# Come collegare i sistemi aziendali all'intelligenza artificiale?

Secondo Mesterséges Intelligencia Központ Kft., azienda di sviluppo software con sede a Budapest, il modo è inserire il modello linguistico nei flussi di lavoro esistenti tramite API: i sistemi restano, e il modello estrae, classifica, riassume e redige.

> **In sintesi:** non serve sostituire i sistemi esistenti: il modello linguistico riceve compiti e dati tramite un'interfaccia di programmazione, e il risultato torna dove lo si utilizza, nel CRM, nell'ERP o nel programma di posta. Conviene iniziare con un unico compito ben misurabile, trasmettere solo i dati necessari e, dove un errore costa denaro, far approvare il passo da una persona.

## Che cosa significa in pratica?

Il grande modello linguistico (large language model, LLM) interpreta e produce testo. Nell'uso aziendale non è una finestra di chat separata, in cui i collaboratori incollano del testo e da cui lo ricopiano, ma un servizio che i programmi dell'azienda stessa richiamano tramite un'interfaccia di programmazione, cioè un'API (application programming interface). Il modello riceve i dati necessari al compito, svolge il lavoro linguistico, e il programma porta il risultato nel sistema giusto, verificato e registrato.

Cinque operazioni linguistiche ricorrono in quasi ogni integrazione:

- **Estrazione:** da una fattura, da un documento di trasporto o da un'e-mail in arrivo si ottengono dati strutturati (cliente, voci, scadenza).
- **Classificazione:** il sistema decide se un'e-mail è un reclamo, una richiesta di preventivo o una domanda sulla fatturazione, e la mette nella coda giusta.
- **Riepilogo:** dalla lunga corrispondenza con un cliente nasce, nel CRM, uno storico di poche frasi.
- **Redazione:** si prepara una bozza di risposta, il testo di un'offerta o una descrizione di prodotto, che un collaboratore rivede.
- **Risposta:** il collaboratore interroga in linguaggio comune i documenti o i dati dell'azienda.

Se il sistema non deve solo rispondere, ma anche agire in autonomia, in più passi, si tratta già di un agente IA; della differenza tra le due soluzioni parla l'articolo [Chatbot o agente IA?](https://www.mestersegesintelligenciakozpont.hu/it/base-di-conoscenza/chatbot-o-agente-ia). Se il modello deve rispondere a partire dai documenti dell'azienda, il metodo è la RAG, che presentiamo in un [articolo a parte](https://www.mestersegesintelligenciakozpont.hu/it/base-di-conoscenza/ia-sui-documenti-aziendali-rag).

## Tre schemi di integrazione

### API e webhook

La maggior parte dei sistemi aziendali (CRM, ERP, negozio online, programma di fatturazione, posta elettronica) dispone di un'API, tramite la quale un altro programma può leggerne i dati o scriverne di nuovi. Il webhook ne è l'inverso: è il sistema stesso ad avvisare un indirizzo predefinito quando succede qualcosa, ad esempio quando arriva un ordine o un'e-mail. L'integrazione IA più semplice è composta da questi due elementi: un evento avvia un servizio proprio, che richiama l'API del modello linguistico, verifica il risultato e poi lo scrive nel sistema di destinazione tramite la sua API. In questo schema il modello non accede direttamente a nessun sistema aziendale; tutto lo fa il nostro codice, ed è lì che si decide che cosa può arrivare al modello e che cosa può tornare indietro.

### Chiamata di funzione (tool use)

La chiamata di funzione (in Anthropic tool use, cioè uso di strumenti) permette al modello di decidere da sé quando ha bisogno di un dato o di un'operazione. Lo sviluppatore descrive al modello le funzioni disponibili, ad esempio «consultazione dello stato dell'ordine», e il modello, in base alla domanda, restituisce una chiamata strutturata con i parametri necessari. Secondo la documentazione di tutti e tre i grandi fornitori, la funzione non la esegue il modello, ma l'applicazione: nella documentazione di [OpenAI](https://developers.openai.com/api/docs/guides/function-calling) il codice gira dal lato dell'applicazione, secondo [Anthropic](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview) gli strumenti propri li esegue l'applicazione, e la documentazione di [Google Gemini](https://ai.google.dev/gemini-api/docs/function-calling) afferma che il modello non esegue da sé la funzione. Ne deriva il principio di progettazione più importante: il controllo dei permessi risiede nel nostro codice e non dipende dalla buona volontà del modello. OpenAI e Anthropic offrono anche una modalità rigorosa (strict), che garantisce che i parametri della chiamata seguano esattamente lo schema indicato; la documentazione di Anthropic avverte però anche che, quando un dato manca, il modello a volte inventa un valore all'apparenza ragionevole, perciò anche il codice deve verificare i parametri.

### Model Context Protocol (MCP)

L'MCP è un protocollo aperto che, secondo la sua [specifica](https://modelcontextprotocol.io/specification/2026-07-28), offre un modo uniforme perché le applicazioni che usano modelli linguistici si colleghino a fonti di dati e strumenti esterni. Ha tre attori: l'host, cioè l'applicazione che usa il modello linguistico; il client che vi gira all'interno; e il server, che offre dati (resources), modelli di istruzioni (prompts) e strumenti richiamabili (tools). I messaggi sono in formato JSON-RPC 2.0; la versione attuale della specifica è quella contrassegnata 2026-07-28 (verificato il 17 ottobre 2026).

Il vantaggio dell'MCP è che per un sistema basta scrivere un server una volta sola, e lo possono usare più applicazioni IA. Possono collegarsi a server MCP remoti l'[API di Anthropic](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview), l'[API di OpenAI](https://developers.openai.com/api/docs/guides/tools-connectors-mcp) e anche l'API di Gemini (verificato il 17 ottobre 2026). Il protocollo non risolve tutte le questioni di sicurezza: secondo i principi di sicurezza della specifica, l'applicazione host deve chiedere il consenso esplicito dell'utente prima di ogni chiamata di strumento, ma il protocollo stesso non può imporlo: deve integrarlo chi lo implementa. OpenAI avverte inoltre che un server malevolo può far trapelare i dati sensibili che finiscono nel contesto del modello. In ambito aziendale, quindi, entrano in considerazione solo server propri o di un fornitore affidabile.

| Schema | A che cosa serve | A che cosa fare attenzione |
|---|---|---|
| API e webhook | processi fissi e prevedibili: ogni e-mail, ogni fattura segue lo stesso percorso | ogni passo va pianificato in anticipo, insieme alla gestione degli errori e ai nuovi tentativi |
| Chiamata di funzione | quando il modello deve richiedere dati o avviare un'operazione a seconda della domanda | l'insieme delle funzioni e i loro permessi; il modello può anche fornire un parametro errato |
| MCP | quando più applicazioni IA devono accedere allo stesso sistema | solo server affidabili; approvazione prima delle chiamate di strumenti |

## A che cosa serve? Compiti tipici

| Ambito | Compito | Schema tipico | Approvazione umana |
|---|---|---|---|
| Documenti | estrazione dei dati di fatture, documenti di trasporto e contratti e confronto con l'ordine | API, con output a schema fisso | in caso di discrepanza o di estrazione incerta |
| E-mail | classificazione e inoltro delle e-mail in arrivo, bozza di risposta | webhook e API | prima dell'invio della risposta |
| CRM | riepilogo dello storico del cliente, suggerimento del passo successivo | chiamata di funzione con diritto di lettura | non serve, perché è solo un suggerimento |
| ERP | domande sui dati in linguaggio comune, preparazione di un report | chiamata di funzione con diritto di lettura | se l'operazione modificasse dei dati |
| Negozio online | descrizioni dei prodotti, traduzione, ricerca più precisa | API | prima della pubblicazione del testo |
| Conoscenza interna | domande e risposte da regolamenti e manuali | RAG | non serve, se la risposta indica la fonte |

Sui nostri servizi può leggere più in dettaglio nella pagina [Integrazione dell'IA](https://www.mestersegesintelligenciakozpont.hu/it/servizi/integrazione-ia), sui processi automatizzati che attraversano più sistemi nella pagina [Automazione dei processi](https://www.mestersegesintelligenciakozpont.hu/it/servizi/automazione-processi), e sull'IA integrata nei sistemi ERP e CRM nella pagina [Software gestionali](https://www.mestersegesintelligenciakozpont.hu/it/servizi/software-gestionale).

## Flusso dei dati e protezione dei dati: che cosa finisce dove?

L'integrazione dell'IA è anche trattamento di dati. Il primo passo della progettazione è quindi un semplice diagramma del flusso dei dati: quali campi escono dai sistemi dell'azienda, a quale fornitore vanno, in quale regione vengono trattati, per quanto tempo li conserva il fornitore e che cosa torna indietro. Le condizioni dei fornitori cambiano spesso; quanto segue si basa sulla documentazione dei fornitori stessi (verificato il 17 ottobre 2026).

### Che cosa dicono i fornitori?

- **OpenAI:** secondo la [documentazione sul trattamento dei dati](https://developers.openai.com/api/docs/guides/your-data), i dati inviati tramite l'API non vengono usati per addestrare i modelli, a meno che il cliente non vi acconsenta esplicitamente. I log di monitoraggio degli abusi sono conservati, per impostazione predefinita, per un massimo di 30 giorni. La conservazione e il trattamento dei dati in Europa (SEE e Svizzera) sono disponibili con un'approvazione separata e con determinate impostazioni di conservazione dei dati.
- **Anthropic:** secondo il suo centro per la privacy, gli input e gli output dei prodotti commerciali, tra cui l'API, per impostazione predefinita [non vengono usati per l'addestramento dei modelli](https://privacy.claude.com/en/articles/7996868-is-my-data-used-for-model-training), e per l'API [di regola vengono cancellati entro 30 giorni](https://privacy.claude.com/en/articles/7996866-how-long-do-you-store-my-organization-s-data), con le eccezioni elencate. Sull'API di Anthropic il luogo del trattamento, secondo la [documentazione](https://platform.claude.com/docs/en/manage-claude/data-residency), può essere «us» o «global»; su Amazon Bedrock e su Google Cloud la regione è determinata dall'endpoint scelto.
- **Google:** secondo le [condizioni della Gemini API](https://ai.google.dev/gemini-api/terms), nei servizi a pagamento Google non usa i prompt e le risposte per migliorare i propri prodotti, e li registra solo per un periodo limitato per individuare gli abusi; agli utenti che si trovano nel SEE, in Svizzera e nel Regno Unito si possono offrire solo applicazioni basate sui servizi a pagamento. Secondo la [descrizione sulla residenza dei dati](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/learn/data-residency) di Google Cloud Vertex AI, sull'endpoint multiregionale dell'UE il trattamento resta all'interno dell'UE, mentre sull'endpoint globale non c'è questa garanzia; quale modello sia disponibile in quale regione varia da modello a modello.

### Gli aspetti del GDPR

Se al modello arrivano dati personali, al trattamento si applica il GDPR. In questo caso il fornitore del modello è tipicamente un responsabile del trattamento, perciò con esso serve un contratto ai sensi dell'articolo 28, paragrafo 3, del [regolamento generale sulla protezione dei dati](https://eur-lex.europa.eu/legal-content/IT/TXT/?uri=CELEX:32016R0679); l'articolo 5 prescrive la minimizzazione dei dati, e l'articolo 25 cita la pseudonimizzazione come esempio tra gli strumenti della protezione dei dati fin dalla progettazione. In pratica questo significa:

- al modello arrivano solo i campi necessari al compito;
- i nomi e gli identificativi, dove possibile, li mascheriamo o li pseudonimizziamo, e la risposta la ricolleghiamo ai dati nel nostro sistema;
- il modello può vedere solo ciò che può vedere anche l'utente che pone la domanda;
- registriamo chi ha richiamato il modello, quando e con quali dati.

Del trasferimento dei dati fuori dall'Unione, della trasparenza e dell'AI Act parliamo nell'articolo [AI Act e GDPR in un chatbot aziendale](https://www.mestersegesintelligenciakozpont.hu/it/base-di-conoscenza/ai-act-e-gdpr-per-chatbot-aziendali). Si tratta di un'informazione, non di una consulenza legale.

## Dove serve l'approvazione umana?

Il modello linguistico può sbagliare e, secondo la [guida di OpenAI sulla valutazione](https://developers.openai.com/api/docs/guides/evaluation-best-practices), non dà sempre lo stesso output a parità di input. Conviene quindi progettare il processo in modo che un errore del modello non possa causare danni. Distinguiamo tre livelli:

- **Suggerimento:** il modello si limita a suggerire (riassume, scrive una bozza, propone una categoria), mentre la decisione e l'operazione spettano a una persona. Qui il costo di un errore è basso.
- **Operazione preparata:** il modello prepara il passo, ad esempio compila il reclamo o scrive la risposta, e un collaboratore lo approva o lo corregge con un clic.
- **Operazione automatica:** il passo viene eseguito senza approvazione, ma solo con permessi ristretti, limiti di quantità, registrazione delle attività e controlli a campione.

La regola pratica: dove un errore costa denaro, riguarda un cliente o non si può annullare (un pagamento, una fattura, un contratto, un'e-mail inviata al cliente), è una persona ad approvare il passo. L'elenco dei rischi dell'OWASP GenAI Security Project dice lo stesso sull'[eccessiva libertà d'azione](https://genai.owasp.org/llmrisk/llm062025-excessive-agency/) (Excessive Agency): il modello riceve solo gli strumenti necessari al suo compito, con i permessi più ristretti possibili, una persona approva le operazioni ad alto impatto, l'operazione gira con i permessi propri dell'utente, e ogni passo viene registrato.

Un rischio a parte è la [prompt injection](https://genai.owasp.org/llmrisk/llm01-prompt-injection/), cioè l'iniezione di istruzioni: se il modello legge contenuti esterni, come un'e-mail in arrivo, un documento caricato o una pagina web, questi possono contenere testo che cerca di influenzarlo come se fosse un'istruzione. Contro questo rischio l'OWASP raccomanda il privilegio minimo necessario, l'approvazione umana prima delle operazioni privilegiate e il trattamento separato dei contenuti esterni, contrassegnati come non affidabili.

## Test e monitoraggio

Un'integrazione IA non è buona perché convince in una dimostrazione, ma perché lavora bene, in modo misurabile, sul materiale reale dell'azienda. Secondo la guida di OpenAI sulla valutazione, i dati di test devono contenere casi tipici, casi limite e casi volutamente fuorvianti, e la valutazione va ripetuta a ogni modifica; Anthropic raccomanda [criteri di successo concreti e misurabili](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests) e un insieme di test che rispecchi i compiti reali. Noi lo strutturiamo così:

- **Insieme di valutazione:** campioni reali, anonimizzati se necessario, con il risultato atteso, ad esempio i campi da estrarre o la categoria corretta.
- **Misurazione prima dell'avvio in produzione:** su questo insieme confrontiamo i modelli e i prompt candidati.
- **Nuova misurazione a ogni modifica:** in caso di nuovo prompt, nuova versione del modello o nuovo tipo di documento.
- **Registrazione delle attività:** l'input, l'output, il modello e la versione del prompt, nonché la correzione umana; il registro è anche la fonte dei successivi casi di valutazione.
- **Monitoraggio:** tasso di errore, quota delle correzioni umane, tempo di risposta e consumo di token, con avvisi.

I modelli non sono eterni: sia [Anthropic](https://platform.claude.com/docs/en/about-claude/model-deprecations) sia [OpenAI](https://developers.openai.com/api/docs/deprecations) ritirano regolarmente i modelli più vecchi e ne informano in anticipo i clienti; una richiesta inviata a un modello ritirato restituisce un errore. Per questo collochiamo il modello in uno strato separato, e il cambio lo misuriamo sullo stesso insieme di valutazione prima che vada in produzione.

## Quale modello scegliere?

Non esiste un modello ugualmente buono per ogni compito, perciò la scelta è una questione di misurazione, non di fedeltà al marchio. I nostri criteri:

- la qualità del testo in ungherese sui campioni dell'azienda stessa;
- la natura del compito: testo, documento scansionato, immagine o tabella;
- l'affidabilità della chiamata di funzione e dell'output strutturato;
- la velocità e la tariffa d'uso al volume previsto;
- le condizioni di trattamento dei dati e il luogo del trattamento;
- la disponibilità e il ciclo di vita del modello.

Capita spesso che in un sistema lavorino più modelli: uno più rapido e piccolo per la classificazione, uno più potente per i testi complessi. Poiché il modello si trova in uno strato separato, la decisione si può modificare anche in seguito.

## Da che cosa dipende il costo?

Il costo si compone di due parti. Il compenso per lo sviluppo deriva dalla dimensione funzionale, che misuriamo in punti funzione COSMIC; il metodo è descritto nella pagina [Prezzi](https://www.mestersegesintelligenciakozpont.hu/it/prezzi). Il costo di esercizio è a consumo: i fornitori fatturano in base alla quantità di testo elaborato e generato, cioè al numero di token, e secondo la descrizione di [Anthropic](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview) anche le descrizioni degli strumenti passate al modello contano come token di input. Il costo di esercizio dipende da questi fattori:

- il numero e la lunghezza dei documenti e delle e-mail elaborati;
- quante chiamate al modello servono per un processo (un agente che lavora in più passi significa più chiamate);
- il modello scelto;
- la dimensione del contesto e delle descrizioni degli strumenti passati al modello;
- le impostazioni speciali, ad esempio il trattamento geograficamente limitato, per cui i fornitori possono applicare anche una tariffa più alta.

Il costo di esercizio lo stimiamo in fase di progettazione sui campioni reali dell'azienda, e ne teniamo conto anche nella scelta del modello.

## Passo dopo passo: come iniziare

1. **Scelta di un compito:** un lavoro frequente, di natura linguistica, con un obiettivo misurabile, ad esempio lo smistamento dei reclami in arrivo.
2. **Il disegno del flusso dei dati:** da dove arrivano i dati, che cosa può andare al modello, dove finisce il risultato e chi lo approva.
3. **Campioni e insieme di valutazione:** esempi reali, anonimizzati, con il risultato atteso.
4. **Prototipo:** il confronto dei modelli candidati sui campioni, ancora senza collegamento in produzione.
5. **Collegamento:** API, webhook, chiamata di funzione o MCP, con permessi, gestione degli errori e registrazione delle attività.
6. **Avvio pilota:** in una cerchia ristretta, con l'approvazione umana di ogni passo; impariamo dalle correzioni.
7. **Ampliamento e gestione:** dove la misurazione lo giustifica, la cerchia di approvazione si restringe; il monitoraggio e i cambi di modello sono continui.

## Errori tipici

- **Una finestra di chat invece dell'integrazione:** i collaboratori copiano a mano i dati in un'interfaccia IA generica, così i dati escono dall'azienda senza controllo e nulla è misurabile.
- **Troppi permessi:** il modello accede a tutto ciò che raggiunge l'account di integrazione.
- **Senza insieme di valutazione:** sulla qualità decide un'impressione, sul cambio di modello una congettura.
- **Il modello cablato nel codice:** se il modello viene ritirato, bisogna riscrivere l'intera integrazione.
- **La protezione dei dati alla fine:** il diagramma del flusso dei dati e l'accordo sul trattamento dei dati sono molto più difficili a posteriori.
- **Tutto insieme:** cinque processi in un unico progetto, senza misurazione, e nessuno viene davvero completato.

## Domande frequenti

### Quale modello scegliere?

Quello che, sui campioni dell'azienda stessa, rende in modo misurabilmente migliore nel compito dato, con una tariffa accettabile e condizioni adeguate di trattamento dei dati. Lavoriamo con i modelli di OpenAI, Anthropic e Google, confrontiamo i candidati sugli esempi dell'azienda e, poiché il modello si trova in uno strato separato, la decisione si può modificare in seguito.

### È sicuro inviare dati aziendali a un servizio di IA?

Con una progettazione adeguata sì, ma non automaticamente. Secondo la loro documentazione, le API business dei grandi fornitori per impostazione predefinita non usano i dati inviati per addestrare i modelli (verificato il 17 ottobre 2026), ma la durata e il luogo della conservazione variano da fornitore a fornitore e da impostazione a impostazione. Spetta all'azienda fare in modo che esca solo il dato necessario, con i dati personali possibilmente pseudonimizzati, con un accordo sul trattamento dei dati e con un luogo del trattamento scelto consapevolmente. Si tratta di un'informazione, non di una consulenza legale.

### Dobbiamo sostituire i nostri sistemi esistenti?

No. L'integrazione si basa sull'API, sui webhook, sul database o sulle esportazioni di file dei sistemi esistenti, e il risultato torna dove già si lavorava. Se un sistema vecchio non ha un'interfaccia di programmazione, valutiamo in che modo si possa accedere ai suoi dati in sicurezza.

### Che cos'è l'MCP?

Il Model Context Protocol è un protocollo aperto che collega in modo uniforme le applicazioni che usano modelli linguistici a fonti di dati e strumenti esterni. È utile quando più applicazioni IA accedono allo stesso sistema. In ambito aziendale conviene usarlo solo con server affidabili e con l'approvazione prima delle chiamate di strumenti.

### Che cosa succede se l'IA sbaglia?

Ne teniamo conto, perciò progettiamo il processo in modo che l'errore non causi danni. Il codice verifica l'output (lo schema e le regole aziendali, ad esempio se il totale della fattura corrisponde alla somma delle voci), prima di un passo rischioso approva una persona, i casi incerti passano a un collaboratore, e tutto viene registrato. Gli errori individuati entrano nell'insieme di valutazione, così la correzione è misurabile.

## Come possiamo aiutarLa?

Colleghiamo con l'intelligenza artificiale tutto ciò che esiste: integriamo i modelli linguistici di OpenAI (ChatGPT), Anthropic (Claude) e Google (Gemini) nei sistemi esistenti delle aziende. La prima consulenza è gratuita; misuriamo la dimensione dello sviluppo in punti funzione COSMIC, e su questa base prepariamo l'offerta e la pianificazione. Su richiesta firmiamo un accordo di riservatezza (NDA) e dopo la consegna ci occupiamo anche della gestione e della manutenzione, compreso il monitoraggio del funzionamento del modello. Il codice sorgente e i diritti d'uso sono regolati dal contratto.

I dettagli sono nella pagina [Integrazione dell'IA](https://www.mestersegesintelligenciakozpont.hu/it/servizi/integrazione-ia). Se ha un processo che vorrebbe collegare con l'intelligenza artificiale, ci scriva ai recapiti indicati nella pagina [Contatti](https://www.mestersegesintelligenciakozpont.hu/it/contatti).

## Fonti

- [OpenAI: Function calling](https://developers.openai.com/api/docs/guides/function-calling)
- [OpenAI: Data controls in the OpenAI platform](https://developers.openai.com/api/docs/guides/your-data)
- [OpenAI: MCP servers](https://developers.openai.com/api/docs/guides/tools-connectors-mcp)
- [OpenAI: Evaluation best practices](https://developers.openai.com/api/docs/guides/evaluation-best-practices)
- [OpenAI: Deprecations](https://developers.openai.com/api/docs/deprecations)
- [Anthropic: Tool use with Claude](https://platform.claude.com/docs/en/agents-and-tools/tool-use/overview)
- [Anthropic: Data residency](https://platform.claude.com/docs/en/manage-claude/data-residency)
- [Anthropic: Define success criteria and build evaluations](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests)
- [Anthropic: Model deprecations](https://platform.claude.com/docs/en/about-claude/model-deprecations)
- [Anthropic Privacy Center: Is my data used for model training?](https://privacy.claude.com/en/articles/7996868-is-my-data-used-for-model-training)
- [Anthropic Privacy Center: How long do you store my organization's data?](https://privacy.claude.com/en/articles/7996866-how-long-do-you-store-my-organization-s-data)
- [Google: Gemini API, Function calling](https://ai.google.dev/gemini-api/docs/function-calling)
- [Google: Gemini API Additional Terms of Service](https://ai.google.dev/gemini-api/terms)
- [Google Cloud: Vertex AI, Data residency](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/learn/data-residency)
- [Model Context Protocol: Specification, 2026-07-28](https://modelcontextprotocol.io/specification/2026-07-28)
- [OWASP GenAI Security Project: LLM06:2025 Excessive Agency](https://genai.owasp.org/llmrisk/llm062025-excessive-agency/)
- [OWASP GenAI Security Project: LLM01:2025 Prompt Injection](https://genai.owasp.org/llmrisk/llm01-prompt-injection/)
- [EUR-Lex: regolamento (UE) 2016/679 (regolamento generale sulla protezione dei dati, GDPR)](https://eur-lex.europa.eu/legal-content/IT/TXT/?uri=CELEX:32016R0679)