L’AI nella pubblica amministrazione può servire a molto più dei chatbot. Il nodo vero è la gestione quotidiana dei dati: file spostati a mano, sistemi che non comunicano, ore perse in attività invisibili che rallentano decisioni e servizi.
Indice degli argomenti
La giornata standard di buona parte della PA italiana nel 2026
È lunedì mattina. Il dipendente accende il computer, apre la PEC, scarica l’allegato, lo salva nella cartella giusta, che non è la stessa dell’anno scorso, perché la struttura è cambiata, poi apre il gestionale, cerca il numero di pratica, lo copia su un foglio Excel, salva il foglio Excel, lo manda per email all’ufficio tecnico che lo apre, estrae il dato che gli serve, lo incolla su un’altra tabella, salva, manda in risposta. Nel frattempo qualcuno ha aggiornato il file originale. Il giro ricomincia.
Non stiamo descrivendo un caso limite o un ufficio inefficiente. Stiamo descrivendo la giornata standard di buona parte della pubblica amministrazione italiana nel 2026.
E la chiamano gestione deocumentale
Ora proviamo a fare un calcolo grezzo. Un dipendente che trascorre anche solo 90 minuti al giorno in queste attività, ricercare il file giusto, copiarlo, riformattarlo, mandarlo, salvarlo di nuovo, spende, in un anno lavorativo, circa 330 ore in pura “logistica del dato”. Non è lavoro nel senso produttivo del termine. Non è analisi, non è decisione, non è servizio al cittadino. È trasporto. È movimentazione di informazioni da un contenitore a un altro.
Eppure non lo chiamiamo così. Lo chiamiamo “gestione documentale”, “aggiornamento dei dati”, “coordinamento con gli uffici”. Nominiamo l’attività in modo nobile, e intanto le ore scorrono.
La PA è un arcipelago di silos
Perché questo accade? Non per pigrizia, non per mancanza di impegno. La causa è strutturale, ed è scritta nella storia stessa della digitalizzazione della pubblica amministrazione italiana.
Ogni ufficio, spesso ogni funzione, si è dotata nel corso degli anni di un proprio sistema. Il protocollo informatico è di un fornitore, il gestionale del personale di un altro, la contabilità di un terzo. Ognuno salva in formati diversi, con logiche diverse, con permessi di accesso diversi. Il dato non fluisce: viene trasportato a mano, da un sistema all’altro, da un ufficio all’altro, da un formato all’altro.
Il Piano Triennale per l’informatica nella PA ha identificato l’interoperabilità come una delle sfide centrali già nel 2017. La PDND, Piattaforma Digitale Nazionale Dati, nasce proprio per costruire un “strato di fiducia” che permetta agli enti pubblici di scambiarsi informazioni senza che un essere umano faccia da intermediario ogni volta. Il problema è che tra l’infrastruttura abilitante e la realtà operativa di un Comune da 5.000 abitanti ci sono anni-luce di distanza pratica.
Nel frattempo, ogni giorno, qualcuno esporta un CSV, lo apre in Excel, lo sistema, lo manda per email, aspetta la risposta, copia il dato aggiornato nel sistema di origine. È il 2026 e stiamo ancora facendo gli spedizionieri dei bit.
Quanto costa davvero questa logistica invisibile
Il tema non è solo di efficienza operativa: è un tema di qualità delle decisioni.
Quando i dati vengono trasportati a mano, succedono tre cose sistematicamente: si crea latenza (il dato che arriva in ritardo non è utile come quello in tempo reale), si moltiplicano le versioni (quale Excel è quello giusto? Quello di ieri sera o quello di stamattina?), e si introducono errori di trascrizione che nel migliore dei casi vengono scoperti, nel peggiore dei casi diventano decisioni sbagliate.
Studi internazionali sul lavoro della conoscenza, McKinsey, IDC, Harvard Business Review, stimano che i lavoratori della conoscenza trascorrono in media tra il 20% e il 30% del proprio tempo lavorativo a cercare informazioni e a gestire dati tra sistemi diversi. Per la PA, dove i sistemi sono tipicamente più frammentati e meno integrati rispetto al settore privato, questa percentuale è plausibilmente più alta.
Proviamo a tradurlo in numeri concreti: un Comune da 50 dipendenti, con un costo medio del lavoro di 35.000 euro l’anno per dipendente, che spende anche solo il 20% del tempo in logistica del dato, è un Comune che brucia circa 350.000 euro all’anno in attività di trasporto dati. Denaro che non produce servizi. Ore che non producono valore.
E la cosa più ironica? Nessuno lo vede come un problema. Lo vede come “il lavoro”.
Cosa fa l’AI qui
Quando si parla di AI nella PA, il pensiero va immediatamente ai chatbot, agli assistenti virtuali, ai modelli linguistici che rispondono alle domande dei cittadini. Tutto interessante, tutto utile. Ma è una risposta al problema sbagliato.
Il problema non è che la PA parla male con i cittadini. Il problema è che la PA parla male con se stessa: i suoi sistemi non si parlano, i suoi dati non circolano, le sue informazioni vengono portate a spalla da un ufficio all’altro da persone che potrebbero fare ben altro.
L’AI che serve qui è quella che lavora nello strato infrastrutturale, non nell’interfaccia. Sono gli agenti AI, le pipeline di automazione, i connettori intelligenti. Sono strumenti che:
- estraggono dati strutturati da documenti non strutturati (una delibera, una PEC, un modulo PDF scansionato) senza che nessuno debba leggerli e ricopiarli a mano;
- riconciliano automaticamente dati provenienti da fonti diverse, segnalando le anomalie invece di propagarle silenziosamente;
- instradano le informazioni verso il sistema giusto nel formato giusto, senza che un essere umano faccia da traduttore;
- monitorano flussi di dati e avvisano quando qualcosa non quadra, invece di aspettare che qualcuno se ne accorga durante un controllo manuale.
Strumenti come Make, Zapier, Microsoft Power Automate o, per chi vuole andare più in profondità, soluzioni basate su agenti AI come quelli costruibili con LangChain o i nuovi modelli multiagente, stanno già dimostrando nella pratica di poter automatizzare flussi che oggi richiedono ore di lavoro manuale. Non tra dieci anni. Adesso.
Tre strade percorribili adesso per un Comune
La buona notizia è che non serve aspettare una grande riforma sistemica o un nuovo piano nazionale. Si può iniziare adesso, con ciò che c’è. Ecco tre livelli di intervento ordinati per complessità crescente.
1. Automazione dei flussi ripetitivi con strumenti no-code
Il primo livello è quello più accessibile. Strumenti come Microsoft Power Automate o Google Workflow, con licenze Microsoft 365 che molti enti hanno attivato con i fondi PNRR, permettono di automatizzare flussi di lavoro senza scrivere una riga di codice. Spostare automaticamente gli allegati alle email in cartelle specifiche, notificare l’ufficio corretto quando arriva un certo tipo di documento, compilare fogli di riepilogo partendo da dati già presenti nei sistemi: tutto questo è già possibile, già oggi, con competenze che si acquisiscono in un pomeriggio di formazione.
Il problema non è tecnologico. È che nessuno ha mai fatto fare a questi strumenti quello che possono fare. O perlomeno ci ha provato.
2. L’AI come strato di integrazione tra sistemi esistenti
Il secondo livello richiede un po’ più di struttura, ma è ancora alla portata di un ente di medie dimensioni. Si tratta di usare modelli AI, anche quelli disponibili via API, come GPT-4 o Claude, come strato intelligente tra sistemi che non parlano la stessa lingua.
Un documento in formato PDF non strutturato diventa, con una chiamata API, un insieme di dati strutturati pronti per essere inseriti in un database. Una mail in linguaggio naturale diventa una richiesta categorizzata, prioritizzata, instradata. Un report narrativo diventa una serie di KPI numerici confrontabili nel tempo. Non si tratta di sostituire i sistemi esistenti: si tratta di metterci sopra uno strato di comprensione che li fa finalmente collaborare.
3. Verso l’ufficio “data-aware”
Il terzo livello è quello più ambizioso, e richiede un cambio di mentalità prima ancora che di tecnologia. Un ufficio “data-aware” è un ufficio che ha smesso di pensare ai dati come a qualcosa da gestire e ha iniziato a pensarli come a qualcosa che lavora per lui.
Significa avere una mappa chiara di quali dati esistono, dove stanno, chi li aggiorna e con quale frequenza. Significa avere processi pensati per minimizzare il trasporto manuale. Significa avere persone formate non solo a usare gli strumenti, ma a riconoscere quando un processo può essere automatizzato e a chiedersi “perché stiamo ancora facendo questo a mano?”.
Non è fantascienza. È il passo successivo rispetto alla digitalizzazione che abbiamo già fatto, o quasi fatto, o dichiarato di aver fatto.
Il paradosso del lavoro digitale
C’è un paradosso che vale la pena nominare con chiarezza: siamo passati dalla carta al digitale, ma abbiamo replicato la stessa logistica. Prima portavamo fascicoli da un ufficio all’altro. Adesso portiamo file. Prima copiavamo a mano su moduli. Adesso copiamo a mano tra schermi. L’attività è la stessa. Lo strumento è cambiato. L’inefficienza è rimasta.
La digitalizzazione è stata necessaria. Ma non era sufficiente. Non lo era nel 2013, quando il Codice dell’Amministrazione Digitale fu riscritto. Non lo era nel 2017 con il primo Piano Triennale. Non lo è nel 2026, dopo anni di PNRR e miliardi investiti in infrastrutture.
L’AI non è la rivoluzione. L’AI è il momento in cui diventa concretamente possibile fare quello che avremmo dovuto fare già da tempo: smettere di usare persone per fare da ponte tra sistemi, e liberare quelle stesse persone per il lavoro che solo loro sanno fare.
Analizzare. Valutare. Decidere. Stare dalla parte del cittadino.
La domanda non è “se” automatizzare la logistica del dato. La domanda è chi inizia per primo, e se lo fa in modo intelligente o lascia che lo facciano gli strumenti al posto suo, senza governare il processo.
Perché anche l’automazione mal governata produce solo un problema più veloce.
