Proteggere i dati aziendali in un sistema AI significa sapere quali informazioni entrano, chi può leggerle, dove vengono elaborate e quando vengono eliminate. Un modello privato o locale è una scelta di architettura; non sostituisce la verifica di applicazione, permessi, log e fornitori.
Locale, privato e cloud: tre concetti distinti
âLocaleâ descrive dove avviene lâesecuzione. âPrivatoâ può indicare un ambiente dedicato o accessibile solo a utenti autorizzati. âCloudâ indica lâuso di infrastruttura esterna: può comprendere servizi condivisi o dedicati. Per confrontare due proposte chiedi una descrizione del percorso dei dati, non una sola etichetta.
Un servizio esposto su Internet non diventa sicuro perchĂŠ il modello gira in ufficio. Allo stesso modo, lâuso del cloud non implica automaticamente che ogni prompt venga usato per addestramento: bisogna verificare prodotto, impostazioni e accordi applicabili.
Disegnare il percorso di un documento
- Ingresso: chi carica il file e per quale attivitĂ ?
- Preparazione: OCR, conversione ed estrazione avvengono internamente o tramite altri servizi?
- Inferenza: quale modello riceve il contenuto e su quale infrastruttura?
- Risposta: chi può vedere il risultato e i documenti di origine?
- Persistenza: dove restano file temporanei, cronologia, log e backup?
- Cancellazione: cosa viene rimosso, con quali tempi e quali verifiche?
La mappa deve includere anche embedding, indici di ricerca e servizi di monitoraggio. Un archivio locale affiancato da OCR remoto non è un processo interamente locale.
Controlli da provare prima del rilascio
- Un utente senza permessi non deve ricevere documenti di altri reparti, neppure attraverso una risposta generata.
- Le chiavi dei servizi devono restare sul server, fuori dal codice inviato al browser.
- I log devono raccogliere quanto serve per assistenza e diagnosi, evitando copie integrali non necessarie di documenti o prompt.
- Accessi amministrativi, backup e ripristino devono avere responsabili e procedure verificabili.
- Il comportamento in caso di indisponibilità deve essere esplicito: un fallback esterno può cambiare il percorso dei dati.
Ricerca sui documenti e addestramento non sono la stessa cosa
Per consultare una base documentale aggiornata, un sistema può recuperare i passaggi pertinenti e fornirli come contesto al modello. Questo flusso, spesso chiamato RAG, va progettato con autorizzazioni coerenti con lâarchivio originale. Il fine-tuning modifica invece il comportamento del modello tramite un processo di addestramento: non è una sostituzione automatica della ricerca nĂŠ dei controlli di accesso.
Prima di scegliere, definisci se il problema è trovare informazioni, produrre un formato coerente o modificare il comportamento del modello. Sono esigenze diverse e richiedono prove diverse.
Un esempio verificabile sul mio sito
Il modulo âInterroga il mio CVâ usa un profilo curato lato server come contesto per RunAI. Le credenziali dellâAPI non vengono inserite nella pagina. Il componente limita la lunghezza della domanda e degli scambi precedenti, e chiede al modello di non inventare dati assenti dal profilo.
Ă un esempio di integrazione circoscritta con informazioni biografiche pubbliche, non una certificazione per trattare documenti riservati. Il caso RunAI ne descrive lâarchitettura. Per scegliere lâinfrastruttura, parti dal confronto su vantaggi, limiti e costi dellâAI locale.
ConformitĂ : valutare il trattamento concreto
Lâinstallazione on-premise non equivale alla conformitĂ al GDPR. FinalitĂ , base giuridica, soggetti coinvolti, conservazione e misure di sicurezza vanno valutati per il trattamento effettivo. Il parere EDPB 28/2024 ricorda inoltre che lâanonimato di un modello AI richiede una valutazione concreta: non può essere dato per scontato.
Per un progetto con dati personali, porta la mappa dei flussi e le prove tecniche a chi segue la protezione dei dati nellâorganizzazione. Ă una base piĂš utile di una generica promessa â100% privataâ.
Riferimento
EDPB, parere 28/2024 sui modelli AI e la protezione dei dati.



