l'approfondimento

Dati di monitoraggio dell’AI: quanto conservarli senza violare il GDPR


Indirizzo copiato

L’AI Act impone il monitoraggio dei sistemi ad alto rischio e una conservazione minima dei log, mentre il GDPR limita la durata dei trattamenti e riconosce il diritto alla cancellazione. Il punto di equilibrio passa da necessità, proporzionalità, basi giuridiche distinte e termini differenziati per dati integrali, pseudonimizzati e anonimi

Pubblicato il 17 nov 2026



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
ChatGPT Image 8 nov 2026, 12_24_13




La conservazione dei dati di monitoraggio nell’AI Act incontra i limiti imposti dal GDPR alla durata dei trattamenti e al sacrificio del diritto alla cancellazione. Per fornitori e deployer, la soluzione passa da basi giuridiche distinte, minimizzazione e tempi graduati in funzione delle finalità.

Conservazione dei dati di monitoraggio tra AI Act e GDPR

Il Regolamento (UE) 2024/1689 (di seguito, AI Act) e il Regolamento (UE) 2016/679 (GDPR) condividono un’impostazione fondata sul rischio, ma non si ispirano alla medesima concezione del tempo del dato. Da tale asimmetria muove il presente contributo, che ha ad oggetto il rapporto tra gli obblighi di monitoraggio successivo all’immissione sul mercato e di segnalazione degli incidenti gravi, previsti dagli articoli 72 e 73 dell’AI Act e sorretti dalla disciplina dei log (artt. 12 e 19), e il principio di limitazione della conservazione sancito dall’articolo 5, paragrafo 1, lettera e), del GDPR.

Si sostiene che le due discipline non si limitino a sovrapporsi, ma esprimano finalità ordinatrici distinte: l’una, di vigilanza sul prodotto, richiede una conservazione protratta per l’intero periodo in cui il sistema è in uso; l’altra, di tutela dei dati personali, subordina la legittimità della conservazione alla persistenza della finalità che la giustifica. La distinzione non va tuttavia assolutizzata. L’AI Act persegue anch’esso la protezione dei diritti fondamentali (art. 1, par. 1) e rinvia espressamente al diritto della protezione dei dati (artt. 2, par. 7, 19 e 26, par. 6); il GDPR, a sua volta, ammette le conservazioni imposte dal diritto dell’Unione (artt. 6, par. 1, lett. c), e 17, par. 3, lett. b)).

Il problema non è dunque quello di un conflitto tra ordinamenti incommensurabili, bensì quello di una determinazione mancante: l’AI Act fissa periodi minimi di conservazione, non ne stabilisce di massimi e non precisa l’estensione del trattamento di dati personali che il monitoraggio comporta.

L’obiettivo è ricostruire, in via di interpretazione sistematica, la base giuridica e i limiti temporali applicabili alla conservazione dei dati di monitoraggio, distinguendola da quella dei dati di addestramento e di esercizio del sistema. L’indagine tiene conto delle modifiche introdotte dal Regolamento (UE) 2026/1744 (c.d. Digital Omnibus on AI), che ha differito al 2 dicembre 2027 (Allegato III) e al 2 agosto 2028 (Allegato I) l’applicazione degli obblighi relativi ai sistemi ad alto rischio, e lo stato delle fonti è riferito al 14 ottobre 2026.[1]

Obblighi di conservazione dei dati di monitoraggio nell’AI Act

L’articolo 72 dell’AI Act impone ai fornitori di sistemi di IA ad alto rischio di istituire e documentare un sistema di monitoraggio successivo all’immissione sul mercato, proporzionato alla natura delle tecnologie e dei rischi, che raccolga, documenti e analizzi in modo attivo e sistematico i dati pertinenti sulle prestazioni del sistema lungo l’intero ciclo di vita, al fine di valutarne la costante conformità ai requisiti del capo III, sezione 2.

Tali dati possono essere forniti dai deployer o raccolti da altre fonti (par. 2), e il relativo piano di monitoraggio fa parte della documentazione tecnica di cui all’Allegato IV (par. 3). Il sistema di monitoraggio è definito dall’articolo 3, punto 25. L’articolo 73 integra tale obbligo imponendo al fornitore di segnalare gli incidenti gravi alle autorità di vigilanza del mercato dello Stato membro in cui si sono verificati.

La segnalazione deve avvenire immediatamente dopo che il fornitore abbia accertato il nesso causale tra il sistema e l’incidente, o la ragionevole probabilità di tale nesso, e comunque entro quindici giorni da quando il fornitore o, ove applicabile, il deployer ne abbia avuto conoscenza (par. 2); il termine è di dieci giorni in caso di decesso (par. 4) e di due giorni in caso di infrazione diffusa o di grave e irreversibile perturbazione della gestione o del funzionamento di infrastrutture critiche (par. 3, che rinvia alla nozione di cui all’art. 3, punto 49, lett. b)).

Registrazione degli eventi e durata dei log

Il monitoraggio presuppone una disciplina della registrazione degli eventi. L’articolo 12 impone che i sistemi ad alto rischio consentano la registrazione automatica degli eventi (log) per l’intero ciclo di vita e ne indica tra le finalità l’agevolazione del monitoraggio successivo all’immissione sul mercato (par. 2, lett. b)). L’articolo 19 obbliga i fornitori a conservare i log sotto il proprio controllo per un periodo adeguato alla finalità del sistema e comunque non inferiore a sei mesi, salvo diversa disposizione del diritto dell’Unione o nazionale applicabile, in particolare del diritto dell’Unione in materia di protezione dei dati personali; una previsione analoga è dettata per i deployer dall’articolo 26, paragrafo 6.

Il legislatore ha dunque introdotto una soglia minima e non un termine massimo, e l’ha espressamente subordinata alla normativa sulla protezione dei dati, la cui applicazione ai dati personali trattati in connessione con gli obblighi del Regolamento è del resto confermata dall’articolo 2, paragrafo 7. Non va confuso con tale regime l’articolo 18, che impone di tenere a disposizione delle autorità per dieci anni dall’immissione sul mercato la documentazione tecnica (compreso il piano di monitoraggio) e le altre documentazioni ivi elencate, ma non i log, disciplinati dall’articolo 19: il decennio non offre perciò un parametro per la conservazione dei dati di funzionamento.

Gli obblighi degli articoli 72 e 73 sono costruiti secondo il paradigma del diritto della sicurezza dei prodotti, nel quale l’AI Act si inscrive quale atto del nuovo quadro legislativo (decisione n. 768/2008/CE).[2] Secondo tale modello la vigilanza non si esaurisce con l’immissione sul mercato, ma accompagna il prodotto per l’intera vita utile, perché nei sistemi che apprendono e si adattano il rischio non è interamente prevedibile ex ante: l’articolo 15, paragrafo 4, considera espressamente il rischio che output distorti influenzino gli input delle operazioni future (circuiti di retroazione).

Ne discende una conservazione tendenzialmente protratta dei dati di prestazione, poiché un sistema di monitoraggio che cancellasse periodicamente i propri log non sarebbe in grado di individuare derive di lungo periodo, come la deriva discriminatoria (bias drift), che emergono di norma solo con il mutare nel tempo della distribuzione dei dati o per effetto di dinamiche di retroazione.[3]

Diritto alla cancellazione e limiti temporali nel GDPR

Il GDPR muove da una premessa diversa. L’articolo 5, paragrafo 1, lettera e), richiede che i dati personali siano conservati in una forma che consenta l’identificazione degli interessati per un arco di tempo non superiore al conseguimento delle finalità per le quali sono trattati, e ammette periodi più lunghi soltanto per fini di archiviazione nel pubblico interesse, di ricerca scientifica o storica o a fini statistici, nel rispetto delle misure di cui all’articolo 89, paragrafo 1.

La finalità non è dunque un elemento accessorio, ma il criterio che determina la durata legittima della conservazione: esaurita la finalità, il protrarsi della conservazione è di per sé causa di illiceità del trattamento, indipendentemente dalle garanzie di sicurezza adottate. A tale principio si affianca il diritto alla cancellazione (art. 17), che attribuisce all’interessato una pretesa alla rimozione dei dati al ricorrere di determinate condizioni, tra cui il venir meno della necessità del trattamento rispetto alle finalità originarie (par. 1, lett. a)).

Lo stesso articolo 17 esclude tuttavia il diritto quando il trattamento sia necessario per adempiere un obbligo legale che lo richieda, previsto dal diritto dell’Unione o dello Stato membro (par. 3, lett. b)), o per l’accertamento, l’esercizio o la difesa di un diritto in sede giudiziaria (par. 3, lett. e)).

La tensione non è pertanto meramente procedurale. L’AI Act richiede una conservazione protratta e orientata alla ricostruibilità nel tempo delle prestazioni del sistema; il GDPR esige una conservazione limitata e orientata alla tutela dell’autodeterminazione informativa dell’interessato. Poiché il primo non quantifica la durata massima della conservazione e il secondo la subordina alla finalità, il rapporto tra le due logiche temporali dipende dalla definizione della finalità di monitoraggio e dalla verifica di necessità che essa deve superare, di cui si tratta nelle sezioni seguenti.

Base giuridica dei dati di monitoraggio tra AI Act e GDPR

Un secondo profilo riguarda la qualificazione dei dati generati ai fini del monitoraggio. L’AI Act non ne offre una nozione unitaria: distingue i dati di addestramento, di convalida e di prova (art. 3, punti 29-32), i dati di input (punto 33), i log generati automaticamente (artt. 12 e 19) e i dati raccolti per il monitoraggio successivo all’immissione sul mercato (art. 72).

Ai fini della presente analisi è utile ricondurre tali categorie a una tripartizione funzionale, che distingue dati di addestramento, dati di esercizio e dati di monitoraggio.[4] Mentre i primi e i secondi hanno una finalità primaria, riconducibile alla costruzione e al funzionamento del sistema, i terzi rispondono a una finalità secondaria e derivata, ossia all’adempimento di un obbligo normativo di vigilanza.

Si tratta di una distinzione fondata sulla finalità del trattamento e non sulla natura intrinseca del dato: uno stesso log può servire al funzionamento del sistema, al controllo del deployer (art. 26, par. 5) e al monitoraggio del fornitore, e dà luogo ad altrettanti trattamenti, ciascuno dei quali richiede una propria base giuridica e un proprio termine di conservazione.

Tale qualificazione consente di individuare la base giuridica applicabile. L’articolo 6, paragrafo 1, lettera c), del GDPR legittima il trattamento necessario per adempiere un obbligo legale al quale è soggetto il titolare. L’articolo 6, paragrafo 3, richiede che la base sia stabilita dal diritto dell’Unione o dello Stato membro, che la finalità vi sia determinata e che la norma persegua un obiettivo di interesse pubblico e sia proporzionata allo scopo; il considerando 41 precisa inoltre che la norma deve essere chiara e precisa e la sua applicazione prevedibile per i destinatari.

Gli articoli 72 e 73 dell’AI Act, in quanto disposizioni di un regolamento direttamente applicabili, integrano un obbligo legale idoneo a fondare, per i soli dati strettamente necessari al monitoraggio, un trattamento distinto da quello sotteso al funzionamento ordinario del sistema. L’idoneità non è tuttavia illimitata. L’articolo 72 definisce l’obbligo in termini di risultato (verificare la conformità del sistema) e non individua le categorie di dati personali da raccogliere; si ritiene perciò che la determinazione dei dati effettivamente necessari sia rimessa al fornitore e che il requisito di prevedibilità della base giuridica si traduca in un onere di giustificazione a carico del titolare.

Fornitori e deployer: titolarità e trasmissione dei dati

Occorre inoltre distinguere i soggetti. Gli obblighi degli articoli 72 e 73 gravano sul fornitore, mentre ai deployer spettano la conservazione dei log sotto il loro controllo (art. 26, par. 6) e il dovere di informare il fornitore (art. 26, par. 5). La trasmissione dei dati dal deployer al fornitore costituisce un trattamento ulteriore, la cui liceità va valutata autonomamente, e la qualificazione dei due soggetti come titolari autonomi o contitolari (artt. 4, n. 7, e 26 GDPR) dipende dall’effettiva determinazione di finalità e mezzi.[5] È plausibile che il fornitore operi come titolare del trattamento di monitoraggio e il deployer come titolare del trattamento di esercizio, ma la verifica va condotta caso per caso.

Se il dato di monitoraggio trova fondamento autonomo nell’articolo 6, paragrafo 1, lettera c), il suo termine di conservazione non coincide necessariamente con quello del dato di esercizio, ma è commisurato alla finalità di vigilanza, che permane finché il sistema resta sul mercato o in servizio. Un’ulteriore conservazione per far fronte a eventuali azioni di responsabilità non può invece essere ricondotta all’obbligo legale: essa trova titolo, semmai, nell’accertamento, nell’esercizio o nella difesa di un diritto in sede giudiziaria (artt. 17, par. 3, lett. e), e, per le categorie particolari, 9, par. 2, lett. f)) e, quanto alla base di liceità, nel legittimo interesse del titolare (art. 6, par. 1, lett. f)), con il relativo bilanciamento.

Il limite temporale di tale conservazione ulteriore è offerto dai termini previsti per le azioni di responsabilità, tra cui, per i prodotti immessi sul mercato dopo il 9 dicembre 2026, quelli stabiliti dalla direttiva (UE) 2024/2853 sulla responsabilità per danno da prodotti difettosi.[6]

Ne discende che l’eccezione al diritto alla cancellazione prevista dall’articolo 17, paragrafo 3, lettera b), è invocabile, ma non in modo incondizionato. Essa opera nei limiti di quanto strettamente necessario all’adempimento dell’obbligo di monitoraggio e non si estende automaticamente all’intero corredo di dati personali contenuto nel log. Si tratta di un’applicazione del principio di proporzionalità, canone generale del diritto dell’Unione (art. 5, par. 4, TUE), che impone di verificare l’idoneità del mezzo e il suo non eccedere quanto necessario al conseguimento dell’obiettivo,[7] e che nel caso in esame va declinato in chiave tecnica: non tutti i campi del log sono ugualmente necessari alla finalità di vigilanza, e la conservazione indifferenziata dell’intero flusso di dati rischia di eccedere quanto l’obbligo legale richiede.

Categorie particolari nei dati di monitoraggio dell’AI Act

Il quadro si complica quando il sistema ad alto rischio tratta categorie particolari di dati ai sensi dell’articolo 9 del GDPR, ipotesi tutt’altro che residuale nei sistemi di identificazione biometrica remota, di categorizzazione biometrica e di riconoscimento delle emozioni, inclusi tra i sistemi ad alto rischio dall’Allegato III, punto 1.

Quanto all’ambito sanitario, i sistemi che costituiscono dispositivi medici, o ne sono componenti di sicurezza, sono qualificati ad alto rischio non dall’Allegato III ma dall’articolo 6, paragrafo 1, e dall’Allegato I, che richiama il regolamento (UE) 2017/745; l’Allegato III contempla invece, tra l’altro, i sistemi di triage dei pazienti nei servizi di emergenza sanitaria (punto 5) e quelli destinati ad assistere le autorità giudiziarie (punto 8).

In tali casi il log di monitoraggio non contiene soltanto metadati di prestazione, ma può incorporare, direttamente o per inferenza, dati appartenenti alle categorie particolari: la Corte di giustizia ha chiarito che rientrano nell’articolo 9 anche i dati che rivelano indirettamente informazioni sensibili.[8] I dati biometrici beneficiano, dal canto loro, della tutela rafforzata soltanto se trattati allo scopo di identificare in modo univoco una persona fisica (artt. 4, n. 14, e 9, par. 1).

L’articolo 4a e il trattamento delle categorie particolari

Rileva a questo riguardo l’articolo 4a dell’AI Act, introdotto dal Regolamento (UE) 2026/1744, che ha trasposto in una disposizione di portata più ampia il contenuto dell’originario articolo 10, paragrafo 5. La norma consente il trattamento eccezionale di categorie particolari di dati personali nella misura strettamente necessaria al rilevamento e alla correzione delle distorsioni, in coerenza con l’articolo 10, paragrafo 2, lettere f) e g); la facoltà, originariamente riservata ai fornitori di sistemi ad alto rischio, è stata estesa ai fornitori e ai deployer di altri sistemi e modelli e ai deployer di sistemi ad alto rischio.

L’esercizio è subordinato a condizioni cumulative: l’impossibilità di conseguire lo scopo con dati sintetici o anonimizzati; limiti tecnici al riutilizzo e misure di sicurezza e di tutela della riservatezza allo stato dell’arte, inclusa la pseudonimizzazione; il controllo e la documentazione degli accessi; il divieto di trasmissione ad altri soggetti; la cancellazione dei dati una volta corretta la distorsione o scaduto il periodo di conservazione, se anteriore; la registrazione delle ragioni della stretta necessità. Già il considerando 70, nella formulazione originaria, riconduceva tale trattamento al rilevante interesse pubblico di cui all’articolo 9, paragrafo 2, lettera g), del GDPR.

La disposizione amplia le basi giuridiche disponibili, ma ne circoscrive la portata in due direzioni. Anzitutto, è vincolata alla finalità di rilevamento e correzione delle distorsioni: può dunque coprire la sola parte del monitoraggio che consista in tale attività e non legittima, di per sé, la conservazione di categorie particolari nei log per la più ampia finalità di vigilanza sulla conformità.

Ne consegue che l’applicazione dell’articolo 4a al monitoraggio successivo all’immissione sul mercato, che il rinvio all’articolo 10, paragrafo 2, lettere f) e g), rende plausibile ma non testualmente univoca, costituisce un’estensione di natura teleologica e funzionale, che le autorità di controllo potrebbero non riconoscere rispetto alla registrazione ordinaria degli eventi in produzione.

Per la finalità più ampia di vigilanza sulla conformità l’articolo 6, paragrafo 1, lettera c), non è sufficiente: occorre una condizione di cui all’articolo 9, paragrafo 2, che potrebbe essere individuata nel rilevante interesse pubblico previsto dal diritto dell’Unione (lett. g)), a patto che la norma sia proporzionata, rispetti l’essenza del diritto alla protezione dei dati e preveda misure appropriate e specifiche a tutela dell’interessato.

Gli articoli 72 e 73 non contengono garanzie specifiche di questo tenore, e la lacuna accresce l’onere di giustificazione del titolare. In secondo luogo, anche nell’ambito dell’articolo 4a resta fermo l’obbligo di dimostrare, in sede di valutazione d’impatto, che il trattamento sia circoscritto a quanto strettamente necessario e che siano state considerate alternative meno invasive, quali l’aggregazione statistica o il campionamento, prima di ricorrere alla conservazione integrale dei log.

Dati di monitoraggio: il confronto tra Unione europea e Stati Uniti

Un breve raffronto con il diritto statunitense consente di collocare la questione in una prospettiva più ampia. Negli Stati Uniti manca una disciplina federale generale della protezione dei dati che contempli un principio di limitazione della conservazione, e il controllo sugli algoritmi si fonda prevalentemente su un modello di enforcement successivo, incentrato sull’illecito accertato (harm-based enforcement) e sull’azione della Federal Trade Commission (FTC) e delle autorità statali. In tale contesto la conservazione documentale assume rilievo soprattutto come strumento di difesa processuale dell’impresa, anche in ragione degli obblighi di conservazione delle prove nel contenzioso, più che come garanzia dell’interessato.[9]

Il quadro non è tuttavia privo di temperamenti: alcune leggi statali, come quella della California, subordinano la conservazione a un criterio di ragionevole necessità, e la FTC ha imposto, in taluni provvedimenti, la cancellazione dei dati e dei modelli da essi derivati.

Il modello europeo fondato sui diritti fondamentali

L’ordinamento europeo colloca invece la protezione dei dati personali tra i diritti fondamentali sanciti dalla Carta dei diritti fondamentali dell’Unione europea (artt. 7 e 8) e dall’articolo 16 TFUE, sicché ogni limitazione, ivi compresa la conservazione funzionale a un obbligo di vigilanza, deve rispettare le condizioni dell’articolo 52, paragrafo 1, della Carta: previsione di legge, rispetto del contenuto essenziale del diritto, necessità e proporzionalità. Un sindacato di necessità così strutturato, assistito da un diritto soggettivo alla cancellazione di portata generale, non ha un equivalente nel diritto federale statunitense e trova riscontro solo parziale in talune discipline statali.

Il raffronto conferma che il rapporto tra monitoraggio successivo all’immissione sul mercato e diritto alla cancellazione non dipende da un difetto contingente di coordinamento, emendabile con un semplice intervento di drafting, ma riflette due impostazioni valoriali che il legislatore europeo ha inteso far coesistere. Esso non ha tuttavia lasciato la materia priva di indicazioni: ha affermato l’applicabilità del GDPR (art. 2, par. 7) e ha subordinato i periodi minimi di conservazione dei log al diritto della protezione dei dati (artt. 19 e 26, par. 6).

Ciò che manca è la determinazione del termine e dell’estensione della conservazione dei dati di monitoraggio. Si ritiene che tale lacuna debba essere colmata in via interpretativa, alla luce dell’esigenza di assicurare un giusto equilibrio tra i diritti fondamentali in gioco,[10] il quale impone di privilegiare, a parità di effettività della vigilanza, la soluzione meno invasiva per la sfera informativa dell’interessato.

Conservazione dei dati di monitoraggio negli orientamenti EDPB

Il Comitato europeo per la protezione dei dati (EDPB) ha adottato nel dicembre 2024, ai sensi dell’articolo 64, paragrafo 2, del GDPR e su richiesta dell’autorità irlandese, il Parere 28/2024 su taluni aspetti di protezione dei dati connessi al trattamento di dati personali nel contesto dei modelli di IA. Il Parere affronta tre questioni: i presupposti per considerare anonimo un modello di IA, l’impiego del legittimo interesse come base giuridica per lo sviluppo e l’impiego dei modelli, e le conseguenze dell’illiceità del trattamento nella fase di sviluppo sul successivo utilizzo del modello.

L’AI Act vi è richiamato solo in via incidentale, e il Parere non tratta né la conservazione dei dati di monitoraggio né, più in generale, gli articoli 72 e 73: la materia resta dunque priva di un’indicazione espressa.

Linee guida congiunte e anonimizzazione

Il Comitato ha inserito nel programma di lavoro 2026-2027, adottato nel febbraio 2026, l’elaborazione di linee guida congiunte con la Commissione europea sull’interazione tra GDPR e AI Act. Alla data del 14 ottobre 2026, per quanto è dato riscontrare, esse non sono state pubblicate neppure in forma di progetto, e tra i temi finora indicati (trasparenza, valutazioni del rischio, rilevamento delle distorsioni, responsabilizzazione) non figura espressamente la conservazione dei dati di monitoraggio. L’assenza di un testo ufficiale lascia agli operatori l’onere di una ricostruzione autonoma, che il presente contributo intende offrire in chiave preliminare, nella consapevolezza che l’intervento delle istituzioni potrà confermare, precisare o superare le conclusioni qui raggiunte.

Meritano infine menzione due ulteriori sviluppi. Il primo è il Regolamento (UE) 2026/1744, pubblicato il 24 luglio 2026 ed entrato in vigore il 27 luglio, che, oltre a differire i termini di applicazione, ha introdotto l’articolo 4a nei termini sopra illustrati; sulla relativa proposta si erano pronunciati congiuntamente l’EDPB e il Garante europeo della protezione dei dati (parere congiunto 1/2026).

Il secondo è l’adozione, da parte dell’EDPB, del progetto di Linee guida 02/2026 sull’anonimizzazione, sottoposto a consultazione pubblica dall’8 luglio al 30 ottobre 2026. Le Linee guida non riguardano specificamente il monitoraggio successivo all’immissione sul mercato; ove confermati in via definitiva, i criteri che esse propongono per valutare l’identificabilità potranno tuttavia essere impiegati per stabilire quando un log di prestazione possa ritenersi effettivamente anonimo e sia pertanto sottratto alla disciplina del GDPR, riducendo per tale via l’area di frizione con l’obbligo di conservazione. Resta fermo che l’anonimizzazione è essa stessa un trattamento di dati personali, soggetto ai principi del GDPR, e che la sua efficacia va accertata caso per caso.

Valutazione d’impatto e conservazione dei dati di monitoraggio

Sul piano applicativo si propone che la valutazione d’impatto sulla protezione dei dati (art. 35 GDPR) relativa a un sistema ad alto rischio non tratti la finalità di monitoraggio come appendice della finalità principale del trattamento, ma come trattamento autonomo, da sottoporre a un distinto vaglio di necessità e proporzionalità; il deployer può avvalersi, a tal fine, delle informazioni fornite dal fornitore ai sensi dell’articolo 13 dell’AI Act (art. 26, par. 9). Si suggeriscono quattro criteri.

Separare basi giuridiche e titolari

In primo luogo, la separazione delle basi giuridiche e dei titolari: il trattamento finalizzato al funzionamento del sistema e quello finalizzato al monitoraggio di conformità devono essere documentati distintamente, con l’indicazione, per ciascuno, del titolare, della base giuridica e del termine di conservazione.

Distinguere log di evento e metriche aggregate

In secondo luogo, la minimizzazione differenziata: i dati necessari a dimostrare il nesso causale tra il sistema e un incidente grave, ai sensi dell’articolo 73, devono essere distinti da quelli necessari alla mera valutazione statistica delle prestazioni, ai sensi dell’articolo 72; solo i primi giustificano, di regola, una conservazione integrale e non aggregata. Sul piano tecnico la distinzione corrisponde a quella tra i log deterministici di evento (interrogazione del sistema, input, output, marca temporale), ad alta identificabilità e indispensabili all’analisi causale immediata, e le metriche aggregate di prestazione e di deriva (misure di errore, matrici di confusione, indicatori di equità), che non contengono dati personali o ne contengono in forma pseudonimizzata, e sono conservabili per l’intera permanenza del sistema sul mercato.

Ridurre l’identificabilità dei dati

In terzo luogo, il ricorso a tecniche di riduzione dell’identificabilità, quali la pseudonimizzazione (art. 4, n. 5, GDPR), richiesta anche dall’articolo 4a dell’AI Act per le categorie particolari, e, ove tecnicamente possibile, l’anonimizzazione dei dati di monitoraggio una volta esaurita la finalità di ricostruzione puntuale dell’incidente.

Articolare la conservazione in tre fasi

In quarto luogo, l’adozione di una politica di conservazione a termini differenziati, articolata in tre fasi. La prima prevede la conservazione integrale per il periodo minimo di cui agli articoli 19 e 26, paragrafo 6 (almeno sei mesi, salvo diversa indicazione della normativa sulla protezione dei dati) e, comunque, per tutta la durata dell’istruttoria relativa a un incidente grave segnalato: l’articolo 73, paragrafo 6, impone infatti al fornitore di svolgere senza ritardo le indagini e la valutazione del rischio e gli vieta interventi sul sistema che possano pregiudicare l’accertamento delle cause prima di aver informato le autorità.

Il termine di quindici giorni dell’articolo 73 è un termine di segnalazione e non di conservazione, e non può dunque assumersi a misura di questa fase. La seconda fase prevede la conservazione aggregata o pseudonimizzata per le finalità di monitoraggio statistico di lungo periodo, per la durata della permanenza del sistema sul mercato.

La terza consiste nella cancellazione o nell’anonimizzazione irreversibile, con conservazione ulteriore dei soli dati necessari alla difesa in giudizio e nei limiti dei termini applicabili alle azioni di responsabilità. In presenza di una richiesta di cancellazione o di una contestazione dell’interessato, può rilevare come misura intermedia la limitazione del trattamento (art. 18 GDPR), mediante la segregazione dei dati in un archivio ad accesso ristretto, in attesa della verifica della sussistenza dell’eccezione dell’articolo 17, paragrafo 3.

Proporzionalità nella conservazione dei dati di monitoraggio

L’analisi condotta consente di formulare una conclusione che si distingue tanto dalla lettura che privilegia le esigenze di vigilanza dell’AI Act sacrificando la limitazione della conservazione, quanto da quella opposta, che invoca il diritto alla cancellazione senza considerare la funzione di garanzia collettiva svolta dal monitoraggio successivo all’immissione sul mercato.

Si ritiene che il rapporto tra le due discipline debba essere ricostruito secondo un criterio di proporzionalità funzionale. In forza di esso, la conservazione dei dati di monitoraggio trova legittimazione autonoma nell’obbligo legale previsto dall’AI Act (art. 6, parr. 1, lett. c), e 3, GDPR), ma soltanto nei limiti in cui l’obbligo sia sufficientemente determinato e il trattamento necessario e proporzionato; per le categorie particolari di dati occorre inoltre una condizione ai sensi dell’articolo 9, paragrafo 2, GDPR, che l’articolo 4a dell’AI Act fornisce soltanto per il rilevamento e la correzione delle distorsioni. Quanto a estensione e durata, la conservazione resta soggetta al vaglio di necessità e proporzionalità che il GDPR impone a ogni trattamento (artt. 5, par. 1, lett. c) ed e), e 6, par. 3).

Il legislatore europeo ha confermato l’applicabilità del GDPR e ha stabilito soltanto periodi minimi di conservazione, senza determinare la dimensione temporale del trattamento dei dati di monitoraggio. L’assenza, allo stato, di linee guida congiunte delle autorità competenti non esime il titolare dall’onere di operare il bilanciamento in sede di valutazione d’impatto, la quale assume, in questa materia, una funzione non meramente documentale, ma costitutiva dell’equilibrio tra due discipline che il legislatore ha inteso rendere cumulativamente applicabili.

Il differimento dei termini di applicazione disposto dal Regolamento (UE) 2026/1744 consente agli operatori di adeguare le politiche di conservazione prima della piena operatività degli obblighi e agli interpreti di verificare le conclusioni qui proposte alla luce degli orientamenti che saranno adottati.

Note

[1] Regolamento (UE) 2026/1744, pubblicato nella Gazzetta ufficiale dell’Unione europea il 24 luglio 2026 ed entrato in vigore il 27 luglio 2026. Gli articoli dell’AI Act sono citati nel testo risultante da tale modifica; in particolare, l’originario articolo 10, paragrafo 5, è ora trasfuso nell’articolo 4a. ↩

[2] Il modello è anteriore all’AI Act: v. la direttiva 2001/95/CE sulla sicurezza generale dei prodotti, abrogata dal regolamento (UE) 2023/988, applicabile dal 13 dicembre 2024, e, per il settore dei dispositivi medici, il regolamento (UE) 2017/745, artt. 83 ss., sulla sorveglianza post-commercializzazione. ↩

[3] Sul fenomeno del concept drift v. J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, A. Bouchachia, A survey on concept drift adaptation, in ACM Computing Surveys, 46(4), 2014; sui circuiti di retroazione, S. Ensign et al., Runaway Feedback Loops in Predictive Policing, in Proceedings of Machine Learning Research, 81, 2018; per una rassegna delle fonti di distorsione, N. Mehrabi et al., A Survey on Bias and Fairness in Machine Learning, in ACM Computing Surveys, 54(6), 2021. ↩

[4] La tripartizione ha natura analitica e non corrisponde a una classificazione normativa: l’AI Act utilizza le categorie indicate nel testo (art. 3, punti 29-33; artt. 12, 19 e 72). Ai fini della base giuridica rileva la finalità del singolo trattamento, non l’appartenenza del dato a una categoria. ↩

[5] V. EDPB, Linee guida 07/2020 sui concetti di titolare del trattamento e di responsabile del trattamento nel GDPR, versione 2.0, 7 luglio 2021. ↩

[6] Direttiva (UE) 2024/2853, che include il software tra i prodotti (art. 4, n. 1) e prevede un termine di decadenza di dieci anni dall’immissione sul mercato, esteso a venticinque per i danni alla persona a manifestazione tardiva (art. 17). Il recepimento è dovuto entro il 9 dicembre 2026. ↩

[7] Corte giust., 8 luglio 2010, causa C-343/09, Afton Chemical, punto 45, sulla formulazione generale del principio; Corte giust., 16 dicembre 2008, causa C-73/07, Satakunnan Markkinapörssi e Satamedia, punto 56, secondo cui le deroghe e le limitazioni alla protezione dei dati personali operano entro i limiti dello stretto necessario. V. inoltre l’art. 52, par. 1, della Carta dei diritti fondamentali dell’Unione europea. ↩

[8] Corte giust., 1° agosto 2022, causa C-184/20, OT c. Vyriausioji tarnybinės etikos komisija. ↩

[9] Sul carattere non vincolante dei principali documenti federali v. il Blueprint for an AI Bill of Rights (White House OSTP, 2022) e il NIST AI Risk Management Framework 1.0 (2023). Per i provvedimenti dell’FTC che hanno imposto la cancellazione di dati e modelli v. In re Everalbum, Inc. (2021) e FTC v. Rite Aid Corp. (2023); per la legislazione statale, Cal. Civ. Code § 1798.100(a)(3); per la conservazione delle prove nel contenzioso federale, Fed. R. Civ. P. 37(e). ↩

[10] Corte giust., 29 gennaio 2008, causa C-275/06, Productores de Música de España (Promusicae) c. Telefónica de España SAU, punto 68, ove si afferma che i giudici e le autorità degli Stati membri devono fondarsi su un’interpretazione che garantisca un giusto equilibrio tra i diritti fondamentali tutelati dall’ordinamento dell’Unione. ↩

Partecipa alla community

guest

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

People&Change

Tutti
CARRIERE
AI E LAVORO
COMPETENZE
Produttività e AI
AI IN AZIENDA
SCENARI
FORMAZIONE
CULTURA AZIENDALE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
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 Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
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