{"id":2558,"date":"2026-09-02T16:35:40","date_gmt":"2026-09-02T16:35:40","guid":{"rendered":"https:\/\/www.aianthropocosmic.com\/AI\/?page_id=2558"},"modified":"2026-09-04T02:38:10","modified_gmt":"2026-09-04T02:38:10","slug":"governare-lintelligenza-artificiale-generativa-nella-ricerca-accademica-il-ruolo-delle-linee-guida-tra-integrita-scientifica-e-regolamentazione","status":"publish","type":"page","link":"https:\/\/www.aianthropocosmic.com\/AI\/governare-lintelligenza-artificiale-generativa-nella-ricerca-accademica-il-ruolo-delle-linee-guida-tra-integrita-scientifica-e-regolamentazione\/","title":{"rendered":"Governare l\u2019intelligenza artificiale generativa nella ricerca accademica: il ruolo delle linee guida tra integrit\u00e0 scientifica e regolamentazione"},"content":{"rendered":"\n

Saverio Lovergine<\/strong><\/a>
INAPP, Universit\u00e0 Roma \u201cTor Vergata\u201d, Senior consultant \u2013 Public management, Ai & Digital Transformation, Occupational & Skills Frameworks<\/sup><\/p>\n\n\n\n

\n\n\n\n

Premessa<\/strong><\/h2>\n\n\n\n

Il presente contributo costituisce la sistematizzazione e l’ampliamento di un intervento presentato in universit\u00e0. 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).<\/p>\n\n\n\n

Il lavoro non si configura come una revisione sistematica della letteratura, n\u00e9 intende offrire una ricostruzione esaustiva della disciplina giuridica dell\u2019IA. Adotta un approccio tecnico-interpretativo volto a esaminare il rapporto tra principi etici, regolamentazione vincolante e strumenti di orientamento, con particolare riferimento all\u2019impiego dell\u2019Intelligenza Artificiale generativa (GenAI) nella ricerca accademica.<\/p>\n\n\n\n

In questo ambito, le opportunit\u00e0 offerte dalla GenAI si confrontano con alcuni principi fondamentali dell\u2019integrit\u00e0 della ricerca, tra cui l\u2019affidabilit\u00e0 delle fonti, il rigore metodologico, la tracciabilit\u00e0 dei procedimenti, la riproducibilit\u00e0 dei risultati, la corretta attribuzione dei contributi intellettuali e la responsabilit\u00e0 degli autori. La questione riguarda, pertanto, non soltanto l\u2019ammissibilit\u00e0 dell\u2019impiego della tecnologia, ma anche le modalit\u00e0 attraverso le quali le istituzioni accademiche ne disciplinano l\u2019utilizzo.<\/p>\n\n\n\n

A tal fine, il contributo riprende le evidenze di uno studio sulle linee guida pubblicamente accessibili di venti universit\u00e0 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.<\/p>\n\n\n\n

La domanda che orienta il presente lavoro \u00e8: in che modo le evidenze relative alle linee guida adottate dalle universit\u00e0 europee consentono di comprenderne la funzione nel rapporto tra governance della GenAI e tutela dell\u2019integrit\u00e0 della ricerca?<\/p>\n\n\n\n

1. Introduzione<\/h1>\n\n\n\n

L\u2019Intelligenza Artificiale rappresenta una delle innovazioni tecnologiche pi\u00f9 significative e pervasive dell\u2019epoca contemporanea. La diffusione di sistemi basati sull\u2019apprendimento automatico, sulle reti neurali e, pi\u00f9 recentemente, sui modelli di GenAI sta trasformando i processi economici, l\u2019organizzazione del lavoro, la gestione delle informazioni, la ricerca scientifica, l\u2019istruzione e l\u2019erogazione dei servizi pubblici e privati. L\u2019IA non \u00e8 pi\u00f9 circoscritta a settori altamente specialistici, ma tende a configurarsi come un\u2019infrastruttura trasversale, incorporata in piattaforme, strumenti di produttivit\u00e0, ambienti digitali e processi decisionali utilizzati quotidianamente da individui e organizzazioni.<\/p>\n\n\n\n

La GenAI si caratterizza per la capacit\u00e0 di produrre contenuti testuali, visivi, sonori e tecnico-computazionali a partire da istruzioni formulate in linguaggio naturale. Mediante l\u2019elaborazione di grandi quantit\u00e0 di dati, questi sistemi individuano regolarit\u00e0 statistiche e relazioni probabilistiche, generando output formalmente coerenti e talvolta difficilmente distinguibili da quelli prodotti dall\u2019essere umano. Tale qualit\u00e0 formale non garantisce, tuttavia, accuratezza, affidabilit\u00e0 o validit\u00e0 scientifica, poich\u00e9 i modelli possono restituire informazioni plausibili ma inesatte, riferimenti inesistenti e interpretazioni condizionate dai limiti o dalle distorsioni dei dati di addestramento.<\/p>\n\n\n\n

L\u2019avvento di ChatGPT alla fine del 2022 ha segnato un punto di svolta non soltanto per l\u2019avanzamento tecnico dei modelli linguistici, ma soprattutto per la loro accessibilit\u00e0 mediante interfacce conversazionali intuitive. Tale diffusione ha reso immediatamente evidenti sia le opportunit\u00e0 di automazione e supporto cognitivo, sia i rischi connessi a un\u2019adozione pi\u00f9 rapida della capacit\u00e0 delle organizzazioni di comprenderne e governarne le conseguenze.<\/p>\n\n\n\n

Regolare l\u2019IA non significa impedire l\u2019innovazione, ma definire le condizioni etiche, giuridiche, tecniche e organizzative affinch\u00e9 lo sviluppo e l\u2019impiego dei sistemi siano compatibili con i diritti fondamentali, la sicurezza, l\u2019equit\u00e0 e l\u2019interesse collettivo. Un quadro regolatorio adeguato pu\u00f2 svolgere una funzione abilitante, riducendo l\u2019incertezza, chiarendo le responsabilit\u00e0, promuovendo standard condivisi e rafforzando la fiducia degli utenti. In assenza di garanzie verificabili, l\u2019adozione dell\u2019IA rischia invece di consolidare pratiche opache, produrre effetti discriminatori, generare contenziosi e indebolire la legittimazione sociale dell\u2019innovazione.<\/p>\n\n\n\n

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\u2019inserimento in un sistema pi\u00f9 ampio di governance, composto da norme, standard tecnici, procedure organizzative, formazione, audit e meccanismi di responsabilit\u00e0.<\/p>\n\n\n\n

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<\/em> e regolamentazione vincolante. La seconda si concentra sull\u2019impiego della GenAI nella ricerca accademica, illustrando la metodologia dell\u2019indagine documentale, i principali risultati emersi e le relative implicazioni per la governance universitaria.<\/p>\n\n\n\n

Il contributo originale del lavoro consiste nella rilettura delle evidenze empiriche sulle universit\u00e0 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.<\/p>\n\n\n\n

2. Rischi dell\u2019IA e necessit\u00e0 della regolamentazione<\/h1>\n\n\n\n

2.1 Rischi epistemici e opacit\u00e0 dei sistemi<\/h2>\n\n\n\n

I primi rischi riguardano l\u2019affidabilit\u00e0 epistemica degli output. Un sistema capace di produrre testi grammaticalmente corretti e argomentazioni apparentemente coerenti pu\u00f2 indurre l\u2019utente ad attribuirgli un\u2019autorit\u00e0 conoscitiva che non possiede. Il problema \u00e8 particolarmente rilevante nei contesti educativi e scientifici, nei quali la validit\u00e0 di un\u2019affermazione dipende dalla verificabilit\u00e0 delle fonti, dalla correttezza metodologica, dalla riproducibilit\u00e0 dei risultati e dalla possibilit\u00e0 di sottoporre le conclusioni al controllo della comunit\u00e0 di riferimento.<\/p>\n\n\n\n

A ci\u00f2 si aggiunge la criticit\u00e0 dell\u2019opacit\u00e0 dei modelli. Nei sistemi fondati su reti neurali di grandi dimensioni \u00e8 spesso difficile ricostruire analiticamente il percorso attraverso il quale uno specifico input determina uno specifico output. La limitata spiegabilit\u00e0 ostacola la verifica dei risultati e complica l\u2019attribuzione delle responsabilit\u00e0 in caso di errori, discriminazioni o danni. La criticit\u00e0 cresce quando l\u2019IA interviene in processi capaci di incidere sui diritti, sulle opportunit\u00e0 o sull\u2019accesso a servizi essenziali, nei quali la persona interessata deve poter comprendere, contestare e ottenere la revisione delle decisioni che la riguardano.<\/p>\n\n\n\n

2.2 Privacy, riservatezza e propriet\u00e0 intellettuale<\/h2>\n\n\n\n

Un ulteriore profilo di rischio concerne la tutela dei dati personali, delle informazioni riservate e dei contenuti sensibili. L\u2019interazione con i sistemi di IA comporta frequentemente l\u2019inserimento 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 finalit\u00e0 ulteriori o impiegati per l\u2019addestramento e il perfezionamento dei modelli. Il rischio assume particolare rilievo nella ricerca, nell\u2019istruzione, nella sanit\u00e0, nella pubblica amministrazione e nelle attivit\u00e0 professionali, nelle quali gli utenti gestiscono informazioni sensibili, confidenziali o soggette a specifiche forme di tutela.<\/p>\n\n\n\n

Questioni analoghe riguardano il diritto d\u2019autore e la propriet\u00e0 intellettuale. L\u2019addestramento dei modelli generativi mediante grandi quantit\u00e0 di dati e contenuti digitali solleva interrogativi sulla legittimit\u00e0 dell\u2019impiego dei materiali e sullo status dei contenuti generati. La qualificazione giuridica degli output pone problemi relativi all\u2019eventuale riproduzione di elementi sostanziali di opere preesistenti, al riconoscimento del requisito dell\u2019originalit\u00e0 e all\u2019attribuzione dei relativi diritti. Nel settore scientifico, tali questioni si estendono al rispetto degli obblighi di citazione, corretta attribuzione e riconoscimento del contributo intellettuale altrui.<\/p>\n\n\n\n

2.3 Bias, discriminazioni e disuguaglianze<\/h2>\n\n\n\n

I sistemi di IA apprendono da insiemi di dati che riflettono strutture sociali, stereotipi e disuguaglianze storicamente consolidate. Un\u2019inadeguata identificazione e mitigazione di tali distorsioni pu\u00f2 condurre i sistemi di IA a riprodurre o amplificare pregiudizi e dinamiche discriminatorie gi\u00e0 presenti nei dati di addestramento. Il rischio \u00e8 particolarmente rilevante nei sistemi destinati alla selezione del personale, alla valutazione, all\u2019orientamento educativo, alla ricerca scientifica, all\u2019accesso 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 comunit\u00e0 linguistiche e culturali.<\/p>\n\n\n\n

La questione dei bias<\/em> si collega alla distribuzione geopolitica delle risorse necessarie allo sviluppo dell\u2019IA. Dati, potenza di calcolo, infrastrutture e competenze specialistiche sono concentrati in poche grandi imprese e in un numero limitato di economie avanzate. Tale concentrazione pu\u00f2 accrescere la dipendenza tecnologica e ampliare le asimmetrie nella disponibilit\u00e0 e nella rappresentativit\u00e0 dei dati, determinando la sottorappresentazione di alcune comunit\u00e0 nei dataset<\/em> di addestramento e limitando la capacit\u00e0 dei sistemi di riflettere adeguatamente le specificit\u00e0 linguistiche, culturali e sociali dei contesti locali.<\/p>\n\n\n\n

2.4 Rischi sistemici e qualit\u00e0 dell\u2019informazione<\/h2>\n\n\n\n

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 pu\u00f2 compromettere la fiducia nelle fonti informative, nell\u2019autorevolezza delle istituzioni e nei meccanismi democratici di formazione dell\u2019opinione pubblica. La crescente presenza in rete di tali contenuti pu\u00f2 inoltre alimentare un processo ricorsivo nel quale nuovi modelli vengono addestrati su materiali generati da sistemi precedenti, riproducendone errori e distorsioni.<\/p>\n\n\n\n

Nel loro insieme, tali rischi assumono una rilevanza diretta per l\u2019integrit\u00e0 della ricerca. L\u2019inaffidabilit\u00e0 e l\u2019opacit\u00e0 degli output possono compromettere la verificabilit\u00e0 delle fonti e la riproducibilit\u00e0 dei risultati; il trattamento improprio di dati e contenuti protetti pu\u00f2 violare gli obblighi di riservatezza e corretta attribuzione; i bias<\/em> possono distorcere la produzione e la valutazione della conoscenza; la diffusione di contenuti falsi pu\u00f2 alterare la qualit\u00e0 dell\u2019informazione scientifica. Le criticit\u00e0 descritte investono pertanto i principi di onest\u00e0, trasparenza, rigore metodologico e responsabilit\u00e0 sui quali si fonda la ricerca.<\/p>\n\n\n\n

3. Le linee guida nella governance dell\u2019IA<\/h1>\n\n\n\n

3.1 Natura e funzioni<\/h2>\n\n\n\n

La regolazione dell\u2019IA 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\u2019impatto 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.<\/p>\n\n\n\n

Tale pluralit\u00e0 risponde alla natura dinamica dei sistemi di IA. Le norme sono indispensabili per stabilire divieti, obblighi, responsabilit\u00e0 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<\/em>, perch\u00e9 chiariscono concetti giuridici e tecnici; operativa<\/em>, perch\u00e9 traducono obblighi generali in procedure, controlli e indicatori; armonizzatrice<\/em>, perch\u00e9 riducono la variabilit\u00e0 delle applicazioni; evolutiva<\/em>, perch\u00e9 possono essere aggiornate pi\u00f9 rapidamente della legislazione.<\/p>\n\n\n\n

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\u2019efficacia delle linee guida non dipende soltanto dalla qualit\u00e0 dei principi enunciati, ma dalla loro capacit\u00e0 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.<\/p>\n\n\n\n

3.2 Principi internazionali ed europei<\/h2>\n\n\n\n

Il quadro internazionale ed europeo si \u00e8 sviluppato attraverso una progressiva specificazione dei principi etici e la loro traduzione in indicazioni operative. La Recommendation on the Ethics of Artificial Intelligence<\/em> (UNESCO 2021) ha definito una cornice generale applicabile all\u2019intero ciclo di vita dei sistemi di IA; la Guidance for Generative AI in Education and Research<\/em> (UNESCO 2023) ne ha adattato i contenuti alle specificit\u00e0 della GenAI; le Living Guidelines on the Responsible Use of Generative AI in Research<\/em> (Commissione europea e ERA Forum 2026) hanno infine declinato tali principi nell\u2019ambito della ricerca scientifica. Pur differenziandosi per destinatari e ambito di applicazione, i documenti convergono su quattro dimensioni: centralit\u00e0 e responsabilit\u00e0 umana; trasparenza e spiegabilit\u00e0; protezione dei dati e della propriet\u00e0 intellettuale; formazione, verifica e monitoraggio.<\/p>\n\n\n\n

3.2.1 Centralit\u00e0 e responsabilit\u00e0 umana<\/h3>\n\n\n\n

La Raccomandazione UNESCO adotta un approccio antropocentrico fondato sulla tutela della dignit\u00e0, dei diritti umani e delle libert\u00e0 fondamentali. I sistemi di IA devono sostenere le capacit\u00e0 delle persone senza comprometterne l\u2019autonomia e il potere decisionale. La Guida del 2023 applica tale principio alla GenAI, ponendo l\u2019accento sull\u2019agentivit\u00e0 umana, sul pensiero critico e sulla necessit\u00e0 di un impiego proporzionato e sottoposto a supervisione. Le linee guida europee per la ricerca precisano che il ricercatore mantiene la piena responsabilit\u00e0 dei contenuti prodotti con il supporto della GenAI. L\u2019IA non pu\u00f2 essere indicata come autore o coautore, poich\u00e9 l\u2019autorialit\u00e0 presuppone agentivit\u00e0, intenzionalit\u00e0 e capacit\u00e0 di rispondere delle scelte compiute.<\/p>\n\n\n\n

3.2.2 Trasparenza e spiegabilit\u00e0<\/h3>\n\n\n\n

La trasparenza e la spiegabilit\u00e0 costituiscono condizioni necessarie per la tutela dei diritti, l\u2019attribuzione delle responsabilit\u00e0 e la contestabilit\u00e0 delle decisioni. Con riferimento alla GenAI, la trasparenza comprende anche la dichiarazione dell\u2019uso dello strumento. Quando la tecnologia incide in modo sostanziale sulla formulazione delle ipotesi, sulla revisione della letteratura, sull\u2019analisi o sull\u2019interpretazione dei risultati, il suo impiego deve essere documentato secondo gli standard disciplinari e editoriali. La dichiarazione pu\u00f2 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 responsabilit\u00e0 scientifica.<\/p>\n\n\n\n

3.2.3 Protezione dei dati e propriet\u00e0 intellettuale<\/h3>\n\n\n\n

I documenti analizzati convergono sulla necessit\u00e0 di tutelare dati personali, informazioni riservate e diritti di propriet\u00e0 intellettuale. La governance dei dati deve accompagnare l\u2019intero ciclo di vita dei sistemi di IA e includere valutazioni d\u2019impatto, 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\u2019analoga cautela riguarda la revisione tra pari e la valutazione dei progetti, nelle quali l\u2019impiego sostanziale della GenAI pu\u00f2 compromettere riservatezza, equit\u00e0 e diritti degli autori.<\/p>\n\n\n\n

3.2.4 Formazione, verifica e monitoraggio<\/h3>\n\n\n\n

L\u2019alfabetizzazione in materia di IA \u00e8 considerata essenziale per permettere agli utenti di comprenderne opportunit\u00e0, limiti e implicazioni. La formazione deve essere accompagnata da valutazioni d\u2019impatto, audit, monitoraggio continuo e partecipazione degli attori interessati. Le organizzazioni scientifiche sono chiamate a integrare le indicazioni sulla GenAI nei propri codici di integrit\u00e0, 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<\/em> richiede inoltre aggiornamenti periodici, necessari per adeguare le indicazioni all\u2019evoluzione delle tecnologie, delle pratiche e del quadro normativo.<\/p>\n\n\n\n

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.<\/p>\n\n\n\n

4. Linee guida e regolamentazione vincolante: il quadro europeo e italiano<\/h1>\n\n\n\n

L\u2019adozione 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\u2019innovazione non costituiscono finalit\u00e0 contrapposte, ma componenti complementari del medesimo modello regolatorio.<\/p>\n\n\n\n

L\u2019AI Act adotta un approccio basato sul rischio, in virt\u00f9 del quale l\u2019intensit\u00e0 degli obblighi varia in funzione delle caratteristiche e delle finalit\u00e0 del sistema, nonch\u00e9 della sua capacit\u00e0 di incidere sui diritti e sugli interessi delle persone. Ai fini del presente contributo assumono particolare rilevanza la trasparenza, la supervisione umana, la qualit\u00e0 e la governance dei dati, l\u2019accuratezza, la robustezza e la sicurezza. A tali requisiti si aggiunge l\u2019alfabetizzazione in materia di IA, necessaria affinch\u00e9 i soggetti coinvolti acquisiscano competenze adeguate alle attivit\u00e0 svolte, ai contesti di applicazione e ai rischi potenzialmente generati.<\/p>\n\n\n\n

L\u2019applicazione dell\u2019AI Act alla ricerca deve, tuttavia, essere valutata alla luce delle finalit\u00e0 perseguite e delle concrete modalit\u00e0 d\u2019impiego dei sistemi, tenendo conto delle disposizioni specifiche e delle eventuali esclusioni previste per determinate attivit\u00e0 scientifiche.<\/p>\n\n\n\n

Nel settore della ricerca, l\u2019AI Act non definisce in modo esaustivo le modalit\u00e0 con cui la GenAI pu\u00f2 essere utilizzata nelle diverse fasi dell\u2019attivit\u00e0 scientifica. Rimangono affidate alle universit\u00e0 e ai centri di ricerca la specificazione degli impieghi ammessi, l\u2019individuazione delle informazioni che non possono essere inserite nei sistemi esterni, la definizione degli obblighi di dichiarazione e documentazione e l\u2019organizzazione 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 attivit\u00e0 di ricerca. La loro funzione consiste, pertanto, nel definire chi pu\u00f2 utilizzare determinati strumenti, per quali finalit\u00e0, a quali condizioni e attraverso quali controlli, ferma restando la prevalenza delle disposizioni normative applicabili.<\/p>\n\n\n\n

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\u2019adozione e l\u2019impiego dei sistemi e dei modelli di IA. La disciplina nazionale non si configura come un sistema alternativo rispetto all\u2019AI Act, ma integra il quadro europeo negli ambiti di competenza statale, coordinando le responsabilit\u00e0 istituzionali e l\u2019applicazione dei principi generali nell\u2019ordinamento interno. Anche la normativa italiana adotta una prospettiva antropocentrica, attribuendo rilievo all\u2019autonomia e al potere decisionale umano, alla trasparenza, alla proporzionalit\u00e0, alla sicurezza, alla non discriminazione, alla protezione dei dati e alla sostenibilit\u00e0.<\/p>\n\n\n\n

Dal rapporto tra AI Act, legislazione nazionale e strumenti attuativi emerge un sistema di governance multilivello, soprattutto per quanto riguarda l\u2019ecosistema della ricerca, in cui:<\/p>\n\n\n\n

    \n
  • il Regolamento europeo definisce obblighi armonizzati e meccanismi di vigilanza;<\/li>\n\n\n\n
  • la legge italiana coordina tali principi con le competenze dell\u2019ordinamento nazionale;<\/li>\n\n\n\n
  • le linee guida, i codici di condotta e gli standard tecnici traducono il quadro normativo in procedure operative.<\/li>\n<\/ul>\n\n\n\n

    Per le universit\u00e0, tale configurazione multilivello comporta la necessit\u00e0 di verificare la coerenza delle proprie politiche sull\u2019uso della GenAI con il quadro europeo e nazionale, individuando responsabilit\u00e0 interne, strumenti autorizzati, procedure di controllo e modalit\u00e0 di aggiornamento delle regole. L\u2019adeguamento non pu\u00f2 quindi esaurirsi nella pubblicazione di un documento, ma richiede il coordinamento tra governance della ricerca, protezione dei dati, sicurezza informatica, formazione e integrit\u00e0 scientifica.<\/p>\n\n\n\n

    5. Le linee guida universitarie quale strumento di governance della GenAI<\/h1>\n\n\n\n

    La ricerca accademica costituisce un ambito privilegiato per osservare come i principi etici e gli obblighi giuridici vengano tradotti in regole organizzative. L\u2019impiego della GenAI nelle diverse fasi del processo scientifico incide direttamente su affidabilit\u00e0, trasparenza, verificabilit\u00e0, riproducibilit\u00e0, tutela dei dati, corretta attribuzione dei contributi e responsabilit\u00e0 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.<\/p>\n\n\n\n

    Questa sezione utilizza le evidenze presentate nello studio di Giordano e Lovergine (2025), che non sono sottoposte a una nuova elaborazione n\u00e9 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\u2019integrit\u00e0 della ricerca.<\/p>\n\n\n\n

    5.1 Lo studio di Giordano e Lovergine<\/h2>\n\n\n\n

    In uno studio pubblicato nel 2025 sulla rivista Sinappsi dell\u2019INAPP, Giordano e Lovergine hanno esaminato le politiche sull\u2019impiego della GenAI rese pubblicamente disponibili sui siti web di venti universit\u00e0 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 disponibilit\u00e0 dei documenti, alle informazioni generali, agli usi consentiti e vietati e alle indicazioni etiche e giuridiche.<\/p>\n\n\n\n

    Al momento della rilevazione, linee guida organiche erano pubblicamente accessibili sui siti di dieci delle venti universit\u00e0 considerate. Il dato non dimostra che gli altri atenei fossero privi di indicazioni interne, ma segnalava una disomogeneit\u00e0 nella formalizzazione e nell\u2019accessibilit\u00e0 delle regole. La pubblicit\u00e0 delle linee guida costituisce una condizione della trasparenza organizzativa, poich\u00e9 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.<\/p>\n\n\n\n

    5.2 Dalla proibizione all\u2019adozione regolata<\/h2>\n\n\n\n

    Le universit\u00e0 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\u2019organizzazione del lavoro e il supporto alla comprensione di concetti complessi. Le limitazioni riguardavano le attivit\u00e0 nelle quali la tecnologia poteva sostituire indebitamente il contributo intellettuale, compromettere l\u2019autenticit\u00e0 della valutazione o comportare l\u2019inserimento di informazioni riservate in sistemi esterni.<\/p>\n\n\n\n

    Questa impostazione configura un paradigma di adozione regolata, nel quale l\u2019ammissibilit\u00e0 non dipende soltanto dallo strumento, ma dalla funzione svolta, dal contesto, dal livello di rischio e dall\u2019incidenza sul risultato scientifico. Una linea guida efficace dovrebbe distinguere tra uso ausiliario<\/em>, riferito a correzione linguistica, traduzione, formattazione o supporto tecnico non sostanziale; uso sostanziale<\/em>, quando la GenAI contribuisce alla revisione della letteratura, alla formulazione delle ipotesi, all\u2019analisi o all\u2019interpretazione; uso non consentito<\/em> o ad alta sensibilit\u00e0, quando sostituisce il giudizio scientifico, compromette l\u2019autenticit\u00e0 di una valutazione o espone informazioni riservate. Tale graduazione permette di modulare autorizzazione, dichiarazione, documentazione e verifica secondo il principio di proporzionalit\u00e0.<\/p>\n\n\n\n

    5.3 Trasparenza, verificabilit\u00e0 e responsabilit\u00e0<\/h2>\n\n\n\n

    Lo studio evidenziava che il 60% delle universit\u00e0 dotate di linee guida forniva istruzioni sulla dichiarazione dell\u2019impiego 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 pi\u00f9 rilevanti, ad accrescere la tracciabilit\u00e0 e la riproducibilit\u00e0 del processo scientifico.<\/p>\n\n\n\n

    La trasparenza non deve tuttavia ridursi a un adempimento dichiarativo. L\u2019indicazione dello strumento, della versione, della data e delle modalit\u00e0 d\u2019impiego 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 pu\u00f2 richiedere una dichiarazione semplificata; un uso che incide sulla formulazione delle ipotesi, sull\u2019analisi o sull\u2019interpretazione dei dati deve invece essere documentato in modo pi\u00f9 dettagliato nella sezione metodologica.<\/p>\n\n\n\n

    Particolarmente significativa \u00e8 l\u2019evidenza secondo cui soltanto il 30% delle universit\u00e0 forniva istruzioni specifiche sulla verifica, modifica e integrazione degli output. La dichiarazione dell\u2019uso non garantisce infatti la qualit\u00e0 scientifica del contenuto. Le linee guida dovrebbero richiedere il controllo dell\u2019esistenza e della pertinenza delle fonti, il riscontro delle citazioni, la valutazione dell\u2019accuratezza fattuale e dei bias<\/em>, la verifica della conformit\u00e0 alla disciplina sulla privacy e sulla propriet\u00e0 intellettuale, nonch\u00e9 la documentazione delle modifiche sostanziali. La disclosure non trasferisce n\u00e9 attenua la responsabilit\u00e0 dell\u2019autore, che rimane responsabile della validit\u00e0 delle analisi, dell\u2019originalit\u00e0 del contributo e dell\u2019integrit\u00e0 del prodotto finale.<\/p>\n\n\n\n

    5.4 Formazione e capacit\u00e0 istituzionale<\/h2>\n\n\n\n

    Il 60% delle universit\u00e0 analizzate prevedeva attivit\u00e0 di formazione o aggiornamento sull\u2019impiego della GenAI. Il dato conferma che l\u2019efficacia delle linee guida dipende non soltanto dalla chiarezza delle prescrizioni, ma anche dalla capacit\u00e0 degli utenti di comprenderle e applicarle. L\u2019alfabetizzazione 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.<\/p>\n\n\n\n

    Le evidenze considerate mostrano che la pubblicazione delle linee guida rappresenta soltanto una componente della capacit\u00e0 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 responsabilit\u00e0 che richiederebbero invece un adeguato supporto organizzativo.<\/p>\n\n\n\n

    5.5 Verso uno standard minimo condiviso<\/h2>\n\n\n\n

    L\u2019eterogeneit\u00e0 riscontrata da Giordano e Lovergine evidenzia la necessit\u00e0 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 mobilit\u00e0, collaborazioni internazionali e procedure di finanziamento sovranazionali.<\/p>\n\n\n\n

    L\u2019armonizzazione non dovrebbe tradursi in un modello rigido, ma nella definizione di un nucleo minimo comune che includa:<\/p>\n\n\n\n

      \n
    • ambito di applicazione e destinatari; distinzione tra usi ausiliari, sostanziali e non consentiti;<\/li>\n\n\n\n
    • obblighi proporzionati di autorizzazione e dichiarazione;<\/li>\n\n\n\n
    • procedure minime di verifica degli output;<\/li>\n\n\n\n
    • tutela dei dati e della propriet\u00e0 intellettuale; attribuzione della responsabilit\u00e0 finale all\u2019autore umano;<\/li>\n\n\n\n
    • regole per la revisione tra pari e la valutazione dei progetti;<\/li>\n\n\n\n
    • formazione permanente; procedure per la gestione delle violazioni;<\/li>\n\n\n\n
    • aggiornamento periodico.<\/li>\n<\/ul>\n\n\n\n

      Ogni istituzione potrebbe integrare tale nucleo in funzione della propria missione, delle infrastrutture disponibili e dei profili di rischio.<\/p>\n\n\n\n

      Le evidenze considerate mostrano che la disponibilit\u00e0 pubblica di linee guida costituisce solo il primo livello della governance istituzionale. La loro effettivit\u00e0 dipende dalla presenza di procedure di autorizzazione e dichiarazione, strumenti tecnologici approvati, responsabilit\u00e0 chiaramente attribuite, attivit\u00e0 formative e meccanismi di verifica e aggiornamento. \u00c8 pertanto utile distinguere tra una governance documentale, fondata sull\u2019adozione 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 universit\u00e0 la possibilit\u00e0 di graduare gli obblighi in rapporto alla funzione svolta dalla GenAI, alla sensibilit\u00e0 dei dati trattati e all\u2019incidenza dello strumento sul risultato scientifico.<\/p>\n\n\n\n

      6. Conclusioni<\/h1>\n\n\n\n

      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\u2019attribuzione delle responsabilit\u00e0 e la formazione degli utenti.<\/p>\n\n\n\n

      Il quadro internazionale, europeo e italiano delinea una governance multilivello, nella quale la legislazione definisce diritti, obblighi e responsabilit\u00e0, mentre le linee guida ne specificano l\u2019applicazione nei diversi contesti istituzionali e professionali. L\u2019analisi mostra, in definitiva, che la mera adozione formale delle linee guida non \u00e8 sufficiente: la loro efficacia dipende dalla capacit\u00e0 delle istituzioni di tradurle in procedure, responsabilit\u00e0, competenze e strumenti concretamente applicabili alle attivit\u00e0 di ricerca.<\/p>\n\n\n\n

      Il caso delle universit\u00e0 europee evidenzia l\u2019affermazione di un modello di adozione regolata, ma anche una persistente disomogeneit\u00e0 nella formalizzazione e nell\u2019accessibilit\u00e0 delle indicazioni. La maggiore attenzione riservata alla trasparenza, alla privacy e alla propriet\u00e0 intellettuale non \u00e8 sempre accompagnata da procedure altrettanto definite per la verifica degli output e la gestione delle condotte scorrette. La dichiarazione dell\u2019impiego 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\u2019effettivo contributo fornito dalla tecnologia.<\/p>\n\n\n\n

      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 proporzionalit\u00e0 e preservando la responsabilit\u00e0 finale del ricercatore. Tale nucleo dovrebbe rimanere sufficientemente flessibile da adattarsi alle specificit\u00e0 culturali, geografiche, normative e disciplinari delle diverse comunit\u00e0 scientifiche.<\/p>\n\n\n\n

      Le evidenze considerate derivano da un campione limitato di universit\u00e0 e da documenti pubblicamente accessibili in un periodo circoscritto. Ricerche successive potranno quindi esaminare l\u2019effettiva applicazione delle linee guida attraverso studi longitudinali, interviste, questionari e indagini sui comportamenti degli utenti. Potranno inoltre approfondire l\u2019incidenza delle differenze culturali, disciplinari e istituzionali sulle modalit\u00e0 di recepimento e applicazione delle regole.<\/p>\n\n\n\n

      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 comunit\u00e0 scientifiche, delle discipline e dei differenti contesti istituzionali e territoriali. In tale quadro, la centralit\u00e0 del giudizio umano, sostenuta da competenze adeguate, procedure verificabili e infrastrutture sicure, rimane la condizione essenziale affinch\u00e9 la GenAI possa rafforzare la ricerca senza comprometterne l\u2019integrit\u00e0. Innovazione tecnologica, pluralismo culturale e integrit\u00e0 della ricerca non costituiscono, pertanto, istanze contrapposte, ma dimensioni interdipendenti di una produzione scientifica affidabile, inclusiva e socialmente responsabile.<\/p>\n","protected":false},"excerpt":{"rendered":"

      Saverio LovergineINAPP, Universit\u00e0 Roma \u201cTor Vergata\u201d, Senior consultant \u2013 Public management, Ai & Digital Transformation, Occupational & Skills Frameworks Premessa Il presente contributo costituisce la sistematizzazione e l’ampliamento di un intervento presentato in universit\u00e0. Le riflessioni esposte nel dibattito sono state sistematizzate e ampliate in questo contributo sul tema del ruolo svolto dalle linee guida […]<\/p>\n","protected":false},"author":1,"featured_media":2520,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"class_list":["post-2558","page","type-page","status-publish","has-post-thumbnail"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/pages\/2558","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/comments?post=2558"}],"version-history":[{"count":2,"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/pages\/2558\/revisions"}],"predecessor-version":[{"id":2618,"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/pages\/2558\/revisions\/2618"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/media\/2520"}],"wp:attachment":[{"href":"https:\/\/www.aianthropocosmic.com\/AI\/wp-json\/wp\/v2\/media?parent=2558"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}