1. Il quadro generale: perché ricostruire l’evoluzione dell’IA è oggi un esercizio utile anche in chiave legale

L’intelligenza artificiale non è una tecnologia nata nel 2022 con ChatGPT. È il risultato di oltre ottant’anni di ricerca tra logica formale, neuroscienze, statistica e informatica. Ogni “ondata” di IA ha portato con sé promesse, applicazioni concrete e fasi di stallo, i cosiddetti “inverni” dell’IA.

Per founder, CTO e responsabili compliance questa prospettiva è rilevante per tre ragioni operative. La prima: il Reg. UE 2024/1689, l’AI Act, classifica i sistemi di IA in base al rischio e impone obblighi differenziati a fornitori e deployer. Sapere se un sistema è basato su regole simboliche, su reti neurali o su modelli generativi cambia gli adempimenti applicabili. La seconda: i contratti SaaS, le licenze software e i DPA che regolano oggi l’uso dell’IA contengono clausole che presuppongono una comprensione tecnica minima della tecnologia sottostante. La terza: i rischi legali, dalla responsabilità civile alla tutela del copyright, dipendono dal tipo di sistema impiegato.

In sintesi, conoscere la storia tecnica permette di scegliere meglio fornitori, modelli contrattuali e strategie di compliance.

2. Le origini: dal neurone artificiale al test di Turing

La nascita concettuale dell’IA viene tradizionalmente fatta risalire al 1943, quando Warren McCulloch e Walter Pitts proposero un modello di neurone artificiale basato sulla logica formale e sulla teoria della computazione di Alan Turing. L’idea era semplice e potente: simulare il funzionamento dei neuroni biologici attraverso unità di calcolo capaci di implementare operazioni logiche e, in linea teorica, qualsiasi funzione computabile.

Pochi anni dopo, nel 1950, Marvin Minsky e Dean Edmonds realizzarono SNARC, considerato il primo computer basato su reti neurali. Nello stesso anno Alan Turing pubblicò “Computing Machinery and Intelligence”, saggio che introdusse il concetto di apprendimento automatico e il celebre test di Turing, ancora oggi citato nei dibattiti pubblici sull’IA, pur con un valore più simbolico che operativo.

L’intuizione di Turing è particolarmente attuale: invece di codificare manualmente la conoscenza umana nei programmi, propose di costruire macchine capaci di apprendere. È esattamente l’approccio che, decenni dopo, sta alla base del machine learning e del deep learning di oggi.

2.1 Dartmouth 1956: nasce il termine “intelligenza artificiale”

Il termine “intelligenza artificiale” venne coniato nel 1956 da John McCarthy, in occasione della celebre conferenza estiva al Dartmouth College, alla quale parteciparono ricercatori come Marvin Minsky e Claude Shannon. In quella sede furono presentati progetti come il Logic Theorist e il General Problem Solver, sistemi capaci di risolvere problemi matematici e di simulare strategie di ragionamento umano.

Si trattava di IA simbolica: la conoscenza era codificata in regole esplicite e il sistema operava attraverso catene di inferenze logiche. Questo approccio funzionava bene su problemi ben strutturati, ma mostrava i suoi limiti non appena il dominio diventava complesso o ambiguo.

3. Sistemi esperti, inverni dell’IA e svolta probabilistica

Tra gli anni Sessanta e Settanta gli sforzi si concentrarono sui sistemi esperti, applicazioni capaci di risolvere problemi in domini molto ristretti emulando il ragionamento di specialisti. McCarthy sviluppò il linguaggio Lisp, che divenne il riferimento per la programmazione di IA per molti decenni. Minsky lavorò sui cosiddetti “micromondi”, ambienti semplificati in cui i programmi potevano essere addestrati a riconoscere oggetti o a manipolare blocchi.

Ben presto emerse però il problema della cosiddetta esplosione combinatoria: aumentando la complessità dei problemi, il numero di possibili combinazioni cresceva in modo ingestibile per le risorse computazionali dell’epoca. I risultati deludenti e il taglio dei finanziamenti pubblici aprirono il primo inverno dell’IA, una lunga fase di stallo.

3.1 Reti neurali e reti bayesiane: il rilancio degli anni Ottanta

Negli anni Ottanta la ricerca trovò nuova linfa grazie a due filoni. Il primo fu la riscoperta delle reti neurali, alimentata dall’algoritmo di retropropagazione, che permise di addestrare reti multilivello in modo efficace. Il secondo fu lo sviluppo del ragionamento probabilistico, in particolare grazie al lavoro di Judea Pearl sulle reti bayesiane, che fornì agli sviluppatori strumenti rigorosi per gestire l’incertezza.

Sul fronte applicativo, sistemi esperti commerciali come R1, impiegato per la configurazione di sistemi informatici, dimostrarono che l’IA poteva produrre valore economico in domini specifici. Tuttavia anche questi sistemi mostravano limiti significativi nell’adattarsi a contesti nuovi o dinamici, alimentando un secondo periodo di rallentamento.

4. Dal deep learning ai transformer: la svolta che ha reso l’IA un tema regolatorio

Negli anni Novanta la diffusione di internet e l’aumento dei dati disponibili rilanciarono le reti neurali convoluzionali e, più in generale, il deep learning. L’idea era costruire modelli con molti livelli, capaci di estrarre rappresentazioni gerarchiche dei dati e di gestire compiti come il riconoscimento di immagini o il riconoscimento vocale.

Per anni, però, l’hardware non fu all’altezza. La svolta arrivò negli anni Duemila con la diffusione di GPU sempre più potenti e con la disponibilità di dataset di grandi dimensioni. Il deep learning iniziò a raggiungere e poi superare le prestazioni umane in alcuni compiti specifici, dal riconoscimento di oggetti nelle immagini alla traduzione automatica.

4.1 I transformer e la nascita dell’IA generativa

Una svolta decisiva è arrivata nel 2017 con il paper “Attention is All You Need”, che ha introdotto l’architettura transformer. La capacità di questi modelli di analizzare il contesto globale di una sequenza, e non solo elementi vicini, ha aperto la strada ai grandi modelli linguistici e all’IA generativa che conosciamo oggi.

Su questa architettura si basano i principali Large Language Model attualmente in uso, che producono testo, immagini, codice e contenuti multimediali con qualità inattesa fino a pochi anni fa. È in questa fase che l’IA è diventata un tema di massa, con un impatto economico, sociale e regolatorio tale da rendere indispensabile un quadro normativo dedicato.

4.2 Perché questa svolta interessa il legislatore europeo

Il salto qualitativo dei sistemi generativi è la ragione principale che ha spinto il legislatore UE ad adottare un Regolamento dedicato. L’art. 3 Reg. UE 2024/1689 definisce il “sistema di IA” in modo ampio, ma è soprattutto sui modelli di IA per finalità generali, i cosiddetti GPAI, che si concentrano gli obblighi più innovativi.

I fornitori e gli utilizzatori di sistemi basati su transformer, deep learning o reti neurali avanzate devono oggi confrontarsi con obblighi differenziati per livello di rischio: divieti per pratiche di IA inaccettabili, requisiti stringenti per sistemi ad alto rischio, obblighi di trasparenza per chatbot, deepfake e contenuti generati. Capire la natura tecnica del sistema diventa quindi un passaggio preliminare per ogni valutazione di compliance.

5. L’IA applicata al diritto: dall’informatica giuridica al legal tech generativo

L’incontro tra IA e diritto non è recente. Già negli anni Sessanta e Settanta, in Italia, autori come Vittorio Frosini e Renato Borruso posero le basi dell’informatica giuridica. Un caso emblematico è il sistema Italgiure Find, sviluppato dalla Corte di Cassazione, che utilizzava un thesaurus per la lemmizzazione e il riconoscimento semantico dei termini, rendendo possibile una ricerca giurisprudenziale strutturata.

Si trattava di IA simbolica applicata al diritto: regole esplicite, vocabolari controllati, motori di ricerca su corpus testuali. Per decenni questo è stato lo standard, accompagnato dalla progressiva digitalizzazione di archivi e banche dati.

5.1 Il legal tech contemporaneo: NLP, modelli predittivi e IA generativa

Oggi le tecnologie di natural language processing e i modelli generativi consentono di analizzare contratti, sentenze e atti con una profondità impensabile fino a pochi anni fa. Si parla di document review automatizzata, contract analytics, predictive coding nei contenziosi, generazione di bozze contrattuali, riassunto di provvedimenti, supporto alla due diligence.

Il punto critico, sul piano legale, è duplice. Da un lato l’utilizzo di IA negli studi legali e nelle funzioni legal interne pone questioni di riservatezza, segreto professionale, qualità dell’output e responsabilità del professionista. Dall’altro, fornitori e clienti devono regolare con cura i contratti che disciplinano l’uso di questi strumenti, in particolare in materia di trattamento dei dati, proprietà intellettuale sugli output e limitazioni di responsabilità.

6. Casi pratici: come la storia dell’IA aiuta a impostare la compliance oggi

Un’azienda che decide di adottare un sistema di IA si trova davanti a scelte concrete che dipendono dalla natura tecnica del sistema. Alcuni esempi realistici aiutano a vedere come la prospettiva storica torni utile sul piano operativo.

Una prima situazione riguarda una PMI che integra un assistente conversazionale basato su un Large Language Model nei propri processi di customer service. Si tratta di un sistema riconducibile alla famiglia dei transformer e dell’IA generativa. Le aree giuridiche da presidiare sono numerose: obblighi di trasparenza ex art. 50 Reg. UE 2024/1689, base giuridica del trattamento dei dati personali processati nelle conversazioni, contratto con il fornitore del modello e gestione dei rischi di output errati o discriminatori.

Una seconda situazione riguarda una web agency che sviluppa, per un cliente del settore HR, un sistema di scoring automatizzato dei candidati. Anche se costruito su tecniche relativamente “classiche” di machine learning, il sistema rientra tra i sistemi ad alto rischio elencati nell’Allegato III dell’AI Act. Servono valutazioni di conformità, documentazione tecnica, sistemi di gestione dei rischi e una FRIA, oltre al consueto presidio privacy.

Una terza situazione tipica riguarda una startup che integra un modello di IA generativa nel proprio prodotto SaaS. Qui i temi più delicati sono i diritti sull’output, l’eventuale presenza di contenuti protetti da copyright nei dati di addestramento del modello terzo, le clausole di responsabilità e indemnity verso i clienti finali e la corretta informativa nei T&C. Anche in questi casi la qualifica tecnica del sistema, modello generativo di terzi integrato in un prodotto proprio, guida la scelta delle clausole.