L’Intelligenza Artificiale sta entrando nella Pubblica Amministrazione con una velocità che, fino a pochi anni fa, sarebbe stata difficile da immaginare. Assistenti virtuali, sistemi di analisi documentale, automazione dei procedimenti, modelli predittivi e applicazioni di AI generativa stanno rapidamente passando dalla fase della sperimentazione a quella della concreta applicazione.
È una trasformazione importante e, per molti aspetti, inevitabile. Ma proprio la rapidità con cui l’AI si sta affermando rischia di generare un equivoco: confondere la disponibilità e la potenza della tecnologia con la capacità di utilizzarla efficacemente.
Il rischio è quello di lasciarsi travolgere dalla novità, individuare una tecnologia e cercare successivamente il problema da risolvere. Un approccio che porta a costruire progetti tecnologicamente interessanti, ma non necessariamente capaci di produrre valore pubblico.
Pertanto, la vera sfida non è quindi soltanto adottare l’AI, ma imparare a governarne l’introduzione.
Indice degli argomenti
Dalla tecnologia al bisogno
Un progetto di Intelligenza Artificiale dovrebbe iniziare molto prima della scelta di un modello, di una piattaforma o di un’infrastruttura.
Dovrebbe iniziare da una domanda semplice: qual è il problema che vogliamo risolvere?
Il punto di partenza deve essere l’esigenza concreta della linea di business, del dirigente e dei suoi collaboratori: un procedimento troppo lungo, una quantità elevata di documenti da analizzare, attività ripetitive, informazioni difficili da reperire, tempi di risposta non adeguati o processi caratterizzati da numerosi passaggi manuali.
È da qui che deve partire l’innovazione, il primo errore da evitare è quindi un approccio technology-driven: acquistare o sperimentare una tecnologia e cercare successivamente dove applicarla.
La direzione dovrebbe essere opposta: business-driven, con un approccio bottom-up. Prima il bisogno, poi il processo, quindi le competenze e l’architettura e, soltanto alla fine, la tecnologia.
Il ruolo del RTD: collegare organizzazione e tecnologia
Una volta identificata l’esigenza, diventa centrale il coinvolgimento del Responsabile per la Transizione al Digitale. Il RTD dovrebbe rappresentare uno degli snodi fondamentali attraverso cui trasformare un’esigenza organizzativa in un percorso di innovazione, mettendo in relazione le strutture amministrative, l’IT e la governance digitale dell’ente.
Il confronto deve coinvolgere anche l’IT Manager, non per trasferire semplicemente alla struttura tecnologica la responsabilità del progetto, ma per verificare una condizione preliminare spesso sottovalutata: l’amministrazione dispone delle competenze necessarie per realizzarlo e, soprattutto, per governarlo nel tempo?
Un progetto AI non richiede soltanto data scientist o sviluppatori. Servono competenze infrastrutturali, cloud, cybersecurity, gestione dei dati, integrazione applicativa, conoscenza dei processi amministrativi e capacità di valutare e governare i modelli di AI.
La componente tecnologica e quella funzionale devono quindi lavorare insieme.
Prima dell’AI occorre ripensare il processo
L’AI non dovrebbe essere utilizzata semplicemente per automatizzare un processo esistente. Se quel processo è inefficiente, frammentato o caratterizzato da attività ridondanti, automatizzarlo significa rischiare di digitalizzare l’inefficienza.
Occorre invece analizzare il processo end-to-end: quali attività vengono svolte, quali dati vengono utilizzati, quali sistemi intervengono, dove si concentrano le inefficienze e quali passaggi richiedono realmente l’intervento umano. Solo dopo questa analisi è possibile stabilire dove l’AI possa generare valore.
E potrebbe anche emergere che l’AI non sia la soluzione migliore.
Anche questa sarebbe una conclusione positiva: l’obiettivo di un progetto di trasformazione digitale non è utilizzare l’AI a tutti i costi, ma risolvere un problema nel modo più efficace, sostenibile e sicuro possibile.
La governance dell’AI nella Pubblica Amministrazione non è accessoria
Questa impostazione assume ancora maggiore rilevanza alla luce del quadro europeo e nazionale.
L’AI Act europeo introduce un modello basato sul rischio e richiama la necessità di assicurare requisiti di trasparenza, sicurezza, supervisione umana e responsabilità lungo il ciclo di vita dei sistemi di AI.
Parallelamente, la Strategia italiana per l’Intelligenza Artificiale individua nella Pubblica Amministrazione uno degli ambiti nei quali l’AI può contribuire alla modernizzazione dei servizi e al miglioramento dell’efficienza amministrativa.
Anche le indicazioni e le linee guida elaborate da AgID spingono verso un utilizzo dell’Intelligenza Artificiale fondato su principi di affidabilità, sicurezza, trasparenza, protezione dei dati e corretta gestione del ciclo di vita delle soluzioni.
Il messaggio che emerge è chiaro: l’AI non può essere trattata come una semplice componente software.
Richiede una governance capace di definire responsabilità, processi decisionali, gestione dei dati, sicurezza, monitoraggio e controllo umano.
Una reference architecture per i progetti AI nella PA
È proprio in questa fase che diventa necessario affrontare anche il tema architetturale.
L’introduzione dell’AI può modificare significativamente la reference architecture dell’amministrazione: dati, applicazioni, infrastrutture, modelli, sistemi di integrazione, sicurezza, identità e accessi devono essere ripensati in funzione del nuovo scenario.
La domanda non dovrebbe essere soltanto quale modello utilizzare?, ma anche:
dove saranno elaborati i dati? Chi potrà accedervi? Come saranno protette le informazioni? Come verranno integrati i sistemi? Come sarà monitorato il comportamento del modello? Chi ne governerà il ciclo di vita?
Definire questa architettura prima della realizzazione della soluzione significa evitare che ogni sperimentazione diventi un’isola tecnologica.
L’obiettivo deve essere costruire capacità riutilizzabili, non una collezione di singoli progetti.
Dal PoC alla trasformazione strutturale
È qui che molti progetti rischiano di fermarsi.
Il proof of concept funziona, il modello produce risultati interessanti. La sperimentazione viene presentata come un successo, ma il vero test arriva dopo.
Chi gestirà la soluzione? Chi aggiornerà il modello? Chi controllerà la qualità delle risposte? Chi gestirà sicurezza e incidenti? Quali saranno i costi infrastrutturali? Come verrà integrata la soluzione nei sistemi esistenti? Può essere replicata in altri contesti?
La differenza tra sperimentazione e innovazione strutturale sta proprio qui, un progetto AI è realmente riuscito quando diventa parte dell’organizzazione e non quando riesce semplicemente a dimostrare che una tecnologia funziona.
La sequenza corretta: esigenza, persone, processo, architettura, tecnologia
Una Pubblica Amministrazione deve quindi evitare una nuova forma di innovazione “a silos”, nella quale ogni struttura sperimenta autonomamente strumenti e piattaforme senza una visione complessiva. Il percorso dovrebbe seguire una sequenza precisa:
esigenza → analisi del processo → coinvolgimento del RTD → assessment delle competenze → riprogettazione del processo → reference architecture → soluzione tecnologica → sperimentazione → esercizio e governance.
È un approccio apparentemente meno veloce, in realtà è quello che consente di accelerare quando conta davvero: nella fase di industrializzazione e diffusione della soluzione.
La Pubblica Amministrazione non ha bisogno di adottare più AI, ha bisogno di adottarla meglio
La grande disponibilità di strumenti di Intelligenza Artificiale rischia di produrre nella Pubblica Amministrazione una sorta di accelerazione senza direzione.
Tutti vogliono sperimentare, tutti vogliono avere un progetto AI.
Tutti vogliono poter raccontare che l’amministrazione sta utilizzando l’Intelligenza Artificiale.
Ma l’innovazione non si misura dal numero di chatbot attivati, dai modelli utilizzati o dai progetti annunciati.
Si misura dalla capacità di generare valore pubblico in modo sostenibile.
E per farlo servono basi solide: esigenze reali, processi ripensati, competenze adeguate, governance, dati di qualità, architetture coerenti e una chiara responsabilità organizzativa.
Solo dopo viene la tecnologia.
Perché il vero rischio, oggi, non è che la Pubblica Amministrazione utilizzi poca Intelligenza Artificiale.
Il rischio è utilizzarne molta senza aver costruito l’organizzazione capace di governarla.
La sfida dei prossimi anni sarà quindi passare dalla logica della AI experimentation a quella della AI transformation, e questo passaggio non partirà dall’algoritmo, ma partirà dalle persone, dai processi e dai bisogni concreti degli uffici.
In altre parole: prima di costruire l’AI, dobbiamo costruire il contesto che permetterà all’AI di funzionare davvero.
Partecipa alla community