La storia dell’intelligenza artificiale è una sequenza di intuizioni, fallimenti e rinascite che oggi riguarda da vicino chi sviluppa, vende o usa sistemi di IA in azienda. L’IA non è nata nel 2022 con ChatGPT. È il risultato di oltre ottant’anni di ricerca tra logica, neuroscienze, statistica e informatica, con fasi di entusiasmo e lunghi periodi di stallo, i cosiddetti “inverni”.

Conoscere questa storia aiuta a leggere l’AI Act, il Regolamento UE 2024/1689, e a distinguere la tecnologia consolidata dalla moda del momento. Dal 2 agosto 2026 buona parte del regolamento si applica, e in Italia si sono aggiunte la legge 132/2025 e il decreto legislativo 160/2026.

Questa guida ripercorre le tappe principali e le collega alle domande giuridiche che lo Studio affronta ogni giorno con startup, web agency e aziende tech.

1. Perché la storia dell’IA interessa il diritto

Per founder, CTO e responsabili compliance la prospettiva storica serve per tre ragioni.

• La definizione – l’AI Act si applica ai “sistemi di IA” come li definisce l’art. 3, punto 1. La definizione è ampia e comprende anche gli approcci basati sulla logica e sulla conoscenza, cioè l’IA “simbolica” degli inizi. Ne restano fuori i sistemi basati solo su regole scritte da persone fisiche (considerando 12).
• Il rischio – una volta dentro la definizione, gli obblighi dipendono dall’uso previsto del sistema, non dalla tecnica. Un vecchio modello statistico usato per selezionare candidati è ad alto rischio, e un modello generativo usato per scrivere testi di marketing di solito no.
• I contratti – licenze, contratti SaaS e accordi sui dati presuppongono di capire come funziona la tecnologia che regolano.

La tecnica, in sintesi, decide se si è davanti a un sistema di IA. Il livello di rischio lo decide l’uso.

2. Le origini

2.1 Dal neurone artificiale a Turing

La nascita concettuale dell’IA si fa risalire al 1943, quando Warren McCulloch e Walter Pitts proposero un modello di neurone artificiale basato sulla logica formale. L’idea era simulare i neuroni biologici con unità di calcolo capaci di eseguire operazioni logiche.

Nel 1950 Alan Turing pubblicò “Computing Machinery and Intelligence”. Il saggio propose il celebre test che porta il suo nome e l’idea di macchine capaci di apprendere, invece di programmi in cui la conoscenza è scritta a mano. È l’intuizione da cui, decenni dopo, nasce il machine learning.

Nel 1951 Marvin Minsky e Dean Edmonds costruirono SNARC, considerato il primo calcolatore basato su una rete neurale.

2.2 Dartmouth e il nome dell’IA

L’espressione “intelligenza artificiale” compare nella proposta del 31 agosto 1955 firmata da John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, con cui si chiedeva di finanziare un seminario estivo al Dartmouth College. Il seminario si tenne nell’estate del 1956, e lì Allen Newell, Cliff Shaw e Herbert Simon presentarono il Logic Theorist, un programma capace di dimostrare teoremi matematici.

Pochi anni dopo, fra il 1957 e il 1959, gli stessi Newell, Shaw e Simon svilupparono il General Problem Solver, pensato per simulare strategie generali di ragionamento.

Era IA simbolica. La conoscenza era codificata in regole esplicite, e il sistema procedeva per catene di inferenze. Funzionava bene su problemi ben strutturati, e mostrava i suoi limiti appena il dominio diventava complesso o ambiguo.

3. Inverni e sistemi esperti

Nel 1958 McCarthy creò il linguaggio Lisp, che per decenni fu il riferimento della programmazione per l’IA. Negli anni Sessanta Minsky e altri lavorarono sui “micromondi”, ambienti semplificati in cui programmi scritti a mano riconoscevano e spostavano blocchi.

Presto emerse il problema dell’esplosione combinatoria. Con problemi più complessi il numero di combinazioni cresceva oltre le capacità dei calcolatori dell’epoca. Risultati deludenti e tagli ai finanziamenti pubblici aprirono, a metà degli anni Settanta, il primo inverno dell’IA.

3.1 Il rilancio degli anni Ottanta

Negli anni Ottanta la ricerca ripartì su tre fronti.

• Sistemi esperti – applicazioni che imitavano il ragionamento degli specialisti in domini ristretti. Il più noto, R1 (poi XCON), configurava i calcolatori dell’azienda DEC e dimostrò che l’IA poteva produrre valore economico.
• Reti neurali – tornarono al centro grazie all’algoritmo di retropropagazione, che permise di addestrare reti a più livelli.
• Ragionamento probabilistico – il lavoro di Judea Pearl sulle reti bayesiane diede strumenti rigorosi per gestire l’incertezza.

I sistemi esperti, però, faticavano ad adattarsi a contesti nuovi, e costavano molto da mantenere. Tra la fine degli anni Ottanta e i primi anni Novanta arrivò un secondo periodo di rallentamento. Collocazione e durata dei due inverni variano da uno storico all’altro, e vanno lette come un’approssimazione.

4. Dal deep learning ai transformer

Le reti neurali convoluzionali, sviluppate tra la fine degli anni Ottanta e gli anni Novanta, mostrarono che reti con molti livelli potevano riconoscere immagini e caratteri. Per anni però mancarono la potenza di calcolo e i dati.

La svolta pratica del deep learning arrivò intorno al 2012, quando reti profonde addestrate su processori grafici (GPU) e su grandi raccolte di immagini superarono nettamente i metodi precedenti nel riconoscimento di oggetti. Da lì il deep learning si è esteso a riconoscimento vocale, traduzione e molti altri compiti.

4.1 I transformer e l’IA generativa

Nel 2017 l’articolo “Attention Is All You Need” introdusse l’architettura transformer, capace di analizzare il contesto di un’intera sequenza e non solo gli elementi vicini. Su questa architettura si basano i grandi modelli linguistici.

Il 30 novembre 2022 il lancio di ChatGPT portò l’IA generativa al grande pubblico. Oggi i modelli generativi producono testo, codice, immagini e video. Per le immagini si usano per lo più modelli di diffusione, mentre i modelli linguistici si basano sui transformer.

4.2 La genesi dell’AI Act

La Commissione europea presentò la proposta dell’AI Act nell’aprile 2021, più di un anno prima di ChatGPT, con un impianto basato sul rischio dei singoli usi.

L’arrivo dei sistemi generativi ha inciso sul negoziato e ha portato alle regole sui modelli di IA per finalità generali (GPAI), assenti nella proposta del 2021. Il regolamento è stato approvato nel 2024, e nel luglio 2026 il Regolamento UE 2026/1744 lo ha modificato, rinviando alcune scadenze.

5. L’AI Act oggi: cosa si applica e da quando

Le date che contano sono fissate dall’art. 113 del regolamento, nel testo aggiornato dal 2026.

• 2 febbraio 2025 – definizioni, divieti delle pratiche inaccettabili (art. 5) e obbligo di sostenere l’alfabetizzazione in materia di IA del personale (art. 4). I due nuovi divieti aggiunti nel 2026 si applicano dal 2 dicembre 2026.
• 2 agosto 2025 – regole sui modelli per finalità generali (capo V). I modelli già sul mercato prima di quella data hanno tempo fino al 2 agosto 2027.
• 2 agosto 2026 – applicazione generale, compresi gli obblighi di trasparenza dell’art. 50 per chatbot, contenuti sintetici e deepfake.
• 2 dicembre 2027 – obblighi per i sistemi ad alto rischio elencati nell’Allegato III, come quelli usati per selezionare il personale.
• 2 agosto 2028 – obblighi per i sistemi ad alto rischio legati ai prodotti dell’Allegato I.

5.1 In Italia

La legge 23 settembre 2025, n. 132, in vigore dal 10 ottobre 2025, affianca l’AI Act con alcune regole nazionali. Il datore di lavoro deve informare il lavoratore dell’uso di sistemi di IA (art. 11). Nelle professioni intellettuali l’IA può essere solo di supporto, e il professionista deve dire al cliente quali sistemi usa (art. 13). Il diritto d’autore protegge solo le opere frutto dell’ingegno umano, anche se create con l’aiuto dell’IA (art. 25).

Dal 30 settembre 2026 si applica anche il decreto legislativo 160/2026, che adegua l’ordinamento italiano all’AI Act in due materie, l’uso dell’IA da parte delle forze di polizia e la responsabilità civile e penale. Tra l’altro introduce regole sulla prova nelle cause di risarcimento per danni causati da sistemi di IA.

6. L’IA applicata al diritto

L’incontro tra informatica e diritto in Italia ha radici lontane. Negli anni Sessanta e Settanta Vittorio Frosini e Renato Borruso posero le basi dell’informatica giuridica. Dal lavoro del Centro elettronico di documentazione della Corte di Cassazione nacque Italgiure, il sistema di ricerca giurisprudenziale che usava un thesaurus e la lemmatizzazione dei termini.

Era un sistema di ricerca documentale, e resta un antenato diretto dell’IA applicata al diritto. Per decenni lo standard sono stati vocabolari controllati e motori di ricerca su grandi archivi.

6.1 Il legal tech di oggi

Oggi l’elaborazione del linguaggio naturale e i modelli generativi permettono di analizzare contratti, sentenze e atti, preparare bozze, riassumere provvedimenti e supportare le due diligence.

Sul piano legale i nodi sono due. Negli studi professionali l’uso dell’IA pone questioni di riservatezza, segreto professionale, qualità del risultato e responsabilità, e la legge 132/2025 impone di informare il cliente. Tra fornitori e clienti servono contratti che regolino dati, diritti sugli output e limiti di responsabilità.

7. Casi pratici

Una PMI con un chatbot per il servizio clienti. L’assistente è basato su un grande modello linguistico di terzi. Gli obblighi di trasparenza dell’art. 50 si applicano dal 2 agosto 2026, e l’utente deve sapere che parla con una macchina. Chi deve garantirlo dipende dal ruolo. Se la PMI mette l’assistente in servizio con il proprio nome, può diventare fornitore del sistema. Se usa un prodotto altrui, resta utilizzatore (deployer). Restano da presidiare la base giuridica per i dati delle conversazioni e il contratto con il fornitore del modello.

Una web agency che sviluppa uno scoring dei candidati. Anche se costruito con tecniche “classiche”, il sistema è ad alto rischio, perché serve a selezionare persone (Allegato III, punto 4). Gli obblighi si applicano dal 2 dicembre 2027. Gestione dei rischi, documentazione tecnica e valutazione di conformità spettano al fornitore, cioè a chi mette il sistema in servizio con il proprio nome (art. 3, punto 3). È la web agency se lo vende come prodotto suo, il cliente se lo usa come sistema proprio. La valutazione si fa con un controllo interno, senza organismo esterno. Chi lo usa, come deployer, ha obblighi propri, come la sorveglianza umana, e la legge 132/2025 impone di informare i lavoratori nei casi e con le modalità previsti dalla disciplina sulle informazioni ai lavoratori. La valutazione d’impatto sui diritti fondamentali (FRIA) di regola non è dovuta, perché l’art. 27 la impone a enti pubblici, a privati che forniscono servizi pubblici e a chi usa sistemi per il merito creditizio o per le assicurazioni vita e malattia.

Una startup che integra un modello generativo nel proprio SaaS. I temi delicati sono i diritti sull’output, l’eventuale uso di contenuti protetti nell’addestramento del modello di terzi, le clausole di responsabilità verso i clienti e l’informativa nei termini d’uso. Dopo la legge 132/2025 si aggiunge una domanda. Un output generato senza un apporto creativo umano potrebbe non essere protetto dal diritto d’autore.

Conclusioni

La storia dell’IA insegna che ogni ondata tecnologica porta promesse, applicazioni concrete e delusioni. L’AI Act nasce da questa consapevolezza, e regola soprattutto gli usi.

Per un’azienda le domande giuste sono quindi a cosa serve il sistema, chi lo mette sul mercato e chi lo usa. Da queste risposte dipendono gli obblighi e le date da rispettare.

Per lo Studio la prospettiva storica ha un valore pratico. Aiuta a scegliere fornitori, contratti e strategie di conformità senza farsi guidare dalla moda del momento.

Punti chiave

Fonti e risorse utili