Verso un’Integrazione Teologico-Economica dell’Intelligenza Artificiale
Indice
Il contributo dell’IA all’innovazione armonica
Edoardo Mattei[1] – Nicola Rotundo[2]
1. Introduzione
L’intelligenza artificiale sta ridefinendo i confini competitivi delle imprese contemporanee. Il capitalismo algoritmico[3], caratterizzato da piattaforme digitali che estraggono valore dai dati e ottimizzano automaticamente i processi, pone sfide strategiche complesse. Come osserva Zuboff (2019), siamo entrati nell’era del «capitalismo della sorveglianza», dove l’esperienza umana diventa materia prima per pratiche commerciali predittive. In questo contesto, l’innovazione armonica[4] proposta da Francesco Cicione (2021) offre un modello di business alternativo che integra dimensione economica, sociale e ambientale senza sacrificare la competitività.
Il framework dell’agency partecipata (Mattei, 2026) fornisce le categorie concettuali per progettare l’implementazione dell’IA in modo strategicamente coerente con questo paradigma. La tesi centrale è che la co-costituzione asimmetrica, dove l’IA contribuisce realmente all’azione economica ma entro parametri definiti strategicamente dall’impresa, permette di creare sistemi che generano vantaggio competitivo sostenibile attraverso la creazione di valore condiviso.
2. Il paradigma dell’economia armonica
L’economia armonica si distingue dai modelli tradizionali per il rifiuto programmatico di separare creazione di valore economico e impatto sociale. Quando Cicione afferma che «l’economia si è, non la si fa»[5], evidenzia che le scelte di business incorporano sempre una visione antropologica implicita che influenza performance e sostenibilità di lungo periodo. Questo approccio richiama la teoria della shared value creation di Porter e Kramer, ma lo radica in una prospettiva antropologica più ampia.
I pilastri dell’innovazione armonica[6] hanno implicazioni dirette per la strategia aziendale. Il primato del bisogno essenziale contro la logica del «creare per consumare»[7] orienta l’innovazione verso soluzioni che rispondono a bisogni autentici, creando mercati più stabili e riducendo il rischio di obsolescenza prematura. L’approccio sapienziale che integra ragione tecnica e ricerca morale, accettando il limite come elemento centrale, previene l’overengineering e favorisce soluzioni scalabili ed efficienti. La centralità del limite ecologico, antropologico ed etico non è vincolo ma condizione per l’innovazione sostenibile che genera valore nel lungo periodo. Il localismo differenziato[8] valorizza le specificità territoriali come fonte di vantaggio competitivo, evitando sia l’autarchia sia l’omogeneizzazione globalista.
L’Harmonic Innovation Ecosystem rappresenta l’implementazione concreta di questo modello. Integra incubatore certificato, acceleratore, academy e venture capital in una governance multi-stakeholder che coinvolge università, imprese, investitori etici, istituzioni pubbliche e comunità locali. Si tratta di un sistema distribuito di spazi fisici in Italia e all’estero, con un Hub di 20.000 metri quadrati a Catanzaro, e una piattaforma digitale strutturata come sistema di piattaforme dotata di IA proprietaria. Il progetto ha attratto circa 700 milioni di euro di investimenti privati, dimostrando che il modello è economicamente sostenibile. Partnership strategiche includono Azimut Libera Impresa SGR per investimenti in infrastrutture sociali, Intesa Sanpaolo per supporto a startup e PMI innovative, Unimed che aggrega 184 università del Mediterraneo, Rubicon International e IMCI+ per finanza straordinaria.
3. Agency partecipata
Le concezioni dominanti dell’IA oscillano tra strumentalismo, che la riduce ad attrezzo neutro, e determinismo tecnologico, che ne ipostatizza l’autonomia. Entrambe sono strategicamente inadeguate. Lo strumentalismo sottovaluta l’impatto trasformativo dell’IA sulla catena del valore. Il determinismo genera passività strategica, delegando all’IA decisioni che richiedono discernimento manageriale.
Il framework dell’agency[9] partecipata offre una terza via. L’IA è mediatore attivo che trasforma ciò che veicola, pur rimanendo ontologicamente subordinato all’intenzionalità strategica dell’impresa. Non è strumento passivo che amplifica volontà preesistenti, ma neppure agente autonomo. Partecipa realmente all’azione economica con logiche operative proprie, ma sempre entro spazi definiti dalle scelte strategiche: architetture progettuali, obiettivi incorporati, vincoli etici, modalità di controllo e supervisione.
Questa concezione emerge dalla sintesi tra la dottrina tomista della causalità strumentale e l’Actor-Network Theory[10]. In Tommaso d’Aquino, lo strumento partecipa realmente all’azione dell’agente principale ma la sua efficacia è sempre derivata e subordinata[11]. Latour mostra come artefatti medino attivamente l’azione, aprendo e chiudendo possibilità d’azione. La convergenza permette di pensare l’IA come mediatore che trasforma l’azione economica mantenendo la priorità strategica dell’impresa.
Il concetto di co-costituzione asimmetrica è fondamentale per comprendere come integrare l’IA senza perdere il controllo strategico. Co-costituzione significa che i risultati non sono riducibili né alla sola strategia umana né al solo calcolo algoritmico, ma emergono dalla loro interazione. L’IA contribuisce realmente, generando soluzioni che i manager non avrebbero identificato autonomamente. Gli algoritmi di ottimizzazione della supply chain, per esempio, identificano configurazioni che massimizzano efficienza in modi che sfuggono all’analisi umana.
Asimmetrica significa che questa co-costituzione mantiene una gerarchia strategica chiara. L’impresa definisce spazi di possibilità, finalità ultime, architetture progettuali, dati di training, criteri di ottimizzazione, vincoli etici, capacità di supervisione. L’IA può sorprendere con soluzioni innovative, ma sempre entro il framework strategico stabilito dal management. Questa asimmetria non è accidentale ma costitutiva: l’IA non ha fini propri, persegue obiettivi assegnati strategicamente.
La co-costituzione asimmetrica ha implicazioni pratiche decisive. Permette di progettare intenzionalmente l’IA in modo che generi vantaggio competitivo coerente con la strategia aziendale. Non si subiscono le conseguenze di tecnologie progettate secondo logiche altrui, ma si orientano attivamente le mediazioni algoritmiche verso obiettivi strategici chiari. Il concetto di machine habitus[12] aiuta a comprendere come questo si sedimenti operativamente. Gli algoritmi incorporano disposizioni, orientamenti, preferenze che mediano l’azione prima di ogni decisione consapevole. Un sistema di pricing dinamico incorpora assunzioni su elasticità della domanda che pre-configurano strategie di mercato. Una piattaforma di gestione HR incorpora concezioni del talento che strutturano processi di selezione e sviluppo[13]. Proprio perché appreso, il machine habitus può essere riconfigurato attraverso nuovi dati e nuovi pattern di interazione, creando dinamiche co-evolutive tra strategia aziendale e sistemi algoritmici[14].
4. L’IA al servizio del vantaggio competitivo sostenibile
La co-costituzione asimmetrica permette di orientare l’IA verso la creazione di vantaggio competitivo sostenibile attraverso strategie che integrano nativamente obiettivi economici, sociali e ambientali. Il rafforzamento degli ecosistemi di innovazione costituisce la prima direttrice strategica: piattaforme che valorizzano competenze distribuite e facilitano collaborazione tra attori eterogenei generano network effects sostenibili che resistono alla logica estrattiva dominante. A differenza di piattaforme come Uber, dove l’infrastruttura algoritmica è proprietaria e i lavoratori sono ridotti a fornitori intercambiabili, le cooperative che co-possiedono l’infrastruttura possono usare l’IA per distribuzione equa di opportunità, creando ecosistemi più stabili e resilienti. Gli algoritmi in questo contesto mediano matching tra competenze complementari, identificano opportunità di co-innovazione e facilitano governance collaborativa che allinea gli incentivi di tutti gli stakeholder[15].
La valorizzazione delle specificità territoriali rappresenta la seconda direttrice. Algoritmi addestrati su dati locali possono identificare vocazioni territoriali nascoste e ottimizzare filiere corte, generando vantaggi competitivi radicati che resistono alla commodoty globale. L’Harmonic Innovation Ecosystem usa IA per mappare capitale sociale e ambientale del Mediterraneo, trasformando specificità locali che potrebbero apparire come marginalità in asset strategici distintivi. La tecnologia blockchain[16] può certificare prodotti tipici garantendo autenticità e tracciabilità completa della filiera, creando premium price sostenibili basati sulla fiducia verificabile piuttosto che sulla mera reputazione. Questa combinazione di intelligenza artificiale e distributed ledger technology permette di scalare la fiducia territoriale a mercati globali senza perdere l’autenticità che costituisce la fonte del valore.
L’ottimizzazione multi-obiettivo per sostenibilità costituisce la terza direttrice strategica. L’IA può essere progettata fin dall’origine per massimizzare equilibrio tra performance economica, impatto sociale e sostenibilità ambientale, superando la logica della massimizzazione del profitto immediato isolato. Questo richiede algoritmi multi-obiettivo che incorporano nativamente trade-offs strategici complessi, permettendo di identificare soluzioni Pareto-efficienti che migliorano simultaneamente più dimensioni invece di sacrificarne alcune per ottimizzarne altre. I sistemi di economia circolare che tracciano flussi di materia ed energia possono identificare opportunità di simbiosi industriale dove gli scarti di un processo diventano input per altri, ottimizzando reverse logistics in modo che il recupero dei materiali sia economicamente conveniente oltre che ambientalmente necessario. Il monitoraggio in tempo reale con governance trasparente permette accountability verso stakeholder multipli, costruendo legittimità sociale che riduce rischi reputazionali e regolatori.
La personalizzazione per lo scaling dell’eccellenza rappresenta la quarta direttrice. L’academy OASI dell’Harmonic Innovation Ecosystem usa IA per personalizzare percorsi formativi, adattandoli dinamicamente a competenze pregresse e obiettivi individuali. L’algoritmo gestisce aspetti standardizzabili del percorso didattico, liberando i docenti per accompagnamento ad alto valore che richiede presenza umana insostituibile. Questo modello si applica a molteplici contesti organizzativi: customer service che combina efficienza algoritmica nella gestione di routine con intervento umano per situazioni complesse che richiedono empatia e giudizio contestuale; healthcare che integra diagnostica IA per analisi rapida di pattern con cura personalizzata che considera la persona nella sua integralità; legal services che automatizzano ricerca documentale e analisi di precedenti liberando professionisti per consulenza strategica che richiede comprensione profonda del contesto del cliente.
La quinta direttrice è la governance partecipativa come fonte di legittimità e resilienza. La trasparenza algoritmica graduata per diversi stakeholder, combinata con audit partecipativi e meccanismi di contestazione, permette alle comunità di co-determinare configurazioni algoritmiche che le riguardano[17]. Questo approccio evita sia la tecnocrazia opaca che delega decisioni critiche a esperti non accountable, sia il populismo inefficiente che confonde partecipazione con assemblealismo. Emerge invece un modello di comunità epistemiche ibride che combinano expertise tecnica con conoscenza contestuale, generando decisioni di qualità superiore attraverso diversità cognitiva. Questa governance genera legittimità sociale che costituisce asset strategico intangibile ma cruciale, riducendo rischi reputazionali e migliorando qualità decisionale attraverso l’incorporazione di prospettive multiple che identificano rischi e opportunità invisibili da singole angolature.
L’esempio dell’Ospedale Bambino Gesù di Roma illustra paradigmaticamente questa logica[18]. Quando la diagnostica IA rileva probabilità elevate di patologie gravi, attiva automaticamente il servizio di assistenza spirituale. L’algoritmo non sostituisce né il discernimento clinico del medico né la cura pastorale del cappellano, ma li potenzia facilitando integrazione tra dimensioni complementari della cura che altrimenti potrebbero rimanere separate. Questo modello si generalizza: l’IA eccelle quando media sinergie tra capacità umane complementari invece di sostituirle, configurandosi come infrastruttura abilitante per forme superiori di collaborazione umana piuttosto che come sostituto dell’intelligenza umana.
5. Metriche e KPI per l’IA armonica
L’implementazione di sistemi di IA armonica richiede framework di misurazione che vadano oltre metriche puramente finanziarie, affrontando il challenge principale di formalizzare obiettivi qualitativi complessi in indicatori operativi misurabili. La dimensione economica va certamente considerata, ma attraverso metriche che catturino resilienza e sostenibilità di lungo periodo piuttosto che limitarsi al ROI tradizionale. Il Total Cost of Ownership algoritmica deve includere non solo costi di sviluppo e deployment ma anche costi di audit continui, aggiornamento dei modelli, mitigazione dei bias identificati e gestione degli impatti inattesi. Il Value Creation Index misura valore generato per tutti gli stakeholder invece di focalizzarsi esclusivamente sugli shareholder, catturando la creazione di valore condiviso che costituisce la specificità del modello armonico. Le Concentration Risk Metrics monitorano dipendenza da singoli fornitori o tecnologie proprietarie, identificando vulnerabilità strategiche che potrebbero non essere evidenti guardando solo performance corrente. Le Innovation Pipeline Metrics tracciano capacità di adattamento tecnologico dell’organizzazione, misurando quanto rapidamente nuove competenze vengono acquisite e quanto efficacemente l’organizzazione riesce a integrare evoluzioni tecnologiche.
La dimensione sociale richiede metriche che catturino impatto su benessere degli stakeholder attraverso survey periodiche su lavoratori, clienti e comunità, usando strumenti validati che vanno oltre la semplice soddisfazione per esplorare dimensioni come autonomia percepita, senso di appartenenza, opportunità di crescita professionale. Le Algorithmic Fairness Metrics misurano disparità di trattamento tra gruppi demografici usando criteri statistici rigorosi come demographic parity, che richiede che la probabilità di outcome positivo sia simile tra gruppi; equalized odds, che richiede che tassi di falsi positivi e falsi negativi siano comparabili; calibration, che richiede che le predizioni algoritmiche siano accurate attraverso gruppi diversi. Il Transparency Score si basa sulla disponibilità di documentazione accessibile, meccanismi di spiegabilità implementati, canali di contestazione funzionanti e tempi di risposta a richieste di chiarimento. Il Participation Index misura qualità e sostanzialità di partecipazione stakeholder a governance, distinguendo partecipazione autentica da consultazione teatrale attraverso indicatori come frequenza di input stakeholder che modificano effettivamente decisioni, diversità demografica di partecipanti, risorse dedicate a supportare partecipazione informata.
La dimensione ambientale richiede attenzione al Carbon Footprint algoritmica che include consumi computazionali sia di training, spesso energeticamente molto intensivo per modelli di grandi dimensioni, sia di inference che anche se meno intensivo singolarmente si accumula con il volume di utilizzo. Le Circular Economy Metrics sono particolarmente rilevanti per sistemi che ottimizzano reverse logistics e simbiosi industriale, misurando percentuale di materiali recuperati, riduzione di scarti a discarica, energia risparmiata attraverso remanufacturing. I Resource Efficiency Gains sono misurabili attraverso riduzione sprechi identificati algoritmicamente, ottimizzazione supply chain che riduce trasporti inutili, migliore matching tra domanda e offerta che riduce sovrapproduzione. Il Biodiversity Impact diventa rilevante per applicazioni che interagiscono con ecosistemi naturali, richiedendo collaborazione con ecologi per sviluppare indicatori appropriati.
L’integrazione di queste dimensioni richiede metriche sintetiche che evitino la frammentazione in dashboard incomprensibili. L’Harmonic Balance Score sintetizza performance multi-dimensionale in indice composito pesato secondo priorità strategiche deliberate esplicitamente, permettendo comparazioni tra progetti alternativi che incorporano nativamente i trade-offs valoriali invece di nasconderli. Lo Stakeholder Satisfaction Differential confronta soddisfazione tra diversi gruppi, identificando trade-offs critici dove miglioramenti per alcuni stakeholder potrebbero avvenire a spese di altri, richiedendo decisioni esplicite su come bilanciare interessi legittimi ma potenzialmente conflittuali. Il Long-term Value Creation misura valore generato su orizzonti temporali di cinque-dieci anni invece di trimestri, richiedendo modelli predittivi che stimino impatti duraturi piuttosto che limitarsi a metriche correnti che potrebbero essere migliorate nel breve a spese del lungo periodo.
L‘Harmonic Innovation Ecosystem sta sviluppando dashboard interattive che visualizzano queste metriche in tempo reale, permettendo decision making informato che bilancia obiettivi multipli invece di ottimizzare ciecamente singole dimensioni. L’approccio data-driven alla misurazione di impatto multi-dimensionale non è accessorio ma condizione necessaria per scalare modelli di IA armonica oltre progetti pilota, dimostrando empiricamente che performance economica e impatto sociale positivo possono essere raggiunti simultaneamente invece di costituire trade-off inevitabile.
6. Competenze manageriali per l’economia algoritmica
La gestione di ecosistemi di IA armonica richiede competenze manageriali nuove che integrano expertise tradizionale con capacità emergenti. La technical literacy costituisce fondamento imprescindibile: i manager non devono diventare data scientist ma necessitano comprensione sufficiente di machine learning, architetture algoritmiche e data pipeline per dialogare efficacemente con team tecnici e valutare proposte progettuali con discernimento critico. Questo include capacità di interpretare metriche tecniche come precision, recall, F1-score e comprenderne le implicazioni pratiche; comprendere trade-offs tra modelli diversi in termini di accuratezza, interpretabilità, requisiti computazionali e robustezza; valutare quando un modello è sufficientemente robusto per deployment produttivo versus quando richiede ulteriore sviluppo. La literacy tecnica permette di porre domande giuste a esperti, identificare quando spiegazioni tecniche nascondono assunzioni problematiche, valutare realisticamente tempi e risorse necessarie per implementazioni.
L’ethical discernment rappresenta competenza complementare critica: la capacità di identificare implicazioni etiche di scelte tecniche apparentemente neutre. Questo richiede familiarità con framework etici diversi, dalla deontologia kantiana al consequenzialismo utilitarista all’etica delle virtù, permettendo di articolare preoccupazioni etiche in modi che risuonano con interlocutori diversi. Include sensibilità a bias algoritmici che possono emergere da dataset non rappresentativi, proxies problematiche, feedback loops che amplificano disparità iniziali. Richiede comprensione di impatti distributivi: come benefici e costi di sistemi algoritmici si distribuiscono tra gruppi diversi, identificando quando apparenti miglioramenti aggregati nascondono peggioramenti per minoranze vulnerabili. Include competenza nel facilitare deliberazione etica tra stakeholder con valori potenzialmente conflittuali, creando spazi dove disaccordi profondi possono essere articolati costruttivamente invece di essere soppressi o polarizzati.
La stakeholder orchestration diventa centrale nella gestione di ecosistemi multi-stakeholder. Richiede capacità di allineare incentivi eterogenei attraverso meccanismi contrattuali creativi, identificando zone di win-win non immediatamente evidenti. Include abilità di mediare conflitti inevitabili quando interessi legittimi collidono, trovando soluzioni che tutti possono accettare anche se non ottimali per nessuno singolarmente. Richiede costruzione di fiducia attraverso trasparenza, follow-through su commitments, willingness di riconoscere errori e correggere course. Include capacità di facilitare co-creazione dove stakeholder diversi contribuiscono alla progettazione invece di essere meramente consultati su proposte già definite. Le competenze in facilitation, negotiation, conflict resolution e partnership development diventano critiche quanto competenze tecniche o finanziarie tradizionali.
Il systems thinking permette di comprendere dinamiche complesse, feedback loops e effetti emergenti che caratterizzano sistemi socio-tecnici. Include capacità di anticipare conseguenze non intenzionali di interventi ben intenzionati, usando strumenti come causal loop diagrams per mappare interdipendenze. Richiede abilità di identificare leverage points dove interventi relativamente piccoli possono generare cambiamenti sistemici significativi, evitando sia l’illusione del controllo totale sia la paralisi di fronte alla complessità. Include competenza nel progettare interventi sistemici che modificano strutture invece di trattare sintomi superficiali, riconoscendo che fixing that fails, dove soluzioni apparenti peggiorano problemi di fondo, è pattern ricorrente in sistemi complessi.
L’adaptive leadership permette di navigare incertezza radicale che caratterizza frontiere tecnologiche. Richiede leadership che combini visione chiara di lungo periodo, fornendo direzione stabile che allinea sforzi organizzativi, con flessibilità tattica che permette aggiustamenti rapidi quando evidenze emergenti suggeriscono che strategie correnti non funzionano. Include capacità di apprendere rapidamente da fallimenti, trattandoli come esperimenti informativi invece che come vergogne da nascondere. Richiede willingness di pivotare quando necessario, abbandonando investimenti sunk quando diventano chiari cul-de-sac, pur mantenendo commitment a valori core che definiscono identità organizzativa. Include abilità di creare cultura organizzativa che tolera intelligente risk-taking, distinguendolo da recklessness, e che celebra apprendimento oltre successo immediato.
L’academy OASI dell’Harmonic Innovation Ecosystem sta sviluppando percorsi formativi integrati che combinano queste competenze attraverso case study che espongono trade-offs reali, simulazioni che permettono pratica in ambienti controllati, project-based learning dove partecipanti affrontano sfide concrete, mentorship da practitioner che condividono saggezza acquisita attraverso successi e fallimenti. L’investimento in human capital è componente critica spesso sottovalutata in strategie di trasformazione digitale che focalizzano risorse su tecnologia trascurando sviluppo delle capacità necessarie per governarla efficacemente.
7. Rischi e strategie di mitigazione
L’integrazione di IA in modelli di business, anche quando orientati armonicamente, comporta rischi che richiedono gestione proattiva attraverso strategie articolate che anticipino problemi invece di reagire a posteriori. I rischi tecnici costituiscono la prima categoria critica: il model drift, deterioramento progressivo della performance nel tempo man mano che la distribuzione dei dati reali si allontana da quella dei dati di training, può compromettere sistemi inizialmente accurati. Gli adversarial attacks, dove attori malintenzionati manipolano intenzionalmente input per ingannare algoritmi, rappresentano minaccia crescente specialmente per sistemi esposti a pubblico. Il data poisoning, contaminazione deliberata dei training data per indurre comportamenti problematici, può essere difficile da rilevare prima che il danno sia fatto. La mitigazione richiede monitoring continuo della performance su diverse popolazioni e contesti, red teaming dove esperti tentano deliberatamente di trovare vulnerabilità, validazione robusta che testi modelli contro perturbazioni e scenari adversarial, security by design che incorpora considerazioni di sicurezza fin dalla progettazione invece di aggiungerle successivamente, e update protocols che permettano correzioni rapide quando problemi vengono identificati.
I rischi operativi emergono dalla complessità organizzativa dell’implementazione. La dipendenza da fornitori specifici crea vendor lock-in che limita flessibilità strategica e aumenta potere negoziale dei fornitori, potenzialmente aumentando costi o limitando capacità di cambiare direzione quando necessario. Lo skills gap nei team, dove competenze necessarie per gestire sistemi algoritmici complessi sono scarse internamente, può rallentare sviluppo e creare dipendenza da consulenti esterni. La resistenza organizzativa al cambiamento, fenomeno ben documentato in letteratura sul change management, può sabotare anche implementazioni tecnicamente valide se lavoratori percepiscono l’IA come minaccia piuttosto che supporto. La mitigazione richiede architetture modulari con elevata interoperabilità che riducano dipendenza da singoli vendor, piani di succession tecnica che assicurino che conoscenza critica non risieda in singoli individui, change management strutturato che coinvolga stakeholder precocemente nel processo di design, e formazione continua che sviluppi competenze necessarie internamente invece di dipendere permanentemente da expertise esterno.
I rischi reputazionali sono particolarmente insidiosi perché possono materializzarsi rapidamente attraverso social media e danneggiare brand costruiti in anni. Bias algoritmici che generano discriminazioni, anche non intenzionali, possono diventare crisi reputazionali quando portati all’attenzione pubblica, specialmente in era di social media dove casi individuali possono viralizzare rapidamente. L’opacità percepita, anche quando sistemi sono tecnicamente trasparenti, può generare sfiducia se spiegazioni sono incomprensibili a non-esperti. Gli incidenti ad alto profilo, come veicoli autonomi coinvolti in incidenti o sistemi di riconoscimento facciale che identificano erroneamente individui, creano narrativa negativa che può influenzare regolatori e pubblico ben oltre il caso specifico. La mitigazione richiede audit indipendenti che forniscano validazione esterna di fairness e robustezza, trasparenza proattiva che comunichi come sistemi funzionano in linguaggio accessibile invece di attendere che critiche emergano, meccanismi di redress che permettano a individui danneggiati di ottenere correzione e compensazione tempestivamente, e comunicazione responsabile che non prometta più di quanto tecnologia possa realisticamente consegnare, evitando hype che crea aspettative irrealistiche destinate a deludere.
I rischi regolatori nascono dall’evoluzione normativa incerta in ambito IA, dove legislatori stanno ancora sviluppando framework appropriati. La compliance può diventare costosa quando regolamentazioni richiedono modifiche sostanziali a sistemi già deployati, e la frammentazione giurisdizionale, dove diverse giurisdizioni adottano requisiti divergenti, complica operazioni transnazionali. La mitigazione richiede regulatory intelligence che monitori sviluppi normativi anticipando cambiamenti invece di reagire, partecipazione proattiva a standard setting attraverso associazioni di settore per influenzare evoluzione normativa verso framework ragionevoli, design for compliance che incorpori flessibilità per adattarsi a requisiti emergenti, e engagement costruttivo con regulator che costruisca relazioni collaborative invece che adversarial.
I rischi strategici riguardano allineamento tra investimenti tecnologici e obiettivi di business di lungo periodo. Gli investimenti in tecnologie che diventano rapidamente obsolete rappresentano costo significativo in settore caratterizzato da evoluzione rapida. Il mismatch tra capacità tecniche e bisogni business può verificarsi quando si adottano soluzioni sofisticate per problemi che richiederebbero approcci più semplici, o viceversa quando si sottovaluta complessità. La cannibalizzazione di business esistenti può verificarsi quando innovazioni digitali rendono obsoleti modelli di business tradizionali ancora profittevoli. La mitigazione richiede portfolio approach a innovazione che bilanci progetti a diverso rischio e orizzonte temporale, experimentation disciplinata che testi assunzioni attraverso progetti pilota controllati prima di scale-up massicci, option value thinking che valuti investimenti non solo per payoff atteso ma anche per flessibilità strategica che creano, permettendo pivots futuri quando l’incertezza si risolve.
La governance multi-stakeholder dell’Harmonic Innovation Ecosystem incorpora risk management attraverso committee dedicati che monitorano categorie di rischio diverse, stress testing periodici di scenari adversarial che testino resilienza a shock, e contingency planning che prepari risposte a incidenti potenziali prima che si verifichino. L’approccio di responsabilità distribuita[19] facilita identificazione precoce di segnali deboli attraverso diversità di prospettive: problemi che potrebbero essere invisibili da singola angolatura diventano evidenti quando stakeholder diversi condividono osservazioni. La cultura di apprendimento continuo, dove errori sono trattati come opportunità di miglioramento invece che colpe da punire, permette di correggere rapidamente problemi emergenti prima che diventino crisi conclamate.
8. Scaling e replicabilità del modello
Una questione critica è se e come il modello dell’Harmonic Innovation Ecosystem possa scalare oltre il contesto iniziale calabrese. Analizziamo fattori di successo trasferibili e specificità contestuali.
Fattori trasferibili: governance multi-stakeholder è replicabile in contesti con presenza di università, imprese innovative, investitori orientati a impatto, istituzioni pubbliche proattive. Framework metodologici per audit, co-design, trasparenza sono codificabili e trasferibili. Toolkit open source per IA armonica riducono barriere all’ingresso. Modelli formativi dell’academy sono adattabili a contesti diversi.
Specificità contestuali: radicamento territoriale richiede mappatura specifica di capitale sociale, ambientale, culturale locale. Vocazioni economiche differiscono: filiere agroalimentari in Calabria, manifattura in Lombardia, servizi a Roma. Network di relazioni fiduciarie non sono rapidamente replicabili. Contesti istituzionali e regolatori variano significativamente tra regioni.
Strategie di scaling: modello franchise dove Hub centrale fornisce metodologie, brand, network mentre implementazioni locali adattano a specificità territoriali. Network federato di ecosistemi armonici che condividono best practices, risorse, accesso a mercati. Platform cooperativism dove infrastruttura digitale è co-posseduta da network di ecosistemi locali.
Evidenze preliminari: interesse da parte di attori in altre regioni italiane e paesi mediterranei suggerisce domanda per modello. Partnership con Unimed (184 università) crea potenziale network mediterraneo. Scalabilità richiede bilanciamento tra standardizzazione (per efficienza) e adattamento locale (per autenticità).
Future ricerche dovrebbero investigare empiricamente performance di implementazioni in contesti diversi, identificando condizioni boundary del modello.
9. Conclusioni
L’innovazione armonica rappresenta un paradigma operativo maturo che dimostra la possibilità di coniugare performance economica ed impatto sociale positivo. L’agency partecipata fornisce le categorie concettuali per pensare strategicamente l’integrazione dell’IA in questo paradigma. La chiave sta nella co-costituzione asimmetrica: l’IA contribuisce realmente alla creazione di valore ma entro framework strategici definiti dal management.
Questa prospettiva ha implicazioni significative per ricerca e pratica manageriale. Dal punto di vista teorico, suggerisce che la distinzione tra creazione di valore economico e sociale è strategicamente obsoleta. L’IA permette di ottimizzare simultaneamente obiettivi multipli se progettata intenzionalmente. Dal punto di vista pratico, indica percorsi concreti: governance multi-stakeholder, responsabilità distribuita, metriche integrate, competenze ibride, risk management proattivo.
Direzioni promettenti per ricerca futura: formalizzazione di criteri etici in funzioni obiettivo, analisi empirica di trade-offs multi-obiettivo, studio longitudinale di performance ecosistemi armonici vs benchmark tradizionali, identificazione di competenze manageriali critiche, analisi condizioni di scalabilità e replicabilità. La sfida dell’IA richiede risposte strategiche all’altezza, capaci di generare vantaggio competitivo sostenibile e valore condiviso.
Bibliografia
Airoldi, M. (2023). Machine habitus: Sociologia degli algoritmi. Einaudi.
Barocas, S., & Selbst, A. D. (2016). Big data’s disparate impact. California Law Review, 104(3), 671-732.
Bourdieu, P. (1980). Le sens pratique. Les Éditions de Minuit.
Bauman, Z. (2008). Consumo quindi sono. Laterza
Cicione, F. (2024). Per un’economia armonica. Futura Network.
Cicione, F., & De Biase, L. (2021). Innovazione armonica: Un senso di futuro. Rubbettino-Entopan.
Cicione, F. (2023). Compendio di innovazione armonica: Scritti, saggi e riflessioni. Rubbettino.
Cicione, F., Filice, L., & Marino, D. (Eds.). (2022). Harmonic innovation: Super smart society 5.0 and technological humanism. Springer.
Dignum, V. (2019). Responsible artificial intelligence. Springer.
Ellul, J. (1969). Il sistema tecnico: La gabbia delle società contemporanee. Jaca Book.
Esposito, E. (2022). Comunicazione artificiale. Bocconi University Press.
Eubanks, V. (2018). Automating inequality. St. Martin’s Press.
Floridi, L. (2017). La quarta rivoluzione. Raffaello Cortina.
Francesco. (2015). Lettera enciclica Laudato si’. Libreria Editrice Vaticana.
Francesco. (2020). Lettera enciclica Fratelli tutti. Libreria Editrice Vaticana.
Francesco. (2023). Esortazione apostolica Laudate Deum. Libreria Editrice Vaticana.
Guardini, R. (2022). Lettere dal lago di Como: La tecnica e l’uomo. Morcelliana.
Heidegger, M. (1976). La questione della tecnica. In Saggi e discorsi. Mursia.
Huizinga, J. (2015). La crisi della civiltà. Einaudi.
Jasanoff, S. (2003). Technologies of humility. Minerva, 41(3), 223-244.
Jonas, H. (1990). Il principio responsabilità. Einaudi.
Latour, B. (1994). On technical mediation. Common Knowledge, 3(2), 29-64.
Latour, B. (2022). Riassemblare il sociale. Meltemi.
Lepore, J. (2021). Simulmatics: Ascesa e caduta dell’azienda che inventò il futuro. Einaudi.
MacKenzie, D. (2018). Material signals. Journal of Cultural Economy, 11(1), 1-16.
Mattei, E. (2025). Peccato e virtù nell’età tecnologica. Oikonomia, 3, 7-13.
Mattei, E. (2026). Agency partecipata e Tomismo Digitale: Fondamenti per una teologia sistematica digitale. Phronesis.
Morozov, E., & Bria, F. (2018). Ripensare la smart city. Codice Edizioni.
Noble, S. U. (2018). Algorithms of oppression. NYU Press.
O’Neil, C. (2017). Armi di distruzione matematica. Bompiani.
Oriani, R. (2025). Insegniamo che l’IA è un’alleata. L’Espresso.
Ostrom, E. (1990). Governing the commons. Cambridge University Press.
Pariser, E. (2012). Il filtro. Il Saggiatore.
Polanyi K. (2000). La grande trasformazione. Einaudi
Pontificia Accademia per la Vita. (2024). Antiqua et Nova. Libreria Editrice Vaticana.
Raymond, E. S. (1999). The cathedral and the bazaar. O’Reilly Media.
Rivoltella, P. C. (2024). Le virtù del digitale. Morcelliana.
Romele, A. (2023). Digital habitus. Routledge.
Rotundo, N. (2023). Etica armonica. Rubbettino-Entopan.
Rotundo, N. (2025). Per una econom-IA etica. Rubbettino-Entopan.
Scholz, T. (2016). Platform cooperativism. Rosa Luxemburg Stiftung.
Srnicek, N. (2017). Platform capitalism. Polity Press.
Tommaso d’Aquino. (1997). Summa theologiae. Edizioni Studio Domenicano.
Vallor, S. (2016). Technology and the virtues. Oxford University Press.
Zuboff, S. (2019). Il capitalismo della sorveglianza. LUISS University Press.
[1] Docente di Sociologia della Tecnologia presso ISSR Mater Ecclesiae (Angelicum), co-founder di Trascendente Digitale e co-responsabile di Eklego-Teologia Biblica
[2] Sacerdote. Teologo Morale. Ethics Advisor per ENTOPAN Smart Networks & Strategies. Cultore della Materia presso UNICAL (ECON-07/A ex SECS-P/08).
[3] Per capitalismo algoritmico si intende la configurazione contemporanea del capitalismo caratterizzata dalla centralità delle piattaforme digitali e degli algoritmi di machine learning nei processi di estrazione, accumulazione e valorizzazione. Srnicek (2017) analizza come le piattaforme operino come infrastrutture che estraggono dati dalle interazioni sociali trasformandoli in asset economici. Zuboff (2019) descrive il «capitalismo della sorveglianza» come mutazione sistemica dove l’esperienza umana diventa materia prima gratuita per pratiche commerciali di previsione e modifica del comportamento
[4] L’Harmonic Innovation Ecosystem, sta sviluppando la più importante piattaforma fisica e digitale globale impegnata nella promozione di una visione etica, umanistica, transdisciplinare e sapienziale dell’innovazione, dello sviluppo sostenibile, dell’accelerazione tecnologica e del futuro. Si tratta: (i) di una rete di spazi fisici (monasteri di futuro) diffusi in Italia e all’estero a partire dall’Harmonic Innovation Hub in fase di completamento su 20.000 mq a Catanzaro/Tiriolo; (ii) di una piattaforma digitale, strutturata come piattaforme di piattaforme e dotata di AI proprietaria addestrata con contenuti statici e dinamici etici, umanistici, sapienziali. Harmonic Innovation Ecosystem, integra al proprio interno l’intera filiera dell’innovazione a partire da un incubatore certificato MISE (primo nel Sud Italia tra Calabria e Sicilia), acceleratore, academy (OASI – Oltre Advanced School of Innovation), system integrator, tech factories e network di investitori per finanza di impatto. Partnership strategiche includono: Azimut Libera Impresa SGR per investimenti in infrastrutture sociali (2021), Intesa Sanpaolo per supporto a startup e PMI innovative (2022), Unimed che aggrega 184 università del Mediterraneo (2025), Rubicon International e IMCI+ per la finanza straordinaria a sostegno di progetti di sviluppo sostenibile. L’Hub si propone di ospitare 50 player nazionali/internazionali, 100 tra startup e PMI innovative, 200 ricercatori e 40 centri di competenza. Questa visione ha attratto, ad oggi, circa 700 milioni di euro investimenti privati. Attualmente l’Harmonic Innovation Ecosystem gestisce INNOVIT, la piattaforma di innovazione del Governo italiano in Silicon Valley.
[5] L’affermazione di Cicione «l’economia si è, non la si fa» richiama la distinzione di Polanyi (2000) tra economia formale (allocazione ottimale di mezzi scarsi) ed economia sostantiva (processo istituzionalizzato di interazione tra uomo e ambiente). L’innovazione /economia armonica recupera la dimensione sostantiva: l’economia non è tecnica neutrale, ma manifestazione di una forma di vita incorporata (embedded) in relazioni sociali, culturali, spirituali. Cf. anche Aristotele, Politica I, 8-10 sulla distinzione tra oikonomia (gestione della casa per il bene comune) e chrematistiké (accumulo illimitato di ricchezza).
[6] Si rinvia più diffusamente: cf. Cicione-Filice-Marino (a cura di), Harmonic Innovation: Super Smart Society 5.0 and Technological Humanism, 2022, Springer.
[7] In Bauman (2008), la società dei consumi produce individui definiti non più da ciò che fanno o sono, ma da ciò che consumano. Il soggetto viene valutato per la propria capacità di desiderare e acquistare, mentre le relazioni sociali si fanno fragili e strumentali, funzionali al consumo stesso. L’essere umano “prospera” solo apparentemente, ma in realtà è immerso in una condizione di insoddisfazione permanente, perché il desiderio è continuamente riattivato dal sistema economico e mediatico.
[8] Il “localismo differenziato” dell’innovazione / economia armonica si distingue tanto dall’autarchia localista (chiusura protezionistica) quanto dal globalismo omogeneizzante (applicazione di modelli standardizzati). Riprende invece il principio di sussidiarietà della Dottrina Sociale della Chiesa: ciò che può essere fatto efficacemente a livello locale non deve essere centralizzato, ma il locale deve restare aperto a solidarietà e cooperazione con altri territori. Cf. Giovanni Paolo II, Centesimus annus (1991), n. 48; Francesco, Fratelli tutti (2020), nn. 142-153 sul “localismo aperto”.
[9] Per “agency” intendiamo qui non la capacità soggettiva di auto-determinazione intenzionale tipica dell’agente morale umano (che presuppone autocoscienza, libertà, responsabilità), ma l’efficacia causale oggettiva di produrre effetti reali nel mondo. L’agency partecipata dell’IA è quindi agency in senso derivato e analogico: l’IA possiede efficacia causale specifica (non è oggetto inerte o puramente passivo) ma questa efficacia è sempre ontologicamente subordinata all’intenzionalità umana che ne definisce architetture, finalità operative e vincoli etici. La distinzione è cruciale per evitare antropomorfismi: riconoscere l’agency partecipata dell’IA non significa attribuirle soggettività, intenzionalità propria o responsabilità morale diretta.
[10] La Actor-Network Theory (ANT), sviluppata da Bruno Latour, Michel Callon e John Law, sostiene la “simmetria generalizzata” tra attori umani e non-umani nell’analisi delle reti socio-tecniche. Contro la “Costituzione moderna” che separa rigidamente natura e cultura, soggetti e oggetti, ANT mostra come gli artefatti tecnici siano attanti che mediano attivamente l’azione sociale. Tuttavia, ANT è stata criticata per relativismo etico e difficoltà nel mantenere la specificità dell’agency umana. Il framework dell’agency partecipata accoglie l’intuizione sulla mediazione attiva degli artefatti ma mantiene la priorità ontologica dell’umano attraverso la categoria tomista della subordinazione strumentale.
[11] La questione tomista sulla causalità strumentale nei sacramenti (Summa Theologiae III, q. 62, a. 1: “Utrum sacramentum sit causa gratiae”) offre analogia strutturale feconda per pensare l’IA. Lo strumento agisce realmente (instrumentum agit) producendo effetti propri secondo la sua natura, ma sempre in forza dell’agente principale (sed virtute principalis agentis). Questa causalità strumentale non è finzione ma partecipazione reale subordinata. Cf. anche ST I-II, q. 112, a. 1 sulla causalità efficiente della grazia e ST III, q. 62, a. 4 sulla virtus strumentale che eccede le capacità naturali dello strumento.
[12] Il concetto di machine habitus è stato introdotto da Massimo Airoldi (2022) per descrivere le disposizioni algoritmiche incorporate nei sistemi di machine learning attraverso i processi di training. Airoldi estende l’habitus bourdieusiano alla sfera non-umana, sostenendo che gli algoritmi sviluppano “schemi di percezione, valutazione e azione” che mediano pre-riflessivamente l’esperienza digitale. Romele (2023) offre una critica sistematica in Digital Habitus, problematizzando questa estensione per l’assenza di corporeità incarnata e intenzionalità nell’IA, proponendo una riconfigurazione che riconosca la specificità del digitale mantenendo l’utilità euristica del concetto per analizzare come pattern sedimentati nei dati orientino probabilisticamente le risposte algoritmiche.
[13] Un caso paradigmatico di cristallizzazione algoritmica del bias è il sistema di recruiting basato su IA sviluppato da Amazon (2014-2018) e poi abbandonato. L’algoritmo, addestrato su CV di assunzioni passate in un’azienda dominata da uomini nel settore tech, apprese a penalizzare sistematicamente candidature che contenevano la parola «women» o riferimenti a college femminili. Il bias non era programmato esplicitamente ma emergeva dall’apprendimento su dati storicamente distorti. Il caso illustra come l’IA possa cristallizzare e amplificare discriminazioni senza intenzionalità esplicita
[14] Il processo di retroazione (feedback loop) del machine habitus designa il processo circolare attraverso cui gli algoritmi apprendono regolarità sociali dalle azioni umane e le trasformano, mediante cicli di retroazione, in nuovi schemi di classificazione che orientano ulteriori azioni, generando così un apprendimento ricorsivo. In tale dinamica, i feedback loops rendono operative le probabilità apprese, convertendole in aspettative e norme che retroagiscono sul comportamento sociale.
[15] Esempi di piattaforme cooperative esistenti che incarnano alternative al modello estrattivo: Fairbnb (alternativa cooperativa ad Airbnb che reinveste il 50% dei profitti in progetti comunitari locali); Stocksy (cooperativa di fotografi che co-possiedono la piattaforma di stock photography); Resonate (piattaforma musicale in streaming organizzata come cooperativa multi-stakeholder di artisti e ascoltatori); CoopCycle (federazione europea di cooperative di delivery in bicicletta che condividono software open source). Scholz (2016) documenta oltre 200 casi di platform cooperativism a livello globale. Questi modelli dimostrano che la proprietà cooperativa dell’infrastruttura algoritmica è economicamente sostenibile e genera distribuzioni più eque del valore
[16] La scelta del tipo di blockchain è fondamentale. Blockchain pubbliche permissionless (Bitcoin, Ethereum) garantiscono massima decentralizzazione e resistenza alla censura ma hanno problemi di scalabilità ed efficienza energetica. Blockchain private/permissioned (Hyperledger, Corda) sono più efficienti ma sacrificano decentralizzazione. Per applicazioni di economia armonica, le blockchain consortium – governate da network di organizzazioni identificate – offrono equilibrio: sufficiente decentralizzazione per evitare monopoli, governance trasparente tra pari, efficienza adeguata per applicazioni economiche reali. Cf. anche lo sviluppo di blockchain “green” che usano Proof-of-Stake invece di Proof-of-Work energivoro.
[17] L’Algorithmic Impact Assessment (AIA), proposto da Reisman et al. (2018), è metodologia sistematica per valutare preventivamente gli impatti sociali di sistemi algoritmici prima del deployment. Modellato sugli Environmental Impact Assessment, l’AIA richiede: (1) descrizione tecnica del sistema e dei dati; (2) analisi degli stakeholder impattati; (3) valutazione dei potenziali bias e discriminazioni; (4) identificazione di rischi per diritti fondamentali; (5) misure di mitigazione; (6) processo di consultazione pubblica; (7) monitoraggio continuo post-deployment. Alcune giurisdizioni (Canada, Unione Europea con l’AI Act) stanno rendendo obbligatorio l’AIA per sistemi ad alto rischio.
[18] L’Ospedale Pediatrico Bambino Gesù di Roma ha implementato sistemi di IA per diagnosi precoce di malattie genetiche rare attraverso analisi genomica avanzata. L’algoritmo identifica correlazioni tra varianti genetiche e fenotipi clinici che sfuggono all’analisi umana, processando dataset di migliaia di casi. Il protocollo ospedaliero prevede che quando l’IA rileva probabilità elevate di patologie gravi o prognosi infauste, generi automaticamente un alert che attiva il servizio di assistenza spirituale. Questo permette accompagnamento pastorale tempestivo a pazienti e famiglie, configurandosi come esempio paradigmatico di struttura di grazia digitale: l’algoritmo non sostituisce né il discernimento clinico del medico né la cura pastorale del cappellano, ma li potenzia facilitando l’integrazione tra dimensione biomedica e dimensione spirituale della cura. Cf. https://www.ospedalebambinogesu.it/genetica-e-intelligenza-artificiale-contro-le-diagnosi-impossibili-170994/.
[19] La governance multi-stakeholder si distingue dalla corporate governance tradizionale (shareholder primacy) per il riconoscimento che l’impresa ha responsabilità verso tutti gli stakeholder – lavoratori, comunità locali, ambiente, non solo azionisti. Ostrom (1990) ha dimostrato come commons possano essere governati efficacemente da comunità locali attraverso meccanismi di governance policentrica che bilanciano autonomia locale e coordinamento. Il modello multi-stakeholder dell’Hub applica questi principi: università, imprese, investitori etici, istituzioni pubbliche, comunità hanno tutti voce nelle decisioni strategiche, con meccanismi deliberativi che richiedono consenso largo invece di maggioranze semplici.