Quando l’AI attraversa i confini dell’organizzazione: dai Data Spaces alla governed intelligence

Un sistema AI che lavora soltanto sui dati interni opera dentro un perimetro relativamente controllabile. Le identità sono note, le autorizzazioni sono definite dall’organizzazione, i dati appartengono a domini governati e le responsabilità possono essere ricondotte a processi esistenti.

Il problema cambia quando l’agente deve utilizzare dati o servizi appartenenti ad altre organizzazioni.

Immaginiamo un agente incaricato di individuare una risorsa esterna, verificarne le condizioni di utilizzo e impiegarla per completare un’attività.

La sequenza non è più semplicemente:

dato → modello → risultato

Diventa:

organizzazione → delega → agente → identità → risorsa → policy → utilizzo → azione → evidenza

Ogni passaggio introduce una domanda di governance. L’agente è autorizzato a cercare quella risorsa? Può utilizzarla per quella finalità? Può accettarne le condizioni? Può invocare un servizio esterno? Può prendere una decisione o soltanto formulare una raccomandazione?

È su questo problema che si concentra il position paper pubblicato nel luglio 2026 da International Data Spaces Association e NTT DATA, Data Spaces and AI: Trustworthy Agentic Participation in Data Spaces.

Il paper descrive una convergenza bidirezionale. I Data Spaces possono fornire agli agenti un ambiente nel quale identità, diritti d’uso, provenienza e condizioni di accesso sono espliciti e verificabili. L’AI può a sua volta ridurre una parte del lavoro necessario per rendere interoperabili organizzazioni che descrivono dati, servizi e regole in modo differente.

Collegare due sistemi significa rendere possibile uno scambio tecnico. Non significa necessariamente che i due sistemi comprendano allo stesso modo ciò che stanno scambiando, né che possano utilizzarlo alle stesse condizioni.

Un dataset può essere accessibile ma utilizzabile soltanto per determinate finalità. Un servizio può richiedere specifiche credenziali. La stessa informazione può avere significati differenti a seconda del dominio che la produce.

Questo è il terreno su cui intervengono i Data Spaces.

I cataloghi rendono individuabili dati e servizi. I meccanismi di identità e credentialing consentono ai partecipanti di dimostrare attributi rilevanti. Le policy machine-readable descrivono condizioni, diritti e obblighi. Provenance e audit trail permettono di ricostruire ciò che è avvenuto.

Questi elementi diventano particolarmente importanti quando a interpretarli non è una persona, ma un agente che deve decidere durante l’esecuzione se una determinata operazione è consentita.

Un sistema può quindi essere tecnicamente interoperabile e rimanere operativamente incompatibile.

Se un’organizzazione parla di “cliente”, un’altra di “utente” e una terza di “beneficiario”, la connessione tecnica non chiarisce automaticamente se i tre concetti siano equivalenti.

Per questo semantic layer, ontologie e vocabolari controllati non sono un dettaglio architetturale. Diventano parte dell’infrastruttura attraverso cui sistemi autonomi possono comprendere dati prodotti fuori dal proprio dominio.

L’aspetto più rilevante del modello proposto da IDSA riguarda l’identità dell’agente.

Un agente che opera in un Data Space non dovrebbe comportarsi come un soggetto privo di appartenenza. Deve poter essere ricondotto all’organizzazione per conto della quale sta agendo.

Questo rende la delega un elemento tecnico e organizzativo allo stesso tempo.

Un agente può essere autorizzato a consultare un dataset ma non a negoziarne nuove condizioni. Può invocare un servizio ma non impegnare economicamente l’organizzazione. Può produrre una proposta ma richiedere un’approvazione umana prima dell’esecuzione.

Il livello di autonomia non è quindi una proprietà generica dell’agente. Dipende dal mandato ricevuto.

Da qui emerge una conseguenza importante: progettare sistemi agentici significa progettare anche i confini entro cui possono agire.

Identità, credenziali, policy ed escalation non vengono dopo l’automazione. Ne definiscono il perimetro.

La relazione funziona anche nella direzione opposta.

Gli ecosistemi federati richiedono un lavoro continuo per descrivere, classificare e allineare le risorse disponibili. Metadata incompleti rendono difficile trovare un dataset. Vocabolari differenti complicano l’integrazione. Policy scritte per essere interpretate da persone rallentano la negoziazione automatica.

Il paper individua diversi ambiti nei quali l’AI può intervenire:

• generazione e arricchimento dei metadata;
• allineamento dei vocabolari;
• supporto all’interoperabilità semantica;
• interpretazione delle policy;
• automazione di discovery e negoziazione delle risorse.

Il valore non consiste quindi soltanto nel portare più dati ai modelli.

Consiste anche nel ridurre il lavoro necessario per rendere quei dati comprensibili e utilizzabili tra organizzazioni differenti.

È qui che il paper introduce il concetto più interessante.

Con l’AI, l’unità dello scambio non è più necessariamente il dato. Può diventare una capacità di elaborazione, una decisione o un’azione prodotta utilizzando dati e servizi appartenenti a più soggetti.

La catena da governare si estende.

Nel data sharing:

dato → accesso → utilizzo

In un ecosistema agentico:

mandato → identità → agente → risorsa → policy → decisione → azione → evidenza → responsabilità

Il termine governed intelligence descrive bene questo passaggio.

Non indica semplicemente un’AI più controllata. Indica un ambiente nel quale anche l’intelligenza prodotta e utilizzata attraverso confini organizzativi mantiene informazioni sufficienti per ricostruire chi ha autorizzato cosa, con quali risorse e secondo quali condizioni.

Questo modifica l’oggetto stesso della governance.

Non si governano più soltanto dati e accessi. Si governano capacità operative.

La prima conseguenza riguarda il modello di responsabilità.

Se un agente può operare fuori dal perimetro dell’organizzazione, deve essere chiaro quale funzione ne definisce il mandato, chi controlla le policy applicate e chi interviene quando l’agente incontra una situazione non prevista.

La seconda riguarda l’identity and access management. Le identità software non possono essere trattate sempre come normali service account se rappresentano dinamicamente un’organizzazione e possono ricevere deleghe differenti a seconda del contesto.

La terza riguarda le policy. Regole che esistono soltanto in documenti e procedure manuali non possono governare in tempo reale interazioni automatizzate. Una parte delle condizioni operative dovrà diventare interpretabile e applicabile direttamente dai sistemi.

La quarta riguarda audit e provenance. Se una decisione utilizza dati provenienti da più soggetti e servizi invocati da diversi agenti, ricostruire quella catena diventa necessario per capire perché una determinata azione è stata compiuta e a chi attribuirla.

Anche il procurement cambia. Valutare un sistema agentico richiederà di verificare non soltanto accuratezza e funzionalità, ma anche gestione dell’identità, delega, policy enforcement, logging ed escalation.

AI governance, data governance, cybersecurity e process governance iniziano così a convergere su uno stesso problema operativo.

IDSA richiama già sperimentazioni sulla negoziazione automatizzata del data trading in Giappone e sulla fornitura sovrana di dati per applicazioni AI e robotics in Germania.

Questi casi non dimostrano ancora una maturità industriale generalizzata. Mostrano però che identità, policy, interoperabilità, delega e automazione stanno iniziando a essere utilizzate insieme.

Il segnale da osservare non è quindi soltanto la diffusione degli agenti.

È la capacità degli ecosistemi digitali di permettere a questi agenti di operare tra organizzazioni diverse senza perdere attribuzione, controllo e verificabilità.

La stessa dinamica può emergere in molti settori.

Nella mobilità, un agente può utilizzare dati e servizi appartenenti a operatori, piattaforme, infrastrutture e amministrazioni differenti.

Nell’energia può interagire con reti, produttori e aggregatori.

Nella sanità può utilizzare informazioni provenienti da strutture, laboratori e servizi territoriali soggetti a condizioni differenti.

Nella Pubblica Amministrazione può supportare procedimenti che attraversano più enti.

In tutti questi casi l’automazione aumenta il numero di decisioni che possono attraversare confini organizzativi.

La capacità tecnica di farle circolare è soltanto una parte del problema. L’altra è mantenere lungo quel percorso identità, regole, evidenze e responsabilità.

È su questo terreno che i Data Spaces possono evolvere da infrastruttura di condivisione dei dati a infrastruttura di coordinamento tra sistemi intelligenti.