Il corso è rivolto a:

• imprenditori e componenti della direzione aziendale;
• responsabili innovazione e trasformazione digitale;
• responsabili IT e sistemi informativi;
• responsabili cybersecurity e information security;
• responsabili compliance e risk management;
• Data Protection Officer e privacy specialist;
• responsabili delle risorse umane;
• responsabili organizzazione e processi;
• project manager e business analyst;
• responsabili acquisti e vendor management;
• consulenti direzionali, organizzativi e tecnologici;
• membri di comitati interni dedicati all’Intelligenza Artificiale.

Il percorso è adatto anche alle organizzazioni che stanno iniziando a introdurre strumenti di IA generativa e desiderano evitare un’adozione non controllata da parte dei singoli utenti.

Al termine del corso i partecipanti saranno in grado di:

• comprendere principi, finalità e componenti dell’AI Governance;
• distinguere governance, gestione operativa, conformità e gestione del rischio;
• individuare i principali casi d’uso dell’IA presenti nell’organizzazione;
• costruire un inventario dei sistemi e degli strumenti di Intelligenza Artificiale;
• classificare i sistemi in base a finalità, impatto e livello di rischio;
• definire ruoli, responsabilità e flussi decisionali;
• progettare una policy aziendale per l’utilizzo dell’IA;
• stabilire criteri per l’approvazione di nuovi strumenti e progetti;
• valutare fornitori, piattaforme e soluzioni di IA;
• gestire i rischi relativi a dati, privacy, sicurezza, errori, discriminazioni e proprietà intellettuale;
• introdurre adeguati meccanismi di supervisione umana;
• definire controlli, indicatori e procedure di monitoraggio;
• impostare un piano aziendale di adozione responsabile dell’IA;
• coordinare AI Governance, cybersecurity, privacy, compliance e gestione dei fornitori.

1. Introduzione all’AI Governance

• Che cosa si intende per AI Governance.
• Perché l’IA richiede un modello specifico di governo.
• Differenza tra governance dell’IA, gestione dei dati, cybersecurity e compliance.
• IA tradizionale, machine learning e IA generativa.
• Sistemi acquistati, sviluppati internamente o incorporati nei software aziendali.
• Utilizzo ufficiale e utilizzo non autorizzato degli strumenti di IA.
• Il fenomeno dello Shadow AI.
• Innovazione, controllo e proporzionalità delle misure.

2. Principi dell’Intelligenza Artificiale responsabile

• Centralità e tutela della persona.
• Responsabilità e accountability.
• Equità e prevenzione delle discriminazioni.
• Trasparenza e tracciabilità.
• Accuratezza e affidabilità dei risultati.
• Robustezza tecnica e sicurezza.
• Protezione dei dati e riservatezza.
• Supervisione e controllo umano.
• Accessibilità e inclusione.
• Sostenibilità e impatto organizzativo.
• Traduzione dei principi in regole operative.

3. Il quadro normativo e gli standard di riferimento

• Introduzione al Regolamento europeo sull’Intelligenza Artificiale.
• L’approccio basato sul rischio.
• Pratiche vietate e sistemi soggetti a obblighi specifici.
• Sistemi di IA ad alto rischio.
• Obblighi di trasparenza.
• Ruolo di provider, deployer, importatori e distributori.
• Responsabilità dell’organizzazione che utilizza sistemi di IA.
• Rapporti tra AI Act, GDPR, cybersecurity e normativa settoriale.
• Introduzione alla ISO/IEC 42001.
• Il sistema di gestione dell’Intelligenza Artificiale.
• Il NIST AI Risk Management Framework.
• Utilizzo coordinato di norme, standard e framework.

4. Mappatura e inventario dei sistemi di IA

• Identificazione dei sistemi e degli strumenti già utilizzati.
• Raccolta dei casi d’uso presenti nelle diverse funzioni aziendali.
• Applicazioni di IA integrate nei software esistenti.
• Strumenti gratuiti, account personali e servizi cloud.
• Informazioni da inserire nell’inventario.
• Finalità, utenti, dati utilizzati e soggetti coinvolti.
• Fornitore, modello, versione e modalità di accesso.
• Dipendenze da servizi e infrastrutture esterne.
• Frequenza di aggiornamento dell’inventario.
• Individuazione e gestione dello Shadow AI.

5. Classificazione dei casi d’uso e valutazione del rischio

• Analisi delle finalità del sistema.
• Contesto organizzativo e soggetti interessati.
• Impatto sulle persone e sui processi decisionali.
• Probabilità e gravità dei possibili danni.
• Casi d’uso a rischio limitato, significativo o elevato.
• Sistemi che supportano o sostituiscono decisioni umane.
• Utilizzi dell’IA nelle risorse umane.
• Utilizzi in ambito commerciale e marketing.
• Utilizzi nei processi amministrativi e finanziari.
• Utilizzi nel servizio clienti.
• Utilizzi nell’analisi documentale e nella produzione di contenuti.
• Predisposizione di una matrice aziendale dei rischi dell’IA.

6. Ruoli e responsabilità nell’AI Governance

• Responsabilità della direzione.
• Ruolo del responsabile AI o AI Governance Manager.
• Comitato interno per l’Intelligenza Artificiale.
• Coinvolgimento di IT, sicurezza, privacy e compliance.
• Ruolo delle risorse umane e della formazione.
• Responsabilità dei process owner.
• Responsabilità degli utenti.
• Coinvolgimento dell’ufficio legale e degli acquisti.
• Separazione dei compiti e meccanismi di escalation.
• Definizione di una matrice RACI.
• Modelli organizzativi per PMI e grandi imprese.

7. La policy aziendale per l’utilizzo dell’IA

• Finalità e campo di applicazione della policy.
• Strumenti autorizzati e strumenti vietati.
• Regole per l’utilizzo dell’IA generativa.
• Informazioni che non devono essere inserite nei sistemi.
• Trattamento di dati personali, riservati o aziendali.
• Utilizzo di documenti, immagini, codice e contenuti protetti.
• Controllo e verifica degli output.
• Divieto di affidamento automatico ai risultati.
• Regole per la produzione e pubblicazione di contenuti.
• Indicazione dell’utilizzo dell’IA quando necessaria.
• Conservazione di prompt, output e registrazioni.
• Gestione delle violazioni della policy.
• Aggiornamento periodico delle regole.

8. Gestione dei dati e protezione delle informazioni

• Tipologie di dati utilizzati dai sistemi di IA.
• Dati di addestramento, input, output e dati di monitoraggio.
• Qualità, pertinenza e provenienza dei dati.
• Minimizzazione delle informazioni.
• Dati personali e categorie particolari di dati.
• Segreti commerciali e informazioni riservate.
• Trasferimenti e localizzazione dei dati.
• Tempi di conservazione.
• Utilizzo dei dati da parte dei fornitori.
• Addestramento dei modelli sui dati del cliente.
• Tecniche di anonimizzazione e pseudonimizzazione.
• Coordinamento con le politiche di Data Governance.

9. Valutazione dei fornitori e delle soluzioni di IA

• Analisi preliminare della soluzione.
• Identificazione del fornitore e della catena di fornitura.
• Finalità dichiarate e limitazioni del sistema.
• Documentazione tecnica e informativa disponibile.
• Localizzazione e trattamento dei dati.
• Sicurezza della piattaforma.
• Modalità di addestramento e aggiornamento del modello.
• Accuratezza, robustezza e possibili errori.
• Gestione degli incidenti e assistenza.
• Portabilità ed esportazione dei dati.
• Continuità operativa e dipendenza dal fornitore.
• Proprietà intellettuale degli input e degli output.
• Clausole contrattuali essenziali.
• Predisposizione di una checklist di vendor assessment.

10. Supervisione umana e controllo degli output

• Significato della supervisione umana.
• Human-in-the-loop, human-on-the-loop e human-in-command.
• Decisioni che non devono essere interamente automatizzate.
• Competenze richieste al supervisore.
• Verifica dell’accuratezza degli output.
• Gestione di hallucination, errori e risposte incomplete.
• Riconoscimento di bias e contenuti discriminatori.
• Verifica delle fonti.
• Controllo dei contenuti generati.
• Approvazioni e segregazione delle responsabilità.
• Documentazione delle decisioni rilevanti.
• Possibilità di contestazione e riesame umano.

11. Monitoraggio, incidenti e miglioramento continuo

• Controlli iniziali e controlli periodici.
• Definizione di indicatori di efficacia e rischio.
• Monitoraggio di accuratezza, errori e anomalie.
• Segnalazioni degli utenti.
• Gestione degli incidenti legati all’IA.
• Errori con impatto su clienti, dipendenti o terzi.
• Sospensione o disattivazione di un sistema.
• Aggiornamenti del modello e rivalutazione del rischio.
• Audit interni.
• Conservazione delle evidenze.
• Riesame della direzione.
• Miglioramento continuo del sistema di governance.

12. Progettazione del modello aziendale di AI Governance

• Analisi del livello di maturità dell’organizzazione.
• Definizione degli obiettivi di governance.
• Individuazione delle priorità.
• Costruzione del modello organizzativo.
• Definizione del processo di proposta e approvazione dei casi d’uso.
• Integrazione con processi già esistenti.
• Piano di formazione e AI Literacy.
• Piano di implementazione.
• Comunicazione interna.
• Definizione della roadmap.
• Riesame e aggiornamento del modello.

• Il corso è in modalità formazione a distanza, online live streaming, cioè con il docente in diretta che tiene la lezione.

• I partecipanti dovranno essere dotati di pc o laptop con  accesso Internet.

• Le lezioni saranno registrate e le registrazioni verranno messe a disposizione dei partecipanti per 2 mesi dalla fine delle lezioni.

• Coloro che avranno frequentato almeno l'80% delle ore di corso riceveranno un attestato di frequenza.

Non sono richieste competenze di programmazione o conoscenze tecniche specialistiche.

È utile possedere una conoscenza generale:

• dei principali impieghi aziendali dell’Intelligenza Artificiale;
• dei processi e delle responsabilità presenti nell’organizzazione;
• dei concetti fondamentali di rischio, sicurezza e protezione dei dati.

Per chi non possiede queste conoscenze è consigliata la partecipazione preliminare al corso AI Literacy: uso consapevole dell’Intelligenza Artificiale in azienda.

Risultati attesi per l’organizzazione

Il corso consente all’organizzazione di:

• ottenere una visione complessiva degli strumenti di IA utilizzati;
• ridurre l’impiego non autorizzato di applicazioni esterne;
• introdurre responsabilità chiare;
• prevenire la diffusione di dati riservati;
• valutare in modo più consapevole fornitori e soluzioni;
• gestire i rischi prima dell’avvio dei progetti;
• documentare le decisioni relative all’IA;
• migliorare il coordinamento tra direzione, IT, privacy, sicurezza e compliance;
• prepararsi progressivamente agli obblighi previsti dalla normativa;
• sostenere l’innovazione senza rinunciare al controllo.