Introduzione: i chatbot al di là della semplice automazione
I chatbot basati sull’intelligenza artificiale hanno superato la fase di strumenti di sintesi documentale o composizione di email. Oggi milioni di persone li utilizzano per affrontare problemi lavorativi, gestire le finanze, discutere relazioni personali o confidare questioni che difficilmente verrebbero pubblicate sui social.
Questa intimità ha generato una doppia sfida per l’industria tecnologica: da un lato, la necessità di proteggere dati estremamente sensibili; dall’altro, la possibilità di trasformare la privacy in un vero e proprio punto di vendita.
Il nuovo mercato della privacy per l’IA
Una nuova generazione di aziende sta cercando di differenziarsi da grandi assistenti come ChatGPT, Claude o Gemini proponendo una promessa che per anni è risultata difficile da commercializzare: maggiore privacy.
Le offerte variano da contratti di zero retention (nessuna conservazione dei dati) a modelli eseguiti direttamente sul computer dell’utente, passando per servizi intermedi che fungono da “cortigiani criptografici” e impediscono anche al provider del chatbot di accedere alle conversazioni.
Il caso di Moxie Marlinspike e il chatbot Confer
Uno dei protagonisti di questo mercato è Moxie Marlinspike, criptografo e sviluppatore noto per aver creato Signal, l’app di messaggistica cifrata end‑to‑end. Marlinspike afferma che il rischio si è spostato dai messaggi alla IA, poiché gli utenti confidano nei sistemi di IA questioni su insicurezze, relazioni, salute e finanze.
Nel 2026 ha lanciato Confer, un chatbot concepito attorno a questa preoccupazione. Invece di limitarsi a una politica di privacy scritta, Confer utilizza la crittografia e un Trusted Execution Environment (TEE), ovvero un “ambiente di esecuzione fidato”.
Come funziona il TEE in Confer
- Il prompt dell’utente viene elaborato in una zona isolata dell’hardware.
- Meccanismi crittografici dimostrano che il resto del sistema non può accedere a quel contesto.
- L’infrastruttura si basa sulla tecnologia di “computazione confidenziale” di Nvidia.
- Autenticazione mediante passkeys e codice sorgente aperto soggetto a audit.
Il risultato è una soluzione che tenta di mantenere la stessa privacy di Signal, ma con la complessità aggiuntiva di dover analizzare i contenuti testuali per rispondere.
Altre strade verso la privacy
Apple ha introdotto Private Cloud Compute, che indirizza alcune richieste verso server dove il processamento avviene in ambienti isolati, mantenendo anche qui la protezione dei dati. Inoltre, l’azienda esegue molte operazioni direttamente sul dispositivo, riducendo la necessità di trasmissione.
Soluzioni open source come Ollama, LM Studio e LocalAI permettono di far girare modelli localmente, senza che i dati lascino mai il computer. Tuttavia, gli esperti segnalano che questi modelli possono offrire capacità inferiori rispetto ai grandi sistemi cloud‑based.
Quanto costa la privacy?
Il dibattito tecnico si traduce rapidamente in una questione economica: chi paga per mantenere i dati fuori dal modello di business tradizionale?
Confer offre un numero limitato di query gratuite; il piano a pagamento più economico costa 34,99 $ al mese una volta superato il tetto gratuito di circa 20‑25 conversazioni giornaliere. Il prezzo supera i 20 $ mensili.
Marlinspike spiega che questa differenza riflette il costo di gestire un servizio che non si basa su ricavi derivanti da dati o pubblicità. La privacy, quindi, diventa una caratteristica per la quale il consumatore paga direttamente, piuttosto che finanziare indirettamente il servizio con le proprie informazioni.
Sostenibilità del modello
Gli esperti, come Green, avvertono che i modelli di frontiera richiedono enormi risorse computazionali, energia e infrastrutture. Non è ancora chiaro se fornitori che rinunciano a modelli di sfruttamento dei dati potranno costruire business sostenibili senza trasferire la maggior parte del costo all’utente.
Zero Data Retention per le aziende
Per le imprese esiste un’alternativa chiamata Zero Data Retention (ZDR), offerta da OpenAI, Anthropic e Google in specifici piani aziendali o per sviluppatori. Quando attivate, queste politiche mirano a cancellare i log delle interazioni subito dopo il processamento.
Tuttavia, ZDR non garantisce l’assenza totale di raccolta dati: i documenti forniscono meccanismi per rilevare abusi e prevedono eccezioni variabili a seconda del provider, del prodotto e del modello. La protezione dipende quindi dalle condizioni contrattuali del servizio, non solo da un’etichetta commerciale.
Linee guida accademiche e consigli pratici
La Università di Harvard ha pubblicato avvertimenti simili: l’informazione inserita in uno strumento di IA può essere memorizzata, processata, registrata, trattenuta o condivisa. Si raccomanda di conoscere le protezioni di ogni tool, modello, spazio di lavoro e funzione utilizzata e di evitare l’inserimento di dati sensibili senza autorizzazione specifica.
Il MIT Sloan suggerisce di trattare i sistemi pubblici non protetti come piattaforme aperte, evitando dati sensibili quali cartelle cliniche, informazioni finanziarie, dati identificativi o ricerche non pubblicate. Inoltre, consiglia di anonimizzare o rimuovere dettagli identificativi prima di caricare documenti.
Harvard aggiunge che è opportuno concedere alle IA solo i permessi strettamente necessari e verificare quali file, account o app possono essere consultati, poiché alcuni agenti possono accedere a email, calendari, inviare messaggi o persino eseguire codice.
Il problema della de‑identificazione
Anche se un servizio afferma di non conservare le conversazioni, il contenuto testuale può rivelare l’identità dell’utente. Domande su luoghi di residenza, nome di aziende o dettagli familiari creano combinazioni uniche che permettono il riconoscimento, anche in assenza di nomi espliciti.
Questa vulnerabilità spiega perché università e organizzazioni stanno definendo policy rigorose per l’uso dell’IA, includendo linee guida su quali dati introdurre e come proteggere la privacy degli individui.
Alcuni esempi di servizi orientati alla privacy
- Lumo (di Proton): promette di non registrare le conversazioni.
- Duck.ai (di DuckDuckGo): offre uno schema di riduzione dei dati inviati ai provider.
- Venice.ai: si focalizza su meccanismi di anonimizzazione e minore esposizione dei dati.
Tuttavia, la differenza fondamentale rimane tra una politica aziendale e una reale impossibilità tecnica di accedere ai dati. I servizi di intermediazione, pur nascondendo metadati, non possono eliminare il rischio di identificazione attraverso il contenuto stesso.
Impatti sulla privacy a livello globale
Un rapporto del Stanford Institute for Human‑Centered Artificial Intelligence (HAI) avverte che i sistemi di IA accentuano problemi di privacy già esistenti da decenni di raccolta massiva di informazioni online. La scala è diversa: i modelli richiedono quantità enormi di dati, e gli utenti hanno scarso controllo su quale informazione venga effettivamente utilizzata.
Questa dinamica crea una nuova economia basata sui dati, in cui la privacy diventa un bene premium. Le aziende che riescono a garantire zero retention o esecuzione locale possono differenziarsi, ma devono affrontare costi elevati e sfide tecniche.
Conclusioni: un futuro incerto ma ricco di opportunità
La privacy sta rapidamente trasformandosi in un nuovo fattore di differenziazione nel business dell’intelligenza artificiale. Servizi come Confer dimostrano che è possibile costruire un modello basato sulla crittografia avanzata e sull’esecuzione confidenziale, ma il prezzo per il consumatore è già superiore a 20 $ al mese.
Le opzioni aziendali di Zero Data Retention offrono una via di mezzo, ma la loro efficacia dipende da clausole contrattuali e da eccezioni specifiche. Gli esperti accademici continuano a consigliare prudenza, limitando l’inserimento di dati sensibili e scegliendo piattaforme che garantiscano trasparenza.
Rimane aperta la questione se il modello di business basato sulla privacy potrà scalare senza trasferire eccessivi costi all’utente finale. La risposta dipenderà dall’evoluzione delle tecnologie di TEE, dalla diffusione di hardware capace di eseguire modelli localmente e dalla capacità delle aziende di monetizzare servizi altrimenti “gratuiti”.