andiamo da nessuna parte. Saremo molto severi nell’esaminare qualunque legge nazionale che, magari con buone intenzioni, fa il contrario delle buone intenzioni“, mettendo in guardia sui rischi di frammentazione normativa nel settore.

“Dobbiamo avere la forza e la responsabilità di portare l’informazione professionale ai giovani”, perchè poi i giovani diventeranno adulti, “quindi lì si gioca la partita”, ha aggiunto Viola.

“Il vantaggio competitivo in queste tecnologie si costruisce negli anni“, ha affermato il direttore generale della DG Connect, ricordando come gli Stati Uniti abbiano saputo dominare il web grazie a investimenti programmati già dagli anni ’90 e sottolineando che l’Europa deve ora colmare il divario con strategie condivise.

“Difenderemo l’implementazione del Media Freedom Act perché pensiamo che sia una norma di civiltà che distingue l’Europa da qualunque altro continente del mondo”, ha poi precisato Viola.

Il sottosegretario Barachini: “Semplificare le procedure in materia di aiuti di Stato ai media”

Prima del direttore generale della DG Connect della Commissione europea, ha parlato anche Alberto Barachini, sottosegretario alla Presidenza del Consiglio con delega all’Informazione e all’Editoria del nostro Paese.

L’Europa “è la nostra casa comune, la nostra grande protezione rispetto alle superpotenze internazionali, per garantire che le regole siano applicate a tutti, anche alle Big Tech“.

L’approccio, in un settore delicato come quello dei media, “deve essere di prevenzione, più che di correzione“. La prevenzione “vuol dire lavorare a un ecosistema informativo sano e resiliente“.

Secondo il sottosegretario, vanno attuate “misure europee, anche di sostegno, perché i media liberi e indipendenti abbiano più risorse e, quindi, si sviluppi il pluralismo e il giornalismo di qualità, per garantire un ambiente informativo diversificato e affidabile“.

Aiuti di Stato per evitare il deserto informativo?

Secondo il sottosegretario, poi, bisogna essere in grado di finanziarie il mondo dell’informazione, anche per “contrastare il News Desert“, il deserto informativo: “Rovescerei la narrazione: finanziare una buona informazione è molto migliore che censurare una cattiva informazione”.

La Commissione europea, ha detto Barachini, dovrebbe “lavorare e prendere in considerazione seriamente l’iter per semplificare le attuali procedure in materia di aiuti di Stato ai media dell’informazione“, perché i provvedimenti legislativi che l’Italia sta adottando “porteranno risorse importanti anche per l’assunzione di giovani professionisti nel settore dei media. Professionisti che possano lavorare all’innovazione del settore“.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/viola-ue-estendere-ai-media-il-modello-delle-gigafactory-ai/549151/

Stop a Clothoff l’app che spoglia le persone. Il Garante per la protezione dei dati personali ha disposto, in via d’urgenza e con effetto immediato, la limitazione provvisoria del trattamento dei dati personali degli utenti italiani nei confronti di una società, con sede nelle Isole Vergini Britanniche, che gestisce l’app Clothoff.

Clothoff offre un servizio di AI generativa che rende possibile – gratuitamente e a pagamento – la generazione di immagini di “deep nude”, ovvero foto e video falsi che ritraggono persone reali in pose nude o sessualmente esplicite o, addirittura, pornografiche.

L’applicazione consente a chiunque – inclusi i minorenni – di creare fotografie e realizzare video partendo da immagini, anche ritraenti minori, in assenza di qualsiasi accorgimento che permetta di verificare il consenso della persona ritratta e senza apporre alcuna segnalazione circa il carattere artificiale di foto e video.

<!-- ARUBA - 300x250 -->

Il blocco del Garante, che comunque ha avviato un’attività di indagine finalizzata a contrastare tutte le app di nudificazione, si è reso necessario a causa degli elevati rischi che tali servizi possono comportare per i diritti e le libertà fondamentali, con particolare riguardo alla tutela della dignità della persona, ai diritti di riservatezza e di protezione dati personali dei soggetti coinvolti in queste tipologie di trattamenti, specie se coinvolgono ragazzi minorenni.

Lo confermano i numerosi e recenti fatti di cronaca nazionale italiana, dai quali emerge come l’abuso di immagini in tal modo artefatte stia ormai generando un vero e proprio allarme sociale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/il-garante-privacy-blocca-clothoff-lapp-che-spoglia-le-persone/549081/

Secondo Neema Raphael, Chief Data Officer di Goldman Sachs, l’ecosistema AI ha già raggiunto un punto critico: i dati di addestramento disponibili sono esauriti.

Questa affermazione, rilasciata durante un episodio del podcast ‘Exchanges’ della banca, evidenzia una crescente crisi nella disponibilità di contenuti utili per alimentare modelli linguistici sempre più sofisticati. La scarsità di dati freschi sta costringendo sviluppatori e aziende a ripiegare su contenuti sintetici generati artificialmente, una pratica che pone rischi significativi in termini di qualità, coerenza e originalità.

L’uso intensivo di dati generati da altre AI – come nel caso di DeepSeek in Cina – solleva interrogativi sull’effettiva innovazione e sul pericolo di una ‘piatta creativa’. Raphael avverte che un’eccessiva dipendenza da contenuti sintetici potrebbe portare a una standardizzazione del pensiero, riducendo il valore creativo e umano dell’AI.

<!-- ARUBA - 300x250 -->

Tuttavia, esiste una riserva preziosa ancora poco esplorata: i dataset proprietari detenuti dalle aziende. Flussi di trading, interazioni con clienti e processi interni rappresentano risorse dal potenziale enorme, a patto che vengano interpretate correttamente nel loro contesto di business e normalizzate per un utilizzo efficace.

Mentre il web pubblico è ormai ‘svuotato’, la vera frontiera dell’evoluzione AI potrebbe risiedere nei dati aziendali non sfruttati.

Raphael suggerisce che il limite futuro non sarà la disponibilità di informazioni, ma la capacità di comprenderle, strutturarle e valorizzarle in modo strategico.

Un cambiamento di paradigma che pone le imprese al centro dell’innovazione, ma impone anche una riflessione filosofica sull’autenticità e l’umanità nell’evoluzione degli algoritmi.

Per maggiori informazioni, clicca per l’articolo originale.

OpenAI raggiunge una valutazione di 500 miliardi di dollari dopo la vendita di azioni

Secondo fonti vicine alla trattativa, OpenAI avrebbe toccato una valutazione impressionante di 500 miliardi di dollari in seguito a una recente operazione di vendita di azioni nel mercato secondario.

Questo traguardo conferma l’interesse costante e crescente degli investitori verso l’azienda fondata da Sam Altman, nota per lo sviluppo dei modelli GPT e delle tecnologie AI più avanzate al mondo.

La vendita di azioni non ha comportato l’emissione di nuove quote, ma ha invece permesso ad azionisti esistenti, come dipendenti e primi investitori, di liquidare parte delle loro partecipazioni.

La cifra, che proietta OpenAI in una posizione comparabile alle principali big tech, evidenzia come la società si stia rapidamente affermando non solo come leader tecnologico ma anche come asset strategico nel mercato globale dell’innovazione.

L’interesse per la sua equity riflette la fiducia nella sostenibilità del suo modello di business, basato su applicazioni di AI sempre più integrate in settori chiave dell’economia, dai servizi digitali alla consulenza aziendale. Fonti interne suggeriscono che l’operazione sia stata facilitata da Thrive Capital, partner di lungo corso dell’azienda, contribuendo a mantenere una governance equilibrata durante la crescita esponenziale.

La valutazione a mezzo trilione di dollari rappresenta un punto di svolta nella storia recente delle startup tecnologiche, spingendo analisti ed esperti del settore a riflettere sull’impatto a lungo termine che OpenAI potrebbe avere su finanza, lavoro e società. Un risultato che sottolinea l’importanza strategica dell’AI nel futuro economico mondiale.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/secondo-goldman-sachs-lai-ha-gia-esaurito-i-dati-di-addestramento/549003/

“La sovranità digitale non può più essere considerata un tema marginale o confinato alla sfera normativa: è oggi un fattore determinante nelle scelte tecnologiche delle imprese e nella loro capacità di competere sui mercati. Le aziende non si limitano più a richiedere protezione, ma esigono certezze sulla localizzazione dei dati, chiarezza nelle responsabilità operative e garanzie di piena aderenza regolatoria. L’evoluzione fotografata dall’Osservatorio lo dimostra chiaramente: il Private Cloud registra una crescita del +23%, attestandosi a 1,39 miliardi di euro, spinta proprio dall’esigenza di maggior controllo e dal progressivo consolidarsi delle soluzioni di Cloud sovrano” – sottolinea Massimo Bandinelli, Marketing Manager di Aruba Cloud, a margine della presentazione dei risultati della sedicesima edizione dell’Osservatorio Cloud Transformation del Politecnico di Milano.

I nuovi risultati, presentati oggi nel corso del convegno “Cloud tra Intelligenza Artificiale e Sovranità: strategie e politiche industriali per un nuovo ecosistema digitale”, rafforzano il ruolo del Cloud quale pilastro dell’innovazione e infrastruttura strategica per la competitività del Paese.

“I risultati della nuova ricerca dell’Osservatorio confermano quanto sia ormai imprescindibile proporre servizi sovereign-by-design. Un approccio di questo tipo non è solo un requisito tecnico, ma diventa un vero fattore competitivo per le aziende: abilita le scelte strategiche future, genera valore concreto per l’impresa e per i suoi clienti, e consente di scalare, estendere l’infrastruttura e adeguarsi rapidamente a nuovi requisiti normativi. In altre parole, permette di evolvere con agilità quando le esigenze cambiano. Proporre questo modello implica fondare l’offerta su infrastrutture di proprietà, con data center localizzati esclusivamente in Europa, garantire una governance e un monitoraggio esercitati all’interno dell’Unione Europea e adottare architetture aperte e interoperabili, come previsto ad esempio anche dal progetto SECA API. In questo modo la conformità non è un requisito da aggiungere ex post, ma diventa un principio architetturale intrinseco, parte integrante del disegno dei servizi Cloud” aggiunge Bandinelli.

<!-- ARUBA - 300x250 -->

Tra le principali evidenze emerse, il mercato Cloud italiano raggiunge nel 2025 un valore complessivo di 8,13 miliardi di euro, con una crescita del +20% rispetto all’anno precedente. A trainare l’espansione è ancora una volta il Public & Hybrid Cloud, che si attesta a 5,83 miliardi (+21%). All’interno di questa componente, l’Infrastructure as a Service (IaaS) tocca i 2,63 miliardi (+23%), arrivando a rappresentare il 45% della spesa complessiva, sostenuta in particolare dalla diffusione di ambienti dedicati allo sviluppo di applicazioni di Intelligenza Artificiale.

Il Cloud, infatti, si conferma l’infrastruttura abilitante per l’Intelligenza Artificiale, capace di sostenerne la diffusione e di determinarne i modelli di adozione. Nel 2025, il 25% delle grandissime imprese dichiara di utilizzare API di AI-as-a-Service, il 23% adotta applicazioni pronte all’uso e il 16% impiega piattaforme per sviluppatori.

“L’Intelligenza Artificiale e il Cloud sono inseparabili. La nuvola è il motore che rende possibile l’AI, ma per coglierne i benefici le imprese devono imparare a coniugare innovazione e governance dei dati, superando i limiti legati a competenze e sicurezza che ancora oggi rappresentano un ostacolo” – afferma Mariano Corso, Responsabile Scientifico dell’Osservatorio Cloud Transformation del Politecnico di Milano – ”Permane un vuoto di governance preoccupante: il 59% delle organizzazioni non ha ancora introdotto policy per contrastare la perdita o l’uso improprio di informazioni sensibili da parte dei dipendenti che utilizzano strumenti di AI Generativa”.

Parallelamente, i dati dell’Osservatorio segnalano un rafforzamento dell’attenzione verso la sicurezza e la conformità normativa: il 72% delle imprese ha avviato progetti di cybersecurity e gestione dei rischi informatici, mentre il 39% ha concentrato i propri sforzi sull’adeguamento alle nuove direttive europee, tra cui NIS2, DORA e AI Act.

“In questo scenario i provider locali assumono un ruolo distintivo e strategico. Non siamo meri erogatori di servizi tecnologici, ma interpreti e mediatori che si muovono tra le esigenze specifiche dei mercati nazionali e i quadri normativi e di fiducia europei. In un contesto in cui il 46% delle grandi organizzazioni ha adottato strategie ibride e selettive, diventa essenziale offrire piattaforme capaci di garantire isolamento e protezione dei dati più sensibili, senza sacrificare scalabilità, interoperabilità e flessibilità, che restano elementi imprescindibili del paradigma Cloud” – commenta Bandinelli.

Infine, il report evidenzia un trend sempre più marcato: il 35% delle organizzazioni dichiara di valutare progetti di Cloud repatriation, in crescita rispetto al 20% del 2024.

“Sempre più realtà stanno passando dall’entusiasmo del “Cloud first” alla ricerca di soluzioni più mirate ed equilibrate. La Cloud repatriation rappresenta un’evoluzione verso una maggiore personalizzazione del servizio che rispecchia i principi di sovranità: non esiste un modello unico, ma la necessità di adattare le architetture IT agli obiettivi concreti di ciascuna organizzazione. Significa sviluppare soluzioni su misura, che possono tradursi nel riportare i workload in un Private Cloud dedicato oppure nell’integrare modelli ibridi con ambienti pubblici. L’approccio giusto è quello che assicura sovranità, e quindi controllo, performance e sostenibilità economica nel tempo” – conclude Bandinelli.

Per ulteriori dettagli: https://www.cloud.it/private-and-hybrid-cloud

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/aruba-il-cloud-sovereign-by-design-e-la-leva-strategica-per-la-competitivita-digitale-in-italia/548891/

I dati dei lavoratori rappresentano oggi uno dei temi più critici nell’intersezione tra diritto del lavoro e normative sulla privacy, particolarmente rilevante dopo l’introduzione dell’AI Act europeo. Questo contenuto fa parte di una serie di approfondimenti dedicati al tema dello “Standard di gestione dei dati dei dipendenti dopo l’AI ACT”, con l’obiettivo di fornire una comprensione sistematica delle trasformazioni normative in corso.

Il presente articolo si concentra sui fondamenti giuridici della protezione dei dati personali nel rapporto di lavoro, analizzando l’evoluzione del quadro normativo italiano dal pionieristico Statuto dei Lavoratori del 1970 fino all’integrazione con il GDPR e il recente AI Act.

Diritto del lavoro e privacy digitale: approccio giuslavorista ai dati dei lavoratori

La protezione dei dati personali non è una materia esclusivamente tecnica. Al contrario, parlando di un diritto nel senso più soggettivo – cioè come “interessi giuridicamente protetti[1]” dell’individuo – ha senso partire proprio da un approccio giuridico, e in particolare giuslavorista. Per questo motivo inizieremo dall’analizzare quali strumenti giuridici presenta l’ordinamento italiano prima di capire l’impatto dell’introduzione di sistemi automatizzati.

L’argomento è quanto più lontano dall’essere statico. Non solo la tecnologia avanza inesorabilmente andando a mutare – a volte rivoluzionare – le condizioni oggettive in cui viviamo, ma a questo si aggiunge anche un continuo tentativo di regolamentare e legiferare la materia. Non bisogna arrivare alla conclusione disfattista che allora questo studio sia inutile, perché questo è l’unico modo per comprendere sia i dettagli dell’evoluzione sia i principi essenziali che sopravvivendo alle trasformazioni, anche quelle più radicali, vanno a definire i tratti di riconoscimento della nostra società. L’ultimo sviluppo in materia è stato l’IA Act dell’Unione Europea ma prima di parlarne nel dettaglio è necessario analizzare prima i fondamenti e gli strumenti della materia giuslavorista.

In sintesi, sono due gli elementi fondamentali. Il primo è il principio con il quale si procede alla limitazione dei poteri datoriali e in particolare quello dell’iniziativa economica; il secondo è lo strumento dell’imposizione di obblighi informativi, sia nella dimensione di quando si applicano ma anche di come essi si strutturano. Accostiamo, cioè un’analisi teorica dei ragionamenti e una tecnica degli strumenti.

Il principio della limitazione delle finalità

Il diritto del lavoro del nostro paese si trova già con diverse norme che vanno a regolamentare il rapporto tra lavoro e tecnologia, andando a fornire protezione da eventuali minacce. Alcune di queste leggi derivano dall’adozione nazionale di regolamenti e direttive del diritto comunitario, ma la fonte prioritaria, sia perchè la più importante sia perchè la prima cronologicamente, è la legge n.300 del 1970, meglio nota come Statuto dei Lavoratori.

Inutile dire che un testo – che per quanto tenuto aggiornato – sia stato scritto oltre 50 anni fa non può essere l’unico riferimento normativo necessario ad analizzare una materia come questa, ma la natura estensiva e di indirizzamento dello Statuto dei Lavoratori lo rende il punto di partenza obbligato per un’analisi di questo tema. All’interno dell’articolo 4 si trova la normativa in materia di strumenti di sorveglianza a distanza dei lavoratori.

La spinta avanguardista del legislatore dimostra che non è meramente formale il passaggio su questa legge o frutto di un puro interesse accademico; invece, si tratta proprio di comprendere uno dei mattoni fondativi della materia giuslavorista e del suo incontro con il diritto alla privacy dei lavoratori in Italia con le conseguenti interazioni.

L’articolo 4 dello Statuto dei Lavoratori regola appunto la materia della sorveglianza a distanza dei lavoratori. La legge sancisce che gli strumenti da cui deriva questa pratica, specificando che non sono solo quelli audiovisivi, “possono essere impiegati esclusivamente per esigenze organizzative e produttive, per la sicurezza del lavoro e per la tutela del patrimonio aziendale”. Questo vuol dire che all’interno del nostro ordinamento è già presente un limite per l’introduzione di nuove tecnologie nelle aziende, e che questo limite si basa prima di tutto sul fine dell’implementazione.

In altre parole, un datore di lavoro non può adottare una nuova tecnologia semplicemente per sperimentarla o per attrarre nuovi investitori – come può essere il caso della ricerca nelle Intelligenze Artificiali – ma deve prima verificare che questo non vada a ledere i diritti dei lavoratori, incluso quello alla privacy, o che il rischio sia accettabile dalla legge. L’articolo prosegue esplicitando anche la necessità di un accordo con la rappresentanza sindacale, o in alternativa, in caso non sia materialmente possibile, con la sede territoriale dell’Ispettorato Nazionale del Lavoro. Questo serve a rende concretamente possibile il bilanciamento tra gli interessi dei lavoratori e del datore, che come vedremo più avanti è uno dei principi cardine del nostro ordinamento giuslavorista.

Nel 2019 questo articolo è stato emendato con il Jobs Act, andando ad esentare da questi limiti “gli strumenti di lavoro.” La definizione di questi strumenti è stata successivamente fornita dall’Ispettorato Nazionale del Lavoro e confermata dal Garante della Privacy, ed è la seguente: “tutti gli apparecchi, dispositivi, apparati e congegni che costituiscono il mezzo indispensabile al lavoratore per adempiere la prestazione lavorativa dedotta in contratto, e che per tale finalità siano stati posti in uso e messi a sua disposizione … ovvero direttamente preordinati all’esecuzione della prestazione lavorativa[2]”.

In poche parole, questo emendamento è servito a superare il generale divieto degli strumenti tecnologici che potrebbero avere teoricamente ricadute di controllo – al giorno d’oggi questi strumenti sono indispensabili, pensiamo al GPS di un corriere – andando però a mantenere il principio della tutela presente nell’articolo 4.

Questa norma è stata scritta tenendo a mente la possibilità che il datore di lavoro introducendo nuovi strumenti tecnologici con l’obbiettivo di migliorare la produttività aziendale corre il rischio di ledere i diritti e le tutele dei dipendenti. Il legislatore, andando a definire le lecite ragioni per questi sistemi di controllo, introduce un approccio fondamentale anche per quanto riguarda la materia di privacy: il principio della limitazione delle finalità[3].

Un approccio del tutto paragonabile lo troviamo, infatti, anche all’interno del Regolamento generale sulla protezione dei dati, ovvero il regolamento europeo 2016/679 (d’ora in avanti GDPR).

Nell’articolo 6 comma 1 del GDPR vengono delineate delle finalità idonee al trattamento dei dati; tra questi, nel caso dei lavoratori dipendenti sia pubblici sia privati, i più rilevanti sono: lettera b, “l’esecuzione di un contratto di cui l’interessato è parte[4]”; lettera c, “il trattamento è necessario per adempiere un obbligo legale al quale è soggetto il titolare del trattamento[5]”; e lettera f, ”il trattamento è necessario per il perseguimento del legittimo interesse del titolare del trattamento o di terzi, a condizione che non prevalgano gli interessi o i diritti e le libertà fondamentali dell’interessato che richiedono la protezione dei dati personali[6]”.

La base del principio di limitazione delle finalità nei confronti delle aziende è da trovarsi già nella Costituzione[7], che sancisce in modo chiaro all’articolo 41 che l’iniziativa economica privata è libera ma che vada anche equilibrata con l’utilità sociale e gli altri diritti individuali. Non ci troviamo, quindi, in un contesto di libertà economica pura ma, al contrario, in uno dove vada ricercato il difficile equilibrio esistente tra la protezione dei diritti dei lavoratori e le legittime esigenze aziendali.

Questo è fondamentale da tenere a mente perché ci fornisce lo strumento logico-giuridico di partenza per andare a normare questa materia; il fine del nostro ordinamento è comunque quello di tutelare i diritti dei lavoratori, e tra questi possiamo inserire il diritto alla privacy. Per questo il nostro ordinamento è arrivato alla conclusione di normare la materia seguendo il principio regolatore di mantenere il trattamento dei dati al minimo, a maggior ragione se si tratta di dati sensibili[8].

Questa impostazione è confermata dal Garante Protezione dei Dati Personali (GPDP) che nelle sue linee guida specifica che “Il trattamento di dati personali riferibili a singoli lavoratori, anche sensibili, è lecito, se finalizzato ad assolvere obblighi derivanti dal contratto individuale (ad esempio, per verificare l´esatto adempimento della prestazione o commisurare l´importo della retribuzione, anche per lavoro straordinario, o dei premi da corrispondere, per quantificare le ferie e i permessi, per appurare la sussistenza di una causa legittima di assenza).

Alcuni scopi sono altresì previsti dalla contrattazione collettiva per la determinazione di circostanze relative al rapporto di lavoro individuale … o, ancora, dalla legge[9].” Anche il GPDP segue il principio di limitazione delle finalità e soprattutto del ruolo ricoperto dal dialogo sindacale, che nel nostro ordinamento è sempre trattato come punto non facoltativo delle procedure di tutela dei dati dei lavoratori. Questo ragionamento ci porta a discutere degli obblighi informativi.

Obblighi informativi datori di lavoro: trasparenza nella gestione dati dei lavoratori

L’istituzione degli obblighi informativi è uno tra gli strumenti principali tra quelli che il nostro ordinamento fornisce ai lavoratori per garantire una trasparenza anche nel contesto aziendale. Questa materia, disciplinata dal GPDP, risulta centrale per diversi motivi. Prima di tutto, all’interno dell’ordinamento europeo in materia di trattamento dei dati quello dell’informativa è diventato un vero e proprio standard, applicato dal GDPR in diversi contesti che riguardano i dati sensibili. Inoltre, l’inserimento di comunicazioni verso i singoli coinvolti e dai portatori di interessi diffusi, avvia un processo di inserimento della tutela già nella fase di costruzione delle procedure che costituiscono l’attività ordinaria di un’azienda.

Questo è il cosiddetto principio di security by default, ovvero l’idea che la sicurezza non sia semplicemente una pratica corretta ma che vada utilizzata come principio-costante di tutte le procedure di trattamento dei dati. Un principio che oggi cerca di avvolgere tutto il mondo della cybersecurity, come vedremo più avanti nella tesi.

Il diritto del lavoro italiano, come quello comunitario, non è estraneo agli obblighi informativi. Questi vengono già previsti da diverse norme, e si applicano ovviamente anche alla gestione dei dati dei lavoratori. Come già spiegato, nell’articolo 4 dello Statuto dei lavoratori troviamo menzionato l’obbligo di accordo con le rappresentanze sindacali o con la sede territoriale dell’ispettorato del lavoro.

Questo è paragonabile in tutto e per tutto ad un obbligo informativo – anzi, è uno strumento ancora più avanzato andando a prevedere non solo una comunicazione unilaterale da parte dal datore, ma l’esplicita menzione di un’intesa specifica anche la possibilità di azione dalla controparte.

Ma ancora di più dell’articolo 4, la vera norma di riferimento per quanto riguarda gli obblighi informativi del datore di lavoro è da ritrovarsi nel D.lgs. 152/1997. Si tratta di un decreto di attuazione di una direttiva comunitaria, la numero 533 del 1991, relativa agli obblighi di informazione sulle condizioni applicabili al contratto o al rapporto di lavoro che hanno come soggetto passivo i lavoratori.

L’obbiettivo del legislatore europeo era quello di armonizzare la materia a livello europeo, adottando una soluzione che potesse ridurre asimmetria informativa tra lavoratore e datore. La direttiva 91/533, basandosi sull’ordinamento del Regno Unito, aspirava ad un sistema in cui i lavoratori non sono all’oscuro di eventuali modifiche o di rischi alla loro sicurezza e alla loro salute.

Questa norma comunitaria è stata oggetto di un iter di riforma all’interno dell’Unione Europea stessa quando ci si è trovati a dover fronteggiare l’emergere dell’economia digitale, dell’informatizzazione e di nuove condizioni di lavoro. Il processo ha raggiunto una concretezza rilevante nel 2017 e si è concluso (per ora) nel 2019 con la direttiva 1152. In Italia è stata recepita nel 2022 con un decreto attuativo noto come Decreto Trasparenza, che è andato tra le altre cose a riscrivere l’articolo 1 del D.lgs.

152/1997 e ad arricchirlo di un articolo 1-bis dedicato esclusivamente proprio ai sistemi di decisione automatizzati. La riforma si concentra anche sull’inserimento all’interno della normativa già esistente, più di un riferimento esplicito a queste tecnologie in cui rientrano anche quelle basati sulle IA. L’articolo 1-bis fornisce un preciso profilo per gli obblighi di comunicazione verso i lavoratori di quei casi in cui “il datore di lavoro o il committente, pubblico o privato, utilizzi sistemi decisionali o di monitoraggio automatizzati” che devono essere informati “in modo chiaro, trasparente, completo e facilmente accessibile a distanza e per via elettronica, anche tramite portali online esistenti” utilizzando “i mezzi più appropriati”.

Quest’ultimo passaggio ci riporta di nuovo davanti alla questione di come il nostro ordinamento oggi non si accontenti semplicemente di avere procedure di sicurezza e/o trasparenza, ma richiede anche lo sforzo di curarle nel dettaglio calandole nella realtà della singola azienda o del singolo luogo di lavoro. In particolare, la normativa sancisce il diritto all’informazione – e alla spiegazione – delle “informazioni significative” ; ovvero delle motivazioni, delle responsabilità, dei dati, dell’equità, della sicurezza e dell’impatto.

Un aspetto distintivo dell’adozione italiana della direttiva europea riguarda Il ruolo svolto dalle rappresentanze sindacali. Nel ordinamento giuslavorista del nostro paese i sindacati non sono soltanto considerati come un aggregato di lavoratori individuali – quindi già informati singolarmente – ma vengono come reputati un vero e proprio soggetto passivo separato.

Questo perché qui il sindacato è uno strumento essenziale di tutela collettiva, al quale devono essere garantiti specifici obblighi di informazione e consultazione, indipendentemente dalla sua presenza all’interno della singola realtà aziendale. In assenza di rappresentanze sindacali dirette, la normativa prevede che la comunicazione avvenga nei confronti delle organizzazioni comparativamente più rappresentative a livello territoriale, assicurando così la protezione dei lavoratori e il rispetto del principio di partecipazione sindacale nei processi decisionali di rilievo[10].

I contenuti specifici delle informative sono normati dal GDPR, che ci fornisce una descrizione dettagliata. Secondo l’articolo 13 comma 1, queste informazioni devono essere fornite al momento di raccoglimento dei dati, che in alcuni casi può coincidere con la firma del contratto[11].

Le informazioni inerenti al materia giuslavorista si trovano sotto le lettere A, B, C e E; queste riguardano: A) l’identità e i dati di contatto del Titolare del trattamento e, ove applicabile, del suo rappresentante; B) i dati di contatto del Responsabile della protezione dei dati, ove applicabile; C) le finalità del trattamento cui sono destinati i dati personali nonché la base giuridica del trattamento; E) gli eventuali destinatari o le eventuali categorie di destinatari dei dati personali.

All’interno del secondo comma dello stesso articolo 13, che specifica ulteriori informazioni da fornire all’interessato, sono rilevanti le lettere: A) il periodo di conservazione dei dati personali oppure, se non è possibile, i criteri utilizzati per determinare tale periodo; D) il diritto di proporre reclamo a un’autorità di controllo; E) se la comunicazione di dati personali è un obbligo legale o contrattuale oppure un requisito necessario per la conclusione di un contratto, e se l’interessato ha l’obbligo di fornire i dati personali nonché le possibili conseguenze della mancata comunicazione di tali dati; F) l’esistenza di un processo decisionale automatizzato. Quest’ultimo punto è, senza ombra di dubbio, fondamentale per questa dissertazione.

Quadro complessivo e l’introduzione dell’IA ACT

Il quadro fin’ora delineato ci serve a calare l’introduzione del regolamento europeo sull’intelligenza artificiale nel nostro ordinamento. L’interazione tra GDPR e Statuto dei Lavoratori configura già un’impostazione molto solida per la tutela dei lavoratori[12]. Ai lavoratori deve essere garantita una corretta valutazione del rischio volta a giustificare l’adozione di tecnologie che possono andare a costituire una minaccia ai loro diritti, incluso quello alla privacy. Inoltre, questa attenzione non solo deve essere dimostrata alle autorità competenti ma anche ai lavoratori con gli strumenti più opportuni, incluso il sindacato.

La portata principale dell’ IA Act è quella di introdurre dei nuovi controlli che andremo ad analizzare nel prossimo capitolo. Prima, però, è giusto dedicare un momento a spiegare che questo regolamento non è affatto una rivoluzione o una modifica radicale dell’impostazione che abbiamo analizzato fin’ora. Questo non per immobilismo del legislatore ma perché, semplicemente, non era necessario. Negli ultimi anni l’ordinamento europeo si era già attrezzato per gestire l’impatto dei processi automatizzati e, in ultima analisi, l’applicazione di queste tecnologie all’interno delle aziende non ha richiesto alterazioni fondamentali.

Le interazioni che l’ultimo regolamento ha con quanto disciplinato dal GDPR si può riassumere in tre scenari: duplicazione, integrazione e frizione[13]. Nella duplicazione, o sovrapposizione, rientrano tutti quei casi in cui il nuovo regolamento va sostanzialmente a confermare quanto sancito dal GDPR. Un esempio di questo caso è la normativa in caso di data breach, per cui viene previsto l’obbligo di comunicazione tempestiva all’autorità garante nell’ordinamento nazionale.

Rientrano nel caso dell’integrazione quelle normative che vanno ad allargare i limiti imposti a chi adopera le tecnologie basate sull’intelligenza artificiale, facendo emergere i nuovi principi del processo normativo dietro l’IA Act e i nuovi sviluppi tecnici. Un esempio di questo caso è l’implementazione, affianco alla Valutazione d’Impatto sui Dati Personali (DPIA) dell’articolo 35 del GDPR, di una Valutazione d’Impatto sui Diritti Fondamentali (FRIA) per i casi considerati ad alto rischio, come le applicazioni di gestione aziendale[14].

Un altro esempio di integrazione che vale la pena menzionare è l’inserimento della definizione dei “dati basati sulla biometria” che si affiancano ai “dati biometrici” del GDPR[15]; questi nuovi dati sono quelli che servirebbero ad addestrare le IA, tra le varie cose al riconoscimento degli stati d’animo. Per ultima, la frizione consiste nell’estensione della base legale per l’esenzione, ovvero che vanno ad ampliare lo spettro delle deroghe previste dal GDPR[16]. Questi casi sono i meno numerosi, e vanno sostanzialmente a tutelare la competitività dello sviluppo di IA all’interno del mercato unico europeo, un bilanciamento che col passare del tempo fa sempre più pressione sul legislatore.

Un esempio si trova all’articolo 59 del regolamento che legittima il trattamento dei dati personali per lo sviluppo di sperimentazione normativa delle IA in nome dell’interesse pubblico. Interessante notare come anche in questo caso emerge una giustificazione in linea col principio di limitazione delle finalità.

Questo articolo ha analizzato i fondamenti normativi che regolano il trattamento dei dati dei lavoratori nel contesto post-AI Act, evidenziando come l’ordinamento italiano abbia sviluppato un approccio coerente e progressivo alla tutela della privacy nel rapporto di lavoro. Dall’analisi emerge che il principio di limitazione delle finalità, radicato nello Statuto dei Lavoratori del 1970 e rafforzato dal GDPR, costituisce il pilastro centrale di questo sistema di protezione.

Il prossimo approfondimento si concentrerà sui controlli e certificazioni in Unione Europea, analizzando in dettaglio i principi della cybersecurity nella regolamentazione europea; i controlli e le autorità di vigilanza nel quadro post AI ACT e il modello delle certificazioni ISO e della direttiva NIS2.

Per un approfondimento completo su tutti gli aspetti normativi e pratici della gestione dei dati dei dipendenti nell’era dell’intelligenza artificiale, scarica il white paper completo curato da Biagio Poliseno “Standard di gestione dei dati dei dipendenti dopo l’AI ACT”.

Fonti:

[1] “Rechte sind rechtliche geschutze Interessen” è la nota definizione di Jhering del diritto soggettivo. Menzionata da diverse fonti tra cui l’enciclopedia Treccani e la relazione al corso di formazione sul Riparto di giurisdizione, organizzato da Scuola superiore della Magistratura e Ufficio studi della giustizia amministrativa, Roma, Tar Lazio, 16 marzo 2017.

[2] Falco, W. (2019). ”Il nuovo art. 4 St. lav.: tra strumenti di lavoro e privacy”

[3] Iaselli M. (2023) “Il trattamento dei dati del dipendente nel rapporto di lavoro: principi e cautele”

[4] Art. 6 GDPR – Liceità del trattamento.

[5] Ibid.

[6] Ibid.

[7] Roma, G. et alii, (2023) “Tra GDPR e Statuto dei lavoratori: i profili di privacy del lavoratore sotto la lente del Garante”

[8] Iaselli, op.cit.

[9] Garante per la Protezione dei Dati Personali (GPDP). Linee guida in materia di trattamento di dati personali di lavoratori per finalità di gestione del rapporto di lavoro alle dipendenze di datori di lavoro privati. Roma: deliberazione n. 53, 23 novembre 2006.

[10] Carinci, M. T., Giudici, S., e Perri, P. (2023). Obblighi di informazione e sistemi decisionali e
di monitoraggio automatizzati (art. 1-bis “Decreto Trasparenza”): quali forme di controllo per i poteri datoriali algoritmici? Labor Il Lavoro Nel Diritto, 1/23.

[11] Consultato su Altalex.com il 1 febbraio 2025.

[12] Roma, G. et alii, op.cit.

[13] Cappai M. (2024) “Intelligenza artificiale e protezione dei dati personali nel d.d.l. n. 1146: quale governance nazionale?”, Federalismi.it, 18 dicembre 2024.

[14] Roma, G. et alii, op.cit.

[15] Tebano L. (2023) “Poteri datoriali e dati biometrici nel contesto dell’AI Act”, Federalismi.it, 18 ottobre 2023.

[16] Ibid.

Profilo Autore

Biagio Poliseno è nato a Bari il 21 agosto 2000. Dopo essersi trasferito a Roma, ha intrapreso un percorso accademico internazionale, conseguendo con lode una laurea triennale in Affari Internazionali presso la John Cabot University nel dicembre 2021. A marzo 2024 ha completato con il massimo dei voti la laurea magistrale in Scienze dell’amministrazione e della politica pubblica presso Sapienza – Università di Roma, con una tesi sul algorithmic management e il ruolo del sindacato nella regolazione dell’intelligenza artificiale nei contesti lavorativi.

Parallelamente alla formazione accademica, ha maturato esperienze in ambito amministrativo, redazionale e universitario, con tirocini in contesti di ONG e aziende. Durante la pandemia ha ricoperto il ruolo di Covid Manager, coordinando l’applicazione dei protocolli di sicurezza durante eventi sportivi organizzati da l’ACI.

Nel 2025 ha concluso con lode il master di II livello in Informatica giuridica, diritto delle nuove tecnologie alla Sapienza, presentando una tesi dedicata agli standard di gestione dei dati dei dipendenti alla luce del Regolamento europeo sull’intelligenza artificiale (AI Act).

https://www.ictsecuritymagazine.com/articoli/dati-dei-lavoratori/

Ieri abbiamo dato la notizia del lancio della nuova app di OpenAI dedicata al suo modello di generazione video Sora 2, con un’interfaccia che richiama da vicino l’esperienza di TikTok. L’app, autonoma da ChatGPT, presenta un feed di video verticali a scorrimento, con una particolarità: non si potranno caricare video reali, ma solo crearli da zero con il nuovo modello AI di OpenAI.

Sora 2: i ricercatori di OpenAI preoccupati

La notizia del lancio dell’app continua a far discutere all’interno della stessa comunità di ricercatori legati a OpenAI, tra attuali dipendenti ed ex collaboratori. Diversi ricercatori hanno espresso perplessità sull’app, che presenta un feed di video generati da AI e popolato da numerosi deepfake di Sam Altman.

John Hallman, membro del team pretraining, ha scritto su X: “I feed basati sull’AI fanno paura. Non nego di aver provato una certa preoccupazione quando ho scoperto che stavamo lanciando Sora 2. Detto ciò, penso che il team abbia fatto davvero il miglior lavoro possibile per creare un’esperienza positiva… Faremo del nostro meglio per assicurarci che l’AI aiuti e non danneggi l’umanità.” Boaz Barak, anche lui ricercatore OpenAI e docente ad Harvard, ha parlato di una “combinazione di preoccupazione ed entusiasmo”, lodando la qualità tecnica del prodotto ma avvertendo: “è prematuro congratularsi con noi stessi per aver evitato gli stessi errori di altre app social e dei deepfake.”

<!-- ARUBA - 300x250 -->

OpenAI sempre più lontano dal No Profit

Il cuore del dibattito non è solo tecnico o estetico, ma etico e strategico: Sora rappresenta un ulteriore passo verso la commercializzazione dell’AI, una scelta che solleva dubbi su quanto sia ancora coerente con la missione originaria dell’organizzazione, nata come laboratorio non-profit per lo sviluppo sicuro e benefico dell’intelligenza artificiale. Il lancio di Sora mette nuovamente sotto i riflettori la tensione interna a OpenAI: da una parte, un’azienda oggi tra le più influenti nel panorama tech globale; dall’altra, un’organizzazione fondata con uno statuto non-profit che prometteva di sviluppare AI avanzata per il bene comune.

Sam Altman ha affrontato la questione in un post su X: “Abbiamo principalmente bisogno del capitale per costruire AI che possa fare scienza, e di certo siamo focalizzati sull’AGI con quasi tutto il nostro sforzo di ricerca. È anche bello mostrare alle persone nuove tecnologie/prodotti interessanti lungo il percorso, farle sorridere, e — si spera — guadagnare un po’ di soldi, dato tutto il calcolo necessario.” Altman ha ricordato come anche il lancio di ChatGPT avesse sollevato dubbi simili. “La realtà è più sfumata quando si parla di traiettorie ottimali per un’azienda,” ha scritto. Intanto, l’attenzione dei regolatori aumenta. Il procuratore generale della California, Rob Bonta, ha dichiarato che seguirà con attenzione la ristrutturazione di OpenAI, sottolineando l’importanza che “la missione di sicurezza dichiarata come non-profit resti centrale.”

Sora 2 un prodotto per l’intrattenimento

A differenza di ChatGPT, pensato per essere uno strumento utile, Sora è dichiaratamente un prodotto per l’intrattenimento: un’app per creare e condividere brevi clip generate da AI, con un feed che ricorda TikTok o Instagram Reels. Non mancano, però, le somiglianze con le dinamiche problematiche dei social tradizionali: loop infiniti, contenuti virali, e meccanismi di engagement progettati per trattenere l’utente. OpenAI afferma di voler evitare questi problemi. In un post sul blog di lancio, ha dichiarato che Sora non sarà ottimizzata per il tempo trascorso sull’app, ma per la creazione di contenuti. Verranno inviati promemoria agli utenti che scorrono troppo a lungo, e il feed mostrerà principalmente contenuti di persone conosciute.

Secondo Miles Brundage, ex responsabile delle policy di OpenAI, potrebbero esserci buone e cattive applicazioni dei feed AI, come già accaduto con i chatbot. Eppure, il rischio che Sora segua le orme di altre piattaforme è reale. Altman stesso ha parlato, in un podcast di giugno, del “grande disallineamento” dei social media: “Uno dei grandi errori dell’era dei social media è stato che gli algoritmi dei feed hanno avuto molte conseguenze negative non intenzionali sulla società nel suo complesso, e forse anche sugli utenti singoli.”

Un AI al servizio dell’umanità o del puro profitto?

Nel frattempo, gli utenti hanno già notato elementi familiari delle logiche da “scroll infinito”: ad esempio, le emoji dinamiche che appaiono dopo ogni “mi piace”, chiaramente progettate per stimolare picchi di dopamina e aumentare l’engagement.

Con Sora, OpenAI apre un nuovo fronte: quello dell’intrattenimento guidato dall’AI. Il successo dell’app — e il modo in cui evolverà — sarà un test importante per l’azienda. Il rischio non è solo quello di creare l’ennesima app coinvolgente. È quello, più profondo, di perdere di vista l’obiettivo originario: costruire un’intelligenza artificiale al servizio dell’umanità — e non del puro profitto.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/sora-2-il-nuovo-social-stile-tiktok-divide-i-dipendenti-di-openai-rischio-deepfake/548793/

Elon Musk ha ufficialmente annunciato la creazione di ‘Grokipedia’, una nuova piattaforma di conoscenza sviluppata dalla sua startup di AI, xAI, con l’intento dichiarato di rappresentare un’alternativa a Wikipedia.

L’iniziativa nasce dalla volontà di offrire una versione del sapere meno filtrata e, secondo Musk, più equilibrata, rispetto a quella proposta dall’enciclopedia online tradizionale. ‘Grokipedia’ si integrerà all’interno dell’assistente AI Grok, già disponibile sulla piattaforma X (ex Twitter), offrendo risposte generate da modelli linguistici addestrati su contenuti curati e revisionati.

Secondo Musk, Wikipedia è diventata negli anni uno strumento influenzato da orientamenti politici e da un’élite editoriale ristretta, perdendo l’obiettività iniziale. Grokipedia intende rompere questo schema proponendo un modello dove la generazione della conoscenza avviene tramite un sistema AI aperto a contributi ma filtrato da algoritmi di controllo qualitativo.

<!-- ARUBA - 300x250 -->

L’annuncio arriva in un contesto in cui la competizione tra sistemi di informazione basati su AI è in continua espansione, e dove la gestione della veridicità dei dati rappresenta una sfida centrale.

Con questa mossa, Musk cerca non solo di fornire un’alternativa informativa, ma anche di rafforzare l’ecosistema delle sue piattaforme digitali, promuovendo un uso più personalizzato e interattivo dell’intelligenza artificiale per l’accesso alla conoscenza.

Tuttavia, restano aperti interrogativi riguardo alla neutralità delle fonti utilizzate, alla governance del progetto e alla sua capacità di contrastare disinformazione e manipolazioni, problemi già ampiamente diffusi nel settore dell’informazione digitale.

Per maggiori informazioni, clicca per l’articolo originale.

Thinking Machines Lab di Mira Murati lancia il suo primo prodotto

Thinking Machines Lab, startup fondata da un gruppo di ex ricercatori di OpenAI guidati da Mira Murati, ha svelato il suo primo prodotto: ‘Tinker’, uno strumento pensato per semplificare la personalizzazione di modelli AI avanzati.

L’obiettivo dichiarato è quello di rendere accessibili a un pubblico molto più vasto — ricercatori indipendenti, aziende e appassionati — funzionalità che, fino ad oggi, erano riservate a grandi centri di ricerca o colossi tecnologici. Tinker automatizza il processo di fine-tuning dei modelli open source di punta, tra cui Llama di Meta e Qwen di Alibaba, permettendo la modifica tramite apprendimento supervisionato o rinforzato, senza dover gestire direttamente infrastrutture GPU complesse. Murati sottolinea come l’accesso diffuso a capacità di frontiera dell’AI possa democratizzare la ricerca, spingendo verso un’innovazione distribuita.

Secondo i beta tester, Tinker si distingue per semplicità d’uso e potenza, superando molte delle soluzioni attualmente disponibili.

Gli utenti possono, con poche righe di codice, accedere all’API di Tinker, personalizzare i modelli e scaricarli per utilizzarli su qualsiasi infrastruttura compatibile. Il lancio è osservato con attenzione da tutto il settore, data l’esperienza del team che ha contribuito alla nascita di ChatGPT.

L’idea centrale è che il futuro dell’AI non risieda solo nella creazione di nuovi modelli, ma nella loro capacità di essere adattati alle esigenze di nicchia o compiti specifici da parte di una comunità sempre più ampia di sviluppatori.

Con questa mossa, Thinking Machines punta a diventare il punto di riferimento per chiunque voglia esplorare i limiti dell’intelligenza artificiale contemporanea.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/elon-musk-annuncia-grokipedia-come-alternativa-a-wikipedia-sviluppata-da-xai/548785/

L’AI spinge in alto gli investimenti in data center di Microsoft, Alphabet, Amazon e Meta

La trasformazione digitale globale sta trovando nei data center la sua infrastruttura critica. Secondo il report “Data Centers” di GlobalData, i colossi del tech Microsoft, Alphabet, Amazon e Meta hanno destinato nel 2024 oltre 245 miliardi di dollari in spese in conto capitale (capex) per nuove infrastrutture, un livello mai registrato prima.
Le previsioni per il 2025 indicano che la cifra potrebbe superare i 360 miliardi di dollari, trainata in maniera decisiva dall’intelligenza artificiale (AI).

La spinta principale è rappresentata dagli enormi carichi di lavoro legati all’AI, che richiedono infrastrutture sempre più potenti e scalabili. L’addestramento dei modelli di intelligenza artificiale, in particolare quelli generativi, avviene quasi esclusivamente in mega data center dotati di chip specializzati, sistemi di calcolo ad alte prestazioni (HPC) e memorie di grande capacità.

Martina Raveni, analista di GlobalData, sintetizza la strategia: “Le big tech stanno competendo per costruire data center sempre più grandi e riempirli di chip specializzati, per restare avanti nella corsa alla supremazia nell’AI”.

<!-- ARUBA - 300x250 -->

Perché le Big Tech aumentano gli investimenti in data center?

La posta in gioco è duplice.
Da una parte hanno le necessità di raggiungere e mantenere una vera e propria leadership tecnologica, che consente loro di controllare l’infrastruttura che permette di sviluppare, addestrare e distribuire i modelli di AI significa consolidare il vantaggio competitivo.

I data center di fatto sostengono l’intero ecosistema di applicazioni cloud, e-commerce, social network, streaming, gaming e servizi enterprise.

In secondo luogo, le Big Tech cercano in questo modo di rafforzare il loro posizionamento strategico, perchéin un mondo sempre più dipendente dall’elaborazione dei dati, i data center sono percepiti come una vera e propria “utility critica”, al pari di energia e telecomunicazioni.

La competizione tra Microsoft, Alphabet, Amazon e Meta va ormai ben oltre i bilanci e riguarda la costruzione di un’infrastruttura digitale che sarà determinante per l’economia globale e per la leadership tecnologica nei prossimi decenni.

L’impatto sui consumi energetici

La crescita del settore porta con sé un costo ambientale significativo. Secondo l’International Energy Agency (IEA), il consumo di elettricità dei data center passerà dai 415 terawattora (TWh) del 2024 a circa 945 TWh entro il 2030, più del doppio in soli sei anni. Per avere un termine di paragone, il consumo stimato equivale a quello di interi Paesi industrializzati.

Oltre all’elettricità necessaria per alimentare i server, pesano i sistemi di raffreddamento e climatizzazione, che assorbono enormi quantità di energia. A ciò si aggiunge il tema dell’uso intensivo di acqua nei sistemi di raffreddamento tradizionali, una criticità crescente in ottica di sostenibilità.

Le soluzioni per l’efficienza e la sostenibilità energetica dei data center

Per rispondere a queste sfide, le Big Tech stanno accelerando l’adozione di tecnologie e soluzioni innovative in termini di impiego crescente di soluzioni legati alle fonti energetiche rinnovabili e di ottimizzazione dell’hardware.

Microsoft, Amazon e Google (Alphabet) hanno siglato accordi record per l’approvvigionamento di energia eolica e solare, puntando alla carbon neutrality nei prossimi anni.
a questo vanno aggiunte le soluzioni di liquid cooling, che si stanno diffondendo come alternativa ai tradizionali sistemi ad aria, riducendo consumi energetici e impronta idrica.
Sempre più diffuso, inoltre, è il ricorso all’energia nucleare e in prospettiva si attende l’arrivo degli Small modular reactors.

Stanno inoltre investendo nellosviluppo di chip custom ad alta efficienza (ad esempio i Tensor Processing Units di Google o i Trainium di AWS) che riducono il consumo energetico per unità di calcolo, mentre sempre nuovi algoritmi di intelligenza artificiale vengono utilizzati anche per monitorare e ottimizzare in tempo reale i consumi dei data center.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/data-center-microsoft-google-amazon-e-meta-spenderanno-fino-a-360-miliardi-di-dollari-entro-fine-anno/548684/