L’intelligenza artificiale è entrata in una fase nuova. Dopo anni di entusiasmo, annunci, sperimentazioni e aspettative crescenti, la domanda non è più soltanto che cosa l’IA sia in grado di fare. La vera domanda oggi è un’altra: quale valore reale produce?
Non è certo possibile negare la portata trasformativa dell’intelligenza artificiale. Sarebbe un errore. L’IA ha già mostrato capacità straordinarie nel trattamento dei testi, nell’analisi dei dati, nella classificazione delle informazioni, nel supporto alle decisioni, nella generazione di contenuti, nella gestione documentale e nell’automazione di attività ripetitive. Tuttavia, una tecnologia potente non genera automaticamente valore sociale, economico o istituzionale.
Il grande test dei prossimi anni sarà quindi il passaggio dal tech hype al tech value: dalla fascinazione per la novità alla capacità di misurare risultati concreti, sostenibili e verificabili.
Per le PA e per le imprese questo passaggio è decisivo. L’IA non può essere valutata solo in base alla sua capacità tecnica, ma deve essere giudicata rispetto ai benefici che produce, ai costi che comporta, ai rischi che introduce e alle responsabilità organizzative che richiede. Finora, forse, quello che abbiamo sopravvalutato è la capacità dell’IA di produrre valore senza modificare processi, competenze e modelli decisionali.
Indice degli argomenti
La fine dell’innovazione facile
Per molti anni l’innovazione digitale è stata vista come una sequenza quasi lineare: si introduce una nuova tecnologia, si avvia un progetto, si produce efficienza. Questa narrazione ha avuto una forza comunicativa notevole, ma oggi mostra i suoi limiti.
L’intelligenza artificiale rende evidente una verità più scomoda, cioè che l’innovazione non è mai così facile. Non basta acquistare uno strumento, attivare una piattaforma o sperimentare un modello generativo per ottenere automaticamente servizi migliori, decisioni più rapide o organizzazioni più efficienti.
La letteratura economica sulle tecnologie aiuta a leggere questo passaggio. Brynjolfsson, Rock e Syverson, con il concetto di Productivity J-Curve, hanno mostrato che tecnologie come l’intelligenza artificiale richiedono investimenti complementari in capitale umano, processi, software, organizzazione e nuovi modelli operativi prima di produrre pienamente effetti sulla produttività. Nelle prime fasi, questi investimenti possono perfino rendere poco visibili i benefici, perché i costi organizzativi precedono spesso i risultati misurabili.
Questa osservazione è particolarmente importante per la PA. Quando un’amministrazione pubblica introduce IA senza ripensare procedimenti, responsabilità, qualità dei dati e modalità di relazione con gli utenti (cittadini e imprese) rischia di aggiungere complessità alla complessità. L’IA può accelerare un compito, ma non semplifica da sola un’organizzazione disegnata male.
Il vero salto non sta quindi nel passare da “senza IA” a “con IA”. Sta nel passare da una logica di adozione tecnologica a una logica di responsabilità organizzativa.
Il vero costo dell’IA: server, dati, energia, storage e governance
Uno degli aspetti meno discussi nel dibattito pubblico riguarda i costi reali dell’IA. Spesso l’attenzione si concentra sulle licenze software o sui costi di accesso ai servizi cloud. Ma l’IA ha una struttura di costo molto più ampia.
Servono infrastrutture di calcolo, capacità di archiviazione, sistemi di sicurezza, basi dati di qualità, manutenzione continua, aggiornamenti, audit, formazione del personale, controllo umano e gestione dei fornitori. A questi elementi si sommano i costi energetici e ambientali legati ai data center.
Secondo McKinsey, la domanda europea di data center potrebbe crescere da circa 10 gigawatt a circa 35 gigawatt entro il 2030, richiedendo investimenti infrastrutturali stimati tra 250 e 300 miliardi di dollari, senza includere la capacità di generazione elettrica necessaria. Il Parlamento europeo ha inoltre segnalato che i data center rappresentano circa il 3% della domanda elettrica nell’Unione europea, con differenze significative tra Paesi, e che la domanda elettrica dei data center potrebbe più che raddoppiare entro il 2030.
Anche la Banca centrale europea ha evidenziato il legame crescente tra IA, data center e consumi energetici, osservando che i modelli generativi richiedono molta energia sia nella fase di addestramento sia nella fase di utilizzo. La BCE richiama inoltre la stima secondo cui una richiesta a ChatGPT-3 può consumare circa dieci volte l’energia di una ricerca tradizionale su Google, pur con variazioni legate alla complessità della richiesta e al tipo di modello utilizzato.
Questo significa che il valore dell’IA deve essere valutato anche in termini di proporzionalità. Ha senso usare modelli molto potenti per risolvere problemi semplici? È giustificato sostenere costi energetici, infrastrutturali e organizzativi elevati per benefici marginali? Una pubblica amministrazione o un’impresa non può limitarsi a chiedersi se una soluzione “funziona”. Deve chiedersi se è sostenibile, necessaria, proporzionata e migliore rispetto ad alternative più semplici.
Un esempio concreto aiuta a chiarire. Un Comune può decidere di introdurre un assistente virtuale basato su IA per rispondere alle domande dei cittadini. In fase dimostrativa il progetto può apparire efficace e poco costoso. Ma nella fase operativa emergono molte domande: chi aggiorna le informazioni? Chi controlla le risposte? Come si evitano errori su scadenze, requisiti o procedimenti? Come si tutelano i dati personali? Come si garantisce accessibilità a chi non usa strumenti digitali? Come si gestiscono reclami e responsabilità?
L’IA economica in fase di demo può diventare costosa in fase di esercizio.
Produttività: risultati promettenti, ma non automatici
La discussione sull’IA è spesso anche polarizzata. Da un lato c’è chi la presenta come una rivoluzione inevitabile per accrescere la produttività. Dall’altro c’è chi invece ne sottolinea solo i rischi. Una posizione più equilibrata sarebbe più coerente con le informazioni oggi disponibili, che porti alla conclusione per cui l’IA può produrre benefici significativi, ma questi benefici dipendono dal contesto, dal tipo di attività, dalla qualità dell’organizzazione e dalle competenze disponibili.
Uno studio di Brynjolfsson, Li e Raymond su operatori di customer support ha rilevato che l’assistenza generativa ha aumentato la produttività media, misurata in problemi risolti per ora, di circa il 14-15%, con effetti più forti per lavoratori meno esperti o meno qualificati. Questo dato è rilevante perché mostra che l’IA può funzionare come strumento di diffusione della conoscenza tacita, aiutando chi ha meno esperienza ad avvicinarsi più rapidamente alle prestazioni dei colleghi più esperti.
Al tempo stesso, altri studi indicano che gli effetti dell’IA generativa sono più immediati sulle attività individuali, come la gestione delle e-mail o la produzione di documenti, mentre sono più limitati sulle attività che richiedono coordinamento organizzativo, come riunioni, processi condivisi o decisioni interfunzionali.
Questo è un punto centrale. L’IA può migliorare un’attività specifica, ma il valore complessivo emerge solo se l’organizzazione è in grado di incorporare quel miglioramento nel processo più ampio. Se un funzionario produce una bozza in metà tempo, ma l’iter resta bloccato da passaggi ridondanti, autorizzazioni poco chiare o banche dati non interoperabili, il vantaggio locale non diventa valore pubblico.
Lo stesso vale per le imprese. Un sistema di IA può ridurre i tempi di redazione di offerte commerciali, report interni o documentazione tecnica. Ma se il processo di approvazione resta frammentato, se i dati sono incoerenti o se le decisioni continuano a dipendere da passaggi manuali non tracciati, il beneficio rimane parziale.
L’IA non sostituisce la buona organizzazione. La rende ancora più necessaria.
Human in the loop: dal controllo al miglioramento continuo
Il concetto di human in the loop non dovrebbe essere interpretato esclusivamente come una misura di controllo o di mitigazione del rischio. La presenza dell’essere umano nel processo decisionale rappresenta anche una condizione essenziale per il miglioramento continuo dei sistemi di intelligenza artificiale. L’IA apprende dai dati, ma evolve soprattutto attraverso l’interazione con le persone che la utilizzano, la verificano, la correggono e ne valutano gli esiti.
In un modello maturo di adozione dell’IA, il rapporto tra uomo e macchina non è passivo bensì collaborativo. Funzionari pubblici, professionisti e cittadini non sono semplici destinatari delle soluzioni algoritmiche, ma contribuiscono attivamente al loro affinamento attraverso feedback strutturati, segnalazioni di errori, validazione dei risultati e indicazioni sui casi in cui le risposte fornite non risultano adeguate. Ogni correzione, ogni valutazione critica e ogni confronto tra risultato atteso e risultato ottenuto costituiscono informazioni preziose per migliorare l’affidabilità, la precisione e la rilevanza dei sistemi.
Questa logica introduce una prospettiva diversa rispetto all’idea di automazione integrale. Il valore dell’IA non deriva dalla progressiva esclusione dell’intervento umano, ma dalla capacità di costruire un ciclo virtuoso di apprendimento reciproco nel quale la macchina amplifica le capacità delle persone e le persone, attraverso l’esperienza e il giudizio, rendono la macchina più efficace. In questo senso, il feedback umano non rappresenta un costo aggiuntivo del sistema, ma una componente strategica dell’infrastruttura di valore dell’IA.
Per le pubbliche amministrazioni e per le imprese ciò significa progettare processi che raccolgano sistematicamente i riscontri degli utenti, monitorino gli errori, rendano tracciabili le correzioni e trasformino l’esperienza operativa in conoscenza organizzativa. Solo un’interazione attiva e continua tra uomo e macchina consente infatti di sviluppare sistemi più affidabili, trasparenti e aderenti ai bisogni reali delle persone.
Il caso della PA: non solo efficienza, ma diritti e fiducia
Nella pubblica amministrazione il valore dell’IA non può essere misurato solo in termini di efficienza. Questo è un punto essenziale. Nel settore pubblico, infatti, un sistema automatizzato può incidere su diritti, accesso ai servizi, graduatorie, controlli, prestazioni sociali, autorizzazioni, priorità sanitarie, politiche di welfare e rapporti tra cittadino e istituzione.
Per questo l’IA nella PA deve essere valutata anche rispetto a legalità, imparzialità, trasparenza, accessibilità, inclusione, “spiegabilità” e possibilità di contestare una decisione. L’AI Act europeo segue un approccio basato sul rischio e prevede, per determinati sistemi ad alto rischio, una valutazione d’impatto sui diritti fondamentali da parte di soggetti pubblici o privati che forniscono servizi pubblici.
Anche il G7 Toolkit dell’OCSE sull’IA nel settore pubblico sottolinea che l’IA può migliorare operazioni interne, politiche pubbliche, servizi, trasparenza e responsabilità, ma richiede pratiche concrete per trasformare i principi di sicurezza, affidabilità e fiducia in azioni operative. Il NIST AI Risk Management Framework, a sua volta, propone un approccio alla gestione dei rischi dell’IA orientato a incorporare criteri di affidabilità nella progettazione, nello sviluppo, nell’uso e nella valutazione dei sistemi.
Ancora una volta si rende necessario un passaggio culturale importante: nella PA l’IA non deve sostituire la responsabilità amministrativa, deve renderla più informata, più documentata e più verificabile.
Esempi concreti: dove l’IA può creare valore e dove può fallire
Gestione documentale
L’IA può aiutare a classificare documenti, estrarre informazioni, sintetizzare testi, individuare collegamenti tra atti e supportare la ricerca negli archivi. In una PA con grandi quantità di documenti, questo può ridurre tempi di lavoro e migliorare la tracciabilità.
Il valore reale, però, dipende dalla qualità dei dati e dalle regole di gestione documentale. Se gli archivi sono disordinati, se i metadati sono incompleti o se i processi di conservazione non sono chiari, l’IA rischia di produrre risultati imprecisi. In questo caso, il problema non è il modello, ma l’ecosistema informativo in cui viene inserito.
Servizi al cittadino
Chatbot e assistenti virtuali possono orientare cittadini e imprese, rispondere a domande frequenti, indicare procedure, scadenze e documenti necessari. Il valore è evidente se si riducono telefonate ripetitive, accessi agli sportelli e tempi di ricerca delle informazioni.
Ma se il sito istituzionale è confuso, se le informazioni non sono aggiornate o se il linguaggio amministrativo resta incomprensibile, l’IA può limitarsi a rendere più sofisticata una cattiva comunicazione. In alcuni casi, prima ancora di introdurre un chatbot, servirebbe riscrivere le pagine web, semplificare i moduli, aggiornare le FAQ e rendere più chiari i procedimenti.
Welfare e politiche sociali
L’IA può supportare l’analisi dei bisogni, l’individuazione di anomalie, la programmazione degli interventi e il monitoraggio delle prestazioni. Il potenziale valore sociale è significativo, soprattutto quando permette interventi più tempestivi verso persone fragili.
Ma proprio in questi ambiti i rischi sono maggiori. Dati incompleti, variabili discriminatorie o modelli opachi possono produrre effetti ingiusti su persone vulnerabili. Qui il controllo umano, la valutazione d’impatto e la possibilità di contestazione diventano condizioni di legittimità.
Sanità digitale
Nel settore sanitario l’IA può supportare analisi di immagini, triage, gestione delle liste, medicina predittiva e individuazione precoce di rischi clinici. Il valore può essere alto se migliora tempestività, appropriatezza e qualità delle decisioni.
Tuttavia, l’uso dell’IA in sanità richiede chiarezza sulle responsabilità, qualità dei dati, validazione clinica, sicurezza, protezione delle informazioni personali e piena comprensione del ruolo del medico. L’IA può assistere la decisione, ma non deve oscurare la responsabilità professionale.
Come misurare il valore sociale dell’IA
Per uscire dalla retorica dell’innovazione occorre costruire una griglia di valutazione semplice ma rigorosa. Un sistema di IA crea valore sociale solo se il beneficio prodotto per persone, organizzazioni e comunità supera i costi economici, ambientali, giuridici e istituzionali necessari per realizzarlo e mantenerlo.
Un processo di valutazione completo dovrebbe considerare almeno cinque dimensioni. L’utilizzo di questa ipotetica griglia, da non far diventare un ulteriore adempimento burocratico, può diventare uno strumento di buona amministrazione.
1. Valore per cittadini e utenti
L’IA migliora davvero l’esperienza delle persone? Riduce tempi, passaggi, errori e incomprensioni? Rende il servizio più accessibile? Aiuta chi ha più difficoltà o favorisce solo gli utenti già digitalmente competenti?
2. Valore organizzativo
L’IA migliora i processi o si limita ad aggiungere un nuovo strato tecnologico? Riduce attività ripetitive? Aiuta il personale a lavorare meglio? Rende più chiari ruoli, responsabilità e decisioni?
3. Valore economico
I benefici sono superiori ai costi complessivi? Non vanno considerati solo licenze e canoni, ma anche cloud, server, storage, energia, sicurezza, formazione, manutenzione, audit, aggiornamenti e costi di uscita dal fornitore.
4. Valore democratico
Il sistema è trasparente? È possibile sapere quando viene usata l’IA? Le decisioni possono essere spiegate, controllate e contestate? Esiste un responsabile umano identificabile?
5. Valore ambientale
L’uso dell’IA è proporzionato rispetto al consumo di energia, alla capacità di calcolo richiesta e alla sostenibilità dell’infrastruttura? La potenza computazionale è giustificata dal beneficio atteso?
Quando l’IA non serve: il coraggio della proporzionalità
Uno dei segni di maturità digitale sarà la capacità di individuare dove l’IA non serve.
Non è mica vero, infatti, che ogni problema richieda modelli generativi, apprendimento automatico o sistemi predittivi. A volte la soluzione migliore è semplicemente una banca dati pulita, un modulo più semplice, un processo ridisegnato, un’interfaccia più chiara, una migliore interoperabilità tra amministrazioni, una formazione adeguata del personale.
Se una PA riceve troppe richieste perché le informazioni online sono incomprensibili, la prima risposta non è necessariamente un assistente virtuale. Può essere una revisione del linguaggio, della struttura del sito e dei procedimenti. Se un’impresa ha problemi di qualità nei report, prima di introdurre un sistema generativo dovrebbe verificare la qualità dei dati di partenza.
La maturità digitale non consiste nell’usare l’IA ovunque. Consiste nel sapere dove usarla, dove non usarla e dove usare soluzioni più semplici.
Orientamenti di policy: dal principio di innovazione al principio di valore pubblico
Per rendere l’IA uno strumento di valore sociale servono politiche pubbliche più selettive, misurabili e responsabili. Volendo tracciare alcuni orientamenti possibili, si potrebbero prendere in considerazione alcune di queste proposte.
1. Valutazione preventiva del valore
Ogni progetto pubblico di IA dovrebbe partire da una domanda chiara: quale problema pubblico risolve? La risposta dovrebbe essere accompagnata da indicatori verificabili, benefici attesi, utenti coinvolti, rischi, alternative disponibili e modalità di valutazione dei risultati.
2. Analisi completa dei costi
La PA dovrebbe superare la logica del costo apparente. Nei progetti di IA vanno considerati anche i costi occulti, cloud, server, storage, energia, sicurezza, formazione, manutenzione, audit, aggiornamento dei dati, controllo umano e dipendenza dal fornitore.
3. Registro pubblico dei sistemi di IA nella PA
Sarebbe utile rafforzare strumenti di trasparenza sui sistemi di IA utilizzati dalle amministrazioni. Un registro dovrebbe indicare finalità, amministrazione responsabile, dati utilizzati, fornitore, ambito di impiego, misure di controllo, rischi principali e canali di contestazione.
4. Controllo umano reale, non simbolico
Il principio dello human oversight non può essere una formula generica. Deve indicare chi controlla, con quali competenze, in quale fase del processo, con quale potere di intervento e con quale responsabilità. Un controllo umano puramente formale non riduce il rischio. Lo nasconde.
5. Appalti pubblici orientati al valore
Gli acquisti pubblici di IA dovrebbero premiare interoperabilità, auditabilità, portabilità dei dati, sostenibilità energetica, riduzione del lock-in, qualità documentata, trasparenza e misurazione periodica dei risultati. Non basta acquistare la soluzione più innovativa. Bisogna acquistare quella che produce valore pubblico verificabile.
6. Competenze organizzative diffuse
La PA non ha bisogno solo di specialisti tecnici. Ha bisogno di dirigenti capaci di valutare impatti e rischi, funzionari capaci di ripensare i processi, giuristi capaci di leggere responsabilità e diritti, esperti di dati, esperti di accessibilità, figure di audit e responsabili della qualità dei servizi.
Conclusione: l’IA come test di maturità istituzionale
Abbiamo sopravvalutato l’IA? La risposta più onesta è: abbiamo sopravvalutato l’idea che bastasse adottarla per generare valore.
L’intelligenza artificiale non è una scorciatoia. È una tecnologia potente, ma esigente. Richiede dati affidabili, processi chiari, competenze diffuse, infrastrutture sostenibili, controllo umano, misurazione degli impatti e responsabilità organizzativa.
Per la pubblica amministrazione, in particolare, l’IA non può essere ridotta a un nuovo strumento di efficienza. Diventa un banco di prova della capacità istituzionale, che si manifesta in capacità di governare i dati, proteggere i diritti, spiegare le decisioni, usare bene le risorse pubbliche e migliorare concretamente la vita delle persone.
La fine dell’innovazione facile non è una cattiva notizia. È il passaggio necessario verso una fase più matura. Una fase in cui il valore dell’IA non si misura dal numero di progetti avviati, né dalla potenza dei modelli utilizzati, ma dalla qualità dei risultati prodotti.
Il futuro dell’intelligenza artificiale non dipenderà solo da ciò che la tecnologia saprà fare. Dipenderà soprattutto da ciò che istituzioni e imprese sapranno farne, con responsabilità, misura e visione pubblica.
Riferimenti bibliografici essenziali
• Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. The Quarterly Journal of Economics.
• Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal: Macroeconomics.
• European Central Bank. (2025). The increasing energy demand of artificial intelligence and its impact on commodity prices.
• European Parliament Research Service. (2025). AI and the energy sector.
• European Union. AI Act, Article 27, Fundamental rights impact assessment for high-risk AI systems.
• McKinsey. (2024). The role of power in unlocking the European AI revolution.
• NIST. Artificial Intelligence Risk Management Framework.
• OECD. G7 Toolkit for Artificial Intelligence in the Public Sector.
Partecipa alla community