Questa settimana oltre 1.100 ricercatori, ingegneri e professionisti dell’intelligenza artificiale provenienti da organizzazioni come OpenAI, Anthropic, Google DeepMind e Meta hanno firmato la lettera aperta “Pacing the Frontier”, invitando il governo degli Stati Uniti a sostenere strumenti di governance capaci, se necessario, di rallentare deliberatamente lo sviluppo dei sistemi di AI più avanzati.

Il messaggio è semplice ma sorprendente.

Non chiedono di fermare l’innovazione.

Chiedono di costruire meccanismi di governance capaci di rallentare deliberatamente lo sviluppo dei modelli di frontiera qualora diventasse necessario.

È un cambiamento culturale importante.

Per anni il dibattito pubblico si è concentrato quasi esclusivamente sulle capacità dell’intelligenza artificiale.

Quanto sarà intelligente?

Quali lavori sostituirà?

Quanto crescerà?

Oggi, invece, la domanda che arriva proprio da chi costruisce questi sistemi è diversa.

Chi decide quando accelerare e quando fermarsi?

È una domanda che riguarda molto più il management che l’informatica.

Il vero cambiamento: dall’AI Safety alla Decision Governance

Negli ultimi anni abbiamo parlato molto di AI Safety.

Sicurezza dei modelli.

Allineamento.

Bias.

Controlli.

Sono tutti temi fondamentali.

Ma rischiano di concentrarsi sul comportamento della macchina invece che sul comportamento delle organizzazioni.

Per questo credo che il passaggio decisivo sia un altro.

Non basta governare l’intelligenza artificiale.

Bisogna governare come prendiamo decisioni insieme all’intelligenza artificiale.

La differenza è sottile solo in apparenza.

La prima domanda è tecnica.

La seconda è manageriale.

Il rischio non è perdere il controllo della macchina

È perdere il controllo del processo decisionale.

Quando un’organizzazione introduce sistemi di AI in marketing, HR, finanza, customer service o operations, la trasformazione non riguarda solo l’automazione.

Cambia la distribuzione dell’autorità decisionale.

Chi formula le opzioni?

Chi produce le raccomandazioni?

Chi approva?

Chi si assume la responsabilità finale?

Se queste domande non trovano una risposta esplicita, l’organizzazione inizia lentamente a delegare decisioni senza averlo realmente scelto.

Ed è proprio qui che nasce il rischio.

Non da un algoritmo fuori controllo.

Ma da un management che non ha più piena consapevolezza di dove venga esercitato il giudizio.

L’AI sta diventando un’infrastruttura decisionale

Per molti anni abbiamo considerato l’intelligenza artificiale uno strumento.

Oggi questa definizione non è più sufficiente.

L’AI sta diventando l’infrastruttura attraverso cui informazioni, suggerimenti e raccomandazioni attraversano l’organizzazione.

È sempre più presente nei flussi decisionali.

E quando cambia l’infrastruttura, cambia inevitabilmente anche il modo in cui le aziende decidono.

È per questo che parlare soltanto di adozione tecnologica è riduttivo.

La vera sfida riguarda il disegno dell’architettura decisionale.

Il vantaggio competitivo non sarà avere più AI

Molte imprese stanno ancora ponendosi la domanda sbagliata.

“Quale modello dovremmo utilizzare?”

La domanda strategica dovrebbe essere diversa.

Come progettiamo processi decisionali nei quali intelligenza artificiale e giudizio umano collaborano in modo chiaro, verificabile e responsabile?

Le organizzazioni che sapranno rispondere a questa domanda avranno un vantaggio competitivo difficilmente replicabile.

Perché i modelli diventeranno rapidamente una commodity.

La qualità delle decisioni, invece, resterà una competenza organizzativa.

Una riflessione finale

Trovo significativo che questo messaggio non arrivi da osservatori esterni.

Arriva da persone che costruiscono quotidianamente queste tecnologie.

Quando gli stessi sviluppatori iniziano a discutere non solo di velocità, ma anche di limiti, significa che il dibattito è entrato in una nuova fase.

La domanda non è più se l’intelligenza artificiale sarà sempre più potente.

Probabilmente lo sarà.

La domanda è un’altra.

Sapremo costruire organizzazioni in cui l’intelligenza artificiale renda migliori le decisioni umane, invece di sostituirle silenziosamente?

Credo che nei prossimi anni il vantaggio competitivo non dipenderà soltanto dalla capacità di adottare l’intelligenza artificiale, ma dalla capacità di progettare processi decisionali nei quali tecnologia, responsabilità e giudizio umano restino profondamente integrati.

Perché l’AI può generare conoscenza.

Può formulare raccomandazioni.

Può accelerare le decisioni.

Ma la responsabilità di decidere resta, e deve restare, umana.

Fonti

Open Letter – Pacing the Frontier
https://www.pacingthefrontier.com

CNN – More than 1,100 AI experts urge governments to prepare to slow frontier AI development
https://edition.cnn.com/2026/07/28/tech/ai-development-tech-employees-open-letter

Business Insider – Over 1,100 AI workers sign letter asking US to support tools that “pace the frontier of automated AI development”
https://www.businessinsider.com/ai-open-letter-automated-development-2026-7

The Verge – AI leaders sign a statement asking the government to prepare for automated AI research
https://www.theverge.com/ai-artificial-intelligence/972161/ai-leaders-us-government-openai-anthropic-google-meta

La vera sfida dell’era dell’AI è questa: l’umanità saprà diventare abbastanza saggia da governarla?

C’è una domanda che il dibattito sull’intelligenza artificiale tende a eludere.

Riguarda la potenza dei modelli, la velocità dell’automazione, la precisione delle previsioni algoritmiche — ma soprattutto qualcosa di più fondamentale: quale idea di essere umano stiamo incorporando nei sistemi che stiamo costruendo?

La Magnifica Humanitas di Papa Leone XIV — firmata il 15 maggio 2026, prima enciclica papale interamente dedicata alla custodia della persona umana nel tempo dell’intelligenza artificiale — introduce questa domanda nel dibattito pubblico con una chiarezza insolita. E lo fa spostando il piano dell’analisi: dal lato della tecnologia a quello della società che quella tecnologia sta contribuendo a costruire.

Il rischio più sottile: la riduzione.

La narrativa dominante sull’AI si concentra sulla sostituzione: quali lavori spariranno, quali competenze diventeranno obsolete, dove la macchina supererà l’uomo.

È una domanda legittima. Ma esiste un rischio più sottile — che l’AI riduca l’essere umano a variabile statistica, a profilo comportamentale, a sequenza di segnali da ottimizzare.

Che velocità, performance e ottimizzazione diventino progressivamente i criteri attraverso cui organizzazioni e istituzioni definiscono valore, priorità e persino dignità.

La questione decisiva, allora, è di giudizio.

Simulare è diverso da comprendere.

I sistemi AI simulano linguaggio, ragionamento, persino forme di empatia. Producono output spesso indistinguibili da quelli generati da un essere umano. Ma simulare una facoltà è diverso dal possederla.

Un modello ottimizza una decisione senza assumersi la responsabilità delle sue conseguenze. Genera una risposta convincente senza attribuire significato a ciò che produce. Imita l’empatia senza sperimentare alcuna relazione con l’altro.

Questa distinzione — tra capacità di calcolo e giudizio umano — è il fondamento su cui dovrebbe poggiare qualsiasi architettura di governance dell’AI.

La governance come scelta di civiltà.

Molte organizzazioni affrontano la governance dell’AI come un problema di compliance o di gestione del rischio tecnologico. È un approccio necessario, ma insufficiente.

La questione è più ampia: l’AI redistribuisce potere decisionale, modifica la costruzione della verità nello spazio informativo, trasforma il lavoro e ridefinisce i confini della responsabilità. Governarla significa interrogarsi su quali decisioni debbano restare umane e quali valori debbano orientare l’automazione.

Più i sistemi diventano autonomi, più il valore umano si sposta dalla velocità di esecuzione alla capacità di attribuire senso, responsabilità e direzione alle decisioni. La governance diventa allora un’infrastruttura necessaria per preservare trasparenza, accountability e dignità umana all’interno di ecosistemi sempre più automatizzati.

La misura del progresso.

L’intelligenza artificiale amplifica conoscenza, produttività e capacità decisionali. Amplifica anche concentrazioni di potere, disuguaglianze e meccanismi di controllo.

La differenza sarà determinata dalla qualità della governance che saremo capaci di costruire — e dalla chiarezza con cui sapremo rispondere a una domanda che nessun algoritmo può risolvere al posto nostro.

Se l’intelligenza artificiale diventerà più potente, è già certo.

Se l’umanità saprà diventare abbastanza saggia da governarla, è ancora una scelta.

Se vuoi continuare a ragionare su questi temi, puoi seguirmi qui su Substack.

Read more

Per anni abbiamo parlato di intelligenza artificiale come di un tool.

Un assistente più veloce.
Un software più potente.
Un acceleratore di produttività.

È una narrativa rassicurante. Permette di integrare l’AI senza mettere in discussione la struttura organizzativa.

Ma è una narrativa incompleta.

L’intelligenza artificiale contemporanea – in particolare i modelli fondazionali e i sistemi agentici – non si limita ad automatizzare compiti. Ridefinisce l’architettura delle decisioni.

E quando qualcosa ridefinisce il modo in cui si decide, non è più uno strumento operativo.

È un’infrastruttura decisionale.

La differenza non è semantica. È strategica.

Uno strumento aumenta l’efficienza di un’azione già definita.
Un’infrastruttura modella il sistema attraverso cui le decisioni vengono prese.

Una calcolatrice velocizza un calcolo.
Un CRM organizza dati.
Un software migliora un processo esistente.

Ma quando un modello AI entra nel pricing, nella selezione del personale, nella gestione del rischio o nell’allocazione di capitale, non sta solo migliorando un’attività.

Sta influenzando i criteri decisionali stessi.

E questo è un cambiamento di potere.

Ogni sistema AI incorpora una funzione obiettivo: cosa ottimizzare.
Incorpora dati storici: cosa considerare rilevante.
Incorpora una struttura probabilistica: come trattare l’incertezza.
Incorpora vincoli architetturali: cosa è possibile e cosa no.

Questi elementi non sono neutri.

Se un sistema ottimizza le conversioni, può sacrificare equità.
Se ottimizza l’efficienza, può aumentare la fragilità.
Se ottimizza l’engagement, può amplificare la polarizzazione.

Quando integriamo l’AI nei processi aziendali, stiamo adottando implicitamente una gerarchia di priorità.

E quella gerarchia diventa operativa.

Molte organizzazioni oggi parlano di AI strategy.
Poche parlano di AI governance.

La strategia risponde alla domanda: dove applichiamo l’AI?
La governance risponde alla domanda: secondo quali criteri decide?

È qui che emerge la maturità.

Un’azienda può integrare chatbot, sistemi predittivi, modelli generativi e piattaforme di analytics. Ma se non ha mappato:

quali decisioni critiche sono influenzate dai modelli
chi mantiene la responsabilità finale
se i criteri sono auditabili
se esistono meccanismi di override
quali dipendenze infrastrutturali si stanno creando

allora non sta costruendo vantaggio competitivo.

Sta costruendo vulnerabilità.

Ogni infrastruttura genera dipendenza.

L’elettricità.
Internet.
Le reti logistiche globali.

Quando qualcosa diventa infrastrutturale, smette di essere opzionale.

Lo stesso sta accadendo con l’intelligenza artificiale.

Se pricing, HR, marketing, finanza e gestione del rischio dipendono da modelli esterni, la capacità di giudizio organizzativa diventa interconnessa con fornitori, data center, architetture proprietarie.

Qui entra in gioco un concetto chiave: sovranità cognitiva.

Non significa rifiutare l’AI.
Significa mantenere visibilità e controllo sui criteri decisionali incorporati nei sistemi.

Significa sapere:

quali metriche guidano le scelte
quali trade-off sono incorporati
quali bias sono strutturali
quali dipendenze sono critiche

Quando i criteri diventano opachi, il potere si concentra.

E quando il potere si concentra nell’infrastruttura, la leadership perde margine decisionale.

L’automazione tradizionale sostituisce i compiti.
L’AI contemporanea ridefinisce il giudizio.

Un sistema che suggerisce il prezzo “ottimale” non sta solo facendo un calcolo. Sta influenzando la strategia e la percezione del valore.

Un sistema che filtra CV non sta solo risparmiando tempo. Sta influenzando opportunità e cultura organizzativa.

Un sistema che suggerisce investimenti non sta solo analizzando dati. Sta modellando la distribuzione del capitale.

In tutti questi casi, il centro non è l’efficienza.

È l’architettura delle scelte.

Se l’AI è un’infrastruttura decisionale, la governance non può essere un documento pubblicato dopo l’implementazione.

Deve essere progettazione preventiva.

Governare significa:

definire il perimetro decisionale
stabilire soglie di autonomia
creare meccanismi di intervento umano
monitorare drift e impatti sistemici
mantenere accountability esplicita

La governance non rallenta l’innovazione. La rende sostenibile.

Nel prossimo decennio, la differenza tra le organizzazioni non sarà chi usa più AI.

Sarà chi la integra con maggiore maturità decisionale.

Chi saprà distinguere tra tool e infrastruttura.
Chi saprà integrare l’autonomia senza perdere il controllo.
Chi saprà bilanciare efficienza e resilienza.
Chi saprà preservare la sovranità cognitiva.

L’intelligenza artificiale non è un assistente.

Non è solo un software.

È una struttura invisibile che modella il modo in cui scegliamo.

E quando qualcosa modella il modo in cui scegliamo, non è più una questione tecnica.

È una questione di potere.

—

Nicoletta De Vincenzi
AI Strategy & Governance
Data-informed. Human-decided.

Siamo entrati in un punto di inflessione civilizzazionale.

Non stiamo più discutendo semplicemente di innovazione digitale o trasformazione aziendale. Stiamo discutendo di architetture di potere, sovranità tecnologica e responsabilità sistemica.

Chi controlla i modelli controlla i flussi decisionali.
Chi controlla i flussi decisionali influenza mercati, istituzioni e comportamenti collettivi.

La questione non è quanto l’AI possa diventare potente.
La questione è chi governa quella potenza — e con quali strumenti di accountability giuridica.

Durante l’IndiaAI Impact Summit, l’intelligenza artificiale è stata collocata al centro della competizione strategica tra Global North e Global South. L’India ha proposto una visione fondata sui “Tre Sutra”: People, Planet, Progress, come cornice per un’adozione dell’AI inclusiva, sostenibile e orientata allo sviluppo umano.

Il principio guida è chiaro: “Sarvajan Hitaya, Sarvajan Sukhaya” — per il benessere di tutti.

Questa impostazione non è semplice retorica etica. È una dichiarazione strategica: la tecnologia deve servire l’umanità senza sostituirla, all’interno di un sistema di responsabilità distribuita e sovranità cognitiva.

“L’intelligenza artificiale può automatizzare processi. Non può automatizzare la responsabilità.”
— Nicoletta De Vincenzi

Ed è qui che si gioca la partita dell’AI governance nel 2026.

L’AI come sistema stratificato: oltre la responsabilità unitaria

Il diritto tradizionale tende a individuare un responsabile unico: un produttore, un prestatore di servizi, un ente.

Questo schema funziona per prodotti lineari.

L’intelligenza artificiale contemporanea non è lineare. È uno stack socio-tecnico stratificato.

Dati, modelli, infrastruttura, applicazioni, interfacce, identità digitali, sistemi agentici: ogni livello introduce un centro di controllo differente e un diverso grado di imputabilità.

Chi governa i dati non coincide necessariamente con chi controlla il modello.
Chi controlla il modello non coincide con chi integra il sistema in un’infrastruttura critica.
Chi integra non coincide con chi utilizza.

Per questo i modelli di responsabilità unitaria risultano sempre più inadeguati.

Se concepiamo l’AI come infrastruttura decisionale, la responsabilità deve essere distribuita lungo l’intero ciclo di vita del sistema: dalla costruzione dei dataset all’addestramento del modello, dalla progettazione delle architetture di sicurezza all’integrazione organizzativa, fino alla distribuzione e all’uso in contesti ad alto rischio.

Nell’era dell’Agentic AI, il danno è raramente monocausale. È sistemico.

La domanda non è più “chi ha sbagliato?”.
È “quale livello dello stack ha reso possibile quel danno?”.

Questo cambio di prospettiva è coerente con l’impostazione risk-based dell’EU AI Act, che già all’Articolo 9 impone ai fornitori di sistemi ad alto rischio l’adozione di un sistema strutturato di gestione del rischio lungo l’intero ciclo di vita del modello.

Responsabilità graduata e AI Liability Framework

Nel dibattito su AI governance e AI liability si sta affermando il paradigma della responsabilità graduata.

Non esiste un unico responsabile. Esiste una responsabilità proporzionale al contributo causale e al controllo effettivo esercitato sul sistema.

Chi sviluppa un modello, chi lo commercializza e chi lo implementa in un determinato dominio non può più trasferire la responsabilità a monte o a valle. Deve condividere l'onere della prova, la trasparenza progettuale, la tracciabilità dei log decisionali e la documentazione tecnica verificabile.

L’autoregolamentazione volontaria si è dimostrata insufficiente in un contesto caratterizzato da interessi finanziari e geopolitici su scala globale.

Ethics by design senza enforcement resta una dichiarazione.

In questa prospettiva emerge la proposta di un Global AI Harms Registry: un registro internazionale dei danni causati o facilitati da sistemi di intelligenza artificiale.

Senza dati sui danni non esiste diritto efficace.

Un registro strutturato consentirebbe di classificare i danni — fisici, economici, reputazionali, cognitivi, sistemici — di identificare pattern ricorrenti e di supportare aggiornamenti normativi dinamici.

La AI liability diventa così non solo sanzione ex post, ma meccanismo di apprendimento collettivo.

Non è un caso che l’EU AI Act preveda obblighi stringenti in materia di qualità dei dati (Articolo 10) e documentazione tecnica (Articolo 11), proprio per rendere tracciabile la catena decisionale e facilitare l’attribuzione di responsabilità.

Sovranità cognitiva e diritto alla realtà

La dimensione più sottovalutata della AI governance non è tecnica. È cognitiva.

I sistemi generativi e l’Agentic AI non influenzano soltanto processi economici o organizzativi. Influenzano la formazione delle credenze e la costruzione della realtà percepita.

Quando deleghiamo sistematicamente il giudizio critico a un algoritmo, stiamo esternalizzando una funzione centrale dell’autonomia individuale.

Se questa delega diventa invisibile e strutturale, emerge un rischio di dipendenza cognitiva sistemica.

La governance deve proteggere almeno tre diritti fondamentali: il diritto alla realtà verificabile, la tracciabilità della provenienza dei contenuti e la capacità individuale di discernimento.

L’Articolo 13 dell’EU AI Act, dedicato agli obblighi di trasparenza, si muove esattamente in questa direzione: garantire che gli utenti siano consapevoli di interagire con un sistema di AI e possano comprendere in modo adeguato le sue caratteristiche e limitazioni.

Senza sovranità cognitiva non esiste democrazia informativa.
E senza democrazia informativa, nessuna democrazia costituzionale è stabile.

Human-in-the-loop e EU AI Act

Con l’Articolo 14 dell’EU AI Act, la supervisione umana nei sistemi ad alto rischio diventa obbligo giuridico.

L’AI può operare come autopilota, ma l’ultima decisione deve restare umana in modo effettivo.

Per essere reale, la supervisione deve garantire comprensione del contesto di rischio, verifica logica dell’output, responsabilità sugli input e potere di override tecnico.

Senza potere di intervento, l’Human-in-the-loop è simbolico.

E la supervisione simbolica non è governance.

In un contesto di Agentic AI, dove i sistemi possono pianificare e agire in sequenze autonome, la figura del supervisore umano diventa un presidio costituzionale, non una mera formalità di compliance.

Agentic AI e rischi emergenti

L’Agentic AI introduce pianificazione autonoma, uso di strumenti esterni e decisioni sequenziali nel tempo.

Non è una questione di intenzioni artificiali, ma di complessità sistemica.

Più autonomia operativa significa maggiore distanza tra input umano e azione finale. E maggiore distanza significa una maggiore difficoltà di attribuzione della responsabilità.

Le risposte tecniche — monitoraggio della recursive self-improvement, standard di provenance come C2PA, watermarking, difese contro prompt injection e filtri contro exfiltration di dati — sono necessarie ma non sufficienti.

Serve una cornice legale dinamica, principle-based, capace di adattarsi all’evoluzione tecnologica e di integrare requisiti di gestione del rischio, qualità dei dati e supervisione umana.

Governance dinamica e diffidenza strutturale

Le normative tecniche diventano rapidamente obsolete. Per questo la regolazione dell’intelligenza artificiale deve essere fondata su principi stabili e adattabili nel tempo.

Sandbox regolatorie, audit indipendenti, logging robusto, explainability contestuale e diritto di contestazione non sono ostacoli all’innovazione. Sono le condizioni che la rendono investibile e socialmente legittima.

In un’epoca di AI sistemica, la fiducia cieca è un rischio.

Serve una diffidenza strutturale: non sfiducia distruttiva, ma verifica organizzata e permanente.

La domanda non è se l’intelligenza artificiale diventerà più potente. Lo diventerà.

La domanda è se costruiremo un’architettura di responsabilità adeguata prima che quella potenza diventi invisibile, opaca e non governabile.

Data-informed. Human-decided.

Nicoletta De Vincenzi
AI Strategy & Governance

MAP 02 23 02 2026 - AI come Infrastruttura Decisionale - De Vince Digital - Nicoletta De Vincenzi

L’Intelligenza Artificiale non è uno strumento. È un’infrastruttura decisionale.

Tra dieci anni non ricorderemo quale modello usavamo.
Ricorderemo quali decisioni abbiamo delegato.

L’intelligenza artificiale viene spesso descritta come una tecnologia “intelligente”.
In realtà, oggi la gran parte dei sistemi di AI è costituita da modelli di apprendimento automatico che stimano funzioni a partire da grandi quantità di dati. Non “capiscono” il mondo: catturano pattern e correlazioni.

Un modello di AI non pensa.
Non comprende.
Non ha intenzioni.
Calcola probabilità.

Un Large Language Model, ad esempio, non conosce il significato delle parole: predice il prossimo token testuale sulla base dei pattern appresi durante l’addestramento. È una macchina di inferenza probabilistica su scala massiva.

Eppure, quando inseriamo questi sistemi nei processi aziendali, accade qualcosa di molto più profondo.
Non stiamo solo usando un software.
Stiamo integrando un meccanismo decisionale.

Quando un sistema di AI:

• classifica un cliente

• suggerisce un prezzo

• seleziona un candidato

• assegna un punteggio di rischio

• attiva o blocca una transazione

sta applicando una funzione matematica a un insieme di dati per produrre un output ottimizzato rispetto a un obiettivo.

Dietro quell’output ci sono:

• dati di training

• criteri di ottimizzazione

• metriche di performance

• soglie decisionali

Ogni scelta tecnica incorpora una potenziale scelta normativa.
Questo è il punto che spesso manca nel dibattito pubblico.

L’AI non è neutrale.
È parametrica.
Risponde a ciò che viene ottimizzato.

Se ottimizzi per velocità, sacrifichi profondità.
Se ottimizzi per profitto, introduci bias economici.
Se ottimizzi per riduzione del rischio, potresti comprimere le opportunità.

Questi sistemi sono già impiegati in ambiti come selezione del personale, credito e sanità, dove i loro bias possono amplificare quelli storici anziché ridurli.

La maggior parte delle organizzazioni oggi impiega l’AI per aumentare l’efficienza.
Ma l’efficienza è solo il primo livello.

Il secondo livello è l’architettura decisionale.

Chi controlla i dati?
Chi definisce le metriche?
Chi può auditare il modello?
Chi è responsabile dell’errore?

Con l’emergere degli agenti autonomi — sistemi che combinano modelli linguistici, pianificazione e uso di strumenti per eseguire sequenze di azioni — la questione diventa ancora più rilevante. Non stiamo più parlando di singoli output, ma di sequenze di azioni che hanno un impatto reale su persone e organizzazioni.

Ed è qui che entra la governance.

Lo ripeto spesso:

“L’intelligenza artificiale amplifica le capacità umane, ma non sostituisce la responsabilità umana.”
— Nicoletta De Vincenzi

Il problema non è l’automazione.
Il problema è la delega inconsapevole.

Nel prossimo decennio, il vantaggio competitivo non sarà determinato da chi us’AI, ma da chi progetta meglio i confini tra decisione umana e decisione algoritmica.

Data-informed. Human-decided.

L’AI può migliorare la qualità e la velocità delle decisioni.
Ma solo se comprendiamo come funziona, quali limiti ha e dove deve fermarsi.

Altrimenti non stiamo costruendo innovazione.
Stiamo costruendo dipendenza da sistemi che non comprendiamo.
E la dipendenza senza comprensione non è progresso.
È vulnerabilità.

Nicoletta De Vincenzi
AI Strategy & Governance
Data-informed. Human-decided

MAP 01 22 02 2026 - AI come Infrastruttura Decisionale - De Vince Digital - Nicoletta De Vincenzi