Nei sistemi di intelligenza artificiale, il rischio per la privacy non si esaurisce con la raccolta del dato: persiste nel modello che lo ha elaborato, sotto forma di pattern, correlazioni e tracce individuali assorbite durante il training. Il Digital Omnibus impone di ripensare la minimizzazione come presidio continuo e misurabile. Non più una misura statica sul dataset, ma un sistema di controllo articolato su tre livelli: prima, durante e dopo l’addestramento.
Cosa si intende per minimizzazione dinamica? L’interpretazione del principio di minimizzazione secondo cui l’adeguatezza del trattamento deve essere valutata non solo rispetto ai dati raccolti, ma anche rispetto alla quantità di informazione individuale che il modello è in grado di acquisire, conservare, ricostruire o rendere inferibile durante il proprio ciclo di vita.
Indice degli argomenti
Digital Omnibus, GDPR e AI Act nella minimizzazione dinamica AI
Il 19 novembre 2025 la Commissione Europea ha presentato il pacchetto Digital Omnibus, due proposte di regolamento che intervengono rispettivamente sul quadro generale della protezione dei dati e specificamente sull’AI Act. Le proposte sono attualmente in fase di esame da parte di Parlamento e Consiglio europeo: il testo finale potrà subire modifiche prima dell’adozione definitiva.
Nel frattempo, il quadro vigente impone già obblighi precisi. Il GDPR stabilisce il principio di minimizzazione dei dati e introduce la privacy by design e by default, estendendo questo principio all’intero ciclo di progettazione e sviluppo del trattamento. L’AI Act, in vigore dal 1° agosto 2024 con applicazione progressiva, prevede per i sistemi ad alto rischio obblighi specifici di data governance che includono pratiche di esame, pulizia e gestione dei dataset di training.
Va segnalato che gli obblighi per i sistemi ad alto rischio, inizialmente previsti per agosto 2026, si applicano dal 2 dicembre 2027 in seguito all’accordo politico sull’omnibus per l’IA del 7 maggio 2026. Il rinvio riguarda però solo questa categoria: gli obblighi di trasparenza restano fissati ad agosto 2026, e i requisiti fondamentali di minimizzazione e privacy by design del GDPR sono già pienamente vigenti. I presupposti per un approccio dinamico alla minimizzazione esistono quindi già oggi, indipendentemente dal calendario dell’AI Act.
Come abbiamo interpretato la minimizzazione fino ad oggi
Per anni, minimizzare i dati ha voluto dire raccogliere meno, conservare meno a lungo, limitare gli accessi, cancellare quando non serve più. È un’interpretazione corretta, ma parziale. Nei sistemi di machine learning il rischio non è confinato al dataset utilizzato per l’addestramento: durante il training, un modello può assorbire pattern, correlazioni e tracce individuali che non scompaiono quando si cancella il dato originale; possono riflettersi nei parametri del modello e nel suo comportamento inferenziale.
Il GDPR, letto insieme agli obblighi di data governance dell’AI Act, impone che le misure di protezione dei dati siano integrate nel sistema sin dalla progettazione e che i dataset di training siano gestiti con pratiche adeguate rispetto alle finalità. Questo significa controllare non solo cosa entra nel modello, ma quanto il modello può apprendere da ciò che vi entra, e cosa è in grado di rivelare una volta in produzione.
Cosa fare prima di avviare il training
Il lavoro sul dataset non si riduce a togliere nome e cognome. L’AI Act richiede che i dataset di training siano esaminati rispetto a possibili bias e che vengano adottate pratiche di data governance appropriate. In termini operativi, questo significa verificare quali attributi siano davvero necessari alla finalità del modello, quali possano essere aggregati o generalizzati senza perdere potere predittivo, e se esistano variabili apparentemente neutre che funzionano da proxy di categorie protette. Queste ultime sono le più insidiose: non si vedono nei campi, emergono nei risultati.
Cosa succede durante l’addestramento e dopo in produzione
L’addestramento è la fase in cui il principio di minimizzazione si traduce in scelte progettuali. L’obiettivo non è impedire al modello di apprendere, ma limitare la possibilità che incorpori informazioni riconducibili ai singoli interessati. Tecniche come la differential privacy, il gradient clipping o la regolarizzazione riducono il rischio che dati specifici influenzino in modo eccessivo il modello, contribuendo a dare attuazione ai principi di minimizzazione e di privacy by design. Non si tratta di obblighi imposti dal GDPR, ma di strumenti che possono dimostrare, in modo documentabile, l’effettiva adozione di misure adeguate.
La conformità non si esaurisce con l’addestramento. Anche un modello sviluppato correttamente può conservare informazioni tali da consentire inferenze sui dati utilizzati per il training. Per questo è necessario verificare se il comportamento del sistema consenta di ricostruire o dedurre informazioni riferibili agli interessati. Tali verifiche rappresentano un elemento essenziale della valutazione del rischio e dell’effettività delle misure di minimizzazione adottate.
Misurare oltre il dichiarare
L’accountability richiede che il titolare sia in grado di dimostrare l’efficacia delle misure adottate. Non è sufficiente dichiarare di aver applicato tecniche di protezione: occorre documentarne i risultati attraverso indicatori verificabili e aggiornarli in occasione dei successivi cicli di addestramento. Nei sistemi di intelligenza artificiale la compliance diventa quindi un processo continuo, fondato su evidenze tecniche e non su mere dichiarazioni.
Le conseguenze organizzative
Se la minimizzazione riguarda anche il comportamento del modello, le decisioni che incidono sul livello di protezione dei dati non possono essere considerate esclusivamente tecniche. Il GDPR richiede che la protezione dei dati sia integrata sin dalla progettazione del trattamento: ne consegue la necessità di un presidio che coinvolga competenze tecniche, giuridiche e organizzative, con responsabilità chiaramente individuate e documentate.
In questa prospettiva, la documentazione del trattamento non dovrebbe limitarsi a descrivere lo sviluppo del modello, ma anche le misure adottate per limitarne la capacità di conservare o rendere inferibili informazioni riferibili agli interessati. Una descrizione generica dell’attività svolta difficilmente soddisfa gli obblighi di accountability previsti dal GDPR.
Orizzonti della minimizzazione dinamica AI
L’adozione definitiva del Digital Omnibus rafforzerà questo quadro, introducendo un coordinamento più esplicito tra AI Act e GDPR e chiarendo alcune zone grigie nell’applicazione delle due normative ai sistemi di apprendimento automatico. Ma i requisiti fondamentali esistono già: il principio di minimizzazione, la privacy by design, l’obbligo di valutazione d’impatto per i trattamenti ad alto rischio.
La domanda da fare a qualsiasi sistema AI che tratta dati personali non è più solo quali dati siano stati raccolti. È quanto il modello sa di ciascun individuo nel dataset e, soprattutto, se chi lo ha sviluppato è in grado di rispondere con dati alla mano, documentati e aggiornati.
Partecipa alla community