Dati e algoritmi

Tutela dei segreti commerciali nei progetti AI: i nodi per le imprese


Indirizzo copiato

Alla consegna di un modello AI possono emergere conflitti sul riutilizzo di dati e procedure. La tutela dei segreti commerciali richiede di identificare il patrimonio riservato, verificare i diritti disponibili e stabilire cosa cliente e fornitore possano conservare e utilizzare

Pubblicato il 17 nov 2026

Francesco Capparelli

Presidente dell'Istituto Italiano per la Privacy



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
Il valore del metodo nascosto




Alla fine di un progetto di intelligenza artificiale, il cliente riceve un modello che riconosce i difetti dei propri prodotti. Il fornitore ha impiegato mesi a scegliere le immagini, correggere le annotazioni e provare configurazioni diverse. Il contratto attribuisce al committente i «risultati del progetto», ma non chiarisce se il partner possa riutilizzare la selezione degli esempi, conservare le prove fallite o impiegare le configurazioni per un concorrente. Il modello funziona; la discussione su ciò che ciascuna parte può farne comincia quando il rapporto dovrebbe essere concluso.

La modifica al Codice della proprietà industriale contenuta nel decreto legislativo 7 ottobre 2026, n. 179, rende particolarmente attuale questo problema. L’articolo 52 inserisce nell’articolo 98 un comma che ricomprende espressamente dati, algoritmi e metodi matematici per l’addestramento dei sistemi AI, quando ricorrano le condizioni già stabilite per i segreti commerciali. Il decreto, pubblicato l’8 ottobre ed efficace dal 23 ottobre, richiama anche architetture dei modelli, funzioni di ottimizzazione e procedure e configurazioni di addestramento.

Il legislatore porta così in primo piano un patrimonio tecnico che tende a scomparire dietro il nome del prodotto finale. Chi guarda soltanto il modello vede l’esito; il valore può trovarsi anche nel lavoro necessario per ottenerlo e nelle conoscenze che permettono di riprodurlo. La nuova previsione offre un riferimento esplicito, ma lascia all’impresa un compito preciso: identificare le informazioni che vuole tutelare e trattarle in modo coerente con quella scelta. La parola «segreto» scritta nel contratto non ricostruisce, da sola, ciò che le parti hanno omesso di definire.

AI e segreti commerciali: le condizioni della tutela

L’articolo 98 richiede che le informazioni siano segrete, abbiano valore economico in quanto segrete e siano sottoposte a misure ragionevolmente adeguate a mantenerle tali da parte di chi le controlla legittimamente. Il nuovo comma richiama queste condizioni. La segretezza può riguardare l’insieme o la precisa configurazione e combinazione degli elementi, anche quando alcuni di essi siano conosciuti. È un punto decisivo per progetti che utilizzano architetture pubbliche, strumenti diffusi e dati ai quali si aggiunge un lavoro di selezione o organizzazione riservato.

Nel caso del riconoscimento dei difetti, il vantaggio potrebbe dipendere da pochi esempi rari individuati attraverso anni di controlli industriali. Il modello di base è disponibile a molti; la capacità di distinguere una crepa pericolosa da un segno superficiale deriva dalle annotazioni degli specialisti e dalla sequenza di prove. Per valutare la tutela occorre capire quali elementi non siano generalmente noti o facilmente accessibili agli operatori del settore e quale utilità economica produca mantenerli riservati. Il semplice costo sostenuto per raccoglierli non esaurisce questa valutazione.

Anche la conoscenza degli insuccessi può avere valore. Sapere quali impostazioni producano falsi positivi in determinate condizioni può risparmiare a un concorrente mesi di tentativi. L’impresa dovrebbe quindi esaminare i risultati intermedi, anziché limitare la protezione al file consegnato a fine progetto. Naturalmente, ogni elemento richiede una verifica dei presupposti: un esperimento ordinario già descritto pubblicamente non diventa segreto perché compare nel registro interno del cliente.

La novità non va raccontata come se prima fosse impossibile tutelare informazioni tecniche relative all’AI. La disciplina generale già consentiva di esaminare materiali rispondenti alle condizioni di legge. L’intervento rende espresso il riferimento e ne precisa alcuni contenuti, favorendo una lettura aderente ai processi di addestramento. Per l’impresa il vantaggio pratico dipenderà comunque dalla qualità della prova: quale informazione, sotto il controllo di chi, protetta attraverso quali misure.

Addestramento, RAG e prompt: distinguere gli usi dei dati

Il testo menziona l’addestramento e gli elementi tecnico-computazionali funzionali allo sviluppo. Sarebbe quindi impreciso ricavarne che ogni documento letto da un chatbot o ogni istruzione impartita a un assistente ricada automaticamente nella nuova previsione. Un archivio usato per recuperare informazioni durante la risposta, secondo un’architettura RAG, svolge una funzione diversa rispetto a un insieme impiegato per modificare i parametri del modello. Anche il materiale consultato può essere tutelabile, ma la valutazione deve descrivere ciò che accade realmente.

La distinzione ha conseguenze contrattuali. Un’impresa può consentire al fornitore di interrogare un archivio per erogare il servizio senza autorizzarne l’utilizzo per addestrare un modello destinato ad altri clienti. Se il contratto usa indistintamente espressioni come «miglioramento del servizio» o «analisi dei dati», il perimetro dell’autorizzazione rischia di restare incerto. Occorre precisare quali operazioni siano consentite e quali materiali possano essere conservati, tenendo conto delle caratteristiche tecniche del servizio.

Lo stesso vale per i prompt. Una richiesta occasionale difficilmente va valutata come una procedura elaborata e custodita per ottenere un risultato industriale; una sequenza di istruzioni, criteri di controllo e informazioni riservate può invece meritare un’analisi diversa. L’etichetta «prompt proprietario» ha poca utilità se nessuno sa spiegare quale conoscenza protegga e come ne venga controllato l’accesso. La descrizione tecnica deve precedere la formula giuridica.

Chi controlla dati e know-how nel progetto AI

Parlare genericamente di proprietà dei dati può nascondere rapporti molto diversi. L’impresa potrebbe avere raccolto le informazioni direttamente, averle ricevute da un cliente con limiti d’uso o averle ottenute in licenza. La tutela del segreto richiede di considerare il legittimo controllo del detentore e i titoli che giustificano le operazioni. Il possesso materiale di un archivio non conferisce automaticamente il diritto di usarlo per ogni finalità.

Nel progetto industriale, alcune immagini potrebbero rappresentare prodotti di clienti e contenere dettagli delle loro lavorazioni. Prima di autorizzare il fornitore all’addestramento, occorre verificare gli accordi in base ai quali quelle immagini sono disponibili. L’azienda può trovarsi contemporaneamente a proteggere un proprio know-how e a dover rispettare la riservatezza altrui. Un contratto con il partner tecnologico che ignori questa provenienza rischia di promettere diritti più ampi di quelli effettivamente detenuti.

Anche i materiali preesistenti del fornitore devono essere riconoscibili. Il partner può aver sviluppato strumenti generali che intende riutilizzare, mentre il committente finanzia una configurazione specifica. È ragionevole disciplinare separatamente questi elementi e i risultati prodotti insieme. L’obiettivo dovrebbe essere permettere al cliente di usare e mantenere la soluzione secondo gli accordi, riconoscendo al fornitore ciò che può legittimamente conservare. Una clausola che assegni «tutto» a una parte, lasciando indefinito il contenuto di quel tutto, rinvia soltanto il problema.

Segreti commerciali, concorrenza lecita e open source

La direttiva UE 2016/943 disciplina la protezione contro acquisizione, utilizzo e divulgazione illeciti e riconosce la liceità della scoperta o creazione indipendente. Un concorrente può quindi arrivare autonomamente a una soluzione simile. La disciplina contempla inoltre l’osservazione, lo studio o la prova di prodotti legittimamente disponibili alle condizioni previste, ferme le regole specifiche e gli obblighi giuridicamente validi che possano limitare determinate attività. Per il software vanno considerati anche i limiti posti dalla disciplina applicabile.

La scelta fra mantenere riservate informazioni e adottare altre forme di protezione richiede quindi una valutazione del prodotto. Se il funzionamento consente di ricostruire facilmente l’elemento che si vorrebbe custodire, il segreto può essere una difesa fragile nei confronti di soggetti che lo acquisiscano lecitamente. Se il vantaggio resta nei dati selezionati e nei procedimenti interni, proteggere quei materiali può avere un’efficacia maggiore. Sono valutazioni da compiere prima della pubblicazione di dettagli tecnici in una demo o in un contributo divulgativo.

L’impiego di componenti aperti merita la stessa precisione. Le licenze continuano a disciplinare ciò che si può fare con il codice e gli altri materiali, mentre gli elementi ulteriori possono essere esaminati secondo i requisiti del segreto commerciale. Nessuna etichetta di riservatezza consente di appropriarsi di ciò che è già pubblico o di ignorare una licenza. Allo stesso tempo, la presenza di un componente open source non rende necessariamente pubblico l’intero processo sviluppato dall’impresa. Bisogna identificare i confini, senza affidarsi a formule assolute.

Le misure di sicurezza che sostengono la tutela

Il requisito delle misure ragionevolmente adeguate lega il diritto alla condotta dell’organizzazione. Un archivio condiviso mediante un collegamento accessibile a chiunque, senza regole sulle copie e sugli accessi, rende più difficile dimostrare la volontà e la capacità di mantenerlo segreto. Non esiste una soluzione tecnologica che produca automaticamente la tutela: la proporzionalità dipende dalla natura delle informazioni, dal contesto e dai rischi. Serve poter spiegare perché le misure adottate fossero appropriate.

Per il progetto di riconoscimento dei difetti, la prima domanda riguarda chi debba vedere i dati completi. Un consulente incaricato di verificare le prestazioni potrebbe avere bisogno di un campione, mentre lo sviluppatore che corregge un errore potrebbe richiedere la configurazione e alcuni risultati. Distribuire a tutti l’intero archivio per comodità amplia l’esposizione. Si possono organizzare accessi coerenti con il compito, registrare le operazioni rilevanti e revocare le autorizzazioni quando termina l’incarico, evitando di ostacolare inutilmente il lavoro.

Gli ambienti sperimentali meritano attenzione perché possono contenere il patrimonio più prezioso ed essere trattati come provvisori. Il gruppo di sviluppo crea copie, esporta campioni e conserva configurazioni su strumenti diversi; poi la prova diventa un progetto e le eccezioni iniziali restano. È utile stabilire quando il materiale debba entrare in un ambiente governato e chi verifichi le copie esistenti. La sicurezza del sistema in produzione non protegge automaticamente il dataset dimenticato nello spazio di un ex collaboratore.

Una classificazione comprensibile aiuta le persone a decidere. L’etichetta dovrebbe chiarire a chi si può trasmettere il materiale, attraverso quali strumenti e con quale autorizzazione. Se ogni documento è dichiarato altamente riservato ma viene scambiato liberamente, la classificazione perde credibilità. Meglio individuare ciò che merita una protezione specifica e rendere praticabili le regole: il dipendente che deve risolvere un problema urgente userà più facilmente il canale approvato se quel canale esiste e funziona.

Servizi AI esterni: accessi, conservazione e riutilizzo

L’invio di un contenuto a un servizio AI esterno non implica, da solo, che quel contenuto sia divenuto pubblico. Richiede però di verificare condizioni contrattuali e impostazioni: conservazione, accessi del personale, riutilizzo per addestramento o miglioramento e rapporti con gli ulteriori fornitori. Il nome del piano commerciale non risponde a queste domande. Una configurazione appropriata può essere compatibile con le esigenze di riservatezza; un utilizzo non valutato può esporre materiale che l’impresa aveva scelto di custodire.

Pensiamo allo sviluppatore che carica una porzione del dataset per chiedere aiuto su un’anomalia. Potrebbe trasmettere anche etichette o dettagli industriali estranei alla diagnosi. Formarlo significa spiegargli quali informazioni servano davvero e quale servizio sia autorizzato a riceverle. Un divieto generale, lasciato senza strumenti alternativi per lavorare, rischia di essere aggirato; una regola concreta può ridurre la circolazione superflua del patrimonio tecnico.

Queste verifiche hanno un riflesso nella prova della protezione. L’impresa dovrebbe conservare la versione delle condizioni e le decisioni relative al servizio utilizzato, soprattutto quando nel tempo cambiano funzioni e impostazioni. In una controversia, sapere che oggi il fornitore esclude determinati usi non dimostra automaticamente quali condizioni fossero applicabili al trasferimento avvenuto mesi prima.

Contratti AI: diritti sui materiali e uscita dal rapporto

Il contratto dovrebbe permettere di seguire le informazioni dall’ingresso nel progetto fino alla consegna e alla conclusione del rapporto. Per ogni categoria rilevante occorre chiarire chi possa usarla e per quali scopi, distinguendo i materiali del cliente da quelli preesistenti del partner e dai risultati elaborati durante il lavoro. Gli elenchi possono essere aggiornati con i rilasci: pretendere di descrivere ogni dettaglio prima della sperimentazione può essere irrealistico, ma lasciare tutto indefinito fino alla fine rende molto più difficile raggiungere un accordo.

Un impegno di non divulgazione non risolve necessariamente il riutilizzo. Il fornitore potrebbe conservare riservatamente le configurazioni e impiegarle per migliorare un servizio destinato ad altri. Se le parti intendono escludere questa possibilità, devono disciplinarla; se la consentono, devono definirne i limiti. La rimozione dei nomi dei clienti può essere utile per alcuni scopi, ma non elimina automaticamente il know-how: il valore potrebbe trovarsi proprio nella selezione dei casi o nei parametri che restano.

Alla cessazione, restituzione e cancellazione vanno coordinate con le copie di sicurezza, i vincoli di conservazione e la documentazione necessaria a provare il lavoro. Le eccezioni devono essere circoscritte e accompagnate da protezioni e limiti d’uso. Una promessa di cancellazione immediata e assoluta, incompatibile con l’architettura utilizzata, crea un impegno che il fornitore non sa adempiere e sul quale il cliente potrebbe fare affidamento.

La consegna dovrebbe inoltre consentire la manutenzione concordata. Se il committente riceve soltanto il modello e ogni aggiornamento dipende da un procedimento noto esclusivamente al partner, il cambio di fornitore può diventare costoso o impossibile. Bisogna decidere quali materiali e diritti siano necessari alla continuità, eventualmente prevedendo forme di accesso condizionato. È una questione da negoziare quando entrambe le parti vogliono iniziare il progetto, non quando una delle due vuole uscirne.

Segreti commerciali tra AI Act, GDPR e lavoro

La tutela del segreto commerciale convive con obblighi di informazione previsti dalla legge. L’articolo 78 dell’AI Act disciplina la riservatezza nell’attività dei soggetti ai quali si riferisce; altri obblighi possono richiedere comunicazioni alle autorità o agli interessati. L’impresa deve individuare ciò che va fornito, il destinatario e le garanzie pertinenti. Opporre il segreto in modo indistinto impedisce di affrontare il vero problema: come adempiere senza diffondere oltre il necessario informazioni protette.

Un archivio di valore può inoltre contenere dati personali. Il segreto commerciale non fornisce una base giuridica per raccoglierli o impiegarli nell’addestramento e non cancella i diritti riconosciuti dal GDPR. Le valutazioni devono procedere insieme, mantenendo distinti gli oggetti: il titolo per trattare i dati, le condizioni della tutela industriale e i limiti delle comunicazioni. Nei rapporti con il fornitore può essere necessario disciplinare tutti questi aspetti, senza affidare a una sola clausola compiti che appartengono a regole diverse.

La distinzione fra patrimonio riservato e competenze personali conta anche nei rapporti di lavoro. La direttiva tutela la mobilità dei lavoratori e l’uso delle esperienze e competenze acquisite onestamente nello svolgimento ordinario dell’attività. L’impresa deve quindi identificare le informazioni protette con sufficiente precisione, evitando di assimilare al proprio segreto qualsiasi conoscenza maturata da chi ha partecipato al progetto. Un vincolo indistinto rende più difficile distinguere una condotta illecita dal normale esercizio professionale.

All’uscita di un collaboratore, la restituzione dei materiali e la revoca degli accessi possono essere accompagnate da una verifica delle autorizzazioni ancora attive e degli incarichi aperti. Se occorre un passaggio di consegne, va organizzato attraverso strumenti e destinatari definiti. Questo protegge entrambe le parti: l’impresa conserva il controllo degli archivi e il collaboratore sa quali materiali deve restituire, quali obblighi continuano a vincolarlo e quali attività professionali restano libere.

La chiarezza raggiunta in quel momento può evitare che una successiva collaborazione con un concorrente venga interpretata, senza elementi sufficienti, come prova dell’uso illecito di informazioni.

Come documentare la protezione dei segreti commerciali

L’articolo 53 del decreto conferma la competenza delle sezioni specializzate in materia di impresa per le controversie richiamate. Chi invochi la tutela dovrà poter identificare le informazioni e ricostruire controllo legittimo, misure di protezione e condotte contestate. Versioni dei dataset, autorizzazioni e registrazioni degli accessi possono contribuire a questa ricostruzione, purché siano attendibili e coerenti. Il fatto che un concorrente abbia ottenuto buoni risultati non dimostra, da solo, l’appropriazione del patrimonio altrui.

Nel progetto dell’esempio, il momento utile per descrivere la selezione degli elementi e le configurazioni è quello in cui vengono prodotte. Si può registrare chi le ha sviluppate, quali materiali incorporano e quali usi siano consentiti, aggiornando gli accordi quando il progetto cambia. Questo lavoro aiuta a prevenire il conflitto e, se necessario, a delimitarlo. Alla consegna del modello, cliente e fornitore potranno allora discutere di prestazioni e manutenzione sapendo già quali conoscenze ciascuno può portare con sé.

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
0
Lascia un commento, la tua opinione conta.x