Nelle pubbliche amministrazioni italiane la conoscenza organizzativa più critica non risiede nei regolamenti, ma nella testa dei funzionari di medio-alto livello: il modo in cui un RUP gestisce un contenzioso su un affidamento, le eccezioni procedurali che un dirigente applica in casi limite, gli accorgimenti maturati in anni di gestione di pratiche complesse.
Si tratta, nei termini di Nonaka e Takeuchi (1995), di conoscenza tacita: difficile da formalizzare, legata all’esperienza diretta, e per questo esposta a perdita irreversibile quando la persona cambia ufficio, va in pensione o lascia l’ente. Il modello SECI descrive come questa conoscenza possa essere trasformata in patrimonio organizzativo attraverso quattro modalità di conversione — Socializzazione, Esternalizzazione, Combinazione, Internalizzazione — che si alimentano reciprocamente in una spirale continua, capace di far transitare la conoscenza dal piano individuale a quello organizzativo. La domanda che questo articolo affronta è specifica: la tecnologia RAG (Retrieval-Augmented Generation) può essere impiegata per facilitare in particolare le fasi di Combinazione e riuso della conoscenza esplicita prodotta da funzionari di alto livello, e a quali condizioni normative italiane, oggi ulteriormente definite dalla Legge 132/2025 e dalle Linee guida AgID?
Indice degli argomenti
RAG e modello SECI: il supporto alla conoscenza già esplicita
Tre contributi recenti, pur con tagli diversi, convergono su un punto: RAG non sostituisce il ciclo SECI, lo supporta selettivamente, e solo dopo che la conoscenza tacita è già stata esternalizzata. Wu (2026), in Generative Artificial Intelligence in Knowledge Management Systems, descrive con chiarezza il problema che ha reso necessario RAG nel knowledge management aziendale: i modelli linguistici di grandi dimensioni, pur fluenti, generano contenuti “allucinati” — dati inventati, casi confusi — quando devono rispondere su domini specialistici che richiedono precisione fattuale. L’esempio riportato, un’azienda che scopre che il 30% dei dati di mercato in un report generato automaticamente era inventato, è paradigmatico del rischio che si correrebbe applicando un LLM “nudo” a materie come procedimenti amministrativi o normativa di settore.
Per spiegare perché RAG riduce questo rischio, l’autore ricorre a un’immagine efficace: un modello linguistico da solo è come uno studioso colto ma smemorato, capace di esprimersi con proprietà e ricchezza su qualsiasi argomento, ma privo di un accesso affidabile a fatti specifici, aggiornati o verificabili — e quando non sa qualcosa, non lo ammette, ma lo inventa con la stessa sicurezza con cui esporrebbe un fatto vero. RAG affianca a questo studioso un bibliotecario professionista: prima di lasciare che lo studioso risponda, il bibliotecario va a recuperare il documento pertinente nella base di conoscenza reale dell’organizzazione e lo mette a disposizione, così che la risposta finale sia sì fluida nella forma, ma ancorata a un testo effettivamente esistente e reperibile.
La distinzione è cruciale dal punto di vista del modello SECI: il bibliotecario, per definizione, può solo restituire ciò che qualcuno ha già scritto e archiviato. Non può inventare conoscenza tacita che nessun funzionario ha ancora esternalizzato in un documento, una procedura o una FAQ. RAG, in altre parole, agisce esclusivamente sul patrimonio di conoscenza già esplicita: è uno strumento potente per la fase di Combinazione, non un sostituto delle fasi di Socializzazione ed Esternalizzazione, che restano prettamente umane, anche se alcuni ricercatori (Böhm e Durst, 2026) sostengono che la IA generativa potrebbe intervenire nella fase di Socializzazione “ascoltando” le conversazioni e “partecipando” ad esse senza ricorrere ad una programmazione esplicita, come pure nella Esternalizzazione generando a partire dalla conoscenza tacita acquisita infografiche o visualizzazioni dati interattive che rappresentano concetti o relazioni complesse.
Intelligenza artificiale generativa e rischi epistemici
Onyeka e Hundu (2026), in una revisione sistematica condotta secondo il framework PRISMA su venti studi peer-reviewed pubblicati tra il 2018 e il 2026 relativi a organizzazioni ad alta intensità di conoscenza, mappano esplicitamente i meccanismi dell’intelligenza artificiale generativa sul modello SECI e sulla Knowledge-Based View. Individuano quattro meccanismi principali attraverso cui l’IA generativa interviene nella creazione di conoscenza organizzativa: co-creazione, potenziamento cognitivo, automazione di compiti ricorrenti e ricombinazione della conoscenza — quest’ultima corrispondente proprio alla fase di Combinazione descritta da Nonaka e Takeuchi. Il dato più rilevante per il contesto pubblico è però il richiamo esplicito ai rischi che gli autori definiscono “epistemic hazards”: allucinazioni e disinformazione sistematica, che possono insinuarsi silenziosamente in un sistema apparentemente affidabile.
La conclusione degli autori è netta: l’intelligenza artificiale generativa funziona efficacemente solo come funzione di amplificazione all’interno di sistemi di apprendimento guidati dall’uomo, non come sostituto della cognizione umana. Ne derivano raccomandazioni pratiche di governance — strutture di controllo robuste, verifica human-in-the-loop, architetture ibride che combinano modelli linguistici e knowledge graph per ridurre il rischio di deskilling professionale — che sono direttamente trasferibili al contesto di un ente locale, dove l’errore in un procedimento amministrativo produce conseguenze giuridiche dirette sul cittadino, non solo un danno reputazionale interno.
Dalla conoscenza tacita al RAG attraverso l’Esternalizzazione
Miliaev, Hinkelmann ed Eisenbart (2026), in uno studio con metodologia Design Science Research applicato al reparto acquisti di una grande azienda ingegneristica europea, offrono l’evidenza più operativa e più vicina al problema che qui interessa. Il sistema sviluppato non parte dai documenti già esistenti in azienda, ma da interviste di debriefing condotte con gli esperti in uscita o comunque depositari di conoscenza critica: le trascrizioni di queste interviste vengono usate per elicitare e categorizzare la conoscenza tacita, sia a livello superficiale sia a livello profondo, che il sistema di IA generativa interpreta, contestualizza e trasforma in conoscenza organizzativa accessibile e riutilizzabile.
Solo a questo punto, una volta che la conoscenza è stata esternalizzata e codificata, RAG entra in gioco per il recupero e il riuso efficiente di quanto è stato prodotto. Le valutazioni condotte tramite workshop con gli utenti confermano l’efficacia del sistema nel catturare e applicare conoscenza implicita altrimenti destinata a perdersi. Questo studio conferma empiricamente l’architettura logica qui proposta: RAG interviene dopo l’Esternalizzazione, non la sostituisce, e il suo valore aggiunto dipende interamente dalla qualità e dalla completezza del lavoro umano di cattura della conoscenza che lo precede.
RAG nelle quattro fasi del modello SECI
Le tre fonti, lette insieme, permettono di collocare con precisione il ruolo di RAG nella spirale SECI applicata a un ente pubblico italiano. La Socializzazione, cioè il trasferimento di conoscenza tacita da persona a persona attraverso l’affiancamento e l’esperienza condivisa, resta un processo interamente umano, sul quale la tecnologia non ha presa diretta.
L’Esternalizzazione, cioè la trasformazione dell’esperienza individuale in un artefatto condivisibile, è il vero collo di bottiglia, come mostra con chiarezza il caso Miliaev et al.: la tecnologia può facilitare la cattura, ad esempio attraverso la trascrizione automatica di interviste o debriefing strutturati, ma la trasformazione della conoscenza tacita in un testo esplicito richiede ancora un intervento umano, sia dell’esperto sia di chi la formalizza in procedura. La Combinazione, cioè l’integrazione e la riorganizzazione di conoscenze esplicite già esistenti per produrne di nuove, è la fase in cui RAG è più maturo e offre il valore più diretto secondo tutte e tre le fonti: recupero, integrazione e riorganizzazione di regolamenti, procedure interne, FAQ, determine e documentazione tecnica già codificati in un unico corpus interrogabile.
L’Internalizzazione, infine, cioè l’apprendimento individuale di ciò che è stato formalizzato fino a diventare competenza pratica, resta un processo esperienziale; un sistema RAG può accelerarlo fornendo a un neoassunto risposte contestualizzate e verificabili su casi concreti, ma l’acquisizione della competenza pratica rimane legata alla pratica stessa, non alla sola lettura. Il punto che accomuna Wu e Onyeka & Hundu è la centralità del rischio di allucinazione nei domini ad alta specializzazione: per un ente locale come un Comune, questo significa che un sistema RAG applicato a normativa di procurement, GDPR o procedimenti amministrativi non può funzionare come oracolo autonomo, ma deve restare uno strumento di supporto verificabile, con tracciabilità puntuale delle fonti recuperate a fronte di ogni affermazione generata.
RAG nella pubblica amministrazione: Legge 132/2025 e Linee guida AgID
Sul piano della compatibilità normativa, il quadro italiano si è nel frattempo consolidato in modo significativo. La Legge 23 settembre 2025, n. 132, recante disposizioni e deleghe al Governo in materia di intelligenza artificiale, ha introdotto un impianto nazionale fondato su un approccio antropocentrico, trasparente e sicuro, affidando ad AgID il ruolo di autorità per la promozione dell’innovazione e all’Agenzia per la Cybersicurezza Nazionale la vigilanza sulla sicurezza dei sistemi.
L’articolo 14 della legge impone alle pubbliche amministrazioni di assicurare la conoscibilità del funzionamento dei sistemi di IA adottati e la tracciabilità del loro utilizzo, un obbligo che rafforza, sul piano legislativo, esattamente ciò che l’analisi tecnica sopra svolta già suggeriva sul piano pratico: ogni risposta generata da un sistema RAG deve essere riconducibile alla fonte da cui è stata recuperata. In attuazione del Piano triennale per l’informatica nella pubblica amministrazione 2024-2026, AgID ha inoltre adottato, ai sensi dell’articolo 71 del CAD, un pacchetto di linee guida operative: la Determinazione n. 17/2025 ha posto in consultazione pubblica le Linee guida per l’adozione dell’intelligenza artificiale nella pubblica amministrazione, articolate in venti principi raccolti in cinque categorie — conformità e governance, etica e inclusione, qualità e affidabilità, innovazione e sostenibilità, formazione e organizzazione — mentre la Determinazione n. 43/2026 ha posto in consultazione le Linee guida per lo sviluppo di sistemi di intelligenza artificiale nella pubblica amministrazione, insieme a quelle dedicate al procurement di soluzioni di IA.
Queste linee guida non sostituiscono l’AI Act, che resta la fonte dei requisiti tecnici vincolanti in materia di qualità dei dati, trasparenza, supervisione umana, robustezza e cybersicurezza, ma offrono agli enti locali strumenti operativi concreti — checklist, template, schede di valutazione — per calare quei principi astratti nel lavoro quotidiano di un ufficio, colmando il divario tra la norma europea e la sua applicazione pratica anche in un ente locale come un Comune. A questi due livelli si aggiungono, come già evidenziato, gli obblighi ordinari in materia di protezione dei dati personali quando la base di conoscenza include trascrizioni di interviste con funzionari o riferimenti a pratiche relative a persone fisiche, e le ordinarie procedure di affidamento previste dal Codice dei contratti pubblici quando il sistema venga acquisito da un fornitore esterno.
AI Act e RAG: un’applicazione nel supporto istruttorio
Proprio la classificazione del rischio prevista dall’AI Act suggerisce, per un ente locale come un Comune italiano, la strada più prudente per una prima applicazione concreta di questi principi. Un sistema RAG che intervenisse direttamente su decisioni relative a diritti dei cittadini (ad esempio quando il sistema è destinato a valutare l’ammissibilità di una persona fisica a prestazioni o servizi pubblici essenziali), rischierebbe di ricadere tra i sistemi ad alto rischio dell’Allegato III del regolamento, con il corredo di obblighi stringenti di gestione del rischio, documentazione tecnica e sorveglianza umana rafforzata che ne conseguono. Una prima implementazione più circoscritta, e per questo preferibile come punto di partenza, è invece l’impiego di RAG come supporto istruttorio nella stesura di determine e delibere: un compito in cui il sistema recupera e ricombina, dal corpus già esplicito di regolamenti, determine precedenti, pareri e normativa di settore, i riferimenti pertinenti a un nuovo atto in preparazione, lasciando però al funzionario la redazione, la verifica di ogni riferimento normativo citato e la responsabilità sostanziale della decisione finale.
Un utilizzo di questo tipo non genera né adotta la decisione amministrativa, ma assiste chi la prende nella fase di reperimento e ricombinazione di conoscenza già formalizzata: esattamente la fase di Combinazione della spirale SECI in cui, secondo tutte e tre le fonti qui esaminate, RAG offre oggi il proprio contributo più maturo e meno esposto a rischio, e che con ragionevole probabilità non farebbe rientrare la soluzione tra i sistemi ad alto rischio ai sensi dell’AI Act, restando così un banco di prova sicuro su cui costruire, in una fase successiva, applicazioni più ambiziose di supporto ai funzionari di alto livello.
Riferimenti bibliografici
Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press.
Wu, Q. (2026). Generative Artificial Intelligence in Knowledge Management Systems: Concepts, Design, and Case Studies. In. Gang Liu, Jin Chen ed Eric Tsui, Generative Artificial Intelligence in Knowledge Management Systems: Concepts, Design, and Case Studies. Cap. 7: “AI-Oriented KM Implementation Paradigm in Enterprise-RAG.”
Böhm, K. & Durst, (2026). S. Knowledge management in the age of generative artificial intelligence – form SECI to GRAI, VINE Journel of Information and Knowledge Management Systems, Emeral Publishing.
Onyeka, A. I., & Hundu, J. T. (2026). Generative Artificial Intelligence and Knowledge Creation in Knowledge-Intensive Organisations: A Systematic Review.
Miliaev, S., Hinkelmann, K., & Eisenbart, B. (2026). “Retaining explicit and implicit knowledge with RAG-enhanced Generative AI.” 2026 IEEE Conference on Artificial Intelligence (CAI), pp. 403–406.
Regolamento (UE) 2024/1689 (AI Act).
Regolamento (UE) 2016/679 (GDPR).
Legge 23 settembre 2025, n. 132, “Disposizioni e deleghe al Governo in materia di intelligenza artificiale.”
D.Lgs. 82/2005, Codice dell’Amministrazione Digitale (CAD), e successive modificazioni.
AgID, Determinazione n. 17/2025, Linee guida per l’adozione dell’intelligenza artificiale nella Pubblica Amministrazione (bozza in consultazione).
AgID, Determinazione n. 43/2026, Linee guida per lo sviluppo di sistemi di intelligenza artificiale nella Pubblica Amministrazione (bozza in consultazione).
D.Lgs. 36/2023, Codice dei contratti pubblici.
Partecipa alla community