AI in Food Compliance: ci stiamo facendo le domande giuste?

Dal mito dell’efficienza al ruolo strategico

La narrazione più comune sull’AI in ambito food compliance parte dall’efficienza: aspettative di una navigazione più rapida tra testi normativi complessi, accesso più veloce a standard e linee guida, maggiore capacità di validare formulazioni, etichette e claim. Esampio pratico, si può pensare di sfruttare l’AI per una serie di check list e match di parole chiave, con la certezza di averne il completo controllo nel ragionamento finale. In teoria, tutto questo dovrebbe liberare Regulatory Affairs dai compiti più ripetitivi e lasciare più spazio al ruolo strategico, dalla definizione del posizionamento di prodotto alla lettura anticipata dei trend regolatori.

Il rischio, però, è trattare l’AI come scorciatoia per “automatizzare la compliance”, riducendo un processo di ragionamento sfumato a una serie di check‑list e match di parole chiave. Chi lavora in Regulatory Affairs sa che un prodotto conforme nasce da un percorso di valutazione che integra norme, evidenze scientifiche, contesto di mercato e percezioni dei consumatori, non da un singolo output generato da software.

La solita domanda di partenza

Molte discussioni interne iniziano con la stessa domanda: “Come dovremmo usare l’AI?”. I team confrontano strumenti, discutono di accuratezza e definiscono fino a che punto il “giudizio umano” deve rimanere coinvolto per validare il risultato. È un confronto utile, ma spesso resta in superficie, perché si focalizza sulle funzionalità degli strumenti più che sulle implicazioni di inserire questi strumenti nel flusso di sviluppo prodotto.

Quando l’AI diventa parte del percorso di ragionamento che porta a una formulazione, a un’etichetta o a un claim, la domanda chiave non è solo come usare l’AI, ma sotto quale modello di governance, con quale livello di trasparenza e con quale responsabilità sulle decisioni prese a partire dagli output assistiti dalla tecnologia.

L’AI Act come riferimento comune

In Europa, l’AI Act è ormai un riferimento centrale ogni volta che si parla di uso responsabile dell’intelligenza artificiale, questo vale anche anche per il settore alimentare. Il regolamento introduce un quadro armonizzato che classifica i sistemi di AI in base al rischio per la salute, la sicurezza e i diritti fondamentali, collegando ciascun livello a requisiti specifici per sviluppatori e utilizzatori.

In sintesi, l’AI Act distingue tra pratiche di AI considerate “unacceptable risk” (vietate), sistemi “high‑risk”, sistemi di “general‑purpose AI” e usi a rischio limitato o minimo, che prevedono obblighi più leggeri. I requisiti più stringenti si concentrano sui sistemi ad alto rischio, che devono rispettare condizioni legate a gestione del rischio, qualità e governance dei dati, documentazione tecnica, trasparenza verso gli utenti, registrazione e tracciabilità, supervisione umana efficace e robustezza, inclusa la sicurezza informatica e l’accuratezza.

L’analogia con i dispositivi medici

Il settore dei dispositivi medici offre un esempio chiaro di come l’AI Act inquadra i casi d’uso ad alto rischio. I dispositivi medici abilitati dall’AI, o i sistemi diagnostici in vitro che integrano AI, sono in genere considerati “high‑risk” quando sono essi stessi dispositivi medici o componenti di sicurezza, e quando ricadono in ambiti che richiedono valutazione di conformità da parte di organismi notificati secondo MDR o IVDR.

I sistemi di continuous glucose monitoring (CGM) con funzioni predittive, che analizzano dati in tempo reale per anticipare episodi ipoglicemici e avvisare i pazienti, mostrano bene perché la combinazione tra finalità medica, rilevanza per la sicurezza e impatto diretto sulla salute porta a una classificazione ad alto rischio. In questi casi, gli obblighi previsti dall’AI Act si aggiungono ai requisiti dei regolamenti sui dispositivi medici, enfatizzando aspetti specifici dell’AI come la governance dei dati, la supervisione umana e il monitoraggio post‑market.

Dove l’AI nel food appare diversa

Nel food e nella nutrizione, molti strumenti di AI sembrano meno critici rispetto all’ambito medicale, perché operano “dietro le quinte” e non interagiscono direttamente con consumatori. Si tratta, per esempio, di sistemi che supportano lo screening degli ingredienti rispetto alle liste regolatorie, il controllo delle formulazioni rispetto ai limiti compositivi, la proposta di strutture di etichetta, o l’aiuto nel sintetizzare evidenze scientifiche a supporto dei claim.

Questi usi sono spesso percepiti come a rischio inferiore, perché Regulatory Affairs mantiene l’ultima parola sull’idoneità del prodotto, dell’etichetta o del claim, e perché l’output dell’AI non raggiunge in modo autonomo il consumatore. Questa percezione può essere fuorviante se porta a sottovalutare quanto profondamente il ragionamento assistito da AI possa condizionare la base dati, le opzioni considerate e l’ordine con cui vengono valutate.

Strumenti AI interni e loro impatto

Quando l’AI supporta attività come il pre‑screening degli ingredienti, la redazione iniziale dell’etichetta o la prioritizzazione degli studi in una review di evidenza, può facilemtne influenzare ciò che i professionisti di Regulatory Affairs vedono per primo, come viene inquadrato un problema e quali alternative emergono. Anche se i contenuti generati vengono poi approvati, corretti o respinti da esperti umani, una parte del percorso cognitivo è co‑progettata con un sistema la cui logica interna e i cui dati di training non sono sempre completamente trasparenti.

Un assistente AI potrebbe, per esempio, segnalare solo un sottoinsieme di criticità regolatorie per una certa formulazione, sulla base di pattern appresi da prodotti e mercati passati. Se i dati sottostanti sono parziali o sbilanciati, alcune limitazioni o interpretazioni rilevanti possono restare fuori campo, anche quando il revisore umano è esperto e attento. La domanda centrale non è se la decisione finale sia “umana”, ma se la persona che decide ha una visione abbastanza chiara di dove e come l’AI ha influenzato il processo.

Come l’AI Act guarda ai compiti preparatori

L’AI Act riconosce che alcuni sistemi di AI svolgono attività limitate o preparatorie, a supporto del processo decisionale umano, senza condizionare in modo sostanziale l’esito finale. L’articolo 6 e l’Allegato III precisano che certi sistemi elencati come potenzialmente “high‑risk” possono evitare questa classificazione quando svolgono solo compiti procedurali ristretti, migliorano risultati già ottenuti da attività umane, o si limitano a rilevare schemi senza sostituire il giudizio umano, a condizione che il loro impatto su salute, sicurezza e diritti fondamentali resti limitato.

Questa distinzione è importante per le aziende alimentari che usano internamente l’AI in Regulatory Affairs. Uno strumento che si limita a formattare dati già validati o a facilitare il recupero di documenti è diverso da uno che pre‑filtra l’evidenza, suggerisce interpretazioni regolatorie o ordina le opzioni di formulazione sulla base di criteri propri. Più il sistema influenza la sostanza del ragionamento, e non solo la sua presentazione, più diventano rilevanti le scelte di governance, trasparenza e gestione del rischio.

Pilastri di governance per l’AI in Regulatory Affairs

Nel contesto della food compliance, la sfida principale con l’AI non è solo “adottare strumenti”, ma costruire modelli di governance che si adattino ai compiti specifici svolti dall’AI e alle decisioni che ne derivano. Alcuni pilastri risultano particolarmente rilevanti per Regulatory Affairs:

• Chiarezza di scopo e perimetro: documentare quali domande il sistema di AI è progettato per affrontare, quali input utilizza e quali output produce, distinguendo in modo esplicito le funzioni di supporto da quelle valutative.

• Qualità e provenienza dei dati: comprendere l’origine, la gestione e i processi di aggiornamento dei dati regolatori, delle evidenze scientifiche e delle informazioni interne che alimentano il sistema, e tracciare come vengono combinati.

• Progettazione della supervisione umana: definire quando e come Regulatory Affairs rivede gli output dell’AI, quali segnali richiedono approfondimento, e come vengono gestiti e registrati i casi di disallineamento tra raccomandazioni dell’AI e giudizio degli esperti.

Questi elementi riecheggiano i requisiti previsti per i sistemi ad alto rischio dall’AI Act, anche quando gli strumenti interni delle aziende alimentari non rientrano formalmente in quella categoria. Applicare pratiche simili contribuisce a rafforzare tracciabilità e responsabilità, e rende più semplice dimostrare un uso responsabile dell’AI verso autorità e auditor.

Evidenza scientifica, interpretazione e assistenza AI

Il settore alimentare è un ambito in cui le decisioni raramente si riducono a un “sì/no” netto. La comprensione scientifica evolve, la normativa può essere frammentata tra livello internazionale, europeo e nazionale, e l’interpretazione dipende spesso dal contesto d’uso e dai canali di comunicazione. Le evidenze a supporto di un claim possono essere suggestive ma non definitive, e le autorità o le associazioni di consumatori possono adottare letture più conservative rispetto alle aziende.

Gli strumenti di AI che supportano la raccolta o la sintesi dell’evidenza possono essere utili, ad esempio identificando studi rilevanti o collegando risultati a endpoint considerati nei regolamenti o nelle linee guida. Allo stesso tempo, rischiano di semplificare eccessivamente discussioni scientifiche complesse, di privilegiare letteratura facilmente accessibile e di nascondere l’incertezza dietro sintesi molto fluide. Per questo, i processi di review di Regulatory Affairs dovrebbero guardare non solo a ciò che l’AI ha recuperato, ma anche a ciò che potrebbe non aver intercettato.

Consapevolezza come competenza chiave

Man mano che l’AI viene integrata nei flussi di lavoro quotidiani, la consapevolezza diventa una competenza, non un semplice modulo di formazione. Chi lavora in Regulatory Affairs dovrebbe avere almeno una comprensione di base di come sono costruiti i sistemi di AI che utilizza, quali dati impiegano, come vengono aggiornati e come se ne valuta la performance nel tempo.

Questa consapevolezza permette di fare domande più mirate agli output dell’AI. Invece di chiedere solo se una risposta sia “corretta”, l’esperto può chiedere su quali dati si basa, quali alternative sono state considerate, e come il sistema si comporta nei casi borderline. Insieme a documentazione solida e logging adeguato, questo approccio aiuta a mantenere rigore scientifico e affidabilità regolatoria in un contesto in cui l’automazione può facilmente mascherare la complessità del processo decisionale.

Domande pratiche per i team di Regulatory Affairs

In concreto, i team di Regulatory Affairs possono iniziare ponendosi un set diverso di domande quando introducono l’AI nei propri processi:

• Per ciascun compito assistito da AI, in che modo il sistema influenza ciò che gli esperti vedono, in quale ordine e con quale enfasi?

• Quali assunzioni su norme, rischio o evidenza scientifica sono incorporate nel modello o nei suoi dati di training, e chi le ha validate?

• Come vengono gestiti, documentati e utilizzati nel tempo i casi di disaccordo tra le proposte dell’AI e il giudizio di Regulatory Affairs, sia per migliorare la performance del sistema, sia per rafforzare l’apprendimento organizzativo?

Impostare il dibattito intorno a queste domande sposta il focus dalla scelta dello strumento alla progettazione della governance. Significa riconoscere che l’AI non elimina la responsabilità regolatoria, ma alza l’asticella su come le aziende strutturano, monitorano e aggiornano i propri modelli di decisione man mano che la tecnologia e le aspettative regolatorie evolvono insieme.

#NutriAI #NutriAINewsletter #IntelligenzaArtificiale #AI #Nutrizione #ComunicazioneScientifica #FoodTech #SicurezzaAlimentare #RegolamentoAI #EFSA #ConformitàNormativa #ISO42001 #HealthClaims #InnovazioneDigitale #AIResponsabile #TrasparenzaAI #Governance #DataScience #ComplianceAlimentare #NutrizioneDigitale #FoodLaw #RischioAltoAI #TrustInAI #AINews #ScientificCommunication #EUAIAct #MedicalEducation #AIliteracy #ContinuingEducation #Dietitians #Nutritionists #LargeLanguageModels #AIAct #ClinicalDecisionSupport #DigitalHealth #Nutrition

Disclaimer: Tutti i diritti delle immagini e contenuti utilizzati appartengono ai rispettivi proprietari. Questo articolo è fornito a scopo educativo e informativo. Non costituisce consulenza legale o normativa. Le organizzazioni dovrebbero consultare esperti legali e normativi qualificati prima di implementare sistemi di IA nel settore nutrizionale.

--------------------------------------------------------------------------

Riferimenti bibliografici

1. Artificial Intelligence in healthcare. European Commission, 2026. https://health.ec.europa.eu/ehealth-digital-health-and-care/artificial-intelligence-healthcare_en

2. Understanding EU AI Act Risk Categories. Security Compass, 2024. https://www.securitycompass.com/blog/understanding-eu-ai-act-risk-categories/

3. Guidelines for providers and deployers of AI high-risk systems. European Commission, 2026. https://digital-strategy.ec.europa.eu/en/policies/guidelines-ai-high-risk-systems

4. MDCG 2025-6: Interplay between the Medical Devices Regulations and the AI Act. Medical Device Coordination Group / European Commission, 2025. https://health.ec.europa.eu/document/download/b78a17d7-e3cd-4943-851d-e02a2f22bbb4_en?filename=mdcg_2025-6_en.pdf

5. Article 6: Classification Rules for High-Risk AI Systems. EU Artificial Intelligence Act. https://artificialintelligenceact.eu/article/6/

6. High-level summary of the AI Act, 2024. https://artificialintelligenceact.eu/high-level-summary/

7. Risk-Based Monitoring for AI-Enabled Medical Devices. DIA Global Forum, 2025. https://globalforum.diaglobal.org/issue/september-2025/risk-based-monitoring-for-ai-enabled-medical-devices/

8. AI Act and Medical Devices: What you need to know. CMC Medical Devices, 2025. https://cmcmedicaldevices.com/when-does-the-ai-act-apply-to-medical-device-software/

9. AI Act | Shaping Europe's digital future. European Commission, 2026. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

10. Risk Categorization per the European AI Act. Emergo by UL, 2024. https://www.emergobyul.com/news/risk-categorization-european-ai-act

11. Key Issue 3: Risk-Based Approach. EUAIAct.com. https://www.euaiact.com/key-issue/3

12. Article 26: Obligations of deployers of high-risk AI systems. European Commission AI Act Service Desk. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-26

13. Article 14: Human Oversight. EU Artificial Intelligence Act. https://artificialintelligenceact.eu/article/14/

14. EU AI Act - EU Artificial Intelligence Act, 2025. https://www.euaiact.com

15. Article 10: Data and Data Governance. EU Artificial Intelligence Act. https://artificialintelligenceact.eu/article/10/

16. The Act Texts. EU Artificial Intelligence Act. https://artificialintelligenceact.eu/the-act/

17. Assessing High-Risk AI Systems under the EU AI Act. arXiv, 2024. https://arxiv.org/html/2512.13907v3

18. AI Act enters into force. European Commission, 2024. https://commission.europa.eu/news-and-media/news/ai-act-enters-force-2024-08-01_en

19. EU AI Act: first regulation on artificial intelligence. European Parliament, 2025. https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence

20. Artificial intelligence act. European Parliamentary Research Service, 2024. https://www.europarl.europa.eu/thinktank/ga/document/EPRS_BRI(2021)698792

21. The EU Artificial Intelligence Act, 2026. https://artificialintelligenceact.eu

Contatti

Seguimi su LinkedIn

Nutri-AI 2025 - Alessandro Drago. Tutti i diritti sono riservati

e-mail: info@nutri-ai.net