Intelligenza Artificiale nella Pubblica Amministrazione
Il primo gennaio 2026 il numero di amministrazioni italiane che hanno avviato almeno un progetto pilota di intelligenza artificiale ha superato la soglia del 40 per cento. Il dato, contenuto nell'ultimo rapporto dell'Osservatorio Agid sulla trasformazione digitale, segna un cambio di passo che pochi avrebbero previsto due anni fa. Eppure la stessa rilevazione mostra che meno di un progetto su cinque passa dalla fase sperimentale alla produzione. Tra l'entusiasmo per il PNRR e la realtà delle scrivanie pubbliche c'è un divario che vale miliardi di euro e che pesa, ogni giorno, sui tempi di risposta a cittadini e imprese.
Questa guida è scritta per chi quei progetti li deve decidere, finanziare e portare in produzione. Non parla di intelligenza artificiale come tendenza. Parla di che cosa funziona davvero in un comune, in un ministero, in un'azienda sanitaria locale, in un ente regionale. Mostra dove l'intelligenza artificiale produce valore reale per la pubblica amministrazione, dove invece è una spesa che non torna, e quali sono le condizioni perché un progetto pilota diventi parte stabile dell'operatività di un ente.
Lo stato dell'intelligenza artificiale nella pubblica amministrazione italiana
La fotografia del 2026 racconta una pubblica amministrazione che si muove, ma a velocità molto diverse. I grandi enti centrali hanno avviato decine di sperimentazioni, spesso finanziate dal Piano Nazionale di Ripresa e Resilienza. I comuni di medie dimensioni hanno scoperto la chatbot per i servizi al cittadino. Le regioni sperimentano modelli predittivi su sanità e protezione civile. Eppure, secondo l'ultimo studio del Politecnico di Milano sull'Osservatorio Agenda Digitale, soltanto il 17 per cento delle iniziative pubbliche di intelligenza artificiale ha superato la fase di prototipo nel corso del 2025.
Il motivo non è tecnologico. La tecnologia, oggi, funziona. Modelli generativi capaci di analizzare un atto amministrativo, riconoscere classi documentali, sintetizzare bandi di gara, generare verbali strutturati o rispondere in linguaggio naturale a un cittadino esistono e sono accessibili. Il problema è la distanza tra il prototipo e l'operatività. Quella distanza si misura in tre dimensioni: qualità del dato, processo di governance interno, capacità del personale di lavorare con strumenti nuovi.
Chi ha lavorato negli ultimi quindici anni con la pubblica amministrazione, come ho fatto io con realtà sanitarie, alberghiere e aziende familiari italiane, sa che l'intelligenza artificiale non è il primo strumento digitale che promette di rivoluzionare l'ente. È stato il caso della firma digitale, del fascicolo elettronico, della PEC, dei pagamenti elettronici. Ogni volta la differenza tra chi ha colto il vantaggio e chi è rimasto indietro non era nel software. Era nella decisione politica di rivedere il processo a monte. L'intelligenza artificiale segue la stessa regola, con una variabile in più: tocca direttamente il merito delle decisioni, non solo la loro tracciabilità.
Per questo il 2026 è uno spartiacque. Il Regolamento europeo sull'intelligenza artificiale, l'AI Act, è pienamente operativo per i sistemi a rischio limitato e si avvicina alla piena applicazione per quelli ad alto rischio nel 2027. Le amministrazioni che non si attrezzano oggi rischiano di trovarsi, tra dodici mesi, costrette a smantellare progetti già avviati per mancanza di conformità.
Che cosa fa davvero l'intelligenza artificiale in un ente pubblico
C'è un'immagine ricorrente nelle presentazioni dei vendor: l'amministrazione pubblica come un grande contenitore di documenti che l'intelligenza artificiale legge, classifica e risponde al cittadino in tempo reale. È una semplificazione. Le applicazioni reali, quelle che producono valore misurabile, si concentrano su attività ben definite.
La prima area è la gestione documentale. Un ente pubblico, in media, gestisce tra il 60 e il 75 per cento del proprio lavoro su documenti non strutturati: protocolli, atti, delibere, istanze, ricorsi, contratti. Gli algoritmi di estrazione semantica, oggi maturi, possono leggere un'istanza di cittadino, identificare il procedimento di riferimento, suggerire la classe documentale, popolare i campi del protocollo. In un comune medio di 40.000 abitanti questa singola attività vale tra 800 e 1.200 ore di personale all'anno.
La seconda area è l'assistenza al cittadino. I chatbot di prima generazione, basati su regole, hanno fallito nella pubblica amministrazione perché non sapevano gestire l'ambiguità del linguaggio reale. I modelli generativi di nuova generazione, se ben governati e ancorati al patrimonio informativo dell'ente, rispondono al cittadino in linguaggio naturale, citano l'atto di riferimento, sanno quando rinviare a un operatore umano. L'INPS, l'Agenzia delle Entrate e alcuni grandi comuni hanno avviato sperimentazioni in questa direzione con risultati pubblicati che indicano riduzioni dei tempi di prima risposta tra il 35 e il 60 per cento.
La terza area è il supporto alla decisione. Qui si entra nel campo più delicato, quello che l'AI Act classifica come ad alto rischio. Si tratta di sistemi che aiutano funzionari pubblici a istruire pratiche complesse: edilizia, urbanistica, ambiente, sanità pubblica, controlli fiscali, accesso a benefici sociali. In questi casi l'intelligenza artificiale non decide. Prepara, organizza, segnala anomalie, suggerisce precedenti. La decisione resta umana, ma il tempo di istruttoria si riduce in modo significativo.
La quarta area è il monitoraggio e la previsione. La pubblica amministrazione gestisce enormi quantità di dati operativi: presenze ospedaliere, flussi turistici, consumi energetici, traffico, sicurezza urbana, qualità dell'aria. Modelli predittivi addestrati su questi dati storici producono previsioni a 24, 48, 72 ore che permettono di allocare meglio risorse scarse. Una città media italiana che attiva questo tipo di sistema sul traffico urbano riduce in media del 12 per cento i tempi di percorrenza nelle ore di punta entro il primo anno.
La quinta area è la traduzione automatica e l'accessibilità. Un ente che opera in territori bilingui o con forte presenza migratoria gestisce un costo di traduzione che vale tra il 2 e il 5 per cento del proprio bilancio amministrativo. I sistemi di traduzione neurale, oggi, raggiungono livelli di qualità tali da rendere economicamente sensato automatizzare la traduzione di prima istanza e tenere il revisore umano solo sui passaggi sensibili.
C'è, infine, una sesta area che spesso si dimentica: l'audit interno e la lotta alle inefficienze. Sistemi che leggono il fascicolo informatico di un procedimento e segnalano colli di bottiglia, ritardi anomali, pattern di duplicazione o ridondanza tra uffici. È un caso d'uso sgradevole, perché tocca le abitudini consolidate, ma è anche quello con il più alto ritorno sull'investimento. Una direzione che ha applicato questo tipo di analisi al ciclo passivo della propria contabilità ha trovato, in dodici mesi, oltre 600.000 euro di costi recuperabili.
I sette casi d'uso ad alto ritorno per la pubblica amministrazione
Veniamo al concreto. Quali sono i progetti che oggi un ente pubblico italiano può avviare con probabilità alta di successo? Sette casi d'uso emergono come dominanti per rapporto tra valore generato, costo di implementazione e rischio.
Primo caso: classificazione automatica del protocollo in entrata. Ogni ente pubblico riceve quotidianamente decine, centinaia o migliaia di istanze, comunicazioni, atti. La classificazione manuale assorbe ore di personale qualificato. Un modello di classificazione documentale, addestrato sul protocollo storico dell'ente, raggiunge accuratezze del 92-96 per cento sulla classe documentale e del 78-85 per cento sull'ufficio destinatario. Il tempo di risparmio è immediato, l'investimento si recupera in 8-12 mesi.
Secondo caso: assistenza ai cittadini sui servizi standard. Un chatbot generativo, agganciato al patrimonio informativo dell'ente e al portale dei servizi, può gestire tra il 40 e il 55 per cento delle richieste di primo livello senza intervento umano. Le richieste residue arrivano all'operatore già qualificate, già con la documentazione disponibile. Per un comune di 50.000 abitanti questo vale tra 2 e 4 posizioni equivalenti tempo pieno liberate per attività a maggior valore.
Terzo caso: supporto all'istruttoria edilizia e urbanistica. I procedimenti di edilizia privata, autorizzazioni paesaggistiche, valutazioni ambientali sono tra i più lunghi e contestati nella pubblica amministrazione italiana. Un sistema che legge il fascicolo, identifica documenti mancanti, segnala incongruenze rispetto allo strumento urbanistico, propone bozze di motivazione per il provvedimento riduce il tempo medio di istruttoria del 30-45 per cento. La decisione finale resta del responsabile del procedimento.
Quarto caso: analisi predittiva su flussi sanitari. Le aziende sanitarie locali gestiscono un equilibrio sottile tra capacità ospedaliera, accessi al pronto soccorso, prenotazioni specialistiche, posti letto. Un modello predittivo che integra dati storici, andamento epidemiologico, eventi locali, condizioni meteorologiche fornisce previsioni a 24-72 ore con accuratezze comprese tra il 78 e il 89 per cento. L'effetto è una migliore allocazione del personale e una riduzione dei tempi di attesa.
Quinto caso: monitoraggio fiscale e contrasto all'evasione. L'Agenzia delle Entrate, le agenzie regionali e i comuni hanno avviato negli ultimi tre anni progetti di analisi automatica delle dichiarazioni e dei comportamenti fiscali. I sistemi più maturi identificano pattern di anomalia con precisione che, secondo i dati pubblicati dall'amministrazione finanziaria, ha permesso il recupero di oltre 25 miliardi di euro nel solo 2024.
Sesto caso: gestione del personale e formazione mirata. Un ente pubblico medio impiega tra 200 e 2.000 persone, ciascuna con esigenze formative diverse e obblighi normativi specifici. Sistemi che analizzano il fascicolo del personale, identificano i fabbisogni di aggiornamento, suggeriscono percorsi formativi personalizzati riducono il tempo amministrativo di gestione della formazione e migliorano significativamente l'efficacia degli interventi.
Settimo caso: supporto alla redazione di atti. La produzione di delibere, determinazioni, decreti, ordinanze assorbe una parte importante del tempo dei funzionari direttivi. Sistemi che propongono bozze a partire dalla fattispecie, citano la normativa applicabile, recuperano precedenti dell'ente o di altri enti analoghi riducono il tempo di stesura del 40-60 per cento. Il funzionario revisiona, integra, firma. La responsabilità resta sua.
Tre osservazioni importanti su questi casi. La prima: nessuno di loro sostituisce il decisore pubblico. Tutti riducono il tempo necessario a istruire e proporre. La seconda: tutti hanno bisogno di dati di qualità. Senza un patrimonio informativo ordinato, anche il miglior modello produce risposte mediocri. La terza: tutti richiedono governance interna. Un progetto avviato senza chiarezza di ruoli, responsabilità, audit e revisione non arriva in produzione.
Self-assessment: il tuo ente è pronto per l'intelligenza artificiale?
Prima di investire un solo euro in un progetto di intelligenza artificiale conviene rispondere onestamente a un set di domande strutturate. Le ho organizzate in quattro dimensioni: dati, processi, persone, governance. Per ogni domanda assegnati zero, un punto o due punti.
Dimensione dati. Hai un censimento aggiornato dei dataset gestiti dal tuo ente, con titolarità, formato e qualità? Il tuo protocollo informatico è realmente strutturato o conserva ancora documenti in formato immagine non ricercabili? I tuoi dati sono accessibili attraverso interfacce di programmazione interne o richiedono estrazioni manuali? Hai una banca dati storica di almeno tre anni utilizzabile per addestramento? La risposta a queste quattro domande, sommata, ti dà il punteggio della dimensione dati su un massimo di otto punti.
Dimensione processi. Hai mappato i processi dell'ente, almeno quelli a maggior carico di lavoro, con tempi medi e variabilità? Sei in grado di misurare il tempo che oggi un funzionario impiega per istruire un procedimento tipo? Esiste un cruscotto operativo che misura volumi, tempi, scostamenti? La direzione politica è disposta a rivedere il processo per integrare l'intelligenza artificiale, non solo ad aggiungerla a un processo che resta identico? Quattro domande, otto punti massimi.
Dimensione persone. Hai almeno una persona interna con competenze tecniche sufficienti per dialogare con un fornitore di intelligenza artificiale? Il personale operativo è stato informato e coinvolto nelle scelte tecnologiche degli ultimi cinque anni? Le organizzazioni sindacali e gli organismi paritetici sono parte del percorso o vengono informati a fatto compiuto? Hai un piano di formazione che include alfabetizzazione sull'intelligenza artificiale per il personale di tutti i livelli? Otto punti massimi.
Dimensione governance. Hai una policy interna sull'uso dell'intelligenza artificiale, anche in bozza? Sai chi è il responsabile della protezione dei dati nel tuo ente e lo hai coinvolto sui progetti di intelligenza artificiale? Hai definito un comitato o un gruppo di lavoro interfunzionale per le decisioni? Hai mappato le applicazioni dell'AI Act ai tuoi possibili casi d'uso? Otto punti massimi.
Il punteggio totale va da zero a trentadue. Se hai meno di dodici punti, non sei pronto. Investire in un progetto di intelligenza artificiale oggi significherebbe sprecare denaro pubblico. Concentrati prima sui fondamentali. Se hai tra tredici e venti punti, sei in condizione di avviare un progetto pilota ben circoscritto, in un'area dove il dato è buono e il processo è chiaro. Se hai tra ventuno e ventotto punti, puoi avviare due o tre progetti in parallelo e prepararti a portarli in produzione entro dodici mesi. Sopra ventotto punti, sei tra le poche amministrazioni italiane in condizione di puntare a una trasformazione strutturata.
Questa autovalutazione, in apparenza semplice, ribalta una convinzione diffusa. Non si parte dal caso d'uso. Si parte dalla condizione di partenza dell'ente. Un caso d'uso magnifico in un ente con dati pessimi produce un sistema pessimo. Lo stesso caso d'uso in un ente preparato produce risultati misurabili nei primi sei mesi.
La roadmap pratica di adozione in 90 giorni
Una volta superata l'autovalutazione, serve un piano d'azione concreto. La logica del primo trimestre non è ancora produrre un sistema operativo, ma costruire le condizioni perché un sistema operativo possa essere acceso entro il sesto mese.
Giorni 1-15. Allineamento politico e mandato. La direzione politica dell'ente, sindaco, presidente, direttore generale, sottoscrive un mandato chiaro: quale problema vogliamo risolvere, con quale budget, con quale orizzonte temporale, con quale aspettativa di risultato. Senza questo mandato esplicito qualsiasi progetto sopravvive a fatica al primo cambiamento di priorità. Identifica due o tre processi candidati, partendo da quelli ad alto volume e dato strutturato.
Giorni 16-30. Costituzione del gruppo di lavoro. Forma una squadra interfunzionale di cinque-sette persone: un responsabile del processo selezionato, il responsabile della transizione digitale, il responsabile della protezione dei dati, un referente legale, un referente informatico, un referente del personale, un referente della comunicazione. Questo gruppo si riunisce settimanalmente per i tre mesi successivi e ha un'autorità chiara di proposta verso la direzione.
Giorni 31-45. Audit dei dati. Per il processo selezionato, fai un'analisi puntuale del patrimonio informativo: dove sono i dati, in che formato, con che qualità, con che storicità, con che vincoli giuridici. Questa è la fase che, in molti progetti, salta. Le sorprese, quasi sempre, sono qui. Dataset che sembravano disponibili sono in formato non utilizzabile. Banche dati che sembravano complete hanno buchi importanti. Documenti che sembravano testuali sono scansioni. Tutto questo va affrontato prima di scegliere un fornitore.
Giorni 46-60. Definizione del caso d'uso minimo. Sulla base dell'audit, definisci un caso d'uso circoscritto e misurabile. Non "automatizzare l'istruttoria edilizia". Ma "classificare automaticamente le istanze in entrata sul procedimento X, con accuratezza pari o superiore al 90 per cento, su un campione di 200 istanze del 2024". Definisci tre indicatori: qualità del risultato, tempo risparmiato, gradimento dell'utente interno. Tutti misurabili.
Giorni 61-75. Selezione del fornitore o decisione di sviluppo interno. A questo punto sei in condizione di mettere a confronto offerte serie. Predisponi un capitolato che richieda: dimostrazione su un dataset di tuo riferimento, trasparenza sul modello utilizzato e sui dati di addestramento, conformità all'AI Act, modalità di audit, condizioni di uscita dal contratto, possibilità di portabilità del modello e dei dati. Se hai competenze interne, valuta lo sviluppo basato su modelli aperti già disponibili nell'ecosistema italiano ed europeo.
Giorni 76-90. Avvio del prototipo e definizione del piano di sperimentazione. Il fornitore selezionato, o il team interno, costruisce il prototipo sul caso d'uso minimo. In parallelo, il gruppo di lavoro prepara il piano di sperimentazione: chi userà il sistema, su che volumi, con quale percorso di feedback, con quali indicatori. La sperimentazione vera e propria parte al giorno 91.
In questo schema il novantesimo giorno non è la fine, è l'inizio. Ma è un inizio robusto, perché poggia su tre mesi di preparazione che ridurranno drasticamente la probabilità di fallimento nella fase successiva.
Il quadro normativo: AI Act, GDPR, codice dell'amministrazione digitale
Nessuna guida sull'intelligenza artificiale nella pubblica amministrazione è seria se non affronta il quadro normativo. In Italia, oggi, una pubblica amministrazione che vuole adottare un sistema di intelligenza artificiale deve coordinare almeno tre livelli di disciplina.
Il primo è l'AI Act europeo, in vigore dal 2024 con piena applicazione progressiva fino al 2027. Il regolamento classifica i sistemi in quattro categorie di rischio. La maggior parte delle applicazioni nella pubblica amministrazione ricade nelle categorie a rischio limitato, ma alcune, in particolare quelle relative all'accesso a benefici sociali, alla valutazione dell'affidabilità creditizia, ai controlli di frontiera, alla giustizia, sono ad alto rischio e richiedono adempimenti specifici. Questi includono valutazione di conformità, sistema di gestione del rischio, tracciabilità, supervisione umana garantita, robustezza tecnica documentata. Una guida sintetica e affidabile sui principali obblighi è quella pubblicata dalla Commissione europea sull'AI Act.
Il secondo livello è il Regolamento Generale sulla Protezione dei Dati, il GDPR. Qualsiasi sistema di intelligenza artificiale che tratti dati personali deve rispettare i principi di liceità, minimizzazione, accuratezza, sicurezza, accountability. Il Comitato europeo per la protezione dei dati ha pubblicato linee guida specifiche sull'interazione tra AI e dati personali, e l'Autorità Garante italiana, nel corso del 2024 e 2025, ha emanato provvedimenti che chiariscono i requisiti per i sistemi pubblici. Tra questi, la valutazione d'impatto sulla protezione dei dati è quasi sempre obbligatoria.
Il terzo livello è il Codice dell'Amministrazione Digitale, il CAD, e l'insieme delle linee guida AgID. Il CAD stabilisce principi generali di interoperabilità, trasparenza, sicurezza, conservazione che si applicano anche ai sistemi di intelligenza artificiale. AgID ha pubblicato linee guida specifiche sull'adozione dell'intelligenza artificiale nella pubblica amministrazione, aggiornate nel 2025, che indicano percorsi metodologici, requisiti di documentazione, modalità di valutazione preventiva.
Oltre a questi tre livelli, va considerata la disciplina settoriale: il codice della giustizia amministrativa, il codice dei contratti pubblici, le norme sulla trasparenza e l'accesso, la normativa anticorruzione. Ogni settore ha specificità che possono incidere sull'adozione di sistemi di intelligenza artificiale.
Tre principi operativi aiutano a navigare questa complessità. Primo: la decisione finale che incide su diritti soggettivi resta sempre umana e motivata. Secondo: il sistema deve essere spiegabile, almeno nella misura sufficiente a giustificare la motivazione del provvedimento. Terzo: il cittadino ha diritto di sapere che il provvedimento è stato istruito con supporto di intelligenza artificiale e di richiedere il riesame umano.
Tutto questo, va detto chiaramente, non è un ostacolo. È il quadro che rende l'adozione sostenibile. Un sistema costruito ignorando il quadro normativo non solo è illegittimo. È fragile, perché può essere fermato, contestato, smantellato in qualsiasi momento. Un sistema costruito dentro il quadro normativo è solido e produce valore stabile nel tempo.
Per chi vuole approfondire il quadro internazionale, l'OCSE pubblica un osservatorio aggiornato sulle politiche pubbliche di intelligenza artificiale che è uno dei riferimenti più completi disponibili in lingua inglese.
Errori da evitare e lezioni dal campo
Negli ultimi cinque anni, lavorando con organizzazioni complesse italiane in trasformazione digitale, ho visto un copione che si ripete. Lo descrivo qui non per moralismo, ma perché conoscerlo aiuta a evitarlo.
Primo errore: partire dalla tecnologia, non dal problema. Un assessore o un dirigente partecipa a una conferenza, ne torna entusiasta, chiede al proprio ufficio di "fare qualcosa con l'intelligenza artificiale". L'ufficio cerca un caso d'uso, lo costruisce, lo presenta. Il sistema viene installato, ma non risolve un problema vero. Sei mesi dopo è abbandonato. La regola contraria è semplice: si parte sempre da un problema misurabile dell'ente, mai dalla tecnologia.
Secondo errore: ignorare la qualità del dato. Il fornitore garantisce risultati eccellenti, perché ha dati di altri clienti. Sul dato dell'ente, però, l'accuratezza crolla. Questo accade perché il modello è stato addestrato su dati diversi, ma soprattutto perché i dati dell'ente sono peggiori di quanto si pensasse. Il rimedio è l'audit del dato prima del progetto, non durante.
Terzo errore: saltare il coinvolgimento del personale. Il sistema viene costruito in segreto, presentato a fatto compiuto, imposto agli operatori. Risultato: resistenza, sabotaggio passivo, uso minimale. Il rimedio è coinvolgere il personale operativo dal giorno zero, non come destinatario, ma come fonte di conoscenza del processo.
Quarto errore: confondere il pilota con la produzione. Il prototipo funziona benissimo su 100 casi selezionati. Quando lo si applica a 10.000 casi, le criticità emergono. Il rimedio è progettare il pilota già pensando alle condizioni di scala, ai casi limite, alla gestione delle eccezioni.
Quinto errore: sottovalutare la manutenzione. Un sistema di intelligenza artificiale non è un software che si installa e funziona per dieci anni. Va monitorato, aggiornato, ri-addestrato. Se il bilancio di esercizio non include la manutenzione, il sistema si degrada in 12-24 mesi. Il rimedio è prevedere fin dal capitolato un canone di manutenzione e un piano di evoluzione.
Sesto errore: aspettare la perfezione normativa. Alcuni enti restano fermi in attesa di un quadro completo, di linee guida definitive, di pareri di tutti gli organismi. Nel frattempo, altri sperimentano e imparano. Il rimedio è muoversi in modo prudente ma costante, dentro il perimetro normativo già chiaro, accettando che alcune scelte andranno riviste man mano che il quadro evolve.
A questi errori si aggiungono lezioni positive che vale la pena raccontare. Un ente sanitario del Sud Italia ha avviato nel 2024 un progetto di analisi predittiva sugli accessi al pronto soccorso. Ha iniziato con un caso d'uso minimo, un solo presidio, sei mesi di lavoro preparatorio sul dato, partner tecnologico selezionato dopo gara aperta. Risultato dopo nove mesi di esercizio: riduzione del 22 per cento dei tempi di attesa in fascia notturna, recupero misurabile di personale. La differenza, come sempre, è stata nella preparazione, non nella tecnologia.
Una città capoluogo del Nord ha invece costruito, sempre nel 2024, un sistema di supporto alla classificazione del protocollo. Il dirigente responsabile ha imposto una regola che molti hanno trovato eccessiva: nei primi tre mesi di esercizio ogni decisione del sistema è stata revisionata manualmente da un funzionario senior. È costato il doppio del previsto in termini di tempo umano. Ma ha permesso di identificare e correggere in fase iniziale 47 pattern di errore che, lasciati nel sistema, avrebbero prodotto migliaia di classificazioni sbagliate. Dopo quel rodaggio, il sistema funziona oggi con un'accuratezza superiore al 95 per cento e con un livello di fiducia interno che ha facilitato l'estensione ad altre direzioni dell'ente.
Una terza esperienza, meno raccontata, viene da un piccolo comune del Centro Italia. Sindaco e segretario hanno deciso di non comprare nulla, ma di costruire internamente un sistema semplice di analisi del proprio bilancio comunale, utilizzando uno strumento aperto e un weekend di lavoro con un volontario civile competente. Il sistema, modesto sul piano tecnologico, ha permesso di identificare voci di spesa anomale e di riallocare circa 90.000 euro su priorità diverse nel bilancio dell'anno successivo. È la dimostrazione che il valore non sta sempre nella sofisticazione del sistema, ma nella chiarezza del problema e nella decisione di affrontarlo.
Strumenti, tecnologie e panorama dei fornitori per il 2026
Il mercato dell'intelligenza artificiale per la pubblica amministrazione italiana si è strutturato in modo evidente negli ultimi due anni. Si distinguono quattro tipologie di operatori.
La prima è quella dei grandi vendor internazionali. Microsoft, Google, Amazon offrono piattaforme cloud con servizi di intelligenza artificiale generalisti, oggi disponibili anche in versione conforme ai requisiti europei di sovranità del dato. La forza è la robustezza tecnologica e la scalabilità. Le criticità sono il rischio di dipendenza, i costi a volume, le clausole contrattuali poco negoziabili da parte di un singolo ente.
La seconda è quella dei grandi system integrator italiani ed europei. Aziende come Engineering, NTT Data Italia, Reply, Almaviva propongono soluzioni verticali per la pubblica amministrazione, con esperienza specifica sui processi italiani. La forza è la conoscenza del contesto, la presenza territoriale, la capacità di integrazione con i sistemi legacy dell'ente. Le criticità sono i tempi di consegna e i costi, talvolta elevati.
La terza è quella delle startup italiane ed europee specializzate. Negli ultimi tre anni sono nate decine di realtà focalizzate su nicchie specifiche: gestione documentale, supporto al cittadino, analisi predittiva, classificazione automatica. La forza è l'agilità, il prezzo competitivo, la specializzazione. Le criticità sono la solidità finanziaria e la capacità di garantire continuità del servizio nel lungo periodo. Selezionare una startup richiede un'analisi attenta della sostenibilità del business model.
La quarta è quella delle soluzioni aperte e dello sviluppo interno. Modelli linguistici aperti rilasciati dalla comunità scientifica internazionale, fondazioni europee per l'intelligenza artificiale, progetti italiani avviati nell'ambito dell'iniziativa pubblica nazionale sull'intelligenza artificiale offrono basi tecnologiche utilizzabili senza vincoli commerciali. La forza è la totale indipendenza, la trasparenza, la possibilità di adattamento. Le criticità sono il fabbisogno di competenze interne e l'investimento di tempo.
La scelta tra queste quattro strade non è binaria. Le amministrazioni più mature stanno costruendo architetture ibride, dove i servizi commerciali coesistono con soluzioni aperte, dove il fornitore esterno gestisce le componenti standard mentre il team interno mantiene il controllo sul nucleo strategico. È un equilibrio sottile, ma è quello che produce sistemi sostenibili nel tempo.
Sul piano tecnologico, tre tendenze caratterizzano il 2026. La prima è la diffusione dei modelli di intelligenza artificiale generativa di dimensioni ridotte, eseguibili anche su infrastrutture locali. Permettono soluzioni che riducono il rischio di trasferimento dati e la dipendenza dal cloud. La seconda è l'integrazione tra intelligenza artificiale e dati strutturati, attraverso architetture che combinano modelli generativi e basi di conoscenza interne, riducendo il rischio di risposte inaccurate. La terza è la maturazione degli strumenti di audit e monitoraggio, che permettono di documentare in modo strutturato il funzionamento dei sistemi.
Un funzionario pubblico che voglia capire il panorama tecnologico aggiornato trova un riferimento puntuale nel rapporto annuale del Politecnico di Milano sull'Osservatorio Agenda Digitale e nelle pubblicazioni dell'Agenzia per l'Italia Digitale.
Il ritorno sull'investimento: numeri reali, non promesse
Veniamo al cuore della questione per chi deve decidere come allocare risorse pubbliche. Quanto vale, in concreto, un progetto di intelligenza artificiale ben costruito?
I dati di benchmark internazionali, raccolti in particolare da McKinsey nel suo rapporto annuale sull'intelligenza artificiale nel settore pubblico, indicano un range tipico di valore generato compreso tra due e cinque volte l'investimento, in un orizzonte di tre anni, su casi d'uso ben selezionati. Questo dato si riferisce a contesti maturi, con ente già preparato sui fondamentali.
Per la realtà italiana i numeri tendono a essere più conservativi nei primi anni, ma con potenzialità maggiori nel medio periodo. Un'azienda sanitaria locale di medie dimensioni che applica intelligenza artificiale alla pianificazione dei flussi ospedalieri investe tipicamente tra 150.000 e 350.000 euro nel primo anno, tra licenze, integrazione e formazione. Il risparmio annuo, una volta a regime, si colloca tra 280.000 e 600.000 euro tra ore di personale risparmiate, riduzione di sprechi farmaceutici, migliore utilizzazione delle sale operatorie.
Un comune medio che implementa classificazione automatica del protocollo e assistente virtuale per i servizi al cittadino investe tipicamente tra 80.000 e 180.000 euro. Il valore generato comprende ore di personale liberate per attività a maggiore valore aggiunto, riduzione dei tempi di risposta al cittadino, miglioramento misurabile della soddisfazione degli utenti. In termini monetari il ritorno tipico, una volta a regime, si colloca tra 1,8 e 2,7 volte l'investimento iniziale, su base annua.
Un ministero o un'agenzia centrale che applica intelligenza artificiale al supporto dell'istruttoria di pratiche complesse parte da investimenti più elevati, tipicamente sopra il milione di euro, ma anche con ritorni proporzionalmente maggiori. L'esperienza dei progetti pilota già conclusi indica recuperi di efficienza tra il 15 e il 30 per cento sul personale dedicato, oltre a benefici qualitativi sulla coerenza delle decisioni.
Va sottolineato un aspetto spesso trascurato. Il valore di un progetto di intelligenza artificiale nella pubblica amministrazione non si esaurisce nella riduzione di costo. Comprende il valore prodotto per il cittadino, in termini di tempo di risposta, qualità del servizio, equità di trattamento. Questo valore è più difficile da quantificare, ma in molti casi è superiore al valore monetario diretto. Una città che riduce di un terzo i tempi di rilascio dei permessi edilizi genera un effetto economico sul tessuto produttivo locale che supera ampiamente il costo del sistema.
Per costruire una stima di ritorno realistica per il proprio ente conviene seguire un metodo strutturato. Si parte dal volume annuo del processo selezionato, si calcola il tempo medio attuale per pratica, si applica una percentuale di risparmio prudenziale, si moltiplica per il costo orario del personale coinvolto. A questo si aggiunge il valore qualitativo, stimato con metodi indiretti, e si sottrae l'investimento iniziale e i costi di manutenzione su tre anni. Il calcolo, fatto con onestà, restituisce numeri che spesso sorprendono. Quasi sempre il ritorno è positivo, ma raramente nella direzione promessa dai vendor.
Per approfondire i framework di valutazione del ritorno sull'investimento applicati ai progetti AI, una lettura utile è la guida pratica al ROI dell'intelligenza artificiale per le aziende, che fornisce metodologie applicabili anche al contesto pubblico.
Conclusioni: una decisione di metodo, non di tecnologia
Chi guida un'amministrazione pubblica oggi ha davanti una scelta. Non è la scelta tra adottare o non adottare l'intelligenza artificiale. Quella scelta è già stata fatta dal mercato, dai cittadini, dai cicli normativi europei. La scelta vera è come adottarla: con metodo, con preparazione, con trasparenza, oppure inseguendo l'onda, con il rischio di sprecare risorse pubbliche e produrre sistemi fragili.
Le amministrazioni che nei prossimi diciotto mesi sapranno costruire le condizioni interne, selezionare i casi d'uso giusti, governare il quadro normativo, costruire competenze stabili, saranno quelle che nel 2028 racconteranno risultati misurabili in termini di servizio al cittadino e di efficienza interna. Le altre racconteranno di prototipi mai diventati sistemi.
Il percorso esiste, è praticabile, è già stato percorso da alcune amministrazioni italiane e da molte realtà europee. Richiede una cosa che la tecnologia non può fornire: una decisione politica e dirigenziale di considerare l'intelligenza artificiale come una leva strategica e non come un capitolo di spesa da gestire. Chi prende questa decisione oggi, e la sostiene nel tempo, troverà gli strumenti pratici per implementarla.
Per un quadro complementare sulla trasformazione digitale guidata dall'AI, può essere utile leggere anche la guida alla trasformazione digitale con intelligenza artificiale e quella dedicata ai framework di adozione enterprise dell'intelligenza artificiale. Chi cerca un perimetro più ampio sui temi di consulenza AI per organizzazioni complesse trova un riferimento nella nostra guida al consulente di intelligenza artificiale.
Se la tua amministrazione sta valutando un percorso strutturato e cerca un confronto indipendente per impostarlo nel modo giusto, puoi richiedere un dialogo dedicato attraverso la pagina di richiesta consulenza. La differenza, in questa fase, la fa avere un interlocutore che ha già percorso questa strada con organizzazioni complesse, conosce i punti di rottura tipici, sa quando spingere e quando aspettare. L'intelligenza artificiale nella pubblica amministrazione non è un problema tecnologico. È un problema di metodo. E il metodo si costruisce con persone che hanno visto come va e come non va.
