AI nella PA, dati e governance per superare la frammentazione

L’Intelligenza Artificiale (IA) nella Pubblica Amministrazione italiana è già realtà: il 97% delle Amministrazioni consultate nell’ambito di un’indagine EY-Oxford Economics dichiara di aver avviato iniziative di IA che hanno soddisfatto o superato le proprie aspettative. Eppure solo una parte limitata di queste è riuscita a portare l’IA a regime e a farne una parte integrante dei propri processi. Il vero nodo riguarda, infatti, la capacità di trasformare l’IA in un componente strutturale del modello operativo pubblico.

Privacy, dati e infrastrutture: dove si blocca l’IA nella PA

A frenare questa evoluzione sono un insieme di vincoli sistemici che, in Italia, pesano più rispetto al contesto europeo e globale e limitano la scalabilità delle sperimentazioni avviate. Tra i principali emergono quelli legati a privacy e sicurezza dei dati (citati dal 73% dei rispondenti allo studio), la difficoltà di consolidare una strategia digitale e una data-strategy pienamente integrate (60%), la debolezza delle infrastrutture (57%), insieme a un coinvolgimento della leadership ancora non sempre continuo (50%).

Di fronte a questo le Amministrazioni stanno cercando di reagire. Il 64% di quelle che considerano privacy e sicurezza un vincolo critico ha già avviato piani strutturati per rafforzare la protezione dei dati; il 76% prevede investimenti significativi nelle data foundation; il 59% sta potenziando le capacità di elaborazione e archiviazione, anche attraverso soluzioni di sovereign cloud.

In questo contesto, sta emergendo con crescente rilevanza anche il tema della sovereign AI, ossia la capacità di sviluppare e utilizzare sistemi di intelligenza artificiale garantendo controllo sui dati, sugli algoritmi e sulle infrastrutture sottostanti. Per il settore pubblico, questo significa rispondere direttamente alle esigenze di sicurezza, conformità e autonomia tecnologica che caratterizzano l’adozione dell’IA.

Dal progetto pilota all’adozione strutturale dell’IA nella PA

Il rischio non è la mancata adozione ma il persistere della frammentazione che osserviamo oggi: molte iniziative, molto clamore, pochi sistemi realmente operativi. Progetti pilota che funzionano ma restano confinati, senza trasformarsi in componenti stabili del modello operativo e non valorizzando appieno i possibili benefici in termini di valore pubblico generato. Tante POC, pochi risultati. È in questo spazio — tra sperimentazione e trasformazione strutturale — che si gioca la vera sfida della PA nei prossimi anni.

Il modello EY per portare l’IA nella Pubblica Amministrazione a regime

Promuoviamo un modello articolato in quattro pilastri complementari, pensati per accompagnare le Amministrazioni in un percorso di adozione dell’IA progressivo ma al tempo stesso sistemico e sostenibile. Un quadro di riferimento capace di orientare in modo coerente scelte strategiche, investimenti, modelli organizzativi e meccanismi di governo.

Strategia di servizio: riprogettare i servizi pubblici intorno all’IA

Il primo pilastro parte da un cambio di prospettiva: l’adozione dell’IA non può essere letta come semplice introduzione di nuove tecnologie ma come occasione per ripensare complessivamente i servizi pubblici in modo più efficace, tempestivo e comprensibile per i cittadini. In questa logica, la priorità è allineare obiettivi dei servizi, compiti istituzionali e bisogni – reali e percepiti – dei cittadini, individuando dove l’IA possa generare il maggiore impatto. Questo significa progettare ex ante il ruolo che l’IA deve avere lungo il ciclo del servizio, definendo con chiarezza il livello di automazione desiderato e il presidio umano necessario nelle fasi più sensibili.

Occorre quindi individuare gli ambiti in cui l’IA può generare il maggiore valore per i servizi pubblici in termini di qualità, tempestività e personalizzazione; definire il livello di automazione più appropriato, distinguendo tra supporto decisionale, raccomandazione e automazione supervisionata; garantire un presidio umano nelle decisioni e nei passaggi a maggiore sensibilità o impatto e assicurare che le scelte di automazione siano coerenti con norme vigenti, principi etici e standard di trasparenza, integrando la compliance nel disegno del servizio e riducendo al minimo rischi legali e reputazionali, oltre a impatti indesiderati sui cittadini.

Readiness: maturità tecnica e capacità di governo dell’IA

Il secondo pilastro riguarda la valutazione della readiness, ossia la capacità dell’Amministrazione di creare le condizioni minime per adottare l’IA in modo sia consapevole e controllato sia sostenibile. La domanda qui è se l’organizzazione sia effettivamente pronta a integrare la tecnologia nel proprio funzionamento ordinario.

La readiness va quindi letta come una combinazione di fattori abilitanti. Il primo riguarda la maturità tecnico-organizzativa: analizzare processi, dati e infrastruttura serve a capire dove si trovino i gap che possono ostacolare l’adozione. Ma questa analisi deve estendersi anche alla maturità decisionale, cioè alla capacità di definire responsabilità, soglie di intervento umano e meccanismi di controllo nei sistemi uomo-macchina.

In questa valutazione rientra anche il tema delle competenze, intese come prerequisito operativo all’adozione: non solo disponibilità di skill tecniche e analitiche ma anche capacità diffuse di comprendere il funzionamento, i limiti e le implicazioni dell’IA nei processi amministrativi.

Accanto a questo, contano le condizioni di sostenibilità dell’adozione, ovvero la disponibilità di funding per accompagnare sia lo sviluppo o l’acquisizione delle soluzioni sia la sperimentazione, la scalabilità e il rafforzamento delle competenze, sia la presenza di un livello minimo di interoperabilità, necessario a evitare che i casi d’uso restino isolati e a consentire un’evoluzione progressiva verso servizi più integrati.

Valorizzazione del dato: nuovi servizi e sovereign AI

Il terzo pilastro riguarda la capacità di valorizzare il dato, trasformandolo da risorsa frammentata a infrastruttura abilitante per servizi pubblici più efficaci orientati ai bisogni dei cittadini. La qualità dell’IA dipende, prima di tutto, dalla qualità del patrimonio informativo su cui poggia. Per questo, è importante rendere i dati accessibili e creare le condizioni perché generino valore pubblico.

Ciò significa lavorare sulla loro qualità, organizzazione e arricchimento. Standardizzazione, tagging, integrazione con fonti esterne e ambienti di sperimentazione protetti sono tutti elementi che consentono di trasformare il patrimonio informativo in una base utile per progettare servizi migliori e più aderenti ai contesti d’uso.

Il valore del dato, però, si misura soprattutto nella sua capacità di produrre insight e abilitare nuovi servizi, anticipando bisogni o comportamenti emergenti. È qui che il patrimonio informativo smette di essere un mero supporto operativo e diventa una leva di innovazione. Non solo per descrivere meglio il presente ma per orientare decisioni e progettare in modo più proattivo il futuro.

In questa logica, anche l’IA per l’apprendimento intelligente può rappresentare un’applicazione rilevante, nella misura in cui consente di costruire percorsi formativi più adattivi e contenuti più mirati a partire dalla lettura dei dati e dei bisogni.

Non di minore importanza, le logiche di sovereign AI assumono in questa prospettiva un ruolo sempre più rilevante, perché consentono di coniugare valorizzazione del dato, sicurezza e autonomia nella gestione delle informazioni strategiche.

Governance del cambiamento per l’IA nella PA

Il quarto pilastro riguarda la governance del cambiamento, cioè la capacità di accompagnare l’adozione dell’IA lungo il passaggio più delicato, quello che trasforma una soluzione disponibile in una pratica effettivamente utilizzata, compresa e governata all’interno dell’organizzazione. Per la Pubblica Amministrazione, questo significa affrontare l’IA come trasformazione che incide sul modo di lavorare, sul rapporto tra persone e sistemi intelligenti e, più in generale, sulla qualità dell’azione amministrativa.

Processi e modalità di lavoro

Il primo terreno su cui agire è quello dei processi e delle modalità di lavoro. L’introduzione dell’IA spinge infatti oltre la logica dell’automazione tradizionale e apre la strada a modelli operativi ibridi, nei quali agenti intelligenti e persone interagiscono lungo processi end to end. La questione centrale, però, non è solo aumentare l’efficienza ma, in linea con il concetto di “Human Advantage”, progettare queste interazioni in modo che restino chiari responsabilità, supervisione e capacità di intervento umano nei passaggi a maggiore impatto.

Organizzazione, persone e nuove competenze

Un secondo piano riguarda l’organizzazione e le persone. L’adozione dell’IA richiede infatti di accompagnare l’evoluzione dei ruoli, ripensare l’equilibrio tra competenze interne e supporti esterni e rafforzare la capacità delle strutture di operare in contesti sempre più ibridi. In questo senso, strumenti di Strategic Workforce Planning, percorsi di AI Academy e iniziative mirate di change management diventano leve essenziali per trasformare l’innovazione in pratica organizzativa quotidiana, riducendo resistenze e consolidando fiducia.

Esperienza d’uso, regole e accountability

Il terzo fronte è quello dell’esperienza d’uso e del presidio di governance. Le soluzioni di IA devono essere comprensibili, trasparenti e governabili, sia per chi lavora nella PA sia per chi interagisce con essa dall’esterno. Per questo, la governance del cambiamento implica anche la definizione di regole, standard e meccanismi di accountability capaci di garantire controllo, tracciabilità e uso responsabile dei sistemi intelligenti, rafforzando – e non indebolendo – l’autonomia e la credibilità dell’azione pubblica.

L’IA nella Pubblica Amministrazione oltre la fase sperimentale

Il quadro è ora completo. Per la Pubblica Amministrazione, la vera sfida non è più dimostrare che l’IA funziona ma superare le sperimentazioni, puntando a creare le condizioni perché possa essere adottata su scala e diventare parte stabile del modello operativo. Questo richiede visione strategica, prerequisiti organizzativi, basi dati solide e una governance del cambiamento capace di tradurre l’innovazione in capacità amministrativa concreta.

Le difficoltà che oggi caratterizzano molti percorsi di trasformazione non sono tanto legate ad ambizione o disponibilità tecnologica, quanto alla complessità nel costruire, coordinare ed eseguire iniziative in modo sistemico e continuativo. Per questo, nei prossimi anni, la differenza tra Amministrazioni che saranno riuscite ad integrare l’IA nei propri processi e quelle che non lo avranno fatto sarà sempre più visibile in termini di rafforzamento delle capacità, qualità dell’azione pubblica e valore pubblico generato.