Cloud e intelligenza artificiale stanno trasformando industrie e società a una velocità senza precedenti: dall’accelerazione della ricerca al miglioramento dell’esperienza cliente, fino all’ottimizzazione dei processi aziendali e dei servizi pubblici. Perché queste tecnologie possano esprimere pienamente il loro potenziale, è tuttavia indispensabile che aziende e organizzazioni mantengano il controllo sui propri dati e possano scegliere come e dove eseguire i propri workload.
Un approccio serio alla AI sovereignty deve fondarsi sulla comprensione concreta delle esigenze delle aziende e delle sfide operative che accompagnano l’implementazione di queste tecnologie. Il concetto di sovranità digitale, e di sovranità dell’AI, assume infatti significati differenti a seconda dei contesti: ogni Paese e ogni regione presenta requisiti specifici e in continua evoluzione, senza indicazioni uniformi su quali workload o settori debbano necessariamente conformarsi a determinati criteri.
Nonostante queste differenze, emergono alcuni temi comuni. La sovranità del dato (comprensiva di residenza dei dati e restrizioni sugli accessi) e la sovranità operativa (che include resilienza, continuità e indipendenza operativa) costituiscono le fondamenta su cui si costruisce la sovranità dell’AI. A queste si aggiungono aspetti emergenti, come la tutela delle norme e dei valori culturali e delle lingue locali nei risultati prodotti dai sistemi di AI. In ultima analisi, soddisfare i requisiti di sovranità digitale e dell’AI significa offrire alle organizzazioni maggiore controllo e maggiore libertà di scelta.
Controllo e libertà di scelta lungo l’intero stack AI
La sovranità dell’AI richiede controllo e libertà di scelta lungo tutto lo stack tecnologico: infrastrutture cloud complete che integrino capacità di calcolo, networking, gestione dei dati, sicurezza, servizi applicativi specializzati e competenze.
Questo implica la possibilità di compiere scelte consapevoli su aspetti quali localizzazione, dipendenze tecnologiche, servizi e partner, in linea con le esigenze operative, i requisiti normativi e gli obiettivi di innovazione. Le aziende devono poter sviluppare applicazioni AI su una base tecnologica affidabile, mantenere il controllo sui dati e scegliere tra diverse tipologie di chip ottimizzati per l’AI, selezionando quello più adatto allo specifico workload.
È altrettanto fondamentale disporre di infrastrutture e strumenti per integrare l’AI lungo l’intera catena del valore: non solo in casi d’uso isolati, ma come funzionalità strutturale che consenta di addestrare e distribuire modelli e di sviluppare applicazioni sofisticate di AI e AI generativa ad alte prestazioni. Ciò permette alle aziende di concentrarsi sull’innovazione anziché sull’infrastruttura, portando il cloud dove ne hanno più bisogno.
Per i workload mission-critical che richiedono ambienti dedicati, ad esempio, AWS prevede implementazioni fisicamente isolate che combinano le più recenti infrastrutture di AI con funzionalità on-premise, consentendo di eseguire in modo sicuro attività di addestramento, ottimizzazione e inferenza in tempo reale.
Sostenere le strategie nazionali sull’AI
Strategie AI efficaci richiedono la costruzione di ecosistemi capaci di valorizzare le competenze locali, sostenere le startup, sviluppare applicazioni verticali e favorire collaborazioni pubblico-private. Il cloud ha trasformato l’intelligenza artificiale da tecnologia accessibile solo a organizzazioni con ingenti capacità di investimento a strumento disponibile per realtà di ogni dimensione.
Sebbene l’attenzione si concentri principalmente sulle infrastrutture tecniche quando si parla di sovranità nell’AI, le dimensioni culturali e strategiche dei Foundation Model (FM) nazionali sono altrettanto cruciali. I FM non sono semplici strumenti computazionali: possono codificare elementi di conoscenza culturale, sfumature linguistiche e contesto sociale, rendendo la rilevanza locale una scelta progettuale fondamentale anziché un aspetto secondario. Se addestrati localmente, questi modelli possono riflettere i programmi educativi nazionali e i valori culturali, comprendendo al contempo i sistemi giuridici, le pratiche commerciali e i quadri normativi locali.
I modelli addestrati su lingue, dialetti e contesti culturali locali sostengono la diversità linguistica e aiutano le lingue sottorappresentate ad acquisire visibilità nei prodotti e nei servizi di AI. Ne sono esempi concreti Meltemi, il primo Large Language Model greco, sviluppato a partire da Mistral-7B su infrastruttura AWS e addestrato su un dataset di 28,5 miliardi di token in lingua greca, e SEA-LION, una famiglia di modelli open source multilingua per il Sud-Est asiatico, addestrati interamente su AWS. Qui è stato completato un modello da 3 miliardi di parametri in soli tre mesi, con tempi ridotti del 60% rispetto a progetti on-premises comparabili.
Controllo verificabile sugli accessi ai dati
La sovranità non riguarda solo il luogo in cui risiedono i dati, ma anche chi può accedervi e a quali condizioni. Nel contesto dell’AI, le restrizioni di accesso vanno oltre l’infrastruttura e includono input e output dei modelli, processi di addestramento e ambienti operativi. A differenza dell’infrastruttura tradizionale, i carichi di lavoro di AI introducono nuove superfici di accesso: il modello stesso, i dati utilizzati per addestrarlo e la pipeline di inferenza attraverso cui fluiscono gli input sensibili. Tutto ciò rafforza la necessità di una governance verificabile e della propagazione delle identità nei sistemi informatici.
Per garantire riservatezza e integrità dei dati, le istanze di calcolo cloud dovrebbero essere supportate da architetture progettate in modo che l’accesso ai dati aziendali durante l’esecuzione dei workload sia tecnicamente precluso a qualsiasi soggetto non autorizzato, incluso il personale appartenente all’organizzazione del provider tecnologico. Questa garanzia non dovrebbe dipendere da policy interne, ma essere incorporata nell’architettura stessa del sistema. Un esempio di questo approccio è AWS Nitro System, un’architettura progettata per isolare i workload dei clienti e impedire l’accesso ai dati durante l’elaborazione.
I servizi AI ereditano le stesse protezioni dell’infrastruttura sottostante, estese a tutte le fasi del ciclo di vita del modello: dall’addestramento all’inferenza. La solidità di queste protezioni dovrebbe essere verificata da soggetti terzi indipendenti specializzati in sicurezza informatica, rendendo la trasparenza un elemento strutturale del rapporto di fiducia con i clienti.
Con la crescente diffusione di agenti di AI che operano in modo autonomo sui sistemi, diventa essenziale controllare chi e cosa può accedere alle risorse e garantire un’adeguata supervisione umana. Utenti e agenti di AI dovrebbero operare secondo il principio del minimo privilegio, cioè con le sole autorizzazioni strettamente necessarie, e ogni azione dovrebbe essere tracciabile attraverso audit log completi.
Trasparenza e garanzie
La trasparenza è al centro di qualsiasi impegno serio in materia di sovranità digitale. Questo implica, per i provider tecnologici, mettere a disposizione misure tecniche complete e all’avanguardia, controlli operativi e tutele contrattuali che garantiscano alle aziende il controllo su dove collocare i propri dati, chi può accedervi e come vengono utilizzati.
Garanzie e trasparenza dovrebbero essere costantemente rafforzate. Ciò significa, tra l’altro, aggiornare i termini di servizio per riflettere gli impegni di protezione tecnica, definire impegni contrattuali dettagliati sulla gestione delle richieste di terze parti relative ai dati dei clienti e mettere a disposizione risorse che orientino scelte consapevoli in materia di sovranità. Questi sforzi dovrebbero estendersi all’ambito dell’AI responsabile, offrendo alle aziende la certezza di poter sviluppare e gestire applicazioni di AI in modo consapevole e sicuro.
In questo quadro, ISO/IEC 42001, lo standard internazionale di riferimento per i sistemi di gestione dell’AI, definisce requisiti e controlli per promuoverne lo sviluppo e l’uso responsabile. Conseguire la relativa certificazione accreditata e superare audit di sorveglianza periodici senza rilievi rappresenta un indicatore concreto del livello di maturità raggiunto su questo fronte.
La tecnologia innovativa richiede una base sicura e affidabile. AWS, ad esempio, aderisce a oltre 140 standard di sicurezza e certificazioni di conformità che clienti e partner possono fare propri per adeguarsi alle normative locali. Un impegno serio in questo ambito implica un dialogo continuativo con le autorità di regolamentazione e per la sicurezza informatica, per allineare i servizi alle priorità nazionali e garantire che le soluzioni supportino tanto l’innovazione quanto il controllo, contribuendo attivamente alla definizione di framework normativi capaci di rispondere ai nuovi sviluppi senza frenare il progresso.
