Per molte imprese l’intelligenza artificiale è arrivata prima delle regole interne chiamate a governarla. Strumenti generativi nei reparti, sistemi di scoring incorporati nelle piattaforme e applicazioni predittive acquistate da fornitori esterni hanno ampliato rapidamente il perimetro tecnologico delle aziende, mentre la mappa delle responsabilità è cresciuta con maggiore lentezza. Finché l’IA veniva percepita soprattutto come leva di efficienza, questa distanza poteva sembrare un ritardo organizzativo, ma oggi pesa di più, perché gli algoritmi partecipano a processi dai quali dipendono scelte economiche, operative e reputazionali.
Il D.Lgs. 9 settembre 2026, n. 160, in vigore dal 30 settembre, rende evidente questo cambiamento introducendo nel codice penale l’art. 437-bis, dedicato all’omessa adozione di misure di sicurezza nei sistemi di intelligenza artificiale e alla loro alterazione illecita, e inserendo nel D.Lgs. 231/2001 il nuovo art. 25-vicies. Alcune condotte connesse all’impiego dell’IA entrano così nella responsabilità amministrativa degli enti e portano sicurezza, supervisione e controllo dei sistemi dentro la valutazione dell’assetto organizzativo, quando ricorrono i presupposti della disciplina 231.
La portata della novità si comprende osservando ciò che accade dentro l’impresa, dove un algoritmo integrato in un processo seleziona informazioni, orienta previsioni, propone alternative e può incidere sulla decisione finale anche quando questa resta formalmente affidata a una persona. Affidabilità del sistema, qualità dei dati, tracciabilità e capacità di intervento entrano così nel normale esercizio del controllo interno, perché la tecnologia diventa una delle modalità attraverso cui l’organizzazione agisce.
Indice degli argomenti
Rischio algoritmico e colpa di organizzazione nel sistema 231
La disciplina 231 conserva i propri presupposti e il malfunzionamento di un sistema di IA non determina automaticamente la responsabilità dell’ente. Restano da verificare il reato-presupposto, il ruolo del soggetto che ha agito, l’interesse o il vantaggio dell’organizzazione e l’adeguatezza dei presidi adottati. Quest’ultimo profilo acquista maggiore peso quando un sistema algoritmico opera in un processo sensibile e l’impresa ha governato in modo insufficiente il rischio che ne deriva.
La categoria della colpa di organizzazione, consolidata dalla giurisprudenza e chiarita dalle Sezioni Unite nella sentenza Thyssenkrupp, offre una chiave di lettura utile. Il giudizio sull’ente riguarda la qualità delle scelte con cui il rischio viene conosciuto, prevenuto e controllato. Nell’intelligenza artificiale questo significa esaminare quali sistemi siano realmente utilizzati, come siano stati autorizzati, su quali dati lavorino, come vengano aggiornati e quali poteri abbiano le persone incaricate della supervisione.
La distanza tra un presidio reale e uno meramente documentale si evince con chiarezza nella cosiddetta shadow AI. Dipendenti e consulenti possono introdurre strumenti generativi fuori dai canali ordinari di procurement, caricando dati aziendali o utilizzando output destinati a finire nei processi decisionali senza che il sistema sia stato censito. La vulnerabilità nasce allora dallo scarto tra l’organizzazione descritta nelle procedure e quella che opera ogni giorno. Anche una policy accurata serve poco se l’impresa ignora quali strumenti siano usati, da chi e per quali finalità.
Sorveglianza umana nei processi aziendali basati sull’IA
La sorveglianza umana è uno dei collegamenti più diretti tra AI Act e responsabilità organizzativa. L’art. 14 del Regolamento europeo richiede che i sistemi ad alto rischio possano essere supervisionati da persone capaci di comprenderne limiti e prestazioni, riconoscere anomalie, interpretare gli output e intervenire quando necessario. La presenza formale di un operatore lungo la catena decisionale dice però poco sulla qualità del controllo se quella persona riceve informazioni insufficienti, possiede competenze inadeguate o non ha l’autorità per mettere in discussione il risultato prodotto dalla macchina.
Conta anche il modo in cui l’organizzazione costruisce i propri processi decisionali, perché un output algoritmico presentato come risposta tecnicamente oggettiva può indurre chi dovrebbe valutarlo a confermarlo senza un esame realmente critico. L’AI Act considera il rischio di automation bias e richiama l’esigenza di conservare il giudizio umano anche davanti a sistemi molto performanti. Ruoli e procedure devono quindi lasciare alla persona uno spazio di intervento competente e documentabile, evitando che la responsabilità si dissolva dietro l’apparente neutralità della tecnologia.
L’AI literacy prevista dall’art. 4 assume quindi una funzione organizzativa, poiché chi utilizza sistemi di IA deve conoscere possibilità e limiti della tecnologia, riconoscere le condizioni nelle quali l’output può diventare inattendibile e sapere come comportarsi quando emerge un’anomalia. Una formazione costruita su questi elementi rende credibile la supervisione e permette all’ente di dimostrare che l’uso dell’IA è stato accompagnato da competenze adeguate al contesto, senza affidarsi soltanto alla familiarità individuale con strumenti sempre più accessibili.
AI Act e responsabilità 231: tempi europei e obblighi già operativi
La governance deve misurarsi anche con un calendario normativo diventato più articolato nel corso del 2026. Il Regolamento (UE) 2026/1744 ha differito una parte degli obblighi del Capo III dell’AI Act relativi ai sistemi ad alto rischio. Per quelli classificati ai sensi dell’art. 6, paragrafo 2, e dell’Allegato III, le sezioni interessate si applicheranno dal 2 dicembre 2027; per i sistemi collegati ai prodotti dell’Allegato I la data è il 2 agosto 2028. Il decreto legislativo italiano è invece già in vigore e il nuovo art. 25-vicies appartiene al sistema 231, mentre altre disposizioni europee, compresa l’AI literacy, sono già applicabili.
La diversa scansione temporale suggerisce cautela nella lettura penalistica degli obblighi europei, evitando di attribuire efficacia anticipata a prescrizioni espressamente differite. Sul piano aziendale, rinviare ogni intervento fino alle nuove scadenze lascerebbe però le imprese impreparate davanti a una trasformazione già in corso. Inventario dei sistemi, responsabilità, accessi ai dati, controlli sui fornitori e formazione richiedono lavoro, verifiche e correzioni prima di diventare presidi realmente operativi.
Il periodo di transizione offre quindi il tempo per portare ordine in un ambiente tecnologico cresciuto spesso per successive stratificazioni. La priorità consiste nel rendere conoscibile il perimetro dell’IA realmente impiegata e verificare dove i sistemi incidano sulle decisioni e quali presidi li accompagnino. Una governance credibile matura attraverso l’esperienza e l’audit, perché le procedure acquistano valore quando vengono messe alla prova nei processi per i quali sono state concepite.
Il risk assessment del Modello 231 per sistemi di IA in evoluzione
Per i Modelli di organizzazione, gestione e controllo la conseguenza più immediata riguarda il risk assessment. La tradizionale relazione tra processo aziendale, rischio-reato e presidio continua a rappresentare una base utile, purché tenga conto della componente algoritmica che partecipa al processo e può modificarne concretamente il funzionamento. Un aggiornamento del software, l’introduzione di un nuovo modello, il ricorso a una diversa fonte di dati o l’ampliamento della finalità d’uso possono cambiare il profilo di rischio senza produrre alcuna variazione visibile nell’organigramma o nelle procedure generali.
La mappatura dovrebbe partire dai sistemi effettivamente utilizzati, includendo soluzioni interne, prodotti acquistati da terzi e strumenti general purpose adottati dalle singole funzioni. Per ciascuno occorre conoscere finalità, utilizzatori, dati trattati, livello di autonomia, classificazione normativa, misure di sicurezza, supervisione, disponibilità dei log e procedure applicate in caso di anomalia. Queste informazioni richiedono aggiornamenti frequenti, perché la tecnologia evolve con una velocità incompatibile con una fotografia statica rivista una volta all’anno.
L’Organismo di Vigilanza dovrà ricevere informazioni sufficienti a valutare la tenuta dei presidi senza diventare una struttura informatica parallela. Deve conoscere almeno i sistemi più rilevanti per il perimetro 231, le modifiche sostanziali, gli incidenti, le anomalie ricorrenti, gli esiti degli audit e il livello di preparazione degli utilizzatori. I flussi dovranno essere comprensibili e proporzionati al rischio, tempestivi davanti a un evento critico e regolari nella gestione ordinaria, offrendo all’OdV una rappresentazione attendibile dell’uso effettivo dell’IA.
Cybersecurity, dati e fornitori nella governance dell’intelligenza artificiale
La crescente integrazione dell’intelligenza artificiale nei processi aziendali rende artificiosa una gestione separata di compliance, cybersecurity e data governance. L’art. 15 dell’AI Act collega accuratezza, robustezza e cybersicurezza e riconosce che l’affidabilità può essere compromessa agendo sui dati, sul modello, sugli input, sugli output o sugli accessi. Anche un’applicazione correttamente classificata rimane esposta se utilizza dati alterati, consente autorizzazioni troppo ampie o manca di controlli capaci di rilevare manipolazioni e comportamenti anomali.
La stessa attenzione deve estendersi alla filiera dei fornitori, perché molte imprese utilizzano sistemi sviluppati, ospitati o aggiornati da soggetti esterni e controllano direttamente soltanto una parte dell’infrastruttura da cui dipende il servizio. Integrare queste soluzioni nei processi richiede informazioni sufficienti per comprenderne caratteristiche e limiti, conoscere le modifiche rilevanti, gestire gli incidenti e ricostruire le responsabilità. Contratti, livelli di servizio e documentazione tecnica diventano così strumenti concreti di governo di una tecnologia che può trovarsi fuori dal perimetro aziendale.
Provenienza, qualità, integrità, aggiornamento e tracciabilità dei dati condizionano l’affidabilità dell’output e possono incidere direttamente sulle decisioni che ne derivano. Modello, dato e processo vanno perciò osservati come parti dello stesso sistema organizzativo, con responsabilità definite lungo il ciclo di utilizzo e controlli capaci di seguire l’evoluzione della tecnologia senza perdere continuità nella supervisione.
AI-231 Governance: rendere dimostrabili controlli e decisioni
L’evoluzione normativa rende più evidente una trasformazione già avviata nelle organizzazioni più mature, dove la compliance tecnologica si misura sempre meno dalla quantità di documenti prodotti e sempre più dalla coerenza tra ciò che le procedure prescrivono e ciò che accade nei processi. Sapere chi ha autorizzato un sistema, quale versione era operativa, chi aveva accesso, quali controlli sono stati eseguiti e come è stata gestita un’anomalia permette di ricostruire il comportamento dell’organizzazione e trasforma la tracciabilità in memoria delle decisioni.
L’espressione AI-231 Governance può descrivere una capacità trasversale dell’ente che mette in relazione inventario dei sistemi, classificazione del rischio, responsabilità, sorveglianza umana, cybersecurity, gestione dei dati, fornitori, formazione, audit e flussi verso l’Organismo di Vigilanza. Sono ambiti affidati a funzioni diverse, chiamate però a coordinarsi quando un sistema algoritmico partecipa a processi rilevanti. La solidità del presidio dipende dalla continuità con cui queste funzioni seguono il ciclo di vita della tecnologia e producono evidenze verificabili.
Per molte imprese il lavoro più impegnativo consisterà nel riportare l’IA dentro le responsabilità ordinarie della gestione, superando la fase in cui l’adozione di nuovi strumenti è dipesa soprattutto dall’iniziativa delle singole funzioni. Conoscere cosa viene utilizzato, con quali dati, sotto la responsabilità di chi e secondo quali controlli permette di innovare senza creare aree opache. Il Modello 231 può aiutare proprio perché collega il rischio tecnologico ai processi, ai poteri e alle procedure attraverso cui l’impresa opera realmente.
L’intelligenza artificiale aggiunge profondità a un principio già consolidato nel diritto dell’impresa, secondo cui l’adeguatezza organizzativa si misura nella capacità di prevedere i rischi ragionevolmente conoscibili, predisporre controlli coerenti e dimostrare che abbiano funzionato nella pratica. Quando un algoritmo partecipa alla formazione di una decisione, la responsabilità umana resta riconoscibile se ruoli, competenze e poteri di intervento sono definiti con chiarezza e l’organizzazione conserva le informazioni necessarie a ricostruire le scelte compiute. Governare l’IA significa allora consentire all’innovazione di entrare nei processi senza rendere invisibile chi continua ad assumersi la responsabilità delle decisioni.
Riferimenti normativi su intelligenza artificiale e Modello 231
Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024, che stabilisce regole armonizzate sull’intelligenza artificiale (Artificial Intelligence Act), con particolare riferimento agli artt. 4, 6, 9, 14, 15, 16, 26 e all’Allegato III.
Regolamento (UE) 2026/1744 del Parlamento europeo e del Consiglio, dell’8 luglio 2026, che modifica, tra gli altri, il Regolamento (UE) 2024/1689 per quanto riguarda la semplificazione dell’attuazione delle regole armonizzate sull’intelligenza artificiale (Digital Omnibus on AI).
Legge 23 settembre 2025, n. 132, recante disposizioni e deleghe al Governo in materia di intelligenza artificiale.
Decreto legislativo 9 settembre 2026, n. 160, recante disposizioni in materia di realizzazione e impiego illecito dei sistemi di intelligenza artificiale.
Codice penale, art. 437-bis, Omessa adozione di misure di sicurezza nei sistemi di intelligenza artificiale e alterazione illecita dei sistemi.
Codice penale, art. 612-quater, in materia di illecita diffusione di contenuti generati o alterati con sistemi di intelligenza artificiale.
Decreto legislativo 8 giugno 2001, n. 231, con particolare riferimento agli artt. 5, 6, 7, 9, 11, 13, 19 e all’art. 25-vicies.
Regolamento (UE) 2016/679 del Parlamento europeo e del Consiglio, del 27 aprile 2016, General Data Protection Regulation (GDPR), con particolare riferimento agli artt. 5, 22, 24, 25, 32 e 35.
Direttiva (UE) 2022/2555 del Parlamento europeo e del Consiglio, del 14 dicembre 2022, relativa a misure per un livello comune elevato di cybersicurezza nell’Unione (NIS2).
Regolamento (UE) 2022/2554 del Parlamento europeo e del Consiglio, del 14 dicembre 2022, relativo alla resilienza operativa digitale per il settore finanziario (DORA).
Giurisprudenza essenziale sulla responsabilità dell’ente
Cass. pen., Sez. Un., 18 settembre 2014, n. 38343, Thyssenkrupp, con particolare riferimento alla colpa di organizzazione, ai criteri di interesse e vantaggio e alla responsabilità autonoma dell’ente.
Cass. pen., Sez. IV, 9 agosto 2018, n. 38363, Consorzio Melinda, sull’autonomia della responsabilità dell’ente rispetto alla responsabilità penale della persona fisica.
Cass. pen., Sez. VI, 15 giugno 2022, n. 23401, Impregilo, sull’idoneità del modello organizzativo e sulla colpa di organizzazione.
Bibliografia e fonti tecnico-scientifiche sulla governance dell’IA
AA.VV., La responsabilità da reato degli enti, Giappichelli, Torino.
Bernasconi, A., Il processo penale de societate, Giappichelli, Torino.
Confindustria, Linee guida per la costruzione dei Modelli di organizzazione, gestione e controllo ai sensi del Decreto Legislativo 8 giugno 2001, n. 231, aggiornamento giugno 2021.
European Commission, AI Act – Regulatory Framework for Artificial Intelligence.
European Commission, AI Act Service Desk – AI Act Explorer.
OECD, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449.
UNESCO, Recommendation on the Ethics of Artificial Intelligence, Parigi, 2021.
ISO/IEC 42001:2023, Information technology – Artificial intelligence – Management system.
ISO/IEC 23894:2023, Information technology – Artificial intelligence – Guidance on risk management.
NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0), National Institute of Standards and Technology, 2023.
NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1, 2024.
ENISA, documentazione e linee di indirizzo in materia di cybersecurity dell’intelligenza artificiale e sicurezza dei sistemi di machine learning.
Partecipa alla community