C’è una finestra temporale che la Pubblica Amministrazione italiana non può permettersi di sprecare. Da un lato il quadro regolatorio sta maturando rapidamente: la Legge 132/2025 sull’intelligenza artificiale è in vigore dallo scorso ottobre, e le Linee Guida AgID per lo sviluppo e il procurement di sistemi di IA (Determinazione n. 43/2026), che hanno concluso la consultazione pubblica in aprile e sono ora nell’iter di approvazione che le renderà vincolanti per tutte le amministrazioni. Dall’altro, la tecnologia ha compiuto un salto di paradigma: alla fine del 2025 Gartner ha inserito le AI Native Development Platform tra le principali tendenze tecnologiche strategiche per il 2026.
Tra questi due movimenti – la regolazione che si consolida e la tecnologia che accelera – si apre però un divario che riguarda le organizzazioni. È quello che la letteratura chiama pacing problem: l’adozione delle tecnologie procede a velocità crescente, mentre la capacità di adattamento delle strutture organizzative evolve molto più lentamente. Su questo divario si giocherà, nei prossimi tre-cinque anni, la differenza tra amministrazioni che useranno l’IA per generare valore pubblico e amministrazioni che si limiteranno a digitalizzare – e quindi cristallizzare – le proprie inefficienze.
Indice degli argomenti
Intelligenza artificiale nella PA: da strumento a infrastruttura cognitiva
Nell’ambito del percorso di ricerca “Il paradigma delle AI Native Platform per la trasformazione della Pubblica Amministrazione e la competitività del Paese”, realizzato da TEHA Group in partnership con Salesforce Italia, abbiamo analizzato oltre 42.000 pubblicazioni scientifiche dell’ultimo decennio e ci siamo confrontati con un network di oltre 200 rappresentanti di vertice della PA centrale e locale, costruito in tre anni di lavoro sul tema. Il quadro che emerge è netto: l’evoluzione tecnologica sta portando da sistemi orientati all’interazione uomo-macchina – i chatbot e gli assistenti virtuali su cui oggi si concentra oltre il 60% dei progetti di IA nella PA italiana – verso sistemi più complessi, dotati di capacità generative e funzionalità operative basate su agenti autonomi.
Il punto di arrivo di questa traiettoria sono le AI Native Development Platform: ecosistemi di sviluppo software progettati fin dall’origine con l’intelligenza artificiale come componente centrale e strutturale, in cui l’IA è integrata in ogni livello dell’architettura, dalla pianificazione al rilascio e alla manutenzione. La distinzione rispetto ai sistemi “AI-enabled” – dove l’IA svolge una funzione esclusivamente di supporto – non è terminologica ma sostanziale: nelle piattaforme AI-native l’utente descrive l’obiettivo della soluzione da realizzare, fornisce esempi e dati di contesto, e il sistema contribuisce alla progettazione e alla costruzione dell’applicativo attraverso un’interazione continua. Questo consente di accelerare i cicli di sviluppo, ridurre la complessità tecnica e rendere accessibile la creazione di applicativi digitali anche in contesti con risorse tecniche limitate – che è, per definizione, la condizione di gran parte delle amministrazioni italiane.
Figura 1 Le componenti alla base delle AI Native Development Platform: AI Generativa + Agentic AI + Architettura Nativa. Fonte: TEHA Group–Salesforce Italia, “AI Native Platform: siamo pronti per il salto?”, 2026
In questo scenario l’intelligenza artificiale tende a evolvere da tecnologia di supporto a vera e propria infrastruttura cognitiva delle organizzazioni. Per il settore pubblico il valore non risiede tanto nella possibilità di sviluppare applicazioni più velocemente, quanto nella capacità di abilitare modelli di innovazione digitale più agili e orientati ai bisogni della PA stessa e dei diversi utenti.
L’IA nella PA come risposta alla pressione demografica
C’è poi un dato strutturale che sposta il dibattito dal terreno dell’innovazione a quello della sostenibilità del sistema pubblico. Entro il prossimo decennio circa 1,35 milioni di dipendenti pubblici – pari a circa il 37% della forza lavoro complessiva – lasceranno la Pubblica Amministrazione italiana. Nel frattempo, indagini recenti indicano che oltre il 70% degli italiani tra i 25 e i 35 anni dichiara di non aver mai preso in considerazione l’idea di lavorare nella PA.
Il risultato è una tensione strutturale: un numero crescente di uscite da un lato, una capacità limitata di attrarre nuove competenze dall’altro. In questo quadro, l’adozione dell’intelligenza artificiale non è più soltanto una leva di efficienza: diventa in molti casi una condizione necessaria per garantire la continuità dei servizi pubblici in presenza di risorse umane sempre più limitate. Il modello che si prospetta non è quello della sostituzione, ma dell’affiancamento: l’IA automatizza le mansioni più ripetitive e laboriose, permettendo alle persone di concentrarsi su compiti che richiedono giudizio professionale, capacità relazionali e responsabilità decisionale – la figura che la letteratura definisce augmented civil servant.
Competenze per l’intelligenza artificiale nella PA: il quadro emerso
Se questa è la direzione, la domanda diventa: le organizzazioni pubbliche sono pronte? Per rispondere non bastano le analisi desk: serve l’ascolto strutturato di chi nella PA lavora ogni giorno. È quello che abbiamo fatto con il progetto “Regione Lazio nel futuro: strategia e competenze per l’Intelligenza Artificiale a servizio degli utenti della Pubblica Amministrazione”, realizzato con Regione Lazio e LAZIOcrea: un percorso che ha combinato l’analisi di oltre 15.000 contributi scientifico-manageriali pubblicati a livello europeo dal 2019, il benchmarking con le regioni europee più avanzate, interviste strutturate ai Direttori regionali, quattro tavoli di lavoro con i rappresentanti delle Direzioni, il confronto con i principali player tecnologici e una survey al personale che ha raccolto oltre 160 risposte.
Le priorità operative e la readiness del personale
Questa combinazione di fonti scientifiche e confronto diretto con gli operatori del settore restituisce un quadro di readiness molto più sfumato della narrazione corrente. Circa un quarto del personale dichiara una conoscenza bassa dell’IA e solo circa il 13% si sente pienamente pronto a integrarla nei flussi di lavoro. Al tempo stesso, le priorità espresse sono estremamente concrete: oltre il 45% indica la gestione documentale come l’ambito a maggiore impatto operativo, e circa il 42% individua nella riduzione dei tempi di risposta alle istanze dei cittadini l’obiettivo prioritario della trasformazione digitale. Dal percorso sono emersi sei ambiti prioritari di intervento, riassunti nell’immagine che segue.
Figura 2 I sei ambiti prioritari di applicazione dell’IA emersi dal percorso con Regione Lazio. Fonte: TEHA Group, “Regione Lazio nel futuro”, 2026
Sul fronte delle competenze, il prompt engineering emerge come la competenza tecnica più urgente (indicata da circa il 48% dei rispondenti), ma il dato forse più significativo riguarda le competenze trasversali: il pensiero critico è la soft skill considerata più rilevante (circa il 50%), ossia la capacità di valutare gli output dell’IA, riconoscerne limiti ed errori, evitare la trappola della risposta verosimile, che è cosa diversa da una risposta giusta. Oltre la metà del personale indica il learning by doing – laboratori, casi reali, sperimentazione guidata – come modalità formativa preferita, segnalando i limiti della formazione “a catalogo”.
C’è infine un dato culturale su cui vale la pena fermarsi: oltre il 75% dei rispondenti ritiene poco o per nulla incentivata l’emersione di idee innovative “dal basso”. È un segnale che la trasformazione non si gioca solo su tecnologia e formazione, ma su cultura organizzativa e sistemi di incentivi.
Intelligenza artificiale nella PA: dai piloti alla trasformazione diffusa
Le evidenze convergono su un punto che la ricerca internazionale conferma da anni: le tecnologie rivoluzionarie non producono aumenti di produttività se inserite nei vecchi processi. Il valore reale si manifesta solo quando si investe nelle “innovazioni complementari” – ridisegno organizzativo, co-evoluzione dei flussi di lavoro, upskilling. Digitalizzare un processo inefficiente ne cristallizza la complessità: fino al 90% delle iniziative di trasformazione digitale non raggiunge gli obiettivi attesi proprio perché automatizza processi che andavano prima ripensati. Semplificare prima di digitalizzare, dunque: è la prima regola di qualsiasi strategia AI-native.
Tre regole per cambiare i modelli organizzativi
La seconda regola riguarda il metodo. L’approccio vincente – come dimostra l’esperienza dei settori più avanzati nell’adozione dell’IA – è partire da problemi specifici e micro-ambiti, privilegiando i low hanging fruits che generano impatti visibili e misurabili nel breve termine e costruiscono fiducia, per poi scalare una volta validato il metodo. Ma attenzione: partire dal piccolo non significa restare nel piccolo. Il rischio concreto, che osserviamo in molte amministrazioni, è la proliferazione di piloti che non diventano mai sistema: sperimentazioni isolate e non coordinate, che disperdono know-how e duplicano investimenti.
Il vero discrimine tra le organizzazioni che creeranno valore e le altre è la capacità di passare da use case puntuali a interventi diffusi nell’intera organizzazione. Servono soluzioni progettate fin dall’inizio per essere riutilizzate da più strutture, meccanismi strutturati di condivisione delle esperienze, presidi di governance che selezionano i casi d’uso, definiscono standard comuni e accompagnano la scalabilità. Non a caso, con la diffusione delle piattaforme AI-native si prospetta un assottigliamento della linea di demarcazione tra il personale con funzioni operative e quello dedicato all’innovazione: quando gli strumenti di creazione diventano accessibili, l’innovazione smette di essere il compito di un ufficio e diventa una capacità distribuita.
La terza regola riguarda l’architettura organizzativa. Occorre progettare le amministrazioni in un’ottica ibrida e flessibile di interazione uomo-macchina, superando i silos che oggi limitano l’innovazione nella PA. Laddove la rigidità della struttura formale rallenta il cambiamento, l’innovazione può essere sbloccata agendo con pragmatismo sulle metodologie di lavoro e sui comportamenti operativi – ad esempio progettando workflow collaborativi – generando impatto reale anche ad assetti invariati. È un’agilità di metodo prima che di organigramma. Essa si accompagna all’emersione di figure professionali ibride che combinano conoscenza amministrativa e tecnologica: il data scientist pubblico, l’AI domain specialist che traduce i bisogni organizzativi in requisiti tecnici, l’AI audit officer che verifica trasparenza, correttezza e conformità dei sistemi.
Intelligenza artificiale nella PA: competenze, governance e procurement
Cosa deve fare, in concreto, un’amministrazione che voglia governare questa transizione? Le evidenze dei nostri percorsi di ricerca indicano tre leve.
Le tre leve per governare l’adozione
La prima è un’architettura di competenze differenziata. Non serve – né sarebbe realistico – trasformare l’intero organico in data scientist: serve un numero mirato di specialisti altamente qualificati e, per la maggior parte del personale, una diffusa alfabetizzazione sull’IA, con aspettative distinte per livello organizzativo. Alla direzione il “know-why”: visione, criteri di rischio, guida del cambiamento. Ai funzionari il “know-how”: individuare i casi d’uso, gestire dati e progetti, misurare i risultati. Agli operatori il “know-what”: usare gli strumenti in modo efficace e sicuro, riconoscendo limiti e anomalie. È peraltro la direzione indicata dall’AI Act, che impone alle organizzazioni di assicurare un livello sufficiente di competenze in materia di IA a chi utilizza questi sistemi.
La seconda è una governance eseguibile, non dichiarativa: mappatura continua dei processi orientata al valore, allineamento tra fabbisogni operativi e capacità tecnologiche, ruoli e responsabilità chiare lungo l’intero ciclo di vita delle soluzioni – dalla selezione degli use case al monitoraggio – e presidi organizzativi dedicati che coordinino IA, procurement e formazione, assicurando che le soluzioni sviluppate siano riutilizzabili da più amministrazioni.
La terza è il procurement, che resta uno dei nodi strutturali: acquistare piattaforme AI-native non equivale a comprare software convenzionale, e strumenti come il partenariato per l’innovazione, il dialogo competitivo e le sandbox regolatorie previste dall’AI Act vanno resi più semplici e accessibili, con attenzione particolare al rischio di lock-in tecnologico – che nell’IA riguarda non solo il software, ma anche i modelli e i dati di training.
La conclusione è forse controintuitiva rispetto alla narrazione dominante: la sfida dell’IA nella PA non è primariamente tecnologica, ma manageriale e culturale. La tecnologia c’è, il quadro normativo sta arrivando, la pressione demografica rende il cambiamento non rinviabile. Ciò che farà la differenza è la capacità delle amministrazioni di usare questa finestra per riprogettare i propri processi alla luce delle nuove possibilità, invece di trasporre in digitale procedure pensate per un altro tempo. Governata bene, l’intelligenza artificiale non è solo una risposta alla crisi della forza lavoro pubblica: è l’occasione per ripensare il funzionamento del sistema pubblico nazionale.
Partecipa alla community