Technical Sandboxes e Apprendimento Normativo per l’Atto AI dell’UE
L’Atto AI in fase di sviluppo dell’Unione Europea mira a governare un panorama tecnologico in rapida evoluzione, ma il suo successo dipende dalla capacità di adattamento e apprendimento continuo. La ricerca esplora come implementare efficacemente questo “apprendimento normativo”, affrontando una lacuna critica nel quadro dell’Atto, ovvero la mancanza di meccanismi tecnici chiaramente definiti per raccogliere e processare le informazioni necessarie per adeguamenti politici informati.
Modello Teorico di Apprendimento Normativo
Gli autori propongono un modello teorico che decompone l’apprendimento normativo in livelli micro, meso e macro, identificando le Technical Sandboxes come componenti vitali per generare le prove necessarie a guidare questo processo. Questo lavoro offre un ponte cruciale tra requisiti legali e implementazione tecnica, promuovendo un dialogo più produttivo tra esperti legali e tecnici e rafforzando l’approccio dell’UE alla governance dell’AI.
Interazione tra Attori e Flusso di Informazioni
La ricerca stabilisce un modello teorico dello spazio di apprendimento normativo dell’Atto AI, decomponendolo in livelli micro, meso e macro per mappare il flusso di informazioni tra gli attori coinvolti. Gli scienziati hanno mappato meticolosamente gli attori e le loro interazioni, estendendo le analisi gerarchiche esistenti per modellare l’interazione dinamica tra enforcement e aggregazione delle prove.
Le attività di progettazione e valutazione dei sistemi AI generano le prove necessarie a livello micro per informare l’adattamento a livello macro, potenzialmente portando a emendamenti dell’Atto AI stesso o alla creazione di atti attuativi.
Disconnessione e Necessità di una Struttura Tecnica Robusta
La ricerca evidenzia una disconnessione tra l’autonomia legale e operativa dell’ufficio AI, identificandola come un esempio di “quasi-agencificazione” nella governance dell’UE. Per superare questo, lo studio ha adottato un approccio di ragionamento funzionale, tracciando il pipeline di enforcement dalla legislazione alle valutazioni tecniche.
Gli esperimenti rivelano che le PMI, affrontando classificazioni AI ad alto rischio, devono dimostrare conformità con articoli specifici dell’Atto AI, intraprendendo valutazioni iterative durante il ciclo di vita dello sviluppo della loro soluzione.
Implicazioni per il Futuro della Governance AI
L’implementazione delle metodologie AITS nelle interazioni con le autorità degli Stati membri consente valutazioni comparabili, permettendo la raccolta di prove e il perfezionamento della comprensione di come tradurre la legislazione ad alto livello in operatività tecnica. Con l’aumentare degli impegni nei Regulatory Sandboxes, i dati generati supportano l’analisi scalabile a livelli meso e macro, consentendo di progettare linee guida e codici di pratica.
Conclusione
La ricerca dimostra che una base tecnica robusta è necessaria per supportare l’ambizione dell’Atto AI di una regolamentazione a prova di futuro, superando gli attuali meccanismi legali per la revisione e la standardizzazione. Gli autori avvertono che il successo dell’Atto AI dipende infine dall’operazionalizzazione di questa infrastruttura socio-tecnica, e che il proposto AITS rappresenta un passo chiave verso un equilibrio tra governance e innovazione continua.
