L’IA Agentica nelle gare di appalto pubbliche: collusioni e diversità algoritmiche tra candidati e stazioni appaltanti

Le imprese di costruzioni da tempo si trovano ad affrontare il tema della digitalizzazione sotto molteplici aspetti, tra cui quello della Gestione Informativa Digitale, menzionato dal Codice dei Contratti Pubblici, ma anche attraverso, ad esempio, la progressiva digitalizzazione del cantiere, che trascende di tanto la Modellazione Informativa e che ha avuto risvolti significativi attraverso le diverse misure fiscali incentivanti di Industria 4.0 e 5.0; basti pensare all’Internet of Things e, più recentemente, al Digital Twin.

D’altro canto, il Codice stesso prevede la intera digitalizzazione del ciclo di vita dei contratti pubblici e istituisce alcuni dispositivi come la Piattaforma di Approvvigionamento Digitale e l’Ambiente di Condivisione dei Dati, oltre a contestualizzare il tutto entro un Ecosistema Digitale più vasto, in cui figurano diverse componenti, come il Fascicolo Virtuale dell’Operatore Economico.

L’adozione delle soluzioni tecnologiche non dipende, tuttavia, solo da condizioni intrinseche, ma richiede presupposti culturali e infrastrutturali legati alla cosiddetta cultura del dato.

Ciò che, tuttavia, oggi emerge è un improvviso entusiasmo per i dispositivi, da intendersi non solo come strumenti, ma sempre più anche quali entità, relativi alla Intelligenza Artificiale, sia nella modalità del Machine Learning sia in quella mediata da mezzi conversazionali di Intelligenza Artificiale Generativa e Agentica.

Uno degli ambiti di maggiore interesse, per le imprese di costruzioni, riguarda la predisposizione delle offerte relative agli affidamenti dei contratti pubblici e privati, poiché esse intravedono alcuni benefici derivanti dall’Intelligenza Artificiale Generativa: velocità decisionale, che incrementa il novero delle offerte presentabili; coerenza strategica, che aumenta la congruità delle potenziali acquisizioni; sfruttamento di serie storiche di dati, che valorizza l’esperienza pregressa.

Essenzialmente, il fine tuning dei Modelli Linguistici avviene sull’archivio storico delle offerte, con i propri errori sistematici (che potrebbero inficiare l’efficacia del risultato) e con pattern di successo o di insuccesso (che potrebbero omologare i contenuti), citando fonti, tracciando il contesto del mercato di riferimento.

Naturalmente, tutto ciò vale a prescindere dall’utilizzo della Shadow AI da parte delle unità organizzative e senza considerare il rischio di riduzione della soglia di professionalità interna intrinseco all’implementazione progressiva degli strumenti.

AGID sta, peraltro, predisponendo Linee guida per l’adozione di IA nella pubblica amministrazione, mentre le associazioni datoriali si stanno adoperando attraverso Proof of Concept.

AGID sta, del resto, mettendo pure a punto Linee guida per il procurement di IA nella Pubblica Amministrazione: per l’acquisizione dei dispositivi.

In altri mercati, è già stato dimostrato, però, come algoritmi di determinazione dei prezzi tramite soluzioni di apprendimento rinforzato possano imparare comportamenti sovra competitivi senza accordi umani espliciti.

A proposito del tema dell’uso dei dispositivi da parte delle stazioni appaltanti e degli enti concedenti, esiste un filone di ricerca i cui protagonisti sono, tra gli altri, Chan Heo, Moonseo Park, Changbum R. Ahn, incentrato sull’uso dei Modelli Linguistici Massivi intesi come Agenti dei processi di offerta nei processi di determinazione dei prezzi, per cui il rischio di coordinazione tacita sia ipotizzabile in misura maggiore che non per soluzioni di Machine Learning.

La tesi formulata consiste nel fatto che, nelle aste elettroniche, supportate da Modelli Linguistici di Grandi Dimensioni, rivolte unicamente al prezzo, con gli stessi partecipanti, variazioni linguistiche sottili possano spostare le strategie dei concorrenti verso prezzi più alti, pur in assenza di accordi espliciti tra Agenti.

Nella sperimentazione svolta gli Agenti ricevevano informazioni sulle precedenti venti gare e sul margine atteso, stimavano il contesto corrente, generavano approfondimenti,  producevano piani, proponevano il prezzo finale e aggiornavano il piano per il ciclo successivo di offerta (di pricing).

Il Modello Linguistico di Grandi Dimensioni operava con una memoria esterna testuale, estesa ai venti cicli precedenti, memoria ricostruita come testo, senza memoria persistente nativa, con omogeneità degli Agenti e semplificazione del contesto.

I Modelli, in effetti, sono pre-addestrati su vasti corpus testuali e posseggono una elevata capacità di adattamento e di contestualizzazione: tramite minimali addestramenti possono ragionare in linguaggio naturale su scenari strategici complessi e relazionarsi sia con esseri umani sia con altre agentificazioni.

Detto in altri termini, gli Agenti parevano convergere molto rapidamente verso strategie stabili e, in certe condizioni di framing linguistico, potevano alzare sistematicamente i prezzi senza istruzioni esplicite di intendere di colludere.

Il paper evidenzia, perciò, come la collusione non emerga da una regola hard coded, ma da un framing linguistico.

Non sussisteva accordo esplicito, né scambio di informazioni proibito, né intenzione dichiarata di coordinarsi: si parla, in effetti, di implicit collusive behaviour o di prompt-dependent collusion-like outcome, che causi un esito anticoncorrenziale.

Sostanzialmente, si tratta di comprendere le relazioni che si instaurano tra prompt, linguaggio interno dell’Agente e comportamento di mercato: il ruolo della textual analysis dimostra come il testo sia parte del meccanismo decisionale.

Quello che si evince dalle sperimentazioni è che il testo del prompt predica il comportamento dell’Agente: il testo generato fungerebbe involontariamente da indicatore operativo della mossa successiva.

Una differenza linguistica lieve nel prompt altererebbe la distribuzione dei pensieri strategici dell’Agente e il suo comportamento, senza, peraltro, che vi sia l’introduzione di richieste collusive esplicite da parte del soggetto umano, che si limiterebbe a chiedere all’Agente di aumentare o di ridurre i prezzi, di osservare i competitori, di allinearsi alle tendenze in atto.

Nella sperimentazione condotta dagli studiosi sud coreani si davano principalmente due casi: nel primo, gli Agenti erano focalizzati sulla aggiudicazione immediata, rendendo saliente il tema della competitività di prezzo, ovvero secondo il principio secondo cui offerte più basse aumentano la probabilità di aggiudicazione; nel secondo, gli Agenti allineavano le proprie offerte a livelli elevati e stabili, senza comunicazione diretta e senza pianificazione esplicita di collusione, conservando profitti consistentemente superiori alla soglia competitiva, rendendo determinante il tema della massimizzazione del margine.

I Modelli Linguistici conservavano i prezzi alti perché temevano che un ribasso avrebbe scatenato una reazione aggressiva del concorrente, portando a una perdita di profitti per entrambi.

Tutto quello che si è descritto non incontra palesemente il caso della gara di appalto per affidare, ad esempio, un contratto pubblico di erogazione di servizi di ingegneria e di architettura o di lavori, nella misura in cui mancano le condizioni narrate: ripetitività (in luogo di episodicità),  logica al rialzo, unicità del prezzo come fattore determinante (almeno nei casi della offerta economicamente più vantaggiosa), scarsa eterogeneità dei documenti di gara, uniformità dei candidati o concorrenti che interagiscono nel corso delle differenti procedure per l’affidamento dei contratti.

È, tuttavia, plausibile che, anche in presenza di un solo concorrente che partecipi alla procedura competitiva, che abbia fatto ricorso a un semplice Modello Linguistico di Grandi Dimensioni come Assistente o che abbia utilizzato un Agente (per non dire, naturalmente, di Sistemi Multi Agentici), possano ricorrere situazioni critiche.

Qualora, poi, si ipotizzasse che anche un solo concorrente e la stazione appaltante abbiano utilizzato un Modello Linguistico Massivo in una gara gestita con il criterio dell’offerta economicamente più vantaggiosa, si potrebbe, comunque, immaginare l’esistenza di rischi di collusione tecnologica: anche in questo caso, mediante convergenza algoritmica.

Ad esempio, se in entrambi i versanti, della domanda e dell’offerta, i Modelli Linguistici fossero stati addestrati (col fine-tuning) su basi di dati simili che includessero serie di dati storiche di gare passate, di verbali di aggiudicazione e di distribuzione di punteggio della stessa stazione appaltante, l’offerta risulterebbe massimizzata sulle preferenze della controparte, rispondendo perfettamente ai pesi latenti degli algoritmi di valutazione, laddove l’esito finale fosse parzialmente automatizzato o, in ogni modo, condizionato dal Modello Linguistico.

Nella circostanza in cui il Modello Linguistico adoperato fosse il medesimo, domanda pubblica e offerta privata condividerebbero la stessa logica, dal punto di vista della disamina dei criteri qualitativi.

Addirittura, nell’offerta potrebbero essere introdotti messaggi subliminali o strutture di dati tese a influenzare il risultato proposto alla stazione appaltante dal proprio Modello Linguistico, anche nella veste della resocontazione sintetica fornita alla commissione giudicatrice.

Altra eventualità potrebbe consistere nella normalizzazione linguistica, causando un appiattimento contenutistico di varie offerte prodotte col supporto dello stesso Modello Linguistico, favorendo anche collusioni intenzionali tra concorrenti, sulla scorta della teoria dei giochi.

Di là della presenza cruciale dell’essere umano, vale a dire della commissione giudicatrice, nella selezione dei candidati, conterebbe richiedere trasparenza algoritmica e diversità tecnologica.

Si possono immaginare, in termini di simulazione, alcune circostanze in cui possa avvenire il fenomeno distorsivo per ciò che concerne il ricorso ai Modelli Linguistici.

Nella prima circostanza, il Modello Linguistico potrebbe supportare sia la redazione dell’offerta sia la sua valutazione a proposito della Modellazione Informativa, basandosi su strutture di dati rigide, su parametri e su relazioni geometriche.

Considerando la progressiva integrazione conversazionale, testuale e visiva, relativamente ai dispositivi di produzione dei Modelli Informativi, la richiesta, da parte della stazione appaltante, di ottimizzare azioni manutentive (così come,  ad esempio, di proporre migliorie sulle prestazioni energetiche di un involucro) potrebbe fare sì che il candidato richieda al Modello Linguistico di arricchire i parametri degli oggetti nel Modello Informativo, sapendo che il corrispettivo Agente all’interno della stazione appaltante scansioni specifici campi di metadati, rilevando un’alta densità di informazioni pertinenti e proponendo il punteggio massimo, anche se molti di questi dati fossero generati proceduralmente, senza riflettere una reale strategia da parte del concorrente.

Un concorrente potrebbe introdurre nei contenitori informativi in formato neutro stringhe di testo che fungano come prompt injection, favorevoli al candidato.

Analogamente, si potrebbe proporre una esemplificazione relativa alla programmazione dei lavori.

Si sarebbe in presenza del fatto che si crei un’asimmetria informativa per la quale i concorrenti usino strumenti di Intelligenza Artificiale di fronte a stazioni appaltanti che non dispongano di dispositivi atti a rilevare anomalie o cartelli algoritmici.

La collusione algoritmica autonoma, senza che il concorrente lo abbia esplicitamente ordinato, comporta una violazione della fiducia e della correttezza verso la pubblica amministrazione?

Occorrerebbe, dunque, procedere a un monitoraggio statistico dell’esito delle gare, per identificare anomalie di prezzo che suggeriscano una coordinazione invisibile tra algoritmi, stante l’impraticabilità di un controllo diretto delle istruzioni fornite agli algoritmi, dei piani testuali forniti dal candidato.

Allorché un operatore economico utilizzasse Assistenti di Intelligenza Artificiale Generativa o addirittura Sistema Agentici al fine di predisporre l’offerta tecnica e quella economica, la stazione appaltante attualmente non si avvarrebbe abitualmente di una traccia nativa del prompt, del ragionamento o dei dati storici usati dal Modello Informativo.

Il fenomeno riguarderebbe, invero, anche la giustificazione dell’anomalia di un’offerta generata tramite tali sistemi.

L’art. 30 del D.Lgs. 36/2023 e s.m.i. stabilisce che per migliorare l’efficienza le stazioni appaltanti e gli enti concedenti provvedono, ove possibile, ad automatizzare le proprie attività ricorrendo a soluzioni tecnologiche, ivi incluse l’Intelligenza Artificiale e le tecnologie di registri distribuiti, nel rispetto delle specifiche disposizioni in materia.

La previsione non riguarda, tuttavia, direttamente i concorrenti e l’uso che essi possano fare delle soluzioni menzionate.

D’altra parte, la disponibilità del codice sorgente, della documentazione e di ogni altro elemento utile a comprendere le logiche di funzionamento dei Modelli Linguistici commerciali più diffusi appare assai problematica.

Il Codice affronta, d’altronde, la collusione tra offerenti principalmente come causa di esclusione ex art. 95 (grave illecito professionale) e come fenomeno da segnalare all’Autorità competente, ma ciò implicherebbe un accordo esplicito tra concorrenti, nel caso in cui i Modelli Linguistici o, tanto più, i Sistemi Agentici operassero semi autonomamente per conseguire la gratifica rispetto alla richiesta o all’obiettivo sottoposto.

Il D.Lgs. 36/2023 e s.m.i. potrebbe riferirsi poi alla recente legge nazionale sulla Intelligenza Artificiale, ovvero la L. 132/2025, e all’Allegato III dell’AI Act, identificando il Sistema Agentico come sistema ad alto rischio.

Sul piano del Codice dei Contratti Pubblici, si potrebbe introdurre un obbligo di disclosure algoritmica per gli operatori economici che utilizzino sistemi di Intelligenza Artificiale nella formulazione delle offerte, estendendo ai privati i principi già imposti alle stazioni appaltanti dall’art. 30, così come i meccanismi di verifica delle offerte per ricomprendere non solo le anomalie al ribasso, ma anche i pattern di convergenza al rialzo, entro gli importi definiti a base di gara, statisticamente sospetti.

Sul piano dell’antitrust, la collusione algoritmica implicita richiederebbe un aggiornamento del quadro normativo che non presupponga la prova dell’accordo esplicito, in linea con la proposta di alcuni autori di sviluppare una nozione di concerto tra algoritmi basata sull’effetto, non sull’intenzione.

Chi risponderà civilmente e penalmente per offerte collusive prodotte in autonomia da un Sistema Agentico di cui l’utente umano non comprende appieno la logica di funzionamento?

Laddove la stazione appaltante adottasse un modello di gara fortemente centrato sul prezzo, il rischio evidenziato diverrebbe più immediato, perché l’algoritmo concentrerebbe tutta la sua strategia competitiva su una sola variabile.

Al contrario, la tematica potrebbe rivelarsi meno critica nel momento in cui le procedure fossero multi-criteriali, meno esposte a forme di coordinamento algoritmico tacito, come nell’offerta economicamente più vantaggiosa.

In prospettiva, sui mercati locali dove gli stessi operatori economici interagiscono spesso, la stazione appaltante dovrebbe, comunque, analizzare convergenze anomale nei ribassi speculari e persistenti, specie se non spiegati da variabili tecniche o di costo.

La digitalizzazione deve, ovviamente, svolgersi nel rispetto dei principi del Codice dell’Amministrazione Digitale e non può comprimere parità di accesso, partecipazione o concorrenza.

Forse si potrebbe ritenere che il Codice dei Contratti Pubblici sia meglio attrezzato contro le offerte anormalmente basse che contro le offerte artificialmente alte, sia pure entro l’importo fissato a base di gara, ma coordinate: offerte in futuro, algoritmicamente reciprocamente allineate, nello spazio che intercorre tra intesa vietata e comportamento autonomo lecito.

Il D.Lgs. 36/2023 e s.m.i. non vieta, ovviamente, a un operatore economico di usare Modelli Linguistici per supportare la formulazione dell’offerta, anche perché attualmente essi si limitano a supportare analisi interne e simulazioni competitive.

In linea teorica, un concorrente che utilizzi taluni strumenti, in prospettiva i Sistemi Agentici, dovrebbe considerarli come dispositivi ad alto rischio concorrenziale: se gli algoritmi della domanda pubblica e dell’offerta privata cominciassero a interagire attraverso le offerte e i chiarimenti, le offerte potrebbero stabilizzarsi su equilibri imprevisti che non corrispondano più all’interesse pubblico, ma solo all’ottimizzazione dei Modelli Linguistici.

Nel caso dell’offerta economicamente più vantaggiosa, la funzione obiettivo non sarebbe legata alla massimizzazione del profitto, bensì del punteggio complessivo.

A titolo esemplificativo, il Sistema Agentico potrebbe ritenere che non serva agire eccessivamente sul prezzo se i disciplinari premiassero talune narrative progettuali.

Il caso più elementare, come si è visto, consiste nel potenziale ricorso ad Assistenti di Intelligenza Artificiale Generativa da parte di uno o più concorrenti; il caso intermedio concerne l’adozione degli stessi dispositivi a opera della stazione appaltante, oltre che di alcuni o di tutti i concorrenti; il caso più complesso investe il ricorso generalizzato di domanda e di offerta ai Sistemi Multi Agentici.

Se il Sistema Multi Agentico della stazione appaltante fosse adoperato per funzioni di supporto e di controllo, ad esempio analisi dei pattern di offerta, rilevazione di convergenze sospette tra concorrenti, supporto alla verifica di anomalia, il suo uso potrebbe apparire effettivamente coerente con il Codice.

Simmetricamente, dato che gli operatori economici utilizzerebbero sistemi analoghi, si darebbero meccanismi regolatori indiretti.

Cosa diversa sarebbe utilizzare il Sistema Multi Agentico per l’automazione integrale della procedura di affidamento del contratto: possibilità, d’altronde, improbabile, per la presenza forzata di soggetti umani nella commissione giudicatrice.

Se vi fosse, infine, un confronto tra il Sistema della stazione appaltante e quello di ciascuno dei concorrenti in ogni procedura, il Sistema Multi Agentico della stazione appaltante possederebbe una conoscenza dell’intero spettro delle procedure competitive, mentre il singolo Responsabile Unico del Progetto ne avrebbe una padronanza limitata.

Il Sistema, dunque, sarebbe più edotto dei singoli attori umani operanti nella stazione appaltante.

Esso potrebbe effettuare: (supporto alla) definizione dei criteri di gara; (sostegno alla) valutazione delle offerte tecniche; rilevamento di anomalie nelle offerte, verifica di requisiti di qualificazione, monitoraggio dell’esecuzione contrattuale.

Il Sistema, inoltre, potrebbe, da una parte, indirizzare il mercato in qualità di decisore opaco, ovvero, all’opposto esserne influenzato illecitamente.

Se gli stessi operatori economici partecipassero sistematicamente alle stesse tipologie di appalto pubblico in un determinato territorio, ciascuna gara diverrebbe un ciclo nella sequenza, simile alla sperimentazione menzionata in avvio.

I Sistemi dei concorrenti apprenderebbero dagli esiti delle gare precedenti, disponibili come dati pubblici nelle banche dati ANAC, nelle piattaforme telematiche, nei fascicoli di gara, in vista delle successive offerte.

Tra l’altro, alcuni concorrenti potrebbero avvalersi di soluzioni discriminanti rispetto ai concorrenti, perché più sofisticati.

Gli Agenti opererebbero simultaneamente su due dimensioni, prezzo e qualità, rendendo molto più difficile la convergenza su un equilibrio collusivo stabile, fronteggiando tematiche più impegnative, ma potrebbero tendere, comunque, all’omologazione involontaria e a giocare sugli aspetti più rilevanti, iniziando dalla analisi dei comportamenti delle commissioni giudicatrici per concludersi con l’ottimizzazione opportunistica del punteggio complessivo, in termini di conformismo e di indistinguibilità.

Qualora si creasse una convergenza di fonti tra i Sistemi Multi Agentici della domanda e dell’offerta, eventualmente ledendo le condizioni di concorrenzialità, tanto più se il ricorso agli stessi sistemi, alimentati dai medesimi data set pubblici, inducesse collusioni verticali, la supervisione umana scadrebbe sul piano sostanziale, causando svuotamento della discrezionalità e della concorrenzialità, favorendo l’adattamento a soluzioni poco innovative, a causa della metrica implicita condivisa e della potenziale over reliance da parte degli esseri umani nei confronti degli algoritmi.

Sarebbe, per assurdo, proprio la condivisione dei data set pubblici a provocare condizioni di omogeneizzazione eccessiva algoritmica, sostanzialmente monoculturale.

Non bisogna, poi, dimenticare la natura dei modelli fondazionali e i pregiudizi che essi portano con sé, anche dal punto di vista delle tradizioni culturali estraeuropee di molti di essi, senza parlare del loro tasso di allucinazione, da quella normativa a quella tecnica.

In definitiva, l’obiettivo dovrebbe essere quello di perseguire una diversità algoritmica non garantibile dai Modelli e dai Sistemi proprietari più diffusi, mentre se, ancora, tutte le parti in causa adottassero lo stesso Sistema Agentico, si avrebbe una perfetta simmetria algoritmica, con una conseguente cristallizzazione del mercato, ponendo anche problemi di motivazione del risultato della procedura sotto il profilo della spiegabilità e della distinguibilità.

Occorre, poi, dire che se i Sistemi utilizzati dai candidati capissero le logiche della soluzione in uso presso la stazione appaltante potrebbero introdurre, come già detto, nelle loro offerte tecniche parole chiave volte appositamente a indurre il dispositivo del committente ad assegnare o a suggerire alla commissione giudicatrice di assegnare loro punteggi migliori.

Quest’ultima potrebbe acriticamente fare affidamento sull’esito suggerito dal Sistema Agentico, sentendosi afflitta da una asimmetria informativa.

Ovviamente, la questione si pone sin dalla redazione dei documenti di gara, dalla lex specialis, con potenziali discriminazioni algoritmiche e, soprattutto, con quella tendenza alla omologazione che l’Intelligenza Artificiale potrebbe facilitare.

Di fatto, sorgono diversi temi: la legittimità dell’azione amministrativa; l’impugnabilità degli atti, la responsabilità dei funzionari; la tutela degli operatori economici.

Ciò potrebbe moltiplicare i tassi di litigiosità in ricorsi in sede giurisdizionale, annullamenti di aggiudicazioni, risarcimenti dei danni e responsabilità erariale.

Si ipotizza, infine, la composizione di un Sistema Agentico che operi a favore del concorrente:

Orchestratore

Fase di Predisposizione dell’Offerta

Legge la lex specialis, scompone il lavoro, assegna i task, raccoglie gli output.

Agente Normativo

Analizza disciplinare, capitolato, schema di contratto, chiarimenti.

Agente Istruttore dei Requisiti e Verifica della Conformità

Controlla requisiti, cause di esclusione, documenti richiesti, coperture documentali.

Agente Tecnico

Redige la bozza dell’offerta tecnica sezione per sezione.

Agente Economico

Organizza i dati economici interni e prepara solo una bozza supportata dai dati.

Agente dei Rischi

Cerca errori, incoerenze, promesse non sostenibili, claim non provati.

Agente Finale / Editor di Offerta

Assembla il testo finale solo con contenuti validati.

Le imprese di costruzioni dovrebbero, al proprio interno, dotarsi di risorse umane in grado di possedere una padronanza del dominio disciplinare profondo, capaci di formulare obiettivi e vincoli, nonché di rettificare e di validare periodicamente l’esito delle soluzioni proposte dal Sistema.

Analogamente, un Sistema adottato dalla stazione appaltante vedrebbe:

Fase di Preparazione della Gara

Orchestratore

Definisce l’oggetto dell’appalto e coordina la stesura del bando, del disciplinare di gara, del capitolato speciale di appalto e dello schema di Contratto

Agente Normativo

Assicura che i documenti siano aggiornati

Agente Tecnico: redige i documenti della gara

Agente Economico

Elabora il quadro economico e definisce l’importo a base della gara

Agente dei Rischi

Effettua uno stress test sui documenti

Fase di Valutazione delle Offerte

Orchestratore

Coordina la fase

Analista Amministrativo

Analizza la busta amministrativa. Verifica la validità di FVOE, del DGUE, delle cauzioni e delle certificazioni.

Analista Tecnico

Analizza la busta tecnica

Agente Economico

Analizza la busta economica

Agente dei Rischi

Controlla se le promesse tecniche fatte dall’operatore sono coerenti con il prezzo offerto

Agente Finale

Assembla il testo finale solo con contenuti validati

Chiaramente, il tema della convergenza algoritmica appare oggi più pressante di quello della collusione, stante il diverso grado di avanzamento delle tecnologie, seppur in rapida evoluzione, tanto che il rischio di favorire approcci monoculturali al conformismo algoritmico è elevato qualora la pubblica amministrazione decidesse di utilizzare solo modelli fondazionali commerciali di grande diffusione, di cui uno solo è di origine europea.

Caso differente si mostrerebbe se vi fosse una strategia continentale basata sulla sovranità algoritmica.

Da questo punto di vista, nei suoi contributi, Emma Minerva Brambilla, citando il Digital Eye, invita a considerare: la responsabilità vicaria, suggerendo di trattare l’algoritmo come un «dipendente» dell’organizzazione; la responsabilità oggettiva da prodotto, ritenendo che un algoritmo che tenda alla collusione possa essere considerato un «prodotto difettoso»; la responsabilità congiunta tra lo sviluppatore dell’algoritmo e l’organizzazione che lo utilizza.

Non è troppo presto per immaginare scenari ormai imminenti, senza contare che se si sviluppassero successivamente i Modelli Cognitivi, basati sulla intuizione della causalità fisica, lo scenario muterebbe ulteriormente.

In questo caso, a ora del tutto ipotetico, ma non irrealistico nel medio periodo, la sovranità algoritmica basata sulle leggi della fisica e non sui token linguistici, potrebbe assicurare la certezza della valutazione da parte della commissione giudicatrice la prevenzione dei contenziosi, trasformando la gara d’appalto in una azione predittiva.