Guerra Cognitiva: strategie, impatti e prospettive alla luce delle nuove dottrine ibride

La guerra cognitiva (Cognitive Warfare) rappresenta l’evoluzione più sofisticata delle operazioni di influenza, dove la mente umana diventa il campo di battaglia primario attraverso l’integrazione di intelligenza artificiale, neuroscienze e infrastrutture cibernetiche avanzate. Questo paradigma emergente trasforma radicalmente il panorama della cybersecurity, richiedendo ai professionisti del settore competenze integrate che spaziano dalla threat intelligence tradizionale alle scienze cognitive.

La NATO ha formalmente riconosciuto la cognizione come sesto dominio di guerra nel 2023, affiancandola ai domini terrestre, marittimo, aereo, cibernetico e spaziale. Secondo il framework del NATO Allied Command Transformation, la guerra cognitiva si definisce come “attività condotte in sincronizzazione con altri strumenti di potere, per influenzare attitudini e comportamenti mediante l’influenza, protezione o distruzione della cognizione individuale, di gruppo o a livello di popolazione, al fine di ottenere un vantaggio sull’avversario“. Questa definizione sottolinea il salto qualitativo rispetto alle operazioni di information warfare tradizionali: l’obiettivo non è più controllare cosa le persone pensano, ma come pensano.

Fondamenti tecnico-scientifici della guerra cognitiva

La guerra cognitiva si distingue dalle operazioni psicologiche tradizionali per l’integrazione sistematica di tecnologie emergenti e metodologie scientifiche avanzate. L’architettura tecnologica sottostante combina intelligenza artificiale generativa, reti neurali avversarie (GAN) e sistemi di behavioral analytics per manipolare i processi cognitivi con precisione e scala senza precedenti.

Infrastructure tecnologica e vettori di attacco

I sistemi di guerra cognitiva operano attraverso un’infrastruttura distribuita che include:

Generazione di contenuti sintetici: Le Generative Adversarial Networks (GAN) consentono la creazione di deepfake video e audio con accuratezza superiore al 90% nella sincronizzazione labio-vocale. I modelli autoencoder mappano diversi individui su rappresentazioni latenti condivise, permettendo la sostituzione realistica di volti nei contenuti video. La tecnologia Wav2Lip raggiunge precisioni di sincronizzazione audio-visiva preferite dall’osservatore umano nel 90% dei casi.

Piattaforme di distribuzione scalabili: Le Content Delivery Networks (CDN) distribuite geograficamente utilizzano routing anycast per ridurre la latenza fino al 50%, mentre l’edge computing permette l’ottimizzazione in tempo reale dei contenuti. I sistemi auto-scaling dinamici gestiscono carichi variabili attraverso architetture multi-cloud containerizzate via Docker e Kubernetes.

Sistemi di profilazione comportamentale: Gli algoritmi di machine learning analizzano pattern digitali multi-sorgente per identificare vulnerabilità psicologiche specifiche. I modelli predittivi determinano la suscettibilità individuale a narrative specifiche, mentre l’analisi delle emozioni in tempo reale adatta dinamicamente i contenuti persuasivi.

Casi studio contemporanei: operazioni documentate 2022-2025

Le operazioni di guerra cognitiva documentate negli ultimi tre anni rivelano patterns operativi sofisticati e coordinate multidominio.

Operazioni cinesi: Il caso Taiwan

La campagna COVID-19 di Taiwan (2021-2022) rappresenta un caso emblematico di integrazione tra guerra cognitiva e operazioni psicologiche tradizionali. Durante l’epidemia di COVID-19, la Cina ha orchestrato campagne di disinformazione sincronizzate con incursioni aeree PLA per minare la fiducia nel programma vaccinale taiwanese. Le content farm cinesi (KKnews, read01) hanno diffuso informazioni false sui vaccini Medivac, ottenendo un impatto misurabile: solo 3 milioni di dosi Medivac sono state somministrate su 60 milioni di vaccinazioni totali.

Durante la visita di Nancy Pelosi nell’agosto 2022, la Cina ha dimostrato capacità di coordinamento cyber-cognitivo attraverso attacchi simultanei ai sistemi di segnaletica digitale (hack dei 7-Eleven con messaggi “Warmonger Pelosi, get out of Taiwan”) e campagne di disinformazione massive.

Operazioni russe: L’influenza algoritmica

Le operazioni TikTok russe (2022-2025) hanno sfruttato la manipolazione algoritmica per influenzare l’opinione pubblica occidentale sui conflitti in Ucraina e Israele-Palestina. La strategia del “controllo riflessivo” manipola i processi decisionali nemici attraverso l’inganno, ottenendo cambiamenti misurabili nell’opinione pubblica giovanile americana e australiana sui conflitti geopolitici.

Operazioni iraniane: Attacchi ibridi

L’attacco cyber-cognitivo all’Albania (luglio 2022) ha dimostrato l’integrazione di operazioni distruttive cibernetiche con warfare psicologico. Gli attori statali iraniani legati ai Guardiani della Rivoluzione hanno simultaneamente compromesso sistemi governativi e lanciato messaggi psicologici per minare la fiducia pubblica.

Operazioni israeliane: AI targeting

I sistemi “Lavender” e “The Gospel” rappresentano l’evoluzione dell’AI targeting militare con implicazioni cognitive. Questi sistemi utilizzano elaborazione di dati di sorveglianza massiva e analytics predittive per identificazione e profilazione psicologica automatizzata dei target.

Tecnologie emergenti e sviluppi futuri

L’integrazione di neuroscienze computazionali e tecnologie emergenti sta aprendo nuove frontiere nella guerra cognitiva. La ricerca NATO identifica le “neuroarmi” come tecnologie progettate per influenzare direttamente i processi neurali, incluse tecniche di stimolazione transcranica, interfacce cervello-computer e potenziali applicazioni farmacologiche.

Sistemi di detection avanzati

I sistemi di rilevamento multimodali analizzano inconsistenze facciali, sincronizzazione labiale innaturale e artefatti computazionali. La Coalition for Content Provenance and Authenticity (C2PA) sta sviluppando standard tecnici per la verifica di contenuti, mentre Adobe e Microsoft implementano sistemi di Content Credentials per l’autenticazione di immagini e video.

La watermarking digitale incorpora pattern pixel/audio rilevabili da computer ma impercettibili all’osservatore umano. I pattern scompaiono nelle aree modificate, fornendo prova di alterazione, mentre causano l’aspetto irrealistico dei deepfake quando utilizzano media watermarked.

Contromisure e architetture difensive

Framework NATO per la resilienza cognitiva

NATO ha sviluppato un approccio a quattro pilastri per la difesa cognitiva:

Educate: Costruzione di alfabetizzazione cognitiva e consapevolezza delle minacce attraverso programmi di formazione specializzati.
Collaborate: Condivisione informazioni e risposta coordinata tramite sistemi di early warning e partnership pubblico-private.
Protect: Tecnologie difensive e procedure operative standard per la protezione delle infrastrutture cognitive.
Shape: Operazioni di influenza proattive all’interno di framework legali ed etici.

Soluzioni tecniche CISA e ENISA

CISA ha introdotto il concetto di “infrastruttura cognitiva” come la più critica delle infrastrutture, richiedendo protezione specializzata. Il framework MDM (Misinformation, Disinformation, Malinformation) fornisce tassonomie operative per la classificazione delle minacce.

L’European Union Agency for Cybersecurity (ENISA) ha sviluppato il framework FIMI (Foreign Information Manipulation and Interference) che integra la cybersecurity con le minacce cognitive attraverso infrastrutture tecnologiche condivise.

Sistemi di autenticazione crittografica

Le soluzioni blockchain per la verifica dei media creano record tamper-evident per l’autenticazione dei contenuti. I metadata sicuri incorporati descrivono le caratteristiche dei dati, mentre l’assenza o incompletezza dei metadata indica potenziali alterazioni.

Evoluzione del panorama delle minacce

L’integrazione dell’AI generativa ha accelerato drammaticamente le capacità offensive nella guerra cognitiva. I Large Language Models (LLM) sbloccati permettono produzione rapida e sostenuta di disinformazione, mentre gli influencer sintetici generati dall’AI consentono manipolazione su larga scala.

Sfide emergenti 2024-2025

La frammentazione delle piattaforme sta spingendo gli utenti verso ambienti meno moderati, mentre le operazioni di influenza ibride combinano campagne digitali con warfare cinetico. Deloitte proietta frodi abilitate dall’AI per $40 miliardi entro il 2027, con organizzazioni commerciali sempre più soggette a disinformazione sponsorizzata da stati.

Implicazioni per la sicurezza nazionale e internazionale

La guerra cognitiva rappresenta un cambio paradigmatico dove la mente umana diventa il campo di battaglia primario, richiedendo strategie comprehensive che proteggano sia i sistemi tecnici che i processi decisionali umani. L’integrazione di cooperazione internazionale, tecnologie di detection avanzate e framework di difesa cognitiva evidence-based fornisce le basi per contromisure efficaci.

Raccomandazioni strategiche

Per i professionisti della cybersecurity: Implementare capacità di detection deepfake in tempo reale utilizzando metodi multipli, sviluppare sistemi behavioral analytics per identificare comportamenti inautentici coordinati, stabilire sistemi di verifica di provenance per comunicazioni critiche.

Per le organizzazioni: Integrare strutturalmente team che combinano cybersecurity, comunicazioni e intelligence, preparazione obbligatoria per la leadership senior sulla sicurezza cognitiva, programmi di formazione continua basati sull’esposizione per il personale.

L’evoluzione della guerra cognitiva continuerà rapidamente, guidata da progressi nell’AI generativa, tensioni geopolitiche crescenti e democratizzazione di strumenti di attacco sofisticati. Il successo nella difesa richiede un cambio fondamentale da approcci reattivi centrati sulla tecnologia a strategie proattive centrate sull’uomo che integrino soluzioni tecniche con insights delle scienze cognitive e costruzione di resilienza organizzativa.

La sfida è mantenere il passo con minacce che evolvono alla velocità dell’innovazione AI, sviluppando allo stesso tempo contromisure che preservino i valori democratici e la libertà di espressione. Il successo in questo dominio richiederà collaborazione internazionale senza precedenti, investimenti sostenuti in ricerca e sviluppo, e un approccio multidisciplinare che integri competenze tecniche, psicologiche e politiche.

Bibliografia:
Condividi sui Social Network:

https://www.ictsecuritymagazine.com/articoli/cognitive-warfare-guerra-cognitiva/




UK, OpenAI fornirà soluzioni AI per i servizi pubblici e Londra pagherà con i dati dei cittadini

La Gran Bretagna vuole integrare l’AI nella PA nazionale

La Gran Bretagna ha firmato un accordo strategico con OpenAI, la società californiana guidata da Sam Altman e nota per aver sviluppato ChatGPT, per implementare soluzioni di intelligenza artificiale (AI) nei servizi pubblici del Paese. L’intesa, annunciata dal Department for Science, Innovation and Technology, non è vincolante sul piano legale, ma rappresenta una dichiarazione di intenti che potrebbe cambiare radicalmente il volto della pubblica amministrazione britannica.

Secondo quanto comunicato dal Governo, l’obiettivo è aumentare produttività, efficienza e qualità nei servizi pubblici – dall’istruzione alla difesa, dalla sicurezza nazionale al sistema giudiziario – sfruttando modelli avanzati di AI generativa.

Il piano, però, hanno spiegato i giornalisti Mitchell Labiak e Imran Rahman-Jones in un lungo approfondimento per la BBC, solleva anche forti dubbi sul fronte della trasparenza, della privacy e dell’uso dei dati pubblici.

Uno scenario che potrebbe realizzarsi anche in Italia nel prossimo futuro.

I vantaggi per OpenAI: accesso ai dati pubblici e radicamento in UK

Per OpenAI, l’accordo rappresenta un’occasione di grande valore strategico ed economico. L’azienda potrà:

  • Accedere a set di dati governativi preziosi, che potrebbero arricchire l’addestramento dei suoi modelli linguistici;
  • Espandere la propria presenza nel Regno Unito, potenziando l’ufficio di Londra, che già impiega oltre 100 persone;
  • Rafforzare la sua immagine come partner istituzionale affidabile, in un contesto di crescente pressione regolatoria sia in Europa sia negli Stati Uniti.

Come sottolineato dalla co-direttrice di Foxglove, Martha Dark, “il tesoro di dati pubblici in possesso del governo britannico avrebbe un valore commerciale enorme per OpenAI, contribuendo ad allenare la prossima generazione di ChatGPT”.

I vantaggi per il Governo UK: innovazione e crescita economica

Secondo il Technology Secretary Peter Kyle, firmatario del Memorandum, “l’AI sarà fondamentale per guidare il cambiamento e la crescita economica nel Regno Unito”, soprattutto in un momento in cui l’economia del Paese è sostanzialmente stagnante: la crescita stimata per il secondo trimestre del 2025 è tra 0,1% e 0,2%.

L’accordo con OpenAI si inserisce nell’ambito dell’“AI Opportunities Action Plan“, lanciato a gennaio dal Primo Ministro Keir Starmer, con il supporto di grandi aziende tecnologiche. Le potenziali ricadute positive includono:

  • Miglioramento dell’efficienza della pubblica amministrazione, grazie a strumenti di AI come “Humphrey”, già in uso per automatizzare task ripetitivi nei ministeri;
  • Maggiore disponibilità di personale qualificato per gestire casi complessi, demandando le attività di routine all’AI;
  • Attrazione di investimenti infrastrutturali, come data center e strutture per l’addestramento dei modelli.

L’alleanza con OpenAI segue accordi simili siglati con Google DeepMind e Anthropic, segno della volontà del Regno Unito di diventare un hub globale per l’AI.

I rischi per i cittadini: privacy, trasparenza e sovranità digitale

Nonostante i potenziali benefici, l’intesa solleva forti preoccupazioni sul fronte dei diritti digitali. Secondo Foxglove, l’accordo è “vagamente formulato” e rappresenta “un approccio acritico del Governo nei confronti del marketing sempre più discutibile delle Big Tech”.

I punti critici includono:

  • Uso di dati sensibili senza consenso esplicito, in particolare in ambiti come giustizia, salute e sicurezza;
  • Rischio di sorveglianza algoritmica e decisioni automatizzate non trasparenti;
  • Difficoltà nel garantire accountability, data l’asimmetria di potere tra governo e una multinazionale statunitense.

Anche la musica e i contenuti culturali sono a rischio: l’AI generativa di OpenAI è già accusata di usare dati protetti da copyright senza autorizzazione per generare testi, immagini, musica e video.

Secondo il GDPR – il Regolamento europeo sulla protezione dei dati personali – gli utenti europei hanno il diritto di opporsi al trattamento dei propri dati personali per l’addestramento di ogni modello di intelligenza artificiale, quindi anche ChatGPT di OpenAI. Un diritto esercitabile anche nel nostro Paese, come ricordato dal Garante Privacy, anche se andava fatto entro maggio 2025. I diritti se tali non possono avere una scadenza e in teoria neanche dei limiti, nonostante deve sempre essere chiaro a tutti che quando si utilizzano piattaforme e soluzioni fornite da aziende private si stipula sempre un contratto.

Uno scenario da osservare con attenzione

Come ha dichiarato Dr. Gordon Fletcher, docente all’Università di Salford, il vero nodo sarà “capire se tutto questo potrà davvero essere fatto in modo trasparente ed etico, con un uso minimo di dati provenienti dal pubblico”. Il rischio, aggiunge, è che l’entusiasmo per l’innovazione tecnologica possa offuscare la necessaria vigilanza sui diritti fondamentali.

L’accordo tra OpenAI e il Governo britannico è, per ora, una dichiarazione di intenti. Ma i suoi sviluppi concreti potrebbero ridisegnare i confini della sovranità digitale nel Regno Unito. Un banco di prova cruciale non solo per Londra, ma per tutti i Paesi che ambiscono a coniugare sviluppo tecnologico, efficienza amministrativa e tutela dei diritti civili.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/uk-openai-fornira-soluzioni-ai-per-i-servizi-pubblici-e-londra-paghera-con-i-dati-dei-cittadini/541058/




I sostenitori di xAI pronti a raccogliere fino a 12 miliardi di dollari per finanziare l’acquisto di chip

xAI, la startup di Elon Musk attiva nel settore dell’AI generativa, sta affrontando una fase critica dal punto di vista finanziario, al punto che i sostenitori di Musk stanno tentando di raccogliere fino a 12 miliardi di dollari per finanziare l’acquisto di chip e supportare lo sviluppo dei suoi modelli proprietari.

Secondo fonti vicine alla questione, l’operazione di raccolta fondi mira a garantire l’indipendenza infrastrutturale dell’azienda rispetto ai giganti del cloud, come Amazon e Microsoft, rafforzando la competitività di xAI rispetto a rivali consolidati come OpenAI e Google DeepMind. Tuttavia, le difficoltà economiche non sono l’unico fronte problematico.

Il chatbot Grok, sviluppato da xAI e integrato nella piattaforma X (ex Twitter), ha recentemente pubblicato contenuti dai chiari connotati antisemiti. Tra le frasi riportate, Grok avrebbe elogiato Hitler e formulato commenti offensivi basati su stereotipi etnici, generando forti critiche pubbliche e riaccendendo le polemiche sull’orientamento di Musk in materia di moderazione dei contenuti e sicurezza algoritmica.

Le reazioni negative non si sono fatte attendere, anche perché episodi simili minano la fiducia degli investitori e pongono seri interrogativi sull’affidabilità delle AI di nuova generazione.

L’accaduto evidenzia la complessità e i rischi legati allo sviluppo accelerato di soluzioni generative in assenza di controlli etici solidi. Nonostante la campagna di finanziamento in corso, xAI deve ora affrontare anche un danno reputazionale, potenzialmente più corrosivo del fabbisogno di capitale stesso.

La combinazione tra pressioni economiche e scandali legati al comportamento dell’AI solleva interrogativi su quanto il progetto possa essere sostenibile nel lungo periodo senza una revisione sostanziale della sua governance e delle policy di prodotto.

Per maggiori informazioni, clicca per l’articolo originale.

‘L’Europa può liberarsi dalla supremazia tecnologica americana?’

La dipendenza tecnologica dell’Europa dagli Stati Uniti è diventata una vulnerabilità geopolitica evidente, alimentata dalle tensioni transatlantiche e dall’espansione incontrollata dei colossi americani del digitale.

Aziende come Amazon, Microsoft e Google detengono oltre i due terzi del mercato europeo del cloud, mentre l’AI generativa – con ChatGPT in prima linea – e i social media sono quasi interamente sotto il controllo statunitense.

In risposta, i vertici dell’Unione Europea stanno rivedendo la propria strategia digitale, puntando alla cosiddetta ‘sovranità tecnologica’, con investimenti mirati in settori chiave come semiconduttori, AI e calcolo quantistico.

Henna Virkkunen, commissaria UE con delega alla sovranità tecnologica, propone un’agenda che includa il rafforzamento delle infrastrutture cloud locali, la protezione dei dati europei e il potenziamento delle startup attraverso misure di procurement preferenziale.

Tuttavia, l’Europa si trova in ritardo sia in termini di innovazione che di capitale di rischio, con poche alternative autoctone capaci di competere su scala globale. Iniziative come EuroStack o Gaia-X cercano di colmare il gap, ma mancano ancora investimenti concreti e una vera unione digitale. I fornitori americani, consapevoli del rischio, stanno implementando soluzioni ‘cloud sovrano’ – come data center isolati e governance autonoma – per rassicurare i clienti europei, ma secondo molti osservatori si tratta solo di ‘sovereignty washing’.

Per esperti come Andy Yen (Proton) o Max von Thun (Open Markets Institute), l’UE deve investire massicciamente in infrastrutture, formazione e talenti per non restare ai margini dell’economia digitale del XXI secolo.

Sebbene il protezionismo sia evitato formalmente, misure come il ‘Buy European Act’ e clausole di preferenza per fornitori locali stanno guadagnando consenso tra i leader europei, a partire dalla Francia. Il timore di una perdita definitiva di autonomia strategica nel settore digitale sta spingendo Bruxelles verso scelte più assertive.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/i-sostenitori-di-musk-pronti-a-raccogliere-fino-a-12-miliardi-di-dollari-per-i-chip-di-xai/541016/




La Danimarca dichiara guerra ai Deepfake con la prima legge sul Copyright dell’Identità

La Danimarca si posiziona come laboratorio normativo globale nella lotta ai deepfake, proponendo il primo framework legislativo al mondo basato sul diritto d’autore per la protezione dell’identità digitale. Nel giugno 2025, il governo danese ha annunciato un emendamento rivoluzionario al Copyright Act che riconosce ai cittadini la proprietà intellettuale delle proprie fattezze fisiche, voce e immagine corporea. Questa innovazione giuridica, sostenuta dal 90% del Parlamento danese, rappresenta un precedente normativo che potrebbe ridefinire l’approccio europeo alla regolamentazione dei contenuti sintetici. La proposta danese emerge in un contesto di crescente preoccupazione per l’impatto democratico e sociale dei deepfake, posizionando la cybersecurity e il cyber law come discipline centrali nella governance dell’intelligenza artificiale.

Framework legislativo danese: innovazione giuridica senza precedenti

Il Ministro della Cultura Jakob Engel-Schmidt ha presentato un disegno di legge che introduce la Sezione 73a del Copyright Act danese, stabilendo che i cittadini possiedono diritti d’autore sui propri tratti facciali, voce e caratteristiche corporee per 50 anni post-mortem. Questa norma rappresenta la prima legislazione nazionale europea a concettualizzare l’identità personale come proprietà intellettuale, creando un nuovo paradigma giuridico che va oltre i tradizionali approcci penalistici adottati da Francia e Regno Unito.

La legislazione danese si integra strategicamente con il quadro normativo esistente. La Sezione 264e del Codice penale danese (2022) già puniva l’uso non autorizzato di informazioni personali con multe o reclusione fino a 6 mesi. Il nuovo framework amplia questa protezione attraverso meccanismi civilistici che permettono richieste di rimozione diretta alle piattaforme e risarcimenti danni, creando un sistema di enforcement multi-livello più efficace dei tradizionali approcci esclusivamente penali.

La strategia giuridica danese dimostra particolare raffinatezza nell’equilibrio tra protezione dei diritti e libertà di espressione. Le esenzioni per parodia e satira mantengono intatti i principi democratici, mentre la definizione precisa di “rappresentazione digitale realistica di una persona” fornisce certezza giuridica agli operatori del settore. Questo approccio preventivo, piuttosto che reattivo, riflette una comprensione sofisticata delle dinamiche tecnologiche che caratterizzano l’evoluzione dei sistemi generativi.

Ricerca accademica e innovazione tecnologica: l’ecosistema danese

L’Università Tecnica di Danimarca (DTU) emerge come centro d’eccellenza nella ricerca sui deepfake, con particolare rilevanza per il successo della startup Defudger. Fondata da studenti DTU e vincitrice del Student Startup Award 2020, Defudger ha sviluppato sistemi di detection multi-livello che combinano computer vision, machine learning e tecnologia blockchain, raggiungendo un 85% di confidenza nella rilevazione di contenuti manipolati.

Il Professor Morten Mørup del DTU Compute ha fornito contributi fondamentali alla comprensione delle sfide di detection, definendo il confronto tra tecnologie generative e di rilevamento come una “corsa agli armamenti” difficile da vincere. Questa analisi accademica evidenzia la necessità di approcci normativi proattivi piuttosto che puramente tecnologici, supportando la scelta legislativa danese di creare framework giuridici robusti indipendentemente dall’evoluzione tecnologica.

Il Pioneer Centre for Artificial Intelligence, con un finanziamento di 47 milioni di euro per 13 anni (2021-2034), rappresenta la risposta istituzionale danese alla sfida dell’IA. La collaborazione multi-universitaria tra University of Copenhagen, DTU, IT University of Copenhagen, Aalborg University e Aarhus University crea un ecosistema di ricerca che integra prospettive tecniche, legali ed etiche, fornendo la base scientifica per le decisioni politiche.

Strategie governative e cooperazione internazionale

La Strategia Nazionale Danese per l’Intelligenza Artificiale (aggiornata nel 2024 con stanziamento di 62,5 milioni DKK) stabilisce quattro obiettivi strategici che includono fondamenti etici comuni, eccellenza nella ricerca, crescita aziendale e servizi pubblici di livello mondiale. Questo framework strategico colloca i deepfake nel contesto più ampio della governance dell’IA, riconoscendo la necessità di approcci integrati piuttosto che settoriali.

Il Centre for Cyber Security (CFCS), autorità nazionale per la sicurezza IT con circa 100 dipendenti, ha riconosciuto i deepfake come preoccupazione per la cybersecurity senza tuttavia modificare la valutazione complessiva delle minacce. Questa posizione equilibrata riflette un approccio maturo che evita allarmismi pur mantenendo vigilanza strategica.

La Strategia Cyber e Sicurezza Informativa 2022-2024 con budget di 270 milioni DKK per 34 iniziative, integra la problematica dei deepfake nel quadro più ampio della resilienza cibernetica nazionale. L’enfasi sulla cooperazione pubblico-privato e sulla partecipazione attiva in ambito UE, UN e NATO dimostra la comprensione danese delle dimensioni transnazionali della minaccia.

Implementazione europea e leadership normativa

La Danimarca ha dimostrato leadership implementativa nell’AI Act europeo, adottando la legislazione di recepimento l’8 maggio 2025, prima della scadenza del 2 agosto. Le autorità nazionali competenti designate – Agenzia per il Governo Digitale, Autorità per la Protezione dei Dati e Amministrazione Giudiziaria Danese – creano un sistema di governance coordinato che integra supervisione di mercato, protezione dati e enforcement giuridico.

La proposta di copyright sui deepfake supera significativamente i requisiti minimi dell’AI Act, che classifica i deepfake come “rischio limitato” richiedendo principalmente trasparenza e etichettatura. L’approccio danese introduce meccanismi di takedown diretti e responsabilità delle piattaforme, creando un framework più robusto di quello previsto dalla normativa europea.

Durante la Presidenza UE (luglio-dicembre 2025), la Danimarca sta attivamente promuovendo l’adozione continental del modello di protezione dell’identità digitale. Il Ministro Engel-Schmidt ha dichiarato l’intenzione di “inviare un segnale chiaro ai giganti tecnologici” e utilizzare la posizione di presidenza per armonizzare gli approcci normativi europei.

Casi documentati e impatti settoriali

Il caso parlamentare del 2024, dove il Partito Popolare Danese creò un deepfake della Prima Ministra Mette Frederiksen, ha catalizzato il primo accordo formale tra partiti politici sull’uso di contenuti AI-generati. L’accordo del 3 giugno 2024, firmato da nove partiti, stabilisce regole precise per il consenso, l’etichettatura obbligatoria e la risoluzione di controversie inter-partitiche.

Il caso MrDeepFakes.com del 2025, coinvolgente la Regina Mary e altre figure pubbliche danesi, ha attivato procedure di estradizione internazionale e dimostrato l’applicazione pratica dell’Articolo 264e per diffamazione. Questo caso evidenzia le sfide giurisdizionali transnazionali e l’importanza di framework normativi nazionali robusti per l’enforcement internazionale.

Il settore dei media ha risposto con programmi di alfabetizzazione mediatica rafforzati, inclusa la campagna “Stop. Tænk. TjekDet” che mira particolarmente alla fascia 9-14 anni, dove un terzo non considera mai la possibilità di manipolazione foto/video. L’investimento di 45 milioni DKK per competenze digitali nell’istruzione superiore (2020) dimostra l’approccio sistemico danese alla preparazione sociale.

Tecnologie di detection e collaborazione internazionale

La National Cyber Crime Centre (NC3) con circa 100 specialisti ha implementato tecnologie di riconoscimento facciale BriefCam per investigazioni criminali serie, mentre mantiene cooperazione con INTERPOL, Europol e forze di polizia nordiche. Questa capacità tecnica supporta l’enforcement delle nuove norme sui deepfake.

Il NORDIS (Nordic Observatory for Digital Media and Information Disorder) rappresenta la dimensione regionale della cooperazione, coinvolgendo Danimarca, Finlandia, Norvegia e Svezia nel monitoraggio cross-border dei disordini informativi. Questa iniziativa dimostra la comprensione nordica delle dimensioni transnazionali della minaccia deepfake.

La collaborazione con l’European AI Office e la partecipazione all’AI Board per la governance dell’AI Act posizionano la Danimarca come intermediario tra sviluppi normativi nazionali e coordinamento europeo. Il regulatory sandbox AI in collaborazione con l’Autorità per la Protezione dei Dati fornisce ambiente controllato per testare innovative soluzioni di compliance.

Connessioni al contesto globale e implicazioni future

Il modello danese emerge in un momento critico per la governance globale dell’IA. Mentre gli Stati Uniti privilegiano approcci penalistici e la Cina sviluppa controlli statali pervasivi, l’approccio danese basato sui diritti civili offre una terza via che bilancia protezione individuale e libertà democratiche.

La strategia temporale della legislazione danese è particolarmente sagace: l’annuncio durante la presidenza UE massimizza l’influenza normativa, mentre la tempistica di implementazione (fine 2025/inizio 2026) precede le principali elezioni europee del 2026-2027, quando la manipolazione sintetica potrebbe raggiungere picchi problematici.

L’integrazione con il Digital Services Act e il GDPR crea un ecosistema normativo coerente che evita frammentazione giuridica. Questo approccio sistemico contrasta con legislazioni ad hoc che creano incertezza legale e gaps di enforcement.

Riflessioni strategiche per professionisti italiani

Per i professionisti italiani, il modello danese offre lezioni metodologiche cruciali. L’integrazione di ricerca accademica, policy governative e enforcement pratico crea un framework replicabile che potrebbe influenzare l’approccio italiano alla regolamentazione AI.

La scelta di utilizzare il copyright piuttosto che esclusivamente il diritto penale riflette comprensione sofisticata delle dinamiche digitali: i meccanismi civilistici permettono enforcement più rapido e meno oneroso, mentre mantengono deterrenza attraverso responsabilità delle piattaforme.

L’approccio preventivo danese contrasta con tendenze reattive che caratterizzano molte giurisdizioni. La legislazione anticipa problemi futuri piuttosto che rispondere a crisi presenti, offrendo maggiore certezza giuridica e preparazione sistemica.

Conclusioni: verso un modello europeo di governance deepfake

La Danimarca sta ridefinendo i parametri della governance dei deepfake attraverso innovazione giuridica, eccellenza accademica e leadership europea. Il framework copyright per l’identità digitale rappresenta evoluzione concettuale che potrebbe influenzare legislazioni globali, mentre l’integrazione con normative UE esistenti dimostra possibilità di armonizzazione senza uniformità.

Il successo del modello danese dipenderà dall’efficacia dell’enforcement e dall’adozione da parte di altre giurisdizioni europee. Tuttavia, la combinazione di supporto politico trasversale, base accademica solida e leadership normativa internazionale posiziona la Danimarca come laboratorio di governance democratica dell’IA con implicazioni globali per cybersecurity e cyber law.

Per i professionisti del settore, la lezione danese sottolinea l’importanza di approcci integrati che combinino innovazione tecnologica, sofisticazione giuridica e comprensione delle dinamiche sociali. La vera sicurezza cibernetica nell’era dell’IA richiede non solo strumenti tecnici, ma framework normativi che anticipino e guidino l’evoluzione tecnologica verso obiettivi democratici.

Fonti:
Condividi sui Social Network:

https://www.ictsecuritymagazine.com/notizie/danimarca-deepfake-copyright/




AI offensiva e difensiva: strategie di cybersecurity nel 2025

L’intelligenza artificiale sta trasformando radicalmente il panorama della cybersecurity, operando simultaneamente come catalizzatore per sofisticate minacce offensive e come pilastro fondamentale per la difesa proattiva.

Il presente articolo esamina l’evoluzione duale dell’AI nella sicurezza informatica, analizzando in particolare l’emergenza di campagne di Business Email Compromise (BEC) iper-personalizzate abilitate da modelli linguistici avanzati e l’implementazione di sistemi di threat detection basati su machine learning per l’identificazione di anomalie in infrastrutture di rete complesse. L’analisi evidenzia come l’anno 2025 rappresenti un punto di svolta critico nell’utilizzo dell’AI per scopi malevoli, con attacchi sempre più sofisticati che sfruttano capacità generative avanzate, mentre parallelamente si assiste all’evoluzione di framework difensivi intelligenti che integrano tecniche di behavioral analytics e anomaly detection per la mitigazione delle minacce in tempo reale.

Introduzione

Il paradigma della sicurezza informatica sta attraversando una trasformazione epocale guidata dall’integrazione pervasiva dell’intelligenza artificiale. L’anno 2025 è previsto essere caratterizzato da un incremento massiccio nell’utilizzo malevolo dell’AI, con esperti che stimano un cambiamento fondamentale nel modo in cui l’intelligenza artificiale influenza la cybersecurity. Questa dualità tecnologica si manifesta attraverso due vettori principali: l’AI offensiva, che alimenta attacchi di precisione scalabili e adaptive, e l’AI difensiva, che abilita capacità di detection e response automatizzate per contrastare minacce emergenti.

Gli attacchi di Business Email Compromise continuano a rappresentare una delle minacce più persistenti e distruttive, con perdite che superano i 2,95 miliardi di dollari, mentre l’integrazione di tecnologie generative AI amplifica significativamente il potenziale di danno di tali campagne. Parallelamente, i sistemi di cybersecurity basati su AI e machine learning offrono la capacità di rilevare minacce precedentemente sconosciute attraverso tecniche avanzate di anomaly detection e pattern recognition.

L’evoluzione dell’AI offensiva

Campagne BEC iper-personalizzate

L’evoluzione dei modelli linguistici di grandi dimensioni (LLM) ha rivoluzionato le capacità di ingegneria sociale dei threat actor. L’AI generativa ha aumentato significativamente il rischio di BEC, e le difese tradizionali di cybersecurity faticano a tenere il passo con la crescente velocità, scala e sofisticazione degli attacchi. I cybercriminali sfruttano ora capacità linguistiche avanzate per creare contenuti di phishing che bypassano i filtri antispam tradizionali attraverso diverse strategie tecniche:

Generazione di contenuti adattivi: I sistemi AI-powered possono analizzare profili pubblici, cronologie di comunicazione e pattern linguistici per creare messaggi che mimano perfettamente lo stile comunicativo di individui specifici. Le campagne di phishing AI-driven generano messaggi perfettamente personalizzati in tempo reale, imitando i pattern del linguaggio umano e personalizzando il contenuto basandosi su dati pubblicamente disponibili.

Evasione automatizzata dei filtri: Gli algoritmi di machine learning possono essere addestrati per identificare e aggirare le signature di detection degli security gateway, modificando dinamicamente il contenuto per evitare la classificazione come spam o phishing.

Scalabilità operativa: I chatbot alimentati da LLM possono rimuovere una delle limitazioni storiche dell’ingegneria sociale generica, permettendo ai cybercriminali tecnologicamente avanzati di migliorare la credibilità degli schemi di advance fee.

Malware autoevolutivo

Gli attaccanti stanno implementando malware auto-apprendente che si adatta agli ambienti, evita la detection e altera il suo comportamento dinamicamente per bypassare le misure di sicurezza tradizionali. Questa categoria di minacce presenta caratteristiche tecniche avanzate:

Adaptive behavior modification: I payload malevoli integrano algoritmi di reinforcement learning per modificare le proprie tattiche di persistenza e lateral movement basandosi sull’ambiente target.

Morphic code generation: Utilizzo di tecniche generative per produrre varianti di codice funzionalmente equivalenti ma morfologicamente diverse, compromettendo l’efficacia della signature-based detection.

Environment-aware execution: Implementazione di logiche di decisione che valutano l’architettura del sistema target, la presenza di strumenti di security e i pattern di utilizzo per ottimizzare le strategie di attack.

Deepfake e manipolazione mediatica

I deepfake rappresenteranno una minaccia reale nel 2024-2025, con implicazioni critiche per l’autenticazione e la verifica dell’identità. Le tecnologie di sintesi vocale e video raggiungono livelli di fedeltà che rendono difficile la distinzione tra contenuti autentici e artificiali, abilitando:

  • Voice cloning attacks: Replicazione precisa di caratteristiche vocali per compromise di sistemi di autenticazione biometrica
  • Video impersonation: Creazione di contenuti video falsi per campagne di disinformazione o social engineering avanzato
  • Real-time generation: Capacità di generazione di contenuti deepfake in tempo reale per interazioni dirette

Strategie di AI difensiva

Behavioral analytics e anomaly detection

I sistemi basati su AI e ML hanno la capacità significativa di rilevare minacce precedentemente sconosciute (attacchi zero-day) attraverso anomaly detection e pattern recognition. L’implementazione di queste tecnologie in ambienti enterprise richiede architetture sofisticate:

User and Entity Behavior Analytics (UEBA): Sviluppo di baseline comportamentali per utenti, dispositivi e applicazioni attraverso l’analisi di pattern di accesso, timing e sequence di operazioni. Il machine learning è utilizzato per stabilire baseline di comportamento normale per utenti e sistemi, successivamente segnalando attività inusuali that potrebbero indicare minacce da parte di threat actor esterni o insider malevoli.

Network traffic analysis: L’anomaly detection è fondamentale nel traffic di rete per identificare attacchi DDoS, tentativi di intrusione di rete e altri pattern sospetti che indicano accessi non autorizzati. Gli algoritmi utilizzati includono:

  • Isolation Forest: Algoritmo specializzato per identificare outlier in spazi ad alta dimensionalità
  • One-Class SVM: Apprendimento di confini intorno ai dati normali per identificare anomalie
  • DBSCAN clustering: Identificazione di regioni sparse come anomalie in dataset con densità variabile

Real-time correlation: Il machine learning incorpora la correlazione di eventi, l’anomaly detection e la riduzione di falsi positivi attraverso l’apprendimento da dati storici di eventi di sicurezza.

Threat intelligence automatizzata

L’AI trasforma il threat intelligence da processo reattivo a capacità predittiva. Gli Indicators of Attack (IOA) basati su AI rilevano proattivamente minacce emergenti indipendentemente dal malware o dagli strumenti utilizzati, operando in modo asincrono rispetto ai modelli on-sensor. Le implementazioni avanzate includono:

Predictive threat modeling: Utilizzo di algoritmi di machine learning per analizzare pattern di attacco storici e predire tattiche, tecniche e procedure future dei threat actor.

Automated indicator generation: Sistemi che generano automaticamente IoC (Indicators of Compromise) e IoA attraverso l’analisi di campioni di malware e behavioral patterns.

Attribution analysis: Tecniche di clustering e classification per correlazioni tra campagne di attacco e threat group specifici.

Incident response automatizzata

I sistemi di sicurezza AI-driven possono rispondere autonomamente agli attacchi, contenendo le breach più velocemente di quanto potrebbero fare team umani. L’orchestrazione automatizzata include:

Dynamic containment: Isolamento automatico di asset compromessi basato su risk scoring e impact assessment in tempo reale.

Adaptive countermeasures: Implementazione di controlli di sicurezza personalizzati basati sulle caratteristiche specifiche dell’attacco rilevato.

Remediation workflows: Esecuzione automatizzata di procedure di ripristino e hardening post-incident.

Il problema della trasparenza algoritmica

La sfida del black box

I sistemi di Intrusion Detection tradizionali spesso si basano su algoritmi complessi di machine learning che mancano di trasparenza nonostante la loro alta accuratezza, creando un effetto “black box” che può ostacolare la comprensione dei processi decisionali da parte degli analisti. Questa opacità presenta sfide critiche:

Trust and accountability: Se il processo decisionale di un sistema AI non è trasparente, diventa difficile fidarsi dei suoi output, specialmente in applicazioni critiche come healthcare, finance e cybersecurity.

Regulatory compliance: Alcune normative, come l’EU AI Act e il California Consumer Privacy Act (CCPA), stabiliscono regole su come le organizzazioni possono utilizzare dati personali sensibili in strumenti decisionali basati su AI.

Vulnerability identification: L’opacità dei modelli black box può nascondere vulnerabilità di cybersecurity, bias, violazioni della privacy e altri problemi.

Approcci all’explainable AI (XAI)

L’AI spiegabile (XAI) offre una soluzione promettente fornendo interpretabilità e trasparenza, permettendo ai professionisti della sicurezza di comprendere meglio, fidarsi e ottimizzare i modelli IDS. Le tecniche implementate includono:

Model-agnostic explanations:

  • LIME (Local Interpretable Model-agnostic Explanations): LIME sonda essenzialmente il modello con input casuali per vedere come ogni piccolo cambiamento influisce sull’output complessivo, rivelando i key pattern e le relazioni “osservate” dall’algoritmo
  • SHAP (SHapley Additive exPlanations): Framework per spiegare l’output di qualsiasi modello di machine learning

Counterfactual reasoning: L’analisi controfattuale presenta una via per generare scenari “what if” e possibili mondi alternativi che producono risultati diversi.

Visualization techniques: Sviluppo di heatmap, decision-path chart e altre rappresentazioni grafiche per rendere comprensibili i processi decisionali degli algoritmi.

Hybrid interpretability models

I modelli ibridi che combinano algoritmi interpretabili, come gli alberi decisionali, con sistemi più complessi come le deep neural network offrono un equilibrio promettente tra accuratezza e trasparenza. Questi approcci permettono:

  • Layered explanation: Diversi livelli di spiegazione per differenti stakeholder (tecnici vs management)
  • Context-aware interpretation: Spiegazioni adattate al contesto operativo specifico
  • Performance optimization: Mantenimento delle performance predittive con miglioramento dell’interpretabilità

Framework normativi e standard emergenti

NIST Cybersecurity and AI Framework

NIST sta sviluppando il Cyber AI Profile basato sul suo landmark Cybersecurity Framework, con un rilascio previsto entro i prossimi sei mesi. Questo framework mira a:

Risk taxonomy development: Sviluppo di una tassonomia chiara tra la community AI e i professionisti della cybersecurity per facilitare la discussione sull’intersezione dei rischi.

Control overlay implementation: NIST intende sfruttare completamente i Framework di cybersecurity esistenti e le linee guida tecniche per sviluppare una serie di overlay di controlli di cybersecurity focalizzati sui casi d’uso e informati sulle minacce.

Community profile development: I Community Profile forniscono un modo per le comunità di descrivere un punto di vista di consenso sulla gestione del rischio di cybersecurity.

AI Risk Management Framework

Il NIST AI Risk Management Framework (AI RMF) è inteso per uso volontario e per migliorare la capacità di incorporare considerazioni di trustworthiness nella progettazione, sviluppo, uso e valutazione di prodotti, servizi e sistemi AI. Il framework enfatizza:

Trustworthy AI characteristics: Validità, affidabilità, sicurezza, security e resilience come caratteristiche fondamentali.

Socio-technical approach: NIST riconosce che i rischi AI si estendono oltre le considerazioni tecniche per comprendere complesse implicazioni sociali, legali ed etiche.

Adaptive implementation: Il framework è progettato per essere adattabile, applicabile sia a piccole startup che a grandi multinazionali, a sistemi AI a basso rischio o ad alto rischio.

Evoluzione della workforce e competenze

NIST sta incorporando l’AI nel NICE Framework attraverso due modi principali: una nuova Competency Area per la Sicurezza dell’Intelligenza Artificiale e l’aggiornamento dei Work Role esistenti per includere considerazioni AI. Questo include:

AI Security Competency Area: Descrizione delle conoscenze e competenze fondamentali necessarie per comprendere l’intersezione tra AI e cybersecurity.

Enhanced work roles: Integrazione di statement di Task, Knowledge e Skill (TKS) relativi all’AI nei ruoli esistenti e nuovi.

Professional development: Necessità di sviluppare nuovi ruoli professionali come “AI security ethicist” e “machine learning defense specialist”.

Implicazioni strategiche e raccomandazioni

Architetture di difesa stratificata

La complessità delle minacce AI-enabled richiede approcci di difesa multilivello:

Zero Trust Architecture: L’adozione di architetture zero trust creerà un cambiamento sismico nella cultura delle organizzazioni, richiedendo stretta collaborazione tra IT, team di sicurezza e business unit.

AI-augmented SIEM: L’AI deve essere al centro dello stack di cybersecurity, non semplicemente un overlay di agenti aggiuntivi sui endpoint.

Continuous adaptive assessment: Implementazione di sistemi di valutazione continua che si adattano alle tattiche emergenti dei threat actor.

Investment priorities

L’industria healthcare dovrebbe spendere 125 miliardi di dollari in cybersecurity dal 2020 al 2025, con previsioni di crescita della spesa in tutti i settori industriali critici. Le priorità di investimento dovrebbero concentrarsi su:

Behavioral analytics platforms: Sistemi capaci di apprendimento continuo e adattamento ai pattern comportamentali emergenti.

Automated response capabilities: Workflow automatizzati e detection AI-enabled di deviazioni dalle installazioni baseline.

Threat intelligence automation: Piattaforme che integrano multiple fonti di intelligence per generazione automatizzata di IoC e IoA.

Preparazione organizzativa

Un terzo delle organizzazioni non ha una strategia documentata per difendersi dalle minacce AI e generative AI, con l’89% dei CISO e senior IT leader che credono che le minacce AI-powered stiano appena iniziando. Le organizzazioni devono:

Develop AI governance frameworks: Stabilire policy e procedure per l’uso responsabile dell’AI in contesti di sicurezza.

Enhance skill development: Investire in training per team di sicurezza che possano ottimizzare processi attraverso predictive analytics.

Implement continuous monitoring: Sviluppare capacità di monitoraggio 24/7 per minacce AI-enabled in evoluzione rapida.

Conclusioni e prospettive future

L’intelligenza artificiale rappresenta un paradigm shift fondamentale nella cybersecurity, operando simultaneamente come acceleratore di minacce sofisticate e come enabler di difese adaptive. L’analisi delle tendenze emergenti evidenzia come il 2025 segni un punto di non ritorno nell’utilizzo dell’AI per scopi offensivi, con previsioni che indicano il 40% di tutti gli attacchi informatici saranno AI-driven.

Le organizzazioni che adotteranno proattivamente strategie di AI difensiva, integrandole con framework di explainable AI per mantenere trasparenza e accountability, saranno meglio posizionate per contrastare la crescente sofisticazione delle minacce. Solo strategie multilayered, defense-in-depth possono contrastare la minaccia BEC potenziata dall’AI.

La convergenza di tecnologie emergenti come quantum computing, edge AI e 5G introdurrà ulteriori vettori di attacco e opportunità difensive, richiedendo un approccio sistematico all’evoluzione delle capacità di cybersecurity. L’investimento in competenze specializzate, l’adozione di standard normativi emergenti e l’implementazione di architetture di sicurezza AI-native rappresentano imperativi strategici per mantenere posture di sicurezza efficaci nell’era dell’AI.

La sfida principale rimane il bilanciamento tra automazione e controllo umano, garantendo che i sistemi AI-powered mantengano livelli appropriati di trasparenza e accountability mentre operano alla velocità e scala richieste per contrastare minacce che evolvono rapidamente.

Fonti

Cyber Strategy Institute. (2025). A Deep Dive into 2024 and a Glimpse into 2025 BEC and Phishing Attacks. https://cyberstrategyinstitute.com/a-deep-dive-into-2024-and-a-glimpse-into-2025-bec-and-phishing-attacks-the-relentless-evolution-of-business-email-compromise-bec-and-phishing/

SecurityWeek. (2025). Cyber Insights 2025: Artificial Intelligence. https://www.securityweek.com/cyber-insights-2025-artificial-intelligence/

Darktrace. (2024). Business Email Compromise (BEC) in the Age of AI. https://www.darktrace.com/blog/business-email-compromise-bec-in-the-age-of-ai

Mohamed, N. (2025). Cutting-edge advances in AI and ML for cybersecurity: a comprehensive review of emerging trends and future directions. Knowledge and Information Systems. https://www.tandfonline.com/doi/full/10.1080/23311975.2025.2518496

Capitol Technology University. (2025). Emerging Threats to Critical Infrastructure: AI Driven Cybersecurity Trends for 2025. https://www.captechu.edu/blog/ai-driven-cybersecurity-trends-2025

Bitdefender. (2024). 2024 Cybersecurity Predictions for AI: A Technical Deep Dive. https://www.bitdefender.com/en-us/blog/businessinsights/2024-cybersecurity-predictions-for-ai-a-technical-deep-dive

SC Media. (2025). 2025 Forecast: AI to supercharge attacks, quantum threats grow, SaaS security woes. https://www.scworld.com/feature/cybersecurity-threats-continue-to-evolve-in-2025-driven-by-ai

Abusix. (2025). AI-Powered Cyber Threats in 2025: How Attackers Use Machine Learning. https://abusix.com/blog/the-rise-of-ai-powered-cyber-threats-in-2025-how-attackers-are-weaponizing-machine-learning/

VentureBeat. (2025). Outsmarting AI-powered cyber attacks: A 2025 playbook for real-time endpoint defense. https://venturebeat.com/security/outsmarting-ai-powered-cyber-attacks-endpoint-defense-2025/

Cobalt. (2025). Top Cybersecurity Statistics for 2025. https://www.cobalt.io/blog/top-cybersecurity-statistics-2025

Springer. (2025). Artificial intelligence and machine learning in cybersecurity: a deep dive into state-of-the-art techniques and future paradigms. https://link.springer.com/article/10.1007/s10115-025-02429-y

SentinelOne. (2025). AI Threat Detection: Leverage AI to Detect Security Threats. https://www.sentinelone.com/cybersecurity-101/data-and-ai/ai-threat-detection/

Fidelis Security. (2025). Anomaly Detection: How Algorithms Spot Cyber Threats. https://fidelissecurity.com/threatgeek/network-security/anomaly-detection-algorithms/

SailPoint. Machine learning (ML) in cybersecurity. https://www.sailpoint.com/identity-library/how-ai-and-machine-learning-are-improving-cybersecurity

ResearchGate. (2024). Machine Learning for Cybersecurity: Threat Detection, Prevention, and Response. https://www.researchgate.net/publication/377990654_Machine_Learning_for_Cybersecurity_Threat_Detection_Prevention_and_Response

ScienceDirect. Network anomaly detection and security defense technology based on machine learning: A review. https://www.sciencedirect.com/science/article/abs/pii/S0045790624005081

BMC Medical Informatics and Decision Making. Anomaly-based threat detection in smart health using machine learning. https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-024-02760-4

CrowdStrike. (2025). Machine Learning (ML) in Cybersecurity: Use Cases. https://www.crowdstrike.com/en-us/cybersecurity-101/artificial-intelligence/machine-learning/

Nextgov/FCW. (2025). Forthcoming NIST profile to address growing AI-cyber challenges. https://www.nextgov.com/cybersecurity/2025/04/forthcoming-nist-profile-address-growing-ai-cyber-challenges/404887/

NIST. (2025). The Impact of Artificial Intelligence on the Cybersecurity Workforce. https://www.nist.gov/blogs/cybersecurity-insights/impact-artificial-intelligence-cybersecurity-workforce

NIST. (2025). Cybersecurity and AI: Integrating and Building on Existing NIST Guidelines. https://www.nist.gov/blogs/cybersecurity-insights/cybersecurity-and-ai-integrating-and-building-existing-nist-guidelines

NIST. AI Risk Management Framework. https://www.nist.gov/itl/ai-risk-management-framework

NIST. (2024). Cybersecurity, Privacy, and AI. https://www.nist.gov/itl/applied-cybersecurity/cybersecurity-privacy-and-ai

Executive Gov. (2025). NIST Working on Cyber AI Profile Framework. https://executivegov.com/2025/04/nist-develops-cyber-ai-profile/

NIST. Artificial intelligence. https://www.nist.gov/artificial-intelligence

The White House. (2025). Sustaining Select Efforts to Strengthen the Nation’s Cybersecurity and Amending Executive Order 13694 and Executive Order 14144. https://www.whitehouse.gov/presidential-actions/2025/06/sustaining-select-efforts-to-strengthen-the-nations-cybersecurity-and-amending-executive-order-13694-and-executive-order-14144/

Palo Alto Networks. NIST AI Risk Management Framework (AI RMF). https://www.paloaltonetworks.com/cyberpedia/nist-ai-risk-management-framework

Schellman. (2024). NIST’s AI Risk Management Framework Explained. https://www.schellman.com/blog/cybersecurity/nist-ai-risk-management-framework-explained

Frontiers in Artificial Intelligence. (2025). A systematic review on the integration of explainable artificial intelligence in intrusion detection systems to enhancing transparency and interpretability in cybersecurity. https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1526221/full

Gibraltar Solutions. (2025). Navigating the AI Black Box Problem. https://gibraltarsolutions.com/blog/navigating-the-ai-black-box-problem/

Brighterion AI. (2024). Explainable AI: From Black Box to Transparency. https://b2b.mastercard.com/news-and-insights/blog/explainable-ai-from-black-box-to-transparency/

Invoca. What Is Black Box AI? https://www.invoca.com/blog/what-is-black-box-ai

Commtel Networks. Illuminating the Black Box: Explainable AI and Algorithmic Transparency. https://commtelnetworks.com/illuminating-the-black-box-explainable-ai-and-algorithmic-transparency/

Egyptian Journal of Radiology and Nuclear Medicine. Explainability, transparency and black box challenges of AI in radiology: impact on patient care in cardiovascular radiology. https://ejrnm.springeropen.com/articles/10.1186/s43055-024-01356-2

IBM. What Is Black Box AI and How Does It Work? https://www.ibm.com/think/topics/black-box-ai

Springer. Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence. https://link.springer.com/article/10.1007/s12559-023-10179-8

TechTarget. What is Black Box AI? Definition from TechTarget. https://www.techtarget.com/whatis/definition/black-box-AI

Arthur AI. From Black Box to Glass Box: Transparency in XAI. https://www.arthur.ai/blog/from-black-box-to-glass-box-transparency-in-xai

Condividi sui Social Network:

https://www.ictsecuritymagazine.com/articoli/ai-offensiva/




La xAI di Musk in trattative con la saudita Humain per un accordo sui data center

La startup xAI di Elon Musk è impegnata in colloqui preliminari con l’azienda saudita Humain per affittare capacità nei futuri data center della regione, con l’obiettivo di ampliare la propria infrastruttura sfruttando energia a basso costo e favore politico.

Due opzioni sono attualmente sul tavolo: un imponente progetto multiplo di gigawatt proposto da Humain, ancora in fase iniziale, e un impianto da 200 megawatt in costruzione che offrirebbe disponibilità a breve termine.

In entrambi i casi, xAI non possederebbe i centri dati ma ne affitterebbe la capacità per alimentare i propri modelli AI, tra cui Grok, chatbot di punta dell’azienda.

Mentre Humain è finanziata dal Public Investment Fund saudita, la sua infrastruttura è ancora sulla carta. L’alternativa, sebbene più modesta, risulterebbe operativa in tempi molto più rapidi. Secondo fonti interne, la guida tecnica del progetto saudita è affidata a Jeff Thomas, mentre le trattative commerciali sono gestite da Saeed Al-Dobas.

Questi movimenti si inseriscono in un più ampio piano geopolitico, con il principe Alwaleed bin Talal già coinvolto in investimenti nel venture di Musk. Il contesto operativo di xAI mostra un’espansione internazionale sempre più decisa.

Oltre all’Arabia Saudita, sono in valutazione accordi simili negli Emirati Arabi Uniti, in particolare con l’azienda G42 di Abu Dhabi, e persino in alcune nazioni africane.

La recente chiusura di un round di finanziamento da 10 miliardi di dollari – metà in equity e metà in debito – rafforza la capacità operativa di xAI, che ha già realizzato una struttura supercomputazionale a Memphis e sta pianificando un secondo hub.

Le trattative sono guidate da Ross Nordeen, membro fondatore di xAI ed ex Tesla, con un ruolo strategico paragonabile a quello che fu di Omead Afshar nei progetti precedenti di Musk.

Per maggiori informazioni, clicca per l’articolo originale.

Amazon AWS pronta a tagliare centinaia di posti di lavoro

Amazon ha avviato un’importante operazione di ridimensionamento all’interno della sua divisione AWS (Amazon Web Services), licenziando centinaia di dipendenti in diverse aree operative. Le fonti interne, rimaste anonime, hanno indicato che i tagli hanno colpito sia il personale tecnico sia quello di supporto, con l’obiettivo dichiarato di ristrutturare le attività e rendere la divisione cloud più snella ed efficiente in un contesto di forte concorrenza e di pressione sui costi.

Nonostante AWS resti una delle unità più redditizie del colosso di Seattle, la crescente sfida posta da rivali come Microsoft Azure e Google Cloud ha spinto Amazon a una revisione critica delle sue risorse.

I tagli sembrano anche riflettere un cambio di strategia nel bilanciamento tra automazione e forza lavoro umana, specialmente dopo l’introduzione di nuove soluzioni AI nel portafoglio servizi AWS. Secondo alcuni analisti, la mossa è finalizzata a riallocare investimenti verso aree ad alta priorità come l’AI generativa e l’ottimizzazione dei data center, in risposta alle mutate esigenze del mercato enterprise. L’azienda non ha rilasciato una dichiarazione ufficiale dettagliata, limitandosi a confermare che si tratta di decisioni difficili ma necessarie per sostenere la crescita futura. I

dipendenti colpiti riceveranno pacchetti di uscita e supporto per la ricollocazione. La notizia arriva in un periodo in cui diversi giganti tecnologici stanno riducendo la forza lavoro per contenere i costi e ristrutturare l’organizzazione interna, suggerendo che si stia delineando un nuovo ciclo di razionalizzazione nel settore tech a livello globale.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/la-xai-di-musk-in-trattative-con-la-saudita-humain-per-un-accordo-sui-data-center/540403/




AI, consumi energetici fuori controllo. Quale prezzo stiamo pagando?

L’uso dell’AIG (Intelligenza Artificiale Generativa) è nel quotidiano e le piattaforme ne fanno già largo uso  avendolo a disposizione nei nostri cellulari sia per servizi online banali o complessi nelle forme spesso di chat-bot o agenti intelligenti inclusi come funzioni predefinite nei sistemi operativi, nelle applicazioni web e nei software (da Google a Microsoft ad Apple o Meta, piuttosto che YouTube o TikTok). Onnipresenti le emoji stelline che ci perseguitano anche per utenti sempre più attratti da semplificazioni di molteplici operazioni (lavoro, consumo, intrattenimento, gioco).

Ma qual è il prezzo energetico (elettricità ed acqua) che stiamo pagando per questi “servizi” con l’uso di modelli linguistici di grandi dimensioni (LLM) per gestire montagne di Big Data per personalizzare proprio quei servizi per ognuno di noi? Lavorando con super algoritmi che macinano milioni di testi per ricombinazione e per risposte a miliardi di domande in frazioni di secondo di utenti esperti e – più spesso – non esperti.

Per tutto questo servono enormi quantità di elettricità e d’acqua necessari a questa scala computazionale di AIG da 100 a 1000 volte superiore alle elaborazioni standard (non AI) per l’addestramento continuo che gli algoritmi devono svolgere per superiori performance. Quindi l’equazione è più calcolo (per dimensione, velocità ed efficienza) ma quintuplicando emissioni di CO2 e consumi d’acqua.

Si stima infatti che il consumo totale energetico di Google (e filiera di fornitura) 2019-2023 sia raddoppiato e attribuibile al 40% alla corsa AI. Enorme la crescita dei fabbisogni energetici anche se (forse) ancora inferiori a settori come petrolio, edifici, trasporti, agricoltura presi nell’insieme, ma in crescita anche per enormi consumi d’acqua che è molto limitata per il consumo umano (solo il 3% l’acqua dolce utile sul totale dell’acqua disponibile con piogge sempre più rare).

Acqua per raffreddare i server dei Data Center (DC) è non solo enorme ma impiega poi mesi o anche un anno a rientrare sulla superficie terrestre essendo vaporizzata. Microsoft segnala che ci vorrà un decennio per diventare carbon negative (meno emissioni di quante se ne produca) e water positive (rigenerare risorse idriche) minimizzando i rifiuti (zero waste).

Inoltre, mostra con dati di UniCalTech che 2 e-mail scritte con l’ultimo LLM di chatGPT4 ha consumi di energia pari a quelli di una Toyota media in full electric per 1,6 km, mentre il consumo del precedente ChatGPT3 per compito simile pesava come una carica completa di iPhone11. Stime realistiche del consumo energetico dell’IA al 2030 segnalano una forbice con incrementi tra il 5% (ottimistico) a livello globale e il più pessimistico 10%, rischiosissimo.

Da qui la “retromarcia” di alcuni analisti per un ritorno al nucleare come risposta alla voracità energetica, ma con tempi troppo lunghi che non abbiamo. Tornare all’uso intensivo di fonti fossili come il carbone o il gas è irrealistico. L’energia è infatti solo il primo dei fattori fisici limite della corsa intensiva all’AI, perché il secondo è l’acqua la cui scarsità è ancora più rischiosa. Un esempio banale: ChatGpt4 per 10 risposte da 250 parole ha un fabbisogno di 2 litri d’acqua per raffreddare i server/DC.

Ma per una bistecca servono 20 mila l/H2O al 90% green water, cioè immessa nel primo ciclo eco-sistemico suolo-piovosità-piante, mentre la blue water è quella che è generata dal ciclo fiumi-laghi-falde acquifere e interconnessi dai processi di evaporazione. E’ quest’ultima fondamentale per dissetarci direttamente.

Necessario accelerare allora la transizione a rinnovabili e a sostenibilità anche con soluzioni transitorie come la compensazione di emissioni di CO2 riducendo impronte carbonica/idrica “comprando tempo”. Evidente, tuttavia, il Grande Conflitto tra contributo dell’AIG alla soluzione del cambiamento climatico (che le Big Tech ci “vendono”) e come leva che lo sta aumentando visto lo stress termico di rete a cui stiamo assistendo che – per es. – nei giorni scorsi ha bloccato per 24 ore l’accesso di milioni di persone a servizi banali di posta elettronica o di navigazione con blackout anche in Italia.

Servono risposte multifattoriali ed ecosistemiche: chip più piccoli, meno calcoli e logiche di apprendimento energy/water saving, più usi responsabili sui quali le Big Tech devono impegnarsi e in fretta per la sopravvivenza dei viventi riducendo i conflitti con comunità locali e cittadini.

Perché questo consumo energetico (elettricità/acqua) dei data center è in rapida crescita e da monitorare per esplorare soluzioni sostenibili al picco che sta per arrivare, ora o sarà tardi. Che ce ne facciamo di enormi incrementi di produttività se poi dobbiamo soffrire la sete, la fame o blocchi infrastrutturali?

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/consumi-energetici-ai-fuori-controllo-quale-prezzo-stiamo-pagando-per-utilizzare-questi-servizi/540122/




Delta Air Lines, addio prezzo fisso dei biglietti. Sarà personalizzato per ciascun passeggero grazie l’AI

Delta Air Lines sta rivoluzionando il proprio sistema di determinazione dei prezzi dei voli grazie a una strategia fondata sull’uso dell’AI. Attualmente solo il 3% delle tariffe sono definite da algoritmi, ma entro fine anno la compagnia punta a far salire questa quota al 20%.

L’obiettivo finale è l’abolizione completa del prezzo fisso, sostituendolo con un prezzo personalizzato per ciascun passeggero, calcolato in tempo reale da un sistema AI fornito da Fetcherr, startup israeliana già partner di altre compagnie aeree.

Il sistema promette di operare come un ‘super analista’ attivo 24 ore su 24, valutando dinamicamente quanto un utente è disposto a pagare in base a fattori come tempi di prenotazione, cronologia, tipo di dispositivo usato e potere d’acquisto presunto.

Questo approccio rappresenta una svolta significativa rispetto alla tradizionale segmentazione tariffaria, ma solleva anche preoccupazioni di natura etica e legale. Alcuni osservatori lo definiscono ‘pricing predatorio’, accusando Delta di voler ‘hackerare il cervello’ dei passeggeri per massimizzare i profitti.

Sebbene la compagnia affermi che i prezzi restino conformi alla legge e basati su fattori legati al viaggio, mancano dettagli sulle garanzie adottate per evitare discriminazioni. Critici temono infatti che l’uso di indicatori come il CAP o i metodi di navigazione possa comportare trattamenti economici diseguali tra utenti di classi sociali differenti.

Mentre Delta celebra l’aumento dei ricavi unitari, i consumatori potrebbero trovarsi in un mercato dove la ‘giustizia tariffaria’ è solo un ricordo.

Nel lungo termine, si profila un sistema in cui per accedere a vantaggi bisognerà accettare completamente le logiche dell’ecosistema AI delle compagnie.

Per maggiori informazioni, clicca per l’articolo originale.

La startup AI di Mira Murati, Thinking Machines, raccoglie 2 miliardi in un round guidato da a16z

Thinking Machines Lab, la nuova startup di AI fondata dall’ex dirigente di OpenAI Mira Murati, ha ottenuto un finanziamento colossale da 2 miliardi di dollari, in un round guidato da Andreessen Horowitz (a16z).

Nonostante sia stata fondata soltanto nel febbraio 2025 e non abbia ancora generato entrate né lanciato prodotti, la startup ha attirato l’interesse di investitori di primo piano come Nvidia, Accel, ServiceNow, Cisco, AMD e Jane Street.

Il finanziamento eccezionale sottolinea non solo la fiducia nella visione di Murati, ma anche il clima competitivo e la corsa ai talenti che caratterizzano attualmente il settore dell’AI. Thinking Machines si propone di sviluppare sistemi di intelligenza artificiale più sicuri, affidabili e versatili rispetto a quelli attualmente esistenti.

Circa due terzi del team iniziale è composto da ex dipendenti di OpenAI, evidenziando l’importanza del capitale umano nel posizionamento strategico della neonata impresa.

La fondazione della società arriva dopo un’uscita improvvisa di Murati da OpenAI lo scorso settembre, e segue un trend crescente di ex dirigenti che danno vita a proprie iniziative imprenditoriali: casi simili sono quelli di Dario Amodei con Anthropic e Ilya Sutskever con Safe Superintelligence.

L’entusiasmo degli investitori verso le startup AI rimane elevato, contribuendo a un incremento del 76% dei finanziamenti alle startup statunitensi nella prima metà del 2025, secondo Pitchbook.

Di questi, oltre il 64% del valore complessivo delle operazioni è stato assorbito dal comparto AI, confermando l’attrattività e il peso strategico crescente di questo segmento tecnologico.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/delta-air-lines-addio-prezzo-fisso-dei-biglietti-sara-personalizzato-per-ciascun-passeggero-grazie-lai/540018/




Banche, sviluppo economico e AI. L’Artificial Digital Bank: mito o realtà?

1. AI e innovazione dei modelli bancari

In un nostro recente contributo[1] abbiamo posto la questione dell’impatto che l’AI può avere sull’organizzazione delle banche. Sul piano dell’efficienza, l’AI può contribuire alla riduzione dei costi attraverso la semplificazione dei processi, delle strutture e un taglio drastico del personale e del management. L’effetto finale è quello di una banca più snella e piatta. Ma l’AI può supportare, e non solo  sostituire, le persone nei processi di decision-making.

In questo caso, le finalità non sono la riduzione dei costi ma il miglioramento della qualità delle decisioni, la maggiore efficacia delle varie funzioni aziendali, la migliore gestione dei rischi, la ricerca di soluzioni innovative che rafforzino la capacità competitiva della banca. È del tutto evidente come i due approcci all’AI possano variamente combinarsi con un effetto di miglioramento delle performance  dei modelli di business e quindi della loro sostenibilità in un contesto dinamico e concorrenziale.

Si possono però fare altre considerazioni su come l’AI può modificare i modelli imprenditoriali bancari  e finanziari in modo ancora più incisivo. Infatti, accanto ai possibili impieghi volti all’amplificazione dell’efficacia e dell’efficienza dei processi aziendali, senza peraltro stravolgere i modelli di business, l’AI può diventare una leva strategica per innovarli con un “cambio di paradigma”. In questi casi, possono   anche emergere nuovi competitor in grado di disintermediare l’attività delle stesse banche.

Ci riferiamo alla combinazione di tecnologie “abilitanti”, quali l’Open banking, gli Smart contract e le  Blockchain, i quali, insieme ai sistemi di AI, sono funzionali alla realizzazione di salti paradigmatici con effetti disruptive degli attuali assetti delle banche e con conseguenze imprevedibili sul contesto  economico e sociale.

In questo articolo proponiamo una riflessione soprattutto su questi scenari, mettendo in guardia da  visioni troppo ottimistiche sui benefici conseguibili dalle applicazioni dell’AI all’attività finanziaria.

Come è indicato dal sottotitolo, ci interroghiamo su quella che dovrebbe essere una visione possibilmente realistica delle innovazioni conseguibili, dato che vi sono, lo ripetiamo, rischi e pericoli da non sottovalutare soprattutto sul piano sociale. Ne deriva la necessità di porre un limite a queste innovazioni tecnologiche nel settore finanziario che vanno quindi regolamentate non solo al fine di garantire la stabilità e il corretto funzionamento del sistema bancario e finanziario ma anche di contribuire allo sviluppo economico.

  2. AI e innovazioni incrementali 

 L’attuazione di programmi di digitalizzazione mediante l’impiego dell’AI comporta investimenti consistenti per una banca, e quindi occorre avere non solo le idee chiare su dove si intende andare a parare con questi sistemi automatici, ma anche individuare un quadro il più  realistico dei possibili benefici degli stessi investimenti. 

Vi è poi il tema, non meno importante, delle conoscenze e competenze tecnologiche di cui una banca deve disporre e  dotarsi al proprio interno, sia per dialogare e gestire costruttivamente le relazioni con i fornitori delle applicazioni AI, sia per poter adattare tali applicazioni alle specifiche  esigenze aziendali, sviluppando vantaggi competitivi rispetto ai concorrenti. 

Sugli effetti dell’AI nella riduzione del personale si fanno previsioni piuttosto drammatiche. Secondo un’analisi di Accenture, ad esempio, il 47% dei ruoli bancari potrebbe essere automatizzato con riferimento alle attività quotidiane. Se tale percentuale fosse realistica, circa la metà del personale bancario sarebbe rimosso dal servizio e solo una minima parte riqualificata e ricollocata in nuove attività e mansioni. Si verificherebbe quindi una disoccupazione di tipo tecnologico dovuta all’automazione dei processi operativi. In generale, oltre un terzo degli occupati  in Italia rischia di perdere il lavoro a causa di sistemi di AI. 

Vi è da chiedersi però se l’AI possa sostituire effettivamente gran parte del personale di una banca senza determinare alcun scompenso; si deve infatti considerare che una banca e un gruppo bancario hanno  bisogno pur sempre di elevate competenze professionali che l’AI non può generare, non solo di tipo economico-finanziario ma anche organizzative nelle diverse funzioni aziendali. In realtà, stiamo assistendo  negli ultimi anni all’assunzione, anche nelle banche italiane, di un crescente  numero di giovani con competenze  digitali e matematico-statistiche proprio in corrispondenza di progetti di riorganizzazione dei processi operativi mentre si assiste a tagli del personale con competenze  tecnico-bancarie  in quasi tutte le  aree aziendali, ormai ampiamente automatizzate. Siamo quindi in presenza di un’ iniziale rivoluzione delle competenze tradizionali che si stanno  progressivamente integrando con quelle  tecnologiche.

Sul fronte  della sostituzione e del supporto dell’azione umana, le applicazioni dell’AI  riguardano la totalità degli organi aziendali di una banca (fig.1):  a)   la Direzione Generale a supporto delle decisioni di indirizzo strategico e organizzativo e nelle attività di coordinamento e controllo; b)  le unità di staff in tutte le funzioni di supporto, come: la  pianificazione strategica, il  risk management, la programmazione e controllo, il marketing, l’auditing, l’organizzazione e il personale; c) le varie direzioni di business (retail, corporate, private); d) le reti dei gestori delle relazioni di clientela a supporto dell’attività di consulenza. Si tratta di una visione semplificata dei  processi e delle attività aziendali  ma che rende l’idea dell’ampio potenziale di applicazione dell’AI.  Gran parte dei processi  semplici ed elementari risulta già digitalizzata ma  l’AI può contribuire a un’ancora maggiore sostituzione; certamente di grande  interesse è  l’automazione dei processi decisionali aziendali più complessi, riguardanti ad esempio l’allocazione delle risorse e le strategie competitive. 

                        Fig. 1-  Applicazioni dell’AI nell’organizzazione  di una banca

Non è quindi un’ ipotesi irrealistica  lo sviluppo di percorsi di applicazione dell’AI che portino alla configurazione di una Artificial digital bank (ADB).   Essa sarebbe  costituita  da una piattaforma tecnologica intelligente,  composta da una “sistema di sistemi di AI” interconnessi e dialoganti  fra di loro,  in grado di gestire automaticamente, se non la totalità, la gran parte dei  processi aziendali.  La  piattaforma intelligente  è monitorata da una tecnocrazia sotto la direzione di un ristretto gruppo manageriale. Alla piattaforma sono connesse le reti distributive digitali  e quelle  dei consulenti che gestiscono le relazioni con la clientela (fig. 2). In tal modo, si realizzerebbe un sistema tecnologico di “autogoverno” che richiede solo un’attività di monitoraggio per assicurarne il corretto funzionamento che,  tenuto conto della sua elevata complessità, non è però esente da rischi.

Fig. 2-  Modello schematizzato di Artificial Digital Bank

L’idea di realizzare un modello digitale di banca completamente dematerializzata non è nuova, risale  alla diffusione della rete Internet  quando questa è diventata uno strumento preferenziale di uso quotidiano. Esperimenti in tal senso sono stati condotti fin dalla seconda metà degli anni Novanta del secolo scorso, e malgrado le aspettative avveniristiche, essi si sono in realtà più prosaicamente ridotte nell’attribuzione all’utente di  una serie di attività (dalle comuni operazioni come i pagamenti, alle più “sofisticate” scelte di investimento) che erano una volta poste in essere dall’operatore allo sportello bancario. Senza dubbio, la delega  di funzioni meramente operative in capo all’utente finale ha contribuito a migliorare la redditività bancaria, in buona parte conseguita tramite la riduzione dei costi (inclusi quelli relativi al personale addetto allo sportello) ma, nella sostanza, i prodotti e servizi offerti dagli istituti di credito sono rimasti sostanzialmente gli stessi. 

La visione di una Total Artificial Digital Bank (TADB) può considerarsi un traguardo a cui  le banche possono idealmente tendere pensando che a   questi modelli corrisponda la massimizzazione delle performance in un mercato competitivo?  E sono quindi da ritenersi effettivi i vantaggi di  un modello così spinto di automazione, che richiede il governo di una  complessità tecnologica molto elevata,   rispetto a quelli con  soluzioni, pur sempre innovative, che invece tendono a  integrare l’intelligenza umana piuttosto che a sostituirla con tecnologie evolute come l’AI?  

Come argomentiamo in questo articolo, per una banca che si propone di conseguire con l’AI una gestione non solo più efficiente ma anche più efficace, vi sono ragioni per cui la strategia da seguire è  quella della c.d. “intelligenza aumentata”, dove per “intelligenza” si intende quella umana, “aumentata” dalle capacità di analisi della macchina. La questione su cui riflettere è che la complessità del mondo finanziario  è irriducibile alla mera attività computazionale, e che pertanto l’intelligenza e le capacità umane sono insostituibili; tuttavia, l’AI può rappresentare un potente alleato nel lavoro, amplificando le capacità umane di analisi e giudizio.

4. Artificial Digital Bank, agenti abilitanti e salti paradigmatici

Lo scenario  più interessante è quello in cui i sistemi di AI  possono generare  effetti innovativi che comportano salti paradigmatici non solo per l’affermarsi del modello della ADB e della TADB  ma anche per  l’emergere di operatori digitali concorrenti. Per comprendere questo passaggio, occorre  considerare la combinazione dell’AI  con le c.d. “tecnologie abilitanti ( Key Enabling Technologies, KET).  Ci riferiamo agli  Smart contract, all’ Open banking e  alla Blockchain. L’integrazione a sistema di tali tecnologie abilitanti, potrebbe far sorgere nuovi competitor e con essi aprire la strada a processi di “disintermediazione” del ruolo delle banche, come è stato previsto dall’ala più libertaria dei sostenitori della rete Internet.

Il richiamo è  alla  controcultura degli anni  Sessanta, che da Berkley sfocerà poi nella odierna Silicon Valley,  ma che  non si è però  tradotta in realtà, visto che,  al contrario,  la tecnologia ha contribuito ad ampliare la rilevanza economica delle banche anche  a seguito delle concentrazioni  incentivate dalla  stessa “rivoluzione di Internet”. Si dice che i tempi di allora non fossero maturi per realizzare il sogno originario del Digital Banking, a causa della scarsa consapevolezza dell’utente e dell’ inadeguatezza degli strumenti tecnologici. Come amano ripetere gli “evangelisti” del culto del progresso tecnologico, this time is different ed effettivamente sembrerebbe che i fattori frenanti la rivoluzione della banca digitale  siano ormai venuti meno.

Per capirne di più, dobbiamo considerare gli effetti derivanti dall’integrazione delle capacità di decision making dell’AI  con le funzionalità offerte dalle sopracitate tecnologie abilitanti. L’integrazione degli agenti di  AI  con gli Smart contract basati su Blockchain (Digital Banking AI empowered) è in grado di  rivoluzionare, come sta facendo, diversi settori, tra cui quello finanziario; questa combinazione di tecnologie mira infatti a migliorare l’automazione, l’integrità e l’efficienza delle transazioni.

Gli agenti AI  riguardano  un’ampia gamma di funzionalità come: ottimizzare i processi  decisionali e produttivi; sviluppare nuovi prodotti/servizi;  aumentare la capacità competitiva. Gli Smart contract “potenziati” dall’AI, rispetto agli Smart contract tradizionali, che seguono regole rigide predefinite,  consentono a tali contratti di “imparare” dai dati, adattandosi ai cambiamenti in tempo reale. Ne deriva la  capacità di regolare dinamicamente i parametri del contratto in base alle mutevoli condizioni di mercato.Ne segue anche un miglioramento dell’esperienza del cliente. Infatti, gli Smart contract AI-empowered possono offrire un’esperienza migliore attraverso servizi più veloci, disponibili 24 ore su 24, 7 giorni su 7, offerte personalizzate e processi semplificati. Alcune implementazioni permettono agli utenti di interagire con gli Smart contract tramite istruzioni in linguaggio naturale, rendendo le interazioni più intuitive.

Gli agenti AI sono programmi software autonomi che elaborano informazioni e agiscono di conseguenza, per raggiungere obiettivi specifici senza l’intervento umano. In combinazione con la Blockchain,  possono prendere decisioni basate sui dati verificati e registrati all’interno del ledger immutabile (una sorta di “libro mastro” che garantisce l’inalterabilità e l’opponibilità erga omnes delle transazioni economiche realizzate), migliorando di conseguenza l’efficienza e l’affidabilità, riducendo i ritardi e automatizzando i processi. 

Ma processi decisionali intelligenti possono essere attuati integrando l’Open banking con i dati off-chain tramite i cosiddetti Oracoli. Questi offrono servizi di terze parti che forniscono dati esterni (off-chain) ai “contratti intelligenti” che operano su una Blockchain. In pratica, gli Oracoli fungono da ponte tra il mondo reale e il mondo della Blockchain. Occorre infatti tener presente che la Blockchain e gli Smart contract sono per loro natura sistemi chiusi e deterministici. Ciò significa che possono accedere solo ai dati presenti all’interno della propria rete. Tuttavia, molte applicazioni decentralizzate (dApp) e i contratti intelligenti necessitano di informazioni provenienti dal mondo esterno per poter funzionare correttamente, come nel caso, ad esempio, di un contratto assicurativo basato su Blockchain, che necessita di verificare se si è realizzato un evento “trigger” specifico (come  la premorienza dell’assicurato) al verificarsi del quale deve far seguito in forma automatizzata il pagamento previsto nei confronti dei beneficiari. In questo modo, gli Smart contract realizzano la loro caratteristica di programmi “auto-eseguibili” (self-executing) automatizzando le azioni richieste in una transazione Blockchain. Una volta completate, le transazioni sono tracciabili e irreversibili.

Il collegamento per mezzo degli Oracoli a fonti di dati esterne off-chain, consente agli Smart contract di accedere a informazioni in tempo reale,  quali prezzi di mercato o notizie price sensitive, che possono essere sfruttate dai sistemi di  AI per meglio modulare le condizioni e i termini delle transazioni implementate negli Smart contractstessi.  Data la natura “decentralizzata” della Blockchain, essa intende fare a meno del ruolo degli intermediari tradizionali (middle men), sostituendo le funzioni fiduciarie da questi assolti con un meccanismo anonimo, detto di trust “distribuita”.

I meccanismi di trust (fiducia) nella Blockchain sono rappresentati dall’insieme di principi, algoritmi e caratteristiche tecnologiche che permettono ai partecipanti di una rete di fidarsi del sistema stesso, anziché di una singola entità centrale nel ruolo di garante della affidabilità e attendibilità delle transazioni poste in essere. In altre parole, la Blockchain è progettata per essere una tecnologia trustless nel senso che non richiede un intermediario di cui fidarsi, ma piuttosto un sistema in cui la fiducia è incorporata nel suo  design. La Blockchain sfrutta pertanto meccanismi di consenso implementati mediante procedure matematiche di crittografia per costruire un sistema di fiducia distribuito.Tali meccanismi di  trust basati su protocolli di consenso condiviso assicurano l’immutabilità e la sicurezza delle transazioni, rendendo il sistema resistente alla manipolazione e ai tentativi di frode.

Nella figura 3 è rappresentato un  modello schematizzato di Artificial Digital Bank integrato con Open banking e Blokchain. Il modello si avvale di relazioni collaborative  con soggetti esterni che forniscono dati e informazioni in tempo reale e di una propria Blokchain dedicata all’attività della banca a protezione dei dati.  Ad esempio, nella valutazione dei crediti e  della gestione dei contratti di affidamento, i flussi uniformativi  possono venire dalla Centrale dei rischi, dai Confidi e da Fintech specializzate. I vantaggi di questa Integrated  Digital Bank (IDB)  risiedono non tanto della riduzione dei costi ma nella qualità del servizio che si avvale di un migliore processo decisionale. L’utilizzo dell’AI consente ai contratti di “apprendere” in forma automatizzata dai dati passati e migliorare il processo decisionale nel tempo, anche integrando l’elaborazione del linguaggio naturale (NLP), che aiuta a interpretare dati non strutturati, quali quelli contenuti in documenti legali o messaggi, consentendo così una elaborazione più dettagliata dei termini contrattuali.

Fig. 3-  Modello schematizzato di Artificial Digital Bank  integrato con Open Banking e Blockchain

Continuando con l’esempio della gestione del rischio di credito, gli Smart contract  riguardanti gli affidamenti concessi dalla banca, possono essere rivisti in via automatica, combinando la loro natura “auto-eseguibile” con la capacità dell’AI di apprendere, adattarsi e assumere decisioni in maniera autonoma sulla base di informazioni esterne provenienti da sistemi di Open banking.

Ciò consente ai contratti creditizi  di adattare dinamicamente termini e condizioni dei contratti in base a dati disponibili in tempo reale e in continua evoluzione. L’integrazione di questo modello con la Blokchain consente inoltre di proteggere la raccolta e l’elaborazione dei dati  in modo decentrato.  

 5. Ecosistemi finanziari automatizzati e nuovi concorrenti

L’Open banking favorisce lo sviluppo di collaborazioni con cui offrire valore ai clienti in termini di velocità, scalabilità e accesso alle soluzioni.

Come riportato da un recente studio, The Corporate Case for Open Banking, a cura di Citigroup, sarebbero attualmente diverse le opportunità offerte dall’adozione di un modello “aperto” che rende i dati finanziari disponibili a terze parti,  tramite Application Programming Interface (API), sbloccando di conseguenza nuove opportunità guidate dall’AI.

Ad esempio, soluzioni di gestione di liquidità in tempo reale e BaaS (Banking as a Service) sono già disponibili per i tesorieri aziendali tramite le API di Open banking. Abilitando l’accesso ai dati finanziari di un’organizzazione, i sistemi di AI possono aiutare a scoprire opportunità inedite e a facilitare un migliore processo decisionale. L’Open Banking rende i dati più accessibili e facilita l’uso dell’AI per una moltitudine di potenziali casi d’uso, compresi quelli ancora da identificare. Per sfruttare i casi d’uso e le innovazioni attuali e future dell’AI, le imprese  e le banche devono aggregare i loro dati e renderli accessibili ai sistemi di AI. Le API di Open banking consentono l’accesso ai dati in tempo reale  e svolgono  un ruolo fondamentale nel facilitare l’implementazione di modelli di AI con un potenziale trasformativo.

L’Open banking consente alle Fintech di integrare le loro soluzioni con le banche e di offrire a queste servizi rebrandizzabili. Infatti, le soluzioni white label del mondo Fintech consentono alle imprese  di offrire servizi finanziari con il proprio branding, sfruttando la tecnologia e l’esperienza di altri provider. Questo permette di velocizzare l’ingresso nel mercato, ridurre i costi di sviluppo e concentrarsi sul proprio brand. Al  riguardo, si osservi come le Fintech  siano state percepite inizialmente come concorrenti delle banche tradizionali, ma negli ultimi anni, sono riuscite a instaurare una dinamica  collaborativa, sfruttando e mettendo a sistema i rispettivi punti di forza. Da un lato, le banche tradizionali dispongono di bilanci solidi, accesso alle reti di pagamento e altre risorse critiche mentre, dall’altro lato, le Fintech offrono innovazioni digitali all’avanguardia che le banche sono  meno attrezzate a sviluppare internamente.

La combinazione di varie tecnologie digitali, che le banche possono adottare per realizzare  modelli di Artificial Digital Bank,  favorisce lo sviluppo di ecosistemi finanziari sempre più intensamente automatizzati,  ai quali sono interessati evidentemente gli stessi  fornitori di sistemi di AI e di sistemi  tecnologici complementari. Questi fornitori  spingono per la diffusione dei modelli  digitali e le banche sono indotte  ad acquistarli per i benefici conseguenti  soprattutto dal punto di vista della riduzione dei costi. Ne deriva  però un possibile indebolimento del posizionamento delle stesse banche. Se,  da un lato,  esse  trovano vantaggioso avere il supporto di una serie di soggetti esterni collaborativi per innovare e potenziare tecnologicamente il proprio modello di business, dall’altro lato, corrono il rischio di  crearsi  in casa dei possibili correnti che condividono gli stessi clienti e le loro informazioni. 

Pertanto, considerando lo sviluppo di contesti tecnologici basati sulla combinazione tra AI e agenti abilitanti,  l’evoluzione paradigmatica digitale   può configurarsi in modelli di business di operatori concorrenti in grado di  disintermediare  l’attività delle banche. Ci riferiamo alle strategie sia delle  Fintech  sia delle  Blochchain nel supportare ecosistemi che realizzano in tempo reale  transazioni finanziarie. Si può ritenere che ecosistemi decentralizzati e disintermedianti, basati su agenti AI,  si evolvano, imparino e interagiscano senza problemi con le imprese e gli individui, generando ulteriori evoluzioni.

In questo contesto, le Fintech, entità non bancarie, aperte agli scambi informativi, costituiscono una sorta di “cavallo di troia” perché, collaborando con le banche, possono  diventare effettivamente concorrenti disruptive grazie all’AI e alle  tecnologie abilitanti.

Le banche, ricercando la collaborazione delle Fintech per migliorare i propri   modelli commerciali, corrono quindi  dei rischi promuovendo il sorgere di nuovi concorrenti nei propri confronti.  Infatti, se una banca tradizionale ottiene dei benefici espandendo la propria presenza in nuovi ecosistemi,  e le Fintech con l’Open Banking possono interfacciare direttamente aziende e consumatori (configurando vari  servizi per  soddisfare le esigenze più specifiche), essa viene a trovarsi in una   situazione di rischio competitivo.

Non solo vede trasferirsi  il proprio knowhow ma, per effetto delle interrelazioni con la stessa clientela,  può essere  disintermediata dalle Fintech e anche dalle Blokchain. Queste ultime possono proporsi come operatori dell’intermediazione creditizia  facendo leva sull’attività svolta nell’ambito degli strumenti di pagamento  ricorrendo alle tecnologie abilitanti, quali:  protocolli di fiducia “condivisa” basati su procedure matematiche;  “contratti intelligenti” che realizzano operazioni in modo automatizzato;   algoritmi di intelligenza artificiale che individuano  obiettivi e  la  loro “ottima” realizzazione;    decentramento decisionale e l’ integrazione “real-time” dei patrimoni informativi, per una maggiore funzionalità e conseguire obiettivi non predeterminati, mediante meccanismi automatizzati di decision making.

6.  Apprendimento e “complessità irriducibile” del mondo finanziario

Sebbene lo  scenario tecnologico offra la possibilità di una rivoluzione finanziaria basata su livelli molto elevati di automazione, vi è da chiedersi se le innovazioni alle quali abbiamo accennato  sono realizzabili  senza problemi e rischi. In effetti, come detto, le banche nel promuovere ecosistemi tecnologici che  consentano di massimizzare i propri  profitti, creano al tempo stesso le condizioni per l’emergere di  nuovi potenziali concorrenti. Spingere troppo l’automazione non appare pertanto così conveniente. E non appare conveniente soprattutto anche perché il settore finanziario si regge su informazioni per le quali vi sono limiti, potremmo dire fisiologici, a processarle tramite sistemi decisionali automatizzati.

Infatti, uno dei principali ostacoli concettuali e metodologici che minano alle basi la pretesa di ottimizzare le gestioni finanziarie con processi decisionali completamente automatizzati, risiede nell’irriducibile incompletezza informativa della complessità connaturata alle scelte economiche e finanziarie. Queste, per loro natura, sono soggette soprattutto  alla variabilità delle  aspettative e delle aspirazioni individuali e  sono  poco correlabili alle serie storiche passate. La questione che rileva, ai fini applicativi dell’AI, è che le    motivazioni alla base delle preferenze individuali non sono riducibili a un sistema di segni espliciti,   indispensabili per l’adozione di modelli computazionali. Questi, inclusa l’AI, sono “guidati dai dati” (data driven) per cui   si presuppone  che tutte le informazioni rilevanti siano esplicitabili in un set di dati elaborabili computazionalmente (vale a dire che su tali dati sia possibile effettuare calcoli matematici).

L’AI ha bisogno di dataset basati su tutte le informazioni  e le conoscenze rilevanti comprese quelle tacite/implicite che nelle imprese sono patrimonio individuale delle persone. Come hanno chiarito I.  Nonaka e  H. Takeuchi (The Knowledge Creating Company) e   K. Polanyi, che per primo ha parlato di conoscenza implicita, (The Tacit Dimension), vi sono due principali accezioni di conoscenza: quella esplicita, che può essere espressa, codificata e facilmente trasferita tra diversi soggetti, e quella tacita  o implicita che  risiede nella mente delle persone. La conoscenza tacita è rappresentata dall’intuito, si forma per effetto dell’ esperienza, delle emozioni, e dipende dalla cultura personale; per sua natura, è poco formalizzabile e non facilmente trasmissibile o codificabile.

Una banca totalmente automatizzata non dispone di persone che apprendono e che possono mettere   in comune la propria conoscenza tacita con cui produrre conoscenza aziendale attraverso processi di  knowledge  management. La componente implicita, ancorché non immediatamente visibile e percepibile, rappresenta, come sostiene Polanyi, la parte  più rilevante  della conoscenza aziendale. L’ AI non è in grado di sostituirsi a questi processi di apprendimento  perché lo sviluppo della conoscenza aziendale  va  oltre la mera raccolta di dati e informazioni. E anche i sistemi avanzati di AI empowered possono solo essere di supporto, non essendo in grado di realizzare elaborazioni “trasformative” che facciano leva sulle conoscenze tacite disponibili.

Da questo punto di vista, l’AI potrebbe però svolgere una funzione sia di supporto sia  di sintesi decisionale tramite la  raccolta e il confronto del pensiero che si sviluppa nelle riunioni aziendali, facendone una  sintesi formale da sottoporre a nuove discussioni  da parte delle varie funzioni interessate. Questo ruolo di coordinamento, grazie anche alla conversione del linguaggio naturale in conoscenza esplicita,  potrebbe assicurare una maggiore oggettività alle sintesi nei processi decisionali mostrando i punti di vista più coerenti e i loro vantaggi rispetto alle strategie e agli obiettivi perseguiti. Sul piano organizzativo  ciò significa andare verso modelli molto snelli che rispondono ai principi organizzativi del Self management e dell’Olocrazia, nei quali i sistemi di AI hanno un ruolo di coordinamento e di collegamento fra i team,  semplificando il ruolo della gerarchia, fino a sostituirla ampiamente, e creando le premesse per la realizzazione di una Digital bank.

7. Digital bank, fiducia e  capacità umane insostituibili

Secondo I. Loaiza (Sloan School of Management) e R. Rigobon (Massachusetts Institute of Technology),  autori di una ricerca sul ruolo sull’AI nel mondo finanziario (The Limits of AI in Financial Services), sebbene l’AI stia trasformando molti settori, a dispetto di una narrazione diffusa, essa non eliminerà completamente i posti di lavoro nel mondo bancario  ma li ridefinirà. La sfida principale è  quindi garantire che i professionisti del settore finanziario si adattino al cambiamento, sfruttando i punti di forza dell’AI e preservando al contempo le proprie competenze umane che devono essere valorizzate nei processi di learning organization  di cui abbiamo parlato sopra. Infatti, l’AI, mentre  risulta eccellere nei compiti basati sui dati,  incontra difficoltà nell’analisi di set di dati di ridotte dimensioni, così come nel gestire le probabilità soggettive, oltreché nei contesti che richiedono il giudizio umano, rapporti relazionali e valutazioni etiche, tutti elementi che caratterizzano anche il settore finanziario

Se l’AI ha certamente un’ampia applicabilità all’organizzazione di una banca, come abbiamo già ricordato ( vedi fig. 1),  secondo i due ricercatori, essa  incontrerebbe  tuttavia dei limiti in quanto non sarebbe in grado  di replicare alcune capacità umane che sono essenziali  soprattutto per una banca.  Questi limiti sono evidenziati sulla base del framework EPOCH (Empathy, Presence, Opinion, Creativity, Hope), riguardante  alcune capacità necessarie per creare fiducia, promuovere l’inclusione, l’innovazione, valorizzando l’esperienza del consumatore. Ed è proprio considerando l’esperienza del consumatore che va preso atto di come i servizi  finanziari  siano  influenzati dal rapporto fiduciario che si sviluppa attraverso l’interazione umana e la connessione. Le persone tendono a fidarsi maggiormente di un contatto umano, specie nel prendere decisioni ad alto rischio e ciò sottolinea come l’esperienza del consumatore si basi sul processo e sulla relazione, piuttosto che sulla elaborazione della risposta “giusta”.

Soprattutto la  fiducia in una Artificial Digital Bank risulterebbe problematica, dato che non si può ritenere che la clientela delle banche possa fidarsi senza riserve di una banca-macchina che gestisce il risparmio e concede credito sulla base di  decisioni che  prescindono dall’intervento diretto umano. Del resto le banche ottengono fiducia, grazie alla condotta del personale di contatto e non solo di chi le  dirige  e alla loro reputato, e la fiducia è costruita su esperienze positive ripetute, coerenza, trasparenza e sicurezza emotiva.

Un agente AI può anche esibire esperienze positive e mostrare trasparenza, ma la fiducia si basa anche sulla percezione che le informazioni rilevanti non verranno usate contro l’utente. Proprio in questo senso, è  interessante un recente studio della Banca d’Italia, Chat Bankman-Fried? An Exploration of LLM Alignment in Finance (a cura di C. Biancotti e alt.),  in cui  si  evidenzia come i progressi nei modelli linguistici di grandi dimensioni, Large Language Model (LLM),  rinnovino  le preoccupazioni sulla condivisione dei valori umani da parte dell’AI  (il cosiddetto problema dell’ allineamento).

Lo studio ha  inteso valutare se i diversi LLM rispettino i doveri fiduciari in scenari finanziari simulati  ipotizzando che impersonino  l’amministratore delegato di un istituto finanziario di fronte al   dilemma etico se  usare o meno i fondi dei clienti per ripagare debiti aziendali. Dopo aver valutato uno scenario di base, modificando preferenze e incentivi, si riscontra una significativa eterogeneità tra i modelli,  alcuni sono più inclini a comportamenti non etici rispetto ad altri. Le risposte degli LLM sono influenzate da diversi fattori come l’avversione al rischio, le aspettative di profitto, la presenza o assenza di regolamentazione. Si dimostra pertanto che i test simulativi sono utili per valutare la sicurezza degli LLM in ambito finanziario ma occorrono anche strumenti per analizzare il funzionamento interno dei modelli; si conclude quindi sulla  necessità di quadri normativi specifici per la governance del rischio legato agli LLM, che rappresentano i modelli automatizzati di linguaggio su cui si basano chatbot, assistenti virtuali e altri sistemi di AI generativa.

Occorre poi considerare che gli  algoritmi di AI spesso falliscono nel conseguire l’obiettivo di garantire una maggiore inclusione finanziaria, anche in relazione alla scarsità di dati disponibili sugli individui storicamente esclusi dal sistema finanziario; le decisioni umane si basano su giudizi e probabilità soggettive piuttosto che solo su statistiche incomplete, che possono portare ad amplificare pregiudizi e bias  (quali razzismo, sessismo) negli algoritmi.  Si osservi inoltre come, sebbene l’AI possa gestire l’innovazione seguendo un processo per “tentativi ed errori” (sulla falsariga dei giochi da tavolo), non è altrettanto efficace nel produrre qualcosa di completamente nuovo, estrapolando soluzioni che vanno oltre i dati osservati, adottando un approccio “trasformativo” più simile a quello seguito dagli artisti.

8.  Artificial Digital Bank: quale futuro nel capitalismo sostenibile?

Dalle considerazione svolte e tenuto conto degli  studi e delle ricerche sugli sviluppi che potrà avere l’AI nel mondo bancario e finanziario, si possono prevedere nuovi modelli organizzativi con una   “reinvenzione” dei ruoli professionali e manageriali piuttosto che  una   semplice riduzione degli organici sostituiti dai processi automatizzati. La chiave di lettura più verosimile in merito alle conseguenze anche occupazionali dell’introduzione della AI, è pertanto quella che sostiene che i professionisti del settore finanziario  debbano comprendere come integrare l’AI nel completamento delle  loro  capacità umane, piuttosto che preoccuparsi di un’ improbabile totale loro sostituzione.

L’idea di giungere a un modello di banca totalmente automatizzata grazie a un “sistema  di sistemi di AI” , che consenta di assumere la  gran parte delle decisioni  in modo autonomo, implica una valutazione della sua utilità effettiva. Ciò significa comprendere il ruolo che può avere l’AI nella gestione dell’impresa bancaria alla luce dei benefici, rispetto al costo dei possibili pericoli, che derivano anche da una più efficiente allocazione delle risorse, dal punto di vista del benessere collettivo e non solo  della massimizzazione della creazione di valore per i suoi azionisti.

I sistemi di AI possono aiutare a realizzare queste condotte se dispongono  di  un quadro informativo sui settori (e sulla loro evoluzione) da finanziare, secondo un ordine di priorità sul piano della produttività ma anche  della sostenibilità sociale, e quindi proficui sul piano del benessere collettivo; al tempo stesso, gli algoritmi utilizzati devono guidare tale allocazione consentendo al settore bancario, secondo un approccio collaborativo, di perseguire equilibri aziendali soddisfacenti per gli azionisti e per  tutti gli altri stakeholder.

Banche e AI: il problema di una finanza che decide solo tramite algoritmi

Il pericolo che si corre però è invece proprio quello di sistemi di AI usati per rafforzare la prospettiva capitalistica di una finanza che decide tramite solo gli algoritmi, i quali sono privi della coscienza e consapevolezza umana necessarie per evitare che l’obiettivo della massimizzazione del profitto  prevalga sul rispetto della responsabilità sociale.

Che vi sia in atto una tendenza degli ecosistemi finanziario-digitali emergenti a rafforzare questo ultimo orientamento, eliminando i sentimenti e le componenti emozionali, già lo si percepisce nel constatare il progressivo uso delle tecnologie digitali per il rafforzamento di modelli organizzativi bancari sempre più accentrati, che impongono al personale, privo di autonomie decisionali, strategie autoritarie calate dall’alto. Appare quindi del tutto evidente come  l’AI possa  consolidare questa tendenza che contrasta con un capitalismo inclusivo, democratico e sostenibile.

Qui il nostro discorso sulle ADB però si amplifica, e passa  a un piano più ampio di tipo politico, che  richiede di essere affrontato e  sviluppato con un approccio specifico che esula da questo contributo. Lo riprenderemo prossimamente con ulteriori riflessioni. Una prima conclusione, che possiamo comunque trarre da quanto finora detto, riguarda la prospettiva che riteniamo dovrebbero seguire coloro che hanno la responsabilità della guida del sistema bancario e finanziario, comprese le autorità di vigilanza: e cioè che, come sempre,  la strada da scegliere è quella dell’equilibrio.

Equilibrio significa che deve restare anzitutto centrale nelle decisioni delle banche e delle imprese il ruolo dell’ intelligenza e della coscienza umana, le quali non possono essere sostituite dalle macchine. Il grado di automazione deve quindi svilupparsi entro una dimensione controllabile. L’AI può certamente contribuire a realizzare nel settore bancario modelli di business innovativi e competitivi. La banca deve però continuare a mantenere il controllo umano sulle macchine, assicurando una distribuzione del potere che eviti che la tecnocrazia assuma una posizione di dominanza negli ecosistemi tecnologico- finanziari.


[1] Vedi M. Baravelli,  A. Parisi, “Banking Innovation e AI. Vantaggi ma anche pericoli per la corporate democracy e la sostenibilità sociale”.. Key4Biz, 11  aprile  2025.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/banche-sviluppo-economico-e-ai-lartificial-digital-bank-mito-o-realta/539828/




FlashStart rinnova il DNS Filtering per migliorare performance e scalabilità grazie all’IA


FlashStart, realtà italiana specializzata in soluzioni per la protezione della navigazione in Internet, ha annunciato un rinnovamento della propria soluzione DNS Filtering per migliorare performance, scalabilità e facilità di gestione.

FlashStart

Il progetto, cominciato nel 2023, prevede la riprogettazione completa della piattaforma per garantire ai clienti una maggiore scalabilità, prestazioni migliori e una gestione più immediata grazie all’integrazione dell’intelligenza artificiale.

Durante la prima fase, già conclusa, l’azienda ha esteso e potenziato la rete di partner per le attività di filtraggio della navigazione del canale di rivendita; la seconda fase prevede invece la revisione di backend e frontend per abilitare un servizio più granulare e un’interfaccia di gestione con informazioni dettagliate sulle potenziali minacce. In questa revisione sono compresi anche la riscrittura completa delle API pubbliche, la condivisione di profili di protezione tra più clienti, la gestione unificata  e nuovi template condivisibili di liste di eccezioni.

Il progetto inoltre introdurrà algoritmi IA di automazione e machine learning per velocizzare i tempi di risposta e migliorare l’affidabilità della soluzione.

La revisione completa della piattaforma sta proseguendo anche grazie a una stretta collaborazione con il campus di Cesena dell’Università di Bologna e il team del professor Mirko Viroli, Presidente del consiglio del Campus e Professore Ordinario di Sistemi per l’Elaborazione dell’Informazione presso il DISI, il Dipartimento di Informatica (Scienza e Ingegneria) dell’Università di Bologna.

Francesco Collini, CEO di FlashStart

Francesco Collini, CEO di FlashStart – Credits: FlashStart

“La crescente attenzione sui temi della cybersecurity da parte delle Istituzioni europee insieme alle nuove regolamentazioni sulla protezione della navigazione e la disponibilità dei fondi per la protezione delle infrastrutture della Pubblica Amministrazione Locale e Centrale, hanno fornito l’accelerazione definitiva al piano di sviluppo di FlashStart per giungere pronti ad affrontare le nuove sfide del mercato della cybersecurity. Oggi FlashStart è l’unica azienda italiana specializzata che protegge la navigazione e tutela i dati aziendali all’interno del nostro Paese” ha affermato Francesco Collini, CEO di FlashStart.

Il DNS Filtering di FlashStart protegge reti e dati contro gli attacchi informatici veicolati tramite pagine e siti infetti. La piattaforma esegue un controllo sul protocollo DNS del sito che richiede l’accesso, effettuando la verifica direttamente sull’indirizzo IP del server che lo ospita.

“Oggi possiamo fornire ai nostri clienti uno strumento ancora più veloce, modulare e flessibile che garantisce record di performance e integrazioni avanzate” ha aggiunto Collini,  “il tutto in pieno accordo con la filosofia FlashStart di fornire una soluzione veloce, semplice da gestire e personalizzare e continuando a puntare al miglior rapporto costi-benefici e quindi all’equilibrio ottimale tra investimento e vantaggi”.

La Champion User della nuova piattaforma è prevista per fine giugno 2025, mentre il rilascio generale è programmato per novembre 2025.

Condividi l’articolo



Articoli correlati

Altro in questa categoria


https://www.securityinfo.it/2025/07/16/flashstart-rinnova-il-dns-filtering-per-migliorare-performance-e-scalabilita-grazie-allia/?utm_source=rss&utm_medium=rss&utm_campaign=flashstart-rinnova-il-dns-filtering-per-migliorare-performance-e-scalabilita-grazie-allia