# Omissia: anonimizzare i documenti in locale | Blog Morfex

> Il racconto tecnico di Omissia, ex PII Legal: riconoscimento dei dati personali in locale, validazione di codice fiscale e IBAN, pseudonimizzazione reversibile.

URL: https://www.morfex.it/blog/anonimizzare-documenti-ai-app-locale/

In questo articolo

In breve

Omissia è un’app desktop per macOS, Windows e Linux che trova i dati personali dentro atti, contratti, buste paga e cartelle cliniche e li sostituisce con segnaposto, senza che il documento esca dal computer. Riconosce 23 tipi di dato: 11 con un modello che gira sul computer dell’utente con circa mezzo giga di RAM, 12 con regole e verifiche matematiche. Di base pseudonimizza, quindi il testo resta un dato personale; chi ha bisogno di chiudere la porta può creare una pratica in modalità definitiva, dove nessuna chiave viene mai costruita. Questo articolo è il racconto tecnico del progetto, che quando è stato scritto si chiamava PII Legal.

Aggiornamento di settembre 2026: il progetto adesso si chiama Omissia

Quando questo articolo è stato pubblicato il prodotto si chiamava **PII Legal**. Il nome descriveva la tecnologia e non diceva niente a chi la doveva usare, quindi è diventato **Omissia**, con un sito suo su [omissia.com](https://omissia.com). Nel frattempo l’app è cresciuta: gira anche su Windows e Linux, legge i PDF scansionati riconoscendo da sola le pagine senza testo, ripulisce i metadati del documento, permette di coprire a mano quello che sfugge al riconoscimento, ha un pulsante dentro Word, LibreOffice e Pages e un canale locale su `127.0.0.1` per chi vuole collegarla al gestionale dello studio. Il testo qui sotto è aggiornato a quello che l’app fa oggi; dove una scelta è cambiata, lo diciamo.

C’è una scena che si ripete quasi identica in settori diversi. Un avvocato ha un atto di quaranta pagine e vorrebbe chiedere a un’intelligenza artificiale di riassumerglielo. Un commercialista ha un bilancio da far leggere. Un consulente del lavoro ha una busta paga da controllare, un ufficio HR ha la trascrizione di un colloquio, una redazione ha un dossier di trecento pagine arrivato da una fonte e due giorni per capire cosa c’è dentro. Tutti stanno per fare una cosa utile e una cosa rischiosa nello stesso momento: utile perché il tempo risparmiato è reale, rischiosa perché dentro quel documento ci sono il nome della persona, il suo indirizzo, il codice fiscale, gli importi.

La reazione tipica dell’azienda è vietare. La reazione tipica di chi lavora è farlo lo stesso, dal computer di casa, perché la scadenza è domani. Nessuna delle due è una soluzione, e il divario tra le due è il posto dove è nato questo progetto.

## Perché “togliere i nomi” non è un problema già risolto

Le strade che sembrano ovvie si rompono tutte per motivi diversi, e vale la pena vedere come.

I servizi online che promettono di anonimizzare i documenti chiedono, come primo passaggio, di caricare il documento. Cioè esattamente la cosa che si stava cercando di evitare: il file esce dallo studio per poter essere ripulito prima di uscire dallo studio. Per molti regolamenti interni la questione finisce qui.

Coprire i dati con un rettangolo nero, la soluzione da fotocopiatrice, funziona per la carta e non per l’AI. Un testo pieno di buchi produce risposte vaghe, perché il modello non capisce più chi ha fatto cosa: se il primo attore e la seconda parte diventano due macchie, il riassunto non ha più soggetti.

E poi c’è la strada che quasi tutti scelgono davvero, cioè cancellare a mano. Chi lo fa dimentica sempre qualcosa, e il punto è che un dato dimenticato e finito dentro un modello online non si recupera in nessun modo. Non esiste un tasto per richiamarlo indietro.

## La distinzione che quasi nessuno fa, e che cambia tutto

Prima ancora della prima riga di codice c’era una domanda da chiarire, ed è quella che ha finito per dare forma al prodotto: quello che l’app fa, di base, non è anonimizzazione.

Se ogni nome diventa un segnaposto e da qualche parte resta scritto che quel segnaposto corrisponde a Mario Rossi, il testo è **pseudonimizzato**, non anonimo. La corrispondenza esiste, quindi ai sensi dell’art. 4(5) del GDPR quel testo continua a essere un dato personale a tutti gli effetti: servono ancora una base giuridica e, dove ricorrono i presupposti, la valutazione d’impatto. Non è una sfumatura lessicale da giuristi. È la differenza tra un professionista che sa di essere ancora responsabile e uno che crede di non esserlo più.

Molti strumenti evitano di dirlo, perché “anonimizza i tuoi documenti” si vende meglio. Noi abbiamo fatto la scelta opposta e l’abbiamo costruita nel prodotto: chi ha bisogno di chiudere davvero la porta può creare una pratica in **modalità definitiva**, in cui nessuna corrispondenza viene costruita né scritta su disco. Senza chiave non c’è ritorno, nemmeno per chi ha scritto l’app. La scelta si fa alla creazione della pratica e non esiste un comando che la annulli, perché una modalità irreversibile che si può disattivare dopo non è irreversibile.

Perché la modalità definitiva non è quella predefinita

Perché toglie la metà utile del lavoro. Nelle pratiche reversibili, quando l’AI risponde basta incollare il testo nell’app e i nomi tornano al loro posto: è quello che rende lo strumento usabile tutti i giorni. La modalità definitiva serve per un documento che esce dallo studio o che viene pubblicato, non per lavorarci sopra. Metterla come comportamento normale avrebbe significato costruire uno strumento che nessuno usa.

## Come fa a trovare i dati: due piani che lavorano insieme

Il riconoscimento non è un blocco solo, e questa è probabilmente la scelta tecnica che ha inciso di più sulla qualità del risultato.

Il primo piano è fatto di regole precise e di **verifiche matematiche**. Codice fiscale, partita IVA, IBAN e carte di pagamento non vengono “riconosciuti”: vengono ricalcolati con lo stesso metodo che usa chi li emette. O il carattere di controllo torna, e allora il codice è valido, oppure non viene nemmeno segnalato. Altri otto tipi si riconoscono dalla forma. In totale sono 12 tipi di dato su 23. Sui quattro con il controllo matematico la differenza è sostanziale: non stiamo indovinando, stiamo verificando, e un codice che non torna non viene nemmeno mostrato all’utente.

Il secondo piano è un **modello di riconoscimento di entità** che copre gli altri 11 tipi: i nomi delle persone, i loro ruoli nel processo, gli indirizzi, le organizzazioni. Cioè tutto quello che non ha una forma fissa e che nessuna espressione regolare potrà mai cercare al posto suo. Un nome italiano non ha un carattere di controllo, e in un atto compare in mezzo a parole che gli assomigliano.

La tentazione, nel 2026, sarebbe stata di dare tutto in pasto a un modello grande e farsi restituire l’elenco. Sarebbe stato più veloce da scrivere e sbagliato da consegnare: un modello generalista che rilegge un codice fiscale può allucinare un carattere, mentre un controllo matematico no. Le due tecniche non sono in competizione, coprono terreni diversi.

## Il modello sta dentro l’app, e non è un dettaglio

Il modello di riconoscimento non chiama nessun servizio. Viaggia dentro l’app, viene installato insieme a lei e gira sul computer di chi la usa, in un processo separato, con circa mezzo giga di RAM e senza bisogno di una scheda grafica dedicata. Gira su un portatile qualsiasi.

Questo è il punto su cui ricevo più scetticismo quando racconto il progetto, e capisco perché: siamo abituati all’idea che “AI” voglia dire GPU, cluster e fatture mensili. Ma quando il compito è circoscritto, un modello piccolo lo copre bene. E se lo copre bene, non c’è nessuna ragione per cui debba stare sul server di qualcun altro, soprattutto in un’app il cui unico scopo è impedire che i documenti finiscano sul server di qualcun altro.

Anche il documento resta dov’è: non viene copiato, caricato o duplicato da nessuna parte. L’app lo legge quando serve e lavora sul testo, così l’unica copia dell’atto rimane dove lo studio l’ha sempre tenuta.

Per essere sicuri che questa promessa non si consumasse silenziosamente nel tempo, l’abbiamo tolta dalle buone intenzioni e messa nei test: un test automatico sorveglia le chiamate di rete nel codice, e non perché ce lo ricordiamo, ma perché la build fallisce.

Su questo punto va fatta una correzione rispetto alla prima versione dell’articolo, che diceva «zero richieste verso internet». All’epoca era vero, perché il progetto era un caso studio. Adesso che Omissia è un prodotto con una licenza e degli aggiornamenti, quella frase sarebbe falsa, e una frase falsa in un discorso sulla riservatezza vale meno di zero. Il confine giusto è un altro, ed è quello che il test continua a difendere: **l’analisi di un documento non apre nessuna connessione**. Gli indirizzi che l’app conosce sono due, il controllo degli aggiornamenti e l’account della licenza. Il primo è un GET su un file statico uguale per tutti e vede quello che vede qualunque scaricamento, un indirizzo IP e uno user-agent; il secondo scambia l’email dell’account e un token. Nessuno dei due riceve un documento, un valore trovato o il nome di un file, dentro il programma non c’è nessuna analitica d’uso e nessuna segnalazione automatica di errore, e staccando la rete l’app continua a fare tutto: aprire una pratica, analizzarla, esportarla.

## Dal caso studio al prodotto: cosa è cambiato

Fra la prima versione di questo articolo e oggi il progetto ha smesso di essere un caso studio ed è diventato un programma che qualcuno paga per usare. La differenza si vede soprattutto nelle cose noiose, quelle che in un prototipo si rimandano e in un prodotto no.

**Le scansioni.** Un fascicolo vero non è fatto di PDF nati digitali: è pieno di pagine scansionate, che per un programma sono immagini e basta. L’app riconosce da sola quali pagine il testo non ce l’hanno e le legge come immagini, sul computer di chi lavora. È il punto in cui sarebbe stato comodissimo appoggiarsi a un servizio di riconoscimento ottico online, e sarebbe stato anche il modo più veloce per rendere insensato tutto il resto del prodotto. Oltre ai PDF legge `.docx`, `.odt`, il testo semplice e le immagini `.jpg`, `.png` e `.tif`.

**I metadati.** Un file consegnato con il testo ripulito e il nome dell’autore vero nelle proprietà non è un file ripulito. Proprietà del documento, revisioni e commenti conservano nomi che nessuno guarda mai, e ora vengono trattati insieme al testo. Il mestiere in cui questa voce pesa di più non è quello legale ma quello giornalistico: un documento arrivato da una fonte porta scritto dentro chi lo ha scritto, con quale programma e quali modifiche ha subito, e di inchieste pubblicate con quei campi ancora pieni la cronaca è piena.

**Quello che sfugge.** Il riconoscimento automatico non è mai completo, e il modo onesto di dirlo è lasciare uno strumento per coprire a mano il resto, direttamente sulla pagina. Chi usa il programma tutti i giorni lo sa già; scriverlo nella pagina di vendita è un’altra cosa.

**Il vocabolario dello studio.** Sigle interne, denominazioni societarie, nomi di controparti ricorrenti: ogni studio ne ha una lista che nessun modello generico può conoscere. Entrano nel dizionario della pratica, e da lì in poi vengono trovati come tutto il resto. È l’unico modo di far imparare qualcosa al programma senza che un documento debba uscire per addestrarlo.

**Il passaggio in meno.** Word, LibreOffice e Pages hanno un pulsante che manda il documento all’app. Sembra una comodità e invece è una scelta di riservatezza: ogni salva-ed-esporta intermedio è una copia in più del fascicolo che resta sul disco.

**Il gestionale che c’è già.** Chi vuole collegare l’app al proprio software trova un canale su `127.0.0.1`, porta 5005, che si accende dalle impostazioni e non è raggiungibile da fuori dalla macchina, con credenziali che cambiano a ogni sessione. Un’API locale è la sola forma di integrazione compatibile con la premessa del prodotto.

**Tre sistemi e quattro lingue.** Non tutti gli studi sono su Mac. L’app gira su macOS, Windows e Linux, e l’interfaccia parla italiano, inglese, sloveno e tedesco: sul confine orientale è normale lavorare su tre lingue nella stessa settimana.

**Un mestiere che non avevamo previsto.** Il prodotto è nato guardando studi legali e commercialisti, e i primi a scriverci con un caso d’uso diverso sono stati dei giornalisti. Il vincolo è lo stesso, la posta in gioco no: in uno studio un dato lasciato passare espone a una sanzione, in redazione espone una persona. Per loro le due parti che contano sono la pulizia dei metadati e la modalità definitiva, quella che non costruisce nessuna chiave e quindi non lascia in giro una corrispondenza che qualcuno possa chiedere di consegnare.

## Le sfide vere, cioè i punti dove abbiamo dovuto scegliere

Le difficoltà interessanti di questo progetto non sono state tecniche. Sono state decisioni in cui ogni strada costava qualcosa.

**Sbagliare da che parte.** Nessun sistema di riconoscimento è perfetto, quindi la domanda non è se sbaglierà ma come. Segnalare troppo significa far perdere tempo all’utente; segnalare troppo poco significa lasciar uscire un dato vero. I due errori non sono simmetrici: il primo costa qualche secondo, il secondo è irreversibile. Da qui la regola che viene prima di tutte le altre: nel dubbio si nasconde, e si lascia all’utente la libertà di rimettere il dato al suo posto. Lasciar passare e sperare che qualcuno se ne accorga non è mai stata un’opzione sul tavolo.

**Non far decidere al programma.** Ogni dato trovato viene mostrato nel punto esatto in cui compare, e si può accettare o rifiutare. Si può anche lasciar passare un intero tipo di dato, perché il contesto cambia tutto: in una perizia medica l’età serve, in una causa sui pagamenti servono gli importi. Un’app che decide da sola cosa è rilevante sta facendo un lavoro che non le compete.

**Tenere in piedi il testo.** Se ogni occorrenza ricevesse un segnaposto diverso, il documento diventerebbe illeggibile anche per l’AI. Lo stesso nome riceve sempre lo stesso segnaposto all’interno della pratica, così il modello continua a capire che il primo soggetto ha citato il secondo, senza sapere come si chiamano. Anche nelle pratiche definitive i segnaposto restano numerati, quindi la struttura del ragionamento sopravvive anche quando la chiave non è mai esistita.

**Dire cosa non sappiamo fare.** Le categorie particolari dell’art. 9, salute, condanne penali, appartenenza sindacale, convinzioni religiose, origine etnica, hanno un regime più severo di un nome. Ma una diagnosi non ha una forma riconoscibile: si può scrivere in mille modi, e nessun lessico la esaurisce. L’app tiene un elenco chiuso che alza un avviso quando il documento ne contiene tracce, e dichiara apertamente che si limita a segnalare. È stata una scelta scomoda, perché “riconosce anche i dati sensibili” sarebbe stata una riga di marketing efficace. Sarebbe stata anche una promessa che non possiamo mantenere.

**Numeri che restano utili senza essere veri.** Se serve, invece di sparire, le date si spostano tutte della stessa quantità e gli importi si scalano tutti nello stesso modo. I rapporti fra le cifre restano corretti, quindi una domanda sui conti ha ancora una risposta sensata mentre i valori reali restano nascosti. È una scelta da attivare esplicitamente, mai un comportamento automatico: un utente che non sa che i numeri che sta leggendo sono stati alterati è messo peggio di prima.

## Com’è fatta

Pezzo

A cosa serve

Electron

App desktop per macOS, Windows e Linux, con finestre dedicate a revisione e impostazioni

React

Interfaccia della schermata di revisione, pensata per liste lunghe

TypeScript

Logica di riconoscimento e sostituzione dei dati

Python e PyTorch

Processo locale che esegue il modello per nomi, ruoli e organizzazioni

safeStorage

Cifratura delle pratiche con il portachiavi del sistema operativo

unpdf e fflate

Lettura del testo dai PDF e dai documenti Word

Riconoscimento ottico locale

Lettura delle pagine scansionate senza che l’immagine esca dal computer

Jest

Test automatici, compreso quello che sorveglia le chiamate di rete

GitHub Actions

Controlli, analisi di sicurezza e build a ogni modifica

Sulle prove: i documenti reali non si possono usare per sviluppare uno strumento del genere, per ragioni che si spiegano da sole. Abbiamo quindi scritto sei atti di prova completi con dati inventati, dall’atto di citazione al verbale di udienza, ed è su quelli che il riconoscimento viene misurato a ogni modifica. Scriverli è costato molto più tempo di quanto chiunque avrebbe preventivato, ed è stata una delle voci che ha reso il progetto solido.

Il dettaglio che vale per qualsiasi progetto AI

La parte difficile non è stata far funzionare il modello. È stata decidere cosa il sistema deve fare quando non è sicuro, e chi prende la decisione in quel caso. Vale per la lettura dei documenti, per gli agenti, per qualunque cosa: il valore sta nella gestione dei casi incerti, non nel percorso pulito.

## Cosa non fa ancora

Un caso studio che elenca solo quello che funziona è una brochure. Nella prima versione di questo articolo l’elenco era più lungo: la lettura delle scansioni, la pulizia dei metadati, l’oscuramento manuale di quello che sfugge e i percorsi distinti per professione erano promesse, e adesso sono nel prodotto. Queste invece sono ancora davanti.

Chi lavora su decine di documenti non può aprirli uno per uno, quindi serve poter scegliere una cartella in entrata e ottenerne una in uscita, senza però saltare il momento in cui una persona guarda e decide. Serve capire che lo stesso soggetto chiamato in quattro modi diversi, nome e cognome, poi solo cognome, poi con un titolo davanti, è una persona sola e non quattro: oggi il programma li tratta come soggetti distinti, e in un atto lungo si vede.

Due direzioni più sottili. La prima: a volte nascondere del tutto un dato rende inutile la risposta dell’AI, e una via di mezzo è renderlo più vago restando veri, una fascia d’età al posto dell’età esatta, la provincia al posto dell’indirizzo. La seconda: un ultimo controllo sul testo mascherato appena prima che venga salvato o copiato, così che se qualcosa è rimasto in chiaro se ne accorga l’app e non il destinatario.

C’è infine un fronte che riguarda chi legge questo blog più da vicino: nei file di configurazione e nei log finiscono indirizzi di rete, chiavi e password. Chi incolla quel materiale dentro un modello ha esattamente lo stesso problema di chi incolla un atto, e merita la stessa rete di protezione.

## Cosa portarsi a casa

Se dovessi ridurre il progetto a tre cose, sarebbero queste.

La prima: quando il compito è circoscritto, un modello piccolo che gira in locale è spesso la risposta giusta, e costa in RAM quello che un servizio esterno costa in rischio. La seconda: le regole deterministiche non sono roba vecchia da sostituire con l’AI, sono lo strumento migliore ovunque esista un modo di verificare invece di indovinare. La terza, e la più importante: uno strumento che tocca la conformità normativa deve dire con precisione cosa non fa, perché il danno di una promessa gonfiata non lo paga chi l’ha scritta.

Il progetto completo, con le due modalità a confronto, i numeri e le schermate, è raccontato nel [caso studio di Omissia](/case-studies/omissia/). Il prodotto finito, con prezzi, download e prova di tre giorni, sta invece sul suo sito: [omissia.com](https://omissia.com).

Se nella vostra organizzazione c’è lo stesso problema, documenti pieni di dati personali e un divieto di caricarli da qualche parte, ma i documenti sono altri e le regole interne pure, [scriveteci](/contact/): la prima call serve a capire se ha senso costruire qualcosa, non a vendervi una licenza. Omissia è nata esattamente da una call così.

## Domande frequenti

Che fine ha fatto PII Legal? È lo stesso prodotto di Omissia?

Sì, è lo stesso prodotto: PII Legal era il nome di lavoro, che descriveva la tecnologia e non diceva niente a chi la doveva usare. Oggi si chiama Omissia, ha un sito suo su omissia.com con prezzi e download, e nel frattempo è cresciuto: gira su macOS, Windows e Linux, legge anche i PDF scansionati, ripulisce i metadati del documento, ha un pulsante dentro Word, LibreOffice e Pages e un canale locale per collegarlo al gestionale dello studio. Il principio di fondo non è cambiato: l'analisi resta sul computer di chi lavora.

Qual è la differenza tra anonimizzare e pseudonimizzare un documento?

Nella pseudonimizzazione ogni dato personale viene sostituito da un segnaposto, ma da qualche parte esiste ancora la corrispondenza tra il segnaposto e il valore vero. Siccome quella chiave esiste, il testo continua a essere un dato personale ai sensi dell'art. 4(5) del GDPR: servono ancora una base giuridica e, dove ricorrono i presupposti, la valutazione d'impatto. L'anonimizzazione vera si ha solo quando quella corrispondenza non è mai stata costruita: a quel punto non c'è modo di risalire ai nomi, e il testo esce dal perimetro. Chiamare 'anonimizzato' un testo pseudonimizzato fa credere a un professionista di essere al sicuro mentre è ancora pienamente responsabile.

Un modello AI che gira in locale è abbastanza bravo a riconoscere i dati personali?

Dipende da cosa gli si chiede. Nel nostro caso il modello di riconoscimento di entità copre 11 tipi di dato su 23: nomi di persona, ruoli nel processo, indirizzi, organizzazioni, cioè tutto quello che non ha una forma fissa e che nessuna regola potrebbe cercare al posto suo. Gli altri 12 tipi non passano dal modello: codice fiscale, partita IVA, IBAN e carte di pagamento vengono ricalcolati con lo stesso metodo di chi li emette, quindi o il codice è valido o non viene nemmeno segnalato, e altri otto si riconoscono dalla forma. Dividere il lavoro tra i due piani è quello che rende il risultato affidabile senza bisogno di un modello enorme.

Omissia serve anche a un giornalista che deve proteggere una fonte?

Sì, ed è il caso d'uso che ci è arrivato per primo da fuori dagli studi professionali. Il vincolo è lo stesso di un avvocato, ma la posta in gioco è diversa: un dato di troppo non espone a una sanzione, espone una persona. Le due funzioni che contano di più sono la pulizia dei metadati, perché un documento ricevuto da una fonte porta scritto dentro chi lo ha scritto e con quale programma, e la modalità definitiva, che non costruisce nessuna corrispondenza e quindi non lascia da nessuna parte una chiave che qualcuno possa chiedere. Resta valida la regola di sempre: il riconoscimento propone, la rilettura la fa una persona.

Serve un computer potente per far girare un modello di riconoscimento in locale?

No, e questa è la parte controintuitiva. Il modello viaggia dentro l'app, viene installato insieme a lei e gli basta circa mezzo giga di RAM: gira su un portatile qualsiasi, senza scheda grafica dedicata. Quando il compito è circoscritto, riconoscere entità in un testo italiano, un modello piccolo lo copre bene, e non c'è nessun motivo per cui debba stare su un server di qualcun altro.

Cosa succede alla risposta dell'AI dopo che ho mascherato il documento?

Nelle pratiche reversibili basta incollare la risposta nell'app: i segnaposto tornano a essere i nomi veri. È metà del valore del prodotto, perché un testo mascherato che non si può più ricondurre alle persone giuste sarebbe inutilizzabile nel lavoro di tutti i giorni. Nelle pratiche create in modalità definitiva questo passaggio non esiste, ed è esattamente il punto: quella modalità serve per un documento che esce dallo studio, non per lavorarci sopra.

L'app riconosce da sola i dati sensibili come lo stato di salute?

No, e lo dice apertamente. Le categorie particolari dell'art. 9 (salute, condanne penali, appartenenza sindacale, convinzioni religiose, origine etnica) hanno un regime più severo di un nome, ma non hanno una forma che un programma possa riconoscere con certezza: una diagnosi si può scrivere in mille modi. L'app tiene un lessico chiuso che alza un avviso quando il documento ne contiene tracce, e si ferma lì. Mascherare o meno resta una decisione di chi legge, perché un'etichetta automatica su una diagnosi sarebbe una promessa che non potremmo mantenere.

Strumenti e confronti AI

## Approfondisci con i nostri confronti

[Classifica

Migliori AI con residency UE e GDPR nel 2026

Quali tool AI sono compatibili con GDPR, AgID e residency dati UE per PA, sanità e finance: Mistral, Google Vertex AI (regioni Milano/Torino), Synthesia EU.

](/ai/best/migliori-ai-residency-ue-gdpr/)

## Articoli correlati

[

Approfondimenti

Estrazione dati dai documenti con l'AI: perché un solo passaggio non basta

Approfondimenti

### Estrazione dati dai documenti con l'AI: perché un solo passaggio non basta

Estrazione dati dai documenti con l'AI: come funziona un sistema che si controlla da solo e chiama il modello più potente solo quando serve.



](/blog/estrazione-dati-documenti-ai/)[

AI

Costruire prodotti AI-first: la guida onesta per chi vuole partire

AI

### Costruire prodotti AI-first: la guida onesta per chi vuole partire

Come costruire prodotti AI-first nel 2026: i sei pilastri, dal problema alla governance, e l'impatto dell'AI Act sulle scelte di progetto.



](/blog/costruire-prodotti-ai-first/)[

AI

AI Act, articolo 50: se usi chatbot e contenuti AI, ora devi dirlo

AI

### AI Act, articolo 50: se usi chatbot e contenuti AI, ora devi dirlo

Dal 2 agosto 2026 l'articolo 50 dell'AI Act è operativo: chatbot dichiarati, contenuti AI etichettati, multe fino a 15 milioni. Checklist per aziende.



](/blog/obblighi-trasparenza-ai-act-2026/)

## Hai un progetto in mente?

Raccontaci il tuo problema e troveremo la soluzione giusta.

[Inizia ora →](/contact/)