data act

Portabilità del capitale cognitivo: il lock-in nascosto dell’AI


Indirizzo copiato

Il Data Act rende più semplice cambiare fornitore cloud, ma memorie, prompt, configurazioni e comportamenti appresi restano prigionieri delle piattaforme AI. La portabilità del capitale cognitivo diventa così il nuovo terreno del lock-in, da affrontare con clausole contrattuali, architetture proprietarie ed exit drill periodici

Pubblicato il 21 ott 2026

Cristiano Redona

CEO di PUPAU.ai



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
ChatGPT Image 13 ott 2026, 15_42_57




Dal 12 settembre 2025 cambiare fornitore cloud è un diritto: il Data Act impone contratti che consentono il trasferimento dei dati esportabili entro trenta giorni, dopo un preavviso massimo di due mesi, e azzererà ogni costo di switching dal 12 gennaio 2027, ferme restando le eventuali penali di recesso anticipato [1].

Il legislatore europeo ha impiegato anni per chiudere il lock-in sui dati. E proprio mentre lo chiudeva, dentro le piattaforme di intelligenza artificiale ne stava nascendo uno di natura diversa, che nessuna delle norme appena entrate in vigore intercetta: memorie, contesti, istruzioni e configurazioni accumulati con l’uso quotidiano, che nessun formato di export restituisce. I dati hanno standard di portabilità. Il capitale cognitivo no.

Portabilità del capitale cognitivo: il lock-in passa dai dati al metodo

La portabilità dei dati è un problema in via di soluzione normativa. L’articolo 20 del GDPR garantisce dal 2018 il diritto di ricevere i propri dati personali in formato strutturato e di uso comune; il Data Act estende ora la logica ai servizi cloud, imponendo ai fornitori PaaS e SaaS interfacce aperte e l’export dei dati in formato leggibile da macchina, e ai fornitori IaaS l’equivalenza funzionale verso servizi dello stesso tipo [1].

Nel frattempo l’oggetto del contendere si è spostato. Il 58 per cento dei dipendenti usa strumenti AI al lavoro [2], e ogni giorno di uso deposita nella piattaforma qualcosa che non è un dato in senso classico: memorie che il sistema costruisce sull’utente e sul suo contesto, istruzioni personalizzate raffinate per mesi, cronologie che alimentano le risposte successive, librerie di prompt, configurazioni di agenti, indici semantici costruiti sulle basi di conoscenza aziendali, adattamenti di modello ospitati dal fornitore.

È il metodo di lavoro reso operativo dentro lo strumento: capitale cognitivo, per essere precisi, perché il valore non sta nei testi ma nel comportamento che quei testi hanno insegnato al sistema.

C’è poi un aggravante di perimetro che rende il problema doppio. Una parte di questo deposito non avviene nemmeno dentro il contratto aziendale: in uno studio IBM sui lavoratori d’ufficio, il 21 per cento opera esclusivamente su app personali [3]. Per quella quota il lock-in è duplice: la piattaforma non restituisce il comportamento appreso, e l’azienda non è neppure la controparte contrattuale che potrebbe chiederlo.

L’export standard di qualunque piattaforma restituisce le conversazioni. Le conversazioni sono i dati. Il comportamento appreso è un’altra cosa, e non c’è nel pacchetto.

Perché l’export non garantisce la portabilità del capitale cognitivo

La ragione non è commerciale, o non solo. È strutturale, e conviene guardarla componente per componente.

Le componenti che restano nella piattaforma

Le memorie sono rappresentazioni interne del sistema del fornitore: non esistono come file consegnabili, esistono come stato di una piattaforma. E anche dove la piattaforma le mostra come elenco consultabile, ciò che si copia è la descrizione delle memorie, non lo stato che il sistema ne ha derivato. Le istruzioni personalizzate si possono copiare come testo, ma il testo non è l’asset: lo stesso prompt produce comportamenti diversi su modelli diversi, e ciò che l’utente ha realmente accumulato è la prevedibilità, il sapere esattamente come quel sistema risponde a quella formulazione. La prevedibilità non ha formato di scambio.

Gli indici semantici sono legati al modello di embedding che li ha generati: cambiare fornitore significa re-indicizzare da zero l’intera base di conoscenza. Gli adattamenti di modello ospitati su piattaforme chiuse restano al fornitore, perché i pesi non si scaricano. Le configurazioni degli agenti vivono in formati proprietari che nessun concorrente legge.

E qui la norma appena celebrata mostra il suo perimetro: l’articolo 2, punto 38 del regolamento definisce i dati esportabili come i dati di input e output generati dall’uso del servizio da parte del cliente, escludendo espressamente gli asset e i dati protetti da diritti di proprietà intellettuale o costituenti segreto commerciale del fornitore o di terzi [5]. Le rappresentazioni interne che incorporano il metodo del cliente stanno esattamente in quella zona esclusa. Il diritto di portare via i propri dati è ora solido; il diritto di portare via il proprio modo di lavorare non esiste.

La migrazione AI e il costo del lock-in cognitivo

Per capire quanto costerà uscire, il riferimento giusto non è il trasloco di uno storage. È la migrazione di un ERP, e i numeri di quel mondo sono istruttivi: secondo l’ultima rilevazione di Panorama Consulting, oltre un quarto delle organizzazioni sfora il budget di progetto e quasi un quarto sfora i tempi, con le cause principali di natura organizzativa (governance, resistenza al cambiamento, riprogettazione dei processi) più che tecnica [4].

Dai progetti ERP alle piattaforme AI

La migrazione tra piattaforme AI ha la stessa struttura di costo, perché non sposta file: ricostruisce comportamento. Ogni prompt va ritarato sul nuovo modello, perché la formulazione che funzionava non funziona uguale. Ogni base di conoscenza va re-indicizzata. Ogni agente va ricollaudato sui casi reali. E ogni persona va riaddestrata a un sistema che risponde in modo diverso, che è esattamente la componente organizzativa che fa deragliare gli ERP.

Con un’aggravante che gli ERP non hanno. Nel cloud tradizionale il costo di uscita è proporzionale ai gigabyte: cresce con l’accumulo, non con il valore. Nelle piattaforme AI il costo di uscita è proporzionale al valore creato: più l’adozione funziona, più metodo si deposita nello strumento, più la migrazione costa.

Il lock-in cognitivo cresce con il successo dell’adozione. È l’unico lock-in che punisce chi usa bene lo strumento più di chi lo usa male, e per questo il mercato non lo ha ancora prezzato: si manifesta al primo rinnovo contrattuale, quando il fornitore sa che l’uscita costa al cliente più di qualunque aumento, e la trattativa parte già chiusa.

Come i rinnovi contrattuali rafforzano il lock-in cognitivo

Le trattative di rinnovo osservate nei contesti di advisory restituiscono con regolarità lo stesso copione, ed è un copione che il procurement tradizionale non riconosce perché applica all’AI le abitudini del software. La funzione acquisti negozia con energia il prezzo unitario, le fasce di consumo, gli sconti volume. Le clausole di uscita restano quelle standard del fornitore, accettate senza discussione perché al momento della firma l’uscita è un’ipotesi remota.

Il fornitore concede volentieri lo sconto sul prezzo: sa che il valore del contratto non sta nella tariffa del primo anno ma nel deposito che si accumulerà, e che al rinnovo la tariffa potrà salire di quanto serve. Lo sconto iniziale è il prezzo d’ingresso del lock-in, e chi lo festeggia sta festeggiando la propria futura mancanza di alternative.

Cinque clausole per proteggere il capitale cognitivo

Il perimetro contrattuale va costruito adesso, alla firma o al primo rinnovo, quando la leva negoziale esiste ancora. Cinque clausole, ognuna con il suo criterio di verifica, più un test annuale che misura quanto le clausole valgono davvero.

Le tutele contrattuali sul patrimonio aziendale

Prima clausola: export esteso e periodico. Il contratto deve elencare per iscritto le categorie esportabili oltre alle conversazioni (memorie dove tecnicamente restituibili, istruzioni, configurazioni di agenti, log delle interazioni, indici o in subordine i documenti sorgente con le ricette di indicizzazione), in formato documentato e leggibile da macchina, con export automatico a cadenza mensile verso storage di proprietà del cliente.

Il Data Act impone già ai servizi cloud la specificazione contrattuale di tutte le categorie di dati portabili [1]: la stessa disciplina va estesa per via negoziale ai servizi AI, senza aspettare che il legislatore ci arrivi. Criterio: l’uscita deve diventare un processo incrementale già in corso, non un evento da organizzare.

Seconda clausola: titolarità e non addestramento. Prompt, istruzioni, configurazioni e output sono proprietà del cliente; il fornitore non li usa per addestrare i propri modelli; entrambe le previsioni sopravvivono alla cessazione del contratto. Alla clausola va agganciato un diritto di audit o, in subordine, una certificazione periodica di conformità del fornitore, perché una previsione di non addestramento senza verificabilità vale quanto la fiducia che la sorregge. Senza tutto questo, l’azienda che migra lascia al fornitore un distillato del proprio metodo come regalo d’addio.

Terza clausola: adattamenti di modello. Dove il fornitore ospita fine-tuning, va negoziata la consegna dei pesi; dove i pesi non sono consegnabili perché il modello base è chiuso, va garantita la consegna del dataset di addestramento curato e delle ricette complete (iperparametri, procedure di valutazione, risultati dei test), che sono ciò che serve per replicare l’adattamento su un altro modello. Criterio: alla cessazione, il cliente deve poter rifare altrove ciò che il fornitore ha fatto per lui.

Migrazione e architettura per contenere il lock-in

Quarta clausola: assistenza alla migrazione. Transition assistance con livelli di servizio definiti, costi con tetto decrescente fino a zero (la traiettoria che il Data Act ha già reso obbligatoria per il cloud [1] è il riferimento negoziale naturale), e un periodo di esercizio in parallelo dei due sistemi a carico condiviso. Criterio: la durata massima della transizione va scritta in giorni, non lasciata a formule di ragionevolezza.

Quinta clausola, che in realtà è una scelta di architettura: il metodo non va tenuto dentro la piattaforma. Librerie di prompt, basi di conoscenza e logiche di orchestrazione degli agenti vanno mantenute in un layer di proprietà dell’azienda, su infrastruttura propria, con i modelli sottostanti trattati come componenti intercambiabili. È la stessa logica della scatola nera aziendale: il capitale cognitivo vive in un contenitore che l’azienda possiede, e i fornitori passano sotto di esso. Il contratto mitiga il lock-in. L’architettura lo dissolve.

Un’obiezione fondata riguarda chi le clausole non può negoziarle. La media impresa su un piano standard non siede a nessun tavolo: firma condizioni generali o non firma. In quel caso la gerarchia si inverte: la quinta clausola diventa la prima e spesso l’unica leva reale, insieme a un criterio di selezione a monte, scegliere fornitori i cui termini standard già prevedono export documentato, titolarità dei contenuti e non addestramento. La portabilità, per chi non negozia, si compra scegliendo, non contrattando.

La prova dei costi e della qualità

Il test che misura tutto: un exit drill annuale. Una volta l’anno, esportare davvero tutto ciò che le clausole promettono e ricostruire un flusso di lavoro chiave su un secondo fornitore, misurando due numeri: i giorni necessari e lo scostamento di qualità dell’output. La durata del drill è la misura oggettiva del lock-in, e il numero va riportato a chi governa il rischio d’impresa, non archiviato nell’IT.

Il costo del drill è contenuto per costruzione: un solo flusso, un piano a consumo sul secondo fornitore, qualche giornata di lavoro. Il flusso da scegliere è quello a più alta intensità di metodo, non il più semplice: un preventivo complesso, una risposta tecnica ricorrente, un’analisi che oggi richiede la piattaforma.

E il numero va confrontato anno su anno: il trend della durata dice se il lock-in si sta allargando o restringendo, e vale più del valore assoluto del primo anno. Un drill che non si chiude in tempi accettabili trasforma una clausola ben scritta in quello che è: carta.

Portabilità del capitale cognitivo e libertà di cambiare fornitore

Il Data Act ha impiegato anni tra proposta, approvazione e applicabilità, e disciplina un lock-in che il mercato conosceva da un decennio. Una norma sulla portabilità del capitale cognitivo seguirà la stessa parabola, nella migliore delle ipotesi. Aspettarla significa attraversare gli anni di massima accumulazione (questi) nella posizione negoziale peggiore, con il metodo aziendale che si deposita ogni giorno un po’ più a fondo in piattaforme che non hanno alcun obbligo di restituirlo.

L’alternativa non richiede il legislatore. Richiede cinque clausole al prossimo rinnovo, un’architettura che tenga il metodo fuori dalla piattaforma, e un test annuale che dica la verità sui numeri. Nel mercato AI dei prossimi anni, dove i fornitori cambieranno prezzi, modelli e condizioni a velocità che i cicli contrattuali non seguono, la libertà di cambiare idea sarà l’asset più sottovalutato nei bilanci. E sarà appartenuta soltanto a chi l’ha negoziata quando ancora non serviva.

Fonti

1. Commissione europea, “Data Act explained”, scheda ufficiale sul Regolamento (UE) 2023/2854: https://digital-strategy.ec.europa.eu/en/factpages/data-act-explained

2. KPMG e University of Melbourne, “Trust, attitudes and use of artificial intelligence: A global study 2025”, 2025: https://assets.kpmg.com/content/dam/kpmgsites/xx/pdf/2025/05/trust-attitudes-and-use-of-ai-global-report.pdf

3. IBM Canada, “Shadow AI Use Surges as Canadian Workers Outpace Employers in AI Adoption”, 3 settembre 2025: https://canada.newsroom.ibm.com/2025-09-03-IBM-R-Study-Shadow-AI-Use-Surges-as-Canadian-Workers-Outpace-Employers-in-AI-Adoption

4. Panorama Consulting Group, “The 2026 ERP Report”: https://4439340.fs1.hubspotusercontent-na1.net/hubfs/4439340/Reports/ERP%20Report/2026-erp-report-panorama-consulting-group.pdf

5. Regolamento (UE) 2023/2854 (Data Act), articolo 2, punto 38, testo ufficiale: https://eur-lex.europa.eu/eli/reg/2023/2854/oj/ita

Partecipa alla community

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

People&Change

Tutti
Produttività e AI
AI IN AZIENDA
AI E LAVORO
SCENARI
FORMAZIONE
CULTURA AZIENDALE
COMPETENZE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership

Articoli correlati

0
Lascia un commento, la tua opinione conta.x