Adottare strumenti AI in azienda non è solo una scelta tecnica. Coinvolge dati, contratti, sicurezza, proprietà intellettuale e responsabilità. Senza linee guida, l'uso cresce comunque, ma in modo invisibile: prompt personali, tool non approvati, dati copiati dove non dovrebbero.
Una policy AI efficace non deve bloccare tutto. Deve spiegare cosa si può fare, cosa è vietato e quando serve una review.
Aggiornamento luglio 2026
La governance AI non riguarda più solo chatbot e prompt. Nel 2026 entrano in azienda agenti che leggono repository, aprono PR, usano MCP, accedono a ticket, drive, chat, CI e ambienti cloud. Questo cambia il rischio: non è solo "quali dati invio", ma anche "quali azioni può compiere lo strumento". Per questo la scelta tra Copilot, Cursor e Claude Code va letta anche come scelta di permessi e responsabilità.
La best practice aggiornata è definire una matrice dati-strumenti-azioni. Per ogni tool indica dati ammessi, repository ammessi, provider, retention, training opt-out, audit log, permessi MCP, segreti disponibili, ambienti raggiungibili e owner interno. Gli agenti devono avere privilegi minimi, approval esplicite per operazioni sensibili e separazione tra sandbox, staging e produzione. Questo vale anche per workflow di AI code review, non solo per generazione codice.
In Europa, GDPR e contratti di trattamento restano centrali quando entrano dati personali. Nei progetti con codice proprietario o clienti regolamentati, serve anche una policy su IP, licenze, generazione di dipendenze e conservazione dei log.
Dati che lasciano l'azienda
Ogni prompt può contenere informazioni sensibili: codice proprietario, log, dati cliente, credenziali, contratti, ticket interni, strategie commerciali. Prima di usare un tool AI bisogna capire dove finiscono questi dati.
Domande minime:
- i prompt vengono salvati?
- vengono usati per addestramento?
- per quanto tempo restano nei log?
- dove sono localizzati i server?
- esistono impostazioni enterprise?
- chi può accedere alle conversazioni?
Le risposte devono venire da documentazione e contratti, non da supposizioni.
GDPR e settori regolamentati
In contesti europei, GDPR e data protection non possono essere un pensiero successivo. Se nei prompt entrano dati personali, serve una base giuridica, una valutazione del trattamento e spesso un accordo con il fornitore.
In sanità, finanza, pubblica amministrazione o settori regolamentati, i vincoli sono più stringenti. Potrebbe essere necessario limitare l'uso a dati anonimizzati, ambienti approvati o modelli self-hosted.
Policy interna
Una buona policy, utile prima ancora di introdurre un workflow di AI-assisted coding, distingue tre categorie:
- permesso: attività a basso rischio, come generare boilerplate o spiegare codice non sensibile;
- permesso con cautela: review di codice proprietario, analisi log, documentazione interna;
- vietato o soggetto ad approvazione: dati personali, credenziali, segreti, materiale cliente riservato.
La policy deve essere concreta. "Usare l'AI responsabilmente" non basta. Servono esempi.
Modelli self-hosted vs API
I modelli self-hosted offrono più controllo su dati e infrastruttura, ma richiedono competenze, hardware, manutenzione e valutazione della qualità. Le API esterne sono più semplici e spesso più performanti, ma introducono dipendenza da fornitore e aspetti contrattuali.
La scelta dipende da:
- sensibilità dei dati;
- qualità richiesta;
- volume;
- budget;
- requisiti di latenza;
- capacità interna di gestione.
Spesso la soluzione più solida è ibrida: API approvate per attività generiche, ambienti più controllati per dati sensibili.
Proprietà intellettuale
L'output AI può creare dubbi su copyright, licenze e somiglianza con materiale esistente. Nel codice, il rischio più concreto è introdurre snippet senza verificare licenza, qualità o provenienza.
Per ridurre il rischio:
- mantieni review umana;
- evita richieste di riprodurre codice proprietario di terzi;
- controlla dipendenze e licenze;
- documenta l'uso dell'AI nei processi critici;
- usa strumenti con garanzie contrattuali adeguate.
Inventario e audit
Ogni azienda dovrebbe sapere quali strumenti AI usa, chi li usa, per cosa e con quali dati. Un inventario minimo include:
- nome strumento;
- fornitore;
- piano o contratto;
- dati trattati;
- owner interno;
- policy di retention;
- valutazione rischio;
- data dell'ultima review.
Senza inventario, non c'è governance. C'è solo speranza.
Conclusione
L'AI in azienda funziona quando è governata. Bloccarla completamente è spesso irrealistico; lasciarla crescere senza regole è rischioso. La strada pragmatica è definire policy chiare, strumenti approvati, controlli sui dati e responsabilità esplicite.