pubblica amministrazione

AI nella PA, le due condizioni del Garante per addestrare i modelli


Indirizzo copiato

Il Garante dà parere favorevole al progetto della Provincia di Trento per addestrare sistemi di intelligenza artificiale sui documenti pubblici, ma impone due condizioni: una fonte normativa adeguata per i trattamenti e misure capaci di rendere effettive rettifica e cancellazione anche nei modelli già addestrati

Pubblicato il 3 nov 2026

Silvia Stefanelli

Studio Legale Stefanelli & Stefanelli



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
ChatGPT Image 26 ott 2026, 10_31_36




Un ufficio pubblico può addestrare un modello di intelligenza artificiale sui documenti che ha protocollato negli anni?

Il Garante per la protezione dei dati personali risponde sì, con il parere favorevole reso alla Provincia autonoma di Trento il 7 ottobre 2026 (Registro dei provvedimenti n. 760 del 7 ottobre 2026, doc. web n. 10312627, relatore Ghiglia). Vi appone però due condizioni: gli elementi essenziali del trattamento vanno fissati in una fonte di rango adeguato (e non in un documento interno compilato dall’ufficio che quel trattamento effettua); il regolamento deve prevedere misure che rendano effettivi i diritti di rettifica e cancellazione anche quando il modello è già stato addestrato.

In sostanza: per addestrare un modello su dati personali non bastano una finalità istituzionale e una valutazione d’impatto. Serve una fonte che dica quali dati, quali operazioni, quale interesse pubblico. E serve che la cancellazione chiesta dal cittadino arrivi fino ai parametri del modello, invece di fermarsi al documento di partenza.

Parere veramente molto interessante perché spiega – anche alle altre pubbliche amministrazioni – cosa fare e come farlo.

Spiega uno dei modi per dare attuazione all’art. 14 della legge 23 settembre 2025, n. 132 (“Disposizioni e deleghe al Governo in materia di intelligenza artificiale”): come noto, tale norma abilita le amministrazioni a utilizzare l’intelligenza artificiale per incrementare l’efficienza dell’attività, ridurre i tempi dei procedimenti e aumentare qualità e quantità dei servizi, assicurando «la conoscibilità del suo funzionamento e la tracciabilità del suo utilizzo» (comma 1), e stabilisce che l’utilizzo avviene «in funzione strumentale e di supporto all’attività provvedimentale, nel rispetto dell’autonomia e del potere decisionale della persona che resta l’unica responsabile dei provvedimenti e dei procedimenti in cui sia stata utilizzata l’intelligenza artificiale» (comma 2).

Il comma 3 chiede poi misure tecniche, organizzative e formative.

Per essere precisi, l’amministrazione trentina intende allenare un software e nessuno di questi commi obbliga a passare dal Garante, ma Trento ha deciso di farlo e ne esce un parere più ricco del solo profilo dati.

Vediamo allora il contenuto dello schema e i due rilievi dell’Autorità.

IA nella PA e privacy: lo schema della Provincia di Trento

Il legislatore provinciale, con l’articolo 40-ter.1 della legge provinciale 30 novembre 1992, n. 23 (legge provinciale sull’attività amministrativa), promuove l’impiego di sistemi di intelligenza artificiale quali strumenti di ausilio nell’attività amministrativa e nei processi organizzativi della Provincia, dei suoi enti strumentali e degli altri soggetti indicati dall’articolo 1, comma 1, della stessa legge provinciale (comma 1), e affida alla Giunta il compito di individuare progressivamente le attività e i processi suscettibili di semplificazione, standardizzazione od ottimizzazione (comma 2).

Il comma 3 circoscrive i trattamenti alle finalità istituzionali e di interesse pubblico previste dallo stesso articolo e dalla legge provinciale 27 luglio 2012, n. 16, anche riferiti allo sviluppo e alla gestione del Sistema informativo elettronico trentino (SINET), e li limita ai dati strettamente necessari, comprese, nei casi previsti dalla normativa nazionale ed europea, le categorie particolari di dati di cui all’articolo 9 del Regolamento (UE) 2016/679 (GDPR) e i dati relativi a condanne penali e reati di cui all’articolo 10.

Per i trattamenti a rischio elevato il comma 4 impone la valutazione d’impatto ai sensi degli articoli 35 e 36 GDPR e misure che comprendono «adeguate modalità di supervisione umana, tracciabilità delle operazioni, rappresentatività del data set, verificabilità degli esiti dei sistemi e misure idonee a prevenire errori, effetti discriminatori, distorsivi o comunque lesivi dei diritti e delle libertà fondamentali».

Il comma 5 dello stesso articolo 40-ter.1 demanda poi ad una deliberazione della Giunta provinciale (o, nel caso di trattamenti che includano dati relativi a condanne penali e reati o a connesse misure di sicurezza, a un regolamento attuativo) l’individuazione, per ciascun trattamento o categoria omogenea di trattamenti, della specifica finalità pubblica, dei dati trattati, delle categorie di interessati, delle operazioni effettuabili, dei tempi di conservazione e delle misure di sicurezza.

In attuazione di tale norma l’amministrazione trentina ha inviato una bozza di schema di regolamento al Garante insieme alla scheda applicativa e alla valutazione d’impatto.

Tale bozza si compone di sedici articoli e copre l’intero ciclo di vita dei sistemi: sviluppo, addestramento, configurazione, sperimentazione, validazione, impiego, monitoraggio, aggiornamento. In sede di prima applicazione il primo sistema da allenare è il P.I.Tre, il Protocollo Informatico Trentino, cioè il sistema di protocollazione e gestione documentale.

I sedici articoli dello schema trentino

Vediamo allora, in sintesi, che cosa prevedono i sedici articoli.

– articolo 1, oggetto: i sistemi di intelligenza artificiale operano solo come supporto all’attività amministrativa; il regolamento individua, per l’intero ciclo di vita, finalità, categorie e tipi di dati, operazioni eseguibili e misure di tutela; vale il principio di non esclusività della decisione algoritmica, con sorveglianza umana sostanziale (comma 3);

– articolo 2, finalità: sviluppo, addestramento, configurazione, sperimentazione, validazione, impiego, monitoraggio e aggiornamento dei sistemi, in un’ottica di valorizzazione del patrimonio informativo pubblico, sulla base di un motivo di interesse pubblico rilevante definito nelle schede; il patrimonio informativo può essere organizzato anche in forma pseudonimizzata o anonimizzata;

– articolo 3, base di liceità: per i dati comuni l’articolo 40-ter.1, l’articolo 6, par. 1, lett. e), e par. 3, GDPR e l’articolo 2-ter del Codice privacy; per le categorie particolari l’articolo 2-sexies, fermo l’articolo 2-septies per i dati dell’articolo 9, par. 4, e l’articolo 2-octies per quelli dell’articolo 10; divieto di trattamenti per finalità commerciali, di profilazione o di sorveglianza;

– articolo 4, dati trattabili nell’addestramento: previa verifica di pertinenza, completezza e indispensabilità, distinti in dati comuni (di cui si elenca un set: anagrafici e identificativi, di contatto, identificativi digitali, economico-finanziari, qualifica, ruolo), dati relativi a condanne penali e reati, categorie particolari e dati sulla salute, questi ultimi definiti caso per caso nelle schede;

– articolo 5, fonti dei dati: archivi della Provincia e degli enti del sistema pubblico provinciale, sistemi del SINET, banche dati nazionali e piattaforme di interoperabilità, dati acquisiti nell’attività amministrativa, dati di altre amministrazioni e dati raccolti direttamente presso l’interessato;

– articolo 6, chi tratta e come: personale autorizzato e strumenti informatici che garantiscono riservatezza, integrità e disponibilità; le operazioni sono individuate nelle schede, nel rispetto di necessità e proporzionalità;

– articolo 7, titolarità: la Provincia o gli enti strumentali pubblici di cui alla legge provinciale 16 giugno 2006, n. 3; i terzi che svolgono attività ancillari vanno designati responsabili ai sensi dell’articolo 28 GDPR;

– articolo 8, conservazione: supporti situati nel territorio dell’Unione europea, ambienti logicamente separati, tempi rapportati ai cicli di sviluppo algoritmico e alle verifiche, con termini ridotti per i dati degli articoli 9 e 10 GDPR e differenziati per le fasi di training, testing e validation;

– articolo 9, trasferimenti: vietati fuori dall’Unione europea, salvo decisione di adeguatezza o garanzie adeguate;

– articolo 10, accesso: consentito ai soli soggetti previamente identificati e autorizzati, limitatamente alle operazioni strettamente necessarie;

– articolo 11, sicurezza: misure tecniche e organizzative definite sugli esiti della valutazione d’impatto, integrabili in ragione dell’analisi dei rischi, con audit periodici su correttezza, trasparenza, precisione e assenza di effetti distorsivi o discriminatori;

– articolo 12, categorie particolari: trattamento subordinato all’indispensabilità, nei limiti dell’interesse pubblico rilevante individuato caso per caso; per i dati biometrici, genetici e sanitari valgono le misure di garanzia dell’articolo 2-septies del Codice privacy;

– articolo 13, dati relativi a condanne penali e reati: ammessi solo nelle fattispecie individuate dalla scheda e, in sviluppo e addestramento, esclusivamente come dati sintetici o, in subordine, come dati reali pseudonimizzati o mascherati;

– articolo 14, estensione: le disposizioni si applicano, nei limiti della compatibilità, agli enti strumentali pubblici della Provincia, che assumono la veste di titolari;

– articolo 15, verifica preventiva: prima dell’addestramento la struttura competente verifica, documenta e approva la scheda insieme al Responsabile della protezione dei dati; l’aggiornamento o l’evoluzione tecnologica del sistema non creano una nuova categoria di trattamento se restano nel perimetro già definito;

– articolo 16, la scheda: contenuto minimo (descrizione del sistema, struttura responsabile, funzione amministrativa interessata, finalità e motivo di interesse pubblico rilevante, tipologie di dati, categorie di interessati, fonti, operazioni consentite, titolare ed eventuale responsabile, regole di conservazione, condizioni di trasferimento extra-UE, modalità di accesso, misure di sicurezza e valutazione d’impatto di riferimento); ha funzione ricognitiva e applicativa e non può introdurre nuove finalità, categorie di trattamento o tipologie di dati.

L’architettura è assolutamente condivisibile: il regolamento fissa la cornice, la scheda applicativa dell’articolo 16 la declina sul singolo sistema. Così l’amministrazione non deve riscrivere il regolamento ogni volta che introduce un nuovo strumento, e lo stesso articolo 16 precisa che la scheda ha funzione ricognitiva e applicativa e non può introdurre nuove finalità, nuove categorie di trattamento o tipologie di dati eccedenti il perimetro regolamentare.

Su questo punto – come vedremo – il Garante interviene.

Quali fonti servono per i dati nell’IA della PA

La domanda da cui partire è una: quale atto deve dire che quel trattamento si può fare? Il Codice privacy risponde in modo diverso a seconda della categoria dei dati, e la soglia si alza man mano che i dati diventano più delicati.

Dati comuni, categorie particolari e dati penali

Per i dati comuni la fonte può essere anche un atto amministrativo generale. Lo prevede l’articolo 2-ter del Codice privacy, in combinazione con l’articolo 6, par. 1, lett. e), e par. 3, GDPR: il trattamento necessario per l’adempimento di un compito di interesse pubblico o connesso all’esercizio di pubblici poteri trova base nel diritto dell’Unione, nella legge, nel regolamento o, appunto, in un atto amministrativo generale.

Anche per le categorie particolari dell’articolo 9, par. 1, GDPR l’atto amministrativo generale è ammesso, ma deve dire molto di più. L’articolo 2-sexies, comma 1, consente infatti i trattamenti necessari per motivi di interesse pubblico rilevante «qualora siano previsti dal diritto dell’Unione europea ovvero, nell’ordinamento interno, da disposizioni di legge o di regolamento o da atti amministrativi generali che specifichino i tipi di dati che possono essere trattati, le operazioni eseguibili e il motivo di interesse pubblico rilevante, nonché le misure appropriate e specifiche per tutelare i diritti fondamentali e gli interessi dell’interessato».

Per i dati genetici, biometrici e relativi alla salute restano ferme le misure di garanzia dell’articolo 2-septies.

Per i dati relativi a condanne penali e reati, invece, l’atto amministrativo generale non basta: l’articolo 2-octies consente il trattamento solo se autorizzato «da una norma di legge o, nei casi previsti dalla legge, di regolamento».

Il punto cardine è l’asimmetria tra l’articolo 2-sexies e l’articolo 2-octies: per le particolari categorie di dati basta l’atto di amministrazione generale mentre per i dati relativi alle condanne penali e reati occorre una fonte superiore.

Da qui la domanda che ogni amministrazione dovrebbe porsi prima di avviare un addestramento: che cosa c’è esattamente nel dataset? Se nell’archivio protocollato ci sono soltanto dati comuni, un atto amministrativo generale (una delibera, una determinazione di portata generale) è sufficiente.

Nel momento in cui in quell’archivio finiscono certificati medici, esposti, atti di un procedimento disciplinare, l’atto amministrativo generale resta ammesso ma deve soddisfare i requisiti dell’articolo 2-sexies: indicare tipi di dati, operazioni eseguibili e misure di tutela, e agganciare il trattamento a uno dei motivi di interesse pubblico rilevante elencati nel comma 2.

E se vi finiscono segnalazioni con rilievo penale o richieste di certificazione antimafia, l’atto amministrativo generale non basta più: serve il regolamento.

Il protocollo di un ente pubblico, va detto, è precisamente il luogo dove tutte e tre le categorie convivono senza che nessuno le abbia mai separate.

Perché la scheda applicativa non basta per l’IA nella PA

Il primo rilievo del Garante risponde a una domanda semplice: chi stabilisce quali dati il modello può usare?

Nello schema la risposta è la scheda applicativa, ed è qui che il Garante solleva la prima questione. Il rinvio alla scheda contenuto negli articoli 1, comma 4, 3, comma 2, 4, commi 3 e 4, e 13, comma 1, non è conforme agli articoli 2-sexies e 2-octies del Codice privacy.

La ragione sta in una riga del parere: la scheda è «compilata e approvata unilateralmente dalla singola struttura amministrativa interessata»: cioè chi effettua il filtro di un procedimento di adozione della fonte. Un documento così, osserva il Garante, non è assimilabile all’atto di amministrazione generale richiesto dalla disciplina vigente.

Il rimedio indicato dall’Autorità segue la distinzione vista sopra. Per le categorie particolari basta un atto amministrativo generale della Provincia. Per i dati relativi a condanne penali e reati serve un atto di rango almeno regolamentare (sul punto il Garante richiama il proprio parere n. 172 del 12 maggio 2022).

IA nella PA: cancellazione dei dati anche dal modello

Il secondo rilievo nasce da una frase della valutazione d’impatto allegata allo schema.

Il meccanismo è questo. Un cittadino chiede la cancellazione di un dato che lo riguarda. L’ufficio corregge il documento nell’archivio. Il modello, però, è già stato addestrato su quel documento: la correzione vale per i cicli di addestramento successivi, non tocca i parametri di quello già consolidato.

Correggere il documento alla sorgente non è cancellare il dato dal modello.

La valutazione d’impatto trentina lo scrive apertamente, e il Garante ne coglie la portata: il rischio è «potenzialmente sistemico e generalizzato», perché non dipende da quel singolo sistema.

Da qui la seconda condizione. Senza misure che rendano effettivi i diritti di rettifica e cancellazione, quale che sia il modello impiegato, si finisce per violare gli articoli 16 e 17 GDPR. L’articolato va quindi integrato con misure che rendano «certo ed effettivo l’esercizio dei diritti degli interessati, superando la preclusione indicata». Il Garante aggiunge che sarebbe opportuna una disposizione di portata più ampia, estesa a tutti i diritti degli articoli 15-22 e operativa anche sui parametri dei modelli già addestrati.

Il Parere 28/2024 e i parametri del modello

Il riferimento è al Parere n. 28/2024 del Comitato europeo per la protezione dei dati, adottato il 17 dicembre 2024, che tra le misure correttive a disposizione delle autorità di controllo contempla la cancellazione del dataset usato per sviluppare il modello e del modello stesso. In caso di inerzia, dunque, la misura correttiva può arrivare a colpire il modello, non soltanto il titolare che lo ha addestrato.

Va però segnalato un limite di quel documento: il Parere 28/2024 non si occupa del trattamento delle categorie particolari di dati ai sensi dell’articolo 9 GDPR. Al contrario il protocollo di un’amministrazione pubblica ne è pieno. Il richiamo del Garante vale dunque come indicazione di metodo sull’effettività dei diritti rispetto ai parametri del modello, non come disciplina già scritta del caso.

Dalla compliance alla governance di dati e IA pubblica

Il parere trentino segna il passaggio dalla compliance documentale alla governance del dato: non bastano la valutazione d’impatto, la policy sull’uso degli strumenti e la clausola di sorveglianza umana. La fonte del diritto diventa un requisito di progettazione.

Chi scrive il regolamento deve sapere che cosa il modello fa dei dati; chi progetta il sistema deve sapere quale fonte lo autorizza. Finché questi due tavoli restano separati, il risultato è quello che il Garante ha visto nello schema trentino: un impianto accurato nelle garanzie tecniche e fragile sul livello delle fonti. E questo è un problema che si presenta spessissimo.

La Provincia ci ha ora mostrato il metodo: norma abilitante, regolamento, valutazione d’impatto, confronto preventivo con l’Autorità.

Da ricordare che lo stesso metodo può essere utilizzato per gli atti amministrativi generali sulla ricerca scientifica, le cui porte sono state aperte dall’articolo 8 della legge 23 settembre 2025, n. 132. Bisogna solo iniziare.

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