Scuola di Formazione Politica | Venerdì 16 maggio 2025 ore 20.00 Intelligenza artificiale: presente e futuro, tra opportunità e rischi Come restare più sicuri dentro un cambiamento che dobbiamo conoscere e governare Il dibattito dell’ottava serata della Scuola di Formazione sarà dedicato all’analisi degli impatti dell’intelligenza artificiale e dell’importanza della sicurezza informatica, con un focus specifico sulle implicazioni per i cittadini, le imprese ed il territorio. Un percorso che intreccia tecnologia, diritti, innovazione e responsabilità, in un momento storico in cui l’evoluzione digitale ha a che fare con tutti gli aspetti della vita, economici e sociali. A spiegarci cos’è (e cosa non è) l’intelligenza artificiale sarà il primo ospite della serata: Gianluigi Cogo. Tra i pionieri sin dagli anni 90 delle prime reti civiche veneziane, si è occupato in Regione Veneto di Agenda digitale e progetti europei, è stato docente a contratto per l’Università Ca’ Foscari di Venezia, ed oggi è consulente e formatore in materia di e-government, data economy e open innovation e autore del blog https://webeconoscenza.gigicogo.it

1. Intelligenza Ar
ti
fi
ciale:
Opportunità per la società e per le professioni

2. Cos’è l’Intelligenza Ar
ti
fi
ciale?
De
fi
nizione semplice:
"La capacità di un sistema
informatico di simulare
capacità cognitive umane
come l'apprendimento, il
ragionamento, la risoluzione
di problemi e la percezione.💡”

3. Cos’è l’Intelligenza Ar
ti
fi
ciale?
È una disciplina informatica che punta a creare macchine
intelligenti, ovvero capaci di "pensare"
Cosa sono le macchine intelligenti?
Sono computer o robot controllati da software in grado di
svolgere funzioni simili a quelle della mente umana
Come funziona l'IA?
Si basa sullo studio di processi cognitivi umani, come
pensare, imparare, decidere e risolvere problemi
A cosa serve questo studio?
È la base per sviluppare software e sistemi capaci di
operare in modo “intelligente”

4. Cos’è l’Intelligenza Ar
ti
fi
ciale?
In pratica siamo assistendo alla nascita di
sistemi che apprendono, ragionano e
prendono decisioni, come noi, ma che non
siamo noi!
Essa è già tra noi e si manifesta attraverso gli
AGENTI AI, ovvero: assistenti vocali, motori di
ricerca, diagnostica medica, assistenti virtuali
come Siri o Alexa, droni autonomi e persino auto
a guida autonoma.
Per capire meglio l’Intelligenza Arti
fi
ciale
dobbiamo anche distinguere fra l’AI forte e l’AI
debole e poi ancora fra Machine learning,
Deep learning e IA generativa.

5. AI forte e AI debole (de
fi
nizioni)
• IA Debole/Stretta (Narrow AI): Si focalizzata su
compiti speci
fi
ci (riconoscimento facciale,
fi
ltri anti-spam,
assistenza vocale, diagnostica medica).
Non ha la capacità di adattarsi a compiti al di fuori del
suo ambito prede
fi
nito. Apprende solo dentro ambiti
ristretti (classi
fi
cazione delle immagini, elaborazione del
linguaggio. ecc) ma non può trasferire la conoscenza tra
ambiti e domini diversi.
• IA Forte/Generale (AGI): Possiede un’intelligenza
simile a quella umana e può comprendere ed eseguire
vari compiti proprio come farebbe un essere umano con
capacità intellettive generalizzate (ancora teorica).
Imita l’intelligenza umana, apprende e si adatta ai vari
contesti, dimostra
fl
essibilità e creatività, utilizza
l’esperienza per prendere decisioni. Può adattarsi a
diversi campi, applicando la conoscenza da un dominio
all’altro. Sforzi come GPT-4 e MuZero indicano i primi
tentativi verso l’AGI ma non sono del tutto realizzati.

6. Ai debole (Narrow AI) - oggi siamo ancora qui!
Dunque oggi siamo nel pieno dello sviluppo dell’AI debole
e di un campo di applicazione che si sostanzia con
l’automazione delle attività.
E proprio qui entrano in gioco gli Agenti di IA, come ad
esempio quelli che ci aiutano nell’assistenza ai clienti.
Questi agenti interagiscono con l’utenza tramite chatbot
o assistenti virtuali e provano a risolvere le richieste in
modo il più ef
fi
ciente possibile.
E’ evidente che in questo caso l’AI debole attinge ad
insiemi di dati limitati, ma spesso utili per lo scopo a cui è
chiamata, ovvero ridurre i tempi di attesa dei clienti e/o
dare risposte comuni e standard, di casi conosciuti e
spesso ripetitivi.
In breve, fa ciò per cui è programmata (e lo fa bene), ma manca di
fl
essibilità.

7. Stru
tt
ura e rami
fi
cazione dei modelli di Intelligenza Ar
ti
fi
ciale

8. Machine Learning
Ma come fa una macchina a sviluppare
un'Intelligenza Arti
fi
ciale?
Il tema è molto complesso, ma diciamo
che uno degli aspetti più interessanti è
sicuramente quello del Machine
Learning (apprendimento
automatico).
In un certo senso possiamo dire che le macchine vengono addestrate per trovare la
soluzione migliore ad un problema imparando dai dati e dai propri errori.

9. De
fi
nizione: Sistemi che imparano dai dati senza essere
esplicitamente programmati.
E’ un sottoinsieme dell’IA che addestra i computer a
imparare dai dati e a migliorare con l’esperienza, senza
essere speci
fi
camente programmati per farlo.
Gli algoritmi di Machine Learning identi
fi
cano schemi e
correlazioni in grandi insiemi di dati, formulando le
migliori decisioni e previsioni.
Le applicazioni di Machine Learning migliorano con
l’utilizzo e l’accesso a insiemi di dati sempre più grandi.
Machine Learning - (de
fi
nizione)

10. Deep Learning (de
fi
nizione)
De
fi
nizione: E’ un ramo dell’Intelligenza Arti
fi
ciale (de
fi
nito
spesso come sottoinsieme del Machine Learning) che utilizza
Reti Neurali per apprendere e risolvere problemi complessi.
È un metodo di apprendimento automatico che consente alle
macchine di elaborare i dati in modo assai simile al cervello
umano.
È particolarmente ef
fi
cace per attività come il riconoscimento
vocale, il riconoscimento visivo e la traduzione automatica.
In breve, il Deep Learning si basa su algoritmi di Reti Neurali Arti
fi
ciali profonde per risolvere problemi
complessi. È un'area dell’IA in pieno sviluppo e molto affascinante, che ha già portato a grandi innovazioni
tecnologiche.
Fra le sua capacità, troviamo quella relativa alla generazione di contenuti, chiamata anche IA
generativa.

11. Re
ti
neurali nel Deep Learning? 1/3
Immaginiamo una rete neurale arti
fi
ciale come un gruppo
di amici che lavorano insieme e si aiutano reciprocamente
per imparare dai propri errori e diventare sempre più bravi
nel riconoscere oggetti, suoni o immagini.
Se volessimo insegnare a un robot a distinguere un gatto da
un cane guardando delle foto, è probabile che all’inizio il
robot commetta molti sbagli: confondendo il musetto
rotondo del gatto con quello allungato del cane.
Nelle reti neurale arti
fi
ciali, ogni volta che il robot sbaglia, i
suoi amici aiutanti (i neuroni) si riuniscono, controllano dove
hanno sbagliato e aggiustano le loro regole segrete
(algoritmi) per fare meglio la prossima volta.
È come quando uno di noi impara ad andare in bicicletta: cade, capisce cosa non ha funzionato, e prova di
nuovo
fi
nché non riesce a stare in equilibrio! 😉

12. Ogni rete neurale ha tre squadre di aiutanti, come in
un gioco a livelli:
Gli Esploratori (Input): Sono quelli che guardano le
foto e notano dettagli come il colore, la forma delle
orecchie o la lunghezza della coda.
I Detective (Livelli Nascosti): Questi confrontano
ciò che gli Esploratori hanno visto con tantissime
altre foto che hanno già studiato. Usano delle "lenti
magiche" (pesi e soglie) per decidere se un dettaglio
è importante.
I Giudici (Output): Alla
fi
ne, alzano un cartellino
verde se pensano che nella foto ci sia un gatto, o
rosso se credono sia un cane.
Re
ti
neurali nel Deep Learning? 2/3

13. In pratica, una rete neurale imita il
modo in cui il cervello umano
riconosce schemi e prende
decisioni.
Più dati acquisisce, più diventa
intelligente! 🧠✨
Re
ti
neurali nel Deep Learning? 3/3

14. Intelligenza Ar
ti
fi
ciale Genera
ti
va
Intelligenza Arti
fi
ciale
Generativa (Generative AI):
è questo il sottoinsieme cruciale per
la maggior parte delle opportunità
attuali.
Si tratta di sistemi in grado di
generare nuovi contenuti (testo,
immagini, audio, video, codice,
ecc.) a partire da dati esistenti.
Prodotti: ChatGPT, DALL·E,
Copilot, Gemini, Midjourney, Grok,
ecc.

15. E’ strettamente legata al Deep Learning anche se, in
senso più ampio, rientra nel campo del Machine
Learning.
Si basa su modelli avanzati, come le reti neurali profonde,
incluse quelle conosciute come GAN (Generative
Adversarial Networks) e modelli trasformativi come
GPT (Generative Pre-trained Transformer). 😮
Questi sistemi utilizzano tecniche di Deep Learning per
apprendere dai dati e generare contenuti nuovi e
originali, come immagini, testi o musica.
Intelligenza Ar
ti
fi
ciale Genera
ti
va
Possiamo dire che l'IA generativa è alimentata dal Deep Learning, che ne costituisce il motore
tecnologico principale, ma tutto ciò si colloca all'interno del contesto più ampio del Machine Learning,
che rappresenta il contenitore di questa tecnologia.

16. AI Prompt management
Sai cosa sono i prompt?
Sono delle istruzioni (tecnicamente si
dovrebbe dire gli ‘input’) che diamo a
un modello di Intelligenza Arti
fi
ciale
per fargli creare qualcosa!
Per rimanere sul linguaggio tecnico
sarebbe più corretto dire:‘per fargli
generare un output’!

17. AI Prompt management
I prompt rivestono un ruolo fondamentale nel
plasmare il tono, lo stile e il contenuto del
materiale generato dall’intelligenza arti
fi
ciale.
Perciò diventa molto importante comprendere i
requisiti per la creazione di un buon prompt
che permetta all’AI di produrre il risultato
auspicato.
Diversi modelli di IA generativa (es. GPT-4,
Gemini, DALL-E) hanno caratteristiche e punti
di forza differenti. Il prompt deve essere
adattato al modello speci
fi
co per sfruttarne al
meglio le capacità.

18. Come scrivere prompt e
ffi
caci per l’IA
Principio Descrizione
De
fi
nizione chiara dell’obiettivo Speci
fi
care esattamente cosa si vuole ottenere
Contesto dettagliato Fornire informazioni di background, limiti, tono, destinatario
Istruzioni speci
fi
che Evitare vaghezza, indicare formato e caratteristiche desiderate
Equilibrio complessità/sintesi Fornire informazioni suf
fi
cienti senza sovraccaricare
Iterazione e sperimentazione Testare e modi
fi
care il prompt per migliorare i risultati
Tecniche avanzate Usare catene di ragionamenti a tappe logiche
Adattamento al modello Personalizzare il prompt in base al modello di IA utilizzato

19. Come scrivere prompt e
ffi
caci per l’IA

20. Come scrivere prompt e
ffi
caci per l’IA
Cosa vuoi ottenere? Pensa bene a cosa ti serve: un riassunto, un articolo
completo, un'email?
Dire chiaramente all'AI qual è il tuo obiettivo la aiuta a fornirti esattamente ciò
che cerchi.
Dai più informazioni possibili. Immagina di spiegare l’argomento a un
collega: più dettagli dai, più facilmente capirà cosa ti serve.
Più informazioni le fornisci sul tema o sul pubblico a cui ti rivolgi, più il risultato
sarà in linea con le tue aspettative.
Che "voce" deve avere il testo? Vuoi un tono serio e formale, oppure
qualcosa di più leggero e informale? Hai bisogno di convincere il lettore, o
solo di informarlo?
Indica all'AI lo stile che preferisci.
Come deve essere organizzato il testo? Hai bisogno di un elenco puntato,
di un testo diviso in sezioni e titoli, o solo di un certo numero di paragra
fi
?
Dillo all'AI, così potrà strutturare il contenuto nel modo giusto.

21. Come scrivere prompt e
ffi
caci per l’IA
Suggerimento utile💡:
Immagina l'AI come un esperto. Così facendo puoi chiederle di "mettersi nei panni" di un giornalista
investigativo, di un economista, o di un social media manager.
Questo la aiuterà a pensare come farebbe quella
fi
gura professionale e a fornirti i risultati più pertinenti.

22. AI Prompt management (risultato con ChatGPT)

23. AI Prompt management (risultato con Perplexity)

24. Opportunità IA genera
ti
va per la società
Automazione e aumento dell'e
ffi
cienza operativa: l'IA generativa può
automatizzare attività ripetitive e lunghe, liberando tempo per attività
strategiche e creative. Ad esempio, la generazione automatica di report o la
manutenzione predittiva nelle industrie migliorano l'ef
fi
cienza e riducono i
costi.
Personalizzazione dell'esperienza utente: analizzando grandi volumi di
dati, l'IA generativa consente di creare contenuti, consigli e pubblicità su
misura, migliorando il coinvolgimento e la
fi
delizzazione dei clienti. Un
esempio è l'uso di chatbot avanzati che interagiscono autonomamente con
gli utenti.
Supporto ai processi decisionali: l'IA generativa può analizzare dati
storici, generare scenari alternativi e previsioni, aiutando a ottimizzare
strategie e piani
fi
cazioni. Ad esempio, può prevedere la domanda energetica
in stabilimenti industriali per ottimizzare consumi e costi.
Innovazione e creazione di nuovi prodotti: l'IA generativa favorisce la
creatività e l'innovazione, generando nuovi design e varianti di prodotto in
settori come il fashion, l'automotive e l'architettura, accelerando la
diversi
fi
cazione dell'offerta.

25. Opportunità per le professioni 1/4
Automazione di compiti ripetitivi
⚙: Riduce il tempo dedicato a
compiti ripetitivi e burocratici,
consentendo alle persone di
concentrarsi su attività più
strategiche e creative, migliorando
così la produttività in settori come il
giornalismo, il design e la ricerca.

26. Opportunità per le professioni 2/4
Supporto alla scrittura,
ricerca, sintesi
🎨 La capacità di generare
testo, immagini, musica e
persino codice apre nuove
frontiere per artisti, scrittori e
creatori digitali, stimolando la
produzione di contenuti
originali.

27. Opportunità per le professioni 3/4
‘Copiloti’ per professionisti:
avvocati, giornalisti,
programmatori
L’IA generativa, quindi, si trasforma
in un assistente strategico, un
copilota che migliora la produttività
e l’ef
fi
cienza senza mai sostituire il
valore decisionale e creativo del
professionista.

28. Nascono nuove professioni legate
all’IA
L’evoluzione dell’intelligenza arti
fi
ciale
non elimina il lavoro umano, ma lo
ride
fi
nisce, generando nuove
fi
gure
professionali e competenze richieste
sul mercato.
Alcuni esempi: Prompt Engineer, AI
Content Designer, AI-driven Business
Strategist, ecc.
Opportunità per le professioni 4/4

29. I rischi da non so
tt
ovalutare: Bias algoritmici
Si riferisce al veri
fi
carsi di risultati
distorti a causa di pregiudizi
umani che alterano i dati di
addestramento originali o
l'algoritmo AI, portando a output
distorti e potenzialmente
dannosi.

30. I rischi da non so
tt
ovalutare: Disoccupazione tecnologica
L'automazione spinta dall'IA potrebbe
sostituire lavori routinari e manuali, portando
a una disoccupazione tecnologica che
impone una riquali
fi
cazione massiva della
forza lavoro.
La transizione richiede nuove competenze
digitali e adattabilità a professioni emergenti,
creando una s
fi
da per i sistemi educativi e il
welfare nel supportare questo cambiamento
strutturale del mercato del lavoro. Ignorare
questo rischio potrebbe esacerbare le
disuguaglianze sociali ed economiche.

31. I rischi da non so
tt
ovalutare: Manipolazione e fake news
L'IA generativa facilita la creazione e diffusione
di contenuti manipolatori e deepfake,
minando la
fi
ducia nell'informazione e
polarizzando l'opinione pubblica. La crescente
so
fi
sticazione di questi strumenti può indurre
dipendenza e rendere dif
fi
cile distinguere il vero
dal falso, con gravi implicazioni per la
democrazia e la coesione sociale.
La mancanza di regolamentazione e
consapevolezza aggrava ulteriormente questo
rischio.

32. I rischi da non so
tt
ovalutare: E
ti
ca e cybersecurity
L'interconnessione di sistemi basati su IA
(TOOLS/API/SSO, ecc.) aumenta la
super
fi
cie di attacco per la cybersecurity,
con potenziali vulnerabilità sfruttate per
scopi malevoli.
De
fi
nire la responsabilità etica in caso di
errori o danni causati da IA complesse è
cruciale ma arduo, specialmente in
contesti decisionali autonomi.
La mancanza di standard chiari e di
meccanismi di controllo ef
fi
caci espone a
rischi legali e reputazionali signi
fi
cativi.

33. I rischi da non so
tt
ovalutare
Diverse ricerche scienti
fi
che hanno messo in luce il problema
dell'alfabetizzazione di comodo, indotta dall’IA.
Fondamentalmente si tratta di un compromesso e
ffi
cienza-
responsabilità: più ef
fi
cacemente usiamo gli strumenti di IA,
meno siamo in grado di valutarli criticamente.
E questa non è solo una s
fi
da pratica. E’ un fenomeno
psicologico più profondo che va al cuore di come pensiamo e
impariamo, diventando sempre più pigri, compiacenti e
dipendenti.
La capacità di valutare gli output dell’IA si trasforma in modi
(NUOVI) che potremmo non riconoscere e dove il nostro giudizio
critico e indipendente viene compromesso senza scelta
consapevole di arrendevolezza.
CI ABITUIAMO AL MINIMO RISULTATO ACCETTABILE, MA RAPIDO E CONVINCENTE .

34. Il ruolo e le responsabilità della poli
ti
ca
• Governare l’IA: equilibrio tra innovazione
tecnologica e tutela dei diritti
fondamentali
• Politica e IA: trasparenza, responsabilità e
controllo umano nelle decisioni
automatizzate
• Regolamentare l’Intelligenza Arti
fi
ciale:
s
fi
de e strategie per un uso etico e
sostenibile
• La politica nell’era dell’IA: promuovere
un’innovazione antropocentrica e
inclusiva

35. Demo prompt!
A richiesta …..

36. Un momento di leggerezza
https://www.instagram.com/reel/DJloL_5sY7n

37. Conclusione e diba
tti
to
“L’IA non è il futuro, è il presente.”
Serve però una governance umana, informata e responsabile.
Domande per il pubblico:
→ Come usiamo l’IA per rafforzare la democrazia?
→ Quali competenze servono per affrontare il cambiamento?

38. Newsle
tt
er: h
tt
ps://gigicogo.substack.com/