Saverio Lovergine
^{INAPP, Università Roma “Tor Vergata”, Senior consultant – Public management, Ai & Digital Transformation, Occupational & Skills Frameworks}

---

Premessa

Il presente contributo costituisce la sistematizzazione e l’ampliamento di un intervento presentato in università. Le riflessioni esposte nel dibattito sono state sistematizzate e ampliate in questo contributo sul tema del ruolo svolto dalle linee guida nei processi di governance dei sistemi di Intelligenza Artificiale (IA).

Il lavoro non si configura come una revisione sistematica della letteratura, né intende offrire una ricostruzione esaustiva della disciplina giuridica dell’IA. Adotta un approccio tecnico-interpretativo volto a esaminare il rapporto tra principi etici, regolamentazione vincolante e strumenti di orientamento, con particolare riferimento all’impiego dell’Intelligenza Artificiale generativa (GenAI) nella ricerca accademica.

In questo ambito, le opportunità offerte dalla GenAI si confrontano con alcuni principi fondamentali dell’integrità della ricerca, tra cui l’affidabilità delle fonti, il rigore metodologico, la tracciabilità dei procedimenti, la riproducibilità dei risultati, la corretta attribuzione dei contributi intellettuali e la responsabilità degli autori. La questione riguarda, pertanto, non soltanto l’ammissibilità dell’impiego della tecnologia, ma anche le modalità attraverso le quali le istituzioni accademiche ne disciplinano l’utilizzo.

A tal fine, il contributo riprende le evidenze di uno studio sulle linee guida pubblicamente accessibili di venti università europee, selezionate sulla base della loro presenza nelle prime cinquanta posizioni di tre ranking accademici internazionali. Tali evidenze non vengono presentate come risultati di una nuova indagine empirica, ma sono rilette alla luce del quadro internazionale, europeo e italiano, allo scopo di approfondire la funzione delle linee guida nella governance universitaria della GenAI.

La domanda che orienta il presente lavoro è: in che modo le evidenze relative alle linee guida adottate dalle università europee consentono di comprenderne la funzione nel rapporto tra governance della GenAI e tutela dell’integrità della ricerca?

1. Introduzione

L’Intelligenza Artificiale rappresenta una delle innovazioni tecnologiche più significative e pervasive dell’epoca contemporanea. La diffusione di sistemi basati sull’apprendimento automatico, sulle reti neurali e, più recentemente, sui modelli di GenAI sta trasformando i processi economici, l’organizzazione del lavoro, la gestione delle informazioni, la ricerca scientifica, l’istruzione e l’erogazione dei servizi pubblici e privati. L’IA non è più circoscritta a settori altamente specialistici, ma tende a configurarsi come un’infrastruttura trasversale, incorporata in piattaforme, strumenti di produttività, ambienti digitali e processi decisionali utilizzati quotidianamente da individui e organizzazioni.

La GenAI si caratterizza per la capacità di produrre contenuti testuali, visivi, sonori e tecnico-computazionali a partire da istruzioni formulate in linguaggio naturale. Mediante l’elaborazione di grandi quantità di dati, questi sistemi individuano regolarità statistiche e relazioni probabilistiche, generando output formalmente coerenti e talvolta difficilmente distinguibili da quelli prodotti dall’essere umano. Tale qualità formale non garantisce, tuttavia, accuratezza, affidabilità o validità scientifica, poiché i modelli possono restituire informazioni plausibili ma inesatte, riferimenti inesistenti e interpretazioni condizionate dai limiti o dalle distorsioni dei dati di addestramento.

L’avvento di ChatGPT alla fine del 2022 ha segnato un punto di svolta non soltanto per l’avanzamento tecnico dei modelli linguistici, ma soprattutto per la loro accessibilità mediante interfacce conversazionali intuitive. Tale diffusione ha reso immediatamente evidenti sia le opportunità di automazione e supporto cognitivo, sia i rischi connessi a un’adozione più rapida della capacità delle organizzazioni di comprenderne e governarne le conseguenze.

Regolare l’IA non significa impedire l’innovazione, ma definire le condizioni etiche, giuridiche, tecniche e organizzative affinché lo sviluppo e l’impiego dei sistemi siano compatibili con i diritti fondamentali, la sicurezza, l’equità e l’interesse collettivo. Un quadro regolatorio adeguato può svolgere una funzione abilitante, riducendo l’incertezza, chiarendo le responsabilità, promuovendo standard condivisi e rafforzando la fiducia degli utenti. In assenza di garanzie verificabili, l’adozione dell’IA rischia invece di consolidare pratiche opache, produrre effetti discriminatori, generare contenziosi e indebolire la legittimazione sociale dell’innovazione.

In questo quadro le linee guida svolgono una funzione essenziale, non sostituiscono la legge ma traducono principi generali e obblighi normativi in indicazioni operative adattabili ai differenti contesti. La loro rilevanza aumenta nei settori caratterizzati da rapida evoluzione tecnologica, nei quali una disciplina esclusivamente legislativa rischierebbe di divenire rapidamente obsoleta. Al tempo stesso, il carattere non vincolante delle linee guida ne rende necessario l’inserimento in un sistema più ampio di governance, composto da norme, standard tecnici, procedure organizzative, formazione, audit e meccanismi di responsabilità.

Il lavoro si articola in due parti complementari. La prima esamina i principali rischi associati ai sistemi di IA, la funzione delle linee guida e la progressiva evoluzione del quadro internazionale, europeo e italiano, con particolare attenzione al rapporto tra strumenti di soft law e regolamentazione vincolante. La seconda si concentra sull’impiego della GenAI nella ricerca accademica, illustrando la metodologia dell’indagine documentale, i principali risultati emersi e le relative implicazioni per la governance universitaria.

Il contributo originale del lavoro consiste nella rilettura delle evidenze empiriche sulle università europee attraverso un modello di governance multilivello, finalizzato a identificare le condizioni attraverso le quali le linee guida possono trasformarsi da dichiarazioni programmatiche in dispositivi organizzativi verificabili.

2. Rischi dell’IA e necessità della regolamentazione

2.1 Rischi epistemici e opacità dei sistemi

I primi rischi riguardano l’affidabilità epistemica degli output. Un sistema capace di produrre testi grammaticalmente corretti e argomentazioni apparentemente coerenti può indurre l’utente ad attribuirgli un’autorità conoscitiva che non possiede. Il problema è particolarmente rilevante nei contesti educativi e scientifici, nei quali la validità di un’affermazione dipende dalla verificabilità delle fonti, dalla correttezza metodologica, dalla riproducibilità dei risultati e dalla possibilità di sottoporre le conclusioni al controllo della comunità di riferimento.

A ciò si aggiunge la criticità dell’opacità dei modelli. Nei sistemi fondati su reti neurali di grandi dimensioni è spesso difficile ricostruire analiticamente il percorso attraverso il quale uno specifico input determina uno specifico output. La limitata spiegabilità ostacola la verifica dei risultati e complica l’attribuzione delle responsabilità in caso di errori, discriminazioni o danni. La criticità cresce quando l’IA interviene in processi capaci di incidere sui diritti, sulle opportunità o sull’accesso a servizi essenziali, nei quali la persona interessata deve poter comprendere, contestare e ottenere la revisione delle decisioni che la riguardano.

2.2 Privacy, riservatezza e proprietà intellettuale

Un ulteriore profilo di rischio concerne la tutela dei dati personali, delle informazioni riservate e dei contenuti sensibili. L’interazione con i sistemi di IA comporta frequentemente l’inserimento di documenti, dati di ricerca o informazioni riferibili a terzi. In assenza di adeguate garanzie tecniche, organizzative e contrattuali, tali contenuti potrebbero essere conservati, trattati per finalità ulteriori o impiegati per l’addestramento e il perfezionamento dei modelli. Il rischio assume particolare rilievo nella ricerca, nell’istruzione, nella sanità, nella pubblica amministrazione e nelle attività professionali, nelle quali gli utenti gestiscono informazioni sensibili, confidenziali o soggette a specifiche forme di tutela.

Questioni analoghe riguardano il diritto d’autore e la proprietà intellettuale. L’addestramento dei modelli generativi mediante grandi quantità di dati e contenuti digitali solleva interrogativi sulla legittimità dell’impiego dei materiali e sullo status dei contenuti generati. La qualificazione giuridica degli output pone problemi relativi all’eventuale riproduzione di elementi sostanziali di opere preesistenti, al riconoscimento del requisito dell’originalità e all’attribuzione dei relativi diritti. Nel settore scientifico, tali questioni si estendono al rispetto degli obblighi di citazione, corretta attribuzione e riconoscimento del contributo intellettuale altrui.

2.3 Bias, discriminazioni e disuguaglianze

I sistemi di IA apprendono da insiemi di dati che riflettono strutture sociali, stereotipi e disuguaglianze storicamente consolidate. Un’inadeguata identificazione e mitigazione di tali distorsioni può condurre i sistemi di IA a riprodurre o amplificare pregiudizi e dinamiche discriminatorie già presenti nei dati di addestramento. Il rischio è particolarmente rilevante nei sistemi destinati alla selezione del personale, alla valutazione, all’orientamento educativo, alla ricerca scientifica, all’accesso al credito e ai servizi pubblici. Anche quando non operano come strumenti decisionali, tali modelli possono marginalizzare opinioni minoritarie o rappresentare in modo insufficiente determinate comunità linguistiche e culturali.

La questione dei bias si collega alla distribuzione geopolitica delle risorse necessarie allo sviluppo dell’IA. Dati, potenza di calcolo, infrastrutture e competenze specialistiche sono concentrati in poche grandi imprese e in un numero limitato di economie avanzate. Tale concentrazione può accrescere la dipendenza tecnologica e ampliare le asimmetrie nella disponibilità e nella rappresentatività dei dati, determinando la sottorappresentazione di alcune comunità nei dataset di addestramento e limitando la capacità dei sistemi di riflettere adeguatamente le specificità linguistiche, culturali e sociali dei contesti locali.

2.4 Rischi sistemici e qualità dell’informazione

Accanto ai rischi individuali emergono problematiche di tipo sistemico. I sistemi generativi riducono i costi e i tempi necessari per produrre su vasta scala contenuti ingannevoli, notizie false, immagini manipolate e deepfake. La progressiva diffusione di contenuti non verificati o manipolati può compromettere la fiducia nelle fonti informative, nell’autorevolezza delle istituzioni e nei meccanismi democratici di formazione dell’opinione pubblica. La crescente presenza in rete di tali contenuti può inoltre alimentare un processo ricorsivo nel quale nuovi modelli vengono addestrati su materiali generati da sistemi precedenti, riproducendone errori e distorsioni.

Nel loro insieme, tali rischi assumono una rilevanza diretta per l’integrità della ricerca. L’inaffidabilità e l’opacità degli output possono compromettere la verificabilità delle fonti e la riproducibilità dei risultati; il trattamento improprio di dati e contenuti protetti può violare gli obblighi di riservatezza e corretta attribuzione; i bias possono distorcere la produzione e la valutazione della conoscenza; la diffusione di contenuti falsi può alterare la qualità dell’informazione scientifica. Le criticità descritte investono pertanto i principi di onestà, trasparenza, rigore metodologico e responsabilità sui quali si fonda la ricerca.

3. Le linee guida nella governance dell’IA

3.1 Natura e funzioni

La regolazione dell’IA si configura come un sistema articolato, integrato e multilivello, composto da norme giuridicamente vincolanti e da strumenti complementari, quali codici etici, codici di condotta, standard tecnici, protocolli organizzativi, sistemi di certificazione, valutazioni d’impatto e linee guida. Questi strumenti non sono equivalenti: i codici etici definiscono valori e orientamenti generali; i codici di condotta specificano comportamenti attesi; gli standard stabiliscono requisiti tecnici; le linee guida offrono criteri interpretativi e operativi adattabili ai diversi contesti.

Tale pluralità risponde alla natura dinamica dei sistemi di IA. Le norme sono indispensabili per stabilire divieti, obblighi, responsabilità e sanzioni; gli strumenti flessibili consentono invece di tradurre principi generali in indicazioni operative aggiornabili. Le linee guida rientrano, appunto, in questi ultimi e svolgono quattro funzioni principali: interpretativa, perché chiariscono concetti giuridici e tecnici; operativa, perché traducono obblighi generali in procedure, controlli e indicatori; armonizzatrice, perché riducono la variabilità delle applicazioni; evolutiva, perché possono essere aggiornate più rapidamente della legislazione.

Il loro valore non risiede nella sostituzione della legge, ma nella funzione di raccordo tra valori etici, obblighi giuridici, conoscenze tecnico-scientifiche e pratiche professionali. L’efficacia delle linee guida non dipende soltanto dalla qualità dei principi enunciati, ma dalla loro capacità di orientare concretamente i comportamenti degli attori coinvolti. A tal fine, esse devono essere recepite nei regolamenti interni, nei protocolli di ricerca e nei sistemi di valutazione e controllo. In assenza di tale recepimento, il loro contenuto rischia di rimanere confinato a una dimensione programmatica.

3.2 Principi internazionali ed europei

Il quadro internazionale ed europeo si è sviluppato attraverso una progressiva specificazione dei principi etici e la loro traduzione in indicazioni operative. La Recommendation on the Ethics of Artificial Intelligence (UNESCO 2021) ha definito una cornice generale applicabile all’intero ciclo di vita dei sistemi di IA; la Guidance for Generative AI in Education and Research (UNESCO 2023) ne ha adattato i contenuti alle specificità della GenAI; le Living Guidelines on the Responsible Use of Generative AI in Research (Commissione europea e ERA Forum 2026) hanno infine declinato tali principi nell’ambito della ricerca scientifica. Pur differenziandosi per destinatari e ambito di applicazione, i documenti convergono su quattro dimensioni: centralità e responsabilità umana; trasparenza e spiegabilità; protezione dei dati e della proprietà intellettuale; formazione, verifica e monitoraggio.

3.2.1 Centralità e responsabilità umana

La Raccomandazione UNESCO adotta un approccio antropocentrico fondato sulla tutela della dignità, dei diritti umani e delle libertà fondamentali. I sistemi di IA devono sostenere le capacità delle persone senza comprometterne l’autonomia e il potere decisionale. La Guida del 2023 applica tale principio alla GenAI, ponendo l’accento sull’agentività umana, sul pensiero critico e sulla necessità di un impiego proporzionato e sottoposto a supervisione. Le linee guida europee per la ricerca precisano che il ricercatore mantiene la piena responsabilità dei contenuti prodotti con il supporto della GenAI. L’IA non può essere indicata come autore o coautore, poiché l’autorialità presuppone agentività, intenzionalità e capacità di rispondere delle scelte compiute.

3.2.2 Trasparenza e spiegabilità

La trasparenza e la spiegabilità costituiscono condizioni necessarie per la tutela dei diritti, l’attribuzione delle responsabilità e la contestabilità delle decisioni. Con riferimento alla GenAI, la trasparenza comprende anche la dichiarazione dell’uso dello strumento. Quando la tecnologia incide in modo sostanziale sulla formulazione delle ipotesi, sulla revisione della letteratura, sull’analisi o sull’interpretazione dei risultati, il suo impiego deve essere documentato secondo gli standard disciplinari e editoriali. La dichiarazione può indicare lo strumento, la versione, la data, la funzione svolta e, quando rilevante, i prompt e gli output, in modo da rendere tracciabile il contributo della tecnologia senza trasferirle la responsabilità scientifica.

3.2.3 Protezione dei dati e proprietà intellettuale

I documenti analizzati convergono sulla necessità di tutelare dati personali, informazioni riservate e diritti di proprietà intellettuale. La governance dei dati deve accompagnare l’intero ciclo di vita dei sistemi di IA e includere valutazioni d’impatto, misure di protezione fin dalla progettazione e garanzie sul riutilizzo degli input. I ricercatori sono invitati a non inserire in piattaforme esterne dati personali, lavori inediti, proposte progettuali, manoscritti o altre informazioni riservate in assenza di adeguate garanzie. Un’analoga cautela riguarda la revisione tra pari e la valutazione dei progetti, nelle quali l’impiego sostanziale della GenAI può compromettere riservatezza, equità e diritti degli autori.

3.2.4 Formazione, verifica e monitoraggio

L’alfabetizzazione in materia di IA è considerata essenziale per permettere agli utenti di comprenderne opportunità, limiti e implicazioni. La formazione deve essere accompagnata da valutazioni d’impatto, audit, monitoraggio continuo e partecipazione degli attori interessati. Le organizzazioni scientifiche sono chiamate a integrare le indicazioni sulla GenAI nei propri codici di integrità, offrire formazione continua e adottare infrastrutture sicure. Gli enti finanziatori devono richiedere trasparenza ai candidati, tutelare la riservatezza delle proposte e preservare la valutazione umana del contenuto scientifico. La natura delle living guidelines richiede inoltre aggiornamenti periodici, necessari per adeguare le indicazioni all’evoluzione delle tecnologie, delle pratiche e del quadro normativo.

Nel complesso, i documenti delineano un percorso coerente che muove dai principi etici generali, passa attraverso la loro applicazione settoriale alla GenAI e giunge a indicazioni operative per la ricerca. Le linee guida non sostituiscono la legislazione, ma svolgono una funzione di raccordo tra la definizione internazionale dei principi e la loro applicazione nei contesti istituzionali.

4. Linee guida e regolamentazione vincolante: il quadro europeo e italiano

L’adozione del Regolamento (UE) 2024/1689 (cd. AI Act) ha segnato il passaggio da una governance prevalentemente fondata su principi etici e strumenti volontari a un quadro normativo organico e vincolante. Il Regolamento mira a promuovere sistemi di IA antropocentrici e affidabili, assicurando un elevato livello di tutela della salute, della sicurezza e dei diritti fondamentali. La protezione delle persone e la promozione dell’innovazione non costituiscono finalità contrapposte, ma componenti complementari del medesimo modello regolatorio.

L’AI Act adotta un approccio basato sul rischio, in virtù del quale l’intensità degli obblighi varia in funzione delle caratteristiche e delle finalità del sistema, nonché della sua capacità di incidere sui diritti e sugli interessi delle persone. Ai fini del presente contributo assumono particolare rilevanza la trasparenza, la supervisione umana, la qualità e la governance dei dati, l’accuratezza, la robustezza e la sicurezza. A tali requisiti si aggiunge l’alfabetizzazione in materia di IA, necessaria affinché i soggetti coinvolti acquisiscano competenze adeguate alle attività svolte, ai contesti di applicazione e ai rischi potenzialmente generati.

L’applicazione dell’AI Act alla ricerca deve, tuttavia, essere valutata alla luce delle finalità perseguite e delle concrete modalità d’impiego dei sistemi, tenendo conto delle disposizioni specifiche e delle eventuali esclusioni previste per determinate attività scientifiche.

Nel settore della ricerca, l’AI Act non definisce in modo esaustivo le modalità con cui la GenAI può essere utilizzata nelle diverse fasi dell’attività scientifica. Rimangono affidate alle università e ai centri di ricerca la specificazione degli impieghi ammessi, l’individuazione delle informazioni che non possono essere inserite nei sistemi esterni, la definizione degli obblighi di dichiarazione e documentazione e l’organizzazione delle procedure di verifica degli output. In questo spazio attuativo, le linee guida universitarie possono adattare i requisiti generali di trasparenza, supervisione umana, protezione dei dati e alfabetizzazione in materia di IA alle caratteristiche delle diverse attività di ricerca. La loro funzione consiste, pertanto, nel definire chi può utilizzare determinati strumenti, per quali finalità, a quali condizioni e attraverso quali controlli, ferma restando la prevalenza delle disposizioni normative applicabili.

Nel medesimo quadro si colloca la legge italiana 23 settembre 2025, n. 132, che introduce principi e disposizioni riguardanti la ricerca, la sperimentazione, lo sviluppo, l’adozione e l’impiego dei sistemi e dei modelli di IA. La disciplina nazionale non si configura come un sistema alternativo rispetto all’AI Act, ma integra il quadro europeo negli ambiti di competenza statale, coordinando le responsabilità istituzionali e l’applicazione dei principi generali nell’ordinamento interno. Anche la normativa italiana adotta una prospettiva antropocentrica, attribuendo rilievo all’autonomia e al potere decisionale umano, alla trasparenza, alla proporzionalità, alla sicurezza, alla non discriminazione, alla protezione dei dati e alla sostenibilità.

Dal rapporto tra AI Act, legislazione nazionale e strumenti attuativi emerge un sistema di governance multilivello, soprattutto per quanto riguarda l’ecosistema della ricerca, in cui:

• il Regolamento europeo definisce obblighi armonizzati e meccanismi di vigilanza;
• la legge italiana coordina tali principi con le competenze dell’ordinamento nazionale;
• le linee guida, i codici di condotta e gli standard tecnici traducono il quadro normativo in procedure operative.

Per le università, tale configurazione multilivello comporta la necessità di verificare la coerenza delle proprie politiche sull’uso della GenAI con il quadro europeo e nazionale, individuando responsabilità interne, strumenti autorizzati, procedure di controllo e modalità di aggiornamento delle regole. L’adeguamento non può quindi esaurirsi nella pubblicazione di un documento, ma richiede il coordinamento tra governance della ricerca, protezione dei dati, sicurezza informatica, formazione e integrità scientifica.

5. Le linee guida universitarie quale strumento di governance della GenAI

La ricerca accademica costituisce un ambito privilegiato per osservare come i principi etici e gli obblighi giuridici vengano tradotti in regole organizzative. L’impiego della GenAI nelle diverse fasi del processo scientifico incide direttamente su affidabilità, trasparenza, verificabilità, riproducibilità, tutela dei dati, corretta attribuzione dei contributi e responsabilità degli autori. Le caratteristiche probabilistiche dei modelli e i limiti degli strumenti automatici di rilevazione rendono necessaria una governance fondata su regole istituzionali, competenze critiche e supervisione umana.

Questa sezione utilizza le evidenze presentate nello studio di Giordano e Lovergine (2025), che non sono sottoposte a una nuova elaborazione né presentati come risultati originali, ma vengono utilizzati come elementi di riferimento per discutere il ruolo delle linee guida nella governance della GenAI e nella tutela dell’integrità della ricerca.

5.1 Lo studio di Giordano e Lovergine

In uno studio pubblicato nel 2025 sulla rivista Sinappsi dell’INAPP, Giordano e Lovergine hanno esaminato le politiche sull’impiego della GenAI rese pubblicamente disponibili sui siti web di venti università europee, selezionate tra quelle collocate nelle prime cinquanta posizioni di tre ranking accademici internazionali. (QS World University Ranking 2025, Times Higher Education World University Rankings 2025 e Shanghai Global Ranking of Academic 2024). La rilevazione, condotta tra febbraio e marzo 2025, ha utilizzato una checklist di diciotto elementi relativi alla disponibilità dei documenti, alle informazioni generali, agli usi consentiti e vietati e alle indicazioni etiche e giuridiche.

Al momento della rilevazione, linee guida organiche erano pubblicamente accessibili sui siti di dieci delle venti università considerate. Il dato non dimostra che gli altri atenei fossero privi di indicazioni interne, ma segnalava una disomogeneità nella formalizzazione e nell’accessibilità delle regole. La pubblicità delle linee guida costituisce una condizione della trasparenza organizzativa, poiché consente agli utenti di conoscere gli impieghi ammessi, gli obblighi di dichiarazione, i limiti relativi alla protezione dei dati e le conseguenze associate agli usi impropri.

5.2 Dalla proibizione all’adozione regolata

Le università dotate di linee guida non adottavano un divieto generalizzato della GenAI, ma distinguevano tra utilizzi consentiti e impieghi vietati o sottoposti a limitazioni. Tra le applicazioni ammesse figuravano la generazione preliminare di idee, la riformulazione di informazioni, l’organizzazione del lavoro e il supporto alla comprensione di concetti complessi. Le limitazioni riguardavano le attività nelle quali la tecnologia poteva sostituire indebitamente il contributo intellettuale, compromettere l’autenticità della valutazione o comportare l’inserimento di informazioni riservate in sistemi esterni.

Questa impostazione configura un paradigma di adozione regolata, nel quale l’ammissibilità non dipende soltanto dallo strumento, ma dalla funzione svolta, dal contesto, dal livello di rischio e dall’incidenza sul risultato scientifico. Una linea guida efficace dovrebbe distinguere tra uso ausiliario, riferito a correzione linguistica, traduzione, formattazione o supporto tecnico non sostanziale; uso sostanziale, quando la GenAI contribuisce alla revisione della letteratura, alla formulazione delle ipotesi, all’analisi o all’interpretazione; uso non consentito o ad alta sensibilità, quando sostituisce il giudizio scientifico, compromette l’autenticità di una valutazione o espone informazioni riservate. Tale graduazione permette di modulare autorizzazione, dichiarazione, documentazione e verifica secondo il principio di proporzionalità.

5.3 Trasparenza, verificabilità e responsabilità

Lo studio evidenziava che il 60% delle università dotate di linee guida forniva istruzioni sulla dichiarazione dell’impiego della GenAI, il 50% proponeva esempi pratici e il 30% richiedeva informazioni sui prompt. Tali forme di documentazione erano finalizzate a rendere trasparente il contributo della tecnologia e, nei casi più rilevanti, ad accrescere la tracciabilità e la riproducibilità del processo scientifico.

La trasparenza non deve tuttavia ridursi a un adempimento dichiarativo. L’indicazione dello strumento, della versione, della data e delle modalità d’impiego acquista valore scientifico quando consente di comprendere la fase della ricerca interessata, la funzione svolta, il livello di intervento umano, le verifiche effettuate e le limitazioni metodologiche. Un impiego meramente linguistico può richiedere una dichiarazione semplificata; un uso che incide sulla formulazione delle ipotesi, sull’analisi o sull’interpretazione dei dati deve invece essere documentato in modo più dettagliato nella sezione metodologica.

Particolarmente significativa è l’evidenza secondo cui soltanto il 30% delle università forniva istruzioni specifiche sulla verifica, modifica e integrazione degli output. La dichiarazione dell’uso non garantisce infatti la qualità scientifica del contenuto. Le linee guida dovrebbero richiedere il controllo dell’esistenza e della pertinenza delle fonti, il riscontro delle citazioni, la valutazione dell’accuratezza fattuale e dei bias, la verifica della conformità alla disciplina sulla privacy e sulla proprietà intellettuale, nonché la documentazione delle modifiche sostanziali. La disclosure non trasferisce né attenua la responsabilità dell’autore, che rimane responsabile della validità delle analisi, dell’originalità del contributo e dell’integrità del prodotto finale.

5.4 Formazione e capacità istituzionale

Il 60% delle università analizzate prevedeva attività di formazione o aggiornamento sull’impiego della GenAI. Il dato conferma che l’efficacia delle linee guida dipende non soltanto dalla chiarezza delle prescrizioni, ma anche dalla capacità degli utenti di comprenderle e applicarle. L’alfabetizzazione in materia di IA dovrebbe integrare conoscenze tecniche, competenze giuridiche e metodologiche e consapevolezza etica, differenziando i percorsi in funzione dei ruoli e dei contesti disciplinari.

Le evidenze considerate mostrano che la pubblicazione delle linee guida rappresenta soltanto una componente della capacità istituzionale. La loro applicazione richiede programmi formativi, referenti chiaramente identificabili, strumenti tecnologici autorizzati, infrastrutture sicure e procedure per la gestione di dubbi, incidenti e violazioni. In mancanza di tali condizioni, le indicazioni rischiano di trasferire sul singolo ricercatore responsabilità che richiederebbero invece un adeguato supporto organizzativo.

5.5 Verso uno standard minimo condiviso

L’eterogeneità riscontrata da Giordano e Lovergine evidenzia la necessità di un maggiore coordinamento tra le politiche universitarie. Regole divergenti in materia di usi consentiti, autorizzazione preventiva, dichiarazione, conservazione dei prompt, formazione e cattiva condotta possono generare trattamenti non uniformi in un sistema della ricerca caratterizzato da mobilità, collaborazioni internazionali e procedure di finanziamento sovranazionali.

L’armonizzazione non dovrebbe tradursi in un modello rigido, ma nella definizione di un nucleo minimo comune che includa:

• ambito di applicazione e destinatari; distinzione tra usi ausiliari, sostanziali e non consentiti;
• obblighi proporzionati di autorizzazione e dichiarazione;
• procedure minime di verifica degli output;
• tutela dei dati e della proprietà intellettuale; attribuzione della responsabilità finale all’autore umano;
• regole per la revisione tra pari e la valutazione dei progetti;
• formazione permanente; procedure per la gestione delle violazioni;
• aggiornamento periodico.

Ogni istituzione potrebbe integrare tale nucleo in funzione della propria missione, delle infrastrutture disponibili e dei profili di rischio.

Le evidenze considerate mostrano che la disponibilità pubblica di linee guida costituisce solo il primo livello della governance istituzionale. La loro effettività dipende dalla presenza di procedure di autorizzazione e dichiarazione, strumenti tecnologici approvati, responsabilità chiaramente attribuite, attività formative e meccanismi di verifica e aggiornamento. È pertanto utile distinguere tra una governance documentale, fondata sull’adozione formale delle linee guida, e una governance organizzativa, nella quale le indicazioni sono integrate nei protocolli di ricerca, nei sistemi di supporto, nelle infrastrutture tecnologiche e nelle procedure per la gestione delle violazioni. Il nucleo minimo condiviso dovrebbe riguardare entrambe le dimensioni, lasciando alle singole università la possibilità di graduare gli obblighi in rapporto alla funzione svolta dalla GenAI, alla sensibilità dei dati trattati e all’incidenza dello strumento sul risultato scientifico.

6. Conclusioni

La diffusione della GenAI nella ricerca accademica richiede un modello di governance capace di superare la contrapposizione tra proibizione e adozione indiscriminata. Le evidenze esaminate mostrano che le linee guida possono svolgere tale funzione quando traducono principi etici e obblighi giuridici in indicazioni operative concernenti la trasparenza, la verifica degli output, la protezione dei dati, l’attribuzione delle responsabilità e la formazione degli utenti.

Il quadro internazionale, europeo e italiano delinea una governance multilivello, nella quale la legislazione definisce diritti, obblighi e responsabilità, mentre le linee guida ne specificano l’applicazione nei diversi contesti istituzionali e professionali. L’analisi mostra, in definitiva, che la mera adozione formale delle linee guida non è sufficiente: la loro efficacia dipende dalla capacità delle istituzioni di tradurle in procedure, responsabilità, competenze e strumenti concretamente applicabili alle attività di ricerca.

Il caso delle università europee evidenzia l’affermazione di un modello di adozione regolata, ma anche una persistente disomogeneità nella formalizzazione e nell’accessibilità delle indicazioni. La maggiore attenzione riservata alla trasparenza, alla privacy e alla proprietà intellettuale non è sempre accompagnata da procedure altrettanto definite per la verifica degli output e la gestione delle condotte scorrette. La dichiarazione dell’impiego della GenAI rappresenta pertanto una condizione necessaria, ma non sufficiente, in quanto deve essere accompagnata dal controllo delle fonti e delle citazioni, dalla valutazione dei possibili bias e dalla documentazione dell’effettivo contributo fornito dalla tecnologia.

Le politiche universitarie dovrebbero fondarsi su un nucleo minimo comune, distinguendo gli usi ausiliari da quelli sostanziali e non consentiti, graduando gli obblighi di autorizzazione, dichiarazione e documentazione secondo il principio di proporzionalità e preservando la responsabilità finale del ricercatore. Tale nucleo dovrebbe rimanere sufficientemente flessibile da adattarsi alle specificità culturali, geografiche, normative e disciplinari delle diverse comunità scientifiche.

Le evidenze considerate derivano da un campione limitato di università e da documenti pubblicamente accessibili in un periodo circoscritto. Ricerche successive potranno quindi esaminare l’effettiva applicazione delle linee guida attraverso studi longitudinali, interviste, questionari e indagini sui comportamenti degli utenti. Potranno inoltre approfondire l’incidenza delle differenze culturali, disciplinari e istituzionali sulle modalità di recepimento e applicazione delle regole.

In definitiva, governare la GenAI nella ricerca accademica significa costruire un quadro fondato su principi condivisi e, al contempo, sufficientemente flessibile da adattarsi alle caratteristiche delle comunità scientifiche, delle discipline e dei differenti contesti istituzionali e territoriali. In tale quadro, la centralità del giudizio umano, sostenuta da competenze adeguate, procedure verificabili e infrastrutture sicure, rimane la condizione essenziale affinché la GenAI possa rafforzare la ricerca senza comprometterne l’integrità. Innovazione tecnologica, pluralismo culturale e integrità della ricerca non costituiscono, pertanto, istanze contrapposte, ma dimensioni interdipendenti di una produzione scientifica affidabile, inclusiva e socialmente responsabile.