È da questa posizione, espressa da Ursula von der Leyen nel presentare il Technological Sovereignty Package (TSP), che prende forma il nuovo piano con cui la Commissione europea punta a rafforzare l’autonomia dell’UE nei settori strategici dei semiconduttori, dell’intelligenza artificiale, del cloud e dell’open source.

Il TSP non è un’iniziativa isolata, ma rappresenta il punto di convergenza di un percorso avviato da tempo che mette insieme diverse iniziative, dalla “Bussola per la competitività”, pensata per rendere l’economia europea più competitiva rispetto a Stati Uniti e Cina, alla Strategia per la sicurezza economica, che mira a ridurre le dipendenze strategiche dell’Europa in alcuni settori critici – tecnologie avanzate, materie prime, infrastrutture digitali e supply chain – allineandole a precisi obiettivi economici e geopolitici.

Tra gli obiettivi più ambiziosi del pacchetto figura il raddoppio di scala delle infrastrutture di calcolo europee. Bruxelles punta a triplicare la capacità dei data center entro i prossimi cinque-sette anni. L’obiettivo è colmare il deficit di potenza computazionale provocato dall’esplosione dell’intelligenza artificiale, accelerando la costruzione di nuovi impianti attraverso procedure autorizzative più snelle e facilitando l’accesso a suolo, acqua, energia e capitali. Oltre che industriale, la sfida è energetica. Per questo il piano prevede una roadmap dedicata alla digitalizzazione del sistema elettrico e all’impiego dell’AI nel settore, con l’obiettivo di integrare i data center in modo sostenibile e di aumentarne l’efficienza. Un tassello inserito in un piano strategico più ampio che prevede la realizzazione di diciannove “Fabbriche di AI” e nuove Gigafactory di supercalcolo, destinate all’addestramento dei modelli europei di intelligenza artificiale.

La novità del pacchetto risiede tanto nell’ampiezza delle misure quanto nel cambio di paradigma che introduce. Per la prima volta Bruxelles affronta semiconduttori, cloud, intelligenza artificiale e open source come anelli della stessa catena del valore, superando la logica degli interventi settoriali e ponendo le basi di una politica industriale fondata sulla sovranità tecnologica. Soprattutto, non si limita più a sostenere l’offerta come aveva fatto con il primo Chips Act, ma prova a orientare anche la domanda, utilizzando il potere degli acquisti pubblici per favorire tecnologie considerate strategiche per l’autonomia europea.

Al di là dell’iter legislativo e delle inevitabili mediazioni, il successo del TSP dipenderà dalla capacità degli Stati membri di trovare un equilibrio su una questione destinata a segnare il futuro dell’industria europea: che cosa significa, oggi, tecnologia europea? Attorno a questa domanda si confrontano due visioni contrapposte. Da una parte ci sono quelli che ritengono necessario rafforzare l’autonomia strategica dell’Unione, limitando il ricorso a fornitori extraeuropei nei servizi più sensibili e utilizzando gli appalti pubblici come leva per sostenere l’industria continentale. Dall’altra ci sono coloro che temono che un eccesso di protezionismo possa rallentare la trasformazione digitale e preferiscono continuare ad affidarsi alle tecnologie, spesso più mature, offerte dai grandi operatori internazionali.

Un dilemma tutt’altro che teorico. Oggi, nei servizi digitali più critici, l’Europa dipende in larga misura da aziende straniere. Una vulnerabilità che, in uno scenario di crescente competizione geopolitica, può scivolare in restrizioni unilaterali, interruzioni dei servizi o nuove forme di pressione politica ed economica. Bruxelles non può permettersi di “dichiarare guerra” ai colossi americani del cloud e dell’AI. Ma sicuramente può creare regole che riducano il rischio di dipendenza senza rompere l’alleanza tecnologica con Washington. La Commissione europea insiste molto sul fatto che il mercato resterà aperto ai partner affidabili (“like-minded partners”), introducendo però criteri più stringenti per i casi sensibili.

Nel trade-off tra autonomia strategica e apertura dei mercati, l’Europa deve rafforzare la resilienza europea senza rinunciare ai benefici dell’integrazione internazionale. «Se non sei al tavolo delle trattative, sei nel menu». Le parole del Primo Ministro canadese Mark Carney, pronunciate al World Economic Forum di Davos, sono la sintesi brutale ma plastica del nostro tempo. «Le grandi potenze possono permettersi di fare da sole. Le potenze medie no. Ma quando negoziamo solo bilateralmente con una potenza dominante, negoziamo da una posizione di debolezza. Accettiamo ciò che ci viene offerto. Competiamo tra noi per essere i più accomodanti. Questa non è sovranità. È a messa in scena della sovranità che accetta la subordinazione. In un mondo di rivalità tra grandi potenze, i paesi che si trovano nel mezzo hanno una scelta: competere tra loro per ottenere favori o unirsi per creare una terza via che abbia un impatto».

L'articolo Chi compra comanda proviene da Data Manager Online.

La separazione tra attività di advisory e di rating entra in vigore. Il 2 luglio 2026 il regolamento europeo 2024/3005 trova piena applicazione. Non è una scadenza burocratica, ma il momento di ammettere, per via normativa, che il sistema ESG presenta un problema di integrità dei dati. La soluzione non è un ulteriore livello normativo, ma un’infrastruttura dati interoperabile e machine-readable. AI, blockchain e osservazione satellitare possono trasformare la sostenibilità in un sistema verificabile.

Il problema non è l’etica

La finanza sostenibile ha un problema che il mercato fatica ad ammettere: il greenwashing non è, nella maggior parte dei casi, un problema di valori. È un problema di dati. Le aziende possono gonfiare le proprie performance ambientali dichiarate perché il sistema di misurazione lo rende possibile. Le agenzie di rating ESG operano su dati autodichiarati, metodologie divergenti e, fino alla recente evoluzione normativa, con incentivi strutturalmente distorti.

Il regolamento 2024/3005 – in vigore dal primo gennaio 2025, pienamente applicabile dal 2 luglio 2026 – ha come obiettivo dichiarato la separazione obbligatoria tra le attività di advisory e quelle di rating sotto la vigilanza dell’ESMA. È un intervento necessario. Tuttavia, non risolve il problema a monte: la qualità dei dati su cui si basano i rating.

Florian Berg, Julian F. Kölbel e Roberto Rigobon, in uno studio pubblicato sulla Review of Finance nel 2022, evidenziano la frammentazione del mercato dei rating ESG: la correlazione tra le valutazioni delle principali agenzie varia tra 0,38 e 0,71, con una media delle correlazioni a coppie pari a circa 0,54.

Per i rating di credito, S&P e Moody’s si correlano al 99%. La stessa azienda, valutata con gli stessi dati pubblici disponibili, può risultare eccellente o ad alto rischio a seconda di chi la valuta. Tesla è uno degli esempi più citati: MSCI la colloca tra i leader ambientali del settore automobilistico per il contributo ai trasporti puliti, a maggio 2022 S&P Global la esclude dall’indice S&P 500 ESG, mentre Sustainalytics ne segnala i rischi legati alle pratiche lavorative e alla governance. Stessa azienda, valutazioni opposte. Non si tratta di una divergenza metodologica marginale. Si tratta di un fallimento sistemico nella misurazione. E la tecnologia è l’unica risposta strutturale disponibile.

La blockchain è metà della risposta

Il fascino della blockchain applicata all’ESG è comprensibile: un registro immutabile di emissioni, crediti di carbonio e impegni di sostenibilità sembra il rimedio ideale all’opacità che caratterizza i mercati volontari del carbonio. Tuttavia, la storia recente invita alla precisione. Verra, la non-profit che gestisce lo standard VCS, alla base di circa il 63% dei crediti volontari di carbonio ritirati nel 2024, sospende a maggio 2022 la tokenizzazione dei crediti già classificati come “ritirati”. Il motivo è paradossale: i crediti vengono tokenizzati e rimessi in circolazione, creando un vettore di double-counting che la blockchain avrebbe dovuto eliminare, non amplificare.

Il problema non è la tecnologia, ma l’architettura del sistema: la blockchain registra fedelmente i passaggi di proprietà, ma il dato sottostante restava vulnerabile. Un registro distribuito autentica la provenienza di un’affermazione, ma non ne verifica la veridicità. La rete Oracle di Chainlink illustra bene la funzione effettiva della blockchain in questo ecosistema: fornire il livello di connettività necessario affinché i dati raccolti da sensori IoT, immagini satellitari e database geospaziali alimentino smart contract verificabili.

In un progetto di riforestazione, i dati satellitari che confermano la crescita degli alberi possono attivare automaticamente l’emissione di crediti. La blockchain è l’audit trail, non è la fonte della verità.

L’AI chiude il cerchio

La verificabilità è nell’osservazione indipendente. È qui che l’intelligenza artificiale applicata ai dati satellitari cambia la natura del problema.

Climate TRACE – una coalizione che include Google, Carbon Tracker Initiative e Rocky Mountain Institute – traccia le emissioni di gas serra a livello globale indipendentemente da qualsiasi dichiarazione aziendale o governativa. A novembre 2024, la piattaforma monitora 660 milioni di asset nel mondo, elaborando oltre 59 trilioni di byte di dati provenienti da più di 300 satelliti e più di undicimila sensori.

Da marzo 2025, i dati vengono aggiornati mensilmente con un ritardo di 60 giorni – un salto qualitativo rispetto ai cicli annuali o biennali precedenti. Il meccanismo è diretto: algoritmi di machine learning analizzano le firme termiche e spettrali visibili nell’immagine satellitare – pennacchi di vapore acqueo sulle torri di raffreddamento, indicatori di attività industriale – e li incrociano con validazioni da terra. Il gap tra le emissioni dichiarate da un’azienda e quelle stimate da satellite costituisce di per sé un segnale di greenwashing: un dato oggettivamente confrontabile, non un giudizio discrezionale.

Sul versante della disclosure testuale, i modelli basati su FinBERT – un’architettura transformer derivata da BERT, ottimizzata per il dominio finanziario – consentono di estrarre automaticamente indicatori ESG dai report aziendali, mappandoli su standard quali l’EU Taxonomy, il GRI e il SASB.

La ricerca applicata è in rapida evoluzione, ma resta lontana dalla piena automazione: uno studio pubblicato su arXiv a dicembre 2025 introduce un dataset di riferimento per l’estrazione di KPI allineati all’EU Taxonomy dai report di sostenibilità e dimostra che, allo stato attuale, i modelli linguistici ottengono buoni risultati nell’identificare le attività economiche qualificanti, ma falliscono nella stima quantitativa degli indicatori finanziari.

È esattamente questo il confine che separa la promessa tecnologica dall’adempimento operativo degli obblighi SFDR relativi agli indicatori PAI. Blockchain e AI sono complementari, non concorrenti. La blockchain risolve il problema dell’audit trail – chi emette, trasferisce o ritira un credito e quando. L’AI risolve il problema a monte: la misura indipendente della realtà fisica che il credito pretende di rappresentare.

Quadro normativo e divario

Il regolamento SFDR impone ai gestori di fondi di classificare i propri prodotti in tre categorie e di rendicontare sui principali indicatori di impatto negativo (PAI). Le categorie previste sono: Articolo 6 (prodotti senza obiettivi di sostenibilità), Articolo 8 (prodotti che promuovono caratteristiche ambientali o sociali) e Articolo 9 (prodotti con un obiettivo esplicito di investimento sostenibile).

La CSRD, nella sua architettura originaria, avrebbe dovuto portare circa 50mila aziende europee a rendicontare secondo standard ESRS uniformi. L’Omnibus I, approvato dal Parlamento europeo il 16 dicembre 2025, riduce l’ambito di applicazione di oltre l’80%, mantenendo nel perimetro solo le aziende con oltre mille dipendenti e un fatturato netto superiore a 450 milioni di euro.

Il risultato è paradossale: proprio mentre la Regolamentazione 2024/3005 impone trasparenza metodologica ai fornitori di rating, la revisione CSRD riduce la base di dati primari su cui tali rating vengono costruiti. I gestori di fondi saranno più dipendenti, non meno, dalle stime di terze parti e dalle estrapolazioni dei fornitori di dati ESG. È proprio questo divario strutturale che la tecnologia è chiamata a colmare.

L’infrastruttura prima dell’ecosistema

Il lettore europeo tende a osservare l’ESG attraverso la lente della compliance normativa. Ma altrove le stesse infrastrutture prendono forma secondo una sequenza diversa. Nelle economie del Golfo, il punto di partenza non è la pressione dal basso, la domanda degli investitori retail e neppure la maturazione della cultura ESG nei consigli di amministrazione delle corporate. Il punto di partenza è il sovrano.

La Banca centrale del Qatar (QCB) emette a luglio 2024 la sua “ESG and Sustainability Strategy for the Financial Sector”, articolata su tre pilastri: gestione del rischio climatico, incentivo al finanziamento sostenibile e leadership esemplare. Il 30 aprile 2025, il QCB traduce quella strategia in un obbligo operativo con la circolare n. 2025/0001546 – un Sustainable Finance Framework vincolante per tutte le banche attive in Qatar. Il framework definisce la finanza sostenibile, identifica le categorie ammissibili (energie rinnovabili, trasporti puliti, gestione idrica e dei rifiuti, edilizia sostenibile), e impone procedure di valutazione d’impatto, rendicontazione e verifica di terze parti. Il framework riconosce esplicitamente gli strumenti Sharia-compliant come veicoli chiave – i green sukuk emessi nel quadro del QCB devono soddisfare sia gli standard di finanza islamica sia i criteri ESG del framework. Un doppio screening che, in teoria, rende il greenwashing più difficile – a condizione che entrambi i livelli vengano verificati in modo indipendente.

Cosa succede il 2 luglio 2026

La data segna l’applicazione del nuovo quadro normativo sui rating ESG. I fornitori di rating ESG attivi nell’Unione Europea che devono notificare all’ESMA l’intenzione di continuare le attività e presentare formale domanda di autorizzazione, pena la cessazione delle operazioni. Le notifiche all’ESMA scadono il 2 agosto 2026. La separazione obbligatoria tra le attività di advisory e di rating entra in vigore. La trasparenza metodologica diventa un requisito per la licenza. È una tappa necessaria, ma non sufficiente. Regolamentare i fornitori di rating senza intervenire sulla qualità dei dati sottostanti è come imporre standard di accuratezza a un termometro senza controllare la temperatura che misura.

Il vero salto avverrà quando le emissioni monitorate da Climate TRACE, le disclosure estratte da modelli NLP e i crediti certificati nei registri blockchain convergeranno in un’infrastruttura dati che i gestori possono interrogare in tempo reale – non per compilare un modulo, ma per prendere decisioni di allocazione basate su evidenze empiriche. Quel momento non è ancora arrivato. Le fondamenta, tuttavia, sono già in costruzione.

Dr. Devid Jegerson

Architetto dell’evoluzione dei Pagamenti Digitali e del Banking, Devid è da oltre 25 anni in prima linea nell’innovazione FinTech, trasformando idee visionarie in realtà di mercato di successo nell’E-commerce e nel Banking.

Dal lancio della prima carta prepagata ricaricabile in Italia (2002) e del primo conto di moneta elettronica (2006), alla creazione di gateway di pagamento con licenza acquiring (2008) e all’introduzione dei pagamenti istantanei P2P (Jiffy, 2014) e delle prime piattaforme di pagamento cloud in Medio Oriente (noon.com, 2016), il suo focus è sempre stato sul costruire ‘il nuovo’.

Il suo percorso include ruoli di leadership e contributi fondamentali in noon.com, PayPal, Fastweb, IWBank, e UBI Banca, dove ha guidato l’innovazione nei pagamenti mobile e ha contribuito alla gestione della normativa PSD2.

Oggi, applica questa combinazione di visione strategica ed eccellenza nell’esecuzione come Membro del CdA di diverse società, guidando la Trasformazione Digitale nel FinTech. La sua passione è supportata da un PhD, un EMBA, una laurea magistrale in strategia e una laurea in economia, dalla pubblicazione del libro (“Pagamenti elettronici. Dal baratto ai portafogli digitali” 2016, goWare).

Appassionato nel costruire il futuro della finanza, Devid rappresenta un punto di riferimento nel settore.

L'articolo Green fintech, quando la sostenibilità diventa un problema di dati proviene da Data Manager Online.

Tuttavia, alcuni nodi strutturali storici continuano a frenare il pieno sviluppo della nostra competitività: la frammentazione del tessuto imprenditoriale in realtà di dimensioni ridotte, la carenza di investimenti in ricerca e sviluppo, la burocrazia farraginosa e un pesante deficit di capitale umano. Per tracciare una rotta strategica, il Ministero delle Imprese e del Made in Italy (MIMIT) ha presentato il “Libro bianco Made in Italy 2030”.

Il piano punta a blindare le eccellenze industriali, coniugando crescita economica, tecnologie digitali avanzate e sostenibilità ambientale. I dati previsionali sostengono questa visione di moderato ottimismo: l’ultimo rapporto Analisi dei Settori Industriali di Intesa Sanpaolo e Prometeia stima una crescita media del fatturato delle aziende italiane intorno all’1% annuo a prezzi costanti fino al 2030, con l’export come vero motore del Paese: il saldo commerciale è stimato a 125 miliardi di euro, ben 21 miliardi in più rispetto ai livelli pre-pandemici. La reale sfida si gioca però su innovazione e competenze, come evidenziato dal Rapporto InnoTech 2026 di The European House-Ambrosetti.

L’Italia vanta diversi posizionamenti d’eccellenza: è sesta al mondo per capacità di trasformare la ricerca in valore economico e per saldo nei servizi di R&S, settima per potenza di supercalcolo e ai vertici per qualità scientifica. Questo patrimonio tecnologico rischia però di rimanere inutilizzato a causa di un drammatico “digital mismatch”: all’appello mancano circa 4,5 milioni di lavoratori dotati di competenze digitali avanzate. Il ritardo formativo è strutturale: l’Italia si colloca al trentasettesimo posto per investimenti nell’istruzione e al trentesimo per il supporto all’innovazione. La quota di laureati tra i 25 e i 34 anni è inferiore di 13 punti percentuali rispetto alla media UE. Senza contare che tra il 2020 e il 2024, oltre 100mila giovani lasciano il Paese alla ricerca di retribuzioni più eque e migliori opportunità di carriera.

Nelle sue considerazioni finali, il Governatore della Banca d’Italia Fabio Panetta lancia l’allarme su un pericoloso circolo vizioso: la scarsa propensione all’innovazione delle imprese comprime la domanda di professionisti qualificati, mentre la mancata valorizzazione del merito scoraggia lo studio e frena l’adozione dell’AI e del digitale. In un mondo dove le tecnologie si evolvono con questa rapidità, il vero ostacolo alla competitività italiana è anzitutto culturale. La gestione del capitale umano diventa una delle sfide decisive. Il successo competitivo dipende dall’agilità cognitiva e dalla flessibilità di lavoratori e manager, perché le competenze statiche perdono valore rapidamente e la formazione permanente diventa lo scudo fondamentale contro l’obsolescenza. Per salvare il Made in Italy, le fabbriche devono trasformarsi in “palestre di apprendimento”, integrando la maestria artigianale tradizionale con i requisiti della transizione digitale, energetica e ambientale.

L'articolo L’industria italiana tra resilienza e deficit di competenze proviene da Data Manager Online.

In ogni organizzazione esiste un patrimonio prezioso, spesso invisibile: è fatto di esperienze, intuizioni, documenti, conversazioni, idee e decisioni prese nel tempo. È la conoscenza che permette alle persone di lavorare, risolvere problemi e far crescere l’azienda. Eppure, proprio questo patrimonio, nella quotidianità, tende a disperdersi. Con il passare degli anni, le imprese accumulano, in modo esponenziale, quantità sempre maggiori di dati. Dispersi in documenti, e-mail, report, sistemi gestionali, piattaforme collaborative, CRM, strumenti di project management e applicazioni verticali. Ogni attività lascia un segno: un file condiviso, un messaggio nella chat aziendale, un aggiornamento di stato, una nota operativa. Questa crescita è costante e, per molti versi, inevitabile. Tuttavia, più aumentano i dati, più diventa complesso orientarsi al loro interno e distinguere ciò che è davvero utile da ciò che è solo “rumore informativo”.

Per comprendere la portata del problema è fondamentale distinguere tra dati, informazioni e conoscenza. I dati sono elementi grezzi: numeri, eventi, registrazioni, frammenti che da soli non hanno significato. Diventano informazioni quando vengono organizzati e letti nel contesto corretto, cioè quando rispondono a una domanda specifica o supportano un’esigenza operativa. La conoscenza rappresenta un livello ulteriore: è la capacità di collegare le informazioni tra loro, interpretarle e utilizzarle per prendere decisioni e intraprendere azioni. È in questo passaggio che il dato smette di essere un semplice contenuto e diventa un fattore abilitante per la crescita. Il punto critico è che questo patrimonio raramente è concentrato in un unico luogo. Nella maggior parte delle aziende è distribuito tra sistemi diversi, strumenti non sempre integrati, archivi dipartimentali e repository personali. Spesso vive nelle persone, nelle loro competenze e nelle soluzioni sviluppate con l’esperienza. Quando non viene condiviso o reso accessibile, si creano inevitabilmente dei compartimenti stagni: le informazioni restano scollegate, si moltiplicano gli sforzi, aumentano i tempi di ricerca e si riduce la capacità di prendere decisioni rapide e coerenti.

A questo si aggiunge un rischio ancora più rilevante: la perdita di know-how, che può avvenire in modo silente quando una risorsa cambia ruolo o lascia l’organizzazione, portando con sé competenze operative e informazioni critiche non codificate. Le conseguenze? Inefficienze quotidiane, duplicazione di documenti, difficoltà nel reperire versioni aggiornate, dispendio di tempo e risorse nella ricerca di contenuti, disallineamenti tra team e minore affidabilità delle fonti. In molti casi, l’azienda possiede già le informazioni di cui ha bisogno, ma non riesce a intercettarle nel momento in cui servono, o non è in grado di trasformarle in decisioni efficaci. Per questo la gestione di dati e conoscenza non è più soltanto un tema tecnologico o organizzativo, ma una leva strategica. In un contesto in cui le imprese devono essere rapide, adattabili e orientate all’innovazione, non basta accumulare informazioni: occorre governarle, renderle accessibili e farle circolare secondo criteri di affidabilità, tracciabilità e sicurezza. La capacità di trasformare un patrimonio informativo frammentato in un ecosistema coerente e accessibile incide direttamente sulla produttività, sulla continuità operativa e sulla competitività aziendale.

L’AI ENTRA IN GIOCO

Il ruolo dell’intelligenza artificiale diventa sempre più centrale e segna un cambiamento profondo nel modo in cui le informazioni vengono raccolte, interpretate e utilizzate. Non si tratta più soltanto di uno strumento per automatizzare attività ripetitive o ridurre il carico operativo, ma di una tecnologia che entra direttamente nei processi decisionali, con l’obiettivo di rendere la conoscenza aziendale più accessibile, dinamica e soprattutto fruibile quando serve. Tra le capacità più rilevanti in questo contesto c’è il recupero intelligente delle informazioni, che consente di accedere a contenuti provenienti da fonti eterogenee, strutturate e non. Questo significa poter interrogare contemporaneamente database, documenti, posta elettronica, presentazioni, piattaforme gestionali e repository aziendali, senza dover conoscere necessariamente dove risieda l’informazione. L’AI è in grado di aggregare e restituire risultati pertinenti, riducendo drasticamente il tempo necessario per reperire dati utili e aumentando la precisione delle informazioni ottenute.

Un’altra capacità chiave è la comprensione semantica e contestuale. Diversamente dai sistemi tradizionali, ancorati a logiche di ricerca per parole chiave, l’intelligenza artificiale “coglie” il senso delle richieste, ne “interpreta” le intenzioni e le colloca nel contesto in cui emergono. Ciò le consente di mettere in relazione informazioni anche in assenza di collegamenti espliciti, elevando la qualità delle risposte e rendendo l’interazione con i sistemi informativi più naturale e immediata.

A questa capacità, si affianca la dimensione conversazionale degli assistenti AI, che rappresenta un cambiamento sostanziale nell’esperienza d’uso. La conoscenza aziendale diventa accessibile attraverso il linguaggio naturale, senza ricorrere a interfacce complesse o query strutturate. È possibile porre domande, chiedere chiarimenti, approfondire temi o ottenere sintesi in modo fluido, all’interno di un dialogo continuo. Ne deriva un abbattimento delle barriere di accesso e una fruizione della conoscenza più ampia, anche per chi non possiede competenze tecniche specifiche. Questi cambiamenti mettono in discussione i sistemi tradizionali di gestione della conoscenza, come le knowledge base statiche: strumenti utili in passato ma oggi rigidi, difficili da aggiornare, spesso isolati e incapaci di seguire la rapidità con cui le informazioni evolvono. L’intelligenza artificiale introduce, invece, un paradigma diverso, in cui la conoscenza è in continua evoluzione, interconnessa e continuamente interrogabile. Non è solo un cambiamento tecnologico, ma un’evoluzione del modo in cui le organizzazioni costruiscono e utilizzano il sapere, verso modelli più reattivi ed efficienti. L’evoluzione verso una conoscenza dinamica non è solo una visione teorica, ma trova conferma nei dati di mercato che evidenziano investimenti massicci proprio in soluzioni tecnologiche avanzate.

Sul piano economico – secondo diverse ricerche di Grand View Research – il mercato globale dell’AI-Driven Knowledge Management mostra una crescita impetuosa: valutato complessivamente circa 7,63 miliardi di dollari nel 2025, si stima possa raggiungere i 51,36 miliardi entro il 2030, con un tasso di crescita annuo composto del 46,2%. Le grandi imprese detengono la leadership con oltre il 65,6% della spesa complessiva. Il contesto italiano riflette tale dinamismo con numeri senza precedenti: l’Osservatorio Artificial Intelligence del Politecnico di Milano riporta che il mercato nazionale dell’AI ha toccato quota 1,8 miliardi di euro nel 2025, segnando un incremento del 50% rispetto all’anno precedente. In particolare, emerge un dato decisamente rilevante per la gestione della conoscenza: tra le imprese italiane che utilizzano l’AI, il 70,8% ne fa ricorso soprattutto per l’estrazione di informazioni da testi. Inoltre, la diffusione di queste tecnologie è raddoppiata nel giro di un anno, passando dall’8,2% del 2024 al 16,4% del 2025, con una punta del 71% tra le grandi organizzazioni, consolidando l’intelligenza artificiale come infrastruttura chiave per la competitività del sistema Paese.

L’ECOSISTEMA TECNOLOGICO

Alla luce di questa evoluzione, la gestione moderna del patrimonio intellettuale di un’organizzazione si configura, evidentemente, come un sistema sempre più integrato e strutturato, in cui la tecnologia assume un ruolo abilitante nella costruzione e nell’accesso alla conoscenza. Tale assetto si fonda su un’architettura stratificata e dinamica, capace di trasformare il flusso indistinto dei dati in una base di conoscenza condivisa, accessibile e strategica. Alla base, operano le tecnologie di riconoscimento ottico dei caratteri (OCR – Optical Character Recognition), oggi potenziate da reti neurali in grado di digitalizzare e interpretare non soltanto il contenuto testuale, ma anche la struttura logica di documenti complessi. Attraverso l’elaborazione del linguaggio naturale (NLP – Natural Language Processing), tali soluzioni consentono di estrarre informazioni da fonti non strutturate, trasformando documenti statici in entità informative attive, interrogabili e organizzabili.

Sopra questo primo livello di acquisizione dei dati, operano le tecnologie di indicizzazione semantica e i cosiddetti Vector Embeddings: rappresentazioni numeriche che consentono ai sistemi AI di interpretare il significato dei contenuti e non soltanto le parole utilizzate. È qui che si realizza il salto rispetto ai tradizionali motori di ricerca basati su keyword. Grazie ai modelli di Natural Language Processing (NLP) e alla comprensione contestuale del linguaggio, documenti, conversazioni e informazioni vengono trasformati in vettori all’interno di uno spazio multidimensionale, dove l’AI può identificare relazioni semantiche, affinità e connessioni tra contenuti anche in assenza di corrispondenze lessicali esplicite. Non si tratta più di rintracciare corrispondenze lessicali, ma di cogliere affinità concettuali tra documenti differenti. Ne deriva una forma di memoria aziendale più evoluta, in grado di comportarsi come un sistema coerente che riconosce e preserva il senso profondo delle informazioni che custodisce.

Il punto di contatto tra l’utente e l’archivio intelligente è rappresentato dalle architetture di Retrieval-Augmented Generation (RAG), che agiscono come interfacce conversazionali avanzate e affidabili. In questo contesto, il sistema si pone come mediatore tra domanda e conoscenza: interroga in tempo reale le fonti interne, seleziona le informazioni pertinenti e le integra attraverso modelli linguistici di grandi dimensioni (LLM – Large Language Models), per generare risposte precise e documentate. Questa impostazione garantisce la coerenza della conoscenza aziendale, poiché ogni output resta ancorato ai dati effettivamente presenti nei sistemi interni, offrendo, così, un riferimento solido per l’accesso a policy, documentazione e storico dei progetti.

A completare la struttura intervengono, infine, i grafi della conoscenza (KG – Knowledge Graph), che modellano e rendono esplicite le relazioni tra dati, persone e processi. Questa rete connettiva consente di superare la logica dei silos informativi, restituendo il contesto in cui l’informazione si è generata e si è evoluta. In tale prospettiva, la tecnologia non si limita a conservare il sapere, ma ne abilita la circolazione continua, trasformando l’esperienza individuale in un patrimonio condiviso e duraturo per l’intera organizzazione.

IL MODELLO IN TRE FASI

Per trasformare questo patrimonio conoscitivo in un vero asset strategico non basta introdurre nuovi strumenti o digitalizzare archivi esistenti. Serve un cambio di prospettiva: la conoscenza deve essere trattata come un flusso continuo di informazioni che attraversa l’organizzazione, si arricchisce nel tempo e diventa realmente utile solo se viene governato in modo strutturato. In questo senso, un modello efficace può essere descritto attraverso tre fasi strettamente connesse tra loro: acquisire, organizzare e condividere. La prima fase, quella dell’acquisizione, riguarda la capacità dell’azienda di intercettare e raccogliere informazioni da tutte le fonti disponibili, senza perdere pezzi lungo il percorso. Non si tratta solo di dati provenienti da sistemi strutturati come ERP, CRM o database aziendali, ma anche di contenuti non strutturati: documenti, e-mail, presentazioni, ticket di assistenza, chat tra colleghi e in generale tutto ciò che rappresenta traccia del lavoro quotidiano. A questo livello, il ruolo dell’intelligenza artificiale diventa particolarmente rilevante, perché consente di raccogliere grandi volumi di informazioni, ma anche di estrarre ciò che è davvero significativo, filtrando il “rumore” e normalizzando contenuti che arrivano da fonti molto diverse tra loro. In pratica, l’AI contribuisce a trasformare una massa eterogenea di input in un patrimonio informativo coerente e utilizzabile.

La seconda fase è quella dell’organizzazione, ed è il punto in cui la conoscenza inizia davvero a prendere forma. Qui il tema non è più soltanto raccogliere informazioni, ma dare loro struttura, contesto e relazioni. Le informazioni vengono classificate, arricchite e collegate tra loro, attraverso logiche semantiche che vanno ben oltre la semplice categorizzazione per cartelle o parole chiave. Tecnologie come il tagging intelligente e i knowledge graph permettono di costruire una rete di significati in cui ogni contenuto non è un elemento isolato, ma parte di un sistema più ampio e interconnesso. Il tagging intelligente consiste, infatti, nell’assegnare automaticamente o in modo assistito etichette ai contenuti in base al loro significato e al contesto, così da facilitarne l’organizzazione e il recupero. Mentre i knowledge graph consentono di collegare tra loro informazioni e concetti, rappresentandone le relazioni e rendendo possibile l’esplorazione dei contenuti non come archivi separati, ma come una rete navigabile di connessioni. In questo modo, la conoscenza non solo viene archiviata in modo strutturato, ma diventa realmente, ma diventa realmente esplorabile e soprattutto comprensibile nella sua interezza.

La terza fase, quella della condivisione, è la più delicata perché determina il valore reale dell’intero processo. Avere informazioni ben raccolte e organizzate non è sufficiente, se queste rimangono difficilmente accessibili o lontane dai punti in cui si prendono le decisioni. L’obiettivo diventa, quindi, quello di rendere la conoscenza disponibile in modo immediato, semplice e soprattutto contestualizzato rispetto alle attività quotidiane delle persone. È qui che entrano in gioco gli assistenti basati su intelligenza artificiale e le interfacce conversazionali, che permettono di interrogare il sistema informativo, utilizzando il linguaggio naturale e di ottenere risposte integrate direttamente nei flussi di lavoro. Così, si riduce la distanza tra informazione e azione, e la conoscenza diventa qualcosa di realmente operativo e non solo consultabile. Questo modello non va interpretato come un processo lineare e concluso, ma come un ciclo continuo. Le informazioni vengono costantemente arricchite, aggiornate e rielaborate a partire dall’uso quotidiano che se ne fa. Ogni interazione contribuisce a migliorare il sistema, generando un meccanismo virtuoso in cui la conoscenza non si esaurisce, ma cresce nel tempo insieme all’organizzazione. È proprio questa dinamicità a trasformare il patrimonio informativo aziendale da semplice archivio a vero e proprio asset strategico.

KNOW-HOW OPERATIVO

Quando la conoscenza viene resa realmente accessibile e integrata nei processi aziendali, l’impatto non si limita a un miglioramento incrementale, ma introduce un cambiamento strutturale nel modo in cui un’azienda elabora e utilizza l’informazione. Il primo effetto riguarda la qualità del processo decisionale, che si sposta da un modello reattivo e spesso basato su informazioni parziali a un modello data-informed, in cui il contesto informativo è più completo, connesso e temporalmente coerente. Ciò consente di ridurre la varianza decisionale tra individui e team, migliorando la consistenza delle scelte e diminuendo l’incidenza di bias legati a disponibilità limitata o frammentata dell’informazione. In altre parole, la decisione non dipende più solo da ciò che è immediatamente accessibile, ma dalla capacità del sistema di ricostruire un quadro informativo esteso e pertinente.

Un secondo impatto significativo riguarda l’efficienza cognitiva e operativa. In assenza di un ambiente informativo integrato, una quota rilevante del lavoro non è legata alla produzione di valore, ma alla ricerca, validazione e ricostruzione delle informazioni. L’integrazione della conoscenza riduce questo “costo di attrito informativo”, liberando capacità cognitive che possono essere riallocate su attività di analisi, problem solving e innovazione. Il supporto dell’intelligenza artificiale amplifica questo effetto, perché consente di ridurre la distanza tra domanda e risposta utile, automatizzando parte del processo di selezione e correlazione dei contenuti.

Sul piano organizzativo, poi, si osserva un’evoluzione nella natura stessa della collaborazione. La condivisione della conoscenza, infatti, non si limita più a svolgere una funzione di allineamento, ma si configura come una vera e propria base cognitiva comune, capace di ridurre il bisogno di continui riallineamenti tra team.
Ne deriva una diminuzione dei tempi di coordinamento tra funzioni diverse e un rafforzamento della capacità dell’organizzazione di agire in modo armonico, anche in contesti complessi e distribuiti. La collaborazione diventa, così, meno dipendente dallo scambio esplicito di informazioni e sempre più fondata su un accesso condiviso a un patrimonio di conoscenze strutturato e coerente.

Un ulteriore beneficio riguarda la resilienza del capitale intellettuale. Quando la conoscenza è strutturata e indipendente dai singoli individui, l’organizzazione riduce la propria vulnerabilità alla perdita di competenze tacite e non formalizzate. Il know-how viene progressivamente trasformato da asset personale a asset sistemico, riducendo la dipendenza da nodi critici e aumentando la stabilità complessiva della struttura aziendale, soprattutto in condizioni di turnover o riorganizzazione.

Infine, si delinea un effetto più profondo, legato alla capacità dell’organizzazione di apprendere nel tempo. Un ambiente informativo integrato non si limita a sostenere le attività operative, ma attiva un processo continuo di scambio tra esperienza e sapere: ogni interazione produce nuove informazioni, che vengono rielaborate e rese nuovamente disponibili. Questo dinamismo trasforma la conoscenza in una risorsa adattiva, capace non solo di rappresentare l’organizzazione, ma anche di accompagnarne e accelerarne l’evoluzione.

SINERGIA UOMO-AI

Con l’ingresso dell’intelligenza artificiale nei processi aziendali, il ruolo delle persone non si riduce né si marginalizza: viene progressivamente ridefinito nelle priorità e nelle modalità di contributo. Il valore umano non risiede tanto nella semplice capacità di reperire informazioni, quanto nel saperle orientare: formulare domande efficaci, interpretare i risultati e inserirli in un contesto decisionale concreto. Il contributo delle persone diventa quindi meno legato all’accesso al dato e sempre più connesso alla capacità di guidare il processo cognitivo. Questo cambiamento ridefinisce anche il profilo delle competenze richieste: accanto a quelle tecniche, assumono crescente rilevanza capacità trasversali come il pensiero critico, la valutazione del contesto, la comprensione dei limiti dei modelli e la validazione delle informazioni e delle correlazioni generate dall’AI.

In un ambiente knowledge-driven, il vantaggio competitivo non dipende soltanto dalla disponibilità di strumenti avanzati, ma dalla qualità del “judgement” umano che ne orienta l’utilizzo. Le persone, di fatto, non si limitano a usare la conoscenza, ma ne influenzano forma ed evoluzione attraverso l’interazione con strumenti intelligenti. Ogni input contribuisce a ridefinire ciò che il sistema considera rilevante, attivando un apprendimento continuo e condiviso. In questo modo, la conoscenza diventa un processo collaborativo tra persone, dati e intelligenza artificiale. Poiché l’AI genera informazioni su base probabilistica e non deterministica, le risposte variano a seconda del contesto e non sono mai definitive. Per questo, saper gestire incertezza e margini di errore diventa una competenza chiave: è fondamentale saper valutare attendibilità e limiti dei dati ricevuti, distinguendo quando l’output è sufficiente per agire e quando richiede ulteriori verifiche. Il vero rischio, infatti, non è rappresentato soltanto da eventuali inesattezze dell’AI, ma anche dall’eccessiva dipendenza da essa, che può indebolire pensiero critico, autonomia decisionale e comprensione dei processi profondi.

Per questo, la fiducia nell’AI non può basarsi esclusivamente sull’efficacia delle risposte generate, ma deve fondarsi su criteri di giudizio, trasparenza, tracciabilità e gestione della conoscenza. Le organizzazioni devono essere in grado di comprendere l’origine delle informazioni, verificarne correttezza e affidabilità e definire responsabilità chiare nell’utilizzo dei sistemi intelligenti. La governance diventa in questo modo un elemento centrale, non solo per garantire sicurezza e conformità, ma per assicurare che la conoscenza prodotta e distribuita dall’AI resti coerente con obiettivi, processi e valori aziendali. Il paradigma knowledge-driven assume, quindi, un significato ancora più concreto: non indica semplicemente un’organizzazione che utilizza la conoscenza, ma un sistema in cui processi, decisioni e apprendimento evolvono continuamente sulla base delle informazioni generate e condivise. In definitiva, il vantaggio competitivo non deriva tanto dalla quantità di dati disponibili, quanto dalla capacità diffusa di interpretarli, contestualizzarli e trasformarli in decisioni coerenti. L’AI abilita questa possibilità su larga scala, ma è l’intervento umano a determinarne direzione, qualità e impatto reale sui processi e sull’evoluzione dell’organizzazione.

NON SOLO SEARCH

Un esempio concreto di applicazione dell’intelligenza artificiale alla gestione evoluta della conoscenza è rappresentato dal progetto EnergIA di Eni, basato su AI generativa e sviluppato per aiutare gli utenti a trovare rapidamente le informazioni all’interno del sito eni.com. EnergIA utilizza in particolare i LLM per analizzare i contenuti disponibili sul sito e generare risposte fondate su fonti ufficiali. In questo modo, grandi volumi di dati vengono trasformati in risposte contestuali, sintetiche e immediatamente comprensibili. L’obiettivo è rendere la conoscenza aziendale più interrogabile, connessa e rielaborabile, superando la semplice logica di analisi dei dati.

Con questa soluzione, Eni punta a migliorare l’accessibilità e la trasparenza verso i propri stakeholder, favorendo una comprensione della realtà aziendale più moderna, intuitiva, vicina agli utenti e aggiornata in tempo reale. Dal punto di vista architetturale, un ruolo centrale è svolto dall’approccio Retrieval-Augmented Generation, che permette di individuare, in risposta alle domande degli utenti, i contenuti più pertinenti tra quelli indicizzati nella base di conoscenza. Tali contenuti vengono poi utilizzati per generare risposte in linguaggio naturale, offrendo un’esperienza conversazionale che permette di esplorare il sito in modo intuitivo. In questa prospettiva, il progetto EnergIA dimostra la capacità dell’AI generativa di rendere le informazioni più accessibili e sempre aggiornate, organizzandole in modo coerente e facilmente fruibile.

L'articolo Conoscere, decidere, rischiare. L’impresa knowledge-centric proviene da Data Manager Online.

All’inizio sembra semplicemente una chat più intelligente delle altre, una finestra di dialogo, una richiesta, una risposta automatica. Poi però accade qualcosa di diverso. Non risponde subito. “Pensa”. Anzi, agisce. Gli chiedi di organizzare un viaggio, analizzare un contratto, verificare una vulnerabilità informatica o prenotare una riunione. E l’agente AI non si limita a produrre parole. Apre strumenti, consulta database, naviga siti web, confronta informazioni, scrive codice, corregge errori, riprova da solo. Lo vedi muoversi come una specie di impiegato invisibile dentro il computer. Solo infinitamente più veloce.

La sensazione più straniante è che sembra avere un’intenzione. Non nel senso umano del termine, naturalmente. Ma osservandolo dall’esterno, si ha l’impressione di assistere a qualcosa che persegue un obiettivo. Divide il problema in sotto-problemi. Decide una sequenza di azioni. Valuta i risultati intermedi. Cambia strategia se qualcosa fallisce. Talvolta si autocorregge.

Un chatbot tradizionale è una macchina che risponde. Un agente AI è una macchina che opera. E mentre lo osservi lavorare, emerge una seconda sensazione, ancora più destabilizzante: non stai più interagendo con un singolo software, ma con un sistema capace di usare altri software. L’agente AI diventa una sorta di “direttore d’orchestra” digitale: apre applicazioni, interroga API, richiama modelli specializzati, coordina strumenti differenti come farebbe un analista umano davanti a più schermi. Non serve nemmeno impartire istruzioni dettagliate. Basta indicare l’obiettivo finale. Il resto viene delegato alla macchina.

Dal punto di vista tecnico, l’AI agentica identifica un’evoluzione architetturale dell’intelligenza artificiale in cui il modello non si limita a produrre output reattivi in risposta a un prompt, ma viene inserito in un ciclo decisionale chiuso capace di perseguire autonomamente un obiettivo attraverso pianificazione, esecuzione, osservazione dei risultati e adattamento iterativo. Non si tratta semplicemente di un modello linguistico più sofisticato, ma di una nuova architettura computazionale, capace non soltanto di generare linguaggio, ma di trasformarlo in azione organizzata. I tradizionali sistemi conversazionali basati su Large Language Models (LLM) ricevono un input, generano una risposta probabilisticamente plausibile e terminano il processo.

I sistemi agentici, invece, hanno la capacità di scomporre un obiettivo astratto in sotto-task, selezionare strumenti esterni, eseguire azioni su ambienti reali e correggere il proprio comportamento sulla base del feedback ottenuto. La novità non risiede soltanto nella qualità del modello linguistico ma nell’integrazione tra capacità cognitive differenti: reasoning, memoria persistente, pianificazione multi-step, accesso a tool esterni, retrieval dinamico di informazioni e cicli continui di feedback.

Quando l’agente apre un browser, scrive codice, consulta documenti, esegue verifiche, modifica il proprio piano dopo un errore o coordina altri agenti specializzati: non sta “imitando” un essere umano, sta implementando un processo di ottimizzazione orientato al raggiungimento di un obiettivo operativo all’interno di un ambiente digitale. Fino a ieri, il linguaggio era considerato principalmente uno strumento per rappresentare il mondo. Oggi, in rapporto all’AI, diventa l’interfaccia operativa universale. Una frase in linguaggio naturale può orchestrare catene di azioni software estremamente complesse. In questo modo, l’AI smette di essere un semplice strumento passivo di supporto cognitivo e inizia a comportarsi come un sistema semi-autonomo capace di intervenire direttamente in qualunque processo.

TRADE-OFF CYBER

Per estensione con il concetto di AI agentica applicata alla cybersecurity, non ci si riferisce a un semplice software di supporto analitico, ma a sistemi capaci di esercitare una forma di autonomia operativa all’interno dell’infrastruttura digitale. Il National Institute of Standards and Technology (NIST) statunitense descrive sostanzialmente gli agenti AI come sistemi in grado di pianificare e intraprendere azioni autonome che impattano sistemi o ambienti reali. In ambito cyber, questo significa superare il paradigma tradizionale del rilevamento passivo – basato su SIEM, motori di correlazione e analisi umana degli alert – per approdare a modelli di difesa adattiva nei quali l’intelligenza artificiale osserva, interpreta, decide e interviene.

Dal punto di vista tecnico, un agente combina capacità di reasoning basate su LLM, memoria contestuale, orchestrazione di workflow, accesso a strumenti esterni e meccanismi iterativi di feedback. In pratica raccoglie telemetria da endpoint, log e feed di threat intelligence; correla eventi apparentemente scollegati; formula ipotesi di compromissione; seleziona una risposta e può eseguirla direttamente, per esempio, isolando una macchina, revocando credenziali o generando nuove regole di detection.

La capacità di “agency” – intesa non come coscienza o intenzionalità ma come iniziativa operativa entro vincoli assegnati – si traduce nella possibilità di automatizzare intere pipeline decisionali. Un agente inserito in un Security Operations Center (SOC) può monitorare milioni di eventi, distinguere falsi positivi da anomalie rilevanti, correlare indicatori di compromissione distribuiti, isolare endpoint sospetti, aprire ticket e suggerire remediation in tempi incomparabilmente più brevi rispetto alla latenza cognitiva umana.

Operativamente, un agente AI “comprende” un obiettivo non come semplice comando sintattico, ma come stato da raggiungere. L’istruzione “riduci il rischio di phishing in azienda” non implica un’azione univoca: il sistema deve inferire una strategia, scomporla in sotto-problemi, identificare metriche di successo e costruire una sequenza di interventi. Una volta pianificata la strategia, l’agente interagisce con strumenti esterni – API, database, SIEM, piattaforme cloud, orchestratori SOAR – attraverso meccanismi di function calling o tool invocation. La promessa è quella tipica delle grandi svolte tecnologiche: moltiplicare le capacità senza moltiplicare le persone. L’AI agentica sposta gli analisti junior da un mondo di help desk e ticket ripetitivi a un ambiente dove la macchina assorbe la parte più meccanica del lavoro.

Dal punto di vista operativo, l’agente AI agisce come un moltiplicatore delle capacità dell’analista SOC. Non è poco. Ma nemmeno neutro. Perché ogni volta che una tecnologia “colma un gap”, ridefinisce anche cosa significa essere competenti. Intanto per le aziende tutto questo rappresenta una risposta concreta alla carenza strutturale di competenze nel campo della cybersecurity. L’agente AI non sostituisce integralmente le competenze umane, ma interviene sul deficit operativo. Da tutto questo si capisce bene il potenziale enorme (la promessa industriale) dell’AI agentica che ha tutte le carte in regola per imporsi come una delle evoluzioni più radicali della sicurezza informatica contemporanea.

Ovviamente, anche i cattivi impiegano l’AI agentica. Non solo come strumento di generazione automatica di contenuti malevoli, ma come infrastruttura semi-autonoma capace di pianificare, orchestrare ed eseguire attacchi multi-step. A differenza della Generative AI impiegata per creare phishing, codice o social engineering, gli AI agenti possono interagire con API, browser, shell e ambienti cloud, per cercare vulnerabilità, automatizzare tentativi di intrusione, e in futuro muoversi lateralmente nelle reti aziendali.

Le ricerche più recenti evidenziano la crescita di attacchi basati su prompt injection, tool hijacking, memory poisoning e agentic command-and-control, tecniche in grado di alterare il comportamento operativo degli agenti AI, esfiltrare dati sensibili o attivare azioni non autorizzate. Alcuni lavori accademici parlano esplicitamente di “promptware”, cioè malware multi-stage costruiti attorno a workflow agentici e capacità di reasoning autonome. Esistono dimostrazioni sperimentali e proof-of-concept di prototipi di malware AI-powered capaci di generare codice dinamico per eludere rilevazioni euristiche, oltre a casi parzialmente documentati di utilizzo di agenti LLM per attività offensive automatizzate in ambienti reali. Il rischio strategico risiede nel livellamento verso il basso delle barriere d’ingresso.

In questo modo l’equilibrio, se mai è esistito, rischia di rompersi. Anzi, per qualcuno si è già rotto e la difesa è costretta a inseguire. Una tesi mainstream ampiamente diffusa, pur con una sfumatura importante: si tratta di un vantaggio solo attuale, legato alla velocità di adozione, all’asimmetria economica e ai vincoli difensivi. Nessuno dubita più che l’AI venga usata per attaccare. La domanda, semmai, è quanto velocemente possa essere usata per difendere. Perché la cybersecurity ha una caratteristica che la distingue: non può permettersi di arrivare seconda, senza aspettare standard maturi. Questo spiega la corsa all’adozione di questi sistemi: fattori strutturali, volumi informativi ingestibili per l’analisi umana, velocità crescente degli attacchi, scarsità cronica di competenze specialistiche. È questo il cuore del trade-off. Senza AI agentica, non si regge la scala operativa della minaccia contemporanea. Al tempo stesso, con l’AI agentica si accetta una riduzione inevitabile della trasparenza e della prevedibilità. La cybersecurity entra così in una nuova fase nella quale si sacrifica il controllo completo dei sistemi, per avventurarsi nel ginepraio della governance di agenti parzialmente autonomi, dove resilienza, auditabilità e limitazione dei privilegi diventano più importanti della pretesa – oggi irrealistica – di comprensione totale del loro funzionamento.

«Dobbiamo stare molto attenti a non fare automazione troppo spinta se non abbiamo la certezza di poterne controllare le conseguenze operative, soprattutto se queste possono comportare effetti irreversibili sul mondo reale» – mette in guardia Corrado Giustozzi, che fa parte del Consiglio direttivo di CLUSIT. «L’AI agentica è una grande opportunità, ma può rivelarsi anche un rischio laddove non si introducano adeguate salvaguardie in grado di prevenire derive pericolose, subordinandola a rigorosi processi di controllo per indirizzarne l’uso sicuro. Credo che sia opportuno impiegarla con un minimo di prudenza, almeno fino a che non avremo maturato più esperienza sul campo».

SICUREZZA AGENTICA

L’introduzione dell’AI agentica modifica in profondità il perimetro della sicurezza informatica, perché amplia l’area da proteggere ben oltre i tradizionali asset aziendali – infrastrutture, endpoint, reti e dati – fino a ricomprendere i modelli stessi, le pipeline di addestramento, i sistemi di orchestrazione degli agenti e, soprattutto, i processi decisionali automatizzati che questi sistemi governano.

Gli agenti autonomi scardinano un presupposto vecchio quanto la cybersecurity, ovvero la netta separazione tra componente decisionale ed esecutiva. Se nei sistemi tradizionali, l’analista umano validava il passaggio dall’alert all’azione, negli ambienti agentici questo filtro può essere automatizzato, aprendo la strada a nuovi vettori di attacco. Cresce inoltre il consenso sulla necessità di un auditing continuo, in grado di stabilire quali dati possano essere considerati affidabili, quali strumenti gli agenti AI siano autorizzati a utilizzare, entro quali limiti possano operare autonomamente e come prevenire manipolazioni attraverso input malevoli. Centrale anche il tema del controllo granulare delle autorizzazioni.

Sul piano tecnico significa confrontarsi con una nuova classe di vulnerabilità. «Gli attacchi non sono solo quelli cibernetici rivolti verso i server che ospitano i sistemi di AI, ma sono specialmente attacchi semantici che utilizzano come vettori di attacco gli stessi dati forniti come input ai sistemi, opportunamente modificati» – conferma Giustozzi di CLUSIT. «Per esempio è possibile alterare ad arte un segnale stradale per far sì che un’automobile a guida autonoma non lo riconosca o lo interpreti in modo errato; oppure, mediante ripetuti input anomali, è possibile “inquinare” più o meno permanentemente il database della conoscenza di un sistema di AI per far sì che fornisca risposte sistematicamente errate».

L’emergere dell’AI agentica in ambito cybersecurity segna il trasferimento di parte del processo decisionale da sistemi deterministici a sistemi probabilistici, adattivi e parzialmente autonomi. Nei software tradizionali, il comportamento è definito ex ante attraverso regole esplicite, workflow verificabili e logiche tracciabili. L’errore, quando si verifica, può essere ricondotto a una specifica istruzione o condizione. Gli agenti AI, al contrario, operano attraverso modelli statistici che inferiscono azioni a partire dal contesto, selezionando dinamicamente tra molteplici opzioni operative sulla base di pattern appresi, segnali ambientali e obiettivi assegnati. Questa differenza espone il sistema a classi di vulnerabilità che non sfruttano necessariamente difetti implementativi, bensì debolezze interpretative.

L’architettura stessa degli agenti AI spiega tanto la loro potenza quanto il loro rischio. Maggiore è il livello di autonomia concesso, maggiore è la possibilità che errori inferenziali, ambiguità contestuali o interazioni inattese producano effetti sistemici. Detto altrimenti, se l’errore in un chatbot resta confinato al dominio informativo, quello in un agente con privilegi operativi può cancellare dati, alterare configurazioni o amplificare decisioni errate su larga scala. La ricerca insiste sul concetto di “governable autonomy”, nella capacità di costruire sistemi, in cui autonomia, auditabilità e revocabilità restino rigorosamente bilanciate.

In questo senso, l’AI agentica rappresenta davvero un passaggio epocale. La trasformazione dell’AI da strumento consultivo a soggetto operativo è una transizione che modifica radicalmente il rapporto tra esseri umani, software e potere decisionale, imponendo una ridefinizione dei modelli di controllo che governano l’automazione. Secondo il NIST, opacità e difficoltà di spiegabilità rappresentano rischi strutturali dei sistemi AI avanzati, soprattutto se inseriti in contesti ad alta criticità operativa come sicurezza e difesa. Analoga preoccupazione emerge dall’analisi dell’European Union Agency for Cybersecurity, che segnala come l’autonomia decisionale degli agenti aumenti la superficie di rischio introducendo scenari in cui il controllo umano diventa prevalentemente ex post, ossia limitato alla revisione delle decisioni dopo la loro esecuzione.

«Nei modelli LLM è possibile formulare prompt che sfruttano vulnerabilità o ambiguità nei meccanismi di allineamento e sicurezza, tali da aggirare le salvaguardie implementate, inducendo il modello a generare comportamenti o risposte difformi rispetto alle intenzioni progettuali o ai vincoli di utilizzo previsti» – spiega Giustozzi di CLUSIT. «La situazione è inoltre aggravata dal fatto che l’opacità intrinseca dei modelli e la limitata interpretabilità dei loro processi inferenziali rendono difficile rilevare tempestivamente eventuali comportamenti anomali del sistema AI, nonché distinguere se tali deviazioni siano imputabili a errori non intenzionali, a limiti del modello o a possibili manipolazioni avverse».

OPACITÀ DELL’AUTONOMIA

Il problema, in realtà, si sviluppa su più piani e non riguarda solo la potenza degli agenti AI, quanto il rapporto sempre più fragile tra automazione, controllo umano e prevedibilità del sistema. Il primo nodo è quello dell’opacità decisionale. I modelli attuali sono in grado di correlare enormi quantità di segnali e produrre decisioni spesso corrette sul piano statistico, ma non necessariamente spiegabili in termini causali comprensibili agli operatori umani. Un aspetto particolarmente delicato quando si parla di cybersecurity. Perché se un sistema rileva una minaccia ma non è in grado di spiegare con chiarezza perché l’abbia classificata come tale, risulta difficile identificare le condizioni in cui il processo decisionale può degradare, generando falsi positivi o comportamenti inattesi.

A questo si aggiunge il tema dell’autonomia operativa. Gli agenti AI integrati nelle piattaforme XDR, NDR e SOAR non si limitano più a supportare attività di analisi. Possono intervenire direttamente sui sistemi, isolando endpoint, modificando policy di accesso, revocando credenziali o bloccando flussi di rete in tempo reale. In tal senso, è già disponibile documentazione tecnica che descrive una nuova generazione di agenti specializzati in threat hunting e investigation capaci di processare milioni di alert e comprimere sensibilmente i tempi di analisi. Il punto critico è che, man mano che aumenta la velocità di risposta, il controllo umano tende a spostarsi da preventivo a correttivo: l’operatore non decide più ogni singola azione prima dell’esecuzione, ma interviene successivamente per validare, correggere o limitare ciò che il sistema ha già fatto autonomamente.

Infine, emergono gli effetti sistemici più difficili da prevedere. Quando più agenti interagiscono all’interno di ecosistemi distribuiti – per esempio in architetture multi-agent dedicate a detection, correlazione, risposta e remediation – possono manifestarsi comportamenti con conseguenze impreviste su larga scala. Sono in corso ricerche per documentare proprio questo rischio, mostrando come interazioni tra memoria persistente, tool invocation, pianificazione autonoma e feedback loop possano generare dinamiche difficili da controllare o persino da ricostruire ex post.

Dire che questi sistemi sfuggono alla piena comprensione operativa significa riconoscere che non è più possibile modellare con precisione tutte le traiettorie decisionali né testare ogni combinazione di stato. A queste condizioni, però la sicurezza smette di essere garanzia di controllo totale e diventa gestione probabilistica del comportamento autonomo. Sul tema della accountability dell’AI, il rischio più insidioso, come evidenzia il recente framework dell’OCSE, è il consolidamento di una fiducia implicita. Poiché l’agente produce risultati rapidi e accurati, l’organizzazione tende progressivamente a delegare e a ridurre la supervisione, creando una sorta di accondiscendenza automatizzata.

Proteggere l’AI agentica significa garantire la capacità di limitare o interrompere l’azione dell’agente, l’auditabilità ovvero la ricostruzione verificabile delle decisioni prese dal sistema agentico e la possibilità di sospendere privilegi e autonomia in tempo reale. Regole che in estrema sintesi servono a stabilire che l’AI agentica può essere autonoma solo entro confini rigidamente governati. In questo senso, la sfida della cybersecurity consiste nel progettare architetture in cui l’autonomia sia tecnicamente subordinata a meccanismi di supervisione, segmentazione dei privilegi e fail-safe decisionali.

Nel momento in cui l’AI smette di suggerire e comincia a eseguire, la sicurezza non riguarda più soltanto ciò che il sistema osserva, ma ciò che può legittimamente decidere di fare. Da qui, l’adozione crescente di contromisure specifiche nei progetti di agentic security engineering: minimizzazione rigorosa dei privilegi; test preventivi in sandbox, ambienti isolati nei quali l’AI agentica può operare senza avere accesso libero a tutto il sistema; distinzione chiara tra informazioni da leggere e comandi da eseguire; registrazione in dettaglio di tutto ciò che fa l’agente; verifica continua di ogni azione importante svolta dall’agente AI.

Le evidenze documentate mostrano che compromissioni, hijacking e disruption operativa riconducibili ad agenti AI non sono più scenari ipotetici, ma rischi concreti. Non si tratta ancora di malware agentico diffuso, né di capacità offensive mature. Il fenomeno rimane in una fase embrionale e non rappresenta ancora una minaccia sistemica industrializzata. Tuttavia i pattern osservati indicano chiaramente la direzione evolutiva. Questi episodi sono interpretati come segnali di “early warning”. «In questa fase occorre porsi qualche domanda e darsi qualche regola, prima che si finisca per fare danni concreti» – auspica Giustozzi di CLUSIT. «L’adozione di un sistema di gestione dell’AI conforme alla ISO/IEC 42001, per garantirne un uso trasparente, etico e responsabile, non costituisce la soluzione esaustiva, ma rappresenta il prerequisito minimo per un approccio credibile al problema».

NUOVO EQUILIBRIO

Per decenni la cybersecurity ha ragionato come un buon amministratore di condominio che controlla gli accessi, cambia le serrature, verifica chi entra e chi esce. L’AI agentica cambia completamente il paesaggio. Non si tratta più di distribuire chiavi a nuovi utenti. In futuro lavoreremo sempre di più fianco a fianco con collaboratori digitali – gli agenti AI – affidando loro compiti delicati e, in molti casi, consegnando badge che aprono porte molto sensibili. Per la prima volta, non siamo chiamati soltanto a difendere infrastrutture, ma a governare comportamenti autonomi. Non più soltanto macchine da proteggere, ma entità software che osservano, decidono, agiscono.

Così dopo anni passati a preoccuparci che le macchine diventassero troppo “intelligenti”, rischiamo di scoprire che il problema è la nostra eccessiva disinvoltura nel metterle al nostro servizio. Sistemi capaci di difenderci da minacce sempre più veloci e sofisticate, ma al tempo stesso sufficientemente autonomi da trasformarsi – se compromessi – in moltiplicatori di rischio. «Forse stiamo minimizzando il rischio di comportamenti erratici o non consoni, dando troppa fiducia e troppa autonomia operativa a questi sistemi, nella troppo ottimistica convinzione che non possano sbagliare o che comunque non siano in grado di provocare danni troppo gravi». La raccomandazione di Giustozzi di CLUSIT è un invito alla prudenza, specie in ambienti cyber-fisici.

È in questa cesura che la tecnologia deborda su un altro terreno. Non più soltanto la sicurezza, ma la governance di macchine e sistemi. Dobbiamo imparare a proteggere questi agenti con lo stesso rigore con cui proteggiamo utenti privilegiati, infrastrutture critiche e processi strategici. Forse la cybersecurity del futuro assomiglierà meno agli attuali conflitti sotterranei di rete e molto di più a una specie di “pedagogia” digitale, capace di insegnare alle macchine, soprattutto, cosa non devono fare. A condizione che la loro idea di efficienza non coincida con la nostra idea di disastro.

Inciampiamo, inevitabilmente, in una delle consuete torsioni dell’evoluzione tecnologica: ricorrere ad altre soluzioni più avanzate per gestire la complessità che essa stessa genera. È il paradosso perfetto del nostro tempo. Costruire macchine per difenderci da macchine, affidare agli algoritmi il compito di sorvegliare altri algoritmi, scommettendo nel frattempo sulle nostre capacità di scrivere abbastanza bene le regole del gioco.

Clearskies – Agentic AI, la nuova superficie d’attacco è la fiducia

AI agentica: proteggere il futuro digitale secondo Cisco

Gruppo E – AI e cyber resilience

Kaspersky – Agentic AI: ripensare la sicurezza

L'articolo Agent security, licenza di agire proviene da Data Manager Online.

Il sistema agro­alimentare italiano vale circa 700 miliardi di euro, quasi il 15% dell’economia nazionale nel suo complesso, confermandosi un settore cardine della nostra economia. L’Annuario dell’Agricoltura Italiana del CREA (Consiglio per la ricerca in agricoltura e l’analisi dell’economia agraria) registra il rafforzamento delle imprese più strutturate anche grazie all’affermazione di forme organizzate più evolute e complesse: reti di impresa (in crescita del 5,9%) e forme cooperative (+11,2%). Continua, invece, il trend di fuoriuscita dal settore agricolo delle unità produttive (-1,5%), e permangono alcune debolezze, legate alla forte frammentazione, alla scarsa natalità imprenditoriale e al ritardo generazionale.

I dati Ismea fotografano un nuovo massimo storico per l’export agroalimentare italiano nel 2025, che tocca i 73 miliardi di euro, in aumento del 5% rispetto all’anno precedente. In buona salute le produzioni a Indicazione Geografica (IG), leva strategica per il Made in Italy agroalimentare, che registrano una crescita sia del valore della produzione, intorno ai 21 miliardi di euro, sia dell’export, con un andamento favorevole sia nei mercati europei (+9,4%) sia in quelli extra-europei (+17,8%). Grazie al PNRR sono in atto interventi strutturali senza precedenti per sostenere la transizione ecologica e digitale del settore, rafforzare la competitività delle imprese e aumentare la resilienza di filiere e territori. Aumentati da 3,6 a 8,9 miliardi gli investimenti sulle misure a titolarità del Ministero dell’Agricoltura, della Sovranità Alimentare e delle Foreste, destinati a oltre 35mila progetti attivi su cinque asset: logistica, energie rinnovabili, innovazione e meccanizzazione, contratti di filiera, gestione delle risorse idriche. Anche grazie a questi contributi, nonostante il contesto globale segnato sempre più da instabilità geopolitica, crisi climatica e tensioni economiche, il settore agroalimentare italiano continua a spingere sull’innovazione digitale, lungo tutta la filiera produttiva.

Secondo la ricerca dell’Osservatorio Smart AgriFood del Politecnico di Milano e dell’Università di Brescia, nel 2025 il mercato italiano dell’Agricoltura 4.0 raggiunge i 2,5 miliardi di euro, in aumento del 9% rispetto all’anno precedente. Il livello di maturità digitale nel settore resta ancora molto eterogeneo: il 9% delle aziende agricole è “digitalmente maturo”, il 33% è “in cammino” verso una maggiore digitalizzazione, il restante 58% è ancora in ritardo. La crescita è trainata principalmente dalle soluzioni software: i Farm Management Information System (FMIS) registrano un incremento del 17%, mentre i Decision Support System (DSS) crescono del 26%. Algoritmi predittivi e modelli di analisi dati permettono di ridurre gli sprechi, supportare l’agricoltura di precisione, migliorare la qualità del prodotto e ottimizzare consumi energetici e gestione delle risorse. Soluzioni analytics supportano decisioni operative più precise, identificando inefficienze e prevedendo fluttuazioni della domanda. Tornano positivi anche gli investimenti in macchinari connessi (+2%) e in soluzioni di telemetria e controllo (+3%).

MENO SPRECHI, PIÙ EFFICIENZA

Secondo dati FAO, oltre un terzo del cibo prodotto al mondo va perso o sprecato, lungo l’intera catena di approvvigionamento alimentare: nell’azienda agricola, durante la trasformazione e la lavorazione, nei negozi, nei ristoranti e in ambito domestico. Non è solo un problema etico e sociale, si tratta anche di un notevole impatto sull’ambiente: lo spreco alimentare è responsabile di quasi il 10% delle emissioni globali di gas serra, cinque volte quanto generato dall’aviazione. Per produrre cibo che non verrà mai mangiato vengono dedicati il 28% dei terreni agricoli, 1,4 miliardi di ettari, un’area maggiore dell’intera Europa, e un quarto dell’acqua dolce utilizzata in agricoltura. Nell’ultimo report dell’Osservatorio Waste Watcher International, si legge che nel mondo vengono sprecate ogni anno 1,05 miliardi di tonnellate di cibo.

In Italia lo spreco alimentare rimane sopra la media europea: le ultime rilevazioni Waste Watcher attestano uno spreco settimanale medio pro capite di 555,8 grammi per l’Italia, in riduzione rispetto ai 683 grammi dell’anno precedente, ma ancora lontano dai 369,7 grammi, obiettivo fissato per il 2030. L’ONU chiede di dimezzare perdite e sprechi alimentari entro il 2030, in tutti i segmenti della filiera. L’Europa, recentemente, ha rivisto i suoi obiettivi: -10% nello spreco in trasformazione e manifattura e -30% pro capite nei consumi finali. Per centrare questi traguardi, un contributo decisivo arriva dall’intelligenza artificiale (AI), che sta rivoluzionando la lotta allo spreco alimentare, offrendo soluzioni innovative per ottimizzare la catena di approvvigionamento, ridurre gli invenduti nei supermercati e gestire meglio le scorte domestiche.

Gli algoritmi di AI sono anche in grado di adattare in tempo reale i prezzi dei prodotti vicini alla scadenza, incentivandone l’acquisto prima che diventino rifiuti. Esistono, poi, app intelligenti basate su AI che aiutano a pianificare la spesa, monitorare le scadenze dei prodotti nel frigorifero e suggerire ricette basate sugli ingredienti disponibili, riducendo lo spreco domestico. Sistemi di visione artificiale sono anche in grado di controllare la qualità dei prodotti lungo la filiera, monitorandone la freschezza, riuscendo ad identificare precocemente quelli che stanno per deteriorarsi, per reindirizzarli verso mercati secondari, o verso piattaforme digitali e App, come Too Good To Go, che a loro volta utilizzano AI per connettere rapidamente produttori e consumatori finali per smaltire l’invenduto a fine giornata.

Un’azienda che fa tesoro di queste soluzioni è Cortilia, food-tech company italiana di prodotti alimentari freschi a filiera corta, nata quindici anni fa con l’obiettivo di consegnare direttamente a casa dei propri clienti, in meno di 24 ore, gli alimenti qualitativamente migliori offerti dalle piccole aziende agricole del territorio. Cortilia, che lo scorso anno ha fatturato 46 milioni di euro, usa soluzioni AI per assistere i propri clienti nella selezione dei loro prodotti preferiti e migliorare i servizi di logistica. Fin dalla fondazione, ha sviluppato il proprio business sugli advanced analytics, per passare all’utilizzo di algoritmi di machine learning, deep learning e reinforcement learning. Questa tecnologia, attraverso l’analisi dei dati storici, viene impiegata nell’ambito di più processi aziendali: aiuta a fornire ai clienti suggerimenti personalizzati in fase di acquisto e a prevedere con molta precisione quali prodotti e in quali quantità.

La stessa tecnologia aiuta l’azienda anche lato offerta, permettendo agli agricoltori di conoscere in anticipo i consumi più frequenti e, allo stesso tempo, di comunicare a Cortilia i prodotti stagionali di cui hanno più disponibilità, in modo da incrociare domanda e offerta: i produttori possono confezionare solo quello che sarà effettivamente ordinato e trasportato, riducendo sensibilmente gli sprechi.

SUPPLY CHAIN INTELLIGENTE

I sistemi AI contribuiscono ad aumentare l’efficienza della supply chain, trasformando la gestione logistica da un modello reattivo a uno predittivo, migliorando drasticamente l’efficienza operativa e riducendo gli sprechi. In primo luogo, l’automazione dei magazzini accelera le attività logistiche: l’uso di robotica, potenziata da algoritmi di AI, sfrutta al meglio il layout del magazzino e accelera le operazioni di picking, riducendo gli errori umani e i costi operativi dei prelievi. La logistica intelligente calcola percorsi dinamici che tengono conto del traffico e delle condizioni atmosferiche, e questo permette da un lato di ottimizzare i percorsi del trasporto tradizionale della catena del freddo riducendo tempi di consegna, consumo di carburante, emissioni di CO2, dall’altro lato consente di prevenire il deterioramento delle merci durante il transito.

Inoltre, sistemi basati su AI e Blockchain garantiscono la tracciabilità totale, permettendo di individuare immediatamente l’origine di eventuali contaminazioni e limitando i ritiri di prodotti a lotti specifici anziché a intere linee. Per quanto riguarda produzione e distribuzione, algoritmi di machine learning analizzano dati storici, tendenze di mercato e previsioni meteo, correlandoli con eventi locali per prevedere i trend di consumo con estrema accuratezza: questo permette ai produttori e alla GDO di ricevere chiare indicazioni su cosa e quanto produrre, per gestire al meglio la quantità di cibo necessaria, pianificando le scorte, evitando sovrapproduzioni e riducendo l’invenduto, le rotture di stock e le scadenze dei prodotti deperibili. Sensori IoT, nel frattempo, monitorano la temperatura e l’integrità dei prodotti lungo tutto il percorso, garantendo il rispetto degli standard di sicurezza e facilitando richiami rapidi in caso di necessità.

Barilla sfrutta l’analisi avanzata dei dati per gestire la complessità dei mercati globali, e utilizza l’AI per monitorare l’inventario globale e prevedere la domanda dei consumatori, ottimizzando ordini e consegne per ridurre i tempi di attesa e i costi logistici. Inoltre, implementa sistemi di monitoraggio in tempo reale dei trasporti, che permettono di analizzare le prestazioni della distribuzione e migliorare il tasso di consegna puntuale ai clienti. Barilla integra soluzioni basate su AI in ogni fase della sua filiera, dal campo di grano fino alla tavola del consumatore, non solo per migliorare l’efficienza operativa, ma anche per garantire la sostenibilità ambientale e la qualità dei prodotti.  Direttamente in campo, Barilla supporta gli agricoltori con strumenti digitali avanzati: un’applicazione gratuita con funzionalità AI permette di identificare in tempo reale, tramite la fotocamera dello smartphone, le malattie e le avversità del frumento. Inoltre una piattaforma AI addestrata su dati meteorologici consiglia il momento ideale per la semina, la concimazione e i trattamenti.

Nel comparto della pasta, sistemi di visione artificiale analizzano migliaia di chicchi di grano duro al secondo, individuando in tempo reale eventuali difetti o anomalie. Le soluzioni basate su intelligenza artificiale, integrate nei processi di selezione, consentono lo scarto immediato dei chicchi con imperfezioni cromatiche o macchie, garantendo che alla fase di molitura arrivi esclusivamente materia prima conforme agli standard. Un approccio che migliora la qualità complessiva del prodotto e riduce la variabilità lungo il processo produttivo. La digitalizzazione degli stabilimenti consente oggi di combinare controllo qualità ed efficienza energetica attraverso piattaforme AI integrate con sensori industriali e sistemi di automazione. Il monitoraggio continuo dei parametri produttivi permette interventi tempestivi sulle anomalie e una gestione dinamica delle linee. In presenza di variazioni minime nella doratura, per esempio, gli algoritmi regolano automaticamente temperatura e velocità di lavorazione, migliorando uniformità del prodotto e riducendo gli scarti industriali.

DRONI, ROBOT E ANALYTICS

Secondo i dati dell’Osservatorio, il tasso di abbandono delle soluzioni digitali da parte delle aziende utilizzatrici è praticamente nullo: chi le adotta ha benefici in linea o superiori alle aspettative e tende a proseguire negli investimenti. Nel 2025 la superficie agricola coltivata con tecnologie digitali copre il 10% del totale, in lieve aumento rispetto al 9,5% dell’anno precedente.

«La vera sfida è coinvolgere oltre la metà del tessuto agricolo, che non ha ancora intrapreso questo percorso» – dichiara Andrea Bacchetti, direttore dell’Osservatorio Smart Agrifood. «Per farlo, è necessario intervenire sui fattori strutturali, come la frammentazione e le ridotte dimensioni aziendali, ma anche rafforzare competenze, cultura dell’innovazione e strumenti di accompagnamento agli investimenti. Solo così la trasformazione digitale diventa realmente sistemica e inclusiva».

L’AI entra stabilmente anche nelle aziende agricole italiane. Oggi l’8% degli agricoltori utilizza strumenti di intelligenza artificiale e machine learning, spesso gestibili direttamente da smartphone, per migliorare decisioni operative, controllo dei processi e gestione delle colture. Le ricadute riguardano produttività, qualità del lavoro e ottimizzazione delle rese, con una progressiva riduzione delle attività più ripetitive. La trasformazione è più avanzata nell’industria della trasformazione alimentare, dove il 18% delle aziende ha introdotto applicazioni AI e oltre la metà sta valutando nuove sperimentazioni. A trainare il mercato contribuiscono anche i provider tecnologici: l’80% punta infatti a sviluppare a breve nuove piattaforme AI dedicate all’agrifood.

Il confronto internazionale evidenzia però un ritardo rispetto ai mercati più maturi. Secondo BCC Research, il mercato globale dell’AI nel Food & Beverage è destinato a crescere dai 10,8 miliardi di dollari del 2024 ai 50,6 miliardi del 2030, con un tasso medio annuo del 29,6%. L’integrazione dell’intelligenza artificiale nell’agricoltura di precisione accelera la transizione del settore verso modelli gestionali data-driven. Le applicazioni AI vengono utilizzate soprattutto nelle attività in campo aperto – che rappresentano il 62% dei progetti – per il monitoraggio delle colture, la gestione irrigua e il controllo delle infestanti. Crescono anche le applicazioni dedicate all’efficienza operativa (31%) e ai sistemi di qualità e tracciabilità di filiera (29%). Droni, sensori ottici e piattaforme di analytics consentono di raccogliere e analizzare grandi quantità di dati agronomici per ottimizzare la produttività dei terreni e individuare le colture più adatte alle specifiche condizioni ambientali. Parallelamente, sistemi avanzati di image analysis monitorano lo stato vegetativo delle colture e identificano precocemente malattie, stress idrico ed erbe infestanti, permettendo interventi mirati e tempestivi.

L’approccio predittivo consente di irrigare e utilizzare fertilizzanti o pesticidi solo dove necessario, riducendo consumi idrici, impatto ambientale e dispersione di sostanze chimiche nel suolo e nelle falde. Gli algoritmi AI supportano inoltre la previsione del momento ottimale di raccolta, migliorando resa produttiva e qualità nutrizionale. La trasformazione coinvolge anche automazione e robotica agricola. Trattori autonomi, mietitrebbie autoguidate e robot specializzati eseguono attività di precisione come semina, potatura e raccolta con supervisione umana minima. Cresce inoltre l’impiego di robot dotati di telecamere 3D, utilizzati per aumentare l’efficienza nelle operazioni di raccolta.

Anche l’industria della trasformazione alimentare utilizza da tempo sistemi di visione artificiale e sensoristica intelligente per ottimizzare manipolazione, sicurezza e qualità degli alimenti. Tecnologie continuamente evolute che aiutano le aziende a migliorare standard igienici, conformità normativa ed efficienza operativa lungo tutta la filiera. Secondo Chiara Corbo, direttrice dell’Osservatorio Smart AgriFood, l’intelligenza artificiale nel settore agrifood rappresenta un fattore di accelerazione dello sviluppo del settore, ma la sua piena affermazione dipende dalla capacità di affrontare con visione e responsabilità temi cruciali come la governance dei dati, la concentrazione tecnologica e il digital divide.

«È necessario fare molta attenzione al disallineamento tra la velocità di innovazione dei provider tecnologici e la capacità di investimento delle imprese, promuovendo programmi di inclusione digitale, in particolare a favore di agricoltori e PMI, adottando inoltre strategie che riconoscano nel dato una leva competitiva centrale lungo tutta la filiera, a partire dagli attori a monte».

Come nel caso di Agrintesa, una delle più importanti aziende nel settore ortofrutta in Italia, nata nel 2007 a Faenza (Ra) e che riunisce una comunità di quattromila aziende agricole prevalentemente di piccole e medie dimensioni. La crescente domanda dei mercati internazionali impone standard qualitativi sempre più elevati. Per l’export, inoltre, il grado di maturazione rappresenta un fattore critico, poiché anche piccole difformità possono compromettere la tenuta dell’intero carico lungo la filiera. In questo contesto Agrintesa integra soluzioni di intelligenza artificiale nei propri processi di selezione, su una produzione che supera le 440mila tonnellate all’anno.

Per esempio, il sistema di scansione dedicato ai kiwi e alle susine consente un’analisi ad alta precisione grazie alla tecnologia di riconoscimento visivo HDiA (High Definition Innovative Agrovision), che permette di rilevare parametri chiave come peso, diametro, colore e qualità del frutto, classificandolo automaticamente secondo i diversi standard produttivi. L’adozione di queste soluzioni contribuisce al raggiungimento degli obiettivi aziendali: incremento della qualità, riduzione delle contestazioni da parte dei clienti e maggiore efficienza operativa lungo il processo di selezione. Al centro del sistema vi è un modello di machine learning che, attraverso il riconoscimento visivo intelligente, si aggiorna continuamente, migliorando progressivamente la propria capacità di analisi e consolidando un vantaggio competitivo basato sui dati e sull’automazione dei processi.

FILIERA TRACCIABILE CON L’AI

Sul fronte ambientale, l’agricoltura italiana continua a registrare progressi nella riduzione delle emissioni climalteranti, che risultano in calo del 15% rispetto al 1990. Nonostante il miglioramento, il comparto mantiene un’incidenza stabile pari all’8,4% sul totale nazionale, con il metano (44%) e il protossido di azoto (29%) che restano le principali fonti emissive. Parallelamente, il settore accelera la transizione verso modelli produttivi più sostenibili e circolari. In Italia, il 74% delle aziende agricole adotta già almeno una pratica di economia circolare basata sull’uso efficiente e rigenerativo delle risorse naturali. Nel 53% dei casi si tratta di approcci di agricoltura integrata o conservativa, orientati alla tutela della biodiversità e al mantenimento degli ecosistemi. Positivo anche l’impiego di soluzioni orientate al riuso delle risorse: il 48% delle imprese utilizza materie prime derivate da scarti di processo, acqua riutilizzata ed energia da fonti rinnovabili. A questo si affianca la valorizzazione delle eccedenze produttive, che interessa il 38% delle aziende, mentre il 33% è attivo nel riutilizzo di scarti e biomasse come materie prime secondarie, fertilizzanti agricoli o altre applicazioni a valore aggiunto.

Sul fronte della sostenibilità e della trasparenza, l’integrazione tra AI e blockchain rafforza la tracciabilità della filiera agroalimentare, tutelando i marchi di qualità e garantendo il rispetto di standard etici e ambientali lungo tutto il processo produttivo. L’automazione dei controlli riduce gli errori legati alla manipolazione umana, limitando gli sprechi alimentari e contenendo i costi lungo la catena del valore. In ambito industriale, l’impiego di sensori, sistemi a ultrasuoni e imaging a fluorescenza consente una rilevazione più accurata di residui alimentari e potenziali contaminazioni microbiologiche.

Infine, l’AI supporta la misurazione delle performance di sostenibilità, sempre più centrale sia per la resilienza delle supply chain sia per la conformità normativa. Il rating ESG assume infatti un ruolo strategico, influenzando l’accesso al credito, la competitività nei bandi pubblici e il posizionamento nelle filiere internazionali. Con l’introduzione della direttiva europea CSRD, la rendicontazione di sostenibilità diventa progressivamente un obbligo anche per le imprese di minori dimensioni.

Un caso interessante di approccio integrato tra sostenibilità e innovazione digitale arriva dal Consorzio Tutela Grana Padano, realtà nata nel 1954 e oggi composta da oltre 140 aziende della filiera lattiero-casearia. Il Consorzio svolge un ruolo centrale nel coordinamento del sistema produttivo, agendo come garante di qualità, sostenibilità e redditività lungo l’intera catena del valore, dagli allevatori ai caseifici fino al consumatore finale. Oltre alle attività di tutela, promozione e valorizzazione del Grana Padano DOP – la cui produzione ed export sono in costante crescita – il Consorzio è molto impegnato nella transizione digitale della filiera. In questo contesto si inserisce il progetto MOREGRANA, orientato a migliorare efficienza, sostenibilità e competitività del comparto attraverso l’utilizzo avanzato dei dati e delle tecnologie digitali.

L’obiettivo è ottimizzare la sostenibilità ambientale della produzione di latte destinato al Grana Padano, integrando strumenti di agricoltura e zootecnia di precisione per una gestione più efficiente dei nutrienti lungo l’intero ciclo produttivo: dal campo alla stalla, fino alla gestione dei reflui e al loro ritorno al suolo. Il progetto introduce sistemi di monitoraggio avanzato dell’efficienza produttiva del latte e della dieta bovina, grazie all’integrazione di fonti dati eterogenee e soluzioni digitali interconnesse. L’uso dell’intelligenza artificiale consente lo sviluppo di strumenti di tracciabilità end-to-end del processo produttivo, rafforzando la trasparenza della filiera e il controllo delle performance lungo tutta la catena.

EOS Solutions: Sostenibilità e AI nel food

Formula: Sostenibilità e AI nell’industria alimentare

Sinfo One: Sostenibilità e AI nell’industria alimentare. Dati, controllo e predominio cognitivo

L'articolo Agrifood data-driven, l’AI dai campi alla fabbrica proviene da Data Manager Online.

Mentre Francoforte chiude la fase preparatoria dell’euro digitale a ottobre 2025 e attende il voto del Parlamento europeo previsto per giugno 2026, a Hong Kong, Bangkok, Pechino, Abu Dhabi e Riad le banche centrali regolano transazioni wholesale in valuta digitale transfrontaliere dal 2022. Il sistema monetario europeo si muove alla velocità del compromesso continentale, mentre quello dei paesi del Golfo, alla velocità di un mandato commerciale.

La geografia globale della Central Bank Digital Currencies (CBDC) nel 2026 non è più un mero esercizio di prospettiva. Secondo McKinsey, nel rapporto Global Payments 2024, oltre il 90% delle banche centrali sta perseguendo o valutando un progetto di CBDC, e più di trenta hanno già avviato un pilota. Il BIS, nel capitolo III dell’Annual Economic Report 2023, delinea la cornice teorica: dopo la dematerializzazione e la digitalizzazione, la tappa successiva del sistema monetario è la tokenizzazione, cioè la rappresentazione digitale di crediti su una piattaforma programmabile.

Sotto questo termine ombrello, ci sono due architetture distinte, che convivono e vengono spesso confuse: la CBDC retail, pensata come surrogato programmabile del contante per cittadini e imprese, e la CBDC wholesale, riservata alle istituzioni finanziarie per regolare obbligazioni, pagamenti interbancari e operazioni transfrontaliere su un libro mastro distribuito. La differenza non è semantica. È l’impalcatura dell’intero discorso.

LA GEOGRAFIA DEI PAGAMENTI GLOBALI

Il Project mBridge, sviluppato nell’ambito del BIS Innovation Hub di Hong Kong, rappresenta il primo progetto multilaterale operativo di CBDC wholesale. Ne fanno parte Hong Kong, Tailandia, Cina, Emirati Arabi Uniti e Arabia Saudita, con transazioni regolate in valute digitali come yuan, dirham e rial.

Secondo il BIS, progetti come mBridge dimostrano già la possibilità di regolare pagamenti e scambi transfrontalieri tra banche centrali su infrastrutture digitali interoperabili. Nel mio studio del 2024 con Khan e Mertzanis sull’European Journal of Innovation Management, emerge come la cornice normativa CBUAE abbia anticipato la maturità infrastrutturale del Golfo nelle rimesse cripto-native, in linea con i più ampi volumi on-chain documentati da Chainalysis: 338,7 miliardi di dollari di valore on-chain totale ricevuto dalla regione MENA tra luglio 2023 e giugno 2024, con la quota più alta di adozione della DeFi negli Emirati. Sul versante retail, il Digital Dirham emiratino è stato lanciato a marzo 2026, mentre la componente wholesale era già operativa dal 2024.

L’euro digitale, per contro, chiude la fase preparatoria nell’ottobre 2025: il voto del Parlamento europeo è atteso per giugno 2026, la prima emissione potenziale è fissata al 2029. Quattro anni di distanza operativa, in un mercato in cui un anno è già lungo. Nel paper, emerge anche un risultato che ha implicazioni dirette sul disegno dell’euro digitale: l’intenzione comportamentale di adottare le valute digitali – il cosiddetto behavioural intention nei modelli UTAUT – si rivela un predittore debole dell’uso effettivo. Il supporto infrastrutturale e il contesto operativo (“facilitating conditions”) sono invece la variabile realmente determinante. In altre parole, chiedere agli utenti se useranno l’euro digitale dice poco su quanto lo utilizzeranno davvero. McKinsey, nello stesso “Global Payments 2024”, conferma indirettamente che nei mercati in cui un CBDC è già stato lanciato, “i consumatori hanno trattato il portafoglio CBDC come un wallet qualunque”.

L’entusiasmo iniziale si infrange contro la realtà dell’integrazione. Il problema non è il consenso politico Il problema sono i POS, le banche commerciali, le API di pagamento, l’esperienza di onboarding, l’interoperabilità con SEPA Instant. Quando funzioni separate – emissione, custodia, regolamento, riconciliazione – vengono combinate su un’unica piattaforma programmabile, il ruolo degli intermediari cambia di natura, non di intensità. L’unified ledger delineato nel “BIS Annual Report 2023” prevede un’infrastruttura comune in cui convivono moneta emessa dalla banca centrale, depositi bancari e asset tokenizzati.

Sul fronte industriale, il rapporto “The Great Tokenization Shift” (Keyrock-Centrifuge, 2025) evidenzia la scala potenziale della tokenizzazione. Il World Economic Forum stima che potrebbe rappresentare il 10% del PIL globale entro il 2027, mentre per Boston Consulting Group vale fino a 16 trilioni di dollari di asset tokenizzati entro il 2030.

CHI CONTROLLA IL RAIL, CONTROLLA IL DENARO

Per il CFO di un’azienda italiana di medie dimensioni, ciò significa tre vettori operativi concreti: rapidità di regolamento, riduzione del rischio di controparte, programmabilità contrattuale. Pagamenti condizionali nella supply chain, royalty automatizzate, escrow programmabili nell’M&A – non sono frontiere lontane: sono già operative in Helvetia, Jura, Genesis, Dunbar, mBridge e Dynamo. Per chi gestisce la tesoreria oggi, l’euro digitale non è una novità regolamentare prevista per il 2027. È un riassetto del set di strumenti disponibili.

L’errore di lettura più diffuso, nel dibattito italiano, è trattare l’euro digitale come una risposta tardiva al cash o ai wallet privati. Non si tratta solo di replicare il contante in formato digitale, ma di riconquistare il rail di pagamento retail, cioè l’infrastruttura dei pagamenti, oggi dominata da Visa, Mastercard e dalle big tech dei wallet, tutti circuiti non europei. La sovranità monetaria, nel 2026, non si gioca sulla capacità di emettere moneta – quella la BCE non l’ha mai persa. Si gioca sulla capacità di controllare il binario lungo cui la moneta viaggia. Non a caso, il 28 giugno 2023 la Commissione europea ha pubblicato in parallelo due pacchetti legislativi distinti – il Single Currency Package (con la proposta di regolamento) e il Payment Services Package (PSD3 e PSR) – riconoscendo che le due architetture vanno progettate in sincronia. Nel disegno emergente, la BCE è l’emittente; le banche commerciali rimangono i distributori; i payment service provider e le fintech costituiscono lo strato applicativo; le aziende sono gli utilizzatori di una nuova classe di “programmable money” nei flussi di tesoreria e supply chain.

Pertanto, la domanda strategica per un istituto italiano non è “siamo pronti all’euro digitale”, ma quale strato dello stack si intende presidiare. Le prove operative della CBUAE su mBridge non sono interessanti per l’esoticità. Sono interessanti perché dimostrano che il salto da “policy paper” a “transazione regolata” è realizzabile in due-tre anni quando il mandato è chiaro e l’infrastruttura è interoperabile. La differenza tra un sistema che riceve l’euro digitale e uno che lo progetta sta nella sequenza in cui banche, corporate, regolatori e PSP si siedono al tavolo. Nel sistema italiano, dove convivono un’industria bancaria robusta, un settore fintech ancora frammentato, e una pubblica amministrazione interlocutrice essenziale (via PagoPA), la scelta non è se partecipare. Ma in che ruolo.

Il denaro fiat non perde la sua natura istituzionale: acquisisce una nuova dimensione operativa. Tra Francoforte e Abu Dhabi non c’è una distanza ideologica, ma una differenza di velocità esecutiva. E nei mercati del denaro il tempo è l’asset più costoso.

Dr. Devid Jegerson 

Architetto dell’evoluzione dei Pagamenti Digitali e del Banking, Devid è da oltre 25 anni in prima linea nell’innovazione FinTech, trasformando idee visionarie in realtà di mercato di successo nell’E-commerce e nel Banking.

Dal lancio della prima carta prepagata ricaricabile in Italia (2002) e del primo conto di moneta elettronica (2006), alla creazione di gateway di pagamento con licenza acquiring (2008) e all’introduzione dei pagamenti istantanei P2P (Jiffy, 2014) e delle prime piattaforme di pagamento cloud in Medio Oriente (noon.com, 2016), il suo focus è sempre stato sul costruire ‘il nuovo’.

Il suo percorso include ruoli di leadership e contributi fondamentali in noon.com, PayPal, Fastweb, IWBank, e UBI Banca, dove ha guidato l’innovazione nei pagamenti mobile e ha contribuito alla gestione della normativa PSD2.

Oggi, applica questa combinazione di visione strategica ed eccellenza nell’esecuzione come Membro del CdA di diverse società, guidando la Trasformazione Digitale nel FinTech. La sua passione è supportata da un PhD, un EMBA, una laurea magistrale in strategia e una laurea in economia, dalla pubblicazione del libro (“Pagamenti elettronici. Dal baratto ai portafogli digitali” 2016, goWare).

Appassionato nel costruire il futuro della finanza, Devid rappresenta un punto di riferimento nel settore.

L'articolo Euro digitale e CBDC. L’Europa accelera, il Golfo esegue proviene da Data Manager Online.

Il ciclo di vita diventa quindi continuo, auto-correttivo e semi-autonomo. Si tratta di un nuovo modello in cui il DevOps si evolve in AgentOps e dove gli agenti non si limitano a suggerire o completare codice, ma diventano veri attori del processo: pianificano task, generano architetture, scrivono test, eseguono debug, propongono refactoring e monitorano la produzione. In pratica, si passa dallo “strumento” al “collaboratore operativo”.

Integrati nei workflow di sviluppo, gli agenti AI contribuiscono ad accelerare rilascio, manutenzione e qualità del software, migliorando al tempo stesso affidabilità e sicurezza. Nel debugging, in particolare, gli agenti analizzano stack trace, propongono fix, verificano regressioni. Nella manutenzione, poi, l’impatto è enorme: gli agenti possono monitorare anomalie, aggiornare dipendenze, refactorizzare codice legacy, proporre miglioramenti.

Il risultato è un software adattivo e auto-evolutivo, un vero “living system” capace di progettarsi, testarsi e ottimizzarsi continuamente. Da un punto di vista teorico, l’AI-SWENG supera il paradigma della computazione isolata per evolvere verso sistemi multi-agente autonomi e cooperativi.

La competenza più importante in questo nuovo modello si sposta progressivamente dalla sola scrittura del codice alla progettazione di sistemi, alla definizione di regole operative e all’orchestrazione degl agenti. In altre parole, l’ingegneria del software diventa ingegneria dell’autonomia dei sistemi. Emergono nuovi ruoli legati alla governance degli agenti AI e al controllo dei processi software.

In questo scenario, gli esperti di dominio acquistano ancora più valore, perché la conoscenza dei processi resta decisiva anche nell’era degli agenti AI. Cambia però la struttura stessa dei team di sviluppo: meno attività ripetitive, più architettura, supervisione e orchestrazione intelligente, con effetti destinati a ridisegnare produttività, organizzazione del lavoro e mercato delle competenze.

L’AI-SWENG spinge verso organizzazioni del software fondate su team ridotti ma estremamente produttivi, ridefinendo il peso delle competenze junior all’interno della filiera dello sviluppo. Cambia anche il modello economico. Le aziende della filiera non venderanno più codice o progetti, ma sistemi che si evolvono, piattaforme intelligenti e agenti proprietari.

L’AI-SWENG produce, quindi, una trasformazione più simile a una rivoluzione industriale che a un semplice cambiamento tecnologico, in cui muta la divisione del lavoro con forme decisionali e di coordinamento nuove, con impatto sui ruoli e sui tempi e, quindi, con pesanti ripercussioni economiche.

Questa rivoluzione introduce anche nuove aree di rischio: minore trasparenza del codice generato, dipendenza dagli AI model, complessità emergente. Crescono inoltre le sfide legate alla governance della sicurezza, alla proprietà intellettuale e all’impatto occupazionale.

La posta in gioco non è soltanto l’evoluzione dell’ingegneria del software, ma la ridefinizione degli equilibri industriali e tecnologici. Per aziende e paesi si apre una sfida senza precedenti: costruire indipendenza su piattaforme, dati, modelli e infrastrutture critiche.

L'articolo AgentOps revolution proviene da Data Manager Online.

L’uso moderno della password in informatica nasce all’inizio degli anni 60, quando sono introdotti i primi account utente protetti da password. Sessant’anni dopo, dobbiamo renderci conto che probabilmente le password non sono il metodo migliore per proteggere i dati e gli account. Non perché sia intrinsecamente sbagliato il concetto di “password”, ma molto più semplicemente perché le persone non le sanno usare, per pigrizia, disattenzione o scarsa consapevolezza.

Quindi è il momento di porsi alcune domande: le password sono importanti? E sono veramente necessarie? La prima domanda ha una risposta ovvia: sono importanti, perché è noto che oltre l’80% delle violazioni degli account vengono realizzate a causa di password rubate e/o password deboli. La seconda domanda ci permette di ampliare l’orizzonte “oltre le password”. All’inizio le password rappresentano l’unica soluzione possibile, oggi con l’evoluzione degli smartphone, della biometria e della crittografia asimmetrica possiamo pensare a un radicale cambio di paradigma. E migrare verso un mondo senza più le password, un mondo “passwordless”.

Questa soluzione esiste già e si chiama Passkeys. Il progetto Passkeys viene presentato il cinque maggio 2022 al World Password Day. Ad annunciarlo Apple, Microsoft e Google, assieme alla FIDO Alliance, nel cui ambito viene sviluppato. Questa funzionalità consente a siti web e app di offrire agli utenti una modalità di autenticazione senza password, sicura e semplice.

Passkeys utilizza un autenticatore FIDO (che in genere è il nostro smartphone, oppure il computer). L’autenticazione passwordless combina biometria e crittografia asimmetrica (implementata sull’autenticatore FIDO) che genera una coppia di chiavi (pubblica e privata). Con questa tecnica, l’autenticatore FIDO (sbloccato e attivato tramine la biometria) scambia una chiave pubblica con il sito nel quale si vuole fare l’autenticazione.

Il sistema Passkeys elimina quindi completamente la necessità di creare (e dover ricordare!) una password.Quindi è pratico e anche sicuro perché realizza un’autenticazione forte, equiparabile a una MFA (Multi-Factor Authentication). Intervengono cioè due fattori:  una cosa che hai (lo smartphone oppure il computer) e una cosa che sei (lo sblocco con la biometria).

Passkeys non richiede l’installazione di software o applicazioni dedicate: Apple, Microsoft e Google lo hanno già implementato nativamente nei loro sistemi operativi: quindi la funzionalità è già presente in iOS e Android, così come in Windows e macOS. Serve semplicemente aver aggiornato tali sistemi operativi.

L’attivazione dell’autenticazione con Passkeys non è complicata: se il sito la supporta già (ormai tutti i siti più noti lo fanno) ci segnala – in fase di autenticazione – la possibilità di sceglierla, in sostituzione della password. L’utente deve seguire le istruzioni che il sito indica e abbinare l’autenticatore FIDO che intende utilizzare e che può essere lo smartphone, il computer o anche una chiavetta FIDO. Questa operazione di registrazione va effettuata una volta sola per ogni sito.

Successivamente, è possibile fare il login con Passkeys: quando entriamo nel sito con username, il sito “ricorda” che abbiamo attivato Passkeys e invia la notifica push all’autenticatore scelto nella fase di registrazione. Sull’autenticatore (per esempio, lo smartphone) compare la richiesta di sbloccarlo con riconoscimento biometrico. Una volta sbloccato, il dispositivo autenticatore firma la challenge ricevuta dal sito utilizzando la chiave privata associata all’account. Il server verifica quindi l’autenticazione tramite la chiave pubblica registrata.

Giorgio Sbaraglia  Information & Cybersecurity advisor Comitato Direttivo Clusit

L'articolo Un mondo passwordless, come funziona Passkeys proviene da Data Manager Online.

Innovazione, modernizzazione del legacy, AI, automazione, sicurezza e protezione dei dati, governance e sovranità degli asset fisici e digitali, compliance e continuità, open banking. Tutte tendenze di quest’ultima stagione dell’IT in banca e della sua regolarizzazione, che stanno trasformando i servizi e i modelli di business del settore finanziario, favorendo una maggiore customer-centricity e ottimizzazione dei processi. Lo fanno proprio in risposta ai sommovimenti di un mercato ormai maturo e permeato da quelle che potrebbero essere definite le aspettative della vita digitale degli utenti di questi servizi, su tutte le fasce di reddito, qualunque siano le modalità di approccio alla propria banca, dal consulente del risparmio al gestore del patrimonio.

L’intero sistema bancario è tenuto a individuare un nuovo modo di gestire il core system e tutte le attività di back-office, mantenendo la solidità necessaria per rispettare le severe normative e non scalfire in alcun modo il proprio patrimonio di fiducia, ma adottando criteri di flessibilità, velocità e apertura agli stimoli esterni che sono propri del front-end. In altre parole, bisogna assicurare una rapida evoluzione del legacy e un radicale ammodernamento delle applicazioni e dei processi, per essere pronti ad adottare i nuovi paradigmi infrastrutturali del cloud. Alla base di tutto, ci sono i data center, che non possono più fare a meno della virtualizzazione delle risorse fisiche e di strati di automazione sempre più intelligenti e in grado di assicurare un costante supporto a operatori e decisori umani.

È una ricetta irrinunciabile per centrare il traguardo di un sistema del credito più resiliente e capace di coniugare capacità decisionale e innovazione. Sia che si tratti di avanzati modelli di insourcing, sia che le scelte ricadano su modelli di partnership con provider e system integrator altamente qualificati, le risposte tecnologiche a queste domande ci sono e tutto il sistema dell’offerta di tecnologie e dei servizi di consulenza e integrazione si sta muovendo in linea con i trend delineati.

RETROBOTTEGA E VETRINA

Ma la trasformazione del back-office procede di pari passo con quella dell’interfaccia phygital esposta verso un mercato sempre più stratificato e sub-profilato, che evolve e si trasforma a sua volta ed è sempre più autonomo e al tempo stesso coinvolto nelle decisioni in materia finanziaria. E perché no, anche di natura più tecnologica. E qui scatta un problema di execution e governance, le cui componenti sono soprattutto culturali, legate alla capacità di gestire i piani di digitalizzazione e i processi (rinnovati, non cosmeticamente adattati) che ne scaturiscono.

Per tutti i responsabili interni al sistema – dal team di management ai quadri divisionali fino al singolo collaboratore – è un percorso di formazione e ibridizzazione, che richiede una pronta capacità di acquisire linguaggi e schemi mentali dei colleghi, definendo uno scenario in cui sempre più CIO e CTO dialogano con CISO e data strategist, sedendo insieme allo stesso tavolo con tutte le funzioni di business, sotto l’ispirazione, la guida e la motivazione che arrivano dal top management.

Questo dossier si basa su una serie di conversazioni con gli invitati alla tavola rotonda virtuale dedicata a un futuro tecnologico che per le banche è già presente. Tre operatori che rappresentano diverse modalità di interpretare il business: Banca Popolare di Sondrio, Cassa di Risparmio di Bolzano – Sparkasse e Banca Finint. Con loro, in rappresentanza di un’istituzione votata a misurare il polso del mercato, Ipsos Doxa, società leader in Italia nei sondaggi di opinione e nelle ricerche di mercato, appartenente al Gruppo internazionale Ipsos.

Il confronto si svolge lungo il filo della progettualità che gli operatori finanziari mettono in atto in ambito infrastrutturale, dentro ai data center, nella relazione con il cloud; nella modernizzazione applicativa e trasformazione e automazione della loro operatività; nelle data strategy. Tutti prendono in esame sia la natura più tecnologica delle scelte fatte – con un particolare riguardo ai servizi cloud, al data analytics e agli strumenti dell’intelligenza artificiale. – sia i cambiamenti che avvengono sui piani dell’organizzazione e delle competenze formate al proprio interno o acquisite esternamente, rispetto alle scelte di governance.

Con altrettanta libertà, la discussione va a toccare anche le zone critiche della trasformazione, in particolare la sicurezza e la compliance. Il cambiamento apre anche nuove criticità: la cultura del dialogo diretto, pensata per superare i silos organizzativi e informativi, si scontra spesso con resistenze, incomprensioni e conflitti. Nell’evoluzione della banca, la tecnologia resta centrale, ma sono ancora le persone – con paure, aspettative e comportamenti – a determinare il vero ritmo del cambiamento.

LA BANCA SPERIMENTA

Simone Pizzoglio, responsabile delle ricerche sulla customer experience nell’area Finance di Ipsos Doxa è un acuto osservatore dell’evoluzione che il sistema bancario nazionale ha avuto fin dall’avvento del tema della multicanalità. Riconosce innanzitutto il ruolo che molti istituti hanno avuto nella sperimentazione di inedite forme di ibridazione, per esempio la vendita di prodotti commerciali non-finance di fascia alta (elettrodomestici, veicoli e altri beni e servizi), attraverso formule di promozione legate al conto corrente. «La banca come shop è un esempio di sperimentazione che non ha avuto molto seguito, ma che in una fase iniziale, in alcuni casi, era stata accolta positivamente» – riconosce Pizzoglio.

Il suo contributo alla tavola rotonda virtuale si sviluppa lungo due assi prospettici. Il primo, di natura qualitativa, analizza la corrispondenza tra l’espansione di un’offerta bancaria sempre più ampia e diversificata e i reali bisogni espressi dai consumatori, nonché le modalità con cui gli istituti rispondono a tali richieste. Il secondo, fondato su dati e ricerche, riguarda invece il contesto digitale, le percezioni e le aspettative. In particolare, Pizzoglio si sofferma sull’uso dell’intelligenza artificiale e i timori riguardanti la privacy. È indubbio che in questi anni le banche si sono estese, senza mai rinunciare al presidio di certi fabbisogni, aprendo sempre di più alla necessità di gestire il mondo del denaro, il quale a sua volta si è molto ampliato. «La strategia delle banche è rafforzare la specializzazione dell’offerta, adottando modelli verticali nei settori in cui sono richieste competenze mirate» – rileva Pizzoglio. Prendiamo per esempio la voce “conto corrente“, un prodotto anch’esso molto cambiato, sempre più aperto a fenomeni come concorrenza da parte e tra i cosiddetti “pure digital“ non convenzionali, le varie fintech alla “Revolut”, che nascono dall’idea di una card associata a un proprio codice Iban o ridiventano banca, come Hype di Banca Sella. Se osserviamo il più ampio ecosistema dei pagamenti – cresciuto anche grazie alla deregolamentazione e al superamento di alcuni monopoli favorito da normative come la PSD2 – emerge con chiarezza come fenomeni quali Satispay e l’open banking abbiano aperto un fronte del tutto nuovo, indipendentemente dai rispettivi volumi di mercato.

Sui conti correnti la concorrenza arriva da aree “semi-esterne“. Per esempio le società, quasi sempre controllate da banche o consorzi di banche che fanno credito al consumo, specie quello definito con il termine generico di “lower mass“, i piccoli prestiti concessi a chi non ha bisogno di grossi finanziamenti. Anche qui, c’è la tendenza ad associare al credito gli strumenti di gestione tipici del conto corrente, determinando la nascita di Compass Banca (l’istituto di credito al consumo del gruppo Mediobanca) o Findomestic Banca (BNP Paribas), entrambe molto attive su questa fascia di mercato in rappresentanza di operatori molto target specific che offrono prestiti, cessione del quinto dello stipendio e altri prodotti finendo per costituire una sorta di collettore al quale contribuiscono – reinventando in chiave contemporanea e digitale i prodotti tradizionali – sia le banche storiche sia i brand pure digital emersi più recentemente. Crescendo sull’asse del valore, un altro settore da osservare è quello della gestione del risparmio, un argomento centrale nella cultura e nell’economia familiare italiana. Tradizionalmente legate a fattori congiunturali, le masse monetarie destinate al risparmio sono cresciute negli anni della pandemia. Se oggi la capacità di accumulo risente del rincaro dei prezzi e della sotto-occupazione, il patrimonio già detenuto e il bisogno di affiancamento e consulenza restano elevati.

«Con i loro consulenti finanziari le banche continuano a garantire presenza fisica attraverso gli sportelli e una capacità di assistenza personale molto dinamica e flessibile» – sottolinea Pizzoglio. «Il risparmio tende inoltre a confondersi con il tema degli investimenti, dove si muovono anche le realtà assicurative. Assistiamo a una grande mole di ibridazioni e contaminazioni esplose negli ultimi cinque anni».

FISICITÀ IRRINUNCIABILE

In un arco di tempo relativamente breve – ironizza Pizzoglio di Ipsos Doxa, ricordando che dieci o quindici anni fa era buona regola farsi pagare un canone aggiuntivo per il conto corrente online – si è passati a uno scenario in cui è difficile immaginarsi tassonomie troppo rigide o una capacità di presidio solo parziale. L’omnicanalità è ormai un prerequisito: nessun cliente si aspetta più che la propria banca tradizionale non sia all’altezza degli standard digitali o che non consenta di passare in modo fluido e trasparente da un canale di accesso all’altro, in un ecosistema in cui convivono prodotti, servizi e interfacce sia fisiche sia digitali. Viceversa, sul versante degli operatori pure digital la spinta sembra essere quella di inglobare, direttamente o attraverso opportune alleanze, una fisicità nella relazione che nessuno può ancora permettersi di eliminare del tutto.

«La macchina tecnologica necessaria per rispondere a una domanda di mercato che richiede il prodotto giusto, nel canale giusto e nel momento giusto, comporta investimenti enormi» – osserva Pizzoglio. «Un servizio come il bonifico istantaneo irrevocabile, che deve tutelare il cliente anche in caso di errore, implica uno sforzo rilevante non solo sul piano tecnologico, ma anche su quello organizzativo». Questa complessità, tuttavia, resta in gran parte invisibile agli occhi della clientela, che tende a dare per scontata sia la ricchezza dell’offerta – e dei servizi collaterali che la accompagnano – sia la possibilità di accedere a ogni funzionalità in pochi clic dallo smartphone. Un’aspettativa che si estende ormai ben oltre i servizi bancari tradizionali, includendo anche nuove soluzioni come le polizze assicurative istantanee.

Una concorrenza sempre più ampia costringe le banche a misurarsi con nuovi competitor: da un lato operatori capaci di introdurre servizi innovativi, dall’altro attori, spesso esterni al settore bancario, che stanno ridefinendo in chiave digitale la gestione tradizionale del denaro. Dispositivi come SumUp stanno progressivamente spezzando il tradizionale legame tra banca e artigiano o negoziante, che fino a oggi aveva bisogno di un punto sicuro dove depositare gli incassi giornalieri in contanti. Secondo Pizzoglio questo tipo di concorrenza è destinata ad aumentare ancora sulla scia di una deregulation che si appresta a liberare nuove risorse patrimoniali in caccia di capacità di gestione e investimento. «Pensiamo solo ai ragionamenti fatti sui trattamenti di fine rapporto e sulle possibilità di non lasciarli più alla gestione delle aziende. Nonostante la concorrenza, la banca rimane un punto di riferimento capace di dare tutto, incluso un capitale di fiducia che altri non hanno».

RISCHI E BENEFICI

Nella seconda parte del suo intervento, Pizzoglio di Ipsos Doxa entra ancora di più nel suo ruolo di ricercatore con una serie di dati che riguardano il sentiment nei confronti delle due principali problematiche che preoccupano il consumatore digitale, soprattutto in un ambito delicato come il mercato dei prodotti finanziari: l’uso improprio delle informazioni personali e un’applicazione distorta dell’intelligenza artificiale. Le valutazioni espresse da Pizzoglio si basano sui numeri pubblicati in due survey: il WIN World Survey 2024 Technology, per il capitolo riguardante la riservatezza delle informazioni digitali e il più recente WIN Worldwide AI Index. Si tratta di analisi effettuate su campioni molto vasti, con più di 32mila persone intervistate in 35 Paesi. L’obiettivo è misurare il feeling su diversi temi che possono influire sulle decisioni di aziende e istituzioni.

Alla domanda: Siete preoccupati quando condividete digitalmente i vostri dati personali? «C’è un forte livello di accordo sulla risposta» – spiega Pizzoglio. «A livello globale quelli che si dicono da moderatamente a molto preoccupati sono il 45% del campione. Si deduce quindi che c’è una certa asimmetria tra il livello di fruizione dei servizi e l’aspettativa che tutti i servizi funzionino sempre, e il timore di condividere troppe informazioni» – sottolinea Pizzoglio, che nota anche come in tutto il mondo maggiore è il grado di istruzione (e quindi si presume di conoscenza dei meccanismi che stanno dietro ai servizi online), più cresce il disagio nel mettere i propri dati in mano a terzi.

Analizzando lo spaccato geografico, non sorprende che il dato più elevato (54%) sia nelle Americhe, mentre l’Europa si attesta al 44%. Quest’ultimo valore appare in parziale contraddizione, se si considera la presenza di normative europee volte proprio a tutelare gli utenti da un uso disinvolto dei dati. A questo proposito è interessante osservare che l’Italia, pur rimanendo in una fascia di preoccupazione intermedia, mostra un valore leggermente più elevato (47%) e soprattutto in crescita costante nel tempo.

In merito alla consapevolezza sull’utilizzo dei dati personali online, i risultati europei non sono rassicuranti: solo un utente su quattro dichiara di essere ben informato. Il dato italiano, pari al 30%, risulta leggermente migliore, evidenziando forse una maggiore efficacia e completezza delle informazioni fornite da chi i dati li riceve. Lo studio del 2024 contiene altre misurazioni che riguardano per esempio il senso di sopraffazione rispetto a un uso eccessivo dei social network. La percentuale di persone che ritengono troppo dominante il ruolo dei social sulla propria vita comincia a essere elevato in Europa, con una media continentale del 57%.

Il capitolo degli abusi digitali, dal semplice spamming al vero e proprio furto di informazioni sensibili, offre altri numeri su cui riflettere. Lo spam è un fenomeno sperimentato da più di quattro persone su dieci; il phishing da tre persone su dieci. Sono numeri dall’andamento opposto, se si guarda ai fenomeni sull’asse temporale: mentre lo spamming diminuisce tendenzialmente, anche per le azioni “sistemiche“ che vengono adottate, il phishing è in costante crescita. Per concludere, mediamente un individuo su dieci rivela di essere stato oggetto di un vero e proprio abuso: un furto di informazioni, l’hacking del proprio account di posta elettronica, o un hacking di natura finanziaria. Complessivamente il 38% del campione dichiara di essere rimasto vittima di uno o più di questi incidenti. Non sono disponibili dati “italiani“, ma l’Italia non è nel novero delle nazioni in cui le percentuali di “incidentati“ sono nettamente superiori al 40%.

IL BELLO DELL’AI

Un’ultima informazione riguarda proprio l’intelligenza artificiale che è protagonista della seconda ricerca citata da Pizzoglio. L’indagine analizza il livello di conoscenza dell’AI dichiarato dagli intervistati. In particolare, un individuo su quattro – in Italia uno su cinque – afferma di sentirsi sufficientemente preparato sulla materia, rispondendo positivamente alla domanda: “Ritiene di avere una buona conoscenza dell’intelligenza artificiale?”. Si tratta, però, di un dato da interpretare con molta cautela – avverte Pizzoglio. «Il rapporto che i consumatori digitali instaurano con un tema così complesso e recente non è semplice da studiare. Eppure esistono molte ragioni per farlo, visto che gli strumenti di AI stanno entrando in modo diretto e significativo nelle interazioni quotidiane, sia in ambito commerciale che oltre. Basti pensare al ruolo massiccio dei chatbot, utilizzati a integrazione o in sostituzione degli operatori umani, o alle interfacce web che gli utenti navigano autonomamente. Per una banca, capire come i clienti percepiscono e interagiscono con queste tecnologie può fare la differenza».

Il WIN AI Index interroga il campione lungo tre assi: frequenza d’uso, motivazioni e feeling rispetto ai rischi e alle opportunità. «Vediamo paesi cosiddetti “emergenti“ che mostrano di avere un indice molto più alto rispetto ad altri» – spiega Pizzoglio. «In Europa il 41% dichiara di non aver mai usato strumenti di AI, anche se la percentuale varia sensibilmente in base a fattori come l’età, il livello di istruzione e l’accessibilità tecnologica». In Italia l’utilizzo è tendenzialmente più basso rispetto alla media, anche tra gli utenti attivi, la fascia di chi utilizza l’AI con frequenza elevata – spesso o quotidianamente – supera di poco il 10%. In sostanza, l’Europa in questa valutazione si caratterizza per una maggiore cautela.

Volendo tirare le somme sul rapporto che la società di oggi ha con i servizi bancari, Pizzoglio individua due fronti di polarizzazione. Da un lato emerge un atteggiamento diffuso di scetticismo e cautela – oppure, all’estremo opposto, un uso imprudente dettato dalla scarsa consapevolezza. Dall’altro si consolida una forte aspettativa verso servizi sempre più estesi, seamless e in tempo reale: una domanda crescente che non lascia margini alle banche, chiamate semplicemente a essere pronte e capaci di rispondere. Quanto all’ampliamento della gamma dei servizi, l’aspetto più interessante – osserva l’esperto – non riguarda tanto le sperimentazioni del passato sulla diversificazione dell’offerta, quanto la consapevolezza che la digitalizzazione sta ampliando e rendendo più complesso il perimetro della relazione con il cliente. Il rapporto bancario non si esaurisce più in singoli prodotti, ma si sviluppa lungo una pluralità di piani, dove conto corrente, mutui, prestiti e gestione del risparmio si intrecciano in ecosistemi sempre più articolati.

«È una relazione ibrida che integra sportello fisico, self-service digitale e consulenza personale, ma che deve essere seamless, omogenea, always-on» – spiega Pizzoglio. «Basta guardare ai sistemi di pagamento: anche i nuovi competitor vengono percepiti come autorevoli e specializzati, ma il cliente si aspetta comunque una risposta immediata e senza interruzioni». Sul tema centrale della fiducia del consumatore, al crocevia tra canali tradizionali e digitali, l’esperto di Ipsos Doxa ritiene che il settore finanziario abbia ormai raggiunto un livello elevato di maturità. «La vera frontiera riguarda altri ambiti: gli abusi digitali, le deleghe affidate all’intelligenza artificiale e i dilemmi etici che ne derivano emergono oggi soprattutto nel settore della sanità».

La cartella clinica elettronica, la condivisione dei dati con datori di lavoro e assicuratori, così come i sistemi di personalizzazione che possono migliorare le cure ma anche generare asimmetrie pericolose, aprono questioni complesse: dal costo delle prestazioni fino all’accessibilità di servizi che vanno oltre il perimetro sanitario. «Le banche, invece, devono continuare a concentrarsi su omnicanalità, user experience e capacità di rendere la tecnologia al tempo stesso potente e invisibile, così da garantire servizi seamless e coerenti con i bisogni dei clienti. Senza trascurare, però, le implicazioni etiche: essere oggi un’infrastruttura indispensabile significa assumersi una responsabilità sociale che va oltre la tecnologia».

TRASFORMAZIONE PARALLELA

Data Manager raccoglie il contributo di Milo Gusmeroli, protagonista di una lunghissima carriera in Banca Popolare di Sondrio, dove arriva a ricoprire il ruolo di vicedirettore generale e CIOO. A poche settimane dal passaggio, fissato per la seconda metà di aprile 2026, come responsabile di tutti i servizi alla clientela sotto l’egida dell’IT di BPER Banca.  Una fusione lampo, quella tra la storica banca valtellinese e il gruppo emiliano, che ha alle spalle però una lunga e stabile relazione tra i due istituti e un percorso delineato alla fine del 2024, che si è formalmente concluso nel novembre 2025, con l’approvazione del progetto da parte dei rispettivi CdA. Gusmeroli ragiona sulla governance della trasformazione digitale sulla base dell’esperienza passata ma in prospettiva futura, scrivendo in pratica un capitolo che è allo stesso tempo conclusivo e di esordio. La convinzione del manager è che il pieno funzionamento e soprattutto la resilienza dell’IT – ossia la capacità di ritrovare il pieno funzionamento dopo un’interruzione – e la resilienza del business debbano essere due facce di una stessa medaglia dell’operatività bancaria. «Non ha più senso parlare di digital transformation» – afferma con decisione Gusmeroli. «Oggi il vero tema è la convergenza tra digitale e trasformazione del business».

Su questo fronte, continuità digitale e resilienza operativa coincidono. «Basta leggere le statistiche sulla crescita delle operazioni online per rendersi conto che la banca digitale è il nuovo “imperatore“ e che l’IT della banca nel suo complesso è chiamata non solo a progettare e costruire ma anche a misurare i suoi risultati. Tutto dipende sempre dal posizionamento strategico deciso dal Board, perché ormai non esiste una strategia buona per tutti. Per questo è fondamentale che i progetti IT siano coerenti con la strategia sia sul piano dei servizi digitali, sia su quello del risk management, ovvero dell’appetito al rischio che si intende assumere» – sottolinea Gusmeroli.

Sul mercato convivono modelli bancari differenti. Da un lato operano le banche “phygital”, che integrano presenza fisica e servizi digitali, in competizione con i player interamente digitali. Dall’altro ci sono realtà come Banca Popolare di Sondrio, che fondano il proprio posizionamento sulla prossimità territoriale e sul rapporto fiduciario con il cliente. Per realtà come queste, i servizi digitali sono qualcosa di più di un importante nice-to-have: quasi sempre sono una necessità che evita di veder soffocare il proprio modello distributivo dalla “Revolut” del momento. Ma il focus resterà sempre sulla relazione personale e umana, anche quando questa sarà supportata dall’intelligenza artificiale.

ALLINEAMENTO INDUSTRIALE

Il messaggio di Gusmeroli è chiaro: progettualità e governance tecnologica devono essere pienamente allineate ai piani industriali e alle strategie di posizionamento dell’azienda. «In passato si parlava di banche specializzate, poi di banche “omnibus”. Oggi gli istituti possono teoricamente offrire di tutto, ma devono selezionare con precisione i propri modelli di business. La banca universale, intesa come modello indistinto e onnicomprensivo, non è più sostenibile, se non assume una chiara identità e distintività». Il rischio, nel seguire troppo le logiche dettate dagli hype e dai trend tecnologici è di perdere di vista questo allineamento. In questo scenario, si entra in un loop autoreferenziale da cui non si esce e che riporta l’IT in un limbo dominato dalla tecnologia “in camice bianco” di cui nessuno più sente nostalgia. «Vedo ancora una forte tendenza a fare business della tecnologia e non business con la tecnologia» – ammonisce il Gusmeroli, che esorta a scegliere le tecnologie che meglio si adattano al posizionamento della banca e soprattutto a ripensare radicalmente i processi, senza limitarsi alle iniezioni forzate di high-tech in contesti procedurali ereditati dal passato.

Nell’imminente perfezionamento della fusione per incorporazione di Banca Popolare di Sondrio in BPER Banca, Gusmeroli non si dilunga troppo sui progetti che BPS ha portato avanti negli ultimi tempi, ma si sofferma sulle aspettative legate all’intelligenza artificiale, che non possono essere disgiunte da una prima, impegnativa fase dedicata alla data quality e alla classificazione dei dati in chiave business, cui si aggiunge un ulteriore percorso di approfondimento sulla compliance rispetto all’AI Act europeo.

«Solo dopo basi solide, anche tecniche architetturali, è possibile avviare i primi proof of concept e poi portare a scala l’AI, di base, generativa o agentica del caso. Ciò sebbene il nostro percorso in tale direzione non poteva non tener conto del merger e dell’integrazioni informatica in atto» – spiega Gusmeroli. «In ogni caso, al di là delle contingenze e del run, i piani evolutivi per l’IT e per l’intelligenza artificiale nel nostro previgente piano industriale più che sui classici filoni dell’efficientamento e dell’analisi della clientela, erano guidati dal business, nonchè dalla competenza e dalla sensibilità al dato di coloro che definiamo gli owner non tecnici del dato». Insomma, un percorso a quattro mani, fatto insieme tra IT e business

Per un esempio concreto di innovazione congiunta o a “quattro mani” si può citare il prodotto che Popolare Sondrio ha lanciato inizialmente per gli studenti, una carta digitale “double face“ capace di funzionare come libretto universitario e registro curricolare e come strumento di pagamento. Iniziativa che, in modo simile ma non uguale, è stata replicata per diverse categorie professionali, commercialisti, avvocati, e così via. “L’iniziativa si è accompagnata alla costituzione di unità centrale dedicata a tali clienti primariamente digitali, alla scelta di una apposita piattaforma di cloud privato, ridisegnando i processi anche in ottica AI e machine learning, nonché la parte di integrazione con il back-end» – riferisce Gusmeroli. In sintesi, BPS ha lavorato su un percorso di cloud transformation a tutto campo, costruendo un portafoglio di servizi progettato dal business per target specifici di clientela. In questo quadro, gli accordi con partner terzi ampliano l’offerta con servizi complementari, secondo una logica di ecosistema.

ONLINE O SPORTELLO?

La visione espressa da Francesco Ortesta, CISO di Cassa di Risparmio di Bolzano – Sparkasse, è segnata dall’esperienza vissuta nel 2020, con l’esplodere della pandemia di Covid. Per un istituto di dimensioni più contenute rispetto a Banca Popolare di Sondrio, ma ancora più radicato in un territorio ad altissima specificità, quell’emergenza segna uno spartiacque. Per la banca altoatesina, l’emergenza sanitaria impone un rapido cambio di paradigma: clienti abituati a una presenza quasi quotidiana in filiale si trovano improvvisamente costretti a trasferire online gran parte delle loro interazioni. Servizi digitali già esistenti diventano così centrali, e Ortesta è chiamato a rafforzarli in tempi molto rapidi. «Abbiamo ripensato in particolare tutta l’area mobile e web, introducendo nuove funzionalità e costruendo una banca online molto più ricca» – spiega Ortesta. «Siamo stati anche la prima banca italiana a integrare Microsoft Teams nella nostra piattaforma digitale».

Quel che più conta è che tutto il lavoro è stato svolto con l’IT e le funzioni business della banca sempre sedute allo stesso tavolo, cercando di eliminare qualsiasi gap tra le due ed evitando il rischio di isolamento e commoditizzazione della tecnologia paventato da Gusmeroli. Per Ortesta, questa omogeneità è legata a un contesto in cui il rapporto con il cliente fisico è ancora un valore fondamentale. Per servire questa clientela è stata creata una struttura incaricata di seguire il cliente attraverso i canali online, riempiendo la banca virtuale di account fisici, un punto di riferimento trasversale a tutti i canali e senza vincoli di tempo, rispetto ai tradizionali orari di sportello. «Cerchiamo di venire incontro al tipo di relazione scelto dal cliente, mettendo al suo servizio consulenti specializzati in tutti gli aspetti, dall’onboarding alla consulenza finanziaria» – sottolinea Ortesta.

Per garantire questo salto di qualità abbiamo integrato un ampio ventaglio di tecnologie dedicate all’identificazione e alla sicurezza del cliente. Siamo stati tra i primi in Italia ad adottare l’autenticazione tramite SPID e CIE, affiancandola a sistemi antifrode avanzati basati su intelligenza artificiale». L’integrazione dei canali di accesso consente ai clienti di CRB – Sparkasse di fruire degli stessi servizi in filiale, via web – da desktop e mobile – e attraverso gli sportelli automatici. «Questa continuità omnicanale, unita a un approccio tecnologicamente avanzato, ha favorito lo sviluppo di nuove linee di prodotto rivolte ai clienti più giovani, con l’obiettivo di accompagnarli nella costruzione di una futura cultura bancaria e del risparmio». – spiega Ortesta.

«Si tratta di una relazione in cui il servizio non risponde solo a un bisogno immediato, ma contribuisce a generare una domanda futura». Su questo fronte la banca altoatesina investe da tempo. Ortesta porta all’attenzione l’adozione della piattaforma CRM di Microsoft come leva strategica per rafforzare il supporto alla clientela. «il sistema integra nativamente Copilot per accelerare il lavoro. L’intelligenza artificiale, e in particolare l’AI agentica, è uno dei campi su cui ci stiamo concentrando di più. Personalmente, preferisco parlare di “autonomazione” invece di semplice automazione: l’AI rappresenta qualcosa di molto diverso dalla tradizionale automazione di processo».

Ortesta guarda con convinzione al ruolo dell’intelligenza artificiale, ma richiama anche la necessità di una riflessione collettiva sulle sue implicazioni tecnologiche, giuridiche e sociali. Più che di etica in senso astratto, si tratta di affrontare il tema sul piano della responsabilità concreta, che resta in capo a chi progetta e governa questi sistemi. «Sorrido quando sento parlare di rischio di sostituzione» – commenta Ortesta. «Cinquant’anni fa, temevamo la robotica in fabbrica, introdotta soprattutto per esigenze di precisione e per ridurre gli scarti. Eppure, la conoscenza e l’esperienza umana non sono venute meno. Con l’AI accadrà qualcosa di simile. Nell’utilizzare questi nuovi strumenti non dobbiamo rinunciare alla nostra funzione di controllo e validazione».

AVANTI SULLA RESILIENZA

La scelta di Sparkasse di affidarsi a un modello di partnership con service provider esterni rende il ruolo di Ortesta, sul versante back-end, fortemente concentrato sugli aspetti di governance e compliance, con particolare attenzione ai regolamenti europei che disciplinano la resilienza dei servizi digitali. Si tratta di un ambito che – secondo Ortesta di CRB – Sparkasse, offre alle banche italiane un’opportunità inedita di leadership culturale, anche grazie al lavoro svolto da Banca d’Italia fin dai tempi di Basilea 2.

In questa prospettiva, la normativa DORA rappresenta un linguaggio regolatorio condiviso che gli istituti italiani hanno interiorizzato con anticipo rispetto a molti omologhi europei. «Il divario tra mondo del business e tecnologia in qualche modo si sta riducendo. Le due visioni si integrano perché il digitale è inevitabile» – afferma Ortesta. Sull’evoluzione dei modelli incide molto l’adozione dell’AI con la sua fame di architetture di calcolo innovative, capaci di spostare i ruoli di predominio persino sul mercato dei microprocessori. A questa evoluzione si affiancherà presto anche l’avvento del quantum computing, destinato ad ampliare ulteriormente il perimetro del cambiamento.

«L’informatica quantistica cambia radicalmente il modo di approcciare la risoluzione dei problemi e dovremo abituarci a un mondo digitale che ragiona a una velocità che non ancora non conosciamo» – spiega Ortesta. Cassa di Risparmio di Bolzano – Sparkasse ha già avviato investimenti in questa direzione e, a inizio marzo, è stata la prima banca in Italia – e tra le prime in Europa – ad annunciare, insieme a Telsy (Gruppo TIM), lo sviluppo di un’infrastruttura digitale progettata per resistere agli attacchi crittografici di nuova generazione, offrendo ai clienti una connessione “a prova di futuro” per la protezione dei dati. Il nuovo sistema – spiega Ortesta – si basa sulla Quantum Key Distribution e risponde alla minaccia del cosiddetto “store‑now, decrypt‑later“, «La possibilità che dati intercettati e archiviati oggi possano essere decifrati in futuro, quando le tecnologie quantistiche saranno mature. Quando si parla di rischi legati alla tecnologia, ormai è indispensabile giocare d’anticipo».

LA SICUREZZA COME ARCHITRAVE

In un panorama così diversificato, non poteva mancare un esempio di specializzazione come Banca Finint, un istituto che vanta già oltre quarant’anni di esperienza in ambito puramente finanziario: corporate e investment banking, private banking e asset management. Il responsabile dell’innovazione e dell’ICT è Marco Cozzi. Convinto assertore di una trasformazione infrastrutturale capace di sostenere i modelli di business. «L’approccio è modulare: il legacy si modernizza senza essere dismesso, mentre il cloud ibrido abilita il cambiamento. A fare la differenza è la capacità di tenere insieme innovazione, rischio e fiducia». L’head of Innovation & ICT di Banca Finint, riprendendo l’intervento di Gusmeroli, sottolinea come il dibattito su tecnologia, cloud e modernizzazione rischi di trascurare un punto essenziale: la trasformazione raramente è solo una questione tecnologica. «La tecnologia, di per sé, è matura e affidabile; sono piuttosto le organizzazioni a dover intervenire, in primo luogo, su processi e modelli di governance del business. Se non si vuole che un progetto di modernizzazione fallisca – ammonisce Cozzi – è necessario trasformare non l’IT, ma l’intera organizzazione».

Gli strumenti tecnologici che operano sui dati – dalla business intelligence all’intelligenza artificiale – sono sempre più centrali. «Ma non dimentichiamo che il vero vantaggio risiede nella capacità di trasformare il dato in decisione. Gli analytics di ieri e l’AI di oggi sono leve fondamentali, a condizione di saper governare il rischio e, al tempo stesso, la personalizzazione dei servizi». Secondo Cozzi bisogna attribuire un ruolo cruciale al decisore umano: «È ciò che consente di amplificare il valore di questi strumenti, che spesso tendiamo a sopravvalutare». Non si può – insiste Cozzi – sostituire integralmente un processo con la tecnologia: «L’AI può automatizzare alcune decisioni, ma se lasciata operare in autonomia rischia di aumentare la complessità anziché ridurla».

La trasformazione digitale richiede anche una trasformazione delle competenze, che devono evolvere e operare in modo integrato. In altre parole, si impone un modello di interdisciplinarità in cui le varie funzioni dell’IT devono collaborare affinché la trasformazione coinvolga armonicamente l’intera organizzazione in una governance trasversale e condivisa. «In generale, nel campo della cybersecurity, di cui mi occupo direttamente in Banca Finint, persiste ancora l’idea che la sicurezza rappresenti un freno all’innovazione. In realtà è vero il contrario: la sicurezza è un fattore abilitante, soprattutto in un settore sempre più aperto e interconnesso».

Non a caso, la regolamentazione europea parla di resilienza di un intero ecosistema, rovesciando i vecchi paradigmi di una sicurezza presa a singoli pezzi. «Anche qui – ribadisce il responsabile tecnologico di Finint – la vera sfida sarà più culturale che tecnologica e ci vede impegnati a superare una visione troppo compartimentalizzata della protezione».

In Finint tutto questo si traduce in un grande progetto di rinnovamento dell’IT che l’istituto annuncerà nel corso dei prossimi mesi. «Abbiamo voluto rivedere la parte infrastrutturale per renderla più dinamica e a supporto del business, in modo tecnologicamente più avanzato. Il piano comporta un completo ridisegno dell’infrastruttura al cui centro c’è la governance e la nazionalità del dato». Pur utilizzando il cloud e i big player del settore, Finint vuole rimanere la sola titolare del governo del dato, mantenendo tutto il relativo know-how all’interno del gruppo.

«Ci stiamo preparando a integrare l’intelligenza artificiale, ma senza “cedere” all’esterno il patrimonio di conoscenze costruito negli anni. Al contrario, vogliamo valorizzarlo in continuità con la relazione con i nostri clienti» – spiega Cozzi. Ancora coperto da riservatezza, il piano emergerà progressivamente nei prossimi documenti di bilancio di Banca Finint, che pone al centro il valore delle persone e considera la relazione con il cliente un asset strategico, capace di generare valore e fiducia nel tempo.

Inserita in un gruppo attivo su diversi segmenti del mercato finanziario, Finint concentra il proprio posizionamento sulla gestione patrimoniale, mantenendo al tempo stesso un forte orientamento all’omnicanalità. Un approccio che, però, trova senso solo quando è governato da un presidio umano diretto. «Gli strumenti digitali devono supportare il consulente, non sostituirlo. Al centro della relazione restano le persone: nei momenti di difficoltà, poter contare su un interlocutore umano – e non su un software – fa ancora la differenza».

Finomnia, l’IT bancario ha un nuovo nome

CBI – Pagamenti e frodi: la risposta è di sistema

L'articolo Trust-first, la fiducia ridefinisce la banca proviene da Data Manager Online.