Intelligenza artificiale

Nell’analisi delle implicazioni economiche della rivoluzione indotta dall’Ia, e opportuno adottare una prospettiva ampia per evidenziarne alcuni tratti distintivi che richiedono una valutazione attenta, anche alla luce della possibile ridefinizione del contesto competitivo e degli assetti regolatori.

L’Ia è una general purpose technology (Gpt), ovvero un insieme di tecnologie in grado di influenzare un intero sistema economico, come l’elettricità e internet. Le Gpt condividono tre caratteristiche fondamentali [1]: sono pervasive ovvero si diffondono trasversalmente tra settori e funzioni; migliorano continuamente nel tempo; generano innovazioni complementari che ne moltiplicano l’impatto sistemico. Come l’elettricità ha reso possibili numerose invenzioni nei settori più disparati [2], l’Ia è un potente generatore di cambiamento tecnologico e organizzativo; tuttavia, presenta caratteristiche peculiari.

In primo luogo, la struttura dell’offerta e altamente concentrata: i principali provider di servizi Ia sono pochi a livello globale, e le dinamiche economiche in atto non sembrano favorire una democratizzazione progressiva dell’accesso alla frontiera tecnologica. A differenza di quanto avvenuto per i microprocessori, dove il costo unitario di calcolo e calato nel tempo, i costi complessivi di addestramento dei modelli di frontiera sono cresciuti, poiché l’espansione in scala dei modelli ha più che compensato i guadagni di efficienza computazionale. Questa dinamica genera barriere all’entrata strutturalmente elevate e una concentrazione industriale senza precedenti rispetto alle Gpt del passato, con importanti implicazioni strategiche. In assenza di soggetti pubblici e di attori europei di rilievo nel settore, il rischio di dipendenza da un numero ristrettissimo di soggetti privati per tecnologie strategiche appare destinato ad acuirsi.

A questo si aggiungono le esternalità negative ambientali legate al mix di risorse meno sostenibili impiegate per l’apprendimento artificiale rispetto a quelle impiegate per l’apprendimento umano, nonché un potenziale effetto di crowding out sull’investimento nel capitale umano. In questa prospettiva, l’Ia rischia di erodere proprio quelle complementarità con la formazione del capitale umano qualificato che, nelle altre Gpt, avevano costituito il principale canale di crescita della produttività aggregata.

Intelligenza artificiale e produzione della conoscenza

Il potenziale impatto dell’Ia sui sistemi di produzione e fruizione della conoscenza si manifesta già nella ricerca scientifica. Analisi bibliometriche su larga scala, tra cui un recente studio di James Evans e colleghi dell’Università di Chicago [3], mostrano che i ricercatori che utilizzano strumenti di Ia producono di più e sono citati più spesso rispetto a chi non li utilizza, con una marcata accelerazione del ritmo di pubblicazione. Tuttavia, evidenze emergenti suggeriscono che l’uso dell’Ia favorisce la ricombinazione di concetti noti più che l’esplorazione di spazi cognitivi distanti: la produzione scientifica cresce in volume, ma rischia di diventare più incrementale e meno radicale nel senso tecnico del termine.

In un sistema di valutazione della ricerca ancora largamente basato sulla bibliometria, questo meccanismo introduce distorsioni significative: la qualità della produzione e il talento scientifico diventano più difficili da individuare. Il rischio non è tanto un’adozione irrazionale degli strumenti Ia, quanto piuttosto che la risposta agli attuali sistemi di incentivo spinga verso un uso diffuso dell’Ia a scapito dell’originalità, senza che il sistema di valutazione sia in grado di rilevarlo. Gli effetti di questa trasformazione sono già evidenti nella composizione della produzione scientifica globale: Paesi emergenti come la Cina stanno beneficiando in modo sproporzionato dalla riduzione delle barriere linguistiche e dal miglior accesso alla letteratura, assumendo un ruolo crescente nei ranking bibliometrici tradizionali, che non distinguono l’effettivo contributo alla frontiera della conoscenza.

Pro-worker Ia e produttività

Una confusione concettuale frequente e potenzialmente fuorviante è quella tra automazione e Ia, che andrebbero chiaramente distinte nel dibattito. L’automazione sostituisce il lavoro umano nell’esecuzione di compiti predefiniti e ripetibili, secondo una logica di sostituzione diretta. L’Ia ha un perimetro d’azione più ampio e una struttura di impatto più articolata. Il framework proposto da Acemoglu e colleghi [4] distingue almeno tre modalità di impiego in ambito lavorativo: la sostituzione automatizzata completa del lavoratore; il supporto aumentativo, in cui l’Ia funge da assistente cognitivo che segnala anomalie e riduce gli errori; e la trasferibilità delle competenze, per cui l’Ia consente a un professionista di applicare le proprie competenze consolidate in contesti nuovi. La distinzione rilevante rispetto all’automazione tradizionale non è quindi che l’Ia non sostituisca, ma che includa modalità di complementarità e di potenziamento del lavoro umano che l’automazione classica non contempla. Ad esempio, in radiologia, l’Ia può sostituire il radiologo nell’esecuzione di compiti specifici e standardizzati, riducendo i tempi di diagnosi. Allo stesso tempo, può aumentarne la precisione diagnostica in un’ottica di complementarità. Infine, apre nuove opportunità di valorizzazione delle competenze in contesti prima inaccessibili, come quelli che utilizzano nuovi dispositivi anche a distanza, estendendo il perimetro professionale. Quale di queste traiettorie prevarrà e una questione aperta, che dipende da scelte tecnologiche, organizzative e regolamentari, non da una traiettoria deterministica.

Le evidenze disponibili sull’impatto sulla produttività restituiscono un quadro disomogeneo. A livello microeconomico – studi su singole organizzazioni e confronti tra lavoratori che adottano o meno strumenti di Ia – i principali lavori empirici registrano aumenti della produttività individuale compresi tra il 15 e il 40 per cento, con variazioni significative a seconda del settore, del tipo di compito e delle modalità di integrazione organizzativa. A livello macroeconomico, invece, non esistono ancora evidenze consolidate. Non è una novità storica: le Gpt presentano tipicamente un periodo di incubazione prima che i loro effetti si traducano in produttività sistemica. La transizione richiede profonde trasformazioni organizzative, investimenti complementari in capitale umano e infrastrutture, e processi di apprendimento istituzionale che richiedono tempo e non si producono automaticamente con la sola adozione tecnologica.

Disuguaglianze ed equità

Le implicazioni dell’Ia sulla disuguaglianza economica tra Paesi, territori e categorie professionali richiedono un’analisi differenziata, evitando valutazioni univoche.

Sul piano distributivo, i trend strutturali già in atto mostrano un ampliamento del divario tra chi detiene capitale e competenze avanzate e chi ne e privo, fenomeno storicamente associato all’automazione e che l’Ia rischia di amplificare, spostando ulteriormente la quota di reddito verso il capitale e il lavoro qualificato. Tuttavia, la relazione non è lineare né uniforme. All’interno della stessa professione, le evidenze empiriche emergenti suggeriscono un effetto livellante: i professionisti meno esperti tendono a beneficiare maggiormente degli strumenti Ia, con una riduzione dei differenziali di performance intra-occupazionali. Questo effetto livellante ha pero una contropartita: poiché l’Ia tende ad assorbire proprio i compiti routinari e di bassa complessità che tradizionalmente costituivano il percorso di apprendimento, le coorti più giovani rischiano di incontrare maggiori difficolta di inserimento e di accumulo di capitale umano esperienziale. Tra professioni diverse, il meccanismo si inverte: il diverso tasso e la diversa profondità di adozione dell’Ia generano vantaggi competitivi cumulativi per le occupazioni che integrano efficacemente questi strumenti, accentuando i divari di reddito inter-occupazionali attraverso un processo di complementarità selettiva. A livello internazionale, l’accesso più diffuso alla conoscenza, il superamento delle barriere linguistiche e la fruibilità di contenuti formativi in contesti con sistemi educativi meno strutturati potrebbero accelerare lo sviluppo dei Paesi in via di sviluppo. Questo potenziale non è tuttavia privo di costi: l’accesso alla conoscenza mediato da piattaforme proprietarie non è neutro e rischia di tradursi in una dipendenza strutturale da un numero ristretto di operatori privati, amplificando in forma digitale asimmetrie già documentate a livello industriale.

Distruzione creatrice e resistenza al cambiamento

L’Ia e un ottimo esempio di distruzione creatrice [5], un processo in cui le innovazioni radicali rendono obsolete alcune funzioni e professioni mentre ne generano di nuove. La storia dei sistemi economici mostra che, ciclicamente, le rivoluzioni tecnologiche hanno suscitato timori di automazione del lavoro umano che, nel lungo periodo, si sono rivelati infondati: le società hanno sempre trovato nuove forme di impiego produttivo delle proprie capacita. Ciò non significa che la transizione sia priva di costi, né che l’accelerazione attuale, sensibilmente più rapida rispetto alle rivoluzioni tecnologiche precedenti, non richieda politiche attive di accompagnamento. Il rischio più concreto non è la sostituzione del lavoro umano, ma l’incapacità di cavalcare l’opportunità: un ritardo nell’adozione consapevole e strategica dell’Ia da parte del sistema pubblico si tradurrebbe in un gap di competitività difficilmente recuperabile. Un’adozione acritica e non guidata, tuttavia, e altrettanto rischiosa: l’Ia impiegata senza consapevolezza metodologica non aggiunge valore e può introdurre errori sistemici di notevole gravita. La sfida e dunque costruire le condizioni regolatorie, organizzative e formative per un’adozione al tempo stesso rapida e responsabile. Nella rivoluzione che seguirà, come già accadde nel Rinascimento e in altre epoche di cambiamento paradigmatico, lo sviluppo di istituzioni e soluzioni organizzative volte a rafforzare lo spirito critico per un uso consapevole della tecnologia rappresenta la principale sfida per garantire sviluppo e crescita alle future generazioni.

A cura di Massimo Riccaboni

[1] Bresnahan TF, Trajtenberg M. General purpose technologies ‘Engines of growth’? Journal of econometrics 1995;65:83-108. https://doi.org/10.1016/0304-4076(94)01598-T
[2] Hughes TP. Networks of power. Electrification in Western society, 1880-1930. Baltimora (USA): JHU press, 1993.
[3] Hao Q, Xu F, Li Y, Evans J. Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature 2026;649:1237-43. https://doi.org/10.1038/s41586-025-09922-y
[4] Acemoglu D, Autor D, Hohnson S. Building pro-worker artificial intelligence. National Bureau of Economic Research, 2026. Disponibile su: https://www.nber.org/papers/w34854 [ultimo accesso 26 febbraio 2026].
[5] Aghion P, Howitt P. A model of growth through creative destruction. Econometrica 1992;60:323-51. https://doi.org/10.2307/2951599

Il diritto ha storicamente svolto tre funzioni distinte di fronte alle innovazioni tecnologiche: una funzione conservativa, di presidio dell’esistente; una funzione regolatoria, di costruzione dell’infrastruttura normativa necessaria all’innovazione; e una funzione proiettiva, di indirizzo verso obiettivi di sistema. Questa triplice natura si riproduce invariabilmente ad ogni discontinuità tecnologica, dall’introduzione della macchina a vapore fino all’Ia. Con una conseguenza ricorrente per i giuristi: la prima reazione e tipicamente quella di mappare gli ostacoli – i diritti fondamentali potenzialmente violati, le lacune regolatorie, i vuoti in materia di concorrenza e privacy – piuttosto che quella di costruire un quadro abilitante.

Questa tendenza, se comprensibile sul piano metodologico, rivela tuttavia un limite strutturale: il diritto rischia di inseguire l’innovazione anziché orientarla. La dimensione proiettiva, che dovrebbe consentire al sistema giuridico di anticipare le traiettorie tecnologiche, rimane spesso in secondo piano rispetto alla funzione difensiva. Nel caso dell’Ia, questo squilibrio appare particolarmente evidente, poiché la rapidità della trasformazione tecnologica rende sempre più difficile mantenere una corrispondenza tra norma e realtà.

In questa prospettiva, il quadro europeo rappresenta un’eccezione parzialmente virtuosa rispetto al panorama globale. L’Unione europea ha prodotto strumenti normativi di rilievo, come il Regolamento generale sulla protezione dei dati e il Digital Services Act, che, pur con i limiti propri di ogni regolazione generale e astratta, delineano un perimetro di tutela e di responsabilità relativamente avanzato. Tuttavia, la loro efficacia dipende in larga misura dalla capacita degli Stati membri di tradurne i principi in prassi amministrative e giurisdizionali coerenti. In assenza di questa traduzione operativa, il rischio e che la normativa resti una cornice formale, incapace di incidere concretamente sui processi tecnologici.

La legge italiana sull’Ia (legge 132/2025), pur muovendosi nella direzione di una regolazione settoriale, presenta criticità strutturali che ne limitano l’efficacia. Essa tende infatti a sovrapporre livelli di intervento senza una chiara gerarchia tra principi, regole e strumenti attuativi, producendo un effetto di frammentazione normativa che contrasta con l’esigenza, tipica delle tecnologie digitali, di sistemi coerenti e integrati.

Il principio fondamentale da cui deve muovere qualsiasi analisi giuridica resta, in ogni caso, che l’Ia e un mezzo e non un fine. Questa affermazione, apparentemente ovvia, assume un rilievo decisivo sul piano della responsabilità. Se l’Ia e uno strumento, la responsabilità non può essere trasferita sull’algoritmo, ma deve restare ancorata ai soggetti che ne progettano, implementano e utilizzano le funzionalità. L’innovazione tecnologica non costituisce, dunque, una forma di deresponsabilizzazione, ma al contrario richiede una ridefinizione più articolata delle catene di imputazione.

Ciò implica il superamento di modelli tradizionali di responsabilità centrati su un unico soggetto agente. Nel contesto dell’Ia, la responsabilità assume inevitabilmente una configurazione distribuita, che coinvolge sviluppatori, fornitori di dati, operatori e decisori pubblici. La difficolta non risiede tanto nell’individuazione astratta di questi soggetti, quanto nella costruzione di criteri di imputazione che tengano conto della complessità tecnica dei sistemi e della loro autonomia operativa.

La funzione preventiva del diritto

E molto probabile che, almeno per il prossimo decennio, la funzione preventiva del diritto rispetto all’Ia sarà strutturalmente in affanno. La velocita dell’innovazione eccede la capacita del processo legislativo di produrre norme adeguate, e ciò determina una tensione crescente tra esigenza di regolazione e capacita effettiva di intervento.

La tradizione europea di ancoraggio ai principi fondamentali offre un presidio di ultima istanza, ma non un sistema di tutela compiuto. I principi, per loro natura, richiedono un’operazione di concretizzazione che si realizza principalmente in sede giurisdizionale. Ne deriva che le Corti sono destinate a svolgere un ruolo centrale nella definizione dei confini applicativi dell’Ia.

Questo spostamento del baricentro verso la giurisdizione pone tuttavia problemi rilevanti. Le Corti, in particolare quelle costituzionali, operano su un piano di generalità e astrattezza che mal si concilia con la natura altamente tecnica delle questioni poste dall’Ia. Il gap tra competenze giuridiche e competenze tecnologiche diventa così un fattore critico.

L’introduzione dell’amicus curiae nella procedura costituzionale rappresenta un primo tentativo di colmare questo divario, consentendo l’apporto di conoscenze esterne. Tuttavia, si tratta di uno strumento ancora limitato, che non sostituisce la necessita di un rafforzamento strutturale delle competenze tecniche all’interno delle istituzioni giurisdizionali.

In prospettiva, si potrebbe ipotizzare la creazione di forme stabili di consulenza tecnico-scientifica, capaci di affiancare le Corti nelle decisioni più complesse. Senza un simile sviluppo, il rischio e che la giurisprudenza si trovi a operare in condizioni di asimmetria informativa, con conseguenze potenzialmente rilevanti sulla qualità delle decisioni.

L’infrastruttura dei dati

Un nodo cruciale, spesso trascurato, riguarda l’infrastruttura dei dati. L’efficacia dell’Ia dipende in modo diretto da qualità, completezza e interoperabilità delle informazioni su cui essa opera. In assenza di una base informativa solida, qualsiasi applicazione tecnologica risulta inevitabilmente limitata.

In Italia, la frammentazione delle banche dati pubbliche rappresenta un ostacolo sistemico. La mancanza di interoperabilità, l’incompletezza degli archivi e la disomogeneità delle modalità di raccolta dei dati impediscono la costruzione di sistemi intelligenti realmente affidabili. In queste condizioni, l’Ia rischia di amplificare le inefficienze esistenti, anziché correggerle.

La costruzione di un’infrastruttura informativa integrata dovrebbe dunque costituire una priorità strategica. Ciò implica non solo interventi tecnologici, ma anche una revisione delle logiche amministrative che governano la gestione dei dati. L’interoperabilità non è infatti un problema esclusivamente tecnico, ma anche organizzativo e culturale.

Un piano nazionale di integrazione delle banche dati, articolato per aree tematiche, consentirebbe di superare molte delle attuali rigidità e di creare le condizioni per un utilizzo più efficace dell’Ia nella gestione pubblica. Solo su questa base sarà possibile sviluppare applicazioni capaci di incidere realmente sui processi decisionali.

Trasparenza, accountability

L’Ia offre, almeno in linea teorica, la possibilità di rafforzare in modo significativo la trasparenza e l’accountability delle istituzioni. La tracciabilità dei processi decisionali, la possibilità di analizzare grandi quantità di dati normativi e amministrativi, la semplificazione dell’accesso alle informazioni rappresentano opportunità rilevanti.

Tuttavia, questo potenziale non si realizza automaticamente. Esso richiede un quadro normativo chiaro, meccanismi di controllo efficaci e una cultura istituzionale orientata alla responsabilità. In assenza di questi elementi, l’Ia può al contrario contribuire a opacizzare i processi, rendendo più difficile individuare le responsabilità.

Il Parlamento e chiamato a svolgere un ruolo centrale in questo processo. Non si tratta soltanto di utilizzare l’Ia come strumento di supporto alla produzione normativa, ma di definire le condizioni entro cui essa può essere impiegata in modo conforme ai principi costituzionali. Ciò implica una riflessione sistemica che superi l’approccio settoriale e frammentario.

In ambiti ad alto impatto sociale, come quello sanitario, questa esigenza appare particolarmente evidente. Un sistema basato sull’Ia non può essere costruito intervenendo solo ex post sul danno, ma richiede una progettazione ex ante delle regole, delle responsabilità e dei meccanismi di supervisione. La prevenzione, in questo contesto, non è soltanto una funzione del diritto, ma una condizione di sostenibilità dell’intero sistema.

A cura di Francesco Clementi

La ricerca epidemiologica osservazionale retrospettiva si avvale di un insieme eterogeneo di fonti dati: registri, dati amministrativi sanitari, cartelle cliniche elettroniche e, più recentemente, dati provenienti da dispositivi indossabili e piattaforme digitali. Su questo substrato informativo, l’Ia sta producendo un cambiamento qualitativo rilevante, che investe sia le fasi operative della ricerca sia il suo impianto metodologico di fondo.

Sul piano applicativo, i contributi più consolidati riguardano: la gestione della complessità e della variabilità nelle codifiche dei dati; l’estrazione di informazioni da dati non strutturati, come i referti clinici o di anatomia patologica; il supporto al data management attraverso l’integrazione di archivi eterogenei, migliorando la qualità dei processi di linkage. Un esempio emblematico riguarda la capacita dimostrata dall’Ia di contribuire alla riduzione di errori sistematici di registrazione o codifica, come l’ethnic bias, legato alla maggiore probabilità di errore nella trascrizione di informazioni anagrafiche relative a popolazioni con etnie sottorappresentate nei contesti di raccolta dei dati.

A livello modellistico stiamo assistendo a un cambiamento significativo con: l’identificazione di pattern latenti e sottogruppi di pazienti non rilevabili con modelli lineari tradizionali; il supporto all’inferenza causale in contesti non randomizzati; la simulazione di scenari di policy; e la generazione di dati sintetici per affrontare criticità legate alla privacy.

Oggi, la crescente disponibilità di dati longitudinali sanitari consente inoltre di sviluppare modelli di stratificazione del rischio, anticipare esiti avversi farmacologici, predire progressioni di malattia, simulare l’impatto di modifiche nei programmi di screening e stimare i costi assistenziali associati a rimodulazioni dei percorsi di cura. La fenotipizzazione computazionale per l’identificazione di sottogruppi di pazienti con pattern di risposta farmacologica simile apre prospettive interessanti per la medicina di precisione e per l’orientamento della ricerca. In ambito di drug repurposing, la capacita di integrare dati osservazionali real-world con l’evidenza della letteratura scientifica permette di esplorare relazioni tra utilizzo di farmaci ed esiti non previsti nelle indicazioni terapeutiche originarie.

Nuovi metodi in epidemiologia

Un’esperienza concreta di adozione critica di strumenti e algoritmi afferenti l’Ia e quella sviluppata all’interno del Dipartimento di epidemiologia da parte di un gruppo di lavoro multidisciplinare dedicato ai nuovi metodi in epidemiologia, composto da profili professionali eterogenei – statistici, biologi, informatici, epidemiologi – con l’obiettivo esplicito di non limitarsi all’utilizzo di tool, ma di comprendere in modo critico il funzionamento degli algoritmi che sottendono gli stessi. A partire da specifiche necessita operative, il gruppo di lavoro ha esaminato e testato metodi e strumenti legati all’Ia non ancora utilizzati, se non in modo sporadico, in ambito epidemiologico. Il primo test ha riguardato l’utilizzo di NotebookLM (un tool integrato nell’ecosistema Google) come supporto, al ricercatore, nella fase di studio della letteratura di argomenti complessi e/o corposi, che altrimenti richiederebbe molto più tempo. Lo strumento si distingue dai modelli linguistici generalisti perché le risposte ai prompt sono ristrette esclusivamente alle fonti fornite dall’utente. La valutazione interna del gruppo ha prodotto un giudizio complessivamente positivo sull’utilita professionale dello strumento, pur identificando alcune criticità, come ad esempio la tendenza a semplificare eccessivamente in presenza di fonti specialistiche.

Il secondo ambito di studio, in corso d’opera, riguarda la predizione della causa di decesso dai dati amministrativi, in quanto questa informazione ad oggi risulta disponibile solo con un’importante latenza rispetto ad altri flussi informativi. Il gruppo sta pertanto valutando l’implementazione e le performance di algoritmi di machine learning e deep learning per l’attribuzione, con un certo livello affidabilità, della causa che ha portato ai decessi avvenuti per gli anni per cui l’informazione non risulta ancora disponibile.

Il terzo task riguarda la possibile applicazione di tecniche di natural language processing ai referti di anatomia patologica. Questi documenti adottano un lessico codificato e specifico di dominio, ma sono comunque redatti in linguaggio naturale e contengono informazioni non strutturate. Si sta ponendo particolare attenzione alla preparazione dei dati di training per testare le eventuali applicazioni di natural language processing che possano strutturare e codificare i dati di questi referti, processo oneroso in termini di tempo, e che richiede comunque una fase di revisione umana per assicurare la più alta qualità possibile.

L’entusiasmo per le potenzialità dell’Ia in epidemiologia deve essere bilanciato da una lucida consapevolezza dei suoi limiti. Il primo riguarda la qualità del dato: un modello addestrato con dati di scarsa qualità non può generare risposte affidabili (garbage in – garbage out). Il secondo e la necessita di validazione sistematica: un modello che performa adeguatamente in un contesto non e automaticamente trasferibile ad altri contesti solo apparentemente analoghi. La fluidità del modello, ovvero la necessita di ri-parametrizzare e ri-addestrare i modelli quando applicati a dati provenienti da popolazioni o sistemi sanitari diversi, richiede investimenti continui non solo nei mezzi tecnologici ma nelle competenze necessarie a governarli. Il terzo limite e quello delle black box: se per alcune tipologie di modelli di machine learning e ormai possibile una lettura trasparente dei meccanismi interni (si parla di white/grey box), per le reti neurali profonde il problema dell’interpretabilità rimane aperto, sebbene si investa sempre più nell’explainable Ai, ovvero un insieme di metodi e analisi complementari volte a rendere intellegibile, a un essere umano, i risultati prodotti dalla macchina e a rafforzarne l’accountability.

Infine, ma non meno rilevante, vi e la questione dell’inferenza causale, ovvero la capacita di rilevare correlazioni in grandi dataset non implica necessariamente l’identificazione di relazioni causali. Il rischio di produrre associazioni statisticamente robuste ma causalmente prive di significato e concreto e richiede un presidio metodologico rigoroso.

Di fronte a questi scenari, rimane centrale una questione: quale sarà il suolo dell’epidemiologo? Non scomparirà, ma dovrà probabilmente ridefinirsi. L’epidemiologo rimane l’architetto del dato (sempre più digitale): definisce la qualità delle informazioni, disegna lo studio, sceglie tra i modelli disponibili, controlla l’errore e garantisce validità e riproducibilità. E il custode metodologico: supervisiona l’uso responsabile degli strumenti, traduce i risultati in implicazioni di salute pubblica, e presidia il confine tra correlazione e causalità. E, infine, il mediatore istituzionale: trasforma l’informazione tecnica in conoscenza utilizzabile dai decisori, rendendo accessibile ai policy maker ciò che i dati dicono e ciò che non dicono. In questa fase di transizione, l’Ia può rappresentare un supporto significativo al lavoro del ricercatore, a condizione che sia opportunamente “governata”; la formazione su questa tematica, pertanto, dovrebbe rappresentare un investimento prioritario di sistema.

A cura di Valeria Belleudi, Giacomo Diedenhofen e Alessandro Rosa

La governance dell’Ia richiede un approccio che sappia tenere insieme due logiche apparentemente in tensione: quella del metodo scientifico e quella del diritto. Comprendere questa tensione, e trovare il campo di gioco in cui renderla produttiva, e forse la sfida metodologica più rilevante che il dibattito sull’Ia deve affrontare. Il metodo scientifico e per definizione revisionale: sugli stessi dati, una valutazione espressa oggi può legittimamente essere confutata domani. Il diritto, al contrario, costruisce la propria autorevolezza sulla stabilita e sulla prevedibilità: una norma che cambia retroattivamente mina la certezza su cui si fondano i comportamenti regolati. Nell’esperienza concreta delle commissioni tecnico-scientifiche delle agenzie regolatorie, questa tensione si manifesta in modo visibile: scienziati entrati nel processo regolatorio con la logica della revisione aperta delle evidenze tendono rapidamente ad adottare il ragionamento del giurista, poiché la responsabilità di aver espresso una valutazione formale vincola la possibilità di contraddirla successivamente.

Questa dinamica rappresenta la conseguenza strutturale del fatto che la regolazione deve produrre atti vincolanti su fenomeni ancora in evoluzione. Ed e esattamente la condizione in cui si trova oggi chiunque voglia costruire un quadro normativo per l’Ia: si stanno definendo regole per qualcosa che non e ancora del tutto conosciuto.

L’ambito regolatorio del farmaco e dei dispositivi medici rappresenta il contesto in cui si e sviluppata una prassi consolidata di dialogo tra metodo scientifico e produzione normativa. Le agenzie regolatorie hanno già avviato una riflessione strutturata sui principi applicabili all’Ia, individuando alcune coordinate fondamentali: un approccio basato sul rischio, la necessita di standard verificabili nel tempo, la multidisciplinarietà, la trasparenza, la capacita di governare sia i dati visibili che quelli latenti. La proposta e dunque di assumere l’ambito regolatorio come modello di riferimento per costruire la cornice entro cui discutere l’Ia in sanita e non solo. Un framework che nasca in questo perimetro sarà più facilmente comprensibile, più trasferibile ad altri ambiti e più robusto rispetto alla velocita del cambiamento tecnologico, perché costruito con la consapevolezza che le regole devono poter essere aggiornate, ma secondo una logica, non per effetto dell’obsolescenza non governata.

In ambito europeo, la European medicine agency (Ema) ha definito recentemente le regole del gioco. Con la nuova strategia di rete al 2028, ha messo nero su bianco l’ambizione di portare l’Ia al centro del ciclo di vita del farmaco, dalla scoperta alla farmacovigilanza, trasformando processi scientifici e regolatori che fino a ieri viaggiavano su binari ben collaudati [6]. Il recente reflection paper chiarisce come l’adozione di questi algoritmi non possa prescindere da un approccio basato sul rischio, in cui la supervisione umana e la trasparenza restano gli argini necessari per garantire la sicurezza delle decisioni [7]. Qualche tempo dopo, a gennaio 2026, l’Ema e la Food and drug administration hanno firmato insieme dieci principi di buona pratica – umanocentrismo, governance dei dati, gestione del ciclo di vita – che tracciano una direzione condivisibile e necessaria [8]. La solidità di questi principi non e in discussione. Quello che resta aperto e come tradurli in pratica in un contesto in cui la tecnologia evolve più velocemente dei processi regolatori. Le agenzie avranno il compito non semplice di vigilare su strumenti di crescente complessità, e sarà importante capire con quali competenze e con quali risorse. I presupposti ci sono, ora tocca ai fatti.

In pratica, ciò che appare importante stabilire e come e dove inserire l’Ia all’interno del processo regolatorio: nella costruzione e valutazione dei dossier? Nel processo dei dati? Nel follow-up delle decisioni assunte o in che altro? E possibile cominciare dalla definizione di semplici best practice che aiutino gli enti regolatori in alcune attività ben definite? Queste sono solo alcune domande che potrebbero essere utili per definire degli esempi concreti in cui l’Ia mostri limiti critici e potenzialità precise.

A cura di Antonio Addis

[6] European medicines agency. Seizing opportunities and addressing challenges from the changing medicines landscape: the European medicines agencies network strategy to 2028. Luxembourg: Publications Office of the European Union, 2025.
[7] European Medicines Agency. Reflection paper on the use of artificial intelligence (AI) in the medicinal product lifecycle. Disponibile su: https://bit.ly/4tXK5Ua [ultimo accesso 20 aprile 2026].
[8] European Medicines Agency, Food and Drug Administration. Guiding principles of good AI practice in drug development. Disponibile su: https://bit.ly/3OQJlBp [ultimo accesso 20 aprile 2026].

L’esperienza operativa in contesti clinici e di ricerca biomedica permette di identificare due criticità ricorrenti che compromettono un’adozione consapevole dell’Ia in sanita. La prima e la compiacenza istituzionale: la tendenza ad adottare strumenti di Ia non sulla base di una valutazione critica della loro adeguatezza al problema, ma per rispondere alle aspettative del decisore. Quando un’organizzazione sanitaria introduce uno strumento di Ia per rispondere a una pressione istituzionale o per acquisire visibilità, senza un processo rigoroso di selezione e validazione, aumenta il rischio di generare danni clinici e organizzativi. La seconda criticità e la soppressione del pensiero critico. L’Ia generativa, per sua natura, tende a produrre output che convergono verso le risposte più probabili, date le distribuzioni dei dati di addestramento. Questo meccanismo, applicato alla formazione scientifica e clinica, rischia di normalizzare il pensiero, appiattire il dissenso e scoraggiare l’esplorazione di ipotesi non convenzionali.

Un caso concreto di impiego dell’Ia in condizioni di emergenza clinica e rappresentato dalla gestione domiciliare di pazienti pediatrici durante la pandemia di covid-19 in un contesto ospedaliero statunitense. L’obiettivo era sviluppare un sistema predittivo in grado di identificare, con un orizzonte temporale di poche ore, i bambini a rischio di deterioramento clinico, per attivare interventi domiciliari preventivi ed evitare il ricovero ospedaliero. In un sistema sanitario privatizzato, mantenere i pazienti fuori dall’ospedale significava anche ridurre i ricavi delle strutture, già___0 in difficolta finanziaria per effetto della pandemia. La sfida era multidisciplinare: richiedeva di formare il medico all’uso e all’interpretazione del modello predittivo, l’infermiere sulle variabili da tracciare e di costruire con il legale un percorso etico accelerato, compatibile con l’urgenza e con modelli che operavano con soglie di accuratezza necessariamente limitate. Nessuna figura coinvolta aveva competenza sufficiente a governare l’intero processo in autonomia; pertanto, la soluzione non era gerarchica ma cooperativa, orientata a un unico obiettivo condiviso. Questa esperienza mostra che, nelle situazioni ad alta complessità e ad alto impatto clinico, l’Ia funziona solo se inserita in un sistema di responsabilità condivisa. E funziona solo se chi la sviluppa, a partire dagli ingegneri e dai data scientist, ha avuto occasione di confrontarsi con la realtà clinica: vedere il paziente non come un record in un database, ma come una persona il cui esito dipende anche dalla qualità del proprio lavoro.

L’Ia, se adottata con spirito critico, può amplificare la creatività clinica e scientifica. L’esempio dei medici che, liberati dalla barriera tecnica della programmazione, sviluppano autonomamente applicativi per rispondere a bisogni reali del reparto, illustra un potenziale genuino di democratizzazione dell’innovazione. Tuttavia, questo potenziale si realizza solo se accompagnato da una formazione alla valutazione critica degli strumenti e dalla capacita di scegliere lo strumento giusto per il problema giusto, anziché adottare quello più accessibile o quello che garantisce maggiore visibilità.

Un segnale d’allarme riguarda la formazione: proporre a professionisti sanitari l’uso di modelli linguistici genera listi per la diagnostica clinica può produrre disinformazione su larga scala, indipendentemente dalle intenzioni di chi la promuove. La distinzione tra strumenti appropriati e inappropriati per specifiche applicazioni cliniche non e un dettaglio tecnico: e una questione di sicurezza del paziente e di responsabilità professionale.

In conclusione, la sfida più impegnativa che l’Ia ci pone e di carattere culturale, più che tecnico o regolativo. I codici deontologici del medico, del biologo, dell’infermiere e dell’ingegnere provengono da epoche in cui i confini tra le discipline e, di conseguenza, le responsabilità erano più nitidi. Oggi e necessario aggiornare quei codici; in questo senso si vede il valore dei tavoli di discussione multidisciplinare nel preservare le condizioni in cui domande scomode possono essere poste, prospettive minoritarie possono essere ascoltate e il pensiero critico può continuare a esercitarsi.

A cura di Diana Ferro

La riflessione sull’impatto dell’Ia nell’editoria scientifica non può prescindere da una diagnosi onesta dello stato del sistema in cui essa si inserisce, che vive da anni una crisi strutturale. Da un lato, la crescita dei volumi di pubblicazione rende sempre meno sostenibile il meccanismo di revisione tra pari; dall’altro, fenomeni come le riviste predatorie, i paper mills, le frodi editoriali e le distorsioni prodotte dall’open access ne hanno progressivamente eroso la credibilità e la capacita filtrante. La transizione dal modello “pagare per leggere” al modello “pagare per essere pubblicati” ha contribuito a questa ipertrofia editoriale, in cui quasi tutto trova, in qualche forma, una via per essere pubblicato. Il risultato e un paradosso: a fronte di un’espansione quantitativa senza precedenti della letteratura scientifica, la fiducia nella sua qualità e in calo progressivo.

È in questo sistema già sotto tensione che si inserisce l’Ia. Diverse analisi suggeriscono che l’utilizzo di strumenti di Ia nel ciclo della pubblicazione scientifica sia già maggioritario. Il report “ExplanAItions 2025” di Wiley [9], basato sulle risposte di oltre 2.400 ricercatori a livello globale, mostra che l’84 per cento dei ricercatori utilizza già strumenti di Ia in questo ambito. Studi indipendenti fondati sull’identificazione di pattern linguistici nei manoscritti confermano questa tendenza su scala più ampia.

Le fasi del ciclo editoriale in cui l’Ia e più diffusamente impiegata sono il monitoraggio e la sintesi della letteratura, resi necessari dal volume insostenibile di nuove pubblicazioni; la scrittura e la revisione del manoscritto, incluse traduzione, adattamento stilistico e conformità alle norme redazionali delle riviste; l’analisi pre-pubblicazione, sia per l’identificazione automatica dei revisori più appropriati sia per il rilevamento di frodi, duplicazioni di immagini e anomalie metodologiche; infine, la disseminazione, con la generazione automatica di contenuti divulgativi a partire dai risultati della ricerca.

Nonostante l’utilizzo sia ormai prassi diffusa, la disclosure rimane scarsa. Le casistiche disponibili mostrano che, anche in presenza di politiche editoriali che la richiedono esplicitamente, la dichiarazione dell’uso di strumenti di Ia, anche solo per le fasi di scrittura, viene fatta raramente. Due studi recenti [10,11] sul portafoglio di riviste del Journal of the American Medical Association e del British Medical Journal, per esempio, hanno mostrato che solo il 5-6 per cento degli autori dichiara l’uso di Ia, a fronte di un tasso reale di utilizzo – stimato mediante l’analisi dei pattern linguistici – superiore al 70 per cento [12].

Il nodo più critico riguarda la peer review. La difficolta crescente di reclutare revisori qualificati ha aperto la strada all’utilizzo di sistemi di Ia per snellire o parzialmente automatizzare il processo. La tendenza prevalente tra gli editori e quella di adottare modelli ibridi: la macchina produce una valutazione preliminare, ma la responsabilità formale resta in capo a un revisore umano. Tuttavia, la solidità di questa garanzia e variabile: il rischio che il revisore umano si limiti a ratificare l’output del sistema automatico, senza esprimere un giudizio critico autonomo, e concreto e difficilmente rilevabile dall’esterno.

I principali editori scientifici internazionali e associazioni del settore, come il Committee on publication ethics e l’International committee of medical journal editors, hanno prodotto policy e raccomandazioni sull’utilizzo dell’Ia. I punti di convergenza sono sostanzialmente tre: il divieto di indicare un sistema di Ia come autore di un articolo; l’obbligo di dichiarare l’utilizzo di strumenti di Ia come supporto alla scrittura; e il divieto di condividere manoscritti inediti con modelli linguistici esterni, per tutelare la riservatezza del rapporto tra autore, revisore ed editore. Sul primo punto, tuttavia, sono necessarie alcune distinzioni: l’uso dell’Ia come strumento di traduzione o di revisione stilistica non ha la stessa rilevanza dell’uso come strumento metodologico nella produzione dei risultati; nel secondo caso, la disclosure non e solo eticamente doverosa, ma tecnicamente necessaria per garantire la replicabilità dello studio.

La riflessione sull’Ia nell’editoria scientifica non può concludersi con una valutazione degli strumenti in se. Il nodo centrale e l’ecosistema in cui questi strumenti operano: un sistema di valutazione della ricerca e di avanzamento delle carriere ancora fondato su metriche bibliometriche quantitative, che incentiva strutturalmente la massimizzazione del volume pubblicato a scapito della qualità e dell’originalità. In questo contesto, l’Ia rischia di amplificare le distorsioni esistenti, aumentando la capacita del sistema di produrre e legittimare contenuti a bassa rilevanza scientifica, accelerando i processi senza necessariamente migliorarne la qualità e rendendo ancora più opaco il confine tra contributo originale e produzione derivativa. Piu che rappresentare una discontinuità, l’Ia si configura dunque come un moltiplicatore di tendenze già in atto: se inserita in un ecosistema che premia la quantità, contribuirà a rafforzarne le logiche; solo una revisione dei criteri di valutazione della ricerca – orientata alla qualità, alla trasparenza e alla riproducibilità – può trasformarla in uno strumento di reale avanzamento scientifico.

A cura di Fabio Ambrosino

[9] Wiley. ExplanAItions 2025: a wiley AI study. Wiley, 2025. Disponibile su: https://bit.ly/4c73vA4 [ultimo accesso 14 aprile 2026].
[10] Perlis RH, Flanagin A, Kendall-Taylor J, et al. Author disclosure of use of AI in submissions to 13 JAMA network journals. JAMA 2026;335:717-9.
[11] AlFayyad I, Zeegers MP, Bouter L, et al. Self-disclosed use of AI in research submissions to BMJ lournals. JAMA 2026;335:719-21.
[12] Alves T. How the AI debate has changed in just a few short years. The Scholarly kitchen, 2025. Disponibile su: https://bit.ly/4suhqVB [ultimo accesso 14 aprile 2026].

Nel corso della storia, le grandi trasformazioni tecnologiche hanno sempre avuto un impatto profondo sull’ambiente. La rivoluzione industriale, per esempio, ha inaugurato l’era delle macchine a vapore e delle fabbriche, generando un enorme progresso economico ma anche un aumento esponenziale delle emissioni di gas serra. La diffusione dell’elettricità e del motore a combustione interna ha cambiato il volto delle citta, ma ha anche accelerato il consumo delle risorse fossili.

Oggi ci troviamo di fronte a una nuova svolta. L’Ia promette di ridefinire i sistemi produttivi, i processi decisionali e persino i rapporti sociali, ma solleva interrogativi critici (ed etici) sul suo impatto ambientale. Alcuni studiosi la considerano una “tecnologia abilitante” per la transizione ecologica, capace di ottimizzare i consumi e ridurre gli sprechi [13]. Altri sottolineano che, per funzionare, essa richiede un’enorme quantità di energia e risorse materiali, contribuendo così alla crisi ambientale che vorrebbe mitigare [14]. Dal punto di vista dell’ambiente, il paradosso e evidente: l’Ia può essere contemporaneamente parte della soluzione e del problema. In questa sezione del documento saranno illustrate le potenzialità e i costi ambientali di questa tecnologia, cercando di delineare scenari e strategie per un futuro in cui innovazione e sostenibilità possano coesistere.

Le potenzialità ambientali dell’intelligenza artificiale

Uno degli ambiti più promettenti dell’applicazione dell’Ia sull’ambiente riguarda la climatologia e la gestione dei rischi ambientali. Grazie alla capacita di elaborare enormi quantità di dati raccolti dai satelliti e dai sensori, l’Ia consente di individuare pattern climatici complessi migliorando così le previsioni sugli eventi estremi. L’Agenzia spaziale europea, per esempio, utilizza le reti neurali e l’Ia per interpretare i dati del programma Copernicus (insieme complesso di sistemi che raccoglie informazioni sulla Terra da molteplici fonti tra cui satelliti, sensori di terra, di mare e aviotrasportati), ottenendo mappe globali più accurate delle emissioni e delle variazioni atmosferiche [15]. Google ha poi sviluppato un sistema di previsione delle precipitazioni che supera le capacita dei modelli meteorologici tradizionali [16], a sua volta superato da un sistema 8 volte più veloce nel prevenire alluvioni improvvise [17].

Tali esperienze evidenziano un crescente riconoscimento dell’importanza di dati ambientali accurati e tempestivi, essenziali per formulare politiche efficaci per tutelare la salute pubblica unitamente a indicazioni per indirizzare verso comportamenti più responsabili.

L’Ia riveste un ruolo centrale anche nella transizione energetica. Le reti elettriche “intelligenti” integrano fonti rinnovabili come il solare e l’eolico, la cui produzione e variabile e difficile da prevedere. Algoritmi di apprendimento automatico ottimizzano il bilanciamento domanda offerta, riducono le perdite di rete e migliorano la gestione degli impianti di accumulo. Un esempio significativo e rappresentato dai progetti attivati da Microsoft, che utilizza sistemi di Ia per modulare i consumi dei propri data center in funzione della disponibilità di energia rinnovabile. Anche Google ha dichiarato di aver ridotto del 40 per cento i costi energetici per il raffreddamento dei data center grazie a un sistema di Ia che regola automaticamente ventilazione e climatizzazione [13].

L’agricoltura, responsabile di circa un quarto delle emissioni globali, può beneficiare enormemente dell’Ia in quella che gli esperti chiamano “agricoltura di precisione”. Sistemi basati su sensori e droni forniscono informazioni dettagliate su umidita del suolo, condizioni meteorologiche e salute delle piante, mentre algoritmi predittivi analizzano questi dati per ottimizzare irrigazione e fertilizzazione. Esistono molte esperienze in questo ambito. Nei Paesi Bassi, le serre intelligenti utilizzano l’Ia per regolare automaticamente luce e irrigazione, riducendo il consumo d’acqua fino al 30 per cento. In Israele, l’uso combinato di sensori e Ia ha permesso di ottenere raccolti maggiori con un consumo idrico di molto inferiore rispetto all’agricoltura tradizionale.

L’Ia rappresenta uno strumento cruciale anche per la salvaguardia della biodiversità. Il World wide fund for nature (Wwf) e il progetto Global forest watch impiegano algoritmi di riconoscimento delle immagini per monitorare le foreste tropicali, rilevando rapidamente aree di deforestazione illegale [18]. Allo stesso modo, reti neurali acustiche sono in grado di identificare i suoni prodotti dalle specie animali minacciate, contribuendo così alla loro protezione [19]. Questo approccio consente di ottenere dati in tempo reale su ecosistemi vastissimi, altrimenti difficili da monitorare con mezzi tradizionali [13].

L’Ia può infine contribuire a gestire le smart cities. Le citta infatti generano oltre il 70 per cento delle emissioni globali. L’Ia può contribuire a renderle più sostenibili attraverso sistemi di mobilita intelligente, gestione dei rifiuti, ottimizzazione energetica (con particolare riferimento all’illuminazione e al riscaldamento pubblici). Per esempio a Singapore i semafori regolati dall’Ia hanno ridotto la congestione stradale, abbattendo contestualmente le emissioni [20]. A Seul, sistemi di visione artificiale hanno invece migliorato la raccolta differenziata, aumentando in maniera significativa l’efficienza del riciclo [21].

I costi dell’intelligenza artificiale sull’ambiente

L’Ia introduce tuttavia alcuni costi ambientali che sono frutto della limitata propensione a cercare soluzioni alternative che mirino a garantirne la sostenibilità. Tali costi sono di diversa natura, ma quelli associati al consumo elettrico sono probabilmente i più importanti. L’addestramento dei grandi modelli linguistici e infatti estremamente energivoro [14]. Quello che ha riguardato ChatGpt-3, con i suoi 175 miliardi di parametri, ha richiesto centinaia di megawattora di elettricità, generando emissioni di CO₂ equivalenti a quelle prodotte da centinaia di automobili durante l’intero ciclo di vita o generando un consumo pari a quello annuale di circa 130 case americane. Anche per quanto riguarda Bert, un altro sistema di Ia sviluppato da Google, si e stimato un consumo di circa 284 tonnellate di CO₂, equivalenti a 125 voli aerei transcontinentali. Per rendersi conto dell’importanza del problema può essere utile ricordare che i data center che ospitano questi sistemi assorbono circa il 15 per cento dell’energia totale utilizzata da Google. Con l’arrivo di Gpt-4 e modelli ancora più complessi, i consumi sono cresciuti esponenzialmente, sollevando dubbi sulla sostenibilità a lungo termine.

Il raffreddamento dei server rappresenta un ulteriore problema. Si stima che un singolo modello di Ia basato sui Llm possa richiedere milioni di litri d’acqua all’anno per funzionare in modo efficiente [22]. Il problema diventa più drammatico nelle zone particolarmente aride, dove la concorrenza per l’uso dell’acqua tra data center e comunità locali diventa fonte di conflitti.

A ciò occorre aggiungere la limitata disponibilità di materie prime. L’hardware necessario per elaborare i modelli dell’Ia richiede l’estrazione di terre rare e metalli come cobalto e litio. Queste attività hanno un forte impatto ambientale e sociale, soprattutto nei Paesi in via di sviluppo. Secondo le Nazioni unite, entro il 2030 i rifiuti elettronici potrebbero infine raggiungere 82 milioni di tonnellate all’anno (con un aumento del 33 per cento rispetto al dato del 2022), aggravando il problema dello smaltimento che, se non gestito correttamente, può causare inquinamento del suolo e delle falde acquifere [23].

Una possibile risposta: la Green Ai

Da alcuni anni gli esperti suggeriscono di passare da una Red Ai a una Green Ai [24]. L’idea e di abbandonare progressiva mente i modelli addestrati con metodi ad alto consumo di risorse su grandi dataset che massimizzano la precisione e le prestazioni (ma comportano elevati costi energetici), a favore di una Green Ai, incentrata su un approccio che mira a ridurre la complessità computazionale, progettare modelli più leggeri e utilizzare energia proveniente da fonti rinnovabili.

Per esempio, tecniche per l’apprendimento federato riducono il fabbisogno energetico senza compromettere le prestazioni. Risultati particolarmente interessanti si sono ottenuti con il pruning, la riduzione cioè di parametri poco utili che rende il modello più leggero, più veloce, e che necessita di meno memoria e meno energia. Alcuni studi dimostrano, per esempio, che modelli più piccoli e ottimizzati possono raggiungere risultati paragonabili a quelli più grandi con un decimo del consumo [13]. L’incentivazione di data center alimentati da fonti rinnovabili può ulteriormente ridurre l’impatto ambientale. Per raggiungere questo obiettivo, diverse aziende leader nel settore dell’Ia stanno pianificando lo sviluppo e la sperimentazione di soluzioni innovative come i data center sottomarini, che sfruttano l’acqua dell’oceano per il raffreddamento naturale [25]. Anche la progettazione di dispositivi modulari e riciclabili e fondamentale per ridurre i rifiuti elettronici. Il riutilizzo delle terre rare, la creazione di filiere di riciclo avanzato e la produzione di chip a basso consumo energetico sono alcune strategie già adottate da alcune aziende leader in questo settore [22].

Altrettanto importanti sono le iniziative per promuovere architetture di apprendimento distribuito che riducono la necessita di grandi infrastrutture centralizzate. Sviluppare sistemi di Ia che non dipendano da un unico grande centro di calcolo (come i data center), ma che possano distribuire l’elaborazione su più computer e server o persino dispositivi locali (come smartphone o sensori), può infatti ridurre il consumo energetico complessivo, limitare la necessita di enormi infrastrutture centralizzate e proteggere al meglio la privacy (i dati possono infatti restare sui dispositivi dove vengono generati). Recenti studi stimano che la Green Ai (ottenuta con una fase di addestramento su un set di dati più piccolo – fino all’80 per cento dei parametri in meno, con tecniche di addestramento meno dispendiose oppure optando per processori più sostenibili o usando fonti energetiche sostenibili per alimentarli) può ridurre il consumo energetico fino al 50 per cento [14]. Un dato, questo, molto interessante se si considera che per migliorare l’accuratezza di appena l’1 per cento serve fino a 100 volte più energia [14].

L’impatto ambientale dell’Ia non riguarda solo il consumo di energia e risorse, ma solleva anche questioni etiche e geopolitiche. Chi beneficia realmente delle applicazioni di Ia? E chi paga i costi ambientali? Spesso, i Paesi avanzati traggono vantaggi dall’uso dell’Ia, mentre i costi di estrazione delle materie prime e di smaltimento dei rifiuti ricadono sulle comunità più povere, alimentando così dinamiche di ingiustizia ambientale che rischiano di accentuare le disuguaglianze globali.

La formazione degli operatori del settore sui rischi del cambiamento climatico e sul suo impatto sulla salute gioca un ruolo fondamentale. Esistono numerose evidenze che le tecnologie digitali migliorano i risultati in termini di salute, l’accesso all’istruzione e all’assistenza sanitaria. Sebbene questo campo sia ancora agli albori, esiste una chiara opportunità di utilizzare la tecnologia digitale per ridurre gli impatti negativi del cambiamento climatico sulla salute, con particolare attenzione alla ricerca interdisciplinare e alle tecnologie co-progettate [26].

Conclusioni

L’Ia e una tecnologia ambivalente: da un lato, offre strumenti straordinari per affrontare la crisi ecologica, dall’altro, rischia di esacerbare i problemi ambientali se sviluppata senza regole. La sfida del futuro sarà governare l’Ia con una visione che tenga insieme innovazione e sostenibilità, giustizia ambientale e progresso tecnologico. Gli studi disponibili dimostrano che l’Ia sostenibile e possibile, ma richiede compromessi tra accuratezza e consumo energetico. La transizione e complessa perché le aziende puntano ancora su modelli sempre più grandi e precisi, a discapito dell’efficienza ambientale. In questo contesto non giova quindi la decisione di alcune aziende del settore di puntare sulla riattivazione di centrali nucleari di piccole dimensioni per alimentare l’Ia e i suoi modelli [27]. Il rischio e che la corsa all’Ia (soprattutto quella generativa) e ai modelli sempre più grandi prevalga su queste attenzioni. La governance internazionale e nazionale ha quindi un ruolo cruciale nell’identificare regolamenti che obblighino alla rendicontazione ambientale dei progetti di Ia, cosi come standard globali e linee guida condivise per limitare i pericoli [28]. Definire metriche standardizzate, promuovere pratiche trasparenti e adottare soluzioni energeticamente efficienti può permettere di sfruttare i benefici clinici dell’Ia senza compromettere la sostenibilità ambientale [29].

A cura di Eugenio Santoro

[13] Okafor CC, Otunomo FA, Nnadi VE, et al. Artificial intelligence in environmental research: bibliometric, text mining and content analysis. Discov Artif Intell 2025;5:124.
[14] Barbierato E, Gatti A. Toward Green AI: a methodological survey of the scientific literature. IEEE Access 2024;12:23989-4013.
[15] Copernicus. Disponibile su: https://www.copernicus.eu/ [ultimo accesso 19 novembre 2025].
[16] Lam R, Sanchez-Gonzalez A, Willson M, et al. Learning skillful medium-range global weather forecasting. Science 2023;382:1416-21.
[17] Alet F, Price I, El-Kadi A, et al. Skillful joint probabilistic weather forecasting from marginals. arXiv:2506.10772
[18] Global Forest Watch. Disponibile su: https://www.globalforestwatch.org/ [ultimo accesso 19 novembre 2025].
[19] Thompson T. How AI can help to save endangered species. Nature 2023;623:232-33.
[20] Satheerth PK. Transforming urban traffic with AI: insights from Singapore and opportunities in India. International Journal of Advance Research, Ideas and Innovations in Technology 2024;10:367-9.
[21] Smart City Korea. Korea’s Smart City Solutions: Best Practices & Technologies. Smart City Korea. 2024. Disponibile su: https://short.do/4DHBrx [ultimo accesso 19 novembre 2025].
[22] Desroches C, Chauvin M, Ladan L, et al. Exploring the sustainable scaling of AI dilemma: a projective study of corporations’ AI environmental impacts. arXiv:2501.14334 2025.
[23] National Geographic. International EWaste Day: i rifiuti elettrici ed elettronici, da scarto a risorsa. National Geographic 2024; 1420 ottobre. Disponibile su: https://short.do/yfzW9x [ultimo accesso 19 novembre 2025].
[24] Wegmeth L, Vente T, Said A, Beel J. Green Recommender Systems: understanding and minimizing the carbon footprint of AI-powered personalization. arXiv preprint, arXiv:2509.13001 2025.
[25] Lagos A. Cosa c’è di meglio di un data center sottomarino che usa energia del vento e acqua di mare? Wired, 2025. Disponibile su: https://short.do/yr0ysJ [ultimo accesso 19 novembre 2025].
[26] Morris NB, Barnes M, Rybarczyk A, et al. Digital technologies for climate-related health education, behavior and risk reduction: a systematic scoping review. NPJ Digit Med 2025;8:498.
[27] Il Sole 24 Ore. Google, nuovi reattori nucleari per alimentare l’intelligenza artificiale. Il Sole 24 Ore, 2024.
[28] Chen S. How much energy will AI really consume? The good, the bad and the unknown. Nature 2025;639:22-4.
[29] Malhotra AK, Verma AA, Smith CW, et al. Energy considerations for scaling artificial intelligence adoption in medicine: first do no harm. NEJM AI 2025;2.