L'intelligenza Artificiale nella formazione professionale 

La formazione professionale si trova oggi a un crocevia critico, definito da quella che Schwab (2016) ha definito "Quarta Rivoluzione Industriale", caratterizzata dalla fusione di tecnologie digitali, fisiche e biologiche. Questo nuovo paradigma socioeconomico, guidato da intelligenza artificiale, automazione avanzata, Internet of Things e big data, sta rendendo obsoleti i modelli formativi tradizionali, ereditati da un'epoca di stabilità occupazionale e cicli di innovazione più lenti. Tali modelli, spesso basati su una logica "one-size-fits-all", su programmi curriculari rigidi e su una netta separazione tra momento formativo e applicazione pratica, mostrano tutta la loro inadeguatezza di fronte alla richiesta di agilità, personalizzazione e apprendimento continuo dettata dal mercato contemporaneo.

Il contesto attuale è segnato da una duplice pressione. Da un lato, le organizzazioni affrontano un "skills gap" crescente; secondo il World Economic Forum (2023), entro il 2027, circa un quarto dei lavori a livello globale subirà una trasformazione, con il 44% delle competenze dei lavoratori destinate a esserne toccate. Dall'altro lato, i singoli professionisti sperimentano la necessità di un "reskilling" e "upskilling" perpetui per mantenere la propria occupabilità in un panorama lavorativo in cui le competenze tecniche hanno un ciclo di vita sempre più breve.

In questo scenario di transizione accelerata, l'Intelligenza Artificiale non emerge semplicemente come un nuovo strumento didattico, ma si configura come un infrastruttura abilitante fondamentale per riconciliare le esigenze delle organizzazioni con quelle degli individui. La sua promessa non risiede solo nell'automatizzare processi amministrativi o nel digitalizzare contenuti, ma nel riconfigurare radicalmente la metodologia stessa dell'apprendimento. L'IA introduce la capacità di gestire la complessità su larga scala: di interpretare i bisogni di migliaia di discenti simultaneamente, di tradurre i macro-trend del mercato in micro-percorsi formativi personalizzati e di creare ambienti di pratica sicuri, scalabili e immersivi.

Personalizzazione dell'Apprendimento: Dall'Adattamento all'Iper-Personalizzazione nei Sistemi di IA

Il contributo più significativo e potenzialmente dirompente dell'Intelligenza Artificiale nella formazione professionale risiede nella sua capacità di trascendere definitivamente il modello formativo standardizzato, erogando percorsi di apprendimento iper-personalizzati. Questa evoluzione va ben oltre la semplice "scelta" tra diversi contenuti, rappresentando invece una capacità di adattamento dinamica, sistemica e guidata dai dati che emula i benefici del tutoring one-to-one, ma con la scalabilità dei sistemi digitali

I meccanismi attraverso cui questa personalizzazione si realizza sono molteplici e operano in sinergia:

Sistemi di Tutoring Intelligente (ITS)
I moderni ITS non si limitano a tracciare risposte corrette/errate. Essi costruiscono e aggiornano in tempo reale una rappresentazione computazionale delle sue conoscenze, abilità, metacognizione e, in alcuni casi, stato affettivo.

• Modellazione della Conoscenza: L'algoritmo mappa la rete di conoscenze della persona, identificando nodi concettuali solidi e lacune specifiche. Se un professionista commette errori ricorrenti in operazioni finanziarie avanzate, il sistema può ipotizzare un deficit nella comprensione di principi contabili fondamentali e proporre automaticamente un micromodulo di ripasso su quel preciso argomento, prima di procedere.

• Adattività Dinamica del Percorso: A differenza delle piattaforme di e-learning lineari, gli ITS avanzati sono in grado di modificare dinamicamente il percorso didattico. Sfruttando algoritmi di raccomandazione simili a quelli dei colossi dello streaming, analizzano le interazioni passate per selezionare il formato e la tipologia di contenuto più efficaci per il singolo individuo.

Micro-Apprendimento Adattivo e Just-in-Time
L'IA abilita una personalizzazione che si integra nel flusso di lavoro, spostando l'apprendimento da un evento discreto a un processo continuo.

• Spaced Repetition e Ottimizzazione della Memorizzazione: Sistemi basati su IA implementano algoritmi di "spaced repetition" (ripetizione dilazionata) per ottimizzare la memorizzazione a lungo termine. L'algoritmo calcola il momento ottimale in cui una certa informazione è a rischio di essere dimenticata e propone brevi esercizi di richiamo, massimizzando l'efficienza dello studio (Kang, 2016).

• Learning Just-in-Time: In un contesto professionale, un ingegnere che deve configurare un nuovo software può ricevere, direttamente nell'interfaccia di lavoro, brevi pillole formative contestuali e iper-rilevanti, generate o selezionate dall'IA in base al compito che sta svolgendo. Questo trasforma la formazione da un'attività estranea a un supporto integrato alla produttività.

Analisi dello Stile di Apprendimento e degli Stati Affettivi
La personalizzazione più avanzata inizia a considerare dimensioni non solo cognitive.

• Stili di Apprendimento: L'IA può capire le preferenze interattive di un utente attraverso l'analisi dei suoi dati comportamentali. Se una persona salta sistematicamente i video introduttivi e si immerge direttamente nelle simulazioni interattive, il sistema può dedurre una preferenza per quella modalità di apprendimento e privilegiare quel formato.

• Rilevamento di Affetto e Impegno: Tramite l'analisi del linguaggio naturale nei forum di discussione, dei tempi di risposta o, in ambienti più controllati, dell'analisi delle espressioni facciali tramite webcam, l'IA può stimare stati di frustrazione, noia o confusione. Rilevando un picco di frustrazione in un modulo, il sistema può intervenire proponendo una pausa, un approccio alternativo alla stessa materia o l'accesso immediato a un tutor umano, prevenendo così l'abbandono.

Implicazioni e Limiti della Personalizzazione Spinta
Questa iper-personalizzazione promette di aumentare drasticamente l'efficienza e l'efficacia dell'apprendimento, riducendo i tempi e aumentando la motivazione interna. Tuttavia, solleva anche interrogativi pedagogici cruciali. Un percorso eccessivamente personalizzato rischia di creare una "bolla”, in cui la persona è raramente esposta a punti di vista alternativi o a metodi di apprendimento che potrebbero potenzialmente sviluppare nuove abilità cognitive. Inoltre, il rischio è che si finisca per adattare il sistema allo stile della persona, piuttosto che aiutarlo a sviluppare flessibilità e capacità di adattarsi a nuovi stili. La sfida per i progettisti didattici è quindi bilanciare l'adattamento ai bisogni individuali con la necessità di promuovere una crescita cognitiva e professionale completa e versatile.

Apprendimento Esperienziale e Simulazioni Potenziate dall'IA: Oltre la Teoria verso un'Acquisizione Contestualizzata delle Competenze

Se la personalizzazione risponde all'esigenza di percorsi individualizzati, il potenziamento dell'apprendimento esperienziale attraverso l'IA affronta la sfida fondamentale di colmare il divario tra conoscenza dichiarativa (sapere cosa) e conoscenza procedurale (sapere come). La formazione professionale, per sua natura, richiede non solo comprensione ma anche applicazione pratica in contesti realistici. L'IA sta trasformando questo dominio, evolvendo le simulazioni da ambienti statici e programmati a ecosistemi dinamici, adattivi e capaci di fornire un feedback contestuale di qualità paragonabile a quello di un esperto umano. 

Apprendimento per Scoperta e Sistemi di Supporto alle Decisioni
L'IA permette di implementare metodologie pedagogiche avanzate come l'apprendimento per scoperta in ambienti sicuri.

• Sandbox per l'Esplorazione: In campi come la finanza o la logistica, l'IA può alimentare "sandbox" simulate in cui i discenti possono sperimentare strategie, osservandone le conseguenze in un mercato virtuale o in una supply chain complessa. L'algoritmo modella il comportamento del sistema in risposta alle decisioni dell'utente, permettendo di apprendere attraverso il trial and error senza alcun costo reale.

• Sistemi di Supporto Cognitivo in Tempo Reale: Durante una simulazione, l'IA può anche fungere da "copilota" intelligente. Per un meccanico in formazione, un sistema di AR con IA potrebbe sovrapporre all'apparecchiatura reale delle istruzioni di smontaggio, ma anche riconoscere un componente usurato e suggerire di controllarlo, agendo come una memoria esterna e una guida contestuale. Questo non sostituisce la competenza, ma la potenzia, accelerando la curva di apprendimento.

Implicazioni e Valore Aggiunto
L'integrazione dell'IA nell'apprendimento esperienziale rappresenta un salto di qualità fondamentale. Essa consente:

1. Scalabilità dell'Esperienza: Fornisce un'esperienza pratica di alta qualità a un numero illimitato di discenti, indipendentemente dalla disponibilità di macchinari fisici, istruttori o location specifiche.

2. Standardizzazione della Valutazione: Fornisce una misurazione oggettiva e standardizzata delle competenze pratiche.

3. Promozione della Sicurezza: Permette di addestrarsi in totale sicurezza, sia per la persona, sia che per terzi.

Analisi Predittiva e Gestione Proattiva dei Talenti

Mentre la personalizzazione e le simulazioni ottimizzano il processo di apprendimento, l'analisi predittiva guidata dall'Intelligenza Artificiale sposta il valore della formazione professionale da una funzione di supporto, spesso reattiva, a un asset strategico e proattivo per l'organizzazione. Questo rappresenta un cambio di paradigma: dall'addestrare le persone per le esigenze attuali allo sviluppare sistematicamente le competenze per le esigenze future. L'IA, in questo contesto, è in grado di analizzare grandi volumi di dati per identificare pattern, prevedere trend e prescrivere interventi.

Identificazione Predittiva dei Gap di Competenze e Pianificazione Strategica
La capacità di anticipare i fabbisogni formativi è forse il contributo più strategico dell'IA.

• Analisi Multi-Sorgente dei Dati: I modelli predittivi non si nutrono solo di dati formativi interni. Essi integrano e correlano informazioni eterogenee provenienti da:

  • Dati di Performance Aziendale: Obiettivi di reparto, metriche di produttività, risultati di progetti.

  • Dati del Mercato del Lavoro: Analisi in tempo reale degli annunci di lavoro, report di settore (es. World Economic Forum, Gartner) e database di competenze globali (es. LinkedIn, Lightcast).

  • Dati Tecnologici: Tassi di adozione di nuove tecnologie, roadmap dei fornitori.

  • Dati Interni delle Competenze: Skill, risultati delle valutazioni, percorsi di carriera.
    
    
    

Prevenzione dell'Abbandono dell’Attività Formativa
L'IA applica modelli di "early warning" simili a quelli utilizzati in altri campi per identificare i casi a rischio.

• Indicatori Predittivi di Rischio: I modelli analizzano una costellazione di indicatori comportamentali che spesso precedono l'abbandono o il fallimento:

  • Metriche di Impegno: Frequenza di accesso, tempo di permanenza, diminuzione dell'attività nei forum, mancato completamento di attività obbligatorie.

  • Metriche di Performance: Pattern di errore ricorrenti, rapido declino nei punteggi dei quiz, difficoltà concentrate in specifici micro-concetti.

  • Metriche Sociali: Scarsa interazione con colleghi o tutor, tono negativo o frustrato nelle comunicazioni.
    Identificando questi pattern, il sistema può innescare interventi automatizzati e personalizzati: un messaggio di incoraggiamento dal tutor, l'assegnazione di un "compagno", la proposta di un percorso di ripasso alternativo o un alert diretto al responsabile della formazione per un intervento umano mirato. Questo approccio non solo migliora i tassi di completamento, ma dimostra alla persona un'attenzione personalizzata.

Mappatura dei Talenti e Sviluppo di Carriera Personalizzato
L'analisi predittiva estende il suo valore alla gestione della carriera, favorendo la retention e l'engagement.

• Raccomandazione di Percorsi di Carriera: Gli algoritmi possono analizzare i profili di competenze di migliaia di professionisti per identificare "ponti" naturali tra ruoli. Questo fornisce alla persona una chiara roadmap di sviluppo e all'organizzazione una mappa interna dei talenti, facilitando la mobilità interna.

• Predizione del Potenziale: Modelli più sofisticati possono valutare non solo le competenze attuali, ma anche la propensione ad apprendere, la capacità di risolvere problemi complessi e altri indicatori di potenziale. Questo supporta i programmi di crescita prescrivendo percorsi di sviluppo su misura.

Misurazione dell'Impatto e Ottimizzazione del ROI Formativo
L'IA può collegare l'investimento formativo ai risultati di business.

• Correlazione con KPI Aziendali: Gli algoritmi possono analizzare se i dipendenti che hanno completato un determinato corso mostrano un miglioramento misurabile in metriche come la soddisfazione cliente, la riduzione degli errori, l'aumento delle vendite o l'innovazione. Questo va oltre i classici "test di soddisfazione" post-corso, fornendo evidenze concrete del ritorno sull'investimento della formazione.

• Ottimizzazione del Catalogo Formativo: Analizzando i dati di utilizzo, di completamento e di impatto, l'IA può aiutare a razionalizzare il portafoglio formativo, suggerendo di ritirare corsi poco efficaci o poco popolari e di investire risorse nello sviluppo di contenuti in aree di alto impatto e alta domanda.

Implicazioni Critiche e Sfide
L'uso predittivo dell'IA nella gestione dei talenti non è privo di rischi. La più grande sfida è quella del bias algoritmico: se i dati storici su cui il modello è addestrato riflettono pregiudizi passati, le previsioni future perpetueranno e persino amplificheranno queste disuguaglianze. È fondamentale implementare audit continui per l'equità algoritmica.
Inoltre sussiste il rischio della profezia che si autoavvera: etichettare un dipendente come "a basso potenziale" potrebbe limitare le opportunità che gli vengono offerte, condannandolo di fatto a rimanere in quella categoria. La trasparenza e il ruolo di mediazione e interpretazione del manager o dell'HR rimangono quindi insostituibili. I dati predittivi devono essere uno strumento di supporto alle decisioni umane, non un sostituto del giudizio, dell'empatia e della comprensione contestuale.

Sfide Critiche e Considerazioni Etiche

L'integrazione dell'Intelligenza Artificiale nella formazione professionale, sebbene carica di potenziale trasformativo, non è un processo neutro o privo di conseguenze. Non mancano sfide critiche che investono la sfera etica, sociale e pedagogica, e che richiedono una regolamentazione attenta e una progettazione umano-centrica. Ignorare queste dimensioni significa rischiare di creare sistemi ipoteticamente efficienti ma ingiusti, che erodono la fiducia, perpetuano disuguaglianze e, in ultima analisi, falliscono nel loro scopo primario: lo sviluppo integrale del potenziale umano.

Bias Algoritmico e l'Istituzionalizzazione dell'Ingiustizia
Il rischio più discusso, e forse il più insidioso, è quello del bias algoritmico. I sistemi di IA sono specchi dei dati su cui sono addestrati, e se questi dati riflettono pregiudizi storici e sociali, l'algoritmo non solo li riprodurrà, ma li amplificherà su scala industriale.

• Meccanismi di Propagazione del Bias: Il bias può infiltrarsi in molte fasi:

  1. Dati di Addestramento: Un sistema di raccomandazione formativa addestrato su dati storici di un'azienda in cui i ruoli tecnici erano prevalentemente coperti da uomini potrebbe inconsciamente associare le competenze STEM a profili maschili, indirizzando le donne verso corsi di "soft skill" o risorse umane, perpetuando così gli stereotipi di genere.

  2. Progettazione delle Feature: La scelta delle variabili che l'algoritmo prende in considerazione può essere di per sé discriminatoria. Ad esempio, utilizzare il tempo di completamento di un corso come metro di "impegno" potrebbe svantaggiare sistematicamente dipendenti con responsabilità di cura familiare.

  3. Feedback Loop: Un sistema che raccomanda percorsi in base a ciò che l’utente ha già fatto in passato crea una "bolla di filtraggio" formativa che rinforza le competenze esistenti e ostacola la riconversione professionale o l'esplorazione di nuovi campi.

Sorveglianza ed erosione della Privacy
La capacità dell'IA di raccogliere e analizzare dati granulari trasforma la piattaforma formativa in uno strumento di sorveglianza senza precedenti.

• Dati Biometrici e Comportamentali: Oltre ai dati di performance, l'IA può monitorare il tracciamento oculare (per valutare l'attenzione), le espressioni facciali (per dedurre lo stato emotivo), i pattern di battitura e i movimenti del mouse. Questo livello di intrusività solleva serie questioni sul consenso informato e sull'autonomia della persona.

• Proprietà dei dati raccolti: I dati generati durante la formazione diventano un asset di proprietà dell'organizzazione. Il rischio è la creazione di un "dossier digitale" permanente su ogni dipendente, che registra non solo ciò che sa, ma come apprende, i suoi momenti di difficoltà e le sue predisposizioni psicologiche. Questo dossier potrebbe essere utilizzato per decisioni di carriera o di licenziamento, creando un ambiente di lavoro basato sulla pressione e sul controllo, piuttosto che sulla fiducia e sulla crescita.

Deresponsabilizzazione e De-skilling
Un'eccessiva automazione dell'apprendimento rischia di avere effetti controproducenti sul sviluppo di competenze cognitive fondamentali.

• Erosione del senso critico: Se un sistema è così bravo a guidare, suggerire e semplificare, la persona potrebbe perdere la capacità di auto-regolarsi, di definire i propri obiettivi di apprendimento, di perseverare di fronte a compiti complessi e di imparare dai propri errori. L'IA rischia di creare dipendenza cognitiva, dove l'individuo si fida ciecamente del sistema senza sviluppare un proprio senso critico.

• De-skilling del Formatore: Il ruolo dell'istruttore umano potrebbe essere ridotto a quello di supervisore di un processo automatizzato, perdendo quelle competenze fondamentali di facilitazione, mentoring, ispirazione e gestione del gruppo che sono insostituibili. La relazione educativa, basata sull'empatia e sulla comprensione contestuale, rischia di essere sostituita da una transazione dati-risultati.

Mancanza di Trasparenza
Molti algoritmi di machine learning, in particolare le reti neurali profonde, sono intrinsecamente opachi. È difficile, se non impossibile, comprendere esattamente come sono giunti a una determinata decisione.

• Mancanza di XAI (Intelligenza Artificiale Spiegabile): Se a un dipendente viene negato l'accesso a un corso avanzato o viene consigliato un percorso di "reskilling" basato su un output algoritmico, ha il diritto di chiedere: "Perché?". La mancanza di trasparenza e di una spiegazione chiara mina la fiducia nel sistema e impedisce un dibattito costruttivo sulla sua equità e appropriatezza.

• Accountability e Responsabilità Legale: In caso di decisioni sbagliate o dannose (es., un percorso formativo inadeguato che porta a un infortunio sul lavoro), chi è responsabile? Il progettista dell'algoritmo, il fornitore della piattaforma o l'organizzazione che l'ha implementata? L'opacità della dell’algoritmo crea un vuoto di accountability che è difficile da colmare dal punto di vista legale ed etico.

Accesso e Divario Digitale
L'adozione di sistemi di IA avanzati richiede risorse economiche, infrastrutturali e competenze digitali non indifferenti. Le piccole e medie imprese (PMI) potrebbero non essere in grado di competere con i budget delle grandi corporation, rischiando di ampliare il divario competitivo. Allo stesso modo, i dipendenti con minore alfabetizzazione digitale potrebbero essere lasciati indietro, creando una nuova forma di disuguaglianza interna basata sulla "AI readiness".

La Necessità di un Framework Etico
Affrontare queste sfide richiede più di una semplice regolamentazione. Richiede la creazione di un framework etico robusto per l'IA nella formazione, basato su principi di:

• Trasparenza: Sviluppo e implementazione di XAI.

• Equità e Anti-Discriminazione: Audit regolari per il bias e dataset diversificati.

• Privacy e Consenso: Trasparenza totale sulla raccolta e l'uso dei dati, con il consenso esplicito e revocabile dei discenti.

• Agenzia Umana e Complementarità: Progettare l'IA per potenziare, non sostituire, il giudizio umano, sia del discente che del formatore.
  Solo così l'IA potrà realizzare la sua promessa di essere uno strumento di emancipazione e crescita equa e sostenibile.

Prospettive Future

L'intelligenza artificiale non rappresenta una mera evoluzione tecnologica, bensì una forza trasformativa radicale che sta riconfigurando l'architettura stessa della formazione professionale. La sua capacità di personalizzare i percorsi, di creare esperienze simulative immersive e di abilitare una gestione predittiva dei talenti segna un punto di non ritorno, superando definitivamente i limiti strutturali dei modelli formativi standardizzati del XX secolo. Tuttavia, il percorso verso una piena e matura integrazione prevede sfide di natura non solo tecnica, ma soprattutto etica, pedagogica e sociale.

La Sinergia Umano-Macchina come Paradigma Definitivo
Il futuro della formazione professionale non risiederà nella sostituzione integrale del formatore con un sistema algoritmico, ma nella creazione di una sinergia sistemica e umano-centrica. In questo ecosistema ibrido, l'IA e l'essere umano svolgono ruoli complementari e sinergici:

• All'IA sono delegati i compiti di elaborazione dati su larga scala, analisi pattern, personalizzazione automatizzata e gestione di routine. Essa funge da "motore analitico" che potenzia le capacità umane.

• Al formatore umano è riservato il ruolo di facilitatore, mentore, designer di esperienze e garante etico. La sua competenza si sposta dalla trasmissione verticale della conoscenza (che l'IA può gestire) alla cura della dimensione relazionale, all'ispirazione, alla gestione delle dinamiche di gruppo e all'interpretazione critica e contestualizzata degli output algoritmici.

Questa simbiosi richiederà un ripensamento delle competenze del formatore, che dovrà sviluppare una nuova competenza ibrida, comprendente sia le competenze pedagogiche tradizionali che una comprensione fondamentale dei principi dell'IA e dell'analisi dei dati.

Prospettive Tecnologiche Emergenti
Lo sviluppo tecnologico procede a ritmo serrato, dischiudendo scenari futuri ancora più dirompenti:

• Large Language Models (LLM) e Generative AI per l'Apprendimento Contestuale: L'evoluzione di modelli come GPT e i loro successori promette di creare tutor digitali in grado di generare contenuti, scenari e spiegazioni in tempo reale, su misura per ogni singola domanda o difficoltà del discente, con un livello di fluidità conversazionale e di adattamento contestuale oggi inimmaginabile.

• Neuro-Adaptive Learning Systems: La ricerca pionieristica nel campo delle Brain-Computer Interfaces (BCI) e del neuroimaging potrebbe, in un futuro non prossimo, portare a sistemi in grado di monitorare l'attività cerebrale del discente per adattare in tempo reale il carico cognitivo, il formato dei contenuti e le strategie di insegnamento, massimizzando l'efficienza neuro-biologica dell'apprendimento.

• Digital Twins della Forza Lavoro: Le organizzazioni potranno creare gemelli digitali non solo di macchinari, ma di interi dipartimenti o competenze. Questi modelli simulativi potrebbero essere utilizzati per testare l'impatto di diverse strategie formative sulla performance aziendale, per prevedere punti di crisi e per ottimizzare in modo estremo gli investimenti in capitale umano.

Imperativi Strategici per un Implementazione Etica ed Efficace
Per navigare questa transizione complessa, ricercatori, leader aziendali e professionisti HR dovranno collaborare su diversi fronti:

1. Sviluppo di Framework Regolatori Agili e Informati: È importante la creazione di standard e linee guida europee e globali specifici per l'uso dell'IA nell'istruzione e nella formazione, che bilancino innovazione e tutela dei diritti fondamentali.

2. Investimento in Alfabetizzazione Critica e Trasparenza: È necessario promuovere programmi di formazione per tutti gli stakeholder (dipendenti, formatori, manager) per comprendere i principi base, i potenziali e i limiti dell'IA, combattendo il "determinismo tecnologico" acritico e favorendo un uso consapevole.

3. Istituzionalizzazione della presenza umana: I processi decisionali critici (valutazioni, percorsi di carriera, identificazione del potenziale) devono per legge o per policy prevedere una revisione umana finale, in cui l'output dell'algoritmo sia interpretato e contestualizzato da un professionista.

4. Promozione della Ricerca Interdisciplinare: La sfida non è solo tecnologica. È necessario incentivare la ricerca che unisca informatica, scienze dell'educazione, filosofia, sociologia e diritto per esplorare le profonde implicazioni di queste tecnologie.

L'intelligenza artificiale nella formazione professionale rappresenta un crocevia. Da un lato, può condurre verso un futuro di iper-efficienza disumanizzante, di sorveglianza e di disuguaglianza amplificata. Dall'altro, può essere il volano per un'era di apprendimento personalizzato, inclusivo e continuo, che valorizzi il potenziale unico di ogni individuo. La direzione che prenderemo non sarà decisa dalla tecnologia in sé, ma dalle nostre scelte collettive, dalla nostra saggezza etica e dalla nostra ferma determinazione nel porre l'intelligenza umana al centro del progetto di sviluppo dell'intelligenza artificiale.

(Alberto Viotto)