Intervista al professor Daniele Nardi, professore ordinario di Intelligenza Artificiale alla Sapienza Università di Roma e consigliere della Fondazione FAIR
Trasformare le competenze della ricerca italiana sull’intelligenza artificiale in applicazioni per le imprese e la pubblica amministrazione richiede formazione, investimenti, infrastrutture e collaborazione tra ricercatori e sistema produttivo. È su questo passaggio che si concentra il confronto con Daniele Nardi, professore ordinario di Intelligenza Artificiale alla Sapienza Università di Roma e consigliere della Fondazione FAIR. Il 5 ottobre Nardi è intervenuto per FAIR all’incontro “Imprese nell’era dell’AI: orientarsi nel nuovo ecosistema digitale”, nella Sala dei Notari a Perugia, nella sessione dedicata alle politiche e alle strategieper l’AI. L’appuntamento ha aperto i lavori di AIxIA 2026, la 24ª Conferenza internazionale dell’Associazione Italiana per l’Intelligenza Artificiale, in programma dal 6 al 9 ottobre. Da questa occasione partiamo per approfondire le condizioni necessarie a tradurre la ricerca in applicazioni e il contributo che FAIR può offrire.
Quali sono oggi i principali ostacoli nel passaggio dai risultati della ricerca sull’IA all’utilizzo nelle imprese e nella pubblica amministrazione?
«Direi innanzitutto che il problema riguarda, più in generale, un atteggiamento attendista da parte delle aziende italiane, poco inclini all’innovazione — spiega il professor Nardi —. Una tendenza che si riflette anche nella pubblica amministrazione e che denota un approccio piuttosto conservativo nel Paese.
A questo si aggiungono le difficoltà che interessano in particolare le startup, oggi tra i soggetti più capaci di sviluppare soluzioni innovative. Nel nostro Paese, però, incontrano ostacoli ben noti, soprattutto nell’accesso ai capitali, e devono affrontare una fase di bootstrap lenta e complessa».
Quando un sistema di AI deve operare nel mondo reale, quali verifiche servono per valutarne l’affidabilità e stabilire quanto possiamo affidargli?
«Innanzitutto l’IA non è soltanto generativa. Per diverse applicazioni di intelligenza artificiale con caratteristiche più classiche esistono metodi basati su statistiche di errore di vario tipo — continua il Professore -. Questi metodi si basano sul fatto che il sistema è deterministico, ossia produce sempre lo stesso output a fronte dello stesso input. Viceversa, in particolare con i sistemi di intelligenza artificiale generativa, questa proprietà non esiste più. Si possono quindi avere risposte diverse, leggermente o anche molto diverse, a fronte degli stessi dati di ingresso, oppure variare leggermente i dati di ingresso, mantenendo il significato della richiesta, ed ottenere risposte differenti».
«Basta pensare a un sistema che manipola il testo: piccole variazioni possono produrre risultati diversi, oltre al fatto che lo stesso testo può dare esiti differenti dal punto di vista del sistema. Questo rende evidentemente la valutazione di questi sistemi molto difficile. Occorrebbe estendere i metodi statistici, tenendo conto che le variazioni del testo che si possono creare sono moltissime e, tipicamente, non standardizzate. È quindi difficile capire su quale base formulare una statistica».
Anche perché noi non sappiamo esattamente cosa sta avvenendo dentro.
«Sì, questi sistemi, in particolare quelli di intelligenza artificiale generativa, ma non solo, non sono in grado di fornire spiegazioni del tutto attendibili sul meccanismo che ha portato a una certa risposta. Questo rende il problema della valutazione ancora più complesso. Ciò vale per l’IA generativa, ma anche più in generale per le reti neurali — spiega Nardi —, in particolare quelle profonde, perché i meccanismi sviluppati finora per seguire e comprendere il processo che ha portato a un certo tipo di decisione non sono ancora sufficientemente sviluppati».
Come cambiamo noi invece? Quale ruolo ci rimane?
«Per quanto riguarda l’IA generativa, la distinzione che ho fatto prima riassume, in un certo senso, il diverso atteggiamento che occorre tenere di fronte alle risposte di questi sistemi — continua il Professore —. Nel caso di un sistema deterministico, per esempio un sistema di prenotazione, se il posto c’è il computer mi dice che c’è: la risposta che ottengo da un algoritmo deterministico è inequivocabile. Non è la stessa cosa per un sistema di intelligenza artificiale generativa. Il sistema, per come è costruito, è non deterministico e quindi il nostro atteggiamento deve essere sempre quello di valutare con attenzione le risposte che vengono fornite».
Per una piccola o media impresa che vuole avvicinarsi all’AI, da dove conviene cominciare?
«Innanzitutto bisogna conoscerla — continua Nardi —. Le distinzioni che sto facendo, per quanto possano sembrare semplici, non credo siano così diffuse come conoscenza. Prima ancora di andare a vedere uno specifico sistema, occorrerebbe quindi un po’ di alfabetizzazione di base sui principi di funzionamento, su cosa ci si può aspettare e cosa invece non ci si può aspettare. Poi, ovviamente, la cosa più importante per un’azienda credo sia individuare, all’interno dei propri processi, gli aspetti sui quali l’utilizzo di questi sistemi può produrre un valore aggiunto.
«Se si leggono le analisi fatte finora sull’adozione dei sistemi di intelligenza artificiale nelle imprese, questo rimane il punto critico. Al di là della conoscenza dei principi o del funzionamento di un certo tipo di sistema, il problema è capire come applicarlo per migliorare i processi o la qualità dei prodotti. Molti dei progetti che riguardavano l’introduzione di sistemi di intelligenza artificiale sono stati, non dico fallimentari, ma deboli proprio su questo aspetto».
Guardando ai prossimi tre anni, nell’ambito del lavoro di FAIR, quali obiettivi concreti ci permetterebbero di capire se stiamo effettivamente riuscendo a portare l’AI nelle imprese e nella società?
«Il piano di FAIR prevede sicuramente una molteplicità di azioni per favorire un’adozione più ampia dei sistemi di intelligenza artificiale — conclude il Professore —. Ovviamente FAIR è particolarmente orientata alla ricerca e alla costruzione degli strumenti che permettono di tradurla in prodotti e soluzioni applicabili concretamente. Questo richiederà di affrontare il gap, il disallineamento che purtroppo esiste nel nostro Paese e che riguarda, più in generale, il passaggio dalla ricerca all’applicazione. Nel caso specifico dell’intelligenza artificiale, credo che un aspetto importante sia quello che ho evidenziato prima: puntare sulla valorizzazione e sul supporto a piccole realtà e startup particolarmente innovative può essere una delle azioni più efficaci. Uno strumento che FAIR intende utilizzare a questo scopo è quello dei bandi a cascata per le PMI, alimentato da una concreta collaborazione con università ed enti di ricerca».