Dal Togo che usa immagini satellitari per raggiungere i più poveri, all’India che risponde ai contadini in undici lingue, fino all’Indonesia che prova a sfoltire 250.000 norme: cosa sa fare davvero l’AI per amministrazioni con pochi mezzi e perché lo stesso strumento che aiuta uno Stato solido può aggravare i difetti di uno fragile. Con uno sguardo, alla fine, ai piccoli comuni italiani.
C’è un paradosso alla base di ogni discorso sull’intelligenza artificiale nel settore pubblico dei paesi meno ricchi. Le amministrazioni che avrebbero più da guadagnare da uno Stato più efficiente, quelle che devono raggiungere popolazioni disperse, riscuotere imposte con apparati esigui, erogare servizi con personale insufficiente, sono anche quelle meno attrezzate per introdurre bene la tecnologia. Mancano i dati puliti, la connettività, le competenze per valutare ciò che si compra, le tutele giuridiche per gestirne i rischi. La domanda utile, quindi, non è se l’AI possa aiutare governi fragili in astratto, ma cosa sappia fare in concreto quando queste condizioni sono in parte assenti.
La risposta più onesta che emerge dall’evidenza disponibile è circoscritta ma reale. L’AI non riscrive dall’oggi al domani una pubblica amministrazione inefficiente. Fa però alcune cose specifiche, su compiti ben delimitati, che in contesti poveri di risorse possono avere un impatto sproporzionato rispetto al costo. Vale la pena guardarle una per una, con casi documentati, prima di considerare i limiti.
Indice degli argomenti
Indirizzare risorse scarse verso le persone giuste
Il caso meglio verificato è quello del Togo. Durante la pandemia il governo ha costruito un sistema di trasferimenti monetari via telefono per le fasce più povere. Il problema era raggiungere le zone rurali senza un registro sociale aggiornato, l’ultimo censimento risaliva al 2011. In collaborazione con GiveDirectly, l’Università di Berkeley e Innovations for Poverty Action, l’amministrazione ha usato modelli di apprendimento automatico applicati a immagini satellitari e a metadati della telefonia mobile per individuare i cantoni e le persone più povere. Tra novembre 2020 e agosto 2021 il programma ha raggiunto quasi 140.000 persone. Uno studio pubblicato su Nature nel 2022 ha misurato che, rispetto ai criteri geografici che il governo avrebbe altrimenti adottato, l’approccio algoritmico riduceva gli errori di esclusione tra il 4 e il 21 per cento, senza penalizzare sistematicamente donne o gruppi etnici e religiosi specifici.
Certo, un risultato importante, ma va letto per quello che è. Gli stessi autori raccomandano di usare questi strumenti come integrazione dei metodi tradizionali, non come sostituto. Il valore non sta nell’automazione in sé, ma nel fatto che permette di stimare la povertà là dove i dati anagrafici semplicemente non esistono. Si tratta di una funzione che una amministrazione ricca, dotata di catasto e registri fiscali, non avrebbe bisogno di delegare a un algoritmo.
Lo stesso metodo, però, non dà sempre gli stessi frutti. In Bangladesh un programma di trasferimenti monetari ha cercato di individuare le famiglie più povere con un modello addestrato sui dati d’uso dei telefoni: secondo il World Development Report 2026 della Banca Mondiale il sistema ha riconosciuto solo il 32 per cento delle famiglie effettivamente povere, contro il 52 per cento del censimento porta a porta, mentre una selezione casuale ne avrebbe individuato il 2. GiveDirectly, che ha condotto il pilota, ne dà una lettura meno severa: rispetto alla selezione affidata alle comunità locali il modello ha fatto meglio, ed ha eguagliato i sondaggi tradizionali a costi e tempi molto inferiori. Lo stesso esito, insomma, appare cautelativo o incoraggiante a seconda del termine di paragone, ed è già un primo indizio del fatto che questi strumenti valgono quanto le condizioni in cui operano.
Estendere competenze che scarseggiano
Il secondo compito è portare consulenza specializzata dove non ci sono abbastanza esperti. In India il ministero dell’Agricoltura ha integrato un assistente conversazionale, Kisan e-Mitra nel programma nazionale di sostegno al reddito agricolo. Dopo un aggiornamento del febbraio 2024 basato su un modello linguistico di grandi dimensioni, il sistema risponde a domande vocali e testuali in undici lingue indiane grazie all’infrastruttura pubblica di traduzione Bhashini, e secondo il fornitore ha gestito oltre tre milioni di richieste per più di 290.000 agricoltori.
Il punto rilevante qui è l’accesso linguistico. In paesi con molte lingue e alti tassi di analfabetismo funzionale, la capacità di interagire a voce, nella lingua locale, con un servizio pubblico non è un dettaglio: è ciò che separa un servizio esistente sulla carta da un servizio effettivamente raggiungibile. La stessa logica vale per il triage sanitario, l’assistenza tecnica in agricoltura e l’orientamento legale di base, ambiti in cui l’AI abbassa il costo di distribuire una competenza altrimenti concentrata nelle capitali.
Ridurre il sovraccarico normativo e amministrativo
Il terzo compito riguarda la complessità che le amministrazioni producono da sé. L’Indonesia è il caso di scuola. Con una popolazione stimata tra i 281 milioni secondo le fonti nazionali e i 288 milioni secondo le proiezioni delle Nazioni Unite, distribuita su circa diciassettemila isole ufficialmente censite, il paese convive con quella che i suoi stessi giuristi chiamano obesitas regulasi, obesità regolamentare: un corpus normativo che, a seconda di come si conta, arriva a superare le 380.000 disposizioni sommando tutti i livelli, con oltre 250.000 norme ancora in vigore secondo la rete pubblica di documentazione giuridica. A questo si aggiunge una proliferazione parallela di applicazioni: oltre 27.000 sistemi digitali governativi non integrati tra loro.
A maggio 2026 il presidente Prabowo Subianto ha istituito una task force per accelerare la deregolamentazione, motivandola con un dato pratico: mentre nei paesi vicini un permesso si ottiene in due settimane, in Indonesia può richiedere due anni, e la complessità stessa crea spazio per la corruzione. In parallelo il governo punta sul cosiddetto GovTech AI, formalizzato in un regolamento presidenziale del 2025, per semplificare procedure e ampliare la base imponibile.
L’analisi di regolamenti, la mappatura delle sovrapposizioni normative, la redazione assistita di testi: sono attività in cui l’AI può accelerare il lavoro di semplificazione. Ma qui conviene già anticipare la cautela che riprenderemo più avanti. Aggiungere uno strumento tecnologico e un nuovo organismo a un ecosistema frammentato non equivale a consolidarlo. Se i dati restano in silos e le istituzioni restano moltiplicate, l’AI rischia di rendere più veloce, non più semplice, un apparato già ipertrofico.
Non tutto, però, resta sulla carta. Nel distretto di Banyuwangi, a Giava orientale, un progetto pilota ha usato l’AI per incrociare più banche dati pubbliche e verificare sul posto l’idoneità ai sussidi, con riconoscimento biometrico del volto: i tempi di registrazione dei beneficiari sono crollati da circa duecento giorni a meno di uno, e la procedura è passata da sette a tre fasi. Ma il rovescio è già visibile: oltre novemila persone hanno dovuto correggere o contestare la classificazione iniziale e restano tagliati fuori quanti non hanno smartphone o segnale. In pratica è il caso che meglio riassume la doppia natura di questi strumenti, e introduce la domanda decisiva.
Riscuotere meglio e individuare gli abusi
Il quarto compito è di natura fiscale e di integrità. In Brasile decine di iniziative documentate dalla ricerca usano l’analisi automatica dei dati pubblici per segnalare transazioni sospette nella spesa e negli appalti, mentre metodi statistici applicati ai pagamenti dei programmi sociali fanno emergere i comuni con anomalie. Le amministrazioni tributarie, in diversi contesti, usano l’AI per far emergere contribuenti che sfuggono attraverso profili duplicati. Sono impieghi in cui la macchina non decide, ma ordina per priorità un lavoro che poi resta umano, quali casi meritano un esame, quali segnalazioni approfondire.
A questo si affianca l’automazione dei servizi al cittadino. L’assistente conversazionale del comune di Buenos Aires, per citare un caso misurato dall’Osservatorio OCSE sull’innovazione nel settore pubblico, ha toccato gli undici milioni di conversazioni nel solo gennaio 2022, con una media di cinque milioni al mese, gestendo gran parte delle richieste senza intervento umano. Alleggerire i front office di richieste ripetitive libera personale scarso per i compiti che richiedono giudizio.
La condizione che decide tutto
Fin qui la promessa. Ma tutti questi casi condividono una premessa che è bene rendere esplicita: hanno funzionato dove esistevano dati utilizzabili, una supervisione umana e un partner competente. È il motivo per cui la Banca Mondiale, nel suo rapporto sullo sviluppo del 2026 dedicato all’intelligenza artificiale, accompagna ogni apertura con una condizione. L’AI, si legge, potrebbe permettere ai paesi in via di sviluppo di fare in un decennio ciò che altrimenti richiederebbe un secolo, a patto che i governi colmino i divari di energia, connettività, competenze e qualità istituzionale. Quella subordinata è tutta la questione.
Un esperimento recente mostra quanto pesi quella condizione. In Pakistan, dove i tribunali di primo grado arrancano sotto un arretrato di oltre due milioni di cause, 1.559 giudici sono stati assegnati in modo casuale a tre gruppi per sperimentare JudgeGPT, un assistente costruito su GPT-4 e ancorato a una base di quasi 130.000 tra sentenze e leggi nazionali. Chi ha ricevuto lo strumento insieme a una formazione mirata al suo uso ha chiuso il 6,3 per cento di cause in più, senza che aumentassero gli appelli né emergessero segni di maggiore distorsione di genere o religiosa. Ma chi riceveva lo stesso strumento con un corso soltanto generico non era più produttivo del gruppo di controllo: il guadagno non veniva dall’AI in sé, bensì dall’averla accompagnata con l’addestramento giusto.
La lezione più chiara viene dal caso opposto, l’identità digitale indiana Aadhaar. Nel 2018 il vertice dell’autorità che la gestisce dichiarò davanti alla Corte Suprema un tasso di fallimento dell’autenticazione biometrica intorno al 12 per cento. Un margine che sembra tecnico si traduce in esclusione concreta: impronte consumate dal lavoro manuale, connessioni assenti, anziani che non vengono riconosciuti. Uno studio su un campione dello Stato del Jharkhand ha rilevato che l’88 per cento delle tessere annonarie cancellate apparteneva a beneficiari reali, non a profili fittizi. Quando un sistema automatizzato scala prima di essere robusto, l’errore ricade sui più poveri, cioè proprio su chi il servizio dovrebbe proteggere.
Questo suggerisce il modo corretto di pensare l’AI nel settore pubblico: non come una soluzione, ma come un amplificatore. Applicata a un’amministrazione dotata di dati, procedure e controlli, ne moltiplica l’efficacia. Applicata a un’amministrazione fragile, ne moltiplica anche i difetti, l’opacità, la discrezionalità mal governata, l’esclusione.
Le trappole specifiche dei contesti fragili
Da questa natura di amplificatore discendono i rischi che meritano attenzione proprio nei paesi poveri di risorse. Il primo è la dipendenza tecnologica. Gran parte dei modelli avanzati è sviluppata altrove e richiede infrastrutture di calcolo costose. Le formule di sovranità come servizio, cloud localizzati, involucri di conformità, possono simulare autonomia mentre approfondiscono la dipendenza, come ha osservato il Tony Blair Institute. Un’amministrazione che non è in grado di verificare i sistemi che acquista non li governa, li subisce.
Il secondo è la sorveglianza. Gli stessi strumenti che migliorano l’erogazione dei servizi permettono di monitorare i cittadini e in assenza di garanzie robuste il confine tra le due funzioni è sottile. Il terzo è l’opacità, dove manca la capacità locale di fare audit degli algoritmi, la responsabilità delle decisioni pubbliche si dissolve. Il quarto, più politico, è lo scarto tra retorica e riforma. Annunciare la cancellazione di migliaia di norme, o l’adozione dell’AI, non è la stessa cosa che consolidare istituzioni frammentate. Il rischio, documentato proprio nel dibattito indonesiano, è che la tecnologia diventi una politica performativa, visibile, immediata, avvolta in un linguaggio ambizioso, che lascia intatti i problemi strutturali.
Il caso più vicino: i piccoli comuni italiani
La stessa logica si applica, dentro un paese ricco, alle sue amministrazioni più fragili. In Italia i comuni sotto i cinquemila abitanti sono circa 5.500 e vi risiedono 9,6 milioni di persone, ma i loro apparati si assottigliano. Secondo i dati raccolti dall’Anci, il personale a tempo indeterminato è calato del 13,9 per cento tra il 2013 e il 2024, con punte del 19 per cento nei comuni sotto i mille abitanti, mentre nelle sedi di segreteria fino a tremila abitanti l’82 per cento dei posti risulta scoperto e l’età media dei dipendenti si aggira sui 51 anni. Eppure, a questi enti è stato chiesto molto: hanno realizzato oltre un quarto degli investimenti comunali del PNRR. Pochi addetti, molti obblighi, è la condizione povera di risorse trasferita in un contesto europeo.
Qui l’intelligenza artificiale può svolgere le stesse funzioni concrete viste altrove. La più immediata è il supporto alla redazione degli atti: il programma FAST piccoli comuni, promosso da Formez PA e dal Dipartimento della Funzione Pubblica, affianca circa 5.500 enti nella stesura corretta di determine e delibere con strumenti di AI generativa. Un assistente conversazionale sul sito istituzionale può rispondere alle domande ricorrenti dei cittadini, orari, documenti, scadenze, sollevando i pochi operatori dalle richieste ripetitive. Il Piano triennale per l’informatica dell’AgID inquadra questi impieghi tra i casi d’uso previsti dalla Strategia italiana per l’intelligenza artificiale. Vi si aggiungono l’analisi dei regolamenti, la gestione documentale, il supporto alla rendicontazione dei bandi.
Ma proprio il caso italiano illustra il rischio già visto in Indonesia. Come ha osservato un’analisi pubblicata su queste pagine, la pubblica amministrazione sta adottando l’AI da sola: ogni ente affronta lo stesso problema partendo da zero, spesso ignorando che il comune confinante ha già percorso quella strada. Il censimento AgID del 2025 conta oltre centoventi progetti nelle sole amministrazioni centrali, in maggioranza chatbot e assistenti virtuali, ma solo un quinto con indicatori di impatto misurabili. Senza una regia condivisa, dati interoperabili e criteri comuni, l’AI rischia di accelerare la frammentazione invece di ridurla, la stessa obesità applicativa, in scala minore, che affligge Giacarta.
La risposta concreta
Cosa può fare, allora, l’intelligenza artificiale per amministrazioni e paesi meno ricchi di competenze e risorse? Può indirizzare aiuti scarsi verso chi ne ha davvero bisogno quando i registri mancano, può portare una competenza rara nella lingua di chi la richiede, può accelerare la semplificazione di apparati sovraccarichi; può ordinare per priorità il lavoro di controllo fiscale e di integrità, può alleggerire i servizi di sportello dalle richieste ripetitive. Sono funzioni concrete, misurabili, già in opera.
Ciò che l’AI non può fare è surrogare la capacità istituzionale. Funziona ai margini di compiti ben definiti, non come sostituto della riforma amministrativa e produce benefici stabili solo quando poggia su tre elementi che vanno costruiti a parte: dati trattati come infrastruttura pubblica, competenza locale per valutare e controllare i sistemi, garanzie giuridiche, protezione dei dati, revisione umana, contestabilità delle decisioni. Le esperienze che hanno funzionato avevano questi elementi o li hanno costruiti lungo il percorso. Quelle che hanno danneggiato i più deboli li avevano trascurati.
Per un’amministrazione con poche risorse la conclusione operativa è meno spettacolare di molte promesse in circolazione, ma più utile: conviene partire da problemi circoscritti e verificabili, investire nei dati e nelle garanzie prima che nei modelli, e diffidare di chiunque presenti l’intelligenza artificiale come una scorciatoia rispetto al lavoro, lento e istituzionale, di far funzionare uno Stato.
Partecipa alla community