La vera posta in gioco dell’Intelligenza Artificiale Generativa nella Pubblica Amministrazione non è la produzione automatica di testi, ma la capacità di comprimere il tempo che separa dati, evidenze, analisi e decisione. In un contesto in cui le amministrazioni sono chiamate a rispondere a crisi sanitarie, transizioni industriali, cambiamenti climatici, trasformazioni tecnologiche e nuove vulnerabilità geopolitiche, il valore strategico della GenAI consiste nella possibilità di rafforzare il ciclo del policy-making: raccolta informativa, analisi comparativa, sintesi, valutazione di scenari, redazione di briefing e supporto alla decisione.
L’OCSE osserva che l’AI può rimodellare la valutazione delle politiche pubbliche accelerando raccolta dati, analisi e sintesi delle evidenze, pur segnalando che molte applicazioni restano ancora sperimentali e frenate da gap di capacità nelle amministrazioni [1]. Anche la Commissione europea, nel monitoraggio sull’uso della GenAI nel settore pubblico, evidenzia una rapida adozione da parte delle amministrazioni, ma richiama i nodi ancora aperti: supervisione umana, accountability, protezione dei dati, sicurezza, fairness e trasparenza [2].
In questo scenario, il caso di Taiwan è particolarmente interessante perché mostra un uso della GenAI non come “chatbot istituzionale” ma come infrastruttura di supporto al processo decisionale pubblico. Il riferimento centrale è lo studio “Generative AI in Government Policy Support: A Case Study of Taiwan STPI”, pubblicato nel 2025 su IT Professional, che analizza l’esperienza dello Science & Technology Policy Research and Information Center di Taiwan, noto come STPI [3].
Indice degli argomenti
STPI, un think tank pubblico per politiche basate sull’evidenza
Lo STPI, istituito nel 1974, opera come principale think tank governativo taiwanese per le politiche scientifiche e tecnologiche. La sua missione è supportare il governo nella definizione delle politiche tecnologiche, raccogliendo, organizzando e valorizzando informazione scientifica e tecnologica a beneficio dell’innovazione, della competitività e del benessere sociale [4].
Il case study pubblicato su IT Professional descrive STPI come un laboratorio avanzato di “agile policy support”: un’organizzazione capace di integrare basi dati, competenze interdisciplinari, strumenti di analisi e GenAI per produrre supporto decisionale in tempi più rapidi. Il punto non è semplicemente introdurre un modello linguistico nelle attività amministrative, ma riprogettare il modo in cui le evidenze vengono cercate, aggregate, verificate e tradotte in policy brief, report e raccomandazioni operative [3].
Questa distinzione è essenziale anche per la PA italiana. L’adozione matura della GenAI non consiste nel mettere a disposizione dei funzionari uno strumento generalista, ma nel costruire architetture governate, con basi documentali affidabili, workflow tracciabili, responsabilità chiare e controlli umani qualificati.
Perché il RAG è decisivo per la PA
Il paradigma tecnico al centro del caso STPI è il Retrieval-Augmented Generation, o RAG. La letteratura scientifica lo definisce come un approccio che combina la memoria parametrica del modello linguistico con una memoria esterna interrogabile, cioè un corpus documentale recuperato dinamicamente durante la generazione della risposta [5].
La conseguenza è rilevante: il modello non risponde solo sulla base di ciò che ha “appreso” nella fase di addestramento, ma viene ancorato a fonti recuperate da archivi, banche dati, documenti normativi, letteratura scientifica, dataset istituzionali o basi informative proprietarie. Nel lavoro originario sul RAG, Lewis e coautori mostrano che tale architettura può generare risposte più specifiche, diversificate e fattualmente fondate rispetto ai modelli puramente parametrici in compiti knowledge-intensive [5].
Applicato alla Pubblica Amministrazione, questo passaggio cambia la natura del rischio. Un modello generalista può generare testi formalmente convincenti ma privi di adeguato ancoraggio documentale. Un sistema RAG, se progettato correttamente, consente invece di vincolare la generazione a fonti note, aggiornabili e verificabili. Non elimina automaticamente il rischio di errore o allucinazione, ma lo sposta dentro un perimetro più governabile: qualità del corpus, criteri di retrieval, ranking delle fonti, logging, human review e responsabilità di validazione.
Per questo il RAG è oggi una delle architetture più promettenti per il policy support pubblico. Non perché renda “intelligente” l’amministrazione in senso astratto, ma perché consente di collegare il linguaggio naturale dei decisori con la complessità documentale dell’azione pubblica.
I tre confini da superare: literacy, knowledge, ownership
Il caso STPI è particolarmente utile perché non riduce la trasformazione a una questione tecnologica. Gli autori leggono l’adozione della GenAI attraverso una “boundary perspective”, individuando tre confini critici: literacy, knowledge e ownership [3].
Il primo confine è quello della literacy. I decisori pubblici non devono diventare data scientist, ma devono comprendere cosa una risposta generata può e non può rappresentare. Devono sapere quando una sintesi è affidabile, quando richiede verifica, quali fonti sono state usate e quali limiti metodologici incidono sull’output. Questo tema è coerente anche con l’AI Act europeo, che all’articolo 4 richiede a provider e deployer di assicurare un livello sufficiente di AI literacy al personale e alle persone che operano con sistemi di AI per loro conto [6].
Il secondo confine è quello della knowledge integration. Le evidenze utili per una decisione pubblica sono raramente custodite in un unico archivio. Sono distribuite tra dipartimenti, enti, dataset, pareri, report, letteratura scientifica, atti normativi, consultazioni pubbliche, dati economici e indicatori territoriali. Il RAG diventa utile solo se questa conoscenza è normalizzata, indicizzata e resa interrogabile con criteri affidabili.
Il terzo confine è quello dell’ownership. I dati pubblici sono spesso formalmente disponibili ma organizzativamente frammentati. Ogni ufficio custodisce porzioni di conoscenza, con proprie tassonomie, priorità, vincoli e responsabilità. La GenAI non risolve automaticamente questa frammentazione: la rende visibile. Per questo il caso STPI mostra che il vero abilitatore non è il modello, ma la governance della conoscenza.
L’ecosistema Taiwan: modelli, regole, competenze
L’esperienza STPI si inserisce in una strategia nazionale più ampia. Taiwan ha investito nello sviluppo di TAIDE, Trustworthy AI Dialogue Engine, un motore generativo progettato per il cinese tradizionale e per il contesto culturale taiwanese. Il progetto è stato avviato nel 2023 dal National Science and Technology Council e presentato dal governo come componente strategica per rafforzare l’infrastruttura nazionale di AI [7].
TAIDE non è soltanto un progetto linguistico. È un esempio di sovranità applicativa: costruire modelli e strumenti che riflettano lingua, cultura, valori, usi amministrativi e bisogni locali. Nel 2024 il governo taiwanese ha descritto TAIDE come un motore ottimizzato per scrittura, lettere, sintesi e traduzione bidirezionale cinese-inglese, destinato a favorire applicazioni tanto nel settore pubblico quanto in quello privato [7].
Sul piano regolatorio, Taiwan ha approvato nel dicembre 2025 l’Artificial Intelligence Basic Act, che istituisce un quadro nazionale di governance dell’AI. Secondo l’analisi di Baker McKenzie, la legge individua il National Science and Technology Council come autorità centrale competente, prevede un National AI Strategy Special Committee e codifica sette principi: sostenibilità e benessere, autonomia umana, privacy e data governance, cybersecurity e safety, trasparenza e spiegabilità, fairness e accountability [8].
Il tratto interessante, per il lettore italiano, è l’integrazione tra strategia industriale, policy pubblica, competenze e governance. Taiwan non tratta la GenAI come un prodotto da acquistare, ma come una capacità istituzionale da costruire.
La lezione per l’Italia: dal chatbot al RAG istituzionale
Per la Pubblica Amministrazione italiana, il caso STPI arriva in un momento cruciale. AgID segnala che la Strategia italiana per l’Intelligenza Artificiale 2024-2026 individua quattro macroaree — ricerca, PA, imprese e formazione — e che il Piano Triennale per l’informatica nella PA 2024-2026 dedica indicazioni operative all’adozione dell’AI nella Pubblica Amministrazione [9].
Nel 2026 AgID ha inoltre avviato la consultazione pubblica sulle Linee Guida per lo sviluppo di sistemi di Intelligenza Artificiale nella PA e sulle Linee Guida per il procurement di IA nella PA, adottate con Determinazione n. 43/2026 [10]. È un passaggio importante perché sposta il tema dall’adozione generica alla progettazione, acquisizione e gestione del ciclo di vita dei sistemi.
In Italia, quindi, la domanda non dovrebbe essere: “quale modello generativo usare nella PA?”. La domanda corretta è più esigente: “quali processi pubblici possono essere riprogettati con architetture RAG verificabili, sicure, auditabili e coerenti con la responsabilità amministrativa?”.
Un RAG istituzionale per la PA italiana dovrebbe poggiare almeno su cinque pilastri.
Primo: corpora qualificati. Norme, circolari, atti amministrativi, pareri, dataset, basi conoscitive settoriali, open data, documentazione tecnica e report devono essere classificati, versionati, indicizzati e aggiornati.
Secondo: tracciabilità delle fonti. Ogni output generato deve poter indicare quali documenti sono stati recuperati, con quale rilevanza e in quale versione.
Terzo: supervisione umana competente. La decisione pubblica non può essere delegata al modello. La GenAI deve produrre supporto, non sostituire la responsabilità del funzionario o del dirigente.
Quarto: procurement consapevole. Le amministrazioni devono acquistare o sviluppare soluzioni in grado di garantire sicurezza, interoperabilità, controllo sui dati, portabilità, logging, auditabilità e gestione del rischio lungo il ciclo di vita.
Quinto: AI literacy diffusa. Senza competenze interne, il rischio è che la PA diventi dipendente da fornitori esterni, incapace di valutare qualità, limiti e impatti dei sistemi che utilizza.
Il vero salto: dalla velocità alla qualità della decisione
Il beneficio principale della GenAI nella PA non va misurato solo in minuti risparmiati nella redazione di un documento. La produttività è importante, ma non sufficiente. Il salto di qualità sta nella possibilità di migliorare il modo in cui le amministrazioni costruiscono le decisioni: più fonti consultate, più scenari comparati, meno duplicazioni, maggiore coerenza documentale, migliore trasferimento della conoscenza tra uffici.
Questo è il punto più forte del caso Taiwan STPI. La GenAI non viene usata come scorciatoia, ma come interfaccia avanzata tra conoscenza istituzionale e decisione pubblica. Il RAG, in questa prospettiva, non è un plug-in tecnico: è una nuova architettura della conoscenza amministrativa.
Per l’Italia, la lezione è chiara. La PA non deve inseguire il “copilot” del momento. Deve costruire capacità pubbliche di governo dell’AI: basi dati affidabili, modelli controllati, processi documentati, responsabilità definite, competenze interne e regole di procurement coerenti con il valore pubblico.
La modernizzazione non consisterà nel far scrivere più documenti alle macchine. Consisterà nel consentire allo Stato di leggere meglio la propria conoscenza, collegare più rapidamente evidenze disperse e prendere decisioni più informate, tempestive e verificabili.
È qui che il caso Taiwan diventa una provocazione utile per la PA italiana: la GenAI non è solo una tecnologia da adottare. È un banco di prova della capacità amministrativa di trasformare dati, documenti e competenze in politiche pubbliche migliori.
Bibliografia
[1] OCSE, “AI in Government – Policy evaluation”: l’OCSE evidenzia il potenziale dell’AI nel supportare raccolta dati, analisi, causal inference e sintesi delle evidenze per la valutazione delle politiche pubbliche, sottolineando al tempo stesso il carattere ancora sperimentale di molte applicazioni.
[2] Commissione europea, “Analysis of the generative AI landscape in the European public sector”, Public Sector Tech Watch, 2025: il report analizza l’adozione della GenAI nel settore pubblico europeo e richiama le principali sfide di human oversight, accountability, data protection, governance, safety, fairness e trasparenza.
[3] Yi-Syuan Huang, Chen-Hao Huang, Bai-Li Hwang, “Generative AI in Government Policy Support: A Case Study of Taiwan STPI”, IT Professional, vol. 27, n. 6, 2025, pp. 32-37, DOI 10.1109/MITP.2025.3566740. I metadati bibliografici sono verificabili tramite National Cheng Kung University; abstract e sintesi sono disponibili anche su ResearchGate.
[4] Science & Technology Policy Research and Information Center, “Who We Are”: STPI si presenta come principale think tank governativo taiwanese per le politiche scientifiche e tecnologiche, istituito nel 1974 per supportare il policy-making tecnologico del governo.
[5] Patrick Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, NeurIPS 2020: il paper fondativo del paradigma RAG descrive l’integrazione tra memoria parametrica del modello e memoria non parametrica esterna recuperata tramite retrieval, con miglioramenti su factualità e specificità nei compiti knowledge-intensive.
[6] Commissione europea, “AI Literacy – Questions & Answers”: la pagina chiarisce l’obbligo dell’articolo 4 dell’AI Act sulla necessità che provider e deployer assicurino un adeguato livello di AI literacy alle persone che operano con sistemi di AI.
[7] Executive Yuan, Taiwan, “Trustworthy AI Dialogue Engine (TAIDE)”, 2024: fonte governativa sul progetto TAIDE, avviato nel 2023 per realizzare un LLM taiwanese con supporto al cinese tradizionale e applicazioni per scrittura, sintesi e traduzione.
[8] Baker McKenzie, “Taiwan: AI Basic Act”, 2026: analisi del quadro normativo taiwanese approvato il 23 dicembre 2025, con indicazione dei principi di sostenibilità, autonomia umana, privacy e data governance, cybersecurity, trasparenza, fairness e accountability.
[9] AgID, “Intelligenza artificiale”: pagina istituzionale sul ruolo di AgID, sulla Strategia italiana per l’Intelligenza Artificiale 2024-2026, sul Piano Triennale e sulla legge italiana n. 132/2025 in materia di AI.
[10] AgID, “Linee guida su IA nella PA: al via la consultazione pubblica su sviluppo e procurement”, 12 marzo 2026: comunicazione ufficiale sulla consultazione pubblica delle linee guida per sviluppo e procurement di sistemi di IA nella Pubblica Amministrazione, adottate con Determinazione n. 43/2026.
Partecipa alla community