Abstract
Secondo Satya Nadella, amministratore delegato di Microsoft, le imprese rischiano di pagare l’intelligenza artificiale due volte: prima con il prezzo del servizio e poi con la conoscenza che devono comunicare per renderlo utile.
L’allarme non riguarda soltanto la riservatezza dei prompt o l’eventuale addestramento dei modelli. Il vero problema emerge quando memoria, correzioni, criteri di valutazione e processi aziendali restano incorporati in una piattaforma dalla quale non possono essere esportati. Per evitarlo non è necessario che ogni impresa costruisca un proprio modello, ma occorre conservare il controllo tecnico e contrattuale della conoscenza sviluppata durante l’utilizzo dell’AI.
Perché Nadella sostiene che l’impresa paga l’AI due volte?
Il 12 luglio 2026, Satya Nadella ha pubblicato un intervento intitolato The Reverse Information Paradox. Il punto di partenza era il “paradosso dell’informazione” formulato dall’economista Kenneth Arrow: chi acquista un’informazione non può valutarla senza conoscerla, ma – una volta conosciuta – l’ha già ottenuta.
Secondo Nadella, con l’intelligenza artificiale il problema si capovolge. È il cliente che, per ricevere un servizio utile, deve comunicare al fornitore qualcosa di prezioso.
Un modello generico può scrivere una lettera, riassumere un documento o analizzare una tabella. Per diventare realmente efficace all’interno di un’impresa, però, deve conoscere prodotti, clienti, procedure, documenti, criteri decisionali ed errori da evitare. Più il sistema comprende l’organizzazione, più valore riceve dalle informazioni che l’organizzazione stessa gli fornisce.
Il 26 luglio 2026, intervistato da Fareed Zakaria, Nadella ha sostenuto che un’impresa dovrebbe trattenere i metadati prodotti durante l’utilizzo dei modelli, così da poterli impiegare per migliorare sistemi propri o modelli alternativi. In assenza di questo controllo, l’impresa avrebbe «esternalizzato il proprio pensiero». La trascrizione integrale dell’intervista consente però di ridimensionare una semplificazione circolata nei giorni successivi.
Nadella non afferma che ogni impresa debba sviluppare da zero un modello proprietario. Propone piuttosto di separare dal singolo modello tutto ciò che rende l’AI utile per quella specifica organizzazione: memoria, contesto, strumenti, istruzioni, verifiche e flussi di lavoro. In questo modo, un modello può essere sostituito senza disperdere la conoscenza accumulata.
La tesi, naturalmente, non è neutrale. Microsoft vende proprio l’infrastruttura cloud e gli strumenti necessari per costruire sistemi multimodello. L’interesse commerciale del proponente non rende però irrilevante il problema: obbliga, semmai, a verificarlo con maggiore precisione.
L’AI utilizza prompt e correzioni degli utenti per addestrarsi?
Dire che un modello “impara” da ogni conversazione può essere fuorviante. Durante il normale utilizzo, infatti, i parametri del modello non vengono necessariamente modificati a ogni prompt utilizzato. Il modello elabora l’input e produce una risposta, ma non per questo incorpora automaticamente quel contenuto nei propri “pesi”.
Ciò che può essere conservato è l’ambiente circostante: cronologia delle conversazioni, documenti collegati, chiamate agli strumenti, correzioni apportate dagli utenti, giudizi sugli output e risultati ottenuti. Sono le cosiddette traces, ossia le registrazioni dei passaggi compiuti dal sistema.
Una singola richiesta può avere poco valore. Una lunga sequenza di correzioni può invece mostrare come l’impresa distingue un risultato accettabile da uno sbagliato. Se un ufficio commerciale corregge sistematicamente le offerte generate dall’AI, quelle modifiche rivelano politiche di prezzo, margini, priorità negoziali e modalità di relazione con i clienti. Se un agente AI esamina centinaia di pratiche, la sua memoria può incorporare criteri decisionali che prima appartenevano soltanto alle persone.
Questo non significa che i principali fornitori utilizzino automaticamente i dati dei clienti professionali per addestrare i propri modelli. OpenAI dichiara che i contenuti dei prodotti Business, Enterprise e API non sono utilizzati per l’addestramento per impostazione predefinita. Una regola analoga è prevista da Anthropic per i propri prodotti commerciali e da Microsoft per i modelli distribuiti attraverso Azure.
Le condizioni possono però cambiare tra prodotti consumer e aziendali, tra account individuali e workspace amministrati, oppure quando l’utente decide di inviare un feedback. Non basta quindi chiedersi se i dati siano utilizzati per il training. Occorre verificare quali dati vengano conservati, per quanto tempo, a quali scopi e in quale forma possano essere recuperati.
Lo stesso vale per i prompt. Come abbiamo spiegato nell’articolo dedicato a titolarità, utilizzo e tutela dei prompt aziendali, alcuni prompt possono contenere istruzioni, selezioni informative o know-how competitivo. Il rischio non dipende soltanto dalla loro copiabilità, ma dal modo in cui l’impresa ne controlla accesso, conservazione e riutilizzo.
A chi appartengono dati, memoria e conoscenza aziendale?
Nel linguaggio corrente si parla spesso di “proprietà dei dati”. Dal punto di vista giuridico, però, non esiste un unico diritto di proprietà applicabile indistintamente a ogni dato o metadato.
Alcuni contenuti possono essere protetti dal diritto d’autore, se presentano i relativi requisiti. Una raccolta organizzata può beneficiare della tutela delle banche dati. I dati personali sono disciplinati dal Regolamento (UE) 2016/679 (GDPR), che attribuisce diritti agli interessati e obblighi a chi li tratta, ma non trasforma ogni dato in un bene di proprietà dell’impresa.
Per molte informazioni aziendali la tutela più pertinente è quella dei segreti commerciali. L’art. 98 del Codice della proprietà industriale, in attuazione della direttiva (UE) 2016/943, protegge le informazioni aziendali che siano segrete, abbiano valore economico proprio perché segrete e siano sottoposte a misure ragionevolmente adeguate a mantenerle riservate.
Questo requisito ha un rilievo concreto quando dipendenti e collaboratori inseriscono documenti riservati in account personali o in servizi non autorizzati. Non ogni comunicazione a un provider determina automaticamente la perdita del segreto, ma l’assenza di policy, controlli degli accessi e condizioni contrattuali coerenti può indebolire la prova della ragionevole adeguatezza delle misure adottate dall’impresa.
Per questo, il contratto coi fornitori di servizi AI deve distinguere almeno:
- dati e documenti forniti dall’impresa;
- prompt e istruzioni di sistema;
- output generati;
- cronologie, log e metadati;
- feedback, correzioni e criteri di valutazione;
- configurazioni, memorie e basi documentali create durante il rapporto.
Per ciascuna categoria occorre stabilire chi possa accedere, utilizzare, esportare, cancellare o riutilizzare le informazioni. Il tema è già stato affrontato, in termini più generali, nel mio approfondimento sui contratti AI e sulla disciplina di dati, modelli, output ed exit.
Anche il Regolamento (UE) 2023/2854 (Data Act), applicabile dal 12 settembre 2025, interviene sul problema e impone ai fornitori di servizi di trattamento dati specifiche misure per agevolare il passaggio ad altri operatori. Secondo la Commissione europea, i dati rilevanti per lo switching comprendono input, output e metadati generati dall’utilizzo del servizio. I fornitori di servizi Platform e Software as a Service devono inoltre rendere disponibili interfacce aperte e consentire, almeno, esportazioni in formati comunemente utilizzati e leggibili automaticamente.
La disciplina non consegna però al cliente il modello del fornitore, né supera i diritti di proprietà intellettuale o i segreti commerciali di quest’ultimo. Inoltre, la sua applicabilità deve essere verificata in relazione alla struttura concreta del servizio AI. La portabilità prevista dalla legge costituisce una base minima, non sostituisce una disciplina contrattuale costruita sul sistema effettivamente utilizzato.
Come evitare di dipendere da un solo fornitore?
Il problema non si risolve imponendo a ogni PMI di costruire un proprio modello LLM. Una soluzione del genere sarebbe quasi sempre antieconomica e tecnicamente sproporzionata.
L’obiettivo è un altro: fare in modo che il valore prodotto utilizzando l’AI si accumuli nell’impresa e non soltanto nella piattaforma.
Prima di adottare un sistema occorre quindi verificare:
- quale prodotto e quale tipo di account verranno utilizzati;
- se input, output, memoria, log, feedback e configurazioni siano esportabili;
- se il fornitore possa usare tali materiali per training, analisi, sviluppo o feedback;
- quali dati restino disponibili dopo la cessazione del contratto;
- se memoria, contesto e strumenti possano essere collegati a modelli differenti;
- quali obblighi di assistenza, cancellazione e continuità siano previsti durante l’uscita.
La distinzione tecnica proposta da Nadella riguarda soprattutto l’harness: l’ambiente che mette a disposizione del modello strumenti, memoria, permessi, controlli e procedure. La documentazione tecnica di Microsoft lo definisce come l’insieme delle capacità che circondano l’agente e lo rendono utilizzabile nei processi reali. Se questo ambiente resta separato dal modello, l’impresa può sostituire il motore senza perdere l’intera macchina.
A ben vedere, è una nuova manifestazione di un problema già noto nei rapporti con i fornitori tecnologici. Nel software tradizionale, la dipendenza nasceva dalla mancata disponibilità del codice sorgente o della documentazione, come abbiamo spiegato in “Ma il codice sorgente va consegnato, oppure no?” e nell’approfondimento sul rischio di dipendenza tecnologica e software escrow. Con l’AI, l’effetto lock-in può derivare da qualcosa di meno visibile: la memoria operativa costruita giorno dopo giorno attraverso l’interazione tra persone e sistema.
La domanda da porsi – in definitiva – è quindi semplice: se domani il modello utilizzato non fosse più disponibile, l’impresa conserverebbe i propri dati, le istruzioni, le correzioni, i criteri decisionali e la capacità di continuare a lavorare con un altro fornitore?
Se la risposta è negativa, l’impresa non ha acquistato soltanto un servizio. Ha trasferito (e magari perso) all’esterno una parte crescente della propria capacità di pensare e di operare.
Revisionato da: Daniele Camaiora
Data di pubblicazione: 13 Agosto 2026
© Canella Camaiora S.t.A. S.r.l. - Tutti i diritti riservati.
È consentita la riproduzione testuale dell’articolo, anche a fini commerciali, nei limiti del 15% della sua totalità a condizione che venga indicata chiaramente la fonte. In caso di riproduzione online, deve essere inserito un link all’articolo originale. La riproduzione o la parafrasi non autorizzata e senza indicazione della fonte sarà perseguita legalmente.
Arlo Canella
Managing & founding partner, avvocato del Foro di Milano e cassazionista, responsabile formazione e ricerca indipendente dello Studio CC®.