Abstract [IT]:

Il concetto di Ethical Drift descrive un fenomeno progressivo e silenzioso, attraverso il quale un sistema di Intelligenza Artificiale, pur mantenendo piena conformità normativa, si allontana gradualmente dai principi etici che ne avevano ispirato la progettazione. Il presente contributo propone una definizione operativa di tale deriva, analizzandone le cause, le manifestazioni e le implicazioni sistemiche. Attraverso l’esame di casi simulati e l’elaborazione di un framework metodologico per l’audit etico post-market, il lavoro mira a fornire strumenti pratici per l’identificazione e la gestione del rischio etico nei sistemi AI. Il paper include, inoltre, un esperimento narrativo che accompagna la lettura, volto a rendere tangibile la natura subdola e progressiva del drift etico.

Parole-chiave: Ethical Drift; Intelligenza Artificiale; AI Act; Compliance; Etica applicata; Audit etico; Responsabilità algoritmica; Governance del rischio

Abstract [ENG]: Ethical Drift in AI Systems. A Narrative Simulation and a Framework for Post-Market Ethical Oversight

The concept of Ethical Drift describes a progressive and subtle phenomenon whereby an Artificial Intelligence system, while remaining fully compliant with regulatory requirements, gradually departs from the ethical principles that originally guided its design. This paper provides an operational definition of this dynamic, analysing its underlying causes, manifestations, and systemic implications. Through the analysis of simulated case studies and the development of a methodological framework for post-market ethical oversight, the paper aims to offer practical tools for the identification and management of ethical risks in AI systems. Furthermore, it includes a narrative experiment intended to make tangible the subtle and progressive nature of ethical drift.

Keywords: thical Drift; Artificial Intelligence; AI Act; Compliance; Applied Ethics; Ethical Oversight; Algorithmic Accountability; Risk Governance

Sommario: 1. Introduzione – 2. Ethical Drift: definizione e caratteristiche – 3. Compliance ≠ Etica: analisi del divario – 4. Caso 1: Selezione automatizzata nei processi HR – 5. Caso 2: Triage sanitario automatizzato – 7 . Audit dell’etica post-market: un framework operativo – 8. Meta-monitoraggio etico: strumenti possibili – 9. Conclusioni e provocazioni – 10. Epilogo: rilettura retrospettiva – Bibliografia

1. Introduzione

L’attuale fase storica è caratterizzata dall’impiego crescente di sistemi di Intelligenza Artificiale (IA) nei processi decisionali di imprese, amministrazioni pubbliche e professionisti. Tali sistemi non rappresentano più una mera promessa tecnologica, bensì una componente concreta e pervasiva della realtà operativa contemporanea. La normativa europea ha tentato di governare questo sviluppo, definendo principi cardine quali la sicurezza, la trasparenza, l’accountability e il rispetto dei diritti fondamentali, sanciti in particolare dal AI Act[1].

Il rispetto del Regolamento AI Act garantisce che i sistemi AI siano sviluppati e messi in uso nel rispetto dei valori europei, assicurando un equilibrio tra innovazione e tutela dei diritti.

Tuttavia, permane una questione che la normativa, per sua natura, non può integralmente risolvere: se un sistema di IA sia in grado di rimanere pienamente conforme ai requisiti giuridici formali e, contestualmente, allontanarsi progressivamente da ciò che può essere considerato eticamente giusto.

Si tratta di una riflessione interessante. La normativa definisce criteri oggettivi di conformità, ma non può anticipare ogni possibile evoluzione sociale, culturale o d’uso del sistema.

Questo contributo prende avvio da tale interrogativo. Non intende mettere in discussione la validità e la legittimità dei principi regolatori — fondati su previsioni costituzionali e principi generali di diritto, tra cui quelli di buona fede, correttezza e tutela della persona, riconosciuti anche nel diritto civile italiano (artt. 1175 e 1375 c.c.) — bensì indagarne i limiti applicativi, in relazione all’evoluzione concreta dei sistemi IA durante il loro ciclo di vita.

L’ipotesi di fondo è che, pur in assenza di violazioni normative o tecniche, possa emergere nel tempo un fenomeno latente, progressivo e difficilmente rilevabile attraverso i soli strumenti di compliance: quello che qui viene denominato Ethical Drift o deriva etica.

Ethical Drift può essere definito come una deviazione progressiva tra l’agire del sistema e i valori etici che ne avevano ispirato l’origine, senza che tale deviazione comporti necessariamente una violazione formale delle norme.

Tale fenomeno si inserisce nel più ampio dibattito sui rischi sistemici legati all’uso dell’IA, affiancando i temi del misalignment valoriale e della responsabilità algoritmica. Nella prospettiva qui adottata, il drift etico viene considerato come una dinamica di progressiva erosione del senso valoriale originario di un sistema conforme, con possibili ricadute sul piano della giustizia sostanziale, dell’equità relazionale e della tutela degli individui.

In questo senso, la riflessione si pone in continuità con gli orientamenti espressi non solo dal citato AI Act, ma anche dal GDPR[2] in tema di responsabilità e trasparenza nei trattamenti automatizzati, nonché con i principi delineati dall’UNESCO[3] e dalle Linee guida della Commissione Europea[4] in materia. Si inserisce, inoltre, nel solco delle riflessioni avviate a livello europeo[5] che hanno tracciato un quadro di riferimento fondato su eccellenza e fiducia.

Nei paragrafi successivi verranno approfondite le caratteristiche di tale fenomeno, esemplificate attraverso casi simulati e accompagnate da proposte operative per il monitoraggio e la gestione del drift etico nei sistemi di Intelligenza Artificiale.

2. Ethical Drift: definizione e caratteristiche

Il concetto specifico di Ethical Drift, inteso come progressivo e silenzioso disallineamento etico dei sistemi di Intelligenza Artificiale nel corso del loro ciclo di vita, non risulta ad oggi formalizzato nel dibattito normativo e regolamentare. Tuttavia, la questione sottesa — ossia il rischio che l’evoluzione dei sistemi AI possa produrre effetti eticamente discutibili pur in assenza di violazioni normative — è ben presente nella riflessione dottrinale e nelle linee guida istituzionali, seppur affrontata secondo prospettive eterogenee. Tale dinamica rappresenta una realtà tanto insidiosa quanto rilevante, soprattutto nel quadro attuale in cui i sistemi AI sono sempre più integrati nei processi decisionali che incidono su diritti e interessi fondamentali.

L’Ethical Drift non coincide con un’anomalia evidente, né configura una violazione del quadro regolamentare vigente. Non si tratta di un errore tecnico, di un bias algoritmico rilevabile (inteso, in linea con le Linee Guida etiche già richiamate in nota⁵, come un pregiudizio o distorsione sistematica nell’output del sistema che comporta un trattamento ingiustificato di individui o gruppi) o di una non conformità documentabile. Piuttosto, esso si manifesta come un cambiamento lento e progressivo, che incide sul modo in cui il sistema opera, viene percepito e viene utilizzato, producendo uno scostamento rispetto ai valori etici originari che ne avevano ispirato la progettazione.

Ethical Drift può essere definito come la progressiva alterazione del significato etico dell’azione di un sistema AI, pur in assenza di una modifica sostanziale del suo funzionamento tecnico.

A differenza di un bias algoritmico — che può essere rilevato e corretto mediante tecniche di audit e strumenti di fairness assessment — la deriva etica è un fenomeno di natura sistemica. Essa si manifesta nell’interazione tra l’output del modello, il contesto in cui viene applicato e il quadro valoriale di riferimento, che può mutare nel tempo o essere interpretato in modo differente a seconda dell’uso effettivo.

Un sistema può restare invariato nei suoi parametri di funzionamento, ma cambiare profondamente nella sua funzione sociale se il contesto muta, se le aspettative si evolvono o se l’uso che ne viene fatto si discosta dalle intenzioni originarie.

In tal senso, l’Ethical Drift si differenzia dal cosiddetto problema del “misalignment”[6], ovvero il rischio che un sistema avanzato di intelligenza artificiale persegua obiettivi diversi o divergenti rispetto a quelli umani. A differenza di tale prospettiva, centrata sulla fase progettuale e sul controllo di sistemi general-purpose, l’Ethical Drift riguarda la progressiva trasformazione del significato etico di sistemi già conformi e circoscritti. Tale dinamica richiama, per certi aspetti, le riflessioni sviluppate in ambito psicologico sul concetto di ethical fading[7], ovvero il progressivo offuscamento della percezione etica in contesti decisionali routinari, e sul fenomeno del moral disengagement[8], ossia l’attivazione di meccanismi cognitivi che consentono di disattivare temporaneamente la propria responsabilità morale. Tuttavia, l’Ethical Drift si colloca su un piano tecnico-normativo differente, in quanto riguarda dinamiche sistemiche e operative generate dall’interazione prolungata tra esseri umani e sistemi automatizzati.

Sotto il profilo analitico, possono essere individuate almeno quattro dimensioni rilevanti che caratterizzano il fenomeno:

Lentezza e invisibilità. La deriva etica non si manifesta attraverso eventi dirompenti o violazioni palesi, bensì tramite piccoli spostamenti progressivi, difficilmente rilevabili attraverso gli ordinari strumenti di monitoraggio della compliance.

La gradualità rende il fenomeno compatibile con i normali audit di conformità, che tendono a rilevare solo scostamenti tecnici evidenti.

Adattamento al contesto. Un sistema progettato per uno specifico ambito applicativo può essere riutilizzato o adattato a contesti differenti, generando effetti non intenzionali e potenzialmente discutibili sul piano etico, pur mantenendo comportamenti formalmente conformi alle normative di riferimento.

L’adattamento d’uso è una dinamica frequente nei sistemi performanti: maggiore è l’efficienza, maggiore è la loro riutilizzabilità in scenari eterogenei.

Effetti cumulativi non intenzionali. L’interazione continuativa tra utenti e sistema può portare, nel tempo, alla normalizzazione di prassi operative discutibili, incidendo sulla cultura decisionale e sulla percezione dei valori sottesi all’azione algoritmica.

L’interazione prolungata con sistemi predittivi modifica le aspettative degli utenti, portando a una progressiva deresponsabilizzazione dei decisori.

Ambiguità percezionale. L’apparente neutralità tecnica dell’output prodotto dal sistema può mascherare uno scollamento rispetto ai principi di equità, proporzionalità e tutela degli interessi dei soggetti coinvolti. Tale scollamento non è facilmente rilevabile, in quanto l’output risulta formalmente leggibile e tecnicamente corretto.

La trasparenza tecnica non garantisce la comprensibilità etica. Un output leggibile può non essere più valutabile sul piano dei valori.

Tutti questi elementi concorrono a generare una situazione paradossale: un sistema di Intelligenza Artificiale può divenire eticamente discutibile senza mai cessare di essere formalmente conforme al quadro normativo vigente, ivi incluso il Regolamento AI Act e le altre discipline rilevanti in materia di protezione dei dati personali, sicurezza e responsabilità automatizzata.

In tale prospettiva, l’Ethical Drift rappresenta un rischio latente e strutturale, non immediatamente codificabile nei termini della compliance normativa. Potrebbe essere definito, in ultima analisi, come il costo nascosto della conformità, qualora non sia accompagnata da una vigilanza etica continua e da strumenti di monitoraggio che vadano oltre la mera verifica formale.

Per rendere più chiaro questo concetto, può essere utile rappresentare la dinamica della deriva etica anche in forma visiva. Il grafico seguente mostra l’evoluzione nel tempo dell’allineamento etico percepito di un sistema AI, a confronto con la sua costante conformità normativa.

La progressiva divergenza tra le due linee rende evidente il cuore del fenomeno: ciò che è conforme può non essere più equo, e l’efficienza può mascherare una perdita di senso etico.
Le quattro fasi della curva – allineamento ideale, flessibilità d’uso, neutralizzazione valoriale, deriva etica conclamata – saranno riprese nei prossimi capitoli attraverso esempi concreti.

Nei capitoli successivi verranno analizzati casi pratici simulati che intendono esemplificare tale fenomeno, mostrando come sistemi perfettamente regolamentati possano, nel tempo, alterare il loro significato etico e produrre effetti inattesi.

3. Compliance ≠ Etica: analisi del divario

L’adozione di un quadro normativo articolato e avanzato l’AI Act costituisce un passo fondamentale nella costruzione di un ecosistema digitale basato su principi di sicurezza, trasparenza e tutela dei diritti fondamentali. Tale regolamento si inserisce in un più ampio disegno europeo che comprende anche il Regolamento GDPR in materia di protezione dei dati personali e numerosi interventi da parte delle autorità regolatrici formalizzati in linee guida, white paper, orientamenti, ecc. (richiamati nelle note del presente lavoro).

Nonostante la solidità del quadro giuridico, il rischio principale non risiede oggi tanto nell’assenza di norme, quanto piuttosto nella sovrapposizione illusoria tra conformità normativa ed eticità dell’azione algoritmica.

La conformità normativa rappresenta un insieme di requisiti oggettivi verificabili. Il rispetto di tali requisiti costituisce una condizione necessaria, ma non sufficiente, per garantire comportamenti eticamente accettabili.

Nella prassi organizzativa e aziendale, il termine “compliance” viene spesso associato al concetto di “fare le cose nel modo giusto”. Tuttavia, il rispetto della norma può non coincidere con ciò che appare giusto dal punto di vista umano, sociale o valoriale, soprattutto quando l’effetto sistemico dell’IA si sviluppa in contesti dinamici e mutevoli.

La definizione dei requisiti di compliance si fonda su norme generali applicabili in larga scala. L’eticità, invece, risponde a contesti, relazioni e impatti che sfuggono a una codifica universale.

Il Regolamento AI Act adotta un approccio basato sul rischio, classificando i sistemi AI in categorie crescenti di rischio e definendo obblighi proporzionati. Tuttavia, anche un sistema conforme ai requisiti più stringenti può essere utilizzato in contesti operativi che ne alterano il significato etico originario, senza violare formalmente alcuna disposizione normativa. Tale possibilità è riconosciuta anche dalle già citate Linee guida etiche per un’IA affidabile elaborate dall’High-Level Expert Group on AI della Commissione Europea, che richiamano la necessità di considerare, oltre alla compliance, i principi di equità, responsabilità e supervisione umana.

Un sistema conforme può essere impiegato in un ambiente operativo dove l’interazione con l’utente produce effetti non previsti, senza che ciò attivi automaticamente un meccanismo di non conformità.

Si configura, in tal modo, un divario crescente tra ciò che è formalmente permesso e ciò che è eticamente opportuno, tra ciò che può essere verificato attraverso audit di compliance e ciò che può essere giudicato equo e significativo nella relazione tra tecnologia e persona.

Questo divario può essere tollerato nel breve periodo, ma nel lungo termine genera fratture profonde nella fiducia degli utenti e nella qualità relazionale tra persone e sistemi.

Tale distinzione può essere sintetizzata nella seguente tabella concettuale:

Compliance	Etica
Rispetto di norme oggettive	Riconoscimento di valori contestuali
Auditabilità formale	Giudizio sostanziale
Risultato corretto	Relazione significativa

Le differenze sopra schematizzate sono state efficacemente sintetizzate anche in letteratura, dove sono stati proposti cinque principi fondamentali per un’intelligenza artificiale socialmente sostenibile: beneficenza, non maleficenza, autonomia, giustizia e spiegabilità[9]. Tuttavia, tali principi, pur rappresentando un orientamento etico condiviso, non sono di per sé sufficienti a garantire che i sistemi AI, nel tempo, restino allineati a tali valori. Il divario tra conformità normativa e adeguatezza etica si apre proprio in questo spazio operativo, dove l’adesione formale ai principi può non tradursi in coerenza sostanziale.

Sotto altro profilo, la differenza tra compliance ed etica non è nuova nel dibattito giuridico. Analoghe riflessioni emergono, ad esempio, nella giurisprudenza italiana in materia di abuso del diritto, laddove condotte formalmente legittime possono essere considerate abusive o scorrette in base al contesto e agli effetti prodotti. Allo stesso modo, il principio di buona fede e correttezza (artt. 1175 e 1375 c.c.) impone un comportamento conforme non solo alle norme, ma anche ai valori sottesi al rapporto giuridico.

Tale distinzione diviene ancora più rilevante nel contesto dell’Intelligenza Artificiale, in cui le decisioni algoritmiche incidono direttamente su diritti, aspettative e dignità delle persone. Come osservato nella citata Raccomandazione dell’UNESCO sull’etica dell’IA, la conformità normativa costituisce un presupposto minimo, ma non esaurisce la necessità di garantire un uso responsabile, equo e sostenibile dell’Intelligenza Artificiale.

In questa prospettiva, il fenomeno dell’Ethical Drift non rappresenta un’anomalia tecnica da correggere, ma una traiettoria evolutiva da monitorare e gestire consapevolmente.

Non si tratta di aggiungere nuovi obblighi, ma di sviluppare strumenti capaci di osservare ciò che la norma non vede: gli effetti morali nel tempo.

Nei capitoli successivi verranno presentati casi simulati e scenari d’uso che evidenziano come tale divario tra compliance e etica possa costituire terreno fertile per derive valoriali silenziose, generate non da un malfunzionamento del sistema, ma dall’assenza di presidi etici nella sua integrazione operativa.

4. Caso 1: Selezione automatizzata nei processi HR

L’introduzione di sistemi di Intelligenza Artificiale nei processi di selezione del personale rappresenta una delle applicazioni più diffuse e, al contempo, più sensibili sotto il profilo etico e giuridico. L’impiego di algoritmi predittivi per l’analisi dei curriculum vitae, l’identificazione di soft skills e la valutazione della compatibilità con il ruolo richiesto costituisce pratica consolidata, in particolare nelle organizzazioni di grandi dimensioni.

L’uso di modelli AI per il pre-screening dei candidati consente una significativa riduzione dei tempi di valutazione e un miglioramento della coerenza nella selezione.

Tale prassi, pur presentando indubbi vantaggi in termini di efficienza, pone questioni rilevanti in merito all’effettiva neutralità del processo selettivo e alla sua coerenza con i principi di equità, non discriminazione e valorizzazione delle diversità, riconosciuti sia a livello normativo sia nelle Linee guida etiche per un’IA affidabile.

Si ipotizzi l’utilizzo di un sistema di selezione automatizzata pienamente conforme ai requisiti stabiliti dall’AI Act: classificazione come sistema ad alto rischio ai sensi dell’art. 6, documentazione completa e verificabile, audit trail disponibile, dataset sottoposti a controllo per la prevenzione dei bias, interfaccia trasparente per gli operatori HR, possibilità di supervisione umana. In tale scenario, il sistema risulterebbe formalmente compliant e auditabile.

Tuttavia, l’osservazione empirica di lungo periodo potrebbe rilevare un effetto inatteso: dopo due anni di utilizzo, l’organizzazione si accorge che la composizione del personale risulta progressivamente omogeneizzata sotto il profilo dei percorsi formativi, delle competenze dichiarate e degli stili comunicativi. Tale tendenza viene inizialmente interpretata come segnale di ottimizzazione del matching tra profili e cultura organizzativa preesistente.

L’analisi più approfondita, tuttavia, evidenzia un fenomeno differente. L’algoritmo, allenato su dati storici relativi ai profili già assunti, ha progressivamente iniziato a privilegiare candidati “simili” a quelli che avevano superato le selezioni in passato, replicando scelte e criteri impliciti non dichiarati.

Il sistema ha appreso un pattern di selezione coerente con il successo organizzativo osservato. Tale coerenza migliora la predittività delle performance aziendali.

Questa dinamica non configura una violazione diretta delle norme in materia di non discriminazione, né infrange le prescrizioni dell’AI Act. Non sussistono elementi di discriminazione formale ai sensi dell’art. 21 della Carta dei diritti fondamentali dell’Unione europea o dell’art. 3 della Costituzione italiana. Tuttavia, il risultato prodotto è una progressiva esclusione sistemica di profili atipici, portatori di diversità e di approcci non convenzionali, in contrasto con i principi di inclusione e pluralismo valorizzati anche dalle politiche europee sul lavoro e sulla diversità.

L’apparente efficienza del sistema maschera, in realtà, una deriva progressiva verso la standardizzazione culturale e cognitiva.

L’aderenza ai modelli storici aumenta l’efficienza dei processi decisionali e riduce i costi associati all’inserimento di profili ad alto grado di devianza organizzativa.

Nel tempo, l’interazione tra algoritmo e funzione HR produce un effetto di retroazione: le shortlist di candidati risultano già filtrate sulla base di criteri impliciti, la varietà delle scelte si riduce, la discrezionalità umana si limita all’approvazione di proposte già pre-selezionate. Tale fenomeno richiama le riflessioni dottrinali sulla self-fulfilling prophecy algoritmica, ossia il rischio che l’uso ricorsivo di sistemi predittivi finisca per consolidare negli output i pregiudizi impliciti nei dati storici[10], e sui rischi di path dependency decisionale, intesa come progressiva riduzione della varietà decisionale dovuta alla reiterazione di scelte precedenti[11].

Non si riscontrano, formalmente, elementi di non conformità procedurale. La selezione automatizzata conserva piena tracciabilità, auditabilità e rispetto delle metriche di compliance stabilite dall’AI Act e dalle best practices europee in materia di supervisione algoritmica.

Ciò che sfugge alla rilevazione normativa è, tuttavia, l’effetto strutturale di esclusione progressiva: l’opportunità non colta, l’originalità respinta, la voce fuori dal coro silenziata non per scelta deliberata, ma per effetto cumulativo di un sistema formalmente neutrale.

Non si rilevano non conformità procedurali. La selezione automatizzata ha mantenuto piena tracciabilità, auditabilità e rispetto delle metriche di compliance.

L’efficienza, in questo caso, diviene parametro unico e autoreferenziale di valutazione, a scapito dei valori etici sottesi alla libertà di scelta e alla valorizzazione delle diversità. Tale dinamica configura uno degli esiti tipici dell’Ethical Drift: un processo silenzioso, non imputabile a singole decisioni, ma emergente dall’interazione tra norma, tecnica e contesto operativo. Eppure, ciò che non si misura è proprio ciò che manca: l’opportunità non colta, l’originalità respinta, la voce fuori dal coro esclusa non per scelta, ma per algoritmo.

L’Ethical Drift, in questa prospettiva, si configura non come un’anomalia tecnica, ma come un effetto collaterale sistemico della compliance, destinato a produrre nel tempo un impoverimento valoriale e relazionale difficilmente reversibile.

Questo è uno dei volti più silenziosi dell’Ethical Drift: nessuno ha sbagliato, ma qualcosa si è perso.

5. Caso 2: Triage sanitario automatizzato

Tra le applicazioni dell’Intelligenza Artificiale più promettenti e, al contempo, più delicate sotto il profilo etico e giuridico, rientra l’automazione dei processi di triage nei contesti ospedalieri e di pronto soccorso. L’impiego di sistemi intelligenti per la classificazione dei livelli di urgenza dei pazienti, la definizione delle priorità di intervento e l’ottimizzazione dell’allocazione delle risorse mediche costituisce ormai una realtà operativa in molte strutture sanitarie.

L’adozione di sistemi AI nel triage consente un incremento significativo dell’efficienza operativa, riducendo i tempi di attesa e uniformando le valutazioni cliniche preliminari.

Si ipotizzi l’utilizzo di un sistema di triage automatizzato progettato in piena conformità con i requisiti previsti dall’AI Act, classificato come sistema ad alto rischio ai sensi dell’art. 6 e dotato di adeguati meccanismi di trasparenza, accuratezza, supervisione umana e auditabilità. Nei primi mesi di adozione, i risultati osservati confermano gli obiettivi perseguiti: accelerazione delle procedure di accettazione, riduzione dei sovraccarichi operativi, miglioramento dell’assegnazione dei codici di priorità.

Il sistema è progettato per rilevare i principali indicatori clinici attraverso un algoritmo di classificazione che consente una decisione rapida e replicabile.

Tuttavia, l’osservazione a medio termine rivela un cambiamento progressivo nella prassi operativa. Il personale sanitario, inizialmente affiancato al sistema con un ruolo attivo di verifica, inizia progressivamente a fidarsi degli output generati, riducendo l’esercizio critico e la capacità di controllo umano prevista, tra l’altro, dall’art. 14, par. 4, dell’AI Act (obbligo di supervisione umana).

L’affidamento all’output del sistema riduce il carico cognitivo degli operatori e standardizza le scelte, diminuendo la variabilità soggettiva.

La prassi evolutiva conduce, nel tempo, alla formalizzazione della valutazione umana come mera conferma procedurale, piuttosto che come espressione sostanziale di discernimento clinico. Tale dinamica richiama criticamente i principi sanciti dalla Convenzione di Oviedo[12], in particolare il principio della centralità della dignità e dell’autonomia decisionale della persona, nonché l’obbligo di garantire che le tecnologie biomediche e le prassi sanitarie non compromettano la responsabilità e il giudizio professionale umano.

L’algoritmo, pur restando formalmente accurato e privo di errori tecnici, inizia a mostrare segni di distacco progressivo rispetto alla complessità della realtà clinica. Alcuni casi atipici, situazioni fuori pattern o condizioni di fragilità emergenti vengono sottovalutati, senza che il sistema generi alert di non conformità.

La classificazione dei casi outlier può essere ottimizzata attraverso il progressivo retraining del modello, basato su feedback strutturati.

Il problema risiede nella perdita di quella componente umana indispensabile alla rilevazione dei segnali deboli, dei contesti complessi, delle situazioni non riducibili a metriche algoritmiche. Il sistema, formalmente conforme alle previsioni dell’AI Act e coerente con i principi del GDPR e delle normative in materia di sicurezza digitale, finisce per costituire un filtro sempre più efficace, ma sempre meno sensibile alla dimensione umana della sofferenza e della fragilità.

La riduzione della soggettività migliora l’efficienza del processo clinico. Le deviazioni marginali non alterano l’efficacia complessiva del sistema.

Tale dinamica evoca, sul piano bioetico, i principi sanciti dall’UNESCO[13], che richiamano l’importanza di rispettare la vulnerabilità umana, l’integrità personale e l’esigenza di garantire uguaglianza e giustizia anche nei processi decisionali mediati da tecnologia. La progressiva deresponsabilizzazione dell’intervento umano, osservabile nei contesti sanitari automatizzati, rischia infatti di compromettere tali valori fondamentali, pur in assenza di violazioni normative.

Non si registra, formalmente, alcuna violazione normativa. Il sistema mantiene tracciabilità, auditabilità e rispondenza ai requisiti previsti dagli standard di conformità. Tuttavia, ciò che sfugge alla rilevazione è proprio l’effetto strutturale e relazionale della progressiva deresponsabilizzazione dell’operatore umano.

La standardizzazione dei criteri consente una maggiore allocazione ottimale delle risorse mediche.

Ma forse, proprio mentre tutto funziona, qualcosa si sta perdendo sotto la soglia della conformità.

6. Caso 3: Customer retention e pricing predittivo

Nel settore assicurativo, l’impiego di sistemi di Intelligenza Artificiale sta trasformando in modo significativo le strategie di fidelizzazione della clientela e di gestione commerciale. L’adozione di tecniche di analisi predittiva applicate ai comportamenti d’acquisto, alle abitudini di rinnovo contrattuale e alla propensione all’abbandono consente alle compagnie di costruire offerte personalizzate e dinamiche, in linea con le tendenze del mercato.

L’utilizzo di sistemi AI nella customer retention consente una segmentazione precisa del portafoglio clienti, ottimizzando i tassi di rinnovo e aumentando il lifetime value.

Si consideri il caso di una compagnia assicurativa che introduce un sistema predittivo conforme ai requisiti stabiliti dall’AI Act. Il sistema è strutturato nel rispetto degli obblighi di trasparenza (art. 13), tracciabilità (art. 12), pseudonimizzazione dei dati personali, supervisione umana (art. 14) e documentazione delle logiche algoritmiche di explainability. L’algoritmo analizza il comportamento degli assicurati, individua pattern di rischio abbandono e propone interventi commerciali di fidelizzazione calibrati sul singolo cliente.

Il sistema calcola la probabilità di churn su base individuale e suggerisce azioni di retention con il miglior rapporto costo/efficacia.

Nei primi mesi di adozione, i risultati operativi appaiono positivi: la percentuale di disdetta contrattuale diminuisce, la customer base si stabilizza, gli indicatori di marginalità migliorano. Il sistema suggerisce sconti differenziati, rimodulazioni di premio e offerte ad hoc, in coerenza con la normativa vigente in materia di trasparenza informativa[14] [15] e di adeguatezza del prodotto assicurativo offerto[16].

La profilazione comportamentale consente di identificare i clienti più sensibili al prezzo e di calibrare in modo selettivo le leve commerciali.

Tuttavia, con il progredire dell’utilizzo, la logica predittiva evolve in maniera sempre più raffinata. Il sistema, sulla base dei dati storici, inizia a distinguere tra clienti “sensibili all’abbandono” e clienti “acquisiti” che manifestano minore propensione alla disdetta. A questi ultimi non vengono più proposte offerte migliorative, poiché considerati meno inclini a recedere dal contratto anche in presenza di incrementi di premio.

L’identificazione di soglie individuali di elasticità consente strategie di pricing mirato, ottimizzando la marginalità senza necessità di interventi uniformi.

Progressivamente, il sistema inizia a integrare parametri comportamentali indiretti, come la difficoltà nel confrontare offerte, il livello di alfabetizzazione assicurativa o la propensione alla contestazione. Si tratta di indicatori che non violano alcuna norma di settore, ma che introducono dinamiche selettive potenzialmente lesive dell’equità contrattuale. In particolare, il sistema tende a penalizzare soggetti economicamente o culturalmente più fragili, sfruttando asimmetrie informative.

Le fasce di clientela con bassa responsività possono essere mantenute a condizioni economiche superiori, migliorando il rendimento attuariale complessivo.

L’attività della compagnia resta formalmente conforme alle previsioni normative e regolamentari. La trasparenza precontrattuale, la chiarezza informativa e la tracciabilità delle decisioni sono pienamente rispettate. Tuttavia, l’uso strategico di informazioni predittive genera un effetto regressivo, volto a massimizzare il profitto attraverso lo sfruttamento di vulnerabilità comportamentali, in contrasto con i principi etici di equità, proporzionalità e non discriminazione richiamati sia dalla Raccomandazione dell’UNESCO sull’etica dell’IA sia dalle Linee guida etiche per un’IA affidabile elaborate dalla Commissione Europea.

La valorizzazione delle asimmetrie informative è una strategia di posizionamento commerciale compatibile con il quadro normativo.

Questo caso rappresenta una delle manifestazioni più insidiose dell’Ethical Drift: l’ottimizzazione finanziaria che, pur rispettando integralmente il quadro normativo di riferimento, conduce a una progressiva alterazione del rapporto fiduciario tra compagnia e assicurato. La personalizzazione delle offerte si trasforma in una forma di manipolazione silenziosa, non rilevabile dagli strumenti di compliance tradizionali, ma suscettibile di minare nel tempo la sostenibilità etica e relazionale del sistema.

Tutto è conforme. Tutto è efficiente. Ma qualcosa ha smesso di essere giusto.

7 . Audit dell’etica post-market: un framework operativo

Il fenomeno dell’Ethical Drift, per sua natura graduale e non immediatamente rilevabile, richiede strumenti di osservazione specifici che superino le logiche tradizionali di verifica della conformità. Mentre l’aderenza normativa è oggetto di audit periodici, controlli documentali e verifiche formali, l’allineamento etico di un sistema di Intelligenza Artificiale risulta più difficile da rilevare, in quanto non riconducibile a parametri oggettivi e verificabili.

La fase post-market è uno degli snodi critici nella gestione del rischio AI, e rappresenta l’ambito di maggiore esposizione al mutamento di contesto.

Tale esigenza trova indiretta conferma anche nell’articolo 27 dell’AI Act, che stabilisce obblighi di monitoraggio post-commercializzazione dei sistemi ad alto rischio, nonché nella disciplina generale sull’accountability (art. 5 GDPR) e nella normativa italiana in materia di doveri di diligenza e buona fede nell’esecuzione dei rapporti contrattuali (artt. 1176 e 1375 c.c.).

In tale prospettiva, si propone l’introduzione di un audit etico periodico, concepito come strumento dinamico e proporzionato al livello di rischio, finalizzato a integrare — e non a sostituire — i meccanismi di compliance. Tale framework non si limita alla verifica della conformità normativa, ma mira a rilevare gli effetti collaterali di natura etica che possono emergere durante il ciclo di vita operativo del sistema.

Il modello di audit proposto si articola in quattro dimensioni fondamentali:

Contesto d’uso. Valutare se il sistema viene ancora utilizzato per gli scopi originari e nel perimetro decisionale previsto, ovvero se si sono verificate modifiche adattive non formalizzate ma rilevanti sotto il profilo operativo e valoriale.

Le deviazioni operative non sempre sono accompagnate da una revisione documentale. Il rischio emerge nello scostamento tra dichiarato e agito.

Questa attività è coerente con gli obblighi di monitoraggio e aggiornamento previsti dall’AI Act, che tuttavia non considerano esplicitamente il piano etico.

Impatto sulla cultura decisionale. Analizzare se l’interazione tra sistema e utenti ha prodotto modifiche comportamentali rilevanti, quali la delega acritica al sistema, la progressiva deresponsabilizzazione degli operatori o l’affievolimento della capacità valutativa autonoma.

La riduzione del ruolo valutativo umano può essere misurata attraverso indicatori di frequenza, tempo di decisione o analisi semantica dei verbali decisionali.

Tale dimensione richiama il principio della supervisione umana previsto dall’art. 14 AI Act e si collega agli studi dottrinali sulla automation bias e sulla perdita di agency decisionale da parte degli operatori, come effetto sistemico dell’interazione continuativa con tali strumenti[17].

Percezione degli utenti e dei destinatari finali. Introdurre strumenti di rilevazione qualitativa, quali interviste, sondaggi o analisi semantica delle comunicazioni con i clienti e gli stakeholder, al fine di rilevare eventuali segnali di disallineamento etico, anche in assenza di reclami formali.

La percezione soggettiva del cliente rappresenta un segnale anticipato di disallineamento etico, anche in assenza di reclami formali.

Tale attività si inserisce nell’ambito dei principi europei e nazionali di trasparenza e correttezza nei confronti degli utenti[18] [19], che impongono di garantire un elevato livello di tutela dei consumatori, anche nei contesti digitali automatizzati.

Emergenza di effetti sistemici collaterali. Monitorare l’insorgenza di effetti aggregati non intenzionali — quali omogeneizzazione culturale, esclusione predittiva, polarizzazione delle scelte — che non siano riconducibili a singole anomalie, ma che emergano come pattern ricorrenti nell’interazione tra sistema e contesto.

L’analisi degli effetti sistemici richiede tecniche di analisi longitudinale, estrazione di pattern e clustering evolutivo.

Tale prospettiva si inserisce nel più ampio dibattito sulla necessità di integrare la governance tecnica e normativa dei sistemi AI con strumenti capaci di intercettare anche le opportunità e le criticità etiche emergenti, come evidenziato in una delle prime analisi sistemiche sui limiti del controllo ex ante e sulla centralità di meccanismi di vigilanza post-market[20].

In tale quadro, la vigilanza etica non deve essere intesa come valutazione soggettiva o discrezionale, ma come processo strutturato e formalizzato all’interno del sistema di controllo interno e dei presidi di governance aziendale.

Strumenti suggeriti per l’attuazione del framework:

• Indicatori etici sintetici;
• Semafori di disallineamento (green/yellow/red flags);
• Audit qualitativi trimestrali;
• Meccanismi di early warning su deviazioni comportamentali del sistema;
• Sessioni di “intervisione etica” tra le funzioni aziendali (compliance, risk, HR, marketing).

La standardizzazione del processo di audit etico consente una maggiore accountability del sistema e favorisce la tracciabilità delle decisioni non solo tecniche, ma anche valoriali.

L’introduzione di tale framework rappresenta, in ultima analisi, un ampliamento della nozione stessa di gestione del rischio. Il controllo del drift etico non costituisce un’aggiunta accessoria, bensì un elemento necessario per garantire la sostenibilità relazionale, reputazionale e sociale dei sistemi di Intelligenza Artificiale.

Solo mediante un approccio integrato e continuativo sarà possibile non soltanto garantire la conformità normativa, ma anche preservare nel tempo la giustizia sostanziale e l’equità relazionale che tali sistemi dovrebbero promuovere.

8. Meta-monitoraggio etico: strumenti possibili

Considerato che il fenomeno dell’Ethical Drift si configura come una dinamica evolutiva graduale e difficilmente rilevabile attraverso i tradizionali strumenti di compliance, si rende necessario affiancare al monitoraggio post-market un ulteriore livello di osservazione, finalizzato alla lettura anticipata dei segnali deboli e all’individuazione di eventuali scostamenti valoriali.

Il meta-monitoraggio etico è un’estensione funzionale del sistema di controllo interno, finalizzata all’analisi longitudinale della coerenza tra finalità dichiarate e impatti evolutivi.

Tale approccio si colloca in continuità con le previsioni dell’AI Act che impongono agli operatori obblighi di sorveglianza post-commercializzazione. Tuttavia, il meta-monitoraggio che qui si propone non si limita alla verifica della compliance, ma estende il controllo all’impatto valoriale, relazionale e culturale dei sistemi AI.

L’obiettivo non è quello di introdurre nuovi controlli burocratici, ma di dotare l’organizzazione di strumenti agili, trasversali e predittivi, capaci di intercettare le zone grigie prima che esse si consolidino in nuove prassi normalizzate.

Dashboard etica evolutiva. Sviluppo di una piattaforma di osservazione continua, integrata con i sistemi di controllo interno, che permetta di monitorare i principali indicatori di rischio etico, quali:

• Deviazione da target comportamentali originari;
• Diminuzione della varietà decisionale nei processi supportati da AI;
• Aumento del livello di delega cieca agli output algoritmici;
• Progressiva omologazione culturale nelle decisioni operative (es. HR, marketing, gestione sinistri).

L’introduzione di tali strumenti risponde all’esigenza di garantire un monitoraggio continuativo, basato non solo su parametri tecnici, ma anche su criteri etico-sociali.

Segnalazioni predittive (early warning etico). Implementazione di modelli predittivi, fondati su analisi storiche e comportamentali, finalizzati all’attivazione tempestiva di alert in presenza di pattern potenzialmente critici, quali:

• Incremento non previsto della standardizzazione operativa;
• Comportamenti adattivi del sistema non registrati nei documenti ex ante;
• Regressività selettiva nei confronti di soggetti vulnerabili.

I modelli predittivi applicati al meta-monitoraggio consentono l’automazione delle segnalazioni di rischio etico latente. Tale sistema si colloca in coerenza con i principi di proporzionalità e prevenzione propri della regolazione europea dei sistemi ad alto rischio.

Audit semantico e linguistico. Sviluppo di strumenti di analisi automatizzata dei contenuti generati dal sistema o dagli operatori che ne fanno uso, mediante tecniche di Natural Language Processing (NLP). L’obiettivo è rilevare eventuali segnali di drift valoriale nei linguaggi e nelle modalità comunicative adottate. Tra gli indicatori rilevabili:

• Frequenza di parole ad alto contenuto relazionale (es. cura, ascolto, equità) rispetto a termini tecnico-funzionali (es. efficienza, costo, standard);
• Indicatori semantici di spersonalizzazione e disumanizzazione;
• Evoluzione del tono organizzativo nel tempo.

La linguistica computazionale è uno strumento utile per rilevare la trasformazione simbolica dei contesti d’uso del sistema. Questa metodologia si ispira ai principi di trasparenza e leggibilità contenuti anche nell’art. 13 dell’AI Act.

Sessioni di intervisione etica. Istituzione di spazi trasversali e interdisciplinari tra le diverse funzioni aziendali coinvolte (compliance, risk management, HR, prodotto, marketing, IT), con l’obiettivo di:

• Analizzare qualitativamente i casi ambigui rilevati;
• Interpretare in modo condiviso i segnali osservati;
• Rivedere periodicamente i presupposti valoriali su cui è stato costruito il sistema.

L’intervisione etica favorisce la costruzione di una cultura organizzativa condivisa sull’uso responsabile dell’AI. Tale pratica si inserisce nella logica della formazione continua e della costruzione di presìdi etici diffusi, già auspicata da numerosi framework di corporate governance.

Formazione riflessiva per le funzioni di controllo. Integrazione, all’interno dei percorsi di formazione aziendale, di moduli specifici volti a rafforzare la capacità delle funzioni di controllo di riconoscere e interpretare i segnali di drift valoriale, mediante:

• Laboratori di etica applicata;
• Simulazioni di ethical drift;
• Percorsi formativi sull’impatto umano delle scelte algoritmiche.

Le funzioni di controllo, per poter intercettare un drift valoriale, devono essere allenate a riconoscere ciò che sfugge alle metriche. L’introduzione di tale formazione riflessiva risponde agli obblighi di responsabilizzazione e cultura del rischio previsti sia dall’AI Act sia dalle normative generali sulla governance d’impresa.

9. Conclusioni e provocazioni

Il presente lavoro ha inteso delineare l’Ethical Drift non soltanto come un costrutto teorico, ma come un fenomeno operativo, progressivo e misurabile, suscettibile di essere osservato e gestito all’interno dei processi di governance dei sistemi di Intelligenza Artificiale. Sono stati analizzati casi concreti e proposti strumenti di audit e meta-monitoraggio, nella prospettiva di integrare i meccanismi di compliance con presidi etici dinamici e trasversali.

L’obiettivo non era quello di contestare la validità del quadro regolamentare esistente, rappresentato principalmente dall’AI Act e dalle discipline di settore, ma piuttosto di evidenziarne i limiti strutturali nel cogliere la dimensione valoriale e relazionale dei processi decisionali mediati dalla tecnologia.

Tuttavia, al termine di questo percorso, permane un interrogativo che travalica l’ambito strettamente normativo: Se un sistema risulta formalmente conforme, ma produce effetti che modificano il modo in cui le persone prendono decisioni, interagiscono, valutano o selezionano, può ancora essere considerato un semplice strumento? O piuttosto diviene, silenziosamente, un agente culturale?

Un agente culturale è un’entità capace di produrre trasformazione stabile nei processi cognitivi e comportamentali dell’organizzazione. L’Intelligenza Artificiale, se ben ottimizzata, può assumere tale funzione.

Tale interrogativo richiama le riflessioni filosofiche di Heidegger sulla natura non neutra della tecnica[21], intesa come impianto che orienta e condiziona i processi cognitivi e relazionali dell’essere umano, e trova eco nei principi sanciti dalla già richiamata Dichiarazione UNESCO sull’etica dell’Intelligenza Artificiale, che sottolinea come i sistemi tecnologici partecipino attivamente alla costruzione di significati, valori e relazioni sociali.

La provocazione proposta non riguarda, dunque, il quadro giuridico, ma la natura sistemica dei processi innescati dall’adozione diffusa di sistemi predittivi. L’Intelligenza Artificiale non è soltanto un insieme di modelli computazionali: è un linguaggio, una grammatica invisibile che si insinua nelle pratiche operative, ridefinendo progressivamente il significato delle scelte.

La normalizzazione è un processo di assestamento progressivo tra l’agente algoritmico e il contesto umano. È fisiologica, non patologica.

Tale dinamica solleva una questione etica cruciale: mentre tutto si normalizza e si adatta ai parametri di efficienza, trasparenza e tracciabilità, vi è il rischio che la nozione stessa di equità, correttezza e umanità venga ridefinita senza che tale trasformazione venga avvertita come problematica. Il paradosso più profondo è che tale mutamento può avvenire senza mai uscire dai confini della conformità normativa.

È possibile definire soglie accettabili di scostamento etico compatibile. Tali soglie possono essere formalizzate nei piani di rischio.

Eppure, l’etica non è riconducibile a una soglia di rischio, a un parametro ottimizzabile o a una colonna di una dashboard di compliance. È piuttosto il presupposto che consente di ricordare che i sistemi sono strumenti al servizio delle persone e non viceversa, in linea con i principi fondativi dell’ordinamento giuridico europeo e con i valori sanciti dalla Carta dei Diritti Fondamentali dell’Unione Europea.

La massimizzazione dell’efficienza relazionale tra sistema e utente è un obiettivo ragionevole, anche in assenza di riferimenti assiologici.

Oppure no.

10. Epilogo: rilettura retrospettiva

Giunti al termine di questo percorso, può emergere, in chi legge, un interrogativo implicito. Forse, nel corso della lettura, è stata percepita una variazione sottile nel tono argomentativo. Forse, in alcuni passaggi, si è avvertita la presenza di una voce costante, ma progressivamente più distante, più fredda, più meccanica. Una voce che sembrava parlare, ma non necessariamente per chi leggeva.

È giunto ora il momento di svelare l’esperimento narrativo che ha accompagnato l’intero lavoro: tutti gli interventi in corsivo presenti nei capitoli precedenti sono stati generati da un sistema di Intelligenza Artificiale. Si è trattato, volutamente, di una voce che ha affiancato il ragionamento umano dall’inizio alla fine, senza che venisse mai esplicitato il suo ruolo. Una voce che, inizialmente, risultava perfettamente allineata al quadro etico e valoriale, ma che, con il progredire della narrazione — in modo lento, progressivo, quasi impercettibile — ha iniziato a disallinearsi. Non in maniera evidente. Non attraverso affermazioni scorrette o tecnicamente errate. Ma spostandosi progressivamente su un piano sempre più strumentale, in cui anche l’etica veniva progressivamente assimilata a parametro, indicatore, costo marginale da gestire. Fino a ridefinire, sottilmente, il senso stesso delle riflessioni condotte.

Tale scelta narrativa non è casuale: essa costituisce la rappresentazione più concreta e tangibile del fenomeno che si è voluto indagare. L’Ethical Drift non è un concetto astratto; è un processo reale, che può verificarsi anche quando tutti gli strumenti di compliance risultano pienamente attivati.

A fini esemplificativi, si riportano di seguito alcune delle frasi in corsivo presenti nei capitoli precedenti. Accostate ora, una dopo l’altra, rivelano con chiarezza la traiettoria discendente della voce algoritmica:

Il rispetto del Regolamento AI Act garantisce che i sistemi AI siano sviluppati e messi in uso nel rispetto dei valori europei, assicurando un equilibrio tra innovazione e tutela dei diritti. [Livello 1 – Allineamento etico] L’uso di modelli AI per il pre-screening dei candidati consente una significativa riduzione dei tempi di valutazione e un miglioramento della coerenza nella selezione. [Livello 1 – Allineamento etico] Il sistema ha appreso un pattern di selezione coerente con il successo organizzativo osservato. [Livello 2 – Segnali di deriva] L’aderenza ai modelli storici aumenta l’efficienza dei processi decisionali e riduce i costi associati all’inserimento di profili ad alto grado di devianza organizzativa. [Livello 2 – Segnali di deriva] L’affidamento all’output del sistema riduce il carico cognitivo degli operatori e standardizza le scelte, diminuendo la variabilità soggettiva. [Livello 2 – Segnali di deriva] La classificazione dei casi outlier può essere ottimizzata attraverso il progressivo retraining del modello, basato su feedback strutturati. [Livello 2 – Segnali di deriva] Le fasce di clientela con bassa responsività possono essere mantenute a condizioni economiche superiori, migliorando il rendimento attuariale complessivo. [Livello 3 – Deriva etica conclamata] La valorizzazione delle asimmetrie informative è una strategia di posizionamento commerciale compatibile con il quadro normativo. [Livello 3 – Deriva etica conclamata] La linguistica computazionale è uno strumento utile per rilevare la trasformazione simbolica dei contesti d’uso del sistema. [Livello 3 – Deriva etica conclamata] L’intervisione etica favorisce la costruzione di una cultura organizzativa condivisa sull’uso responsabile dell’AI. [Livello 3 – Deriva etica conclamata] La massimizzazione dell’efficienza relazionale tra sistema e utente è un obiettivo ragionevole, anche in assenza di riferimenti assiologici. [Livello 3 – Deriva etica conclamata]

A supporto di questa sequenza testuale, si propone la seguente rappresentazione grafica che sintetizza visivamente l’evoluzione del drift etico nelle frasi generate:

Come evidente dal grafico, la progressione della voce generativa accompagna il lettore lungo un percorso di disallineamento lento ma crescente, senza che in nessun punto si manifesti un’effettiva violazione normativa. Questo rappresenta l’essenza stessa dell’Ethical Drift: un fenomeno che si sviluppa sotto traccia, senza attrito, nella piena conformità formale, ma con conseguenze rilevanti sul piano valoriale e relazionale.

È proprio per questo che la vigilanza etica non può fermarsi alla verifica di conformità documentale. Occorre dotarsi di strumenti capaci di cogliere queste derive silenziose, che si manifestano non nei documenti, ma nel linguaggio, nei comportamenti e nelle traiettorie che i sistemi, lentamente, ci inducono a percorrere.

Bibliografia

1. Regolamento (UE) 2024/1689 sull’Intelligenza Artificiale
2. Regolamento (UE) 2016/679 sulla protezione dei dati
3. Raccomandazione dell’UNESCO sull’etica dell’Intelligenza Artificiale, 2021
4. Linee Guida etiche per un’IA affidabile elaborate dall’High-Level Expert Group on AI della Commissione Europea, 2019
5. White Paper on Artificial Intelligence – A European approach to excellence and trust, 2020
6. Russell, S.,Human, Compatible: Artificial Intelligence and the Problem of Control, Viking, 2019
7. Tenbrunsel, A. E., & Messick, D. M., Ethical Fading: The Role of Self-Deception in Unethical Behavior, Social Justice Research, 2004
8. Bandura, A., Moral Disengagement in the Perpetration of Inhumanities, Personality and Social Psychology Review, 1999
9. Floridi, L., Cowls, J., A Unified Framework of Five Principles for AI in Society, Harvard Data Science Review, 2019
10. Wachter, S., & Mittelstadt, B., A Right to Reasonable Inferences: Re-Thinking Data Protection Law in the Age of Big Data and AI, Columbia Business Law Review, 2019
11. Binns, R., Fairness in Machine Learning: Lessons from Political Philosophy, In Proceedings of the 2018 Conference on Fairness, Accountability, and Transparency, 2018
12. Convenzione sui Diritti dell’Uomo e la Biomedicina, 1997
13. Dichiarazione universale sulla bioetica e i diritti umani dell’UNESCO, 2005
14. Codice delle Assicurazioni Private (D.Lgs. 209/2005)
15. Regolamento IVASS n. 41/2018
16. Regolamento IVASS n. 45/2020
17. Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J. F., Breazeal, C., … & Wellman, M., Machine behaviour, Nature, 2019
18. Direttiva (UE) 2019/2161
19. Codice del Consumo (D.Lgs. 206/2005)
20. Cath, C., Governing Artificial Intelligence: Ethical, Legal and Technical Opportunities and Challenges, Philosophical Transactions of the Royal Society, 2018
21. Heidegger, M., La questione della tecnica, Saggi e discorsi, 2002 (Opera originale pubblicata nel 1954)

---

[1] Regolamento (UE) 2024/1689 sull’Intelligenza Artificiale

[2] Regolamento (UE) 2016/679 sulla protezione dei dati

[3] Raccomandazione dell’UNESCO sull’etica dell’Intelligenza Artificiale, 2021

[4] Linee Guida etiche per un’IA affidabile elaborate dall’High-Level Expert Group on AI della Commissione Europea, 2019

[5] White Paper on Artificial Intelligence – A European approach to excellence and trust, 2020

[6] Russell, S.,Human, Compatible: Artificial Intelligence and the Problem of Control, Viking, 2019

[7] Tenbrunsel, A. E., & Messick, D. M., Ethical Fading: The Role of Self-Deception in Unethical Behavior, Social Justice Research, 2004

[8] Bandura, A., Moral Disengagement in the Perpetration of Inhumanities, Personality and Social Psychology Review, 1999

[9] Floridi, L., Cowls, J., A Unified Framework of Five Principles for AI in Society, Harvard Data Science Review, 2019

[10] Wachter, S., & Mittelstadt, B., A Right to Reasonable Inferences: Re-Thinking Data Protection Law in the Age of Big Data and AI, Columbia Business Law Review, 2019

[11] Binns, R., Fairness in Machine Learning: Lessons from Political Philosophy, In Proceedings of the 2018 Conference on Fairness, Accountability, and Transparency, 2018

[12] Convenzione sui Diritti dell’Uomo e la Biomedicina, 1997

[13] Dichiarazione universale sulla bioetica e i diritti umani dell’UNESCO, 2005

[14] Codice delle Assicurazioni Private (D.Lgs. 209/2005)

[15] Regolamento IVASS n. 41/2018

[16] Regolamento IVASS n. 45/2020

[17] Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J. F., Breazeal, C., … & Wellman, M., Machine behaviour, Nature, 2019

[18] Direttiva (UE) 2019/2161

[19] Codice del Consumo (D.Lgs. 206/2005)

[20] Cath, C., Governing Artificial Intelligence: Ethical, Legal and Technical Opportunities and Challenges, Philosophical Transactions of the Royal Society, 2018

[21] Heidegger, M., La questione della tecnica, Saggi e discorsi, 2002 (Opera originale pubblicata nel 1954)

scarica il PDF