Governare l’Intelligenza Artificiale nel settore pubblico

Negli ultimi anni, l’adozione dell’Intelligenza Artificiale nel settore pubblico si è concentrata soprattutto sulla sperimentazione: progetti pilota, casi d’uso circoscritti, iniziative spesso scollegate dai processi ordinari. Questo approccio ha prodotto apprendimento e visibilità, ma anche un limite sempre più evidente: la difficoltà di tradurre l’innovazione tecnologica in cambiamento strutturale, scalabile e duraturo.

Le criticità non risiedono tanto nella maturità delle tecnologie, quanto in fattori più profondi e interdipendenti. La qualità e la governance dei dati, il livello di fiducia nei sistemi AI, i modelli organizzativi, le competenze delle persone e, in misura crescente, le questioni legate alla sovranità digitale emergono come veri snodi decisionali. In assenza di dati affidabili, responsabilità chiare e pratiche di governance operative lungo l’intero ciclo di vita dell’AI, l’innovazione rischia di restare superficiale, frammentata o confinata a esercizi dimostrativi.

È attorno a questi temi che si è sviluppato il confronto del webinar “AI and Data Trends in the Public Sector for 2026”, che ha messo in dialogo prospettive economiche, tecnologiche e di policy.

Dati come infrastruttura strategica, non come sottoprodotto

Uno dei punti più condivisi riguarda il ruolo dei dati come fondamento abilitante dell’AI. La frammentazione dei repository informativi, la mancanza di standard comuni e una gestione storicamente orientata alle applicazioni più che ai dati continuano a ostacolare l’interoperabilità tra enti pubblici.

È stato sottolineato come il problema sia in larga parte culturale e organizzativo: i dati vengono ancora trattati come sottoprodotti dei processi amministrativi, anziché come asset strategici. In questo contesto, approcci come il data mesh e le piattaforme nazionali basate sull’accesso alla fonte, anziché sulla duplicazione, rappresentano un cambio di paradigma, ma richiedono investimenti continui in qualità, metadatazione, responsabilità e governance.

“La sfida principale non è tecnologica. Riguarda cultura, coordinamento e modelli operativi. L’Intelligenza Artificiale può funzionare solo se i dati vengono trattati come veri e propri prodotti: affidabili, governati, con responsabilità chiare e meccanismi di ownership espliciti. Senza una governance condivisa dei dati, l’AI resta inevitabilmente fragile e difficile da scalare”, sono le parole di Francesco Ricasoli, DATA&AI Lead for Health & Public Sector (Italy and Greece), Head of Accenture Rome GenAI Studio, Accenture.

Dall’automazione dei task alla riprogettazione dei processi

Un secondo nodo cruciale riguarda il passaggio dall’uso dell’AI come strumento di produttività individuale al ripensamento end-to-end dei flussi di lavoro. I relatori hanno evidenziato come molti progetti abbiano semplicemente “stratificato” soluzioni AI su processi già inefficienti, ottenendo miglioramenti marginali.

La prospettiva che emerge per il 2026 è diversa: l’attenzione si sposta su dove il lavoro si inceppa, su come eliminare colli di bottiglia, passaggi ridondanti e tempi morti. In questo scenario, l’AI, inclusi i sistemi agentici, assume un ruolo di coordinamento e analisi, mentre agli esseri umani restano giudizio, supervisione e gestione delle eccezioni.

“Nel 2025 l’AI è stata spesso semplicemente sovrapposta a processi già compromessi o inefficienti. In questi casi i benefici non possono che essere marginali. Il vero salto di qualità arriverà quando le organizzazioni smetteranno di chiedersi quale tecnologia adottare e inizieranno a ripensare il lavoro in modo strutturale, ridisegnando i flussi end-to-end invece di aggiungere nuovi strumenti”, evidenzia su questo punto Vaibhav Sahgal, Principal and Editorial Strategy Lead, Economist Impact.

Governance e fiducia come fattori abilitanti

La fiducia è emersa come fattore limitante principale per la scalabilità dell’AI nel settore pubblico. Nonostante un diffuso interesse verso queste tecnologie, permane una forte cautela, soprattutto nell’uso di dati sensibili e nella delega di decisioni a sistemi automatizzati.

Dal confronto è emersa una lettura condivisa: la governance non rallenta l’innovazione, ma la rende possibile. Regole chiare su responsabilità, possibilità di fare audit approfonditi, supervisione umana e uso dei dati riducono l’attrito decisionale e permettono di operare con maggiore sicurezza. Tuttavia, molti enti restano fermi a dichiarazioni di principio, senza tradurre valori come trasparenza ed equità in pratiche operative lungo l’intero ciclo di vita dell’AI.

“La stragrande maggioranza delle organizzazioni riconosce l’importanza dell’AI responsabile, ma solo una minoranza ha realmente introdotto meccanismi di governance operativi. Finché i principi restano dichiarazioni astratte e non vengono tradotti in pratiche concrete lungo tutto il ciclo di vita dell’AI, la fiducia non può consolidarsi, né all’interno delle organizzazioni né verso cittadini e utenti”, spiega durante il webinar Sasha Rubel, Head of AI Policy, EMEA AWS.

Lavoro pubblico e competenze nell’era dell’AI

Il tema dell’impatto sul lavoro ha attraversato l’intero webinar. I relatori hanno messo in discussione la narrativa della sostituzione occupazionale, sottolineando invece il potenziale dell’AI come tecnologia in grado di aumentare le capacità umane con una maggiore e più efficace focalizzazione su attività di alto valore. Automatizzare attività ripetitive o a basso valore consente di riallocare tempo ed energie verso funzioni più coerenti con la missione pubblica.

Questo scenario richiede però un investimento sistematico nelle competenze, non solo tecniche ma anche critiche e organizzative. Programmi di formazione accessibili, inclusivi e continui sono stati indicati come condizione necessaria per accompagnare il cambiamento e ridurre resistenze e timori.

L’AI non è solo una trasformazione tecnologica, ma culturale - dicono coralmente a più riprese tutti i relatori - senza persone formate e coinvolte, nessuna piattaforma potrà generare valore duraturo.

Sovranità digitale e resilienza: un equilibrio selettivo

Infine, il webinar ha affrontato il tema della sovranità digitale, sempre più centrale in un contesto geopolitico instabile. È emersa una visione pragmatica: la sovranità non coincide con l’isolamento, ma con la capacità di governare dati, infrastrutture e dipendenze critiche.

Imporre piattaforme sovrane in modo indiscriminato può comportare costi elevati e ridurre la capacità di innovazione. Al contrario, un approccio selettivo, che rafforza i presidi nei domini più sensibili e mantiene interoperabilità altrove, consente di bilanciare autonomia, resilienza e competitività, partendo dal riconoscere che la resilienza non deriva dall’indipendenza in sé, ma dal design dei sistemi: ridondanza, capacità di recupero e controllo operativo sono più importanti della sola sovranità formale.

Ciò che emerge, in generale, dal dibattito, è una traiettoria chiara ma non lineare: l’adozione dell’AI nel settore pubblico dipenderà meno dalla potenza dei modelli e più dalla capacità di integrare dati, governance, persone e processi. Il 2026 si profila come un punto di snodo, in cui il divario tra chi riuscirà a sfruttare davvero a pieno l’AI e chi resterà fermo alla sperimentazione potrebbe ampliarsi sensibilmente.

Resta aperta una domanda di fondo: fino a che punto le amministrazioni saranno disposte a rimettere in discussione assetti organizzativi, responsabilità e culture consolidate per rendere l’AI una infrastruttura ordinaria, e non un’eccezione sperimentale? È su questo terreno che si giocherà la reale trasformazione.

27 febbraio 2026