L’AI trust gap è la nuova faglia che attraversa il settore delle telecomunicazioni. Non riguarda l’adozione dell’intelligenza artificiale, ormai entrata nei piani industriali degli operatori, ma qualcosa di più delicato: la capacità di dimostrare che quei sistemi siano davvero affidabili.
Secondo una nuova ricerca di TM Forum, realizzata in collaborazione con Ibm Institute for Business Value, il 72% dei communication service provider dichiara di avere fiducia nella propria AI. Tuttavia, solo il 14% riesce a produrre prove verificabili da soggetti esterni. È questo il dato che sposta il dibattito. La questione non è più se le telco useranno l’intelligenza artificiale, ma se sapranno governarla con evidenze operative solide.
Il punto è cruciale perché gli operatori stanno accelerando verso reti autonome, architetture componibili, processi data-driven e servizi digitali sempre più automatizzati. In questo scenario, la fiducia non può restare una dichiarazione di principio. Deve diventare un requisito tecnico, organizzativo e regolatorio.
Come ha dichiarato Nik Willetts, Ceo di TM Forum, durante il keynote di apertura del Dtw Ignite 2026, “la fiducia è il principale driver del valore del brand telco a livello mondiale, davanti alla copertura e al prezzo”. E ancora: “Se si costruisce bene la fiducia, tutto è possibile. Se si sbaglia sulla fiducia, nient’altro conta”.
Indice degli argomenti
Dalla sperimentazione alla prova industriale
Per anni l’AI nelle telecomunicazioni ha vissuto soprattutto nella dimensione dei progetti pilota. Gli operatori l’hanno applicata al customer care, alla manutenzione predittiva, all’ottimizzazione delle reti, all’analisi dei dati e alla gestione delle frodi. Oggi, però, quella fase non basta più.
Il settore sta entrando in una nuova stagione, nella quale l’intelligenza artificiale non supporta solo alcune attività. Inizia a incidere sui flussi operativi, sulle decisioni automatiche, sulla configurazione delle reti e sulla relazione con il cliente. Di conseguenza, cresce il rischio associato a errori, bias, opacità dei modelli e decisioni non tracciabili.
Il report segnala proprio questo passaggio. Molti operatori dispongono già di programmi di governance, policy interne e principi di responsabilità. Tuttavia, la governance non coincide con la prova. Stabilire regole non significa dimostrare che quelle regole vengano applicate davvero nei sistemi in produzione.
Qui nasce l’AI trust gap. Le telco hanno iniziato a costruire cornici di controllo, ma spesso non hanno ancora gli strumenti per produrre evidenze continue. Mancano osservabilità, tracciabilità, spiegabilità e meccanismi di assurance integrati nei processi.
Governance e assurance non sono la stessa cosa
La distinzione tra governance e assurance diventa centrale. La governance definisce le regole, assegna responsabilità e stabilisce criteri di conformità. L’assurance, invece, produce evidenze operative sul funzionamento dei sistemi.
Nel mondo telco questa differenza ha un peso particolare. Gli operatori gestiscono infrastrutture critiche, dati sensibili e servizi essenziali. Quando l’AI entra nei processi di rete o nelle decisioni verso il cliente, non basta più una validazione iniziale. Serve una capacità continua di monitoraggio.
Come osserva Mark Newman, Chief Analyst di TM Forum, il settore deve colmare il divario tra operazioni basate sull’AI e governance dell’AI. Questo significa inserire controlli nei sistemi, non sopra i sistemi. In altre parole, l’assurance non può restare una funzione esterna, chiamata a certificare ex post ciò che è già avvenuto.
La logica deve avvicinarsi a quella della service assurance o della revenue assurance. Occorre monitorare in tempo reale, analizzare dati, rilevare anomalie e generare prove utilizzabili per audit interni ed esterni. Solo così l’intelligenza artificiale può diventare parte affidabile dell’impresa autonoma.
Reti autonome, il nodo della fiducia operativa
Il tema non riguarda soltanto i modelli linguistici o le applicazioni di front office. Nelle telecomunicazioni l’impatto più profondo dell’AI riguarda le reti autonome. Gli operatori puntano a infrastrutture capaci di configurarsi, ottimizzarsi e correggersi con intervento umano ridotto.
Questa evoluzione promette efficienza, resilienza e maggiore velocità di risposta. Tuttavia, aumenta anche la complessità del controllo. Più cresce il grado di autonomia, più diventa necessario dimostrare che le decisioni automatiche rispettino criteri di sicurezza, qualità e responsabilità.
Si tratta di proteggere la credibilità del settore: un sistema autonomo che modifica parametri di rete, assegna priorità al traffico o interviene sulla customer experience deve lasciare tracce verificabili. Deve spiegare perché ha agito in un certo modo e quali dati ha utilizzato.
Per questo, l’AI trust gap rappresenta un rischio strategico. Senza prove operative, gli operatori non possono dimostrare che le reti autonome siano sicure. Non possono certificare che le architetture componibili siano governate. E non possono garantire che le decisioni guidate dall’AI producano risultati coerenti su scala enterprise.
Il rischio reputazionale supera quello tecnologico
Nel dibattito sull’intelligenza artificiale si tende spesso a concentrare l’attenzione sulla performance dei modelli. Nel caso delle telco, però, il rischio principale non coincide solo con la qualità tecnica dell’algoritmo. Coincide con la fiducia che clienti, aziende, partner e regolatori attribuiscono all’operatore.
La connettività è ormai un servizio essenziale per l’economia digitale. Ogni interruzione, errore o decisione automatizzata poco trasparente può avere ricadute sulla relazione con il mercato. Per questo la fiducia diventa un asset competitivo.
Il dato indicato da TM Forum va letto in questa prospettiva. Se il 72% degli operatori ritiene affidabile la propria AI, ma solo il 14% può provarlo, emerge un disallineamento tra percezione interna e capacità di accountability. È un divario che può incidere su reputazione, compliance e capacità di scalare i progetti.
Inoltre, l’arrivo di sistemi agentici aumenta la pressione. Gli agenti AI possono eseguire compiti, interagire con sistemi diversi e prendere decisioni operative. Se questi strumenti entrano nei processi telco senza adeguati controlli, l’esposizione al rischio cresce rapidamente.
La regolazione accelera il cambio di passo
La pressione normativa aggiunge un ulteriore livello. In Europa, l’AI Act impone requisiti stringenti per i sistemi ad alto rischio e spinge le organizzazioni verso standard più rigorosi di governance, audit e gestione del rischio. Per le telco, questo contesto regolatorio rappresenta sia un vincolo sia un acceleratore.
Il report sottolinea che la regolazione può rafforzare la postura di rischio delle organizzazioni più mature. Non agisce solo come obbligo di compliance, ma come leva per trasformare l’assurance in una capacità industriale.
Lo evidenzia Rakhee Chachra, Global Research Leader for Telecom and Media presso IBM Institute for Business Value: “La regolazione sembra agire come un acceleratore della preparazione. Può aggiungere un onere di conformità, ma si associa a una postura più forte sul rischio AI”.
Questa lettura è importante perché sposta la compliance fuori da una logica difensiva. Per gli operatori, costruire sistemi verificabili può diventare un vantaggio competitivo. Chi dimostra affidabilità potrà dialogare meglio con regolatori, imprese clienti e pubbliche amministrazioni. Inoltre, potrà scalare più rapidamente i casi d’uso AI più critici.
L’impresa autonoma richiede evidenze continue
TM Forum collega il tema dell’AI trust gap alla propria strategia Race to 2030, annunciata al DTW Ignite. L’obiettivo è accompagnare gli operatori verso imprese AI-native, fondate su reti autonome, IT componibile e intelligenza artificiale affidabile.
Questa visione introduce un cambio di paradigma. L’impresa autonoma non può basarsi solo sulla capacità di automatizzare processi. Deve anche dimostrare che quei processi funzionano secondo regole trasparenti e controllabili. In assenza di evidenze, l’autonomia rischia di generare sfiducia invece che efficienza.
Per questo l’assurance deve entrare nell’architettura. Non può restare confinata in documenti, comitati o controlli periodici. Deve diventare parte dei flussi operativi, dei data product, delle piattaforme di orchestrazione e dei sistemi di sicurezza.
Il passaggio è complesso, perché richiede investimenti in tecnologia, competenze e modelli organizzativi. Ma senza questa evoluzione, molte iniziative AI rischiano di restare bloccate tra sperimentazione e produzione. Gli operatori potranno mostrare casi d’uso promettenti, ma faticheranno a scalarli nei processi core.
Il problema non è l’assenza di regole
Uno degli aspetti più interessanti della ricerca è che il problema non sembra essere la mancanza di governance. Secondo TM Forum, deployment e governance procedono in modo relativamente allineato. Gli operatori non stanno necessariamente implementando sistemi autonomi molto più velocemente di quanto riescano a definirne le regole.
Il punto critico si trova altrove. Le regole esistono, ma non sempre producono evidenze operative. Questo significa che molte organizzazioni sanno cosa dovrebbero controllare, ma non dispongono ancora di strumenti sufficienti per dimostrare che il controllo avvenga davvero.
La differenza è sostanziale. Un modello può rispettare una policy nella fase di sviluppo, ma comportarsi in modo inatteso quando opera su dati reali, in contesti dinamici e con interazioni multiple. Allo stesso modo, un sistema può superare un audit iniziale, ma deviare nel tempo a causa di aggiornamenti, cambiamenti nei dati o nuove integrazioni.
Per affrontare questo scenario servono processi continui di verifica. Le telco devono sapere quali modelli operano, quali decisioni prendono, quali dati utilizzano, quali soglie applicano e quali effetti producono. Senza questa visibilità, la fiducia resta fragile.
Dati, sicurezza e interoperabilità nel nuovo modello telco
L’AI trust gap si intreccia anche con il tema dei dati. L’intelligenza artificiale richiede dataset affidabili, aggiornati e governati. Nelle telecomunicazioni, però, i dati sono distribuiti tra sistemi legacy, piattaforme cloud, ambienti di rete, customer care e partner di ecosistema.
La frammentazione complica la tracciabilità. Se un sistema AI prende una decisione usando dati incompleti o non aggiornati, l’operatore deve poterlo ricostruire. Inoltre, deve garantire che i dati rispettino vincoli di sicurezza, privacy e sovranità.
Da qui emerge un’altra dimensione dell’assurance. Non basta controllare il modello. Occorre controllare l’intera catena: dati, infrastruttura, applicazioni, interfacce, Api e processi decisionali. In un ambiente componibile, ogni componente deve contribuire alla fiducia complessiva.
Anche l’interoperabilità diventa un fattore abilitante. Se gli operatori vogliono costruire architetture AI-native, devono evitare silos di controllo. Servono standard, metriche comuni e capacità di assurance integrate nei diversi livelli dell’ecosistema.
Dal rischio al valore competitivo
Il rischio di non colmare l’AI trust gap è evidente. Gli operatori potrebbero rallentare l’adozione dell’intelligenza artificiale nei processi più critici. Oppure potrebbero procedere senza prove sufficienti, esponendosi a incidenti, contestazioni e blocchi regolatori.
Tuttavia, la ricerca indica anche una traiettoria positiva. Le telco che investiranno in assurance potranno trasformare la fiducia in valore, dimostrando ai clienti enterprise che i servizi AI-enabled rispettano requisiti di sicurezza e qualità. Potranno inoltre dialogare con i regolatori in modo più strutturato e accelerare l’automazione senza sacrificare il controllo.
Questo aspetto pesa soprattutto nel mercato business. Le imprese chiedono connettività, cloud, sicurezza, edge e servizi digitali sempre più integrati. Se l’AI diventa parte dell’offerta, gli operatori dovranno garantire non solo prestazioni, ma anche responsabilità verificabile.
La sfida organizzativa: portare l’assurance nei processi
Per colmare il divario non basterà acquistare nuove piattaforme. Le telco dovranno ripensare ruoli, responsabilità e processi. L’assurance dell’AI richiede collaborazione tra IT, network, sicurezza, compliance, data office e linee di business.
Serve anche una nuova cultura del rischio. L’intelligenza artificiale introduce variabili che non sempre rientrano nei modelli tradizionali di controllo. Le organizzazioni dovranno accettare che la fiducia non si dichiara una volta per tutte. Si costruisce attraverso misurazioni continue.
Questo impone di definire Kpi specifici. Non solo accuratezza dei modelli, ma anche spiegabilità, frequenza degli audit, qualità dei dati, numero di decisioni tracciate, gestione delle anomalie e tempi di intervento. La maturità AI dipenderà sempre più dalla capacità di collegare questi indicatori ai processi operativi.
Anche la formazione diventa decisiva. I team devono comprendere limiti e responsabilità dei sistemi autonomi. Inoltre, devono sapere quando intervenire, come interpretare le evidenze e come documentare le decisioni.
Partecipa alla community