Governare il ragionamento, la chiave per un uso intensivo dell’AI nella PA

C’è una scena che chiunque governi un ente conosce bene: durante una riunione emerge una domanda che nessuno aveva previsto. I dati esistono, le competenze ci sono, eppure la dashboard sul tavolo non contiene esattamente quell’informazione. E così la risposta viene rinviata a un nuovo report, a un’elaborazione successiva, al prossimo incontro. In quel momento il dato smette di essere uno strumento di decisione e torna a essere un archivio.

Dashboard conversazionali nella pubblica amministrazione: perché cambiano il modello

Il problema non è la mancanza di informazioni, le amministrazioni ne dispongono oggi in quantità senza precedenti, ma il modello stesso con cui le interroghiamo. Le dashboard tradizionali presuppongono che qualcuno, in anticipo, abbia previsto le domande. La realtà non funziona così: le domande nuove nascono di continuo, dall’osservazione di un fenomeno, da una criticità emersa improvvisamente, da una correlazione che nessuno aveva considerato il giorno prima o a volte proprio dallo stimolo che una dashboard efficace sa generare.

Le dashboard NL-first, dove NL sta per Natural Language, linguaggio naturale, ribaltano questo paradigma. Per la prima volta non siamo noi a dover imparare il linguaggio dell’applicazione: è l’applicazione che comprende il nostro. Una domanda formulata in italiano diventa una query, una tabella, un grafico, una mappa tematica e una spiegazione, e l’analisi arriva nel momento stesso in cui la domanda nasce.

È da questa esigenza che è nata l’esperienza del Comune di Cinisello Balsamo. Negli anni il Comune ha costruito un Sistema Informativo Territoriale evoluto fondato sulle tecnologie Esri: dati demografici, anagrafe, toponomastica, urbanistica, pratiche edilizie, scuole, catasto, tributi e molti altri ancora. Un ecosistema che è, di fatto, una Digital Twin della città. A questo patrimonio abbiamo aggiunto qualcosa di nuovo, presentato all’Esri Italia User Conference 2026: una GeoDashboard intelligente che permette di dialogare con la Digital Twin in linguaggio naturale e ottenere mappe, tabelle, grafici e spiegazioni a partire da una semplice domanda in italiano. L’idea, in apparenza, è semplice: consentire a un funzionario di scrivere «Dove abitano i residenti che si chiamano Antonio e hanno più di 65 anni?» e ottenere in pochi secondi una risposta completa e visualizzabile su mappa.

Governare il ragionamento dell’intelligenza artificiale

Ma la vera sfida, durante lo sviluppo, si è rivelata un’altra: governare il ragionamento dell’intelligenza artificiale. Nel settore pubblico, infatti, non basta chiedersi se l’AI sappia rispondere; bisogna chiedersi come arriva a quella risposta. Un funzionario può prendere una decisione solo se comprende il percorso che ha generato un’informazione, e un’amministrazione può usare l’AI solo se è in grado di verificare che le regole siano state rispettate. La trasparenza, qui, non è un valore accessorio: è un requisito. Per questo non volevamo un chatbot libero di ragionare, con il rischio di “allucinare”, ma un’intelligenza artificiale orchestrata, in cui ogni azione è inserita in un percorso governato.

Per capire come funziona conviene seguire il percorso che una domanda compie attraverso tre strati. Il primo è quello dell’interrogazione intelligente: è qui che opera la piattaforma di intelligenza artificiale Galene.AI, con il compito di comprendere la domanda in linguaggio naturale e tradurla in interrogazioni governate, mai improvvisate. Interpreta l’intento dell’utente, riconosce le entità in gioco, un nome, una fascia d’età, una zona, e gestisce il contesto conversazionale e i follow-up come «limita alle aree periferiche» o «confronta con l’anno precedente». Ma non ragiona nel vuoto: è guidato da una gerarchia di regole, da un catalogo che descrive in modo esplicito i dati disponibili, da una base di conoscenza e da “ricette”, ossia interrogazioni prevalidate per i casi d’uso più frequenti. L’obiettivo è impedire che il sistema scopra da solo il significato dei dati o inventi percorsi di interrogazione. Gli attori di questo strato sono dunque la piattaforma Galene.AI, l’insieme di regole e conoscenza che la orchestrano e, soprattutto, il funzionario che pone la domanda.

Digital Twin della città e patrimonio dei dati

Il secondo strato è quello del patrimonio dei dati, che ha il compito di mettere a disposizione informazioni ufficiali, integrate e governate. È l’orchestratore che integra, logicamente e fisicamente, fonti eterogenee, demografia, anagrafe, catasto, urbanistica, edilizia, scuole, tributi, garantendo interoperabilità e coerenza semantica. È qui che vive la Digital Twin della città, non come una raccolta di archivi separati ma come un dominio informativo unificato e coerente. Gli attori, in questo caso, sono il Sistema Informativo Territoriale del Comune costruito negli anni sulle tecnologie Esri, i database comunali e il Comune stesso, titolare e custode del dato.

Tra il lato che elabora il dato, i primi due strati, e il lato che lo visualizza si colloca uno snodo spesso trascurato, ma che non è un dettaglio tecnico bensì una vera scelta di governo: uno strato middleware che normalizza i risultati dell’interrogazione in un formato JSON interoperabile, separando nettamente l’analisi dalla rappresentazione. È, in sostanza, un linguaggio comune. Il “cervello” che ragiona sul dato e l’“occhio” che lo disegna sulla mappa comunicano soltanto attraverso questo formato standard, senza doversi conoscere a vicenda. Il vantaggio è considerevole: possiamo migliorare o sostituire il motore di intelligenza artificiale senza toccare la cartografia, e possiamo cambiare il motore di visualizzazione senza intervenire sul ragionamento. Il sistema diventa così modulare, interoperabile e, tema cruciale per la pubblica amministrazione, più facilmente tracciabile e manutenibile nel tempo.

Visualizzazione intelligente e Smart Mapping

Il terzo strato è quello della visualizzazione intelligente, che trasforma il dato grezzo nella rappresentazione cartografica più efficace. Ricevuto il JSON, intervengono le API Esri con i moduli di Smart Mapping, che selezionano automaticamente il modo migliore di rappresentare i dati, heatmap, cluster, punti graduati, mappe coropletiche o classificazioni tematiche, in funzione della loro natura e della loro distribuzione territoriale. È la parte che genera l’effetto più immediato durante una dimostrazione e, vale la pena dirlo, non l’abbiamo sviluppata noi: è il risultato delle capacità di Smart Mapping di Esri, che consente di produrre cartografia di alta qualità con uno sforzo di sviluppo molto contenuto. Gli attori, qui, sono i moduli di AI di Esri e l’ecosistema ArcGIS.

Privacy e fiducia nelle dashboard conversazionali nella PA

C’è poi un principio che attraversa l’intera pipeline e che, nel settore pubblico, viene prima dei contenuti: la tutela dei dati personali. Nel nostro sistema il controllo sulla privacy non avviene dopo l’accesso ai dati, ma prima. Riprendiamo l’esempio di “Antonio”: quando un utente chiede di individuare i residenti con quel nome e oltre una certa età, il sistema non genera subito la query finale, ma prima individua la fonte corretta, poi effettua una verifica preliminare e valuta se la richiesta è compatibile con le regole di protezione dei dati, decidendo se e come procedere. La regola, in altre parole, è incorporata nel ragionamento e applicata prima dell’azione successiva. La privacy non è un filtro aggiunto a valle: ha un’importanza assoluta ed è parte costitutiva del processo.

Una delle esigenze più importanti, alla fine, non riguarda la bellezza delle mappe né la velocità, ma la fiducia. Un funzionario vuole sapere perché il sistema ha restituito un certo risultato, e per questo abbiamo scelto di rendere il più possibile osservabili e verificabili i passaggi logici eseguiti dal sistema: non una scatola nera che restituisce numeri, ma un processo tracciabile. E quando i dati sono ben organizzati e i sistemi coinvolti sono efficienti, l’intera catena, comprensione della domanda, interrogazione governata, normalizzazione, visualizzazione e spiegazione, può completarsi in circa 33 secondi. Non si tratta di velocizzare un processo esistente: si tratta di cambiare la natura stessa del processo.

Qualità del ragionamento e governance dell’AI pubblica

Questa esperienza ci ha insegnato che il vero tema strategico dei prossimi anni non sarà l’intelligenza artificiale in sé, ma la capacità di orchestrarLa. Un modello linguistico lasciato libero è uno strumento potente; un modello governato attraverso regole, cataloghi informativi, basi di conoscenza e processi verificabili diventa un’infrastruttura affidabile per il supporto alle decisioni pubbliche. Per anni abbiamo parlato di qualità del dato; oggi dobbiamo iniziare a parlare di qualità del ragionamento, perché un sistema che accede a dati perfetti ma ragiona male produce comunque risultati inutili, mentre un sistema che ragiona in modo coerente, verificabile e controllabile moltiplica il valore di tutto il patrimonio informativo esistente.

È un cambio di prospettiva che riguarda l’intero ciclo di utilizzo dell’intelligenza artificiale nella pubblica amministrazione: non un controllo da apporre alla fine, ma una governance che accompagna ogni fase, la progettazione delle regole, la costruzione delle basi di conoscenza, la verifica dei comportamenti, la documentazione delle scelte effettuate. Il prompt design e l’orchestrazione, da questo punto di vista, sono prima di tutto strumenti di governance, e solo in seconda battuta questioni tecnologiche. Se dovessimo sintetizzare il senso di questa esperienza, non diremmo di aver costruito una dashboard più intelligente, ma un modo più intelligente di accedere ai dati pubblici. Perché il valore non nasce quando un’intelligenza artificiale produce una risposta: nasce quando un’amministrazione è in grado di comprendere, controllare e giustificare il ragionamento che a quella risposta ha condotto. Solo allora possiamo davvero fidarci dell’AI e metterla al servizio delle decisioni pubbliche.

L’evoluzione inevitabile delle dashboard conversazionali

Le dashboard conversazionali non rappresentano una possibile evoluzione: sono l’evoluzione inevitabile, perché risolvono il limite strutturale che ha accompagnato ogni generazione precedente di strumenti di analisi, ovvero la necessità di prevedere in anticipo le domande. Oggi possiamo finalmente immaginare sistemi che non attendono una domanda predefinita, ma la comprendono nel momento stesso in cui nasce.

È arrivato il momento di evolvere ancora.