Dati e cooperative: generare valore sociale dall’intelligenza artificiale. Intervista di Pandora Rivista a Tania Cerquitelli

ll 26 e 27 febbraio Genova ha ospitato l’evento “Filosofia, Estetica Cooperativa e Intelligenza Artificiale”, tappa nazionale della Biennale dell’Economia Cooperativa di Legacoop dedicata al rapporto tra intelligenza artificiale, cultura e modelli cooperativi. Due giorni di confronto tra filosofia, scienza e impresa per approfondire le trasformazioni introdotte dall’IA generativa nei processi creativi e nelle forme della cooperazione.

Pandora Rivista ha intervistatoTania Cerquitelli, Professoressa ordinaria di Sistemi di elaborazione delle informazioni presso il Dipartimento di Automatica e Informatica del Politecnico di Torino e membro della giunta del centro di ateneo PoliTO per il Sociale. 

Vedi l'intervista completa a questo link
Di seguito alcuni passaggi.

Il modello delle cooperative di dati implica anche un ripensamento delle regole di accesso, utilizzo e valorizzazione delle informazioni. Oggi il paradigma dominante tende a considerare il dato come una risorsa immateriale di cui il cittadino non percepisce pienamente il valore economico e strategico, mentre il beneficio si concentra prevalentemente nelle mani delle piattaforme e degli sviluppatori di sistemi di intelligenza artificiale. Quali strumenti ritiene necessari per rafforzare il controllo degli individui sulle proprie informazioni?

Tania Cerquitelli: Il primo nodo è la consapevolezza. Oggi manca una vera data literacy: molte persone non sono pienamente consapevoli del fatto che i dati generino valore e di come questo valore venga gestito. Non è sempre chiaro chi utilizzi le informazioni, per quanto tempo, con quali garanzie e per quali finalità, incluse le finalità di business che possono cambiare nel tempo. Serve quindi spiegare non solo che il dato ha un valore economico e strategico, ma anche che il consenso alla condivisione non è un atto neutro. Accettiamo spesso condizioni d’uso o cookie senza comprendere davvero per quali scopi i nostri dati potranno essere impiegati. In questo senso, la formazione, l’educazione e l’informazione diventano elementi strutturali del modello cooperativo, perché maggiore consapevolezza significa maggiore capacità di scelta. Nel nostro modello di cooperativa dei dati abbiamo introdotto il concetto di data pedigree: un’informazione aggiuntiva che accompagna il dato e che descrive in modo trasparente quale consenso informato sia stato rilasciato, per quali obiettivi e con quali limiti temporali. Non basta “condividere” il dato, ma occorre decidere come e per chi quel dato produce valore, e mantenere la possibilità di revocare il consenso nel tempo. I dati accumulati su archi temporali lunghi possono acquisire maggiore valore perché descrivono trend storici, ma questo non significa che l’autorizzazione debba essere indefinita.

Un altro aspetto riguarda la tutela della privacy e degli attributi sensibili. L’AI Act europeo limita l’uso di determinate categorie di dati nei processi algoritmici, rendendo necessario un solido processo di anonimizzazione. In questo quadro si inserisce anche l’utilizzo di dati sintetici attraverso tecniche che permettono di generare informazioni artificiali a partire da dati reali, riducendo i rischi per la riservatezza. Tuttavia, anche quando il dato viene trasformato, resta fondamentale il rispetto del consenso originario. Rafforzare il controllo individuale richiede dunque tre elementi integrati: la consapevolezza culturale, gli strumenti tecnici di tracciabilità e protezione, e un modello di governance che restituisca centralità alla persona.

Affinché una cooperativa di dati possa funzionare concretamente, sono necessari anche requisiti infrastrutturali e architetturali adeguati. Quali condizioni tecniche ritiene indispensabili in termini di interoperabilità, armonizzazione delle fonti, standard comuni e tracciabilità lungo la filiera del dato? Inoltre, quali elementi distinguono un progetto realmente solido e scalabile da una semplice dichiarazione di intenti?

Tania Cerquitelli: Una cooperativa di dati implica innanzitutto la condivisione, che può avvenire a diversi livelli. Nel caso più semplice, un insieme di persone decide di mettere in comune informazioni omogenee per tipologia e granularità, rendendo l’integrazione relativamente più gestibile. La complessità aumenta quando la cooperativa si espande e coinvolge enti, organizzazioni o istituzioni diverse: in questo caso occorre integrare dati provenienti da sorgenti eterogenee, con strutture e standard differenti. Per questo nel nostro modello abbiamo previsto l’utilizzo di un’ontologia di riferimento, che consente di mappare dati diversi all’interno di un quadro concettuale condiviso. L’ontologia permette di classificarli in base al dominio applicativo, al contenuto informativo e alle dimensioni di tempo, spazio e granularità, così da renderli comparabili e interoperabili senza imporre uniformità forzate. È quindi possibile combinare dati molto dettagliati con dati più aggregati, perché l’obiettivo non è descrivere il singolo individuo, ma individuare pattern e correlazioni utili a comprendere fenomeni collettivi. Questo aspetto è rilevante anche sul piano normativo, poiché molte forme di analisi individuale, come il credit scoring o il social scoring, sono considerate ad alto rischio o vietate. Il nostro obiettivo non è costruire profili personali, ma generare conoscenza orientata a finalità sociali. Un altro elemento centrale è poi la tracciabilità, che nel modello cooperativo opera in due direzioni: da un lato consente di ricostruire l’origine dei dati utilizzati nei modelli, come richiesto dalle normative; dall’altro è orientata all’utente, che deve poter sapere in quale applicazione i propri dati sono stati impiegati, quando e per quali finalità. Garantire evidenza puntuale degli utilizzi lungo l’intero ciclo di vita del dato significa rafforzare concretamente il controllo individuale e la possibilità di revoca del consenso.

Quanto alla solidità del progetto, da ingegnere ritengo che un’iniziativa sia tale solo se basata su evidenze empiriche. Il primo passo è dimostrare che esistono applicazioni concrete, non ancora presenti sul mercato, che possano essere supportate dai dati disponibili. Nel nostro caso abbiamo lavorato su dataset anonimizzati relativi a pattern di acquisto e accesso ai servizi, integrandoli con fonti esterne. Le prime evidenze sono promettenti. Ciò che distingue una progettualità solida da una semplice dichiarazione di intenti è proprio questo percorso: analisi dei dati, validazione scientifica, progettazione operativa e solo successivamente eventuale scalabilità. Dal punto di vista tecnico, il modello è stato progettato e i suoi componenti sono in fase di validazione. Possiamo quindi parlare di proof of concept. Ciò che ancora manca è la definizione completa del business plan e la fase di investimento e implementazione su larga scala. Tuttavia, sul piano tecnologico e metodologico, la soluzione è solida e realizzabile.