{"id":36154,"date":"2026-10-29T00:23:28","date_gmt":"2026-10-28T23:23:28","guid":{"rendered":"https:\/\/vanleeuwenlawfirm.eu\/it\/?p=36154"},"modified":"2026-10-29T00:25:59","modified_gmt":"2026-10-28T23:25:59","slug":"intelligenza-artificiale-ia-agentica-e-automazione-intelligente","status":"publish","type":"post","link":"https:\/\/vanleeuwenlawfirm.eu\/it\/approfondimenti\/notizie-approfondimenti-personalizzati\/ia-resilienza-digitale\/intelligenza-artificiale-ia-agentica-e-automazione-intelligente\/","title":{"rendered":"Intelligenza artificiale, IA agentica e automazione intelligente"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

L\u2019intelligenza artificiale, l\u2019IA agentica e l\u2019automazione intelligente stanno trasformando in modo fondamentale il modo in cui la Sua organizzazione elabora le informazioni, organizza il lavoro, distribuisce i poteri decisionali, valuta i rischi ed esegue decisioni critiche per l\u2019attivit\u00e0. Lo sviluppo pi\u00f9 significativo non risiede soltanto nella crescente capacit\u00e0 analitica dell\u2019intelligenza artificiale generativa, ma nel passaggio da sistemi che producono informazioni a sistemi in grado di agire autonomamente all\u2019interno dei processi digitali aziendali. Mentre l\u2019automazione convenzionale si basa prevalentemente su regole predefinite, fasi di processo fisse e trigger chiaramente delimitati, i sistemi avanzati di IA agentica possono interpretare istruzioni, combinare informazioni provenienti da fonti differenti, elaborare passaggi intermedi, utilizzare strumenti digitali, selezionare le azioni successive e, nei limiti delle autorizzazioni loro attribuite, predisporre o eseguire transazioni e altre attivit\u00e0 operative. La questione centrale di governance si sposta pertanto dalla qualit\u00e0 del singolo modello alla governabilit\u00e0 di un ambiente interconnesso composto da modelli, fonti di dati, strumenti digitali, diritti di accesso, regole decisionali, interventi umani e responsabilit\u00e0 organizzative. Un agente di IA che si limita a redigere il riepilogo di un fascicolo presenta un profilo di rischio fondamentalmente diverso da quello di un agente che supporta l\u2019accettazione della clientela, verifica informazioni di pagamento, interpreta disposizioni contrattuali, valuta risultati di screening sanzionatorio, predispone istruzioni di pagamento, modifica diritti di accesso o comunica autonomamente con una controparte. Per la Sua organizzazione ci\u00f2 significa che l\u2019innovazione tecnologica non pu\u00f2 pi\u00f9 essere considerata separatamente dalla corporate governance, dalla protezione dei dati, dalla cybersecurity, dalla gestione contrattuale, dai controlli interni, dalla continuit\u00e0 operativa, dalla responsabilit\u00e0, dalla vigilanza finanziaria e dalla Gestione integrata dei rischi di criminalit\u00e0 finanziaria. Quanto pi\u00f9 profondamente l\u2019intelligenza artificiale viene integrata nei processi essenziali della Sua organizzazione, tanto pi\u00f9 aumenta non solo il potenziale di produttivit\u00e0, ma anche la necessit\u00e0 di stabilire preventivamente quali poteri siano attribuiti a ciascun sistema, a quali condizioni possa avvenire l\u2019esecuzione autonoma, quali attivit\u00e0 debbano rimanere soggette ad approvazione umana obbligatoria, quali informazioni possano essere utilizzate come base per le decisioni e quali misure tecniche e organizzative debbano essere disponibili per interrompere immediatamente, annullare e ricostruire in modo forense un\u2019azione errata o indesiderata. La qualit\u00e0 dell\u2019intelligenza artificiale non dovrebbe quindi essere valutata esclusivamente in termini di velocit\u00e0, facilit\u00e0 d\u2019uso o performance del modello, ma in funzione della capacit\u00e0 della Sua organizzazione di dimostrare che il sistema opera in modo affidabile sia in circostanze prevedibili sia in situazioni eccezionali, che le decisioni critiche rimangono entro limiti di autorit\u00e0 prestabiliti e che dipendenti, dirigenti, funzioni di controllo e organi di supervisione conservano una comprensione effettiva di come l\u2019autonomia tecnologica incida sulle responsabilit\u00e0 giuridiche ed economiche.<\/p>

In prospettiva 2027, imprese, istituzioni finanziarie, organizzazioni di servizi professionali, societ\u00e0 tecnologiche, enti pubblici e altre istituzioni complesse si trovano quindi di fronte a una duplice sfida strategica. Da un lato, ritardare l\u2019adozione dell\u2019automazione intelligente pu\u00f2 determinare un aumento dei costi, una perdita di produttivit\u00e0, processi decisionali pi\u00f9 lenti, un impiego insufficiente delle conoscenze istituzionali e uno svantaggio competitivo strutturale rispetto alle organizzazioni che riprogettano in profondit\u00e0 il modo in cui il lavoro viene svolto. Dall\u2019altro lato, un\u2019implementazione incontrollata dell\u2019IA agentica pu\u00f2 creare un contesto nel quale le responsabilit\u00e0 si frammentano, le decisioni diventano difficili da spiegare, informazioni non validate attraversano i processi senza un adeguato livello di verifica e i sistemi digitali acquisiscono una capacit\u00e0 operativa di fatto superiore a quella che pu\u00f2 essere considerata giuridicamente, finanziariamente o operativamente accettabile. La sfida per la Sua organizzazione non consiste dunque nello scegliere tra innovazione e controllo, ma nel progettare un modello operativo nel quale entrambe le dimensioni si rafforzino reciprocamente. Ci\u00f2 richiede che ogni applicazione di IA materialmente rilevante sia collegata a un obiettivo operativo concreto, a un modello di autorit\u00e0 chiaramente definito, a una qualit\u00e0 dei dati dimostrabile, a un appropriato controllo umano, a criteri di performance misurabili, a percorsi di gestione delle eccezioni predeterminati, a una solida tracciabilit\u00e0 e a una distribuzione trasparente delle responsabilit\u00e0. Questo approccio assume particolare rilievo nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria. L\u2019intelligenza artificiale pu\u00f2 analizzare volumi enormi di transazioni, informazioni sui clienti, dati societari, informazioni sanzionatorie, fonti giornalistiche e materiali investigativi, ma la stessa tecnologia pu\u00f2 anche generare sospetti erronei, non individuare rischi materiali o sostenere interventi sproporzionati quando \u00e8 esposta a un contesto carente, a fonti di scarsa qualit\u00e0, a una configurazione inadeguata degli strumenti, a dati di input manipolati o a istruzioni non sufficientemente delimitate. La Gestione integrata dei rischi di criminalit\u00e0 finanziaria non pu\u00f2 pertanto essere ridotta all\u2019introduzione di sistemi di rilevazione sempre pi\u00f9 automatizzati. La questione decisiva \u00e8 se la Sua organizzazione sia in grado di dimostrare l\u2019esistenza di un sistema coerente nel quale tecnologia, professionisti, controlli interni, norme giuridiche e responsabilit\u00e0 dirigenziale si rafforzino reciprocamente. Il fondamento di una trasformazione sostenibile basata sull\u2019IA risiede, in ultima analisi, in una governabilit\u00e0 dimostrabile: non una tecnologia autorizzata a fare quanto pi\u00f9 tecnicamente possibile, ma una tecnologia per la quale sia stato stabilito con precisione che cosa possa fare, per quale ragione, con quali dati e strumenti digitali, quali interventi siano obbligatori e come sia possibile dimostrare successivamente, con un adeguato livello di affidabilit\u00e0 probatoria, che cosa sia effettivamente accaduto.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

IA agentica, agenti autonomi e delega dei poteri operativi<\/h4>

L\u2019IA agentica determina il passaggio dall\u2019elaborazione automatizzata delle informazioni alla delega digitale di poteri operativi. Per la Sua organizzazione questa distinzione \u00e8 fondamentale. Un sistema software convenzionale esegue un\u2019istruzione predefinita quando viene soddisfatta una determinata condizione. Un sistema di IA agentica, invece, pu\u00f2 ricevere un obiettivo, interpretare le informazioni disponibili, sviluppare una sequenza di passaggi intermedi, utilizzare diversi strumenti digitali e stabilire autonomamente quale azione successiva appaia pi\u00f9 appropriata per raggiungere l\u2019obiettivo assegnato. Si crea cos\u00ec, di fatto, una nuova categoria di capacit\u00e0 esecutiva organizzativa. Un agente di IA non \u00e8 un dipendente, un amministratore, un procuratore o una persona giuridica, ma pu\u00f2 comunque compiere, nella realt\u00e0 operativa, attivit\u00e0 che in passato erano riservate a persone dotate di poteri espressamente definiti. Pu\u00f2, ad esempio, predisporre comunicazioni contrattuali, modificare dati relativi ai clienti, eseguire controlli, selezionare fornitori, richiedere approvazioni interne, aggiornare fascicoli, attivare workflow o generare istruzioni destinate a sistemi finanziari. Quando tali attivit\u00e0 possono produrre conseguenze giuridiche, finanziarie o sociali, la Sua organizzazione deve stabilire quale mandato venga effettivamente conferito al sistema. Questa valutazione non dovrebbe limitarsi a ci\u00f2 che il sistema \u00e8 formalmente configurato per fare, ma dovrebbe considerare anche ci\u00f2 che esso pu\u00f2 realizzare concretamente attraverso la combinazione di diritti di accesso, applicazioni connesse, API, fonti di dati e interazioni con altri agenti. Un agente con autorizzazioni limitate considerate singolarmente pu\u00f2 infatti acquisire una significativa capacit\u00e0 operativa di fatto attraverso l\u2019utilizzo combinato di pi\u00f9 sistemi. La governance deve quindi essere costruita sull\u2019effetto complessivo delle autorizzazioni disponibili e non sulla semplice valutazione separata delle singole impostazioni tecniche.<\/p>

La delega dei poteri richiede inoltre una distinzione rigorosa tra accesso alle informazioni, potere di formulare raccomandazioni, potere di predisporre attivit\u00e0, potere di eseguire operazioni e potere di adottare decisioni irreversibili. La Sua organizzazione pu\u00f2, ad esempio, stabilire che un agente di IA sia autorizzato ad analizzare informazioni relative a un cliente e a proporre una classificazione del rischio, ma non a rifiutare o interrompere autonomamente una relazione con il cliente. Un sistema pu\u00f2 predisporre tecnicamente un ordine di pagamento senza essere autorizzato a liberare effettivamente il pagamento. Un agente pu\u00f2 redigere una bozza di comunicazione a una controparte contrattuale senza poterla trasmettere autonomamente qualora tale comunicazione possa generare diritti, obblighi o ammissioni. Tali distinzioni devono essere tradotte in autorizzazioni tecniche concrete, segregazione delle funzioni, regole di escalation e requisiti di logging. Non \u00e8 sufficiente che le policy organizzative stabiliscano la necessit\u00e0 di un controllo umano se l\u2019ambiente tecnico consente di aggirare facilmente quel controllo. Allo stesso modo, non \u00e8 sufficiente che un dipendente fornisca formalmente un\u2019approvazione se deve convalidare centinaia di decisioni generate dall\u2019IA ogni giorno senza una reale possibilit\u00e0 di esaminare i dati e il ragionamento sottostante. Il controllo umano ha valore effettivo soltanto quando la persona designata dispone di informazioni sufficienti, del tempo necessario, della competenza adeguata, del potere richiesto e di un\u2019indipendenza organizzativa tale da consentire un intervento significativo. Per la Sua organizzazione ci\u00f2 implica che l\u2019autorit\u00e0 digitale delegata e l\u2019autorit\u00e0 umana debbano essere progettate come un\u2019unica questione integrata di governance.<\/p>

Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, questo tema assume un peso particolare perch\u00e9 le azioni automatizzate possono incidere direttamente sulla posizione giuridica e sugli interessi finanziari di clienti, controparti e altri stakeholder. Un agente di IA pu\u00f2, ad esempio, bloccare transazioni, richiedere documentazione supplementare, modificare profili cliente, classificare determinate relazioni come a rischio elevato o aggregare informazioni investigative successivamente utilizzate per adottare misure interne o effettuare segnalazioni. Quando tali sistemi non sono sufficientemente delimitati, ipotesi e valutazioni probabilistiche possono essere progressivamente trattate come fatti accertati. I rischi di criminalit\u00e0 finanziaria richiedono per loro natura un\u2019analisi contestuale nella quale transazioni, caratteristiche del cliente, contesto economico, elementi geografici, informazioni di fonte e spiegazioni alternative plausibili vengono valutati congiuntamente. Gli output automatizzati possono supportare tale analisi, ma non dovrebbero sostituire silenziosamente il giudizio giuridico e professionale nei casi in cui tale giudizio determini l\u2019adozione di misure incisive. Ogni potere autonomo attribuito all\u2019IA richiede quindi una base di autorizzazione chiaramente formulata, una soglia di proporzionalit\u00e0 prestabilita, una logica decisionale tracciabile, un adeguato meccanismo di escalation e una capacit\u00e0 dimostrabile di correggere eventuali errori. In ultima analisi, la Sua organizzazione dovrebbe essere in grado di spiegare non soltanto quale agente di IA abbia compiuto una determinata azione, ma anche perch\u00e9 il sistema fosse autorizzato a compierla, quali dati e istruzioni siano stati utilizzati, quali limitazioni fossero applicabili, quale persona o funzione esercitasse il controllo e quali misure correttive fossero disponibili qualora l\u2019azione si rivelasse errata.<\/p>

Automazione intelligente dei processi e modelli di business nativi dell\u2019IA<\/h4>

L\u2019automazione intelligente dei processi si distingue in modo sostanziale dall\u2019ottimizzazione convenzionale perch\u00e9 l\u2019intelligenza artificiale non si limita a svolgere pi\u00f9 rapidamente fasi di processo gi\u00e0 esistenti, ma pu\u00f2 interpretare, combinare e adattare dinamicamente parti del processo stesso. La Sua organizzazione pu\u00f2 quindi riprogettare processi storicamente costruiti attorno a passaggi manuali tra dipartimenti, controlli amministrativi separati e momenti decisionali sequenziali. Un sistema agentico pu\u00f2, ad esempio, analizzare una richiesta in ingresso da parte di un cliente, raccogliere le informazioni rilevanti contenute nel fascicolo, identificare dati mancanti, consultare fonti esterne, effettuare una valutazione preliminare del rischio, individuare gli specialisti interni pertinenti e predisporre documentazione preliminare prima ancora che un professionista inizi l\u2019analisi sostanziale del caso. Nei processi finanziari, gli agenti possono interpretare fatture, individuare coordinate di pagamento anomale, confrontare clausole contrattuali, predisporre proposte contabili e rilevare pattern transazionali insoliti. Nei processi giuridici, i sistemi possono classificare documenti, individuare disposizioni rilevanti, rilevare incongruenze, ricostruire cronologie e predisporre bozze di analisi. Il valore economico non deriva quindi soltanto dalla riduzione del tempo necessario per ogni singola attivit\u00e0, ma anche dalla diminuzione dei passaggi tra funzioni, dalla riduzione delle attivit\u00e0 correttive, dalla pi\u00f9 rapida identificazione delle eccezioni e dalla possibilit\u00e0 di rendere disponibile la conoscenza istituzionale nel momento in cui \u00e8 operativamente necessaria. Un autentico modello di business nativo dell\u2019IA emerge quando i processi sono progettati sin dall\u2019origine attorno alla combinazione di competenza umana, intelligenza artificiale, controlli automatizzati e flussi informativi digitali, e non quando l\u2019IA viene semplicemente aggiunta successivamente a processi la cui struttura sostanziale rimane invariata.<\/p>

Questa trasformazione impone alla Sua organizzazione di valutare non soltanto quali attivit\u00e0 possano essere tecnicamente automatizzate, ma soprattutto quali componenti dei processi siano effettivamente adatte a un\u2019esecuzione automatizzata. Le attivit\u00e0 caratterizzate da volumi elevati, schemi prevedibili e risultati facilmente verificabili sono generalmente pi\u00f9 idonee a un\u2019automazione avanzata rispetto a quelle che comportano interessi rilevanti, valutazioni normative, informazioni contrastanti o circostanze eccezionali. L\u2019idoneit\u00e0 all\u2019automazione deve essere inoltre valutata alla luce della reversibilit\u00e0 degli errori. Se un sistema di IA classifica erroneamente un documento interno, tale errore pu\u00f2 spesso essere corretto senza conseguenze significative. Se lo stesso sistema effettua un pagamento non autorizzato, trasmette dati personali all\u2019esterno, interrompe una relazione con un cliente o invia una comunicazione con rilevanza giuridica, il danno pu\u00f2 essere significativamente maggiore e, in alcuni casi, difficilmente reversibile. Un modello operativo nativo dell\u2019IA e adeguatamente controllato dovrebbe pertanto distinguere tra attivit\u00e0 che possono essere eseguite automaticamente, attivit\u00e0 che possono essere svolte con controllo a campione, attivit\u00e0 che richiedono sempre una preventiva approvazione umana e attivit\u00e0 che dovrebbero rimanere strutturalmente escluse dall\u2019autonomia dell\u2019IA. Tale classificazione non dovrebbe essere statica. Con l\u2019evoluzione dei modelli, la modifica dei flussi di dati, il collegamento di nuove applicazioni o il mutamento degli effetti giuridici dei processi, la Sua organizzazione dovrebbe rivalutare se le autorizzazioni esistenti rimangano adeguate.<\/p>

Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, l\u2019automazione intelligente dei processi pu\u00f2 generare un valore considerevole perch\u00e9 numerose attivit\u00e0 combinano elaborazione di dati su larga scala e giudizio professionale basato sul rischio. La customer due diligence, il monitoraggio delle transazioni, lo screening sanzionatorio, l\u2019identificazione dei titolari effettivi, l\u2019analisi dell\u2019adverse media, la rilevazione delle frodi e la preparazione delle indagini possono diventare significativamente pi\u00f9 efficienti quando i sistemi raccolgono, strutturano e prioritizzano automaticamente le informazioni. L\u2019obiettivo, tuttavia, non dovrebbe essere quello di eliminare quanto pi\u00f9 possibile il giudizio umano dal processo. Dovrebbe invece consistere nel creare un modello in cui la competenza umana venga concentrata negli ambiti nei quali contesto, proporzionalit\u00e0, scetticismo professionale e analisi giuridica generano il maggiore valore aggiunto. La Sua organizzazione pu\u00f2, ad esempio, utilizzare l\u2019intelligenza artificiale per analizzare migliaia di transazioni e identificare pattern, consentendo ai professionisti pi\u00f9 esperti di concentrarsi sulle anomalie che presentano un profilo di rischio significativo. Lo stesso principio vale per le indagini in materia di sanzioni, nelle quali le corrispondenze nominative possono essere analizzate automaticamente, ma resta necessario stabilire se siano effettivamente coinvolti la persona fisica, l\u2019entit\u00e0 giuridica, la struttura proprietaria o il rapporto di controllo rilevanti. L\u2019automazione intelligente pu\u00f2 pertanto rafforzare la Gestione integrata dei rischi di criminalit\u00e0 finanziaria quando la tecnologia viene utilizzata per migliorare la qualit\u00e0 dei segnali e impiegare pi\u00f9 efficacemente la capacit\u00e0 investigativa. Pu\u00f2 invece indebolirla quando velocit\u00e0 e trattamento massivo sostituiscono l\u2019analisi critica, la motivazione documentata e la responsabilit\u00e0 professionale.<\/p>

Sistemi multi-agente, orchestrazione dell\u2019IA e collaborazione uomo-macchina<\/h4>

La fase successiva dello sviluppo dell\u2019intelligenza artificiale \u00e8 caratterizzata da ambienti nei quali pi\u00f9 agenti di IA svolgono simultaneamente attivit\u00e0 specializzate differenti e scambiano informazioni tra loro. Invece di affidarsi a un unico sistema generalista, la Sua organizzazione pu\u00f2 impiegare un agente investigativo, un agente documentale, un agente di valutazione del rischio, un agente di validazione dei dati e un agente esecutivo che collaborano all\u2019interno dello stesso processo end-to-end. Un agente investigativo pu\u00f2 raccogliere informazioni interne ed esterne, dopo di che un secondo agente valuta l\u2019affidabilit\u00e0 e la rilevanza delle fonti. Un terzo agente pu\u00f2 combinare tali risultati con le policy interne e generare una proposta di azione. Un agente di controllo separato pu\u00f2 identificare incongruenze prima che un professionista umano esamini l\u2019output finale. Questa forma di orchestrazione digitale pu\u00f2 accelerare in modo significativo i processi complessi e consente di riprodurre determinate funzioni specialistiche all\u2019interno di workflow automatizzati. Al tempo stesso, genera una questione di responsabilit\u00e0 pi\u00f9 complessa. Quando una decisione finale errata deriva da una selezione inadeguata delle fonti da parte del primo agente, da un\u2019interpretazione incompleta del secondo e da un controllo insufficiente del terzo, non \u00e8 semplice attribuire la causa a una sola componente del sistema. Per la Sua organizzazione, la tracciabilit\u00e0 delle fasi intermedie diventa pertanto importante quanto la governabilit\u00e0 del risultato finale.<\/p>

La progettazione di sistemi multi-agente richiede chiarezza su quale agente svolga un ruolo principale, quali agenti esercitino funzioni di supporto, quali informazioni possano essere condivise tra loro e a quali condizioni un\u2019azione successiva possa essere attivata automaticamente. Una sequenza di scelte tecniche singolarmente limitate pu\u00f2 produrre nel suo complesso un effetto materiale che non era evidente nella fase iniziale. Se, ad esempio, il primo agente classifica un cliente come potenzialmente ad alto rischio, un secondo agente pu\u00f2 richiedere automaticamente informazioni supplementari, un terzo pu\u00f2 sottoporre le transazioni a un\u2019analisi rafforzata e un quarto pu\u00f2 predisporre un fascicolo di escalation. Se la classificazione iniziale era errata, tale errore pu\u00f2 propagarsi lungo l\u2019intera catena e acquisire una crescente apparenza di credibilit\u00e0 perch\u00e9 ciascun agente successivo si basa sull\u2019output precedente. La Sua organizzazione ha quindi bisogno di meccanismi che preservino la visibilit\u00e0 dell\u2019incertezza, impediscano che le ipotesi si trasformino tacitamente in fatti e assicurino che i sistemi downstream tengano conto della qualit\u00e0 delle informazioni ricevute upstream. Ci\u00f2 richiede metadati chiari, attribuzione delle fonti, indicatori del livello di affidabilit\u00e0, classificazioni di stato, controlli di validazione e regole per interrompere o ripristinare il processo qualora informazioni essenziali risultino insufficientemente affidabili. Un agente non dovrebbe limitarsi a determinare quale passaggio successivo sembri logicamente appropriato, ma dovrebbe operare entro limiti espliciti calibrati in funzione della rilevanza giuridica e operativa di quel passaggio.<\/p>

La collaborazione uomo-macchina assume in questo contesto un significato nuovo. Il modello tradizionale nel quale un dipendente utilizza un software viene progressivamente sostituito da un modello in cui professionisti umani collaborano con diversi agenti digitali sul medesimo fascicolo o processo. Ci\u00f2 pu\u00f2 produrre significativi incrementi di produttivit\u00e0, ma soltanto se il ruolo umano non viene ridotto a una convalida superficiale degli output generati dalla macchina. Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, questo aspetto \u00e8 particolarmente importante. Un investigatore umano deve poter valutare quali informazioni siano state raccolte dall\u2019agente di IA, quali fonti siano state escluse, quali ipotesi siano state formulate, quali spiegazioni alternative restino plausibili e per quale ragione venga proposta una determinata classificazione del rischio. Quando sono coinvolti pi\u00f9 agenti, deve inoltre essere possibile identificare il contributo apportato da ciascuno di essi. La Sua organizzazione dovrebbe evitare una situazione nella quale l\u2019utente finale riceva soltanto un rapporto finale apparentemente coerente e ben strutturato dal quale siano scomparse incertezze, errori e contraddizioni tra i diversi agenti. Una collaborazione efficace tra uomo e macchina richiede quindi capacit\u00e0 di contraddittorio professionale, comprensione dei limiti del sistema, formazione mirata, responsabilit\u00e0 chiaramente definite e tempo sufficiente per esaminare gli output rilevanti. Il valore della tecnologia multi-agente non emerge quando i sistemi digitali oscurano il giudizio umano, ma quando assumono attivit\u00e0 ripetitive e analitiche consentendo alla competenza professionale di concentrarsi maggiormente su significato, contesto, proporzionalit\u00e0 e responsabilit\u00e0.<\/p>

Diritti decisionali dell\u2019IA, controllo umano e responsabilit\u00e0 d\u2019impresa<\/h4>

Con l\u2019integrazione sempre pi\u00f9 profonda dell\u2019intelligenza artificiale nei processi decisionali operativi, i diritti decisionali devono essere espressamente ridefiniti. In molte organizzazioni, i poteri sono stati storicamente distribuiti attraverso descrizioni di ruolo, livelli gerarchici, procure, mandati, segregazione delle funzioni e policy interne. L\u2019IA agentica introduce un livello digitale di esecuzione che non si inserisce automaticamente in tale distribuzione esistente. Un dipendente pu\u00f2, ad esempio, essere autorizzato ad approvare pagamenti soltanto entro una determinata soglia, mentre un agente di IA pu\u00f2 tecnicamente avere accesso a un sistema finanziario nel quale possono essere predisposte transazioni di importo significativamente superiore. Un compliance officer pu\u00f2 essere autorizzato a effettuare l\u2019escalation di un fascicolo cliente, mentre un sistema digitale pu\u00f2 produrre effetti funzionalmente analoghi attraverso la modifica automatica di un punteggio di rischio. Un dipendente pu\u00f2 essere autorizzato a inviare comunicazioni contrattualmente rilevanti solo dopo una revisione legale, mentre un sistema generativo pu\u00f2 tecnicamente essere in grado di trasmettere messaggi a soggetti esterni in modo autonomo. La Sua organizzazione deve pertanto disciplinare i diritti decisionali digitali con lo stesso rigore applicato ai poteri umani. Ogni applicazione di IA materialmente rilevante dovrebbe essere collegata a un mandato chiaramente delimitato che specifichi quali decisioni il sistema possa supportare, preparare o eseguire e quali conseguenze possano prodursi soltanto a seguito di un intervento umano esplicito.<\/p>

Il controllo umano deve essere valutato sulla base della sua effettivit\u00e0 e non della sua mera presenza formale. Una debolezza di governance frequente emerge quando i processi vengono descritti come human-in-the-loop, mentre nella pratica l\u2019intervento umano aggiunge un valore sostanziale molto limitato. Quando i dipendenti sono continuamente chiamati ad approvare grandi quantit\u00e0 di decisioni predisposte dall\u2019IA, aumenta il rischio di automation bias: l\u2019utente pu\u00f2 progressivamente accettare gli output della macchina perch\u00e9 vengono presentati in modo sistematico, rapido e con un\u2019apparenza di autorevolezza tecnica. Tale rischio aumenta ulteriormente quando il sistema produce valutazioni complesse difficili da ricostruire autonomamente. Un controllo umano efficace dovrebbe quindi essere collegato a condizioni concrete. Il revisore deve comprendere ci\u00f2 che sta esaminando, avere accesso alle informazioni di fonte rilevanti, poter discostarsi dalla raccomandazione del sistema, disporre dello spazio organizzativo necessario per contestarne l\u2019esito e non essere soggetto a obiettivi di performance che rendano materialmente impraticabile una verifica sostanziale. Pu\u00f2 essere, ad esempio, controproducente attribuire a un professionista della compliance la responsabilit\u00e0 di una revisione sostanziale e, contemporaneamente, imporgli tempistiche tali da consentire soltanto un\u2019approvazione superficiale. Il controllo umano costituisce quindi sia una questione organizzativa sia una questione di progettazione tecnica.<\/p>

La responsabilit\u00e0 d\u2019impresa non pu\u00f2, in ultima analisi, essere trasferita a un sistema di IA. Quando l\u2019intelligenza artificiale esercita un\u2019influenza materiale sulle operazioni, sulle decisioni relative ai clienti, sulle transazioni finanziarie o sulla Gestione integrata dei rischi di criminalit\u00e0 finanziaria, l\u2019organo dirigente dovrebbe disporre di una conoscenza sufficiente della natura, della portata e delle principali dipendenze connesse all\u2019utilizzo di tali sistemi. Ci\u00f2 non significa che gli amministratori debbano conoscere personalmente ogni parametro tecnico, ma che le informazioni gestionali debbano essere sufficientemente sostanziali da consentire un esercizio effettivo della supervisione e del contraddittorio. Quali processi dipendono dall\u2019intelligenza artificiale? Quali sistemi dispongono di poteri esecutivi? Quali categorie di dati vengono utilizzate? Quali fornitori tecnologici esterni svolgono funzioni critiche? Come viene misurata l\u2019affidabilit\u00e0? Quali incidenti significativi, eccezioni e override si sono verificati? Quali rischi di criminalit\u00e0 finanziaria possono emergere quando un sistema di IA effettua una classificazione errata o non rileva informazioni rilevanti? Con quale frequenza intervengono i dipendenti? Quali processi possono continuare a funzionare se la tecnologia diventa indisponibile? Quali dichiarazioni vengono rese a clienti, autorit\u00e0 di vigilanza o altri stakeholder circa l\u2019affidabilit\u00e0 dei sistemi impiegati? La Gestione integrata dei rischi di criminalit\u00e0 finanziaria richiede che tali questioni siano integrate nella governance ordinaria e non trattate come temi esclusivamente tecnici. Quanto pi\u00f9 l\u2019IA acquisisce influenza sui processi decisionali, tanto pi\u00f9 aumenta la necessit\u00e0 di ancorare la responsabilit\u00e0 in modo visibile e dimostrabile ai livelli pi\u00f9 elevati dell\u2019organizzazione.<\/p>

Operazioni finanziarie autonome, controlli sui pagamenti e prevenzione delle frodi<\/h4>

L\u2019impiego dell\u2019IA agentica nelle operazioni finanziarie rappresenta uno degli ambiti con il maggiore potenziale di valore economico e, al tempo stesso, con alcuni dei rischi operativi pi\u00f9 immediati. La Sua organizzazione pu\u00f2 utilizzare l\u2019intelligenza artificiale per l\u2019elaborazione delle fatture, la gestione dei fornitori, la gestione dei crediti verso clienti, la preparazione dei pagamenti, il cash management, le riconciliazioni, le attivit\u00e0 di tesoreria, l\u2019expense management, il forecasting, le chiusure finanziarie e il rilevamento di operazioni anomale. I sistemi avanzati possono interpretare documenti, confrontare informazioni relative ai fornitori, identificare pattern di pagamento insoliti, richiedere automaticamente dati mancanti e prioritizzare le eccezioni. Quando tali sistemi sono collegati ad applicazioni finanziarie, ambienti bancari o piattaforme di pagamento, pu\u00f2 diventare possibile un grado significativo di esecuzione autonoma. Ci\u00f2 modifica il profilo del rischio di frode. I controlli tradizionali sono spesso progettati attorno a utenti umani, diritti di accesso statici e fasi di processo prevedibili. Un agente di IA pu\u00f2 invece eseguire un elevato numero di attivit\u00e0 in un periodo estremamente breve e combinare informazioni provenienti da sistemi diversi. Se un agente viene manipolato, configurato in modo errato o alimentato con istruzioni fraudolente, la velocit\u00e0 con cui pu\u00f2 prodursi un danno pu\u00f2 essere significativamente superiore rispetto agli scenari convenzionali di frode manuale.<\/p>

La Sua organizzazione dovrebbe pertanto affrontare i poteri di pagamento attribuiti all\u2019IA sulla base del principio del minimo privilegio necessario. Un agente che analizza fatture non ha automaticamente bisogno del potere di avviare pagamenti. Un sistema che predispone proposte di pagamento non dovrebbe necessariamente disporre delle medesime autorizzazioni del sistema che libera effettivamente i fondi. Quando l\u2019esecuzione autonoma \u00e8 necessaria o economicamente conveniente, possono risultare appropriati ulteriori limiti, soglie transazionali, autenticazione rafforzata, meccanismi di doppio controllo, regole di eccezione e ritardi temporali. Una particolare attenzione deve inoltre essere rivolta al fatto che anche i soggetti fraudolenti utilizzano sempre pi\u00f9 frequentemente l\u2019intelligenza artificiale. Manipolazione delle fatture, audio deepfake, identit\u00e0 sintetiche, comunicazioni di phishing altamente persuasive e compromissione dei dati bancari dei fornitori possono essere combinati con forme gi\u00e0 note di business email compromise e frode nei pagamenti. In determinate circostanze, un sistema autonomo pu\u00f2 rilevare tali attacchi pi\u00f9 rapidamente di un dipendente umano, ma pu\u00f2 anche essere ingannato qualora non sia in grado di distinguere tra istruzioni formalmente corrette e istruzioni economicamente plausibili. La prevenzione delle frodi deve quindi riguardare sia ci\u00f2 che l\u2019IA \u00e8 autorizzata a fare sia le modalit\u00e0 con cui soggetti malevoli possono tentare di influenzarne il comportamento.<\/p>

Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, l\u2019esecuzione finanziaria autonoma dovrebbe quindi essere collegata al pi\u00f9 ampio sistema di tutela dell\u2019integrit\u00e0 finanziaria. Controlli sui pagamenti, monitoraggio delle transazioni, screening sanzionatorio, rilevazione delle frodi e customer due diligence non dovrebbero funzionare come progetti tecnologici isolati quando gli stessi dati e le stesse transazioni vengono valutati da pi\u00f9 sistemi. La Sua organizzazione pu\u00f2 generare un valore significativo quando i segnali provenienti da questi diversi ambiti vengono combinati. Una modifica delle coordinate bancarie di un fornitore pu\u00f2 apparire, considerata isolatamente, amministrativamente plausibile, ma se combinata con un cambiamento anomalo dei recapiti, una nuova destinazione geografica, una diversa frequenza dei pagamenti e una recente attivit\u00e0 di phishing, pu\u00f2 determinare un profilo di rischio sostanzialmente differente. L\u2019intelligenza artificiale pu\u00f2 identificare tali correlazioni pi\u00f9 rapidamente rispetto ai tradizionali sistemi basati su regole statiche. Al tempo stesso, i modelli dovrebbero essere progettati in modo tale che un segnale di rischio elevato non produca automaticamente un intervento sproporzionato. Un ambiente di controllo efficace distingue tra rilevazione, valutazione, escalation e blocco effettivo. Per ciascuna fase dovrebbero essere chiaramente definiti il livello probatorio richiesto, il grado di intervento umano e il livello di autorizzazione necessario. In questo modo, l\u2019automazione finanziaria autonoma diventa pi\u00f9 di uno strumento di efficienza: diventa parte di un ambiente dimostrabilmente controllato nel quale produttivit\u00e0, prevenzione delle frodi, integrit\u00e0 finanziaria e responsabilit\u00e0 d\u2019impresa si rafforzano reciprocamente.<\/p>

Intelligenza artificiale nel KYC, nell\u2019AML, nello screening sanzionatorio e nelle indagini sulla criminalit\u00e0 finanziaria<\/h4>

L\u2019impiego dell\u2019intelligenza artificiale nei processi di know your customer, antiriciclaggio, screening sanzionatorio e nelle indagini relative alla criminalit\u00e0 finanziaria pu\u00f2 trasformare profondamente la qualit\u00e0, la rapidit\u00e0 e la scalabilit\u00e0 della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, determinando al contempo un cambiamento sostanziale nel modo in cui i segnali vengono generati, valutati, documentati e sottoposti a governance. Nell\u2019ambito di tali processi, la Sua organizzazione gestisce normalmente grandi quantit\u00e0 di informazioni strutturate e non strutturate: dati identificativi, strutture proprietarie, informazioni transazionali, indicatori geografici, attivit\u00e0 economiche, fonti esterne, informazioni provenienti dai media, liste di sanzioni, dati relativi alle persone politicamente esposte, registrazioni interne di incidenti, precedenti indagini e corrispondenza con clienti o controparti commerciali. L\u2019intelligenza artificiale pu\u00f2 combinare tali informazioni con maggiore rapidit\u00e0 rispetto all\u2019analisi manuale tradizionale e pu\u00f2 individuare pattern difficilmente rilevabili mediante regole convenzionali o controlli isolati. L\u2019IA agentica pu\u00f2 inoltre eseguire consecutivamente pi\u00f9 fasi investigative, tra cui la raccolta di informazioni sul cliente, il confronto tra registri societari, l\u2019analisi dei titolari effettivi, la valutazione dei pattern transazionali, l\u2019identificazione di potenziali esposizioni sanzionatorie e la predisposizione di una nota investigativa. Ne deriva un considerevole potenziale di produttivit\u00e0, soprattutto negli ambienti in cui i professionisti della compliance dedicano una quota significativa del proprio tempo alla raccolta di informazioni, alle verifiche amministrative e alla preparazione dei fascicoli. Tale valore pu\u00f2 tuttavia essere realizzato in modo sostenibile soltanto quando viene mantenuta una distinzione chiara tra raccolta delle informazioni, riconoscimento di pattern, indicazione del rischio, qualificazione giuridica e vera e propria decisione. Un punteggio di rischio generato dall\u2019IA non costituisce prova di riciclaggio, frode, elusione delle sanzioni, finanziamento del terrorismo o altra forma di criminalit\u00e0 finanziaria. Una corrispondenza nominativa con una lista sanzionatoria non dimostra, senza ulteriori verifiche, che la persona o l\u2019entit\u00e0 interessata coincida effettivamente con il soggetto rilevante. Una transazione insolita non \u00e8 automaticamente sospetta. Una notizia negativa pu\u00f2 essere inesatta, obsoleta, priva di contesto o fondata su accuse non verificate. La Sua organizzazione deve pertanto impedire che output probabilistici vengano progressivamente trattati come fatti accertati e successivamente utilizzati per giustificare decisioni di accettazione della clientela, misure sulle transazioni, escalation o segnalazioni alle autorit\u00e0 competenti.<\/p>

Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, l\u2019intelligenza artificiale dovrebbe quindi operare all\u2019interno di un modello di valutazione accuratamente definito, nel quale qualit\u00e0 delle fonti, attualit\u00e0 dei dati, contesto, incertezza e proporzionalit\u00e0 siano espressamente considerati. Ci\u00f2 richiede molto pi\u00f9 della semplice presenza di un revisore umano al termine di un workflow automatizzato. La Sua organizzazione dovrebbe essere in grado di stabilire quali fonti vengano utilizzate dal sistema, come le informazioni vengano ponderate, quali categorie di dati vengano escluse, come vengano trattate le informazioni contrastanti e in che modo il sistema reagisca in presenza di dati mancanti. Se, ad esempio, un agente di IA \u00e8 incaricato di identificare il titolare effettivo all\u2019interno di una complessa struttura internazionale, pu\u00f2 trovarsi a dover analizzare registri differenti, holding, trust, nominee arrangements, accordi tra azionisti e relazioni di controllo indiretto. Esiste il rischio che una struttura tecnicamente plausibile ma giuridicamente incompleta venga presentata come una conclusione definitiva. Lo stesso vale per lo screening sanzionatorio, nel quale propriet\u00e0, controllo, partecipazioni indirette ed esposizione geografica possono dipendere in misura significativa dal contesto. Un sistema efficace non dovrebbe limitarsi a presentare un risultato, ma dovrebbe rendere visibili anche la catena delle fonti rilevanti, il grado di certezza, le informazioni mancanti e le possibili interpretazioni alternative. Il professionista responsabile della revisione deve quindi poter stabilire se siano necessarie ulteriori verifiche. Per la Sua organizzazione, l\u2019intelligenza artificiale produce il massimo valore quando migliora la qualit\u00e0 dell\u2019analisi umana e non quando riduce una valutazione complessa a un indicatore generato automaticamente. L\u2019integrazione con case management, monitoraggio transazionale, screening, customer due diligence e piattaforme investigative dovrebbe inoltre essere configurata in modo tale che le informazioni rimangano sempre tracciabili fino alla fonte originaria. Quando dati provenienti da pi\u00f9 sistemi vengono consolidati, l\u2019attribuzione della fonte, la data, il contesto e il livello di incertezza non devono andare perduti. In caso contrario, le decisioni successive possono poggiare su informazioni delle quali non \u00e8 pi\u00f9 possibile ricostruire retrospettivamente l\u2019origine o l\u2019affidabilit\u00e0 al momento dell\u2019utilizzo.<\/p>

Nelle indagini relative alla criminalit\u00e0 finanziaria, questa dimensione probatoria assume un\u2019importanza ancora maggiore. L\u2019IA agentica pu\u00f2 supportare i team investigativi nell\u2019organizzazione di grandi quantit\u00e0 di e-mail, contratti, transazioni, messaggi, documentazione di audit e altre informazioni digitali, ma ogni selezione automatizzata pu\u00f2 incidere sul modo in cui il caso viene successivamente interpretato. Un sistema incaricato di individuare le comunicazioni rilevanti pu\u00f2 attribuire priorit\u00e0 ad alcuni documenti e collocarne altri a un livello inferiore. Se i criteri di selezione non sono sufficientemente trasparenti, pu\u00f2 emergere un confirmation bias, poich\u00e9 gli investigatori rischiano di essere esposti soprattutto ai documenti che confermano un\u2019ipotesi gi\u00e0 in formazione. La Gestione integrata dei rischi di criminalit\u00e0 finanziaria richiede pertanto che l\u2019intelligenza artificiale non produca soltanto efficienza, ma faciliti anche il contraddittorio professionale e l\u2019esame di spiegazioni alternative. La Sua organizzazione pu\u00f2, ad esempio, introdurre meccanismi che impongano ai sistemi di ricercare attivamente informazioni a discarico, incongruenze, elementi mancanti e fatti contrari all\u2019ipotesi dominante. Dovrebbe inoltre essere stabilito quali output dell\u2019IA rappresentino esclusivamente piste investigative e quali informazioni possano invece supportare una decisione formale. Qualora un fascicolo investigativo possa essere successivamente condiviso con autorit\u00e0 di vigilanza, organi investigativi, revisori esterni, consulenti legali o altri terzi, la Sua organizzazione dovrebbe essere in grado di spiegare quali elementi siano stati generati dall\u2019intelligenza artificiale, quali fonti siano state consultate e quale livello di validazione umana sia stato applicato. La tecnologia diventa cos\u00ec parte di un processo investigativo difendibile sul piano giuridico, nel quale velocit\u00e0, scala e capacit\u00e0 analitica vengono combinate con tutela giuridica, integrit\u00e0 probatoria e responsabilit\u00e0 professionale.<\/p>

Affidabilit\u00e0 dell\u2019IA, validazione dei modelli, accesso agli strumenti digitali e gestione delle eccezioni<\/h4>

L\u2019affidabilit\u00e0 dell\u2019intelligenza artificiale non pu\u00f2 essere valutata nello stesso modo di un software convenzionale nel quale un determinato input segue una regola predefinita e produce un output prevedibile. I moderni sistemi di IA operano sulla base di probabilit\u00e0, interpretazione contestuale e interazione dinamica con dati e strumenti digitali. Ne consegue che un sistema pu\u00f2 produrre risultati differenti in circostanze apparentemente analoghe, mentre variazioni anche limitate nelle istruzioni, nelle fonti o nel contesto disponibile possono incidere significativamente sull\u2019esito. Per la Sua organizzazione, ci\u00f2 significa che l\u2019affidabilit\u00e0 non dovrebbe essere misurata soltanto attraverso indicatori generici di performance del modello, ma sulla base del comportamento del sistema all\u2019interno di processi specifici, categorie di rischio determinate e momenti decisionali concreti. Un modello molto efficace nella classificazione documentale pu\u00f2 essere meno adatto all\u2019interpretazione giuridica. Un sistema che funziona bene per clienti standard pu\u00f2 rivelarsi meno affidabile quando deve analizzare strutture proprietarie internazionali complesse. Un agente capace di produrre sintesi di alta qualit\u00e0 pu\u00f2 comunque essere inadatto all\u2019esecuzione autonoma di operazioni finanziarie. La validazione dei modelli deve quindi essere specifica per il processo, basata sul rischio e continua. Dovrebbe considerare, tra gli altri aspetti, accuratezza, pattern di errore, utilizzo delle fonti, coerenza, vulnerabilit\u00e0 alla manipolazione, comportamento in scenari eccezionali e capacit\u00e0 del sistema di rendere visibile il proprio livello di incertezza. Per le applicazioni con conseguenze giuridiche, finanziarie o sociali significative, \u00e8 inoltre necessario valutare come gli errori possano propagarsi lungo una catena pi\u00f9 ampia. Una classificazione iniziale errata pu\u00f2 determinare a valle un punteggio di rischio inesatto, un\u2019escalation non necessaria, un blocco ingiustificato o una segnalazione errata. La valutazione dell\u2019affidabilit\u00e0 deve pertanto superare il singolo modello e comprendere l\u2019intero processo nel quale il sistema opera.<\/p>

L\u2019IA agentica aggiunge una seconda dimensione: l\u2019accesso agli strumenti digitali. Un agente di IA pu\u00f2 essere collegato alla posta elettronica, ai sistemi documentali, alle banche dati dei clienti, ai sistemi ERP, alle piattaforme CRM, alle applicazioni finanziarie, agli ambienti di ricerca, a fonti esterne e ad altre funzioni digitali. Il rischio risultante non dipende quindi esclusivamente da ci\u00f2 che il modello pu\u00f2 generare, ma soprattutto da ci\u00f2 che il sistema pu\u00f2 effettivamente fare. La Sua organizzazione dovrebbe pertanto trattare l\u2019accesso agli strumenti come una vera questione di autorizzazione. Ogni agente dovrebbe avere accesso esclusivamente ai dati e alle funzionalit\u00e0 necessari per la specifica attivit\u00e0 assegnata. I permessi di lettura, modifica, creazione, trasmissione, cancellazione o esecuzione dovrebbero essere valutati separatamente. Un agente investigativo che analizza informazioni relative ai clienti pu\u00f2 avere bisogno soltanto di accesso in lettura. Un agente documentale pu\u00f2 essere autorizzato a creare documenti ma non a inviarli all\u2019esterno. Un agente di pagamento pu\u00f2 predisporre transazioni senza avere il potere di liberarle. Questa separazione riduce il rischio che un\u2019istruzione errata, una prompt injection, una fonte manipolata o un malfunzionamento del sistema determinino immediatamente un danno materiale. Possono inoltre risultare appropriate autorizzazioni temporanee. Un agente non necessita necessariamente di accesso permanente a tutti i sistemi utilizzati soltanto occasionalmente. La Sua organizzazione pu\u00f2 attribuire autorizzazioni su base contestuale o temporanea, in modo che l\u2019accesso esista esclusivamente quando uno specifico workflow lo richiede. Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, questo aspetto \u00e8 particolarmente rilevante poich\u00e9 informazioni sensibili sui clienti, materiale investigativo, dati sanzionatori e sospetti interni sono spesso soggetti a requisiti rafforzati di riservatezza. Quando tali informazioni vengono trattate da sistemi di IA, \u00e8 necessario stabilire non soltanto chi vi abbia accesso, ma anche attraverso quali connessioni digitali possano essere diffuse e quali fornitori tecnologici esterni possano trattarle.<\/p>

La gestione delle eccezioni costituisce il meccanismo attraverso il quale la Sua organizzazione evita che circostanze atipiche vengano trattate come casi ordinari. L\u2019automazione intelligente genera il massimo valore quando i casi standard possono essere gestiti in modo efficiente e le situazioni eccezionali vengono tempestivamente trasferite allo specialista appropriato. La qualit\u00e0 di un sistema dipende pertanto anche dalla sua capacit\u00e0 di riconoscere i propri limiti. Quando le informazioni sono incomplete, le fonti risultano contraddittorie, il livello di incertezza \u00e8 troppo elevato o una transazione si discosta significativamente dai pattern conosciuti, il sistema non dovrebbe essere progettato per produrre comunque una conclusione definitiva. Dovrebbe invece essere in grado di indicare che \u00e8 necessaria una valutazione umana. Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, le soglie di eccezione dovrebbero essere collegate in modo esplicito ai rischi di criminalit\u00e0 finanziaria, all\u2019impatto giuridico e alla reversibilit\u00e0 delle decisioni. Una piccola anomalia amministrativa pu\u00f2 eventualmente essere corretta in modo automatizzato, mentre una potenziale corrispondenza sanzionatoria o un flusso finanziario anomalo richiedono una logica di escalation differente. La Sua organizzazione dovrebbe inoltre monitorare quante eccezioni emergono, come vengono risolte, quali cause ricorrenti possono essere identificate e quali processi richiedano un livello di intervento umano sensibilmente superiore rispetto a quanto inizialmente previsto. Un numero elevato di override pu\u00f2 indicare un modello difettoso, una qualit\u00e0 dei dati insufficiente o policy non correttamente calibrate. Al contrario, un numero eccezionalmente basso di interventi pu\u00f2 indicare una fiducia eccessiva dei dipendenti negli output del sistema. La continuous assurance dovrebbe pertanto valutare non soltanto le performance tecniche, ma anche il comportamento umano, i risultati dei processi e il funzionamento effettivo dei controlli. Si crea cos\u00ec un ambiente di controllo nel quale l\u2019affidabilit\u00e0 non viene presunta, ma dimostrata in modo continuativo.<\/p>

Produttivit\u00e0 dell\u2019IA, ritorno sugli investimenti ed efficacia dei controlli operativi<\/h4>

La valutazione economica dell\u2019intelligenza artificiale richiede una prospettiva pi\u00f9 ampia rispetto ai tradizionali business case di automazione. Molte organizzazioni misurano inizialmente il successo attraverso il numero di applicazioni implementate, il numero di utenti, il tempo risparmiato o la riduzione delle attivit\u00e0 manuali. Tali indicatori sono rilevanti, ma non forniscono una rappresentazione sufficiente del valore economico effettivo quando, parallelamente, aumentano le attivit\u00e0 correttive, gli oneri di controllo, i rischi giuridici o le dipendenze operative. Per la Sua organizzazione, la questione centrale non consiste quindi nel determinare quanta IA venga utilizzata, ma in quale misura essa migliori in modo dimostrabile la qualit\u00e0, la velocit\u00e0, la struttura dei costi e la governabilit\u00e0 dei processi. Un\u2019applicazione che consente ai dipendenti di lavorare il venti per cento pi\u00f9 rapidamente ma produce contemporaneamente un numero maggiore di errori pu\u00f2, nel complesso, distruggere valore. Un sistema che riduce le attivit\u00e0 amministrative ma non identifica adeguatamente le eccezioni complesse pu\u00f2 limitarsi a trasferire il rischio operativo verso altre aree dell\u2019organizzazione. Un agente che prepara i fascicoli pi\u00f9 rapidamente ma richiede un controllo umano intensivo pu\u00f2 apparire produttivo sulla carta mentre il costo complessivo del processo si riduce solo marginalmente. Un ritorno credibile sugli investimenti in IA deve pertanto considerare l\u2019intero costo del processo, inclusi implementazione, licenze, gestione dei dati, integrazione, validazione, formazione, supervisione, gestione degli incidenti e attivit\u00e0 di remediation. Dovrebbe inoltre valutare miglioramenti nella qualit\u00e0, nei tempi di lavorazione, nella capacit\u00e0 liberata, nella riduzione dei rischi e nella flessibilit\u00e0 strategica. Il valore economico dell\u2019intelligenza artificiale pu\u00f2 infatti derivare non soltanto da costi pi\u00f9 bassi, ma anche da decisioni pi\u00f9 rapide, da una migliore identificazione dei rischi di criminalit\u00e0 finanziaria, da fascicoli di qualit\u00e0 superiore o da una maggiore capacit\u00e0 di trattare volumi di dati elevati senza un incremento proporzionale delle risorse umane.<\/p>

Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, questa impostazione pi\u00f9 ampia \u00e8 essenziale perch\u00e9 il valore della tecnologia non deriva esclusivamente dalla riduzione dei costi di compliance. Un sistema pi\u00f9 efficace pu\u00f2, ad esempio, ridurre i falsi positivi, consentendo ai professionisti di dedicare meno tempo all\u2019analisi di alert irrilevanti e maggiori risorse alle indagini complesse. L\u2019intelligenza artificiale pu\u00f2 inoltre contribuire a individuare pattern di frode, relazioni nascoste o flussi finanziari anomali difficilmente rilevabili mediante controlli statici. Il valore economico di tali capacit\u00e0 pu\u00f2 essere considerevole, ma deve essere bilanciato con i rischi derivanti da falsi negativi, classificazioni errate e output insufficientemente spiegabili. La Sua organizzazione pu\u00f2 pertanto sviluppare un modello di misurazione del valore dell\u2019IA nel quale produttivit\u00e0 ed efficacia dei controlli vengano valutate congiuntamente. Gli indicatori rilevanti possono includere il tempo medio per fascicolo, la percentuale di override umani, la qualit\u00e0 delle escalation, la frequenza delle correzioni, il numero di incidenti, il livello di completezza delle fonti, il rapporto dei falsi positivi, il rischio di falsi negativi, la capacit\u00e0 per dipendente e il costo per controllo completato. Il valore emerge quando tali indicatori non vengono riportati separatamente, ma collegati a obiettivi operativi concreti e a livelli di tolleranza al rischio chiaramente definiti. Un forte miglioramento della velocit\u00e0 ha un significato limitato se il tasso di errore supera contemporaneamente la soglia di rischio accettabile. Al contrario, un sistema caratterizzato da costi iniziali pi\u00f9 elevati pu\u00f2 risultare economicamente interessante quando accelera in modo strutturale indagini complesse, previene perdite o limita la necessit\u00e0 di aumentare gli organici. Il ritorno sull\u2019investimento dovrebbe pertanto essere collegato alla qualit\u00e0 dell\u2019esecuzione e non semplicemente al volume di attivit\u00e0 automatizzate.<\/p>

Lo stesso principio vale per la scalabilit\u00e0 strategica. Un progetto pilota promettente non si traduce automaticamente in una soluzione scalabile a livello aziendale. Quanto pi\u00f9 un\u2019applicazione di IA viene estesa a processi, giurisdizioni, fonti di dati, regimi giuridici e categorie di utenti differenti, tanto pi\u00f9 aumentano dipendenze ed eccezioni. La Sua organizzazione dovrebbe pertanto valutare gi\u00e0 nella fase di investimento quali costi emergeranno durante la scalabilit\u00e0, quali controlli tecnici e organizzativi saranno necessari e se i benefici economici attesi potranno essere mantenuti. Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, ci\u00f2 pu\u00f2 significare che una soluzione molto efficace per una determinata popolazione di clienti diventi meno affidabile quando applicata a strutture internazionali o a settori caratterizzati da profili di rischio differenti. Il rendimento dovrebbe quindi essere misurato a pi\u00f9 livelli: attivit\u00e0, processo, organizzazione e rischio. Anche il costo opportunit\u00e0 strategico merita particolare attenzione. Quando professionisti altamente qualificati dedicano meno tempo ad attivit\u00e0 amministrative grazie all\u2019intelligenza artificiale, la Sua organizzazione dovrebbe stabilire a quali attivit\u00e0 venga destinata la capacit\u00e0 liberata. Il maggiore valore economico si manifesta spesso quando tale capacit\u00e0 viene reindirizzata verso indagini approfondite, decisioni strategiche, consulenza ai clienti, controlli preventivi o altre attivit\u00e0 a maggiore valore aggiunto. La produttivit\u00e0 non significa quindi soltanto svolgere lo stesso lavoro pi\u00f9 rapidamente, ma consentire all\u2019organizzazione di utilizzare in modo diverso e pi\u00f9 efficace le proprie competenze. In questa prospettiva, il ritorno sugli investimenti in IA diventa parte di una trasformazione pi\u00f9 ampia che collega performance finanziaria, efficacia operativa, Gestione integrata dei rischi di criminalit\u00e0 finanziaria e controllo aziendale.<\/p>

Risposta agli incidenti di IA, audit trail forensi e responsabilit\u00e0 giuridica<\/h4>

Quando l\u2019intelligenza artificiale esegue attivit\u00e0 operative, sorge inevitabilmente la possibilit\u00e0 che i sistemi commettano errori, vengano manipolati, trattino informazioni senza un\u2019adeguata autorizzazione o agiscano oltre i limiti previsti. La risposta agli incidenti di IA dovrebbe pertanto essere progettata come un processo integrato nel quale cybersecurity, protezione dei dati, analisi giuridica, continuit\u00e0 operativa, compliance, Gestione integrata dei rischi di criminalit\u00e0 finanziaria ed escalation verso gli organi dirigenziali operino congiuntamente. La Sua organizzazione dovrebbe definire preventivamente quali eventi debbano essere qualificati come incidenti di IA e secondo quali criteri il relativo impatto debba essere classificato. Una sintesi interna errata presenta un livello di gravit\u00e0 diverso rispetto a un ordine di pagamento non autorizzato, a una divulgazione illecita di informazioni, a una decisione errata in materia di sanzioni o a una classificazione inesatta su larga scala della clientela. Il framework di incident response dovrebbe quindi considerare l\u2019impatto finanziario, le conseguenze giuridiche, i dati personali coinvolti, il numero di soggetti interessati, eventuali obblighi verso le autorit\u00e0 di vigilanza, la reversibilit\u00e0 e il rischio reputazionale. Con l\u2019IA agentica, la rapidit\u00e0 di individuazione assume particolare rilievo perch\u00e9 un sistema autonomo pu\u00f2 svolgere un numero elevatissimo di attivit\u00e0 in un periodo molto breve. La Sua organizzazione necessita quindi di meccanismi attraverso i quali l\u2019attivit\u00e0 di un agente possa essere immediatamente limitata, le autorizzazioni revocate, i workflow sospesi e le transazioni o i flussi di dati interessati isolati. Ci\u00f2 richiede kill switch tecnici predefiniti, controlli di autorizzazione, procedure di escalation e responsabilit\u00e0 chiaramente assegnate. Una procedura di risposta agli incidenti progettata esclusivamente intorno a utenti umani di software pu\u00f2 essere insufficiente quando l\u2019incidente origina da un sistema autonomo che opera contemporaneamente su pi\u00f9 piattaforme.<\/p>

Gli audit trail forensi costituiscono la base per la ricostruzione degli eventi e per l\u2019attribuzione delle responsabilit\u00e0. Quando occorre stabilire retrospettivamente perch\u00e9 un agente di IA abbia compiuto una determinata azione, la semplice registrazione dell\u2019esito finale non \u00e8 sufficiente. La Sua organizzazione dovrebbe essere in grado di ricostruire l\u2019istruzione ricevuta dal sistema, il contesto disponibile, le fonti consultate, gli strumenti digitali utilizzati, le decisioni intermedie adottate e gli eventuali interventi umani. Dovrebbero inoltre essere disponibili la versione del modello, la relativa configurazione, i diritti di accesso e le impostazioni delle policy vigenti nel momento in cui l\u2019azione \u00e8 stata compiuta. Senza tali informazioni, pu\u00f2 risultare estremamente difficile stabilire se un errore sia derivato dal comportamento del modello, da dati di scarsa qualit\u00e0, da un\u2019autorizzazione inadeguata, da istruzioni errate, da un errore umano o da una manipolazione esterna. Nelle indagini relative alla criminalit\u00e0 finanziaria, questo aspetto pu\u00f2 assumere carattere determinante, poich\u00e9 i sistemi di IA possono entrare a far parte della catena probatoria e decisionale. Se una decisione di compliance, una conclusione investigativa interna o un\u2019escalation sono basate, anche solo in parte, su un\u2019analisi automatizzata, la Sua organizzazione dovrebbe poter dimostrare come tale analisi sia stata prodotta. L\u2019auditabilit\u00e0 non costituisce quindi una semplice caratteristica tecnica, ma una condizione di difendibilit\u00e0 giuridica. La registrazione deve tuttavia rimanere proporzionata. La conservazione illimitata di prompt, dati personali o informazioni investigative pu\u00f2 essa stessa creare rischi sotto il profilo della privacy e della cybersecurity. La Sua organizzazione dovrebbe quindi stabilire quali informazioni siano necessarie per la ricostruzione, per quanto tempo debbano essere conservate, chi possa accedervi e in quali circostanze i dati di audit possano essere esaminati.<\/p>

La questione della responsabilit\u00e0 \u00e8 direttamente collegata a questa capacit\u00e0 di ricostruzione. Un sistema di IA non assume autonomamente una responsabilit\u00e0 organizzativa. Le conseguenze giuridiche di un errore dovranno spesso essere valutate alla luce degli obblighi esistenti in materia di diligenza, adempimento contrattuale, protezione dei dati, cybersecurity, regolamentazione finanziaria, corporate governance e responsabilit\u00e0 connesse al rapporto di lavoro, integrate dalla normativa applicabile in materia di intelligenza artificiale. Per la Sua organizzazione \u00e8 pertanto essenziale che gli accordi contrattuali con i fornitori tecnologici riflettano la reale distribuzione dei rischi. Quando un fornitore esterno \u00e8 responsabile dell\u2019hosting del modello, del trattamento dei dati o degli aggiornamenti tecnici, dovrebbero essere chiaramente definiti gli standard di sicurezza, gli obblighi di notifica degli incidenti, i diritti di audit, le procedure di change management e i regimi di responsabilit\u00e0. Allo stesso tempo, l\u2019esternalizzazione della tecnologia non elimina le responsabilit\u00e0 di governance proprie della Sua organizzazione. Quando un\u2019applicazione di IA fa parte di un processo aziendale critico, la Sua organizzazione deve essere in grado di dimostrare di aver predisposto un\u2019adeguata due diligence, un monitoraggio efficace e controlli appropriati. Lo stesso vale, nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, per i sistemi che supportano customer due diligence, monitoraggio transazionale o screening sanzionatorio. Un malfunzionamento del fornitore tecnologico pu\u00f2 avere conseguenze rilevanti, ma rimane necessario valutare se la Sua organizzazione avesse predisposto controlli adeguati per individuare tale malfunzionamento. Un solido modello di incident response combina quindi contenimento operativo immediato, ricostruzione forense, analisi giuridica, remediation, root-cause analysis e miglioramento strutturale. L\u2019incidente non viene cos\u00ec semplicemente risolto, ma diventa una fonte di rafforzamento dimostrabile dell\u2019intero sistema di controllo.<\/p>

Trasformazione agentica responsabile e resilienza istituzionale dell\u2019IA<\/h4>

Una trasformazione agentica responsabile richiede, in ultima analisi, molto pi\u00f9 di policy autonome sull\u2019IA, inventari dei modelli o singoli controlli tecnici. Quanto pi\u00f9 l\u2019intelligenza artificiale diventa una componente strutturale dell\u2019interazione con la clientela, dell\u2019analisi, del processo decisionale, delle operazioni finanziarie, della Gestione integrata dei rischi di criminalit\u00e0 finanziaria e dei processi interni, tanto pi\u00f9 l\u2019organizzazione sviluppa una dipendenza che, dal punto di vista della governance, tende ad assomigliare a quella esistente nei confronti di altre infrastrutture digitali critiche. La Sua organizzazione dovrebbe pertanto valutare quali funzioni possano continuare a operare senza IA, quali processi siano diventati materialmente dipendenti da specifici modelli o fornitori tecnologici e quali conseguenze deriverebbero da un\u2019indisponibilit\u00e0 temporanea, da una perdita di affidabilit\u00e0 o dall\u2019impossibilit\u00e0 di accedere ai sistemi. La resilienza istituzionale dell\u2019IA implica evitare che processi aziendali critici diventino cos\u00ec dipendenti da un singolo modello, un singolo fornitore, una singola fonte di dati o una specifica categoria di specialisti da determinare una perdita immediata di controllo in caso di interruzione. Ci\u00f2 richiede analisi di scenario, procedure di fallback, modalit\u00e0 alternative di trattamento, mantenimento delle competenze umane e priorit\u00e0 chiaramente definite per la continuit\u00e0 operativa. Un\u2019organizzazione che automatizza progressivamente attivit\u00e0 per un lungo periodo pu\u00f2 perdere gradualmente conoscenze istituzionali qualora i dipendenti non svolgano pi\u00f9 determinate attivit\u00e0 in modo autonomo. Pu\u00f2 cos\u00ec emergere un paradosso: la tecnologia migliora la produttivit\u00e0 quotidiana ma riduce contemporaneamente la capacit\u00e0 dell\u2019organizzazione di operare in modo indipendente durante un\u2019interruzione o un incidente. La resilienza strategica dell\u2019IA richiede pertanto il mantenimento di conoscenze umane e competenze professionali sufficienti per valutare gli output critici, assumere temporaneamente il controllo di determinati processi e continuare a mettere efficacemente in discussione i sistemi.<\/p>

Questa dimensione istituzionale assume particolare importanza quando l\u2019IA agentica diventa parte integrante della creazione di valore dell\u2019organizzazione. Un modello di business nativo dell\u2019IA pu\u00f2 generare significativi vantaggi di scala, ma crea anche nuovi rischi di concentrazione. Quando diversi processi aziendali dipendono dagli stessi foundation model, cloud provider, API esterne o fornitori di dati, una singola interruzione pu\u00f2 incidere contemporaneamente su pi\u00f9 funzioni dell\u2019organizzazione. La Sua organizzazione dovrebbe pertanto valutare il rischio di concentrazione tecnologica congiuntamente alla continuit\u00e0 operativa, alla cybersecurity, alla protezione dei dati, alle dipendenze contrattuali e alla Gestione integrata dei rischi di criminalit\u00e0 finanziaria. Tale valutazione non dovrebbe riguardare esclusivamente i malfunzionamenti tecnici, ma anche modifiche improvvise delle condizioni dei fornitori, del comportamento dei modelli, dei prezzi, delle funzionalit\u00e0 disponibili o delle modalit\u00e0 geografiche di trattamento dei dati. Una modifica introdotta da un fornitore esterno pu\u00f2, ad esempio, incidere sul logging, sulla retention dei dati, sulle performance del modello o sull\u2019accesso a determinate funzionalit\u00e0. Quando tali cambiamenti influenzano i controlli sulla criminalit\u00e0 finanziaria, l\u2019accettazione della clientela o il monitoraggio transazionale, la Sua organizzazione deve poter stabilire tempestivamente se l\u2019ambiente di controllo esistente rimanga adeguato. La vendor governance assume quindi una rilevanza strategica. Diritti contrattuali di uscita, portabilit\u00e0 dei dati, interoperabilit\u00e0 tecnica, diritti di audit e piani di transizione diventano componenti della governance dell\u2019IA. La resilienza istituzionale implica inoltre che il processo decisionale non venga concentrato esclusivamente nelle funzioni tecnologiche. Legal, compliance, risk, finance, operations, information security e responsabili di business devono poter valutare, ciascuno nel proprio ambito di responsabilit\u00e0, le conseguenze delle applicazioni di IA.<\/p>

La misura ultima di una trasformazione agentica responsabile non consiste quindi nella quantit\u00e0 di tecnologia implementata dalla Sua organizzazione, ma nella misura in cui l\u2019innovazione rimane dimostrabilmente sotto controllo di governance mentre genera valore economico. Un solido ambiente di governance dell\u2019IA collega strategia, decisioni di investimento, poteri, qualit\u00e0 dei dati, controllo umano, validazione dei modelli, cybersecurity, Gestione integrata dei rischi di criminalit\u00e0 finanziaria, risposta agli incidenti e continuit\u00e0 operativa all\u2019interno di un unico sistema coerente. Dovrebbe essere periodicamente riesaminato quali processi siano idonei a un maggiore livello di autonomia e in quali ambiti la decisione umana debba conservare un ruolo dominante. Non ogni forma di automazione tecnicamente possibile \u00e8 necessariamente desiderabile sotto il profilo economico o giuridico. Allo stesso modo, non ogni applicazione ad alto rischio deve necessariamente essere evitata quando possano essere predisposte misure di mitigazione efficaci. Il principio centrale \u00e8 quello della delega basata sul rischio: maggiore autonomia quando le conseguenze sono limitate, governabili e reversibili; maggiore coinvolgimento umano quando le decisioni producono effetti rilevanti sui diritti, sugli interessi finanziari, sull\u2019integrit\u00e0 o sulla responsabilit\u00e0 istituzionale. Nell\u2019ambito della Gestione integrata dei rischi di criminalit\u00e0 finanziaria, questo approccio consente di trattare la tecnologia non come un\u2019iniziativa di innovazione separata, ma come una componente strutturale dell\u2019integrit\u00e0 istituzionale. Quando la Sua organizzazione pu\u00f2 dimostrare quali attivit\u00e0 siano state automatizzate, quali poteri siano stati delegati, come vengano misurate le performance, quali eccezioni richiedano una valutazione umana e come gli errori vengano identificati e corretti, emerge un fondamento molto pi\u00f9 solido per un utilizzo sostenibile dell\u2019IA. L\u2019IA agentica diventa cos\u00ec non un sostituto incontrollato della responsabilit\u00e0 professionale, ma un\u2019estensione governata della capacit\u00e0 esecutiva dell\u2019organizzazione, nella quale responsabilit\u00e0 umana, valore economico, tutela giuridica e resilienza istituzionale rimangono strutturalmente connessi.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

L\u2019intelligenza artificiale, l\u2019IA agentica e l\u2019automazione intelligente stanno trasformando in modo fondamentale il modo in cui la Sua organizzazione elabora le informazioni, organizza il lavoro, distribuisce i poteri decisionali, valuta i rischi ed esegue decisioni critiche per l\u2019attivit\u00e0. Lo sviluppo pi\u00f9 significativo non risiede soltanto nella crescente capacit\u00e0 analitica dell\u2019intelligenza artificiale generativa, ma nel passaggio da sistemi che producono informazioni a sistemi in grado di agire autonomamente all\u2019interno dei processi digitali aziendali. Mentre l\u2019automazione convenzionale si basa prevalentemente su regole predefinite, fasi di processo fisse e trigger chiaramente delimitati, i sistemi avanzati di IA agentica possono interpretare istruzioni, combinare informazioni<\/p>\n","protected":false},"author":1,"featured_media":36171,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[244],"tags":[],"class_list":["post-36154","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia-resilienza-digitale"],"acf":[],"_links":{"self":[{"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/posts\/36154","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/comments?post=36154"}],"version-history":[{"count":4,"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/posts\/36154\/revisions"}],"predecessor-version":[{"id":36175,"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/posts\/36154\/revisions\/36175"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/media\/36171"}],"wp:attachment":[{"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/media?parent=36154"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/categories?post=36154"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/vanleeuwenlawfirm.eu\/it\/wp-json\/wp\/v2\/tags?post=36154"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}