L’innovazione tecnologica nei contratti pubblici italiani sta attraversando una fase cruciale grazie alla digitalizzazione e alla recente riforma del Codice dei contratti pubblici. In questo contesto, l’Intelligenza Artificiale emerge come strumento chiave per migliorare efficienza, trasparenza e affidabilità delle procedure di appalto.
Indice degli argomenti
Perché l’intelligenza artificiale nei contratti pubblici conta oggi in Italia
I contratti pubblici rappresentano un settore strategico per l’economia nazionale, con una spesa annuale che in Italia equivale a circa il 12% del PIL [1].
La gestione efficiente e trasparente degli appalti pubblici è fondamentale per garantire buon governo, fiducia nelle istituzioni e servizi di qualità ai cittadini.
Negli ultimi anni, la trasformazione digitale della Pubblica Amministrazione (PA) ha investito profondamente il ciclo degli appalti: la transizione da procedure cartacee e frammentate a un ecosistema interamente digitale è stata accelerata sia dall’innovazione tecnologica sia da riforme normative mirate.
In particolare, il PNRR ha identificato nella digitalizzazione degli appalti (milestone M1C1-75) una priorità per modernizzare il Paese e allinearlo alle best practice europee. In questo quadro, l’AI sta acquisendo un ruolo sempre più centrale come leva per sfruttare l’enorme mole di dati prodotta nei processi di gara e di esecuzione contrattuale.
Con l’intero ciclo di vita dei contratti pubblici gestito tramite piattaforme telematiche e banche dati interoperabili, i dati nativi digitali degli appalti diventano una fonte preziosa di conoscenza.
Tali dati, se analizzati con strumenti basati su AI, possono fornire insight e modelli predittivi utili a supportare le decisioni amministrative, incrementare la trasparenza e individuare tempestivamente irregolarità e frodi.
La letteratura evidenzia come dataset integrati sugli appalti pubblici possano essere utilizzati per addestrare modelli di AI in grado di apprendere dalle pratiche di gara, migliorando la capacità predittiva (anticipando ricorsi e anomalie) e la capacità dell’azione amministrativa, anche attraverso tecniche di spiegabilità.
Parallelamente, l’adozione dell’AI in ambito pubblico pone delicate questioni giuridiche e organizzative.
Da un lato, vi è la necessità di rispettare i principi cardine dell’azione amministrativa, quali trasparenza, parità di trattamento, non discriminazione e motivazione delle decisioni, che devono trovare applicazione anche quando si utilizzano algoritmi nelle procedure di gara.
Dall’altro, occorre sviluppare competenze e strutture adeguate nelle PA affinché l’AI sia implementata in modo efficace e responsabile, senza scavalcare il ruolo di controllo in capo ai funzionari.
Un approccio integrato tecnico-giuridico diventa essenziale: l’introduzione di soluzioni algoritmiche deve procedere di pari passo con l’evoluzione del quadro normativo e con iniziative di governance e formazione nelle amministrazioni pubbliche.
Nelle sezioni seguenti verrà analizzato il quadro normativo nazionale, con particolare attenzione alla riforma del Codice e alla digitalizzazione, evidenziandone l’impatto sull’integrazione dell’AI.
Si illustreranno poi le principali applicazioni tecnologiche nel settore, corredate da esempi concreti ed evidenze scientifiche.
Infine, la discussione si concentrerà sulle opportunità e sulle sfide emergenti, delineando le prospettive per un utilizzo diffuso e regolamentato dell’AI negli appalti pubblici in Italia.
Come l’intelligenza artificiale nei contratti pubblici entra nel nuovo quadro digitale
La riforma del Codice dei contratti pubblici, attuata con il D. Lgs. 36/2023, ha impresso una decisa accelerazione verso digitalizzazione e innovazione tecnologica nelle procedure di gara.
A partire dal 1° gennaio 2024, tutte le fasi dei contratti pubblici devono svolgersi su piattaforme di approvvigionamento digitale certificate, nell’ambito di un Ecosistema nazionale di approvvigionamento digitale (e-procurement).
Questo cambiamento, sostenuto dal PNRR, mira a eliminare la frammentazione tipica del settore, introducendo banche dati unificate, interoperabilità e applicazione del principio once-only. Secondo tale principio, dati e documenti devono essere forniti alla PA una sola volta e riutilizzati quando necessario.
L’Autorità Nazionale Anticorruzione (ANAC) gioca un ruolo chiave in questa transizione, gestendo la Banca Dati Nazionale dei Contratti Pubblici (BDNCP) e offrendo servizi centralizzati come PCP, pubblicità legale degli atti e FVOE.
In questo contesto normativo, l’adozione di soluzioni di AI trova una base favorevole e al tempo stesso regolamentata, seppur ancora parzialmente.
Il ruolo dell’articolo 30
L’art. 30 del nuovo Codice dei contratti pubblici è dedicato espressamente all’uso di procedure automatizzate e algoritmi nel ciclo di vita degli appalti. Il comma 1 prevede che le stazioni appaltanti e gli enti concedenti provvedano, ove possibile, ad automatizzare le proprie attività ricorrendo a soluzioni tecnologiche avanzate, incluse l’AI e le tecnologie di registri distribuiti, nel rispetto delle disposizioni vigenti.
Si tratta di un segnale normativo a favore dell’innovazione: migliorare l’efficienza mediante automazione è consentito e auspicato dal legislatore. Allo stesso tempo, l’art. 30 definisce condizioni per un impiego affidabile e conforme ai principi legali. In fase di acquisizione e sviluppo di sistemi AI, le amministrazioni devono assicurare disponibilità del codice sorgente e documentazione (comma 2, lett. a), per garantire la comprensibilità del funzionamento algoritmico.
Devono inoltre prevedere contrattualmente servizi di manutenzione per correggere errori ed effetti indesiderati derivanti dall’automazione (comma 2, lett. b). Sul piano dell’utilizzo, le decisioni automatizzate devono rispettare tre principi fondamentali (comma 3): conoscibilità e comprensibilità, non esclusività della decisione algoritmica e non discriminazione algoritmica. Ogni operatore economico ha diritto di sapere se un processo decisionale che lo riguarda è automatizzato e di comprenderne la logica.
Deve sempre esserci un intervento umano in grado di controllare, validare o modificare l’esito automatico. Devono essere adottate misure organizzative e tecniche per prevenire effetti discriminatori verso gli operatori economici. A tal fine, il Codice impone interventi sulla qualità dei dati e la prevenzione di bias: le stazioni appaltanti devono poter correggere inesattezze nei dati e minimizzare rischi di errore.
Devono anche scongiurare discriminazioni verso persone fisiche basate su caratteristiche quali origine etnica, genere, orientamento religioso o politico.
L’impatto sulla fiducia
Infine, a garanzia di trasparenza, viene introdotto l’obbligo di pubblicare sul proprio sito (sezione Amministrazione Trasparente) l’elenco delle soluzioni tecnologiche avanzate utilizzate.
Ciò consente a cittadini e imprese di sapere quali algoritmi siano impiegati nei procedimenti di gara, favorendo fiducia e controllo pubblico.
Va sottolineato che queste previsioni normative italiane recepiscono e sviluppano orientamenti già emersi nella giurisprudenza e nel diritto europeo.
Il Consiglio di Stato, in pronunce precedenti, aveva affermato che l’uso di procedure automatizzate non esime l’amministrazione dal rispetto dei principi fondamentali, richiedendo l’accessibilità del codice sorgente per garantire trasparenza e diritto di difesa. Coerentemente, il nuovo Codice manifesta una preferenza per algoritmi open source rispetto a quelli proprietari, assicurando in ogni caso la disponibilità del codice.
Prevede inoltre che, in caso di decisione algoritmica, la motivazione del provvedimento finale debba richiamare codice e modello matematico impiegati, ferma restando la possibilità di accesso a tali elementi e ai dati utilizzati.
Il rapporto con l’AI Act
Queste cautele anticipano parte degli obblighi del Regolamento UE 2024/1689 (AI Act). L’uso dell’AI negli appalti pubblici, potenzialmente incidente su diritti e interessi economici rilevanti, rientrerà verosimilmente tra le applicazioni ad alto rischio, soggette a obblighi di trasparenza, documentazione, gestione del rischio e supervisione umana.
Consapevole delle opportunità e delle complessità, l’Italia sta sviluppando strumenti di governance dedicati.
L’Agenzia per l’Italia Digitale (AgID) ha posto in consultazione pubblica la bozza delle Linee guida per l’adozione di Intelligenza Artificiale nella pubblica amministrazione. Il documento definisce principi e procedure per un’integrazione etica e responsabile dell’AI nei servizi pubblici. Individua gruppi di principi: conformità e governance, etica e inclusione, qualità e affidabilità, innovazione e sostenibilità, formazione e organizzazione.
L’obiettivo è promuovere trasparenza e fiducia verso i cittadini, in linea con Codice e AI Act, guidando le PA verso un’adozione consapevole e regolamentata dell’AI. Tali Linee guida si inseriscono nel quadro della Strategia Italiana per l’intelligenza artificiale 2024-2026. Una distinta direttrice strategica riguarda l’approvvigionamento e sarà oggetto di specifiche Linee guida per il procurement dell’IA.
L’obiettivo sarà orientare le PA verso l’acquisizione di soluzioni capaci di rispondere a esigenze funzionali e garantire sicurezza e aderenza alle previsioni regolamentari.
Tuttavia, almeno in una prima fase, le Linee guida non avranno per oggetto l’applicazione dell’AI al procurement, bensì il procurement di soluzioni AI.
Il quadro normativo offre un terreno favorevole ma ben delimitato: alle PA viene chiesto di sfruttare le potenzialità delle tecnologie emergenti, ma di farlo rispettando legalità, trasparenza e controllo umano.
Dove l’intelligenza artificiale nei contratti pubblici può incidere sul ciclo di gara
L’integrazione dell’AI nel public procurement si esplica in un ampio spettro di applicazioni, dalla gestione documentale automatizzata all’analisi avanzata dei dati di gara (advanced analytics).
Questa sezione propone una disamina dei principali strumenti basati su AI, per poi contestualizzarne l’impatto operativo attraverso casi studio ed evidenze tratte dalla letteratura scientifica.
Tipologie di intelligenza artificiale nei contratti pubblici e logiche di funzionamento
Gran parte del patrimonio informativo dei contratti pubblici risiede in documenti testuali non strutturati: bandi di gara, capitolati tecnici, offerte, verbali e sentenze.
I sistemi di Natural Language Processing (NLP) consentono di decodificare questa complessità trasformando il linguaggio naturale in dati strutturati e computabili.
Dal punto di vista funzionale, il processo si basa su tecniche di Named Entity Recognition (NER) e su meccanismi di vettorizzazione semantica (word embedding), con l’obiettivo di estrarre entità chiave e comprendere relazioni di significato oltre la semplice ricerca per parole.
Come l’NLP aiuta a leggere bandi, capitolati e sentenze
L’evoluzione verso il Deep Learning ha introdotto modelli basati su reti neurali profonde capaci di effettuare parsing del linguaggio giuridico-amministrativo, tradurre automaticamente clausole e rispondere a domande su contenuti normativi [7].
Oggi l’architettura Transformer, alla base di modelli come BERT e GPT, ha ampliato le possibilità grazie a meccanismi di attenzione (self-attention) che migliorano la comprensione contestuale anche su testi lunghi, come i capitolati.
Un’applicazione concreta è lo sviluppo di assistenti virtuali giuridici.
Iniziative come Traspare-AI propongono chatbot addestrati sulla normativa degli appalti per fornire chiarimenti istantanei su procedure amministrative.
Tecnicamente, questi sistemi utilizzano Large Language Models (LLM) sottoposti a fine-tuning su corpora specifici, spesso abbinati a Retrieval-Augmented Generation (RAG) per recuperare informazioni da basi di conoscenza aggiornate.
L’approccio mira a mitigare il rischio di allucinazioni, garantendo maggiore aderenza al dettato normativo.
Classificazione e raccomandazione per organizzare e riusare i dati di gara
Un secondo ambito riguarda l’organizzazione del patrimonio informativo attraverso tecniche di classificazione e profilazione.
Esempi tipici includono categorizzazione delle gare per tipologia, complessità e rischio, o valutazione automatica di determinati requisiti.
Metodologicamente si ricorre ad algoritmi di apprendimento supervisionato (supervised learning), come Random Forest, Support Vector Machines (SVM) o reti neurali, addestrati su dataset storici etichettati.
Un ambito emergente è quello dei sistemi di raccomandazione (Recommender Systems), che trasformano la ricerca in supporto proattivo.
Dato un certo appalto, un sistema intelligente potrebbe suggerire bandi simili o ricorsi analoghi, aiutando i RUP a individuare precedenti utili.
In una ricerca recente, accademici italiani hanno esplorato un motore smart capace di identificare casi di gara simili tra loro basandosi su dati nazionali, combinando information retrieval e apprendimento automatico sui metadati [7].
Predizione e anomaly detection per rischi, frodi e contenzioso
L’ambito più promettente è l’applicazione dell’analisi predittiva ai dati di gara. L’AI viene impiegata per scoprire pattern latenti in Big Data e anticipare scenari di rischio.
Un esempio è la stima della probabilità di contenzioso: modelli di machine learning possono essere addestrati per calcolare il rischio che una gara produca un ricorso al TAR. Ciò abilita i RUP ad attuare misure preventive, come revisione della lex specialis o approfondimenti sui criteri di aggiudicazione, nelle gare classificate ad alto rischio. Numerosi studi peer-reviewed dimostrano che algoritmi di machine learning possono individuare schemi collusivi o pratiche corruttive analizzando risultati delle gare e relazioni tra partecipanti.
Pattern come il single bidding, presenza di una sola offerta valida in procedure competitive, sono indicatori di rischio di favoritismi o accordi.
I risultati degli studi
Tra gli approcci testati, una rassegna di studi evidenzia l’efficacia delle tecniche Ensemble, come Random Forest, che combinano più predizioni per aumentare accuratezza e robustezza.
Parallelamente, si impiegano tecniche di Network Science per modellare relazioni complesse tra gli attori del sistema.
Costruendo grafi che collegano imprese tra loro o imprese a stazioni appaltanti, è possibile applicare Social Network Analysis (SNA) per scoprire comunità collusive o centri di potere.
I modelli possono evidenziare gruppi di imprese che partecipano sistematicamente insieme o che si spartiscono le vittorie a rotazione, comportamento tipico del bid rigging.
Infine, un ulteriore caso d’uso è l’anomaly detection per individuare offerte anomale: il sistema apprende la distribuzione dei ribassi fisiologici e segnala come outlier le offerte che si discostano eccessivamente, suggerendo controlli mirati sulla congruità dei prezzi.
Automazione documentale e decision support per RUP e commissioni
Oltre agli ambiti predittivi, l’AI può semplificare i flussi amministrativi, velocizzando attività ripetitive nel procurement.
Tecniche di OCR potenziate da algoritmi NLP consentono l’estrazione automatica di entità e dati da documenti non strutturati, riducendo errori di data entry manuale e aumentando la qualità del dato.
Algoritmi di verifica formale possono agire come smart checklist, controllando la completezza documentale e segnalando omissioni.
Sul fronte del supporto decisionale, si assiste allo sviluppo di assistenti virtuali evoluti per i RUP.
Un caso di rilievo è il progetto AI4RUP, un assistente digitale concepito per supportare i funzionari nella corretta applicazione del Codice.
Tali sistemi configurano uno scenario di Augmented Intelligence: non sostituiscono il giudizio umano, ma ne potenziano capacità analitica e informativa, riducendo asimmetria conoscitiva e rischio di errore procedurale.
AI generativa negli appalti: bozze, sintesi e controlli di conformità
Merita attenzione il filone dell’AI Generativa nel mondo degli appalti.
Questa tecnologia può essere impiegata per generare bozze di documenti di gara, riassumere parti di offerte tecniche o suggerire risposte a quesiti posti in gara.
Un caso esplorato in Italia è l’uso di modelli generativi per verificare la documentazione di gara: il progetto GAIPS, finanziato dal PNRR, mira a esplorare l’applicabilità dell’AI generativa nei processi di controllo e verifica degli atti amministrativi.
L’idea è usare un LLM addestrato su atti di gara per leggere automaticamente documenti, individuare omissioni o incongruenze rispetto a checklist di conformità e proporre suggerimenti operativi.
Il sistema è concepito con approccio human-in-the-loop: il modello segnala possibili problemi, ma il funzionario resta al centro del processo decisionale, verificando e convalidando ogni suggerimento.
GAIPS è in fase di studio di fattibilità, ma rappresenta un esempio di come la PA italiana stia esplorando l’applicazione concreta delle tecniche di AI per migliorare attività chiave come la verifica degli atti di gara.
L’intelligenza artificiale nei contratti pubblici tra progetti italiani e giurisprudenza
L’ecosistema italiano registra un crescente dinamismo nell’adozione di soluzioni di AI applicate al public procurement, con sinergie tra iniziative istituzionali e progetti di ricerca.
Di seguito una rassegna delle sperimentazioni più significative, integrata con gli orientamenti giurisprudenziali che ne delineano il perimetro di legittimità.
OpenDigitApp e AI4RUP: assistenza semantica per le stazioni appaltanti
Il 9 settembre 2025 è stato siglato a Roma un protocollo d’intesa per l’utilizzo di tecnologie di AI a supporto delle stazioni appaltanti.
La convenzione è stata firmata da MIT, Segretariato Generale della Giustizia Amministrativa e ITACA, con adesione di Invitalia e IFEL come partner.
L’accordo, nell’ambito del PNRR (investimento M1C1-1.10), mira a rafforzare digitalizzazione e qualificazione delle stazioni appaltanti attraverso l’implementazione di OpenDigitApp – E-Contract Hub.
L’obiettivo è trasformare la mole di dati normativi e giurisprudenziali in strumenti operativi di consultazione. Il progetto prevede estrazione e strutturazione dei dati tratti da sentenze e pareri (in particolare dal portale OpenGA), garantendone interoperabilità tramite PDND.
Tali flussi alimentano DigitApp, che digitalizza il Codice rendendolo consultabile in modalità semantica e interattiva. In questo ecosistema si inserisce AI4RUP, un chatbot in sperimentazione progettato per affiancare i RUP nella navigazione tra articoli e allegati e nella gestione delle procedure.
Il progetto, governato da una cabina di regia, rappresenta un modello di sinergia istituzionale volto a coniugare innovazione tecnologica e certezza interpretativa.
GAIPS: proof of concept per controlli amministrativi assistiti dall’AI
Un ulteriore caso di sperimentazione è il progetto GAIPS (Generative AI for Public Procurement compliance System).
Promosso da Promo PA Fondazione con supporto tecnologico di EasyGov Solutions, è finanziato nell’ambito del PNRR nel Partenariato Esteso FAIR, nello Spoke 1 su Human-Centered AI.
GAIPS non mira al rilascio immediato di un software commerciale, ma a uno studio di fattibilità basato su Proof of Concept.
L’obiettivo è verificare se l’AI generativa possa supportare i funzionari nel controllo di regolarità amministrativa degli atti, attività ad alta intensità cognitiva.
Dopo una fase di analisi dei fabbisogni tramite questionari, interviste e focus group, sarà progettato un modello sperimentale in grado di simulare lettura automatica, individuazione di omissioni rispetto a checklist e formulazione di suggerimenti operativi.
Il sistema adotta un approccio rigoroso di human-in-the-loop: l’AI supporta l’istruttoria, ma l’operatore pubblico mantiene il controllo esclusivo sulla decisione.
Dati ANAC e giustizia amministrativa: analisi predittiva e process mining
Sul fronte della ricerca, uno studio ha combinato dataset nazionali sugli appalti con il patrimonio informativo delle sentenze amministrative [2].
Il dataset ANAC è stato arricchito con dati di TAR e Consiglio di Stato, creando una base di conoscenza unificata. La ricerca ha indagato, tra l’altro, la previsione del rischio di ricorso in funzione delle caratteristiche della gara e l’identificazione di pratiche simili per individuare pattern ricorrenti di contenzioso.
Metodologicamente, sono stati adottati due approcci: analisi testuale e predittiva tramite NLP e classificazione con Machine Learning, e Process Mining per ricostruire il flusso effettivo dei processi e analizzare varianti che conducono a esiti differenti. I risultati appaiono promettenti: modelli come Random Forest e XGBoost hanno mostrato capacità di segnalare gare a rischio ricorso, mentre l’analisi di processo ha evidenziato differenze e colli di bottiglia tra procedure concluse e procedure finite in giudizio.
Lo studio indica come il patrimonio di dati aperti possa tradursi in strumenti operativi, come segnalatori di rischio integrati nelle piattaforme di e-procurement.
Le basi della legalità algoritmica: Consiglio di Stato e principi di garanzia
Prima dell’intervento del legislatore, il Consiglio di Stato ha delineato l’ammissibilità delle tecnologie informatiche nel procedimento amministrativo.
Con sentenze del 2019 (Sez. VI, n. 2270 dell’8 aprile e n. 8472 del 13 dicembre), i giudici hanno riconosciuto l’algoritmo come strumento attuativo del principio di buon andamento (art. 97 Cost.), capace di garantire efficienza e neutralità.
Il punto di svolta è l’equiparazione dell’algoritmo a un atto amministrativo informatico, assoggettandolo alle garanzie tipiche del procedimento.
Da qui discendono tre corollari: piena conoscibilità del funzionamento, non esclusività della decisione algoritmica e non discriminazione.
Questo impianto giurisprudenziale è richiamato come parametro di riferimento anche per la valutazione dell’impiego dell’AI nella PA.
Un caso recente: AI generativa e offerte tecniche davanti al TAR
Un episodio che illustra l’atteggiamento istituzionale è una sentenza del TAR Lazio del 3 marzo 2025, n. 4546/2025.
In quella controversia, una società impugnava l’aggiudicazione sostenendo che l’impresa vincitrice avesse usato strumenti di AI, in particolare modelli ChatGPT-4, nella preparazione dell’offerta e nell’esecuzione prevista del servizio.
Il TAR ha rigettato il ricorso, affermando che l’uso di strumenti di AI non costituisce di per sé motivo di esclusione, purché pertinente, migliorativo e conforme alla lex specialis.
Il giudice ha rilevato che l’impresa proponeva l’AI come supporto tecnico per migliorare efficienza e qualità, e che la Commissione aveva attribuito punteggi su parametri molteplici, non esclusivamente sull’impiego dell’AI.
Ha inoltre evidenziato che, per contestare l’uso dell’AI in un appalto, è necessaria una prova concreta, non bastando deduzioni generiche.
La pronuncia si colloca nel filone che riconosce spazio all’innovazione nei contratti pubblici, ribadendo centralità del ruolo discrezionale della PA e necessità di controlli umani.
Nel complesso, le esperienze e i progetti pilota delineano un trend: l’AI si afferma soprattutto come supporto cognitivo e analitico, più che come automazione sostitutiva.
Le applicazioni più mature si concentrano su gestione di Big Data testuali e individuazione di pattern latenti, con crescente attenzione a trasparenza e spiegabilità.
Si delinea anche un orientamento verso soluzioni open source e interoperabili, in coerenza con art. 30 del Codice, per garantire fiducia pubblica e accessibilità del codice.
Opportunità e rischi dell’intelligenza artificiale nei contratti pubblici
L’analisi evidenzia uno scenario complesso: alto potenziale trasformativo, ma anche sfide significative che ne condizionano l’implementazione.
Di seguito una disamina dei principali vantaggi attesi e delle criticità emerse, con spunti strategici per massimizzare benefici e mitigare rischi.
Benefici attesi: efficienza, trasparenza e anticorruzione
Un vantaggio immediato è la capacità dell’AI di automatizzare compiti onerosi, come analisi documentale, controllo requisiti formali e verifiche incrociate tra banche dati.
Queste operazioni possono essere eseguite con velocità e accuratezza superiori, liberando risorse amministrative e consentendo ai funzionari di concentrarsi su attività ad alto valore aggiunto. Come rimarcato dal Presidente di ANAC, Giuseppe Busia, la sinergia tra automazione e interoperabilità dei dati è centrale per incrementare efficienza, abbattendo errori, costi e oneri amministrativi. In prospettiva, la snellezza procedurale abilitata dall’AI può tradursi in attivazione più rapida di opere e servizi, con benefici socioeconomici.
L’impiego di sistemi informatici avanzati, se ben progettati, può aumentare la tracciabilità di ogni passaggio decisionale. Gli algoritmi possono conservare log dettagliati delle valutazioni, facilitando accountability e gestione di eventuali ricorsi. La disponibilità di un registro delle operazioni consente di ricostruire l’iter logico seguito, offrendo elementi oggettivi per difendere la legittimità dell’operato.
Inoltre, come richiesto dall’art. 30 del Codice, le amministrazioni devono dichiarare quali soluzioni tecnologiche utilizzano, aumentando la visibilità pubblica dell’AI. Se combinato con disponibilità del codice e spiegazioni comprensibili, ciò può accrescere la fiducia nel sistema. L’AI può anche migliorare la compliance decisionale evidenziando incongruenze e bias umani.
Sul fronte dell’integrità, algoritmi di machine learning e network analysis possono individuare red flags come offerte anormalmente basse, rotazioni anomale di aggiudicatari o collegamenti occulti tra offerenti.
Questi strumenti agiscono come sentinelle a fianco dei controlli tradizionali, permettendo di intercettare criticità e attivare verifiche human-in-the-loop. Studi indicano che combinando indicatori e modelli predittivi si possono ottenere tassi di individuazione di frodi superiori rispetto a metodi manuali.
Infine, se usata come supporto e non come sostituto, l’AI può aumentare la base informativa delle commissioni e dei RUP. Un assistente AI può richiamare pronunce pertinenti mentre si redige un bando, o stimare performance attese confrontando indicatori con progetti analoghi. In generale, favorisce un approccio data-driven, riducendo margini di arbitrarietà o errori inconsapevoli.
Criticità: dati, bias, spiegabilità e sicurezza
Gli algoritmi sono efficaci solo se alimentati da dati di buona qualità. Nonostante i progressi, i dataset sugli appalti possono soffrire frammentazione, incompletezza e disomogeneità. La sfida è anche semantica: formati e codifiche devono essere univoci per evitare incompatibilità tra piattaforme e amministrazioni.
Errori o lacune nei dati possono portare l’AI a conclusioni errate, secondo il principio garbage in, garbage out.
Serve investire in pulizia, aggiornamento e interoperabilità del dato, monitorando l’effettiva attuazione del nuovo assetto basato su piattaforme certificate e interoperabilità con BDNCP.
Un tema centrale è il bias: se i dati storici contengono distorsioni, il modello può perpetuarle.
Nei contratti pubblici, la parità di trattamento è inderogabile, e il Codice impone il principio di non discriminazione algoritmica. Individuare e correggere bias richiede audit avanzati e, spesso, interventi su design del modello e qualità dei dati.
Un rischio concreto è l’opacità di alcuni sistemi, specie deep learning: in un ambito regolato non è accettabile decidere su base di una black box incomprensibile. Ogni esclusione o aggiudicazione deve poter essere motivata in modo chiaro per garantire diritto di difesa. Da qui l’enfasi su spiegabilità e accesso a codice e dataset, oltre all’uso di tecniche di Explainable AI (XAI), come SHAP values o spiegazioni controfattuali.
Altro pilastro è la supervisione umana: va evitato l’automation bias e, all’opposto, l’algorithm aversion. Servono processi in cui il controllo umano sia effettivo (meaningful human control), con responsabilità sempre imputabile a ente e firmatario dell’atto. Per garantire affidabilità, possono essere utili sandboxes regolatorie: ambienti controllati per testare algoritmi su dati reali prima del rilascio, correggendo errori senza compromettere procedure.
AI, organizzazione e cybersecurity
L’introduzione dell’AI è anche una sfida organizzativa.
Molte stazioni appaltanti, soprattutto piccole, possono avere carenza di competenze digitali e data literacy.
Occorrono piani di formazione e supporti centralizzati, come competence centers, e un approccio partecipativo che coinvolga i funzionari fin dalla fase di design.
Infine, cybersecurity e protezione dati sono cruciali.
Le piattaforme di e-procurement concentrano dati sensibili e diventano bersagli; servono misure by-design, in linea con indicazioni ACN e standard NIS2.
Sul fronte privacy, è necessaria rigorosa compliance al GDPR, e attenzione alla gestione degli output per evitare danni reputazionali ingiustificati.
Resta il tema della sovranità digitale e del vendor lock-in: privilegiare soluzioni interoperabili e, dove possibile, open source può ridurre dipendenze tecnologiche.
Quale percorso per l’intelligenza artificiale nei contratti pubblici in Italia
L’applicazione dell’AI nei contratti pubblici si delinea come percorso promettente ma impegnativo, in cui convergono innovazione tecnologica, vincoli giuridici e trasformazioni organizzative. La riforma del Codice del 2023 e la digitalizzazione totale del ciclo di procurement hanno creato condizioni abilitanti, fornendo al contempo un quadro regolatorio che incanala l’uso dell’AI entro principi di trasparenza, equità e controllo umano.
Dall’analisi emerge che le potenzialità tecniche sono ampie: dall’analisi testuale dei documenti all’individuazione predittiva di frodi, dal supporto decisionale su giurisprudenza e normativa fino alla verifica automatizzata di conformità.
Se integrate nelle piattaforme di e-procurement, queste applicazioni possono generare benefici concreti: procedure più rapide, minori oneri burocratici, decisioni evidence-based, maggiore trasparenza e capacità di prevenire illeciti.
In un settore che vale circa un ottavo del PIL, anche piccoli incrementi di efficienza o riduzioni di fenomeni patologici possono tradursi in miglioramenti sistemici. Al contempo, il cammino verso una PA augmented deve essere percorso con cautela. Bias, opacità decisionale, tutela dei dati e accettazione sociale non sono aspetti marginali, ma elementi cruciali per evitare effetti indesiderati e compromettere la legittimità dell’azione amministrativa.
I rischi e gli obiettivi
L’esperienza italiana, dalle linee guida AgID ai primi casi giurisprudenziali, mostra consapevolezza dei rischi e volontà di affrontarli: AI affidabile, spiegabile e sotto controllo umano.
A tal proposito, è imperativo scongiurare un rischio evidenziato dalla stessa AgID: la rincorsa a strumenti di scarso valore aggiunto o non aderenti ai fabbisogni reali.
L’adozione dell’AI non deve diventare un’operazione di marketing istituzionale o una risposta all’ansia da modernizzazione, ma deve partire da un’analisi rigorosa: l’automazione è la risposta giusta solo dove esiste un reale problema di efficienza o complessità che gli strumenti tradizionali non risolvono.
Questa postura prudenziale è fondamentale per mantenere la fiducia: cittadini e imprese devono percepire l’AI come alleato imparziale che migliora il sistema, e non come meccanismo opaco che decide al posto delle persone.
In definitiva, l’integrazione efficace dell’AI richiederà collaborazione interdisciplinare. Informatici, giuristi ed esperti di PA dovranno progettare soluzioni conformi ai requisiti normativi ed etici, aggiornando regole e prassi al variare della tecnologia. Sarà opportuno procedere per gradi: progetti pilota, valutazioni di impatto, KPI e sperimentazioni controllate. In Europa, l’AI Act offrirà un quadro comune, e l’Italia può giocare un ruolo di apripista nell’applicazione dei principi al public procurement.
Nel prossimo futuro, si possono immaginare stazioni appaltanti che, grazie all’AI, bandiscono gare con cognizione più completa del mercato e dei rischi, commissioni assistite da analisi oggettive e organismi di controllo dotati di dashboard che segnalano anomalie in tempo reale. Il tutto senza snaturare il processo decisionale pubblico, ancorato a legalità e buon andamento.
La sfida è far convivere innovazione e tradizione giuridica amministrativa: se vinta, porterà a una PA più efficiente e capace di rafforzare fiducia e qualità nei contratti pubblici.
Bibliografia
[1] R. Nai, E. Sulis, e R. Meo, «ITH: an open database on Italian Tenders 2016–2023», Sci Data, vol. 11, fasc. 1, p. 1452, dic. 2024, doi: 10.1038/s41597-024-04342-5.
[2] R. Nai et al., «AI Applied to the Analysis of the Contracts of the Italian Public Administrations: 2023 Italia Intelligenza Artificiale – Thematic Workshops, Ital-IA 2023», Ital-IA 2023 : Ital-IA 2023 Thematic Workshops, pp. 255–260, 2023.
