Parlare di AI governance significa parlare di qualcosa di molto più ampio di un elenco di divieti o di un adempimento burocratico da archiviare.
Cos’è l’AI governance e perché è fondamentale per le aziende
L’AI governance è l’architettura strategica fatta di regole, processi e strumenti che permette a un’organizzazione di usare l’intelligenza artificiale in modo sicuro, trasparente e responsabile. In pratica è il sistema che stabilisce chi ha l’autorità di decidere come l’IA venga impiegata, chi ne presidia gli aspetti tecnici e chi ne verifica gli effetti sulle persone: un impianto che trasforma uno strumento per natura imprevedibile in un asset aziendale solido e difendibile.
La governance funziona da cerniera tra i principi etici, spesso enunciati in astratto, e la loro applicazione quotidiana, traducendo valori come equità e trasparenza in controlli tecnici, policy scritte e responsabilità assegnate con precisione.
Le aziende oggi non possono più permettersi di farne a meno: prima di tutto in quanto esiste la necessità di colmare un vuoto di responsabilità che si crea puntualmente quando l’adozione dell’IA avviene in modo spontaneo e non coordinato. In assenza di un quadro di riferimento, le decisioni critiche finiscono per essere prese in modo frammentato tra team legali, tecnici e di business, con il risultato che, davanti a un errore o a un output distorto, nessuno è realmente in grado di risponderne. Una governance strutturata inverte questa dinamica: istituisce catene di accountability chiare, assegna a ogni sistema un proprietario identificabile e rende le decisioni automatizzate ricostruibili e motivabili, un requisito che diventa decisivo in ambiti ad alto impatto come la selezione del personale o la valutazione del merito creditizio.
Un secondo pilastro riguarda la gestione del rischio e la conformità normativa, in un contesto legislativo che si fa ogni anno più stringente. Con regolamenti come l’AI Act europeo, classificare i sistemi in base al loro livello di rischio non è più una scelta discrezionale ma un obbligo di legge che determina l’intero apparato di controlli da attivare. Una governance ben costruita protegge l’azienda da sanzioni economiche severe e da danni reputazionali legati a bias discriminatori o violazioni della privacy, perché integra i requisiti normativi direttamente nel ciclo di sviluppo dei sistemi, invece di rincorrerli con verifiche tardive.
Come funziona la governance dell’AI in azienda
Immaginare la governance come un adempimento da adempiere al momento dell’acquisto di un nuovo strumento è probabilmente l’errore più comune. Nella pratica funciona in modo molto diverso: è più simile a un sistema operativo che accompagna un algoritmo lungo tutto il suo ciclo di vita, dalla progettazione fino all’eventuale dismissione. Operativamente ciò significa stabilire in anticipo chi deve prendere le decisioni a ogni fase, quali evidenze tecniche devono essere prodotte e come i sistemi vengono mantenuti conformi nel tempo, anche quando cambiano i dati su cui operano o il contesto normativo di riferimento.
Il primo momento in cui la governance entra in gioco è la progettazione, dove si definisce lo scopo del sistema e si stabilisce a chi appartiene la responsabilità di quella specifica applicazione: un model owner tecnico, un risk owner che ne valuta gli impatti, spesso un comitato interfunzionale che riunisce competenze legali, tecniche e di business quando la posta in gioco è più alta. A questa fase segue la selezione e la preparazione dei dati, dove la governance impone controlli sulla provenienza, sulla qualità e sulla rappresentatività delle informazioni usate per addestrare o alimentare il sistema, perché è qui che si annidano molti dei bias che poi si manifestano negli output.
Durante lo sviluppo e i test, il compito della governance è produrre documentazione verificabile: schede tecniche che descrivono il funzionamento del modello, i suoi limiti noti e le condizioni d’uso previste, insieme a valutazioni d’impatto che stimano le conseguenze possibili su persone e diritti prima che il sistema venga messo in produzione. Una volta in esercizio, il processo non si interrompe: il monitoraggio continuo delle prestazioni, il controllo periodico della qualità degli output e la possibilità di intervenire rapidamente in caso di anomalie sono parte integrante dello stesso impianto di governo, non un’attività separata affidata solo al reparto IT.
Un elemento che distingue una governance matura da una puramente formale consiste nella capacità di calibrare l’intensità dei controlli in base alla criticità dell’applicazione. Uno strumento a basso impatto, come un chatbot per rispondere a domande generiche, non richiede lo stesso livello di supervisione di un sistema che influisce su assunzioni, credito o accesso a servizi essenziali. Questo approccio graduato evita di appesantire inutilmente i processi meno rischiosi, concentrando invece energie e controlli dove le conseguenze di un errore sarebbero più gravi.
Regole, processi e responsabilità nella gestione dei sistemi AI
Al centro della gestione operativa dei sistemi di intelligenza artificiale c’è un’assegnazione delle responsabilità che non lascia spazio ad ambiguità, spesso formalizzata attraverso una matrice RACI capace di eliminare zone grigie e rimpalli tra reparti. Il processo parte dalla direzione aziendale, che assume il ruolo di sponsor definendo strategia e propensione al rischio, per poi delegare il coordinamento tecnico e normativo a figure trasversali come il referente AI o, nelle organizzazioni più strutturate, un vero e proprio Chief AI Officer. Questa figura funziona da tessuto connettivo tra competenze diverse: da un lato l’IT, custode della sicurezza e dell’integrità dei sistemi, dall’altro la funzione legale e il DPO, chiamati a interpretare l’evoluzione normativa dell’AI Act e del GDPR e a tradurla in vincoli operativi comprensibili per chi lavora sul campo.
A completare la catena ci sono i referenti di funzione, responsabili di sorvegliare l’uso quotidiano degli strumenti nei rispettivi reparti, e gli utenti finali, che rappresentano l’ultimo anello ma tutt’altro che il meno rilevante: sono loro i primi a poter riconoscere un’anomalia o un output distorto, a patto di essere formati per farlo. In molte organizzazioni tutto questo coordinamento trova una sede formale nel Comitato AI interfunzionale, un organismo che si riunisce con cadenza regolare per approvare nuovi progetti, valutarne l’impatto sui diritti delle persone coinvolte e produrre verbali che documentano, nero su bianco, la diligenza dell’azienda nel governo di questi sistemi.
Monitoraggio, controllo dei dati e valutazione dei rischi
La parte più analitica della governance riguarda il controllo tecnico e la valutazione dei rischi, e parte da un lavoro spesso sottovalutato: la mappatura puntuale dei dati che alimentano i modelli. Tracciare la data lineage, cioè l’origine e il percorso delle informazioni fino al modello, insieme al controllo costante della loro qualità, non è un esercizio accademico: dati distorti o incompleti si traducono quasi sempre in output inaffidabili o discriminatori, e il problema si scopre tipicamente troppo tardi se non è stato presidiato a monte.
Una volta che il sistema è in esercizio, il baricentro si sposta sul monitoraggio continuo, il cui compito principale è intercettare il drift, cioè il progressivo degrado delle prestazioni causato da cambiamenti nel contesto operativo o nei dati in ingresso rispetto a quelli usati in fase di addestramento. Per governare questa complessità le aziende si affidano a strumenti di osservabilità che generano alert automatici davanti a comportamenti anomali e mettono a disposizione dashboard con le metriche di accuratezza, equità e sicurezza aggiornate in tempo reale. La valutazione del rischio, però, non è un adempimento che si esaurisce una volta per tutte: va ripetuta ogni volta che cambia il profilo d’uso del sistema, per esempio quando uno strumento pensato per un uso interno viene esteso ai clienti finali, con tutto ciò che questo comporta in termini di esposizione.
E quando qualcosa va comunque storto, entrano in gioco i playbook di risposta agli incidenti, predisposti in anticipo per stabilire come contenere il danno, chi ha la responsabilità di comunicare all’esterno e come trasformare l’accaduto in un miglioramento concreto dei controlli futuri.
Perché è necessaria una AI governance prima di adottare l’intelligenza artificiale
Adottare l’intelligenza artificiale senza aver prima costruito una governance solida equivale ad assumere un collaboratore straordinariamente capace ma imprevedibile, e lasciarlo lavorare senza istruzioni, limiti né supervisione. La differenza sostanziale risiede nel momento in cui si interviene: costruire le regole dopo che il sistema è già in produzione significa quasi sempre rincorrere problemi già manifestati, riscrivendo processi, rinegoziando responsabilità e spiegando a posteriori scelte che nessuno aveva davvero autorizzato. È lo stesso meccanismo del debito tecnico in informatica: ogni scorciatoia presa all’inizio si ripaga, con gli interessi, quando il sistema è già radicato nei processi aziendali e toccarlo costa infinitamente di più.
C’è poi una dimensione spesso trascurata, quella del rischio legato ai fornitori terzi. Buona parte delle aziende non sviluppa i propri modelli internamente ma li integra tramite API o piattaforme esterne, e in questi casi la governance deve estendersi anche al processo di procurement: verificare le condizioni contrattuali del fornitore, capire dove risiedono e come vengono trattati i dati condivisi, chiarire chi si assume la responsabilità legale in caso di output dannoso o di violazione. Senza questa due diligence preventiva, l’azienda finisce per ereditare i rischi di terzi senza averli mai valutati consapevolmente, scoprendoli solo quando è troppo tardi per negoziare condizioni migliori.
Dal punto di vista della sicurezza operativa, definire regole chiare prima dell’implementazione resta l’unico modo efficace per prevenire il fenomeno della Shadow AI, cioè l’uso spontaneo e non autorizzato di strumenti esterni da parte dei dipendenti. Senza una policy d’uso stabilita a monte, informazioni sensibili come dati sanitari, contratti o elenchi clienti possono finire inserite in modelli di consumo pubblico senza alcuna garanzia sulla loro protezione, con violazioni della privacy e del segreto industriale spesso impossibili da rimediare una volta avvenute. Una governance pensata in anticipo stabilisce con chiarezza quali dati possono essere trattati e quali strumenti sono ammessi, evitando all’azienda errori costosi e figure reputazionali difficili da recuperare.
AI governance aziendale: vantaggi per grandi imprese e PMI
Adottare una struttura di governo dell’intelligenza artificiale non va letto come un adempimento burocratico da archiviare, ma come un asset strategico il cui valore cambia forma a seconda della dimensione dell’organizzazione.
Nelle grandi imprese, il beneficio più immediato riguarda la capacità di armonizzare standard in contesti decentralizzati, dove team diversi rischierebbero altrimenti di adottare strumenti e criteri etici tra loro incoerenti, esponendo il brand a rischi reputazionali che si propagano rapidamente su larga scala. Una governance solida trasforma la conformità normativa in un elemento distintivo, dimostrando ad azionisti e autorità che ogni decisione automatizzata è tracciabile, verificabile e coerente con i valori dichiarati dall’azienda. C’è poi un effetto meno visibile ma concreto: nelle operazioni di fusione e acquisizione, la documentazione di governance sui sistemi AI è ormai parte della due diligence, e la sua assenza può far scendere la valutazione di un’azienda o far saltare una trattativa; allo stesso modo, alcune compagnie assicurative iniziano a modulare i premi delle polizze cyber in base alla maturità dei controlli sull’intelligenza artificiale adottata.
Nelle piccole e medie imprese il valore della governance si manifesta diversamente, come catalizzatore di maturità digitale e come argine contro errori che, su una struttura più piccola, possono avere conseguenze sproporzionate rispetto alla loro origine. Molte PMI temono che dotarsi di regole significhi appesantire l’operatività, ma anche solo una policy essenziale evita gaffe che a quella scala possono risultare determinanti, come l’uso di strumenti non verificati per generare comunicazioni destinate ai clienti senza alcun controllo umano a valle.
La governance è oggi anche una leva commerciale: sempre più bandi di gara e capitolati richiedono ai fornitori di dimostrare come gestiscono l’intelligenza artificiale nei progetti condivisi, e le PMI che possono rispondere con documentazione solida partono avvantaggiate rispetto a chi non ha nulla da mostrare. Vale anche per l’attrattività verso i talenti: professionisti qualificati, soprattutto nelle funzioni tecniche, tendono a preferire aziende che dimostrano un uso responsabile e ben governato delle tecnologie che utilizzeranno ogni giorno.
AI Act e governance dell’intelligenza artificiale: cosa devono sapere le aziende
L’entrata in vigore dell’AI Act segna un passaggio storico: l’Unione Europea diventa la prima area geografica al mondo a dotarsi di un quadro normativo vincolante specifico per l’intelligenza artificiale, con l’ambizione dichiarata di introdurre regole armonizzate per lo sviluppo e l’utilizzo di questi sistemi in tutti gli Stati membri. Il regolamento non va inteso come un insieme di raccomandazioni etiche, ma come una disciplina di prodotto a tutti gli effetti, che impone obblighi legali distinti a seconda del ruolo ricoperto: chi sviluppa un sistema, definito come fornitore, ha responsabilità diverse da chi lo utilizza all’interno della propria organizzazione, definito come utilizzatore o deployer, ed entrambe le figure devono conoscere con precisione cosa la norma richiede loro.
L’impianto normativo si regge su un approccio piramidale basato sul livello di rischio. Alla base ci sono le applicazioni a rischio minimo o nullo, che restano sostanzialmente libere da obblighi; salendo si trovano i sistemi a rischio limitato, soggetti principalmente a obblighi di trasparenza verso l’utente, come segnalare che si sta interagendo con un chatbot; più in alto ancora i sistemi ad alto rischio, tra cui rientrano quelli usati per la selezione del personale, la valutazione del credito o l’accesso a servizi pubblici essenziali, per i quali scattano requisiti stringenti di valutazione di conformità, documentazione tecnica e sorveglianza umana; al vertice, alcune pratiche vengono considerate a rischio inaccettabile e semplicemente vietate, come i sistemi di social scoring o il riconoscimento delle emozioni sul luogo di lavoro. A questa impalcatura si aggiungono obblighi specifici per i modelli di intelligenza artificiale a uso generale, quelli su cui si basano molti degli strumenti oggi più diffusi sul mercato.
Un aspetto che sorprende spesso chi si avvicina per la prima volta alla normativa è la sua applicazione graduale nel tempo: i divieti sulle pratiche a rischio inaccettabile sono scattati per primi, gli obblighi sui modelli general purpose sono seguiti a distanza di mesi, mentre i requisiti più articolati sui sistemi ad alto rischio hanno un orizzonte di adeguamento più lungo, proprio per dare alle imprese il tempo di strutturare processi di valutazione che, per molte organizzazioni, non esistevano prima.
Gli obblighi introdotti dall’AI Act per le organizzazioni
Tra gli obblighi dell’AI Act per le aziende, quello destinato ad avere l’impatto culturale più profondo è probabilmente il meno discusso: l’articolo 4 impone alle organizzazioni di garantire un livello adeguato di alfabetizzazione in materia di IA a chiunque, all’interno o per conto dell’azienda, operi con questi sistemi. Non si tratta di un requisito generico: significa che un responsabile HR che utilizza uno strumento per la selezione dei curriculum deve saperne riconoscere i limiti tecnici, così come un addetto al customer care che si affida a un chatbot deve capire quando un output richiede una verifica umana prima di essere inoltrato al cliente. Le aziende più organizzate stanno rispondendo con percorsi formativi differenziati per ruolo, che vanno da moduli base per tutto il personale a corsi più tecnici per chi progetta, seleziona o supervisiona direttamente i sistemi ad alto rischio.
Le sanzioni pecuniarie, che possono arrivare fino a 35 milioni di euro o al sette per cento del fatturato globale annuo, sono solo una parte del quadro. La non conformità può tradursi anche nell’esclusione da bandi di gara pubblici che ormai richiedono esplicitamente la dimostrazione di requisiti AI Act, in contestazioni contrattuali da parte di clienti business che richiedono garanzie di conformità nei contratti di fornitura, e in un’esposizione a azioni legali da parte di soggetti che si ritengono danneggiati da una decisione automatizzata presa senza le garanzie di trasparenza e sorveglianza umana previste dalla norma. Per questo motivo la conformità va trattata come un tema di rischio d’impresa a tutto tondo, non come una voce di costo isolata da gestire a fine anno.
Come prepararsi a una gestione dell’AI conforme alle normative
Il punto di partenza concreto è costruire un inventario che vada oltre l’elenco degli strumenti acquistati ufficialmente dall’IT. Nella pratica, questo significa incrociare più fonti: interviste ai responsabili di funzione, analisi delle spese su carte aziendali e note spese per individuare abbonamenti a strumenti AI non censiti, e verifica dei contratti di fornitura software già in essere, perché sempre più applicazioni gestionali integrano funzionalità di intelligenza artificiale senza che l’azienda se ne accorga esplicitamente al momento dell’acquisto. Solo con questa fotografia completa è possibile classificare ogni sistema secondo i livelli di rischio previsti dalla legge e stabilire quale parte dell’apparato di governance vada effettivamente attivata caso per caso.
Un errore frequente in questa fase è voler costruire una struttura di conformità isolata, scollegata dalle policy già esistenti su privacy e sicurezza informatica. Gli standard internazionali offrono qui un aiuto concreto: la norma ISO/IEC 42001 fornisce un modello di sistema di gestione certificabile per l’intelligenza artificiale, sul modello delle già note ISO 27001 per la sicurezza delle informazioni, mentre il NIST AI Risk Management Framework, pur non essendo una certificazione, offre un vocabolario e una metodologia di valutazione del rischio riconosciuti a livello internazionale, particolarmente utili per le aziende che operano anche sul mercato statunitense.
Adottare uno di questi riferimenti permette di dimostrare la propria diligenza con un linguaggio che clienti, partner e autorità riconoscono, invece di inventare parametri di conformità su misura difficili da comunicare all’esterno.
Infine, la gestione dei fornitori richiede di tradurre la due diligence in clausole contrattuali precise, non in semplici verifiche informali prima dell’acquisto. Le aziende che utilizzano sistemi AI di terzi dovrebbero pretendere clausole che garantiscano l’accesso alla documentazione tecnica necessaria per le proprie valutazioni di conformità, diritti di audit sui processi del fornitore quando il sistema rientra tra quelli ad alto rischio, e un regime di responsabilità chiaro in caso di danno causato da un difetto del sistema fornito.
Come costruire un modello efficace di AI governance
Passare dalla teoria alla pratica è il vero banco di prova di ogni modello di governance: i principi etici enunciati sulla carta contano poco se non si traducono in un sistema operativo capace di guidare concretamente ogni decisione, dalla progettazione di un nuovo sistema alla sua eventuale dismissione. Un approccio che funziona non tenta di costruire una struttura parallela a quelle già esistenti, ma si innesta nei processi di sviluppo software e nei flussi decisionali già consolidati, arricchendoli con criteri di valutazione specifici per l’intelligenza artificiale, così che i team non percepiscano la governance come un ostacolo aggiuntivo ma come un’estensione naturale del proprio modo di lavorare.
La domanda che davvero fa la differenza tra un modello efficace e uno solo dichiarato riguarda l’assetto organizzativo scelto per governarlo. Un modello centralizzato, in cui un’unica funzione definisce standard, approva i progetti e presidia ogni sistema, garantisce coerenza massima ma tende a diventare un collo di bottiglia non appena l’adozione dell’AI si diffonde in azienda. Il modello opposto, completamente decentralizzato, lascia a ogni reparto piena autonomia ma rischia di produrre esattamente quella frammentazione di standard e criteri etici che la governance dovrebbe evitare.
Per questo motivo, nelle organizzazioni di dimensioni medio-grandi tende a prevalere un modello ibrido, spesso definito centralizzato-federato: una funzione centrale stabilisce le policy, gli standard di rischio e gli strumenti di monitoraggio comuni, mentre i singoli team mantengono l’autonomia operativa per applicare quei principi ai propri casi d’uso specifici, senza dover attendere un’autorizzazione puntuale per ogni iniziativa a basso rischio.
Arrivare a questo assetto raramente avviene per decreto dall’alto. Il percorso più efficace parte da una valutazione onesta della maturità attuale dell’organizzazione, quanti sistemi AI sono già in uso, con quale livello di consapevolezza da parte del management, prosegue con l’identificazione di due o tre casi d’uso prioritari su cui testare il modello in scala ridotta, e solo dopo aver validato il funzionamento di ruoli, controlli e strumenti di monitoraggio su quei casi pilota si procede all’estensione al resto dell’organizzazione.
Questo approccio iterativo evita l’errore, comune soprattutto nelle imprese più grandi, di progettare un impianto di governance perfetto sulla carta ma troppo rigido per adattarsi alla velocità con cui evolvono gli strumenti stessi.
Definire policy interne per l’utilizzo dell’intelligenza artificiale
Se la governance stabilisce i principi, la policy interna è ciò che li rende leggibili e applicabili da chi lavora ogni giorno con questi strumenti, fungendo da cerniera tra le decisioni prese ai livelli più alti e l’operatività quotidiana nei singoli reparti. Una policy che funziona davvero è breve e concreta: elenca con precisione gli strumenti autorizzati per scopi professionali, quelli vietati e, soprattutto, il processo da seguire quando un dipendente vuole utilizzarne uno non ancora censito. Le organizzazioni più efficaci prevedono qui un canale di richiesta rapido, spesso gestito dallo stesso referente AI o dal Comitato AI, capace di dare una risposta in pochi giorni: se il percorso per ottenere l’autorizzazione a uno strumento è più lento e farraginoso dell’uso non autorizzato, la policy finisce per incentivare proprio il comportamento che vorrebbe prevenire.
Un aspetto spesso trascurato nella stesura è il coinvolgimento diretto delle persone che dovranno rispettarla. Coinvolgere i referenti di funzione nella fase di definizione, chiedendo loro quali strumenti stanno già utilizzando informalmente e per quali attività, produce due risultati: una policy più aderente alla realtà operativa e un tasso di adesione più alto, perché le persone tendono a rispettare regole alla cui costruzione hanno contribuito molto più di quelle calate dall’alto senza consultazione. La policy deve inoltre specificare con chiarezza le conseguenze della sua violazione, allineandole ai meccanismi disciplinari già esistenti in azienda per la sicurezza informatica: senza questo collegamento, il documento rischia di essere percepito come una raccomandazione facoltativa piuttosto che come una regola vincolante.
Teniamo conto inoltre che una policy efficace non è mai definitiva. Deve prevedere una cadenza di revisione legata a eventi concreti — l’introduzione di un nuovo obbligo normativo, l’adozione aziendale di uno strumento non ancora contemplato, un incidente che ha rivelato una lacuna nei controlli — piuttosto che a una scadenza puramente calendariale, perché il ritmo con cui evolvono le capacità di questi sistemi è troppo rapido perché un documento aggiornato una volta l’anno resti davvero rilevante per chi lo deve applicare ogni giorno.
Formare le persone e creare competenze per una gestione consapevole dell’AI
La governance più raffinata resta lettera morta se non è sostenuta da una cultura aziendale diffusa e da competenze reali nelle persone che usano questi sistemi ogni giorno. Per questo la formazione non va trattata come un accessorio da aggiungere a valle, ma come uno dei pilastri costitutivi della strategia AI, al pari delle policy e degli strumenti di monitoraggio. L’obbligo di alfabetizzazione introdotto dall’articolo 4 dell’AI Act rende oggi questo principio anche un requisito di legge, imponendo alle organizzazioni di garantire che chiunque operi con sistemi di intelligenza artificiale possieda un livello di competenza sufficiente a riconoscerne limiti, rischi e potenziali bias.
Una formazione efficace evita l’errore della sessione unica per tutti e si calibra sui ruoli. La direzione ha bisogno di servizi di consulenza per aziende, briefing strategici sull’impatto normativo e sulla gestione del rischio reputazionale, sufficienti a porre le domande giuste e a monitorare le aree davvero critiche per il business, senza dover diventare esperta di dettagli tecnici. I team tecnici e i responsabili di reparto, al contrario, hanno bisogno di competenze pratiche e verificabili: come validare un output prima che diventi una decisione, come riconoscere i segnali di un bias nei dati, come applicare le procedure di sicurezza informatica specifiche per questi sistemi. Tra questi due estremi c’è un terzo livello spesso trascurato, quello dei referenti di funzione e degli utenti finali che usano gli strumenti nell’operatività quotidiana: per loro la formazione più utile non è teorica ma basata su casi concreti del proprio reparto, che li aiuti a distinguere un output plausibile da uno corretto.
L’obiettivo di fondo, in tutti i casi, è colmare il divario tra la responsabilità formale assegnata a una persona e la sua reale capacità di esercitare un giudizio critico sul sistema che è chiamata a sorvegliare. Quando questo divario si chiude, l’intelligenza artificiale smette di essere percepita come una minaccia opaca e diventa un collaboratore su cui le persone sanno esercitare uno sguardo critico, segnalando tempestivamente anomalie o output palesemente inventati prima che possano danneggiare l’organizzazione o i diritti di terzi.
AUTORE:Simone Truglia Apri profilo LinkedIn
Simone è un Ingegnere Informatico con specializzazione nei sistemi automatici e con una grande passione per la matematica, la programmazione e l’intelligenza artificiale. Ha lavorato con diverse aziende europee, aiutandole ad acquisire e ad estrarre il massimo valore dai principali dati a loro disposizione.
