AI nella PA, il valore della previsione nei servizi pubblici

Con l’avvento dell’Intelligenza Artificiale che sta invadendo in maniera prepotente anche i settori della Pubblica Amministrazione Italiana, si potrebbe pensare che una corretta applicazione delle nuove tecnologie nella PA, al fine di ottenere un vero salto di qualità, consista nel cercare, attraverso l’utilizzo dell’IA e degli Agenti AI, di automatizzare il più possibile i processi e le attività; in realtà, un corretto utilizzo della tecnologia negli ambienti produttivi della pubblica amministrazione italiana dovrebbe portare i decisori della PA a decidere meglio e a decidere prima.

La frontiera più interessante, quindi, non è una PA che delega alle macchine, ma una PA che usa dati, modelli predittivi e intelligenza artificiale per prevedere carichi di lavoro, individuare segnali deboli, simulare scenari e intervenire in anticipo sulle criticità che rallentano servizi e procedure.

In questo senso, parlare di “PA predittiva” significa spostare l’attenzione dalla semplice digitalizzazione dei processi a una capacità decisionale anticipatoria, un passaggio culturale prima ancora che tecnologico; l’amministrazione non si limita a registrare ciò che è accaduto, ma costruisce strumenti per stimare ciò che potrebbe accadere, mettendo queste evidenze a disposizione di dirigenti, responsabili di servizio e strutture operative.

Il punto decisivo è che questo approccio non coincide con una prospettiva di automazione totale, ma al contrario, i sistemi predittivi hanno valore quando rafforzano il giudizio umano, rendono più tempestive le scelte organizzative e migliorano la qualità dei servizi per cittadini e imprese. L’algoritmo, in questa visione, non sostituisce la responsabilità amministrativa: la rende più informata, più continua e più capace di prevenire criticità.

Dalla logica consuntiva a quella anticipatoria

Le amministrazioni hanno imparato negli anni a misurare, producendo report, monitorando indicatori, osservando andamenti, controllando tempi medi di lavorazione, registrando accessi ai servizi, monitorando ticket, pratiche e richieste; pur essendo questi aspetti sicuramente essenziali nel lavoro quotidiano dei dipendenti pubblici, il lavorare in questa modalità resta spesso confinato in una logica consuntiva, dove cioè l’informazione arriva solo quando il fenomeno si è già manifestato.

Una PA predittiva è una PA che introduce un livello ulteriore, non guardando soltanto al passato e al presente, ma provando a stimare l’evoluzione a breve e medio termine dei vari fenomeni amministrativi.

Questa capacità di previsione si fonda sull’integrazione di più livelli informativi: serie storiche, dati territoriali, dati di contesto, segnali operativi in tempo reale, informazioni provenienti dai canali digitali, dati georeferenziati, feedback dei cittadini e, in alcuni casi, analisi testuale delle conversazioni pubbliche; la base è spesso costituita da dati già disponibili nei sistemi dell’ente, ma non ancora trattati come una leva per l’azione anticipatoria.

Vediamo quindi dove la capacità di previsione può creare valore aggiunto per i cittadini; un primo ambito in cui la previsione può produrre benefici tangibili è la gestione dei carichi di lavoro.

Molti servizi pubblici presentano un andamento non lineare, con cicli stagionali, scadenze normative, effetti di incentivi, eventi straordinari, variazioni legate a campagne informative o a trasformazioni del contesto economico e sociale; se questi andamenti vengono analizzati con modelli statistici e di machine learning, l’ente può stimare con sufficiente affidabilità la domanda futura e organizzarsi di conseguenza.

Questo significa, per esempio, pianificare il personale in modo più aderente ai picchi previsti, redistribuire pratiche tra unità organizzative, attivare canali remoti prima che lo sportello si saturi, predisporre task force temporanee, ritarare finestre di prenotazione e priorità operative. In termini pratici, una previsione anche non perfetta ma affidabile può ridurre attese, backlog e inefficienze in misura ben superiore rispetto a una gestione basata solo sulla gestione dell’emergenza.

Un secondo ambito è la prevenzione delle criticità; i dati amministrativi contengono spesso segnali deboli che precedono un problema: un incremento progressivo delle richieste di integrazione documentale, un aumento anomalo dei tempi in una fase specifica del procedimento, una concentrazione di pratiche su alcuni uffici, un tasso crescente di abbandono nelle prenotazioni online, un picco di reclami su un canale particolare. Un sistema predittivo può riconoscere questi pattern e trasformarli in alert gestionali, consentendo così di intervenire prima che il disservizio diventi sistemico.

Un terzo ambito è quello dell’allocazione delle risorse, ambito che assume un valore importante specie in amministrazioni sottoposte a vincoli di personale e bilancio, dove prevedere significa soprattutto scegliere meglio dove concentrare tempo, attenzione e capacità operativa. La previsione rende possibile simulare diversi scenari di organizzazione e valutarne l’effetto atteso: non solo “quanto costa” una decisione, ma anche “che cosa evita” in termini di ritardi, congestioni, reclami e perdita di qualità percepita.

Il digital twin come laboratorio decisionale della PA predittiva

È in questo contesto di analisi predittiva che entra in gioco uno degli strumenti più promettenti di questa evoluzione, il digital twin, cioè la costruzione di un gemello digitale di un sistema reale. In ambito pubblico non va inteso come una semplice replica tridimensionale del territorio, ma come un ecosistema che integra dati georeferenziati, banche dati amministrative, rilievi, sensori, modelli dinamici e strumenti di simulazione per rappresentare il comportamento di un contesto urbano o di un servizio nel tempo.

Il caso urbano è particolarmente efficace per comprendere la portata del concetto; un comune può pensare di costruire un digital twin del proprio territorio integrando cartografia, rete viaria, dati sui flussi di traffico, sensori ambientali, dati sui parcheggi, informazioni sui cantieri, rilievi fotogrammetrici, dati di trasporto pubblico e indicatori socio-demografici. In questo modo il gemello digitale non serve soltanto a rappresentare la città, ma a farne un ambiente di simulazione multidimensionale per testare decisioni prima di applicarle nel mondo fisico reale.

È così che il digital twin abilita una PA predittiva. Se ad esempio l’amministrazione intende introdurre una nuova ZTL, modificare un asse viario, aprire un cantiere, introdurre nuove regole di accesso o ridefinire una rete di servizi di quartiere, il gemello digitale consente di simulare scenari alternativi, stimandone impatti su traffico, tempi di percorrenza, saturazione di aree limitrofe, pressione sui parcheggi, emissioni e accessibilità.

Un esempio già evocativo arriva da Firenze, dove il Digital Twin comunale viene descritto come un ecosistema di tecnologie, strati informativi georeferenziati, banche dati, big data, modelli tridimensionali e strumenti di analisi, capace di creare scenari digitali a supporto decisionale per esigenze molto diverse dell’ente territoriale, dalla mobilità alla progettazione, fino alla sicurezza sociale e al dimensionamento scolastico. Questo mostra bene come il digital twin non sia un oggetto “smart city” isolato, ma una piattaforma decisionale trasversale.

Anche altri contesti italiani confermano questa direzione, come ad esempio il Comune di Catania che ha collegato il gemello digitale urbano a uno strumento capace di simulare l’evoluzione del traffico al variare delle condizioni imposte alla mobilità. Il Digital Twin in tali contesti diventa una replica virtuale dinamica che può integrare sensori IoT, monitoraggio dei flussi di traffico e possibilità di simulare l’impatto di modifiche alla viabilità o di nuove politiche urbane, con l’obiettivo di individuare criticità potenziali prima che diventino emergenze.

Simulare prima di decidere

La forza del digital twin, in chiave amministrativa, è che trasforma la decisione pubblica da atto lineare a processo iterativo, processo in cui l’ente può costruire una base informativa, definire ipotesi di intervento, simulare scenari, confrontare risultati e scegliere la soluzione più robusta non solo dal punto di vista tecnico, ma anche da quello sociale e organizzativo.

Si pensi, ad esempio, all’introduzione di una nuova ZTL in un centro urbano medio. In una logica tradizionale, l’amministrazione analizza i dati esistenti, valuta la sostenibilità politica della misura, decide, realizza la segnaletica, avvia la sperimentazione e poi osserva gli effetti. In una logica predittiva, invece, la PA può usare il digital twin per testare in anticipo diversi perimetri, fasce orarie, deroghe, impatti sui flussi deviati, conseguenze sui quartieri limitrofi, capacità dei parcheggi di interscambio, pressione sulla rete del trasporto pubblico e probabilità di congestione in punti specifici.

Ovviamente la simulazione non elimina l’incertezza, ma la rende sicuramente governabile, consentendo di individuare probabili criticità prima di effettuare l’intervento reale, accompagnando la decisione con misure compensative e soprattutto con misure di comunicazione ai cittadini, spiegando non solo la scelta finale, ma anche il ragionamento che l’ha prodotta. In questo modo aumenta la qualità tecnica della decisione e, insieme, la sua difendibilità pubblica.

Lo stesso approccio può essere applicato a molti altri domini: pianificazione scolastica, localizzazione di sportelli, organizzazione della raccolta rifiuti, manutenzione urbana, gestione di eventi, sicurezza locale, servizi sociali di prossimità. In sostanza, ovunque esista un sistema complesso con variabili osservabili e scelte alternative, un modello predittivo o un digital twin possono aiutare a capire che cosa accade “se” una determinata scelta viene adottata.

Sentiment analysis e social listening nelle decisioni pubbliche

Volendo fare un ulteriore passo in avanti, però, una PA davvero predittiva non deve fermarsi ai soli dati quantitativi; il rischio, infatti, sarebbe quello di costruire un’amministrazione che prevede bene i flussi ma non comprende sino in fondo le reazioni alle scelte adottate. In molte decisioni pubbliche, soprattutto quelle che intervengono sugli spazi urbani, sulla mobilità, sull’accesso ai servizi o sulla ridefinizione di procedure consolidate, conta non soltanto l’impatto misurabile, ma anche la percezione sociale dell’intervento.

Questo porta alla introduzione di strumenti di sentiment analysis e social listening, non come sostituti della partecipazione, ma come sensori aggiuntivi del contesto; analizzando infatti testi provenienti da canali digitali, reclami, segnalazioni, commenti pubblici, richieste ai contact center, esiti di consultazioni online e conversazioni aperte su temi specifici, l’ente può ricostruire una mappa dinamica delle preoccupazioni, delle aspettative e delle resistenze dei cittadini rispetto a un intervento in programma.

Il valore di tale aspetto predittivo non sta nell’inseguire l’opinione istantanea o nel fare “politica algoritmica”, quanto piuttosto nell’individuare precocemente i segnali di tensione o incomprensione che, se trascurati, possono tradursi in conflitto, sfiducia e saturazione dei canali di contatto. In altre parole, il sentiment non dice all’amministrazione che cosa deve decidere, ma la aiuta a capire come una decisione potrebbe essere percepita, dove si concentrano i timori e quali aspetti richiedono maggiore accompagnamento informativo o correttivi progettuali.

In un progetto di modifica della viabilità, per esempio, la simulazione tecnico-trasportistica può mostrare che l’intervento riduce la congestione complessiva, ma l’analisi del sentiment può far emergere che in un quartiere specifico cresce l’ansia per l’accessibilità commerciale, per il rumore, per la difficoltà di parcheggio o per il timore di isolamento. Un DSS, cioè un sistema di supporto alle decisioni, può integrare questi due piani: da un lato i dati oggettivi sugli impatti previsti, dall’altro la rappresentazione delle percezioni e delle reazioni attese.

È da questa correlazione che emerge una delle dimensioni più mature dell’uso dell’AI nella PA: l’idea che il valore non stia in un algoritmo “che decide”, quanto in un DSS che mette insieme dati, previsioni, simulazioni e indicatori qualitativi per assistere il decisore pubblico. Il sistema non sostituisce l’organo politico o il dirigente; costruisce, semmai, una base istruttoria molto più ricca, comparabile e tempestiva.

Un DSS ben progettato dovrebbe permettere di vedere, per ogni scenario, almeno quattro elementi: gli impatti operativi attesi, i rischi stimati, le risorse necessarie e il livello di accettabilità sociale percepita; così facendo, il decisore può valutare non solo se una scelta è efficiente, ma anche se è sostenibile nel contesto concreto in cui deve essere implementata.

Per fare un esempio semplice: una riorganizzazione degli accessi a un servizio comunale potrebbe risultare ottimale sul piano dei tempi medi, ma generare una forte insoddisfazione se penalizza alcune categorie fragili o se non è accompagnata da una comunicazione adeguata; un DSS che integra dati di utilizzo, segmentazione dell’utenza e feedback testuale consente di anticipare questi effetti e di correggere il disegno del servizio prima della messa in esercizio.

Le condizioni per rendere praticabile la PA predittiva

Perché questa visione diventi praticabile nella realtà, servono alcune condizioni precise:

• La prima è la qualità del dato; modelli predittivi e gemelli digitali non possono produrre valore se si alimentano con archivi incompleti, dati non aggiornati, metadati incoerenti o sistemi che non dialogano tra loro. La PA predittiva richiede una solida infrastruttura informativa, interoperabile e governata, capace di collegare banche dati settoriali, dati territoriali, dati di processo e fonti esterne rilevanti.
• La seconda condizione è organizzativa; le amministrazioni devono evitare che analisi e operatività restino separate. Se il modello produce previsioni che nessuno legge, o che arrivano fuori tempo, o che non sono tradotte in scelte concrete, il valore si disperde. Occorre quindi progettare flussi decisionali in cui l’informazione predittiva entri davvero nella programmazione di risorse, turni, priorità, controlli, comunicazione e revisione delle misure.
• La terza condizione riguarda le competenze; servono figure in grado di comprendere il significato di una previsione, di leggerne i margini di incertezza, di valutare l’affidabilità dei dati e di usare i risultati in modo non meccanico. Una PA predittiva non ha bisogno solo di data scientist: ha bisogno di dirigenti, funzionari e responsabili di servizio capaci di trasformare l’analisi in azione amministrativa.

Regole, trasparenza, responsabilità

Proprio perché si tratta di strumenti che influenzano scelte pubbliche rilevanti, la dimensione regolatoria non può essere considerata un dettaglio; il quadro europeo dell’AI Act adotta un approccio basato sul rischio e prevede obblighi più stringenti per i sistemi ad alto rischio, inclusi requisiti su qualità dei dati, tracciabilità, documentazione, informazione al deployer, supervisione umana, robustezza e accuratezza.

Questo ha una conseguenza molto concreta per la PA, perché l’adozione di modelli predittivi e DSS deve essere accompagnata da presidi di governance che documentino finalità, dati utilizzati, limiti del modello, livelli di accuratezza, meccanismi di controllo umano e procedure di revisione. Non basta che il sistema “funzioni”: deve essere comprensibile, contestabile e verificabile, soprattutto quando orienta decisioni che incidono su diritti, accesso a servizi o allocazione di risorse.

C’è poi un tema particolarmente delicato che riguarda l’uso di analisi emotive e di sentiment. L’AI Act vieta specifiche pratiche di emotion recognition in luoghi di lavoro e istituzioni educative e pone attenzione ai rischi di sistemi che possono incidere sui diritti fondamentali. Per la PA questo significa che l’analisi dell’“umore della piazza” va inquadrata correttamente: non come profilazione psicologica individuale o sorveglianza diffusa, ma come analisi aggregata e proporzionata di segnali testuali e feedback pubblici, finalizzata a migliorare la qualità della decisione pubblica e della relazione con i cittadini.

Infine, l’aspetto forse più importante è che la PA predittiva non richiede, almeno all’inizio, progetti mastodontici, ma può nascere da casi d’uso circoscritti ma ad alto impatto. La logica giusta è incrementale, partendo da un problema concreto, verificando la disponibilità del dato, costruendo un modello comprensibile, misurando il beneficio operativo, rafforzando la governance ed estendendo l’esperienza.

In definitiva, la PA predittiva rappresenta una delle forme più mature con cui l’intelligenza artificiale può entrare nell’azione amministrativa. Non promette miracoli e non cancella la complessità del decidere pubblico ma offre però qualcosa di molto concreto: la possibilità di vedere prima, simulando, per correggere in anticipo e accompagnare le scelte con evidenze più solide.