AI europea tra ambizione e realtà: il piano UE alla prova dei fatti

I nodi dell’intelligenza artificiale europea: dati e regolamentazione

Due nodi cruciali, strettamente intrecciati, dominano il dibattito: la cronica difficoltà nell’accedere a dati abbondanti e di alta qualità, esacerbata dall’assenza di piattaforme social europee di scala globale, e il complesso quadro normativo, in primis GDPR e il nuovo AI Act, che pur mirando a creare fiducia, impone vincoli significativi.

Esaminiamo questi due nodi concettuali e le proposte del Piano d’Azione per trasformare le attuali debolezze in un percorso verso un’AI “made in Europe”. Comprendere la dialettica che intercorre nel triangolo Dati-DeepTech-Governance è essenziale per guidare un’implementazione efficace e garantire che l’ambizione si traduca in realtà competitiva.

La fame di dati nell’AI europea

L’intelligenza artificiale, specialmente nelle sue forme più avanzate come i modelli fondazionali, è insaziabile di dati. Essi sono la materia prima per l’addestramento, l’ottimizzazione e la validazione degli algoritmi. Nella figura seguente si evidenziano gli andamenti nel tempo delle dimensioni dei dataset testuali consumati per l’addestramento dei Large Language Model o LLM e di quelli prodotti dall’uomo (espressi in token, che sono le note unità minime di dato processate da LLM). La proiezione nel futuro prossimo delle dimensioni dei dataset è una combinazione di estrapolazione di trend storici e modello che presuppone che gli LLM siano addestrati in modo computazionalmente ottimale. Questo grafico ci consente di fare considerazioni di scala, cioè di visualizzare come crescono le grandezze in gioco e come è posizionato l’attore EU.

(https://epoch.ai/assets/images/posts/2024/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data/figure2-banner.png)

Il collo di bottiglia dei dati per l’intelligenza artificiale

In figura sono stati considerati solo i dati testuali pubblici (tra cui gli User Generated Content), mentre esistono molti altri tipi di dati generati dall’uomo e disponibili pubblicamente, tra cui immagini e video, dati privati come conversazioni di messaggistica istantanea e dati sintetici generati dall’intelligenza artificiale. Tuttavia il testo resta la modalità principale utilizzata per addestrare i modelli fondazionale ed è più probabile che diventi un collo di bottiglia chiave, poiché altre modalità sono più facili da generare (nel caso di immagini e video) o non hanno dimostrato la loro utilità per l’addestramento degli LLM (ad esempio, nel caso di dati astronomici o altri dati scientifici). Inoltre, i dati sintetici generati dall’intelligenza artificiale non sono ancora del tutto compresi e hanno dimostrato di migliorare in modo affidabile le capacità solo in ambiti relativamente ristretti come la matematica e la codifica. Infine, sembra improbabile che i dati non pubblici, come i messaggi istantanei, vengano utilizzati su larga scala a causa di problemi legali e perché sono frammentati su diverse piattaforme controllate da attori con interessi contrastanti.

La prima importante conclusione che tra la fine del 2027 ed i primi mesi del 2028 i due stock di dati si equivarranno, e questo va interpretato come la fine della disponibilità illimitata di dati per l’addestramento degli LLM, cioè il cosiddetto “collo di bottiglia dei dati” (area rossa di figura). In pratica si dovrà ricorrere ad altre tecniche per evitare un arresto completo del progresso nelle capacità dei modelli. Un modo in cui il progresso può continuare è se i modelli crescono in termini di parametri mantenendo costante la dimensione del loro dataset, una strategia chiamata “undertraining”. Sebbene l’undertraining possa fornire l’equivalente di fino a due ordini di grandezza aggiuntivi di scalabilità ottimale per il calcolo i ricercatori prevedono che alla fine porterà a un plateau (nei primi anni del 2030).

In questo quadro generale l’Europa è ulteriormente penalizzata: potendo disporre oggi di stock molto più piccoli l’Europa è molto lontana dal plateau. Oggettivamente l’Europa genera enormi quantità di dati, ma resta problematico l’accesso da parte degli sviluppatori AI a dataset sufficientemente ampi, ben curati, interoperabili e pronti per l’uso. I dati sono spesso intrappolati in silos aziendali, settoriali o nazionali, con formati eterogenei e qualità variabile. La preparazione dei dati (pulizia, etichettatura, anonimizzazione) richiede tempo e risorse significative, spesso proibitive per le startup e le PMI. Considerando la sola dimensione dei dataset pubblici disponibili, che la ricerca stima almeno di un ordine di grandezza in meno di quelli utilizzati per i modelli più avanzati, si deduce dal grafico in figura che l’Europa è almeno due anni in ritardo rispetto al trend attuale.

Il mosaico linguistico dell’intelligenza artificiale europea

Il mosaico linguistico, culturale e normativo-amministrativo europeo, pur essendo una ricchezza, complica la creazione di dataset paneuropei su larga scala. Il rapporto Letta parla di frammentazione del mercato (digitale), ed il settore dei dati linguistici è un chiaro esempio di quanto sia necessario abbattere le barriere linguistiche nel mercato unico per aumentare potenzialmente gli scambi all’interno dell’UE. È una sfida politica e organizzativa ancora aperta di specifico rilievo per lo sviluppo dell’AI Made in Europe. Una mossa dell’UE è l’Alliance for Language Technologies (ALT-EDIC), un’iniziativa avviata nel marzo 2025 su larga scala per mettere in comune i dati linguistici provenienti da 17 diversi Stati membri. L’Alliance creerà un archivio completo di risorse linguistiche di alta qualità per colmare il divario nei dati multilingui e preservare la diversità linguistica e culturale dell’Europa, promuovendo l’eccellenza tecnologica e la leadership.

Il vuoto dei social network europei è un fattore spesso sottovalutato ma cruciale. L’assenza nel panorama digitale europeo di piattaforme social e di contenuti generati dagli utenti (UGC) paragonabili a Meta (Facebook, Instagram), Google (YouTube), TikTok o WeChat. Queste piattaforme non sono solo canali di comunicazione, ma gigantesche macchine di raccolta dati in tempo reale su comportamenti, preferenze, interazioni sociali, linguaggio naturale informale, cultura popolare, modi di vita, immagini e video.

Questo flusso continuo di dati “vivi” è una risorsa inestimabile per lo sviluppo e il test di AI orientate al consumatore, per la personalizzazione, l’analisi del sentiment, il riconoscimento di immagini/video e l’addestramento di grandi modelli linguistici (LLM) sul linguaggio corrente. La mancanza di attori europei di questa scala significa che gran parte dei dati generati dai cittadini europei su queste piattaforme è controllata e primariamente sfruttata da aziende extra-UE, privando l’ecosistema europeo di una fonte vitale per certi tipi di innovazione AI e ponendolo in una posizione di svantaggio competitivo intrinseco in questi domini.

Regolamentazione dell’intelligenza artificiale europea tra protezione e innovazione

L’approccio europeo alla regolamentazione digitale è distintivo e guidato dalla volontà di proteggere i diritti fondamentali, garantire la sicurezza e costruire la fiducia dei cittadini. Il GDPR prima, e l’AI Act ora, incarnano questa filosofia. Se da un lato questo posizionamento sull’ AI affidabile può rappresentare un marchio di qualità e un vantaggio competitivo a lungo termine, dall’altro impone limiti e oneri che la comunità dell’innovazione percepisce come potenziali freni.

Il Regolamento Generale sulla Protezione dei Dati, pur fondamentale, rende più complessa la raccolta, l’aggregazione e l’uso dei dati per l’addestramento dell’AI, specialmente quando si tratta di dati che possono avere una componente anche lontanamente personale. I requisiti di consenso, finalità, minimizzazione e le procedure di anonimizzazione/pseudonimizzazione, sebbene necessari, aggiungono strati di ulteriore complessità.

L’AI Act, con il suo approccio basato sul rischio, impone obblighi significativi sui sistemi considerati ad “alto rischio”. Sebbene mirata a prevenire danni, la conformità richiede documentazione tecnica estesa, garanzie sulla qualità dei dati e sulla mitigazione dei bias, meccanismi di supervisione umana, valutazioni di conformità (talvolta con terze parti) e monitoraggio post-mercato.

Questi requisiti pur giustificati dalla necessità di sicurezza, si traducono in costi elevati, particolarmente gravosi per PMI e startup con risorse limitate. I processi di verifica pre-mercato possono allungare i tempi di sviluppo rispetto a mercati meno regolati, come quelli cinese e statunitense. Si creano infine margini di incertezza Interpretativa, specie nella fase iniziale di applicazione, con dubbi su come soddisfare concretamente requisiti quali “adeguata supervisione umana” o “robustezza sufficiente”.

Il paradosso, quindi, è che le stesse regole pensate per costruire fiducia e un mercato unico sicuro rischiano, se non gestite con pragmatismo, di ostacolare proprio gli innovatori europei che dovrebbero popolarlo.

La strategia europea sui dati per l’intelligenza artificiale

Il Piano d’Azione presentato dalla Commissione dedica due pilastri specifici per affrontare direttamente la carenza dei dati ed i vincoli regolamentari in un percorso gestito verso l’eccellenza.

Consapevole della fame di dati, con il Pilastro 2 il piano non replica i modelli di acquisizione basati sui social network, ma punta a costruire eccellenza e accesso in altri domini strategici, valorizzando dati industriali, sanitari, pubblici, scientifici e linguistici. Annuncia una Data Union Strategy che sarà mirata a migliorare la disponibilità e l’interoperabilità dei dati, rivedendo anche la legislazione esistente. In attesa di questa strategia, vengono introdotti i Data Labs presso le AI Factories, che fungeranno da hub per aggregare dati, collegandosi agli Spazi Comuni Europei di Dati (come quello sanitario o l’ALT-EDIC per i dati linguistici). I labs offriranno servizi di pulizia, arricchimento e condivisione sicura di dati pubblici, facilitata da strumenti come il software Simpl, promosso dalla Commissione Europea per gestire e connettere gli Spazi Comuni. L’obiettivo è creare fonti di dati affidabili e accessibili, compensando la mancanza di User Generated Contents con dati strutturati e di alta qualità in settori dove l’Europa può avere un vantaggio. Sebbene non esplicitate nel dettaglio, le modalità di condivisione sicura implicano l’uso di Tecnologie per la Privacy (PETs), fondamentali per conciliare uso dei dati e GDPR.

I nodei dell’AI Act nel Piano d’azione Ue

Nel Pilastro 5 il piano affronta il nodo dell’AI Act. L’approccio è pragmatico, ferma restando la sua importanza, si punta a facilitarne l’applicazione. L’AI Act Service Desk è il nuovo strumento, un punto informativo gratuito per aiutare le imprese, specialmente le più piccole, a comprendere e rispettare le regole. Si investirà in linee guida chiare e in standard tecnici armonizzati per ridurre l’ambiguità regolamentare e diminuire i costi di conformità. Verrà mantenuto un dialogo costante con gli stakeholder per identificare punti critici e valutare possibili semplificazioni, partendo dai risultati di consultazioni specifiche. Si continuerà a supportare i Regulatory Sandbox come ambienti di sperimentazione controllata. L’obiettivo è rendere l’AI Act non un blocco, ma un framework che supporti lo sviluppo di un’AI affidabile, trasformando il requisito normativo in un tratto distintivo e potenzialmente in un vantaggio competitivo globale.

Il Piano d’azione Ue tra ambizione strategica e ostacoli pratici

Il Piano d’Azione è indubbiamente la risposta strategica più completa e ambiziosa finora proposta dall’UE alle sue sfide intrinseche nel campo dell’IA. Abbiamo visto il focus diretto sui dati e sul supporto all’implementazione normativa, tuttavia, la valutazione critica deve andare oltre le intenzioni e considerare i fattori di successo e i potenziali ostacoli. Noi crediamo che i punti di forza sui nostri temi sono rilevanti:

• Focus sui colli di bottiglia dei dati e della regolamentazione.
• Investimenti significativi (nell’ordine dei 200M€) disponibili tramite InvestAI e altri programmi.
• Approccio ecosistemico che collega infrastrutture (Fabbriche, Gigafactory), dati (Labs, Spazi), adozione (EDIH) e competenze (Academy) in modo integrato.
• Pragmatismo normativo con il supporto all’implementazione dell’AI Act (Service Desk e standard), cruciale per evitare che la legge soffochi l’innovazione che intende regolare.
• Nicchie strategiche europee, che possono apportare dati industriali, sanitari, scientifici e pubblici, e quindi consentire una via di uscita dalla dipendenza dai dati consumer generati dai social.

Tuttavia, non dobbiamo sottacere che per dare efficacia al piano riguardo le nostre tematiche restano molti punti aperti:

• Cultura della condivisione dati: le infrastrutture (Data Spaces, Data Labs) e le regole (Data Governance Act, Data Act) dovrebbero essere sufficienti a superare la storica ritrosia delle aziende e degli enti pubblici a condividere dati, anche in formati sicuri e anonimizzati. Saranno necessari incentivi più forti?
• Competere sulla scala: la strategia di compensare la mancanza di dati social con dati settoriali deve essere sufficiente per competere globalmente in tutti i domini dell’AI e consentire di rimontare lo svantaggio di quasi 2 anni.
• Impatto reale della semplificazione: le misure di supporto all’AI Act (Service Desk, guide) dovranno ridurre l’onere percepito e reale per le PMI e le startup. L’applicazione dell’AI Act dovrà essere armonizzata in tutti i 27 Stati membri.
• Esecuzione e tempistiche: la realizzazione delle infrastrutture complesse, l’effettiva mobilitazione dei fondi privati tramite InvestAI e l’operatività delle nuove strategie richiederanno tempo. L’Europa può permettersi i tempi tipici delle sue iniziative multi-stakeholder nella veloce corsa globale dell’IA?
• Coerenza politica. la volontà politica e finanziaria necessaria per sostenere questo piano ambizioso nel lungo periodo dovrà perdurare anche attraverso cicli politici ed economici diversi.

Il futuro dell’intelligenza artificiale europea: un imperativo strategico

Il “Piano d’azione per il continente AI” non è una panacea ma rappresenta una presa di coscienza strategica fondamentale. Riconosce che l’ambizione europea nell’IA deve fare i conti con le realtà strutturali del suo ecosistema digitale: un accesso ai dati più complesso e frammentato rispetto ai competitor globali (aggravato dall’assenza di colossi social locali) e un quadro normativo esigente, seppur guidato da principi solidi.

La strategia delineata nel Piano è una risposta logica e ben articolata a queste sfide. Cerca di trasformare la necessità di gestire i dati in modo più controllato (GDPR) in un vantaggio, promuovendo spazi di dati sicuri e di alta qualità in settori strategici. Tenta di rendere l’AI Act un fattore abilitante, piuttosto che un freno, attraverso supporto pratico e semplificazione. Investe massicciamente per compensare i vari ritardi.

Il messaggio della Commissione del UE è chiaro: il successo di questa impresa richiederà più che mai coordinamento serrato, investimenti sostenuti, flessibilità nell’adattare le misure e un impegno costante nel supportare l’ecosistema dell’innovazione, specialmente le PMI. Superare il doppio ostacolo dei dati e della complessità normativa non è solo auspicabile, è la condizione sine qua non per realizzare la visione di un’Europa che non solo partecipi, ma guidi la rivoluzione dell’intelligenza artificiale globale secondo le proprie regole e i propri valori.

Sitografia

• COM(2025) 165 final: Comunicazione della Commissione al Parlamento Europeo, al Consiglio, al Comitato Economico e Sociale Europeo e al Comitato delle Regioni – Piano d’azione per il continente AI, datato 9 aprile 2025.

https://commission.europa.eu/topics/eu-competitiveness/ai-continent_en

• Shaping Europe’s Digital Future (Commissione Europea) (sezioni AI, Data, Digital Decade) https://digital-strategy.ec.europa.eu/en
• A European approach to artificial intelligence (Commissione Europea)

https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence

• Regulatory framework on artificial intelligence (AI Act):

https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

• EU AI Act (Sito dedicato): Informazioni sull’attuazione e sull’Ufficio IA.

https://artificialintelligenceact.eu

• A European strategy for data (Commissione Europea)

https://digital-strategy.ec.europa.eu/en/policies/strategy-data

• European Data Spaces: Informazioni sugli spazi di dati settoriali.

https://digital-strategy.ec.europa.eu/en/policies/data-spaces

• Horizon Europe: Programma quadro per la ricerca e l’innovazione.

https://research-and-innovation.ec.europa.eu/funding/funding-opportunities/funding-programmes-and-open-calls/horizon-europe_en

• Digital Europe Programme: Programma per la trasformazione digitale.

https://digital-strategy.ec.europa.eu/en/activities/digital-programme

• European Skills Agenda: Iniziative per le competenze.

https://ec.europa.eu/social/main.jsp?catId=1223&langId=en

• Training Compute-Optimal Large Language Models

https://arxiv.org/abs/2203.15556

• Superare il dominio dell’inglese nell’IA: l’importanza di modelli multilingue