> ## Content Index
> Fetch the complete content index at: https://ai-in-fvg.ghost.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# AIperitivo di fine marzo, dedicato alla sostenibilità dell'AI
- URL: https://ai-in-fvg.ghost.io/aiperitivo-di-fine-marzo-dedicato-alla-sostenibilita-dellai-2/
- Published: 2026-04-01T16:48:58.000Z
- Updated: 2026-04-01T16:48:58.000Z
- Author: Chiara Meriani
- Tags: AIperitivo Club

Facciamo finta che...

…che il Friuli Venezia Giulia sia stato scelto, che possa (e debba) diventare il Laboratorio Europeo di Intelligenza Artificiale sostenibile.

“Voi entrate a far parte della *task force* che ne definisce le regole: quali sono i principi su cui non accettate compromessi? E, al contrario, quali sono i compromessi che ritenete inevitabili?”

Questa è stata la domanda rivolta agli ***Special Guests*** del secondo AIperitivo triestino: la professoressa **Teresa Scantamburlo**, titolare all’Università di Trieste della Cattedra by Generali di Intelligenza Artificiale Responsabile e Sostenibile; e il dott. **Alberto Cazzaniga**, Direttore del LADE, Laboratorio di Data Engineering dell’AREA Science Park di Trieste.

La prof. Scantamburlo ha portato l’attenzione sulla necessità di far quadrare la sostenibilità ***ambientale*** con quella **sociale**, concentrandosi sulla fattibilità — perché l’essere sostenibile non diventi una forma di *greenwashing*, ma un modo di agire con effetti positivi concreti sulla società. Il nodo, però, non è se misurare — su questo non ci sono dubbi — ma cosa e come misurare.

Le ***metriche*** rilevanti non riguardano solo l’impatto ambientale (consumi energetici, emissioni), ma anche la performance dei modelli, la loro equità, robustezza e interpretabilità. Il possibile compromesso, quindi, non riguarda l’importanza delle misurazioni, ma la loro costruzione: in un contesto europeo ancora frammentato, sarà necessario trovare un equilibrio tra metriche diverse, spesso difficili da rendere comparabili, e la possibilità di adottare standard condivisi senza perdere complessità e significato.

Il dott. Cazzaniga ha invece sottolineato il rischio opposto: quello di semplificare eccessivamente queste metriche nel tentativo di renderle più facilmente applicabili. È proprio sulla solidità delle misurazioni — ambientali e di performance — che, secondo lui, non si può scendere a compromessi. Misurare in modo rigoroso consumi, efficienza e impatto reale dei sistemi, ma anche valutare in modo affidabile il comportamento dei modelli, è indispensabile per evitare un’AI “opaca”, difficile da valutare e quindi anche da governare.

In questo senso entra in gioco un altro elemento cruciale: **l’interpretabilità**. Non basta sapere *quanto* un modello performa, ma anche *come* arriva ai suoi risultati. Senza un adeguato livello di interpretabilità, infatti, anche le metriche più precise rischiano di essere insufficienti: possiamo misurare un sistema, ma non capirlo davvero. E un sistema che non si capisce è un sistema di cui non si possono prevedere fino in fondo gli effetti — né sul piano tecnico, né su quello sociale.

Interpretabilità e misurazione sono due temi profondamente intrecciati: la prima potrebbe dar maggior senso alla seconda? Senza metriche robuste, la sostenibilità rischia di restare uno slogan; e senza interpretabilità, l'AI rischia di diventare una scatola nera non realmente governabile. Si parla molto di sostenibilità, ma quale potrà essere la strada per renderla concretamenmte possibile?

> **SAVE THE DATE!** Il prossimo AIperitvo triestino, il 20 aprile; a Udine, il 24 aprile. Seguiranno maggiori informazioni a breve :)