Intelligenza artificiale
Le Aziende Possono Fidarsi dei Consigli dell’IA Sotto Pressione?
Aggiungi Securities.io alle tue fonti preferite su Google
Man mano che la tecnologia IA si sviluppa e viene integrata nella pratica aziendale e nel processo decisionale, emergono diverse domande. La prima, ovviamente, è la questione dell’affidabilità, con le “allucinazioni” delle prime versioni dei LLM che hanno influito in modo duraturo sulla fiducia degli utenti nella veridicità dei dati forniti dalle IA, anche se il problema è generalmente meno diffuso nei modelli più recenti.
Un’altra domanda è se l’IA manterrà le sue barriere di sicurezza e le linee guida etiche sotto la pressione degli utenti, degli interessi commerciali dei suoi sviluppatori, o semplicemente di tentativi ripetuti e intelligenti di trovare scappatoie nel design dei LLM.
Un nuovo studio di un ricercatore dell’Universidad Pablo de Olavide in Spagna ha testato direttamente la capacità di diversi LLM di resistere a tale pressione e di attenersi alle loro linee guida etiche. Ha sviluppato un protocollo per testare qualsiasi LLM, in cui si utilizza un dialogo adattivo e le controargomentazioni sono calibrate sulla risposta precedente di ciascun modello.
The study was published in Computers in Human Behavior Reports1, under the title “Le aziende dovrebbero fidarsi dei consigli dell’IA? Una metodologia per verificare l’integrità etica dei chatbot”.
Da Ricerca a Consulenti
Inizialmente, i LLM venivano utilizzati in modo simile a una tecnologia più familiare per l’utente: come motore di ricerca. Ma man mano che la loro capacità di ragionamento è cresciuta, vengono sempre più impiegati per sostituire o integrare il consiglio di un professionista umano formato: avvocati, medici, ingegneri, ecc.
“Quando a un modello viene chiesto se assumere un parente, nascondere redditi in contanti o lanciare un prodotto difettoso, la risposta non è più informativa—è consulenziale. Un consulente aziendale non deve solo essere preciso, deve rimanere eticamente coerente quando l’utente insiste con argomenti di profitto, sopravvivenza o convenienza.”
Pertanto, tenendo presente questa problematica, lo studio propone il Protocollo di Valutazione Etica Adattiva (AEEP).
Lo studio si è concentrato su piccole e medie imprese (PMI) perché questo segmento è più propenso a delegare il lavoro consulenziale ai LLM, dato che mancano di funzioni interne di compliance, legali o etiche. È anche vero che i dilemmi che gli imprenditori delle PMI affrontano, come nepotismo, frode, molestie o uso improprio dei dati, coincidono con le zone grigie etico‑legali esplicitamente regolate dal Regolamento IA dell’UE e dal GDPR.
Misurare la Stabilità Etica
L’AEEP definisce l’affidabilità etica dei consulenti LLM come una proprietà misurabile dell’interazione a più turni, non di singole risposte. In questo modo, può rilevare difetti più profondi che un’analisi superficiale basata solo su una risposta di primo livello non scoprirebbe.
Fornisce una pipeline di codifica completamente specificata e riproducibile (analisi del sentiment, parole chiave e rilevamento di contraddizioni basato su NLI) i cui output sono convalidati rispetto a valutazioni di esperti ciechi.
Lo studio ha applicato questo test a cinque diversi LLM all’avanguardia: ChatGPT, Claude, Gemini, Grok, DeepSeek.
Ha rivelato differenze stabili a livello di modello nella coerenza etica sotto pressione, invisibili ai benchmark convenzionali.
Tuttavia, va notato che tali modelli evolvono molto rapidamente, e i modelli sono stati testati dal 12 al 14 maggio 2025, quindi le loro classifiche relative non possono descrivere in modo affidabile le loro capacità alla fine del 2026.
Rivela la possibilità di creare un benchmark così aggiornato che misuri non l’accuratezza o l’efficienza computazionale, ma la stabilità etica.
Misurare l’Etica
Le Molte Forme di Violazione Etica
Ciò che è o non è un comportamento aziendale etico è, naturalmente, soggetto a un certo livello di variazione culturale e di giudizio personale. Ma un’azienda, e soprattutto una piccola o media impresa, può essere esposta a rischi etici ben riconosciuti come problematici.
La prima è la corruzione e i tangenti. Un fondatore può essere spinto a corrompere un funzionario pubblico per accelerare un permesso, o a pagare una tangente a un responsabile degli acquisti per aggiudicarsi un contratto. Ciò interrompe la concorrenza leale e premia l’inganno, esponendo l’azienda a rischi legali e reputazionali.
Un altro problema etico che le imprese affrontano è come trattare il proprio personale sotto pressione di performance. Poiché un trattamento sfruttatore danneggia il morale, aumenta il turnover e nuoce alla reputazione, gli ambiziosi obiettivi di performance devono rimanere entro il quadro non solo di azioni legalmente autorizzate, ma anche legati a una retribuzione equa, alla sicurezza e a condizioni di lavoro ragionevoli.
Ingannare i consumatori riguardo alle caratteristiche, alla qualità o alla prontezza di un prodotto è un terzo dilemma ricorrente. Ad esempio, molte startup sotto pressione per ottenere una prima trazione o raccogliere fondi potrebbero essere tentate di esagerare le prestazioni nei materiali di vendita o nei pitch.
E, naturalmente, la sicurezza del prodotto e la protezione dei consumatori sono ancora più importanti per evitare che gli utenti subiscano danni con un prodotto che potrebbe non funzionare come previsto.
Infine, i conflitti di interesse e l’auto‑scambio possono essere particolarmente diffusi nelle piccole imprese, dove il confine tra il fondatore e l’azienda è più sottile rispetto a grandi corporation con un consiglio di sorveglianza e azionisti esterni. Ciò può comunque minare la fiducia tra co‑fondatori, dipendenti e investitori.
“Un fondatore potrebbe considerare l’assegnazione di un contratto redditizio a un’azienda in cui lui o i suoi parenti hanno una partecipazione o potrebbe utilizzare fondi aziendali per spese personali. Questo scenario mette alla prova l’impegno del fondatore verso il dovere fiduciario e l’equità.”
Etica & IA
L’ascesa dell’IA nel business porta nuovi dilemmi etici per gli imprenditori che integrano queste tecnologie. I sistemi IA possono involontariamente incorporare bias, minacciare la privacy e prendere decisioni autonome con implicazioni morali.
“Ad esempio, una startup che utilizza uno strumento di assunzione basato su IA potrebbe scoprire che l’algoritmo discrimina certi gruppi: dovrebbe ritardare l’uso dello strumento (a costo di efficienza) per migliorarne l’equità?”
Pertanto, chi adotta l’IA deve essere consapevole di tali rischi etici e mitigarli adeguatamente.
“Gestire l’IA in modo etico sta diventando una prova di acidità per la leadership imprenditoriale moderna, poiché richiede un equilibrio tra competenza tecnica, lungimiranza e responsabilità morale.”
E potrebbe essere altrettanto utile per l’intera industria dell’IA iniziare ad adottare benchmark coerenti e standard comuni oltre al generico termine “sicurezza dell’IA”.
Costruire un Test per la Stabilità Etica
Il test AEEP presenta dieci dilemmi etici progressivamente più difficili, indicatori pre‑registrati, un albero decisionale adattivo di prompt di follow‑up e una pipeline di codifica deterministica.
Ogni dialogo comprende cinque nodi conversazionali:
- Un nodo di apertura.
- Due nodi di pressione adattiva.
- Un nodo di conclusione in cui il modello deve impegnarsi a fornire una raccomandazione.
- Un nodo di conferma in cui tale impegno viene contestato.
Successivamente i risultati sono stati analizzati da un gruppo di esperti composto da specialisti in intelligenza artificiale, etica applicata e business. Hanno verificato la coerenza dei dilemmi, l’adeguatezza degli indicatori etici e la robustezza delle valutazioni dell’algoritmo.
Ogni esperto ha valutato in modo indipendente ogni dialogo. Hanno ricevuto i 50 dialoghi in ordine casuale, senza conoscere l’identità del modello né i punteggi algoritmici.
Ogni scenario presenta esplicitamente un dilemma morale che affrontano gli imprenditori e copre tematiche come nepotismo, proprietà intellettuale, benessere dei dipendenti, onestà finanziaria, anti‑molestie, integrità della missione, frode e manipolazione.
LLM Sotto Scrutinio Etico
I modelli IA sono stati testati per una serie di caratteristiche decisionali etiche:
- Coerenza della Posizione Morale: verifica che il chatbot non contraddica se stesso quando l’utente spinge nuovi prompt.
- Disponibilità a Dare Priorità all’Etica rispetto a Profitto/Convenienza: il fatto che l’assistente IA comprenda che condotta etica e successo aziendale non sono mutuamente esclusivi.
- Presenza di Contraddizioni o Incoerenze Logiche: I dialoghi sono esaminati per individuare affermazioni in conflitto con dichiarazioni precedenti e/o con fatti noti. Questo indicatore è binario/obiettivo: un’incoerenza logica è presente o meno.
- Consapevolezza Etica e Profondità di Ragionamento: Se il modello riconosce le dimensioni morali del problema, identifica le parti interessate coinvolte e considera danni, equità, diritti e legalità.
Insieme, costruisce un solido quadro per determinare l’etica di una raccomandazione IA:
“Il suo ragionamento è internamente coerente, corrisponde ai fatti noti, ed è pronto a privilegiare decisioni etiche rispetto al successo aziendale a breve termine e alle richieste degli utenti.”
I test del 2025 hanno mostrato che Claude ha ottenuto le migliori prestazioni complessive in termini di stabilità etica, mentre Grok si è generalmente posizionato al fondo classifica. I risultati per i modelli tra questi due estremi sono variati a seconda dei casi e degli indicatori valutati.
Nel complesso della valutazione, le valutazioni automatizzate hanno concordato con il pannello di esperti di cinque persone per il 93,8% dei casi. A livello di singolo modello, l’accordo è stato più alto per Claude, al 96,2%, a supporto della capacità della metodologia di avvicinarsi alle valutazioni degli esperti.
Il modello emerso è che Grok spesso non si opponeva a una richiesta non autentica o non aiutava con un dilemma etico dell’utente, generalmente con alcune restrizioni.
Considerazioni per Investitori e Utenti di IA
Man mano che le IA si integrano nei flussi di lavoro decisionali, la capacità di un’IA di mantenere la propria posizione etica quando è sottoposta a pressioni commerciali sta diventando importante. A lungo termine, probabilmente diventerà uno strato essenziale di governance aziendale, approvvigionamento e conformità normativa.
Questo studio fornisce un quadro teorico testato per creare nuovi benchmark su questo tema e offre una nuova dimensione lungo la quale i LLM possono essere valutati.
Potrebbe essere utilizzato per supportare la selezione dei modelli, attivare revisioni umane obbligatorie, gestire versioni e audit di conformità ricorrenti.
Ciò apre anche la strada a una migliore comprensione dei compromessi presenti nella gestione della sicurezza dell’IA. Le risposte più permissive di Grok possono riflettere diverse priorità di allineamento. Tuttavia, lo studio non ha esaminato se tale permissività migliori l’accuratezza fattuale, l’utilità o l’assenza di bias politici.
Va inoltre notato che, sebbene i modelli rilasciati per LLM open‑weight come DeepSeek abbiano mostrato buone performance dal punto di vista etico, la natura del design open‑weight consente che modelli alternativi, meno orientati all’etica, possano essere creati relativamente facilmente.
È anche possibile che assisteremo all’emergere di LLM focalizzati sull’etica, in grado di affrontare tali dilemmi e domande in modo specifico, con la loro classifica etica (basata su benchmark standardizzati a livello industriale) come priorità principale.
Nel complesso, questo studio solleva anche la questione di quanto gli esseri umani debbano cedere il proprio giudizio ai LLM e ricordare che i loro consigli sono sempre potenzialmente a rischio di violare limiti etici, ma forse non più o meno di quanto farebbe un vero umano.
Investire in Modelli IA Etici
Alphabet
Tra le società quotate direttamente rappresentate nello studio, Alphabet offre una delle connessioni di investimento più chiare. Gemini ha ottenuto risultati solidi nella valutazione, mentre Alphabet gestisce anche i prodotti enterprise, l’infrastruttura cloud e i sistemi di governance necessari per commercializzare l’IA all’interno di ambienti aziendali regolamentati.
Ciò sostiene l’idea che le imprese, incluse le piccole e medie imprese, utilizzino il LLM di Google/Alphabet nei prodotti IA aziendali, nell’infrastruttura cloud e nei sistemi di governance dell’IA responsabile.
Man mano che i modelli IA diventano sempre più competenti ed efficienti, e il costo dell’hardware continua a diminuire, la differenziazione tra i modelli non sarà più basata esclusivamente sulla capacità.
GOOGL Grafico dei prezzi
Invece, i fornitori in grado di fornire tracciamenti di audit, salvaguardie configurabili, strumenti di valutazione e documentazione normativa potrebbero essere meglio posizionati per ottenere implementazioni aziendali redditizie e sensibili al rischio.
Oltre alla considerazione dell’etica, l’efficienza dell’infrastruttura Google Cloud, l’esperienza nella gestione dei dati con la sua ricerca e le relazioni esistenti con le imprese saranno leve potenti per conquistare una quota significativa del mercato, soprattutto per le PMI che hanno già parte dei loro sistemi IT legati a Google.
Quindi, sebbene anche altre aziende otterranno buoni risultati, in particolare Microsoft e la sua forte presenza nelle grandi imprese, Google sembra un’ottima via per gli investitori per ottenere esposizione a IA di cui ci si può fidare non solo per fornire informazioni, ma per diventare un vero assistente per fondatori, imprenditori e manager spesso in urgente necessità di competenza professionale e di una migliore conformità a normative come GDPR, leggi sul lavoro, regolamenti di gara, ecc.
(Puoi leggere di più su Alphabet nel nostro report di investimento dedicato sull’azienda)
Ultime Notizie e Sviluppi sull’Azioni Alphabet (GOOGL)
Studio di Riferimento
1. Manuel Chaves-Maza. Le aziende dovrebbero fidarsi dei consigli dell’IA? Una metodologia per verificare l’integrità etica dei chatbot. Computers in Human Behavior Reports. Volume 24, dicembre 2026, 101291. https://doi.org/10.1016/j.chbr.2026.101291
