L’AI non è solo software: è una nuova catena di dipendenze

L’AI non è solo software: è una nuova catena di dipendenze
Dietro ogni soluzione AI esiste una catena di dipendenze tra modelli, cloud, API e fornitori. Comprenderne struttura, rischi e criticità è fondamentale per governare l'innovazione, tutelare la continuità operativa e preservare l'autonomia aziendale.

Tabella dei Contenuti

L’intelligenza artificiale sta entrando nelle architetture aziendali con una velocità che spesso supera la capacità delle organizzazioni di comprenderne tutte le implicazioni. Un sistema viene selezionato per la qualità delle risposte, la possibilità di automatizzare determinate attività, la compatibilità con le applicazioni esistenti e il rapporto tra costi e benefici. Sono criteri necessari, ma descrivono soltanto la parte più visibile di una tecnologia la cui operatività dipende da un insieme articolato di soggetti, infrastrutture e componenti.

Dietro ogni soluzione AI esiste una catena di dipendenze tecnologiche, operative e contrattuali che può estendersi ben oltre il fornitore con cui l’azienda intrattiene il rapporto commerciale. È quella che possiamo definire AI dependency chain: una struttura nella quale foundation model, infrastrutture computazionali, API, librerie software, dataset, servizi cloud e componenti specializzati concorrono al funzionamento di un unico sistema.

Comprendere questa catena diventa essenziale quando l’intelligenza artificiale smette di essere uno strumento sperimentale e comincia a sostenere attività direttamente collegate alla continuità operativa, alla qualità dei servizi e ai processi decisionali dell’impresa.

Un servizio, molti livelli di dipendenza

L’apparente semplicità con cui un’applicazione AI viene integrata in un processo aziendale può nascondere una complessità architetturale significativa.

Un’organizzazione potrebbe utilizzare una piattaforma per analizzare documenti, classificare informazioni, assistere gli operatori o supportare decisioni attraverso dati provenienti da sistemi interni. La piattaforma, tuttavia, potrebbe utilizzare un modello sviluppato da un soggetto terzo, eseguito su infrastrutture di un ulteriore operatore cloud e accessibile mediante API sottoposte a specifiche condizioni tecniche e commerciali.

A questi livelli possono aggiungersi database vettoriali, sistemi di ricerca documentale, modelli di embedding, strumenti di orchestrazione, librerie open source e servizi esterni per la sicurezza o il monitoraggio.

Ogni componente introduce una relazione di dipendenza che non coincide necessariamente con un rischio, ma che contribuisce a definire il grado di autonomia operativa dell’intera soluzione.

Il problema emerge quando questa architettura viene percepita come un unico prodotto, senza distinguere quali elementi siano direttamente controllati dall’organizzazione, quali possano essere sostituiti e quali dipendano da decisioni esterne.

La disponibilità commerciale di un servizio non equivale, infatti, al controllo delle condizioni tecnologiche che ne rendono possibile il funzionamento.

Quando una dipendenza diventa strategica

Le dipendenze costituiscono una caratteristica strutturale dei sistemi digitali contemporanei. Nessuna organizzazione complessa può realisticamente sviluppare e governare in autonomia ogni componente della propria infrastruttura tecnologica.

L’obiettivo non dovrebbe quindi essere l’eliminazione delle dipendenze, ma la capacità di riconoscere quelle che assumono una rilevanza strategica.

Una libreria utilizzata per un’attività marginale presenta implicazioni differenti rispetto a un foundation model dal quale dipendono processi di assistenza, analisi contrattuale o elaborazione di informazioni commerciali. Allo stesso modo, un servizio facilmente sostituibile non determina il medesimo livello di esposizione di un componente profondamente integrato nei flussi applicativi.

La criticità dipende dalla combinazione di diversi fattori: importanza del processo supportato, concentrazione dei fornitori, possibilità di sostituzione, disponibilità di alternative e conseguenze economiche o operative di un’interruzione.

Un aggiornamento del modello può modificare il comportamento di un’applicazione anche senza interventi sul software aziendale. Una variazione delle condizioni di accesso alle API può richiedere adeguamenti architetturali, mentre l’introduzione di nuovi limiti di utilizzo può incidere sulla sostenibilità economica di un processo automatizzato.

Non si tratta necessariamente di anomalie o comportamenti impropri dei fornitori. Sono dinamiche fisiologiche di un mercato in evoluzione, che diventano problematiche quando l’organizzazione non dispone degli strumenti necessari per comprenderle e governarle.

Il rischio nascosto nella concentrazione tecnologica

Una delle caratteristiche più rilevanti dell’ecosistema AI è la possibilità che soluzioni apparentemente differenti condividano componenti fondamentali.

Due applicazioni acquistate da fornitori distinti potrebbero utilizzare lo stesso foundation model oppure appoggiarsi alla medesima infrastruttura cloud. La diversificazione commerciale, in questo caso, non corrisponde necessariamente a una reale diversificazione tecnologica.

È una distinzione particolarmente importante per le imprese che adottano più strumenti di intelligenza artificiale all’interno di funzioni aziendali differenti.

Un’organizzazione potrebbe ritenere di aver distribuito il proprio rischio tra diversi operatori, salvo scoprire che una parte significativa dei servizi dipende da un numero limitato di infrastrutture o tecnologie sottostanti.

Il rischio di concentrazione non riguarda soltanto quanti fornitori vengono utilizzati, ma quanti punti di dipendenza vengono effettivamente condivisi.

Questa esposizione può manifestarsi attraverso disservizi, modifiche contrattuali, vulnerabilità comuni o cambiamenti nella disponibilità di specifiche tecnologie.

La valutazione della resilienza dovrebbe quindi superare il perimetro del singolo contratto e considerare le interdipendenze tra servizi apparentemente autonomi.

Sicurezza, dati e responsabilità lungo la catena AI

La complessità della filiera introduce anche questioni che riguardano la cybersecurity, la protezione delle informazioni e l’attribuzione delle responsabilità.

Il framework OWASP dedicato alle applicazioni basate su Large Language Model identifica la sicurezza della supply chain tra le principali aree di rischio, richiamando l’attenzione su componenti software vulnerabili, modelli di terze parti, dataset e possibili alterazioni degli elementi utilizzati nello sviluppo o nell’esecuzione dei sistemi.

Anche il NIST, nel profilo dedicato all’intelligenza artificiale generativa, considera esplicitamente le problematiche connesse alla catena del valore e all’integrazione di componenti provenienti da soggetti differenti.

Per le imprese, queste indicazioni suggeriscono un cambiamento nell’approccio alla gestione del rischio.

Non è sufficiente verificare la sicurezza dell’applicazione finale se non esiste una visibilità adeguata sui componenti che ne determinano il comportamento. Diventa necessario comprendere quali dati attraversino i diversi servizi, quali soggetti possano trattarli, quali controlli siano disponibili e come vengano gestite vulnerabilità e modifiche tecnologiche.

La dimensione normativa aggiunge ulteriori elementi. L’AI Act europeo distingue responsabilità e obblighi lungo la catena del valore dell’intelligenza artificiale, rendendo rilevante il ruolo effettivamente assunto dai diversi operatori e, in determinati casi, le modifiche apportate ai sistemi.

La governance dell’AI non può quindi essere ricondotta esclusivamente alla scelta iniziale di un fornitore affidabile. Richiede una comprensione continuativa dell’ecosistema tecnologico e delle responsabilità che lo attraversano.

Dalla scelta del modello alla progettazione dell’architettura

Il passaggio decisivo consiste nel considerare l’intelligenza artificiale non soltanto come una funzionalità da acquistare, ma come una componente architetturale destinata a evolvere.

Questa prospettiva modifica il modo in cui vengono valutate le alternative.

La qualità di un modello rimane importante, ma deve essere considerata insieme alla stabilità delle interfacce, alla trasferibilità dei dati, alla possibilità di utilizzare modelli alternativi e alla sostenibilità delle integrazioni nel tempo.

Un’architettura progettata per separare le applicazioni dai singoli servizi AI può rendere più agevole la sostituzione di un componente, pur senza eliminare automaticamente le differenze funzionali tra modelli.

Cambiare foundation model, infatti, non significa soltanto modificare un endpoint API. Può richiedere nuove verifiche sui risultati, adattamenti dei prompt, revisioni dei controlli di sicurezza e ulteriori attività di validazione.

La reversibilità deve quindi essere progettata e verificata, non semplicemente dichiarata.

Anche l’adozione di modelli open source o open-weight può ampliare le possibilità di controllo, ma non garantisce di per sé indipendenza. Rimangono le esigenze di capacità computazionale, competenze specialistiche, manutenzione, sicurezza e gestione delle licenze.

La vera questione non è stabilire se una tecnologia sia proprietaria oppure aperta, ma comprendere quale margine decisionale l’organizzazione conserva quando cambiano le condizioni del contesto tecnologico.

La governance delle dipendenze come capacità aziendale

Per trasformare questa consapevolezza in una capacità concreta, le imprese devono integrare la mappatura delle dipendenze nei processi di governo dell’IT.

Un inventario delle applicazioni AI dovrebbe consentire di identificare non soltanto i prodotti utilizzati, ma anche i modelli, i servizi esterni, le infrastrutture e le principali integrazioni che ne sostengono il funzionamento.

Questa conoscenza diventa particolarmente importante per i sistemi inseriti nei processi core, nei quali l’indisponibilità o il cambiamento di un componente può produrre conseguenze che superano il perimetro tecnico.

La valutazione dovrebbe coinvolgere architettura IT, sicurezza, procurement, funzioni legali e responsabili dei processi aziendali, perché le dipendenze tecnologiche possono tradursi contemporaneamente in rischi operativi, contrattuali, economici e organizzativi.

L’obiettivo non è moltiplicare i controlli, ma creare le condizioni per assumere decisioni informate, distinguendo le dipendenze accettabili da quelle che richiedono misure di mitigazione, alternative disponibili o specifici piani di continuità.

L’autonomia tecnologica si misura nella capacità di scegliere

L’intelligenza artificiale sta ridefinendo il rapporto tra le imprese e i propri fornitori tecnologici. La sua integrazione crescente nei processi aziendali rende alcune dipendenze più profonde, meno visibili e potenzialmente più difficili da modificare rispetto a quelle associate al software tradizionale.

Questo scenario non dovrebbe rallentare l’innovazione, ma incoraggiare una maggiore maturità nella progettazione delle architetture e nella gestione delle relazioni tecnologiche.

Le organizzazioni più preparate non saranno necessariamente quelle che possiedono un maggior numero di componenti o che riducono al minimo il ricorso a servizi esterni. Saranno quelle capaci di comprendere la propria esposizione, governare le interdipendenze e preservare alternative credibili quando le condizioni cambiano.

Perché il valore strategico dell’AI non dipenderà soltanto da ciò che un sistema riesce a fare oggi, ma anche dalla libertà che l’impresa conserverà nel decidere come farlo domani.

Sai realmente da quanti soggetti dipende oggi una soluzione AI utilizzata dalla tua organizzazione?

Aree di intervento›
Servizi›
Prodotti›
Azienda›
Resources›
‹ Indietro