Prima distinzione
Scegliere tra AI on premise e cloud non è l’unica decisione.
La stessa attività può richiedere percorsi diversi. Un archivio contrattuale può restare sul sistema aziendale; un estratto privo di nomi e condizioni riservate può essere sottoposto a un modello esterno; una decisione con effetti su persone o clienti può fermarsi davanti a un responsabile.
Chiedere soltanto «il modello è locale?» nasconde le altre parti del trattamento: quali file vengono letti, che cosa viene copiato nei prompt, dove finiscono output e log, quali strumenti possono essere attivati e chi può approvare il risultato.
Qual è la quantità minima di informazione necessaria per ottenere questo risultato, e quale parte deve restare sotto controllo locale?
Criteri prima degli strumenti
Scopo, necessità, sensibilità e conseguenze.
Per i dati personali, il GDPR richiede finalità determinate, minimizzazione, limiti di conservazione, integrità, riservatezza e responsabilità dimostrabile. La protezione deve entrare nella progettazione e nelle impostazioni predefinite, non essere aggiunta dopo aver collegato i dati al modello.
Attività e risultato
Descrivi il lavoro e l’oggetto che il sistema deve preparare. Senza questo confine, ogni dato sembra potenzialmente utile.
Scopo e necessità
Collega ogni informazione a una funzione precisa. Se un campo non cambia il risultato, non dovrebbe entrare per abitudine.
Sensibilità e obblighi
Distingui dati personali, informazioni contrattuali, segreti aziendali, credenziali, proprietà intellettuale e fonti pubbliche.
Accessi e destinatari
Indica chi può vedere sorgenti, prompt, output e log e quali fornitori o subfornitori potrebbero riceverli.
Effetti e responsabilità
Una sintesi interna, l’aggiornamento di un gestionale e una decisione su una persona richiedono controlli diversi.
Architettura del trattamento
Quattro percorsi possibili per le informazioni.
Il dato e l’elaborazione restano nel sistema controllato.
È utile quando il contesto non deve uscire o quando una funzione locale è sufficiente. Servono comunque protezione del dispositivo, accessi, log e aggiornamenti.
Il servizio riceve il minimo necessario.
Fornitore, finalità, contenuto inviato, conservazione e condizioni d’uso sono stati valutati per quella funzione.
Il contesto completo resta locale.
Una funzione locale seleziona, riduce o pseudonimizza l’input; il servizio esterno riceve solo la parte prevista e il risultato rientra per verifica.
Il dato non entra nel percorso AI.
L’incertezza, la sensibilità o le conseguenze richiedono un altro processo, una persona responsabile o una valutazione specialistica.
Questi percorsi possono convivere nello stesso progetto. L’obiettivo è rendere leggibile la relazione fra informazione, funzione e destinazione.
Funzione possibile
Che cosa farebbe un router di sensibilità.
Un router di sensibilità è una funzione locale che riceve informazioni e contesto dell’attività, applica categorie e regole e propone il percorso consentito. Può rimuovere identificatori, selezionare estratti, bloccare una richiesta o chiedere una revisione prima di collegare un modello esterno.
La classificazione automatica non è un’autorità. Un modello può omettere un segreto, confondere una categoria o non conoscere un vincolo contrattuale. Le decisioni importanti richiedono regole deterministiche, permessi, test, registrazione degli esiti e responsabilità assegnate.
Il percorso all-local e local-first hybrid appartiene alla direzione architetturale di MAIOS. Questa pagina descrive una funzione da progettare e provare: non dichiara disponibile un router automatico già verificato.
Oggetto pratico
Mappa dati e instradamento AI.
Compila una riga per ogni gruppo di informazioni usato da un’attività. Le risposte incomplete mostrano quali decisioni devono precedere l’integrazione.
- 01
Attività e risultato
Quale lavoro viene svolto e che cosa dovrebbe preparare o modificare il sistema?
- 02
Informazione e fonte
Quali dati, documenti, messaggi o applicazioni servono? Chi li mantiene?
- 03
Scopo e necessità
Perché ogni informazione serve? Quale parte può essere rimossa senza perdere il risultato?
- 04
Classificazione
È pubblica, interna, riservata, personale, contrattuale, segreta o regolata da condizioni specifiche?
- 05
Persone e accessi
Chi può leggere la fonte, preparare il prompt, vedere l’output e autorizzarne l’uso?
- 06
Elaborazione locale
Quali operazioni possono avvenire sul sistema controllato: ricerca, classificazione, riduzione, pseudonimizzazione o generazione?
- 07
Minimo esterno
Quale estratto può uscire, verso quale servizio e per quale funzione dichiarata?
- 08
Conservazione e log
Dove restano input, output e tracce? Per quanto tempo, con quale accesso e quale cancellazione?
- 09
Verifica e azione
Chi controlla il risultato e quale effetto può avvenire soltanto dopo l’approvazione?
- 10
Errore e ripresa
Come si blocca il percorso, si corregge una classificazione e si ricostruisce che cosa è accaduto?
Per [attività] usiamo [informazioni] allo scopo di [risultato]. [funzione locale] mantiene o trasforma il contesto. Solo [contenuto minimo] può raggiungere [servizio esterno] alle condizioni [vincoli]. [responsabile] verifica prima di [effetto].
Scenario illustrativo
Preparare una sintesi da documenti contrattuali.
Un team deve confrontare contratti, allegati e note interne. Il sistema locale indicizza i documenti, identifica nomi, importi e clausole riservate e prepara estratti collegati alle fonti. Un modello esterno può ricevere soltanto passaggi approvati e privi degli identificatori non necessari per suggerire una struttura di confronto.
La bozza torna nel sistema aziendale con i riferimenti alle fonti. Una persona verifica omissioni, interpretazioni e condizioni prima che il contenuto venga usato. Se un documento non può essere ridotto senza perdere il significato, resta nel percorso locale o viene escluso dall’elaborazione AI.
Lo scenario illustra una possibile architettura e non descrive un caso cliente né una configurazione già disponibile.
Sicurezza operativa
I controlli continuano oltre la posizione del modello.
Dispositivo e archivi
Cifratura, aggiornamenti, backup, account e separazione degli ambienti proteggono dati e modelli locali.
Permessi e strumenti
Leggere un file, interrogare un database, scrivere in un gestionale e inviare un messaggio sono effetti distinti.
Prompt, output e log
La governance comprende anche copie temporanee, cronologia, cache, telemetria e sistemi di osservabilità.
Fornitore e condizioni
Modello, API, regione, conservazione, uso dei contenuti e subfornitori devono essere valutati sul servizio realmente scelto.
Qualità e attacchi
Documenti malevoli, istruzioni nascoste, estrazioni errate e risultati inventati richiedono filtri e verifiche.
Responsabilità e incidenti
Serve sapere chi decide, chi può arrestare il processo e come segnalare, ricostruire e correggere un’esposizione.
Questa mappa orienta la progettazione. La base giuridica, gli obblighi settoriali e le misure adeguate dipendono dal caso e devono essere valutati dalle funzioni competenti dell’organizzazione.
Relazione con MAIOS
Un sistema ibrido può mantenere il contesto senza inviarlo tutto.
MAIOS persegue due forme componibili: all-local quando contesto, modello, strumenti e lavoro possono restare sul sistema dell’utente; local-first hybrid quando una funzione esterna aggiunge capacità senza ricevere automaticamente il contesto completo o l’autorità del sistema.
Il valore del modello locale non consiste soltanto nel sostituire un servizio esterno. Può mantenere la continuità del progetto, preparare il contesto minimo, applicare regole e verificare ciò che rientra. Il modello esterno rimane una competenza selezionata per una funzione delimitata.
Fonti pubbliche
Riferimenti per approfondire.
- Regolamento (UE) 2016/679: principi del trattamento, protezione dei dati fin dalla progettazione e sicurezza del trattamento.
- EDPB, Opinion 28/2024: dati personali, anonimizzazione e uso dei modelli AI.
- NIST AI Risk Management Framework 1.0: governare, mappare, misurare e gestire i rischi nel contesto d’uso.
- NIST Generative AI Profile: profilo trasversale per i rischi specifici dell’AI generativa.
Domande frequenti
Dati aziendali, modelli locali e sistemi ibridi.
Per i dati aziendali è meglio usare AI on premise o cloud?
Dipende dall’attività, dai dati necessari, dai vincoli e dalle capacità richieste. Uno stesso progetto può mantenere il contesto riservato on premise, usare un servizio cloud per una funzione circoscritta e fermare altri dati davanti a una revisione umana.
Un modello AI locale rende automaticamente sicuri i dati?
No. Riduce alcune esposizioni, ma restano da governare accessi al dispositivo, permessi, archivi, log, strumenti collegati, aggiornamenti e azioni prodotte dal sistema.
Che cosa significa usare un sistema AI ibrido?
Significa distribuire il lavoro fra componenti locali e servizi esterni. Il contesto completo può restare locale mentre all’esterno viene inviato solo il contenuto minimo necessario per una funzione dichiarata.
Un modello locale può classificare i dati sensibili?
Può assistere la classificazione, ma il risultato può essere errato. Le categorie importanti devono essere sostenute da regole, permessi, test e revisione umana proporzionati alle conseguenze.
Pseudonimizzare significa rendere anonimi i dati?
No. Se le informazioni possono essere ricondotte a una persona usando dati aggiuntivi, restano dati personali pseudonimizzati e richiedono le relative tutele.
Da dove iniziare per definire il percorso dei dati?
Parti da una singola attività. Indica il risultato, le informazioni necessarie, chi può accedervi, quali trasformazioni possono avvenire in locale e quale contenuto minimo potrebbe uscire.