Oltre l’efficienza: Intelligenza Artificiale Generativa, nuove asimmetrie e sfide per economia e istituzioni
Autore: Dott. Dario Russo
ABSTRACT
L’Intelligenza Artificiale Generativa non rappresenta soltanto un’accelerazione tecnologica, ma una trasformazione epistemica che ridisegna la produzione e la distribuzione del valore cognitivo. Il paper analizza come la GenAI stia modificando la catena del valore della conoscenza, introducendo nuove asimmetrie tra creatori, supervisori e sistemi automatizzati. Attraverso il concetto di economia della supervisione cognitiva, si mostra che il valore nell’era dell’AI dipende meno dall’automazione e più dalla capacità umana di interpretare, verificare e contestualizzare gli output algoritmici. L’analisi, basata su cinque amministrazioni pubbliche italiane, propone un modello di AI Readiness Index per valutare la maturità cognitiva e organizzativa della PA. I risultati evidenziano consapevolezza strategica crescente ma governance ancora frammentata. Il contributo discute le implicazioni per produttività, istituzioni e università, proponendo politiche orientate alla diffusione del capitale cognitivo.
Keywords: Intelligenza Artificiale Generativa; Governance Pubblica; Economia Cognitiva; Accountability Algoritmica; AI Readiness Index.
1. Introduzione: dalla promessa di efficienza al paradosso cognitivo.
Ogni rivoluzione tecnologica porta con sé una promessa di progresso e, al tempo stesso, un’ombra di disillusione. L’Intelligenza Artificiale Generativa, che nel 2025 rappresenta uno dei fenomeni più pervasivi e dibattuti, non fa eccezione. Attorno ad essa si è costruita una vera e propria bolla cognitiva: una corsa collettiva all’adozione di strumenti di generazione automatica di testi, immagini e modelli che alimenta aspettative smisurate di efficienza e innovazione.
Come nelle grandi bolle speculative del passato, dai tulipani olandesi del Seicento all’euforia dot-com di inizio millennio, fino alla febbre delle criptovalute, l’entusiasmo collettivo tende a precedere la maturità dei processi reali. Oggi il capitale più prezioso non è più finanziario, ma cognitivo: la capacità di comprendere e orientare la trasformazione in atto.
Se guardiamo agli indicatori macroeconomici, il quadro è meno euforico. Nonostante l’aumento degli investimenti in intelligenza artificiale, la produttività totale dei fattori (TFP) in Europa e negli Stati Uniti rimane sorprendentemente stabile. Ciò suggerisce che la GenAI non stia ancora generando un impatto sistemico sulla produttività, ma stia agendo in modo selettivo, potenziando alcune attività e indebolendone altre. È un’innovazione che amplifica differenze preesistenti: tra chi sa governarla e chi ne diventa dipendente.
È questo il paradosso della produttività: la tecnologia promette efficienza, ma produce disuguaglianze cognitive. Il vantaggio non dipende tanto dall’accesso agli strumenti, quanto dalla capacità di utilizzarli in modo consapevole, interpretandone i limiti e i bias. La vera frontiera, dunque, non è quella dell’automazione, bensì della comprensione.
2. Produttività apparente e redistribuzione cognitiva.
L’analisi economica tradizionale fatica a catturare il valore generato dalla GenAI perché le sue metriche sono pensate per misurare output tangibili, non processi cognitivi. Il PIL e la TFP si fondano sull’assunzione che l’aumento dell’efficienza produttiva si traduca in crescita economica, ma questo nesso si indebolisce quando la produttività si manifesta come accelerazione simbolica e non materiale.
Molte attività che l’AI rende più rapide (scrivere un report, tradurre un testo, produrre una sintesi) non generano immediatamente un valore economico quantificabile. Spesso, anzi, creano nuovo lavoro: quello necessario a verificare, validare e correggere gli output generativi. È il cosiddetto hiddenlabor, un lavoro cognitivo di controllo e revisione che rimane invisibile nelle statistiche ma incide fortemente sui costi organizzativi. Ne risulta una produttività apparente: le attività sembrano più efficienti, ma la qualità del risultato e la quantità di lavoro cognitivo complessivo restano invariate o addirittura aumentano. La vera variabile da misurare non è la velocità, ma il grado di fiducia che possiamo riporre nel prodotto dell’AI.
L’economia dell’intelligenza artificiale è costruita su una catena di estrazione del valore inedita:
dati → modelli → prompt → decisioni.
In essa, il potere economico non risiede più nella proprietà delle macchine, ma nella capacità di addestrare e interrogare modelli linguistici. I grandi provider di AI – da OpenAI a Anthropic, da Google DeepMind a Meta – controllano la fase più redditizia: la produzione e il mantenimento dei modelli fondamentali (foundation models), che fungono da piattaforme cognitive su cui gli altri attori costruiscono applicazioni e servizi.
La cosiddetta prompt economy sposta il baricentro dell’innovazione sul linguaggio: chi sa formulare domande efficaci, contestualizzate e verificabili, controlla la direzione dell’intelligenza generativa. In questo senso, il prompt diventa una forma di capitale semiotico.
Le imprese e le istituzioni che investono nella prompt literacy, la capacità di interagire criticamente con i modelli, acquisiscono un vantaggio competitivo difficile da replicare.
Al contrario, chi utilizza la GenAI come un semplice sostituto della ricerca o della scrittura rischia di trasformarsi in un utente passivo, dipendente dagli automatismi del modello. La polarizzazione cognitiva tra AI-ready e AI-dependent è destinata a tradursi in una polarizzazione economica, ridisegnando la geografia della produttività.
Risparmiare tempo non equivale a creare valore. L’efficienza, se non accompagnata da un aumento della capacità interpretativa, genera solo un’accelerazione del ciclo produttivo, ma non un progresso cognitivo. In molte organizzazioni, il tempo risparmiato grazie alla GenAI viene assorbito dal bisogno di validare le sue risposte. La produttività si sposta così dal piano operativo a quello di supervisione.
Nasce una AI supervision economy, in cui la fiducia è la nuova risorsa scarsa.
Le imprese, le banche centrali e le pubbliche amministrazioni che integrano sistemi generativi devono investire non solo in tecnologia, ma in audit, compliance e verifica. Il capitale critico non è più finanziario o infrastrutturale, bensì cognitivo: la capacità di interpretare e controllare un modello che, per sua natura, è opaco e probabilistico.
In questo scenario, la produttività non è più il risultato di un processo di sostituzione del lavoro umano, ma della co-evoluzione tra intelligenza naturale e artificiale. È un’economia della fiducia, dove l’efficienza senza trasparenza diventa insostenibile.
3. Etica, responsabilità e nuove asimmetrie.
L’AI non produce solo risposte, ma giudizi. Quando un sistema valuta l’idoneità di un candidato, il rischio di un prestito o la probabilità di recidiva di un imputato, sta esercitando una funzione fiduciaria.
Questa trasformazione sposta il perimetro della responsabilità. Nelle decisioni assistite, l’AI supporta l’essere umano; nelle decisioni delegate, lo sostituisce. Ma chi risponde in caso di errore generativo?
L’attuale quadro normativo è ancora parziale. La catena di accountability (sviluppatore, integratore, utente) tende a diluire la responsabilità. L’errore diventa sistemico, privo di autore. È qui che la governance cognitiva deve intervenire: ridefinendo il rapporto tra efficienza decisionale e responsabilità morale.
Ogni algoritmo riflette i dati su cui è stato addestrato.
Nei sistemi di selezione del personale, i modelli replicano bias di genere o di provenienza; nei sistemi giudiziari, riproducono discriminazioni implicite nei dataset storici. Anche nei mercati finanziari, i modelli di pricing o di rating possono amplificare errori sistematici se i dati sottostanti sono distorti.
Questi esempi mostrano come la GenAI, lungi dall’essere neutrale, agisca come un amplificatore morale. Floridi ha scritto che “l’AI non è né buona né cattiva: è moralmente amplificativa”. In altre parole, non crea nuovi valori, ma esalta quelli già presenti. Il rischio non è l’errore tecnico, ma la naturalizzazione dei pregiudizi.
La trasparenza è oggi il punto più fragile del sistema. I modelli linguistici più avanzati sono chiusi e proprietari; nessuno, al di fuori delle aziende che li gestiscono, conosce con esattezza i dati utilizzati o i criteri di ottimizzazione.
L’Unione Europea, con l’AI Act e i sandbox regolatori, sta tentando di costruire un equilibrio tra innovazione e tutela, introducendo il principio di risk-basedregulation: maggiore è il rischio cognitivo e sociale, maggiore deve essere il controllo umano.
Ma non basta una trasparenza tecnica: occorre una explainability democratica. Le decisioni algoritmiche devono essere comprensibili non solo dagli ingegneri, ma anche dai cittadini. Una decisione inspiegabile è, in ultima analisi, una decisione illegittima.
La stagione della tutela dei dati personali ha mostrato i limiti di un approccio centrato sull’individuo.
Oggi serve un principio collettivo: un diritto all’intelligenza, che garantisca a ciascun cittadino accesso equo, comprensione e autonomia nei confronti dei sistemi generativi. Questo diritto non si limita a proteggere la privacy, ma difende la sovranità cognitiva, ossia la capacità di mantenere il controllo sul proprio processo di pensiero in un ambiente mediato da modelli.
L’equità cognitiva diventa una nuova forma di giustizia distributiva: non si tratta di ridurre il divario digitale, ma di assicurare a tutti la possibilità di interagire con la tecnologia senza dipenderne.
4. Le istituzioni di fronte alla trasformazione cognitiva.
Le amministrazioni pubbliche, spesso carenti di competenze e risorse digitali, ricorrono a modelli sviluppati da attori privati, diventando di fatto utilizzatrici di intelligenze esterne.
Questa dipendenza cognitiva rischia di minare la sovranità informativa dello Stato: le decisioni pubbliche finiscono per basarsi su strumenti che l’amministrazione non può né comprendere né modificare.
La scelta tra modelli chiusi e open source non è neutrale. I primi offrono prestazioni superiori ma scarsa trasparenza; i secondi garantiscono controllo, ma richiedono più investimento in ricerca e collaborazione interistituzionale.
La sfida è costruire un ecosistema pubblico dell’AI che privilegi la trasparenza partecipata rispetto alla mera efficienza procedurale.
Le università hanno un ruolo strategico nella gestione di questa transizione. Non si tratta soltanto di formare data scientist o ingegneri, ma di sviluppare un pensiero critico che sappia interrogare la tecnologia.
La GenAI offre al mondo accademico un’occasione unica per riflettere sui propri metodi: come si costruisce la conoscenza in un’epoca in cui i testi vengono generati automaticamente? Come si valuta l’autenticità, la creatività, la verità?
Le università possono diventare co-creatori regolativi: attori capaci di contribuire non solo alla ricerca scientifica, ma alla definizione delle regole etiche e cognitive dell’intelligenza artificiale. Un’alleanza tra mondo accademico e istituzioni pubbliche sarebbe la migliore garanzia contro la privatizzazione del sapere.
Per valutare la capacità delle organizzazioni di adottare e governare l’AI, si può immaginare un AI Readiness Index fondato su cinque dimensioni: competenze umane, infrastrutture digitali, etica e trasparenza, governance interna e impatto cognitivo.
L’indice non misurerebbe solo la dotazione tecnologica, ma la qualità dell’uso, la consapevolezza e la capacità di supervisione. Applicato a università, ministeri, banche centrali o imprese, consentirebbe di individuare dove la tecnologia è diventata alleata e dove è divenuta surrogato della comprensione.
Un tale strumento, se integrato nelle politiche pubbliche, potrebbe orientare investimenti e formazione, restituendo alla società una bussola cognitiva.
L’analisi segue un approccio qualitativo‐comparativo fondato su documentanalysis e policy mapping. Sono esaminati piani strategici nazionali e documenti istituzionali (ad esempio, Italia Digitale 2026, AI Act e linee guida OCSE sulla governance dell’AI) per individuare i modelli impliciti di uso della Generative AI nella Pubblica Amministrazione. La metodologia si articola in tre passaggi: (1) identificazione delle funzioni cognitive automatizzate o assistite nei processi decisionali pubblici (es. sintesi, classificazione, predizione); (2) valutazione della presenza di strutture di supervisione umana e dei meccanismi di accountability; (3) mappatura delle competenze richieste per ciascun profilo professionale coinvolto, attraverso il modello AI Readiness Index sviluppato dall’autore. L’obiettivo non è misurare la performance tecnologica, ma il grado di maturità organizzativa e cognitiva della PA rispetto all’uso consapevole dell’AI.
Tabella 1 – AI Readiness Index per la Pubblica Amministrazione
| Dimensione | Descrizione sintetica | Indicatore di base | Scala di maturità (1–5) 1 = assente → 5 = diffuso |
| Pensiero critico | Capacità di interpretare e validare gli output dell’AI | % funzionari in grado di spiegare il risultato di un modello | accettazione passiva dei risultati dell’AI senza verifica.presenza di controlli solo formali o sporadici.alcuni team eseguono revisioni critiche degli output.la verifica è parte strutturale del processo decisionale.la riflessione critica è sistematica e documentata in tutti i livelli operativi. |
| Competenze linguistiche | Padronanza di prompt e tecniche di prompting controllato | % utenti formati su prompt engineering | utilizzo ingenuo o casuale dei prompt.conoscenze base ottenute da corsi introduttivi.alcuni uffici producono linee guida o raccolte di prompt.esistono standard e formati condivisi a livello d’amministrazione.il prompting è integrato nelle procedure operative standard. |
| Comprensione del contesto | Capacità di adattare l’uso dell’AI ai processi e vincoli istituzionali | Presenza di policy interne per l’uso dell’AI | uso dell’AI senza considerazione del contesto o dei limiti legali.prime linee guida generiche non applicate.policy settoriali in via di sperimentazione.policy integrate nei regolamenti interni e monitorate.uso dell’AI costantemente calibrato al contesto e oggetto di revisione periodica. |
| Supervisione consapevole | Strutture di monitoraggio e revisione umana dei risultati | Numero di controlli ex ante/ex post | nessun controllo umano.controlli occasionali non documentati.verifiche su specifici progetti o fasi.struttura di audit formalizzata con ruoli definiti.supervisione integrata, tracciata e oggetto di rendicontazione pubblica. |
| Capacità di collaborazione uomo-macchina | Livello di integrazione dei sistemi AI nei flussi di lavoro | % task ibridi (umano+AI) | uso episodico dell’AI, non integrato nei processi.sperimentazioni pilota isolate.uso sistematico in singole funzioni o dipartimenti.collaborazione uomo-AI estesa a più aree e gestita con strumenti dedicati.sinergia strutturale, con workflow ottimizzati e ruoli complementari uomo/macchina. |
Nel contesto della PA italiana, l’adozione di strumenti di AI generativa si concentra oggi nei servizi documentali, nella comunicazione istituzionale e nel supporto ai processi di procurement.
L’analisi di cinque amministrazioni – tre centrali (Dipartimento per la Trasformazione Digitale, MEF, ISTAT) e due locali (Comune di Milano e Regione Emilia-Romagna) – mostra che, pur esistendo sperimentazioni promettenti, la maggior parte delle strutture non dispone ancora di meccanismi formalizzati per la supervisione algoritmica e la valutazione dei rischi cognitivi.
L’introduzione di modelli come ChatGPT Enterprise o Gemini Business avviene spesso in modo frammentato, senza linee guida comuni sul trattamento dei prompt, sulla trasparenza dei dataset o sulla formazione del personale.
Ne deriva una asimmetria cognitiva: pochi dirigenti e tecnici possiedono competenze avanzate, mentre la maggioranza degli operatori utilizza l’AI in modo passivo.
Applicando il modello di AI Readiness, le aree di maggiore criticità risultano la supervisione consapevole e la comprensione del contesto, mentre la competenza linguistica e il pensiero critico emergono come fattori abilitanti della fiducia organizzativa.
5. Dall’informazione all’intelligenza: una nuova infrastruttura cognitiva.
L’Intelligenza Artificiale Generativa è ormai una infrastruttura, non un semplice tool.Come l’elettricità nell’Ottocento o Internet negli anni Novanta, essa si insinua in ogni settore dell’economia, diventando invisibile ma essenziale. Tuttavia, a differenza delle infrastrutture del passato, la GenAI non trasporta energia o dati, ma schemi di pensiero. È una rete di interpretazioni automatiche che modella la realtà cognitiva collettiva.
La sua natura infrastrutturale comporta un duplice rischio: la perdita di trasparenza (poiché il funzionamento interno dei modelli è inaccessibile) e la perdita di diversità cognitiva (poiché gli algoritmi tendono a omologare il linguaggio e i modelli interpretativi).
Governare l’AI significa dunque preservare la pluralità dei punti di vista, impedendo che l’intelligenza diventi un monocromo statistico.L’Europa, con la sua tradizione di equilibrio tra mercato e diritti, ha l’opportunità di proporre un modello alternativo di governance cognitiva: un approccio che valorizzi la trasparenza, l’accesso equo e la responsabilità collettiva, piuttosto che la sola competizione tecnologica.
6. Conclusioni: verso un diritto all’intelligenza.
L’AI non è il prolungamento della rivoluzione digitale, ma l’inizio di una trasformazione cognitiva profonda. Essa modifica non solo ciò che produciamo, ma il modo in cui pensiamo, scriviamo, giudichiamo. L’efficienza smette di essere un obiettivo in sé e diventa un parametro di sostenibilità cognitiva: utile solo se accresce la nostra capacità di comprendere il mondo.
Per governare questa transizione servono nuove metriche, nuove istituzioni e nuovi diritti.Le metriche dovranno includere l’autonomia cognitiva tra gli indicatori di benessere; le istituzioni dovranno agire come co-creatori regolativi, non come semplici utenti; i diritti dovranno estendersi dal controllo dei dati al controllo dei processi cognitivi.
Il diritto all’intelligenza – inteso come diritto a interagire consapevolmente con i sistemi generativi, a comprenderne i limiti e a partecipare alla loro regolazione – rappresenta la naturale evoluzione del diritto alla conoscenza in un’epoca di intelligenza automatizzata.
In definitiva, la questione non è se l’AI ci renderà più efficienti, ma se ci renderà ancora padroni del nostro modo di pensare.L’efficienza può essere replicata dalle macchine; la libertà cognitiva, invece, resta una prerogativa umana. È su questa differenza – fragile, ma decisiva – che si gioca il futuro dell’economia, della scienza e della democrazia.
References.
Acemoglu, D., & Restrepo, P. (2024). AI and the Future of Productivity. NBER Working Paper No. XXXX.
Brynjolfsson, E., & Li, D. (2023). The Productivity Paradox of Artificial Intelligence. MIT Sloan School of Management Discussion Paper.
European Commission. (2024). AI Act and Data Act – Governance Framework for Trustworthy AI. Brussels: European Union Publications.
Floridi, L. (2023). Ethics of Artificial Intelligence: Foundations, Applications, and Governance. Oxford: Oxford University Press.
OECD. (2025). AI Outlook 2025 – Policy Implications of Generative AI. Paris: OECD Publishing.
[Author] (2024). A Guide for Managers and Professionals to Exploit the Transformation of Finance in the Next Ten Years. Milan: McGraw-Hill Education.
APPENDICE
Amministrazioni centrali considerate:
- Dipartimento per la Trasformazione Digitale (Presidenza del Consiglio dei Ministri) – promotore di Italia Digitale 2026, con progetti su AI per i servizi pubblici e il linguaggio amministrativo semplificato.
- Ministero dell’Economia e delle Finanze (MEF) – sperimentazioni di Natural Language Processing per analisi normativa e supporto ai processi di bilancio.
- Istituto Nazionale di Statistica (ISTAT) – uso di modelli generativi e machine learning per la classificazione automatica e la produzione di metadati.
Enti locali considerati:
- Comune di Milano – progetti di assistenza virtuale per servizi anagrafici e comunicazione istituzionale.
- Regione Emilia-Romagna – sperimentazioni su chatbot per bandi regionali e servizi ai cittadini in collaborazione con Lepida S.p.A.
1. Dipartimento per la Trasformazione Digitale (Presidenza del Consiglio dei Ministri).
Fonti documentali analizzate
- Strategia Nazionale per l’Intelligenza Artificiale 2024–2026 (DTD e MIMIT, ottobre 2023)
- Piano “Italia Digitale 2026” (Missione 1 – Componente 1, PNRR)
- Linee guida AgID 2023 su trasparenza algoritmica e uso dell’AI nei servizi pubblici
- Comunicati e documenti del Forum Nazionale sull’AI nella PA (2023–2024)
Risultati della verifica e motivi della valutazione per ciascuna dimensione
| Dimensione | Valutazione (scala 1–5) | Motivo della valutazione |
| Pensiero critico | 3 | Il DTD promuove la consapevolezza sull’uso dell’AI attraverso corsi e linee guida, ma non esistono ancora strumenti standardizzati per valutare la capacità critica dei funzionari nel validare gli output dei modelli. La cultura del “prompt verificato” è in formazione, non sistemica. |
| Competenze linguistiche | 3 | Le iniziative di formazione su linguaggio digitale e prompt design (in collaborazione con SNA e Formez) sono ancora in fase pilota. Mancano framework comuni e repository di prompt per gli uffici pubblici. |
| Comprensione del contesto | 4 | Il DTD ha un ruolo forte di indirizzo e contestualizzazione (Italia Digitale 2026 e AI Act), ma il recepimento operativo da parte delle singole amministrazioni rimane disomogeneo. L’allineamento tra strategia e pratica non è ancora stabile. |
| Supervisione consapevole | 2 | Pur esistendo linee guida AgID sulla trasparenza algoritmica, non sono ancora stati istituiti AI Audit Board o meccanismi formali di monitoraggio dei risultati dei modelli. La supervisione è demandata alle singole amministrazioni. |
| Collaborazione uomo–macchina | 3 | Sono in corso sperimentazioni (es. assistenti virtuali e chatbot per i servizi online), ma l’integrazione nei flussi di lavoro è ancora parziale. L’interazione umano-AI è episodica, non ancora codificata nei processi standard. |
Sintesi interpretativa
Il DTD rappresenta il vertice istituzionale più avanzato sul piano strategico, ma il suo ruolo resta prevalentemente normativo e di indirizzo. La maturità cognitiva non si traduce ancora in pratiche diffuse di supervisione e validazione dei risultati.
La struttura ha quindi una readiness medio-bassa (2,8/5): elevata comprensione del contesto, ma debole implementazione operativa delle pratiche di controllo e di collaborazione uomo-AI.
2. Ministero dell’Economia e delle Finanze (MEF).
Fonti documentali analizzate
- Piano Triennale per l’Informatica nella Pubblica Amministrazione 2024–2026 (AgID – MEF, ottobre 2024)
- Relazione annuale del Dipartimento dell’Amministrazione Generale, del Personale e dei Servizi (DAG-MEF, 2023)
- Documento di Economia e Finanza Digitale 2023 (Direzione Sistema Informativo e Innovazione)
- Progetti interni del Centro di Competenza per l’Analisi dei Dati (MEF – RGS), relativi all’uso di NLP e text mining per la lettura di documenti contabili e normativi
- Comunicazioni e linee guida interne sull’uso di modelli linguistici generativi a supporto dei processi di bilancio e rendicontazione PNRR (2024)
Risultati della verifica e motivi della valutazione per ciascuna dimensione
| Dimensione | Valutazione (scala 1–5) | Motivo della valutazione |
| Pensiero critico | 3 | Le unità tecniche che utilizzano strumenti AI per l’analisi di testi normativi mostrano un buon livello di consapevolezza, ma l’attitudine critica resta confinata a pochi nuclei specialistici (Data Lab e RGS). Nei dipartimenti amministrativi l’AI è ancora percepita come black box. |
| Competenze linguistiche | 2 | Il personale non tecnico non ha ricevuto formazione specifica sul linguaggio dei modelli generativi. I prompt sono elaborati da team IT o esterni, senza diffusione di competenze di base tra funzionari e dirigenti. |
| Comprensione del contesto | 4 | Il MEF integra le valutazioni AI nel contesto regolatorio e finanziario con attenzione ai vincoli legali e alla riservatezza dei dati. Tuttavia, la traduzione di questo presidio in policy operative è disomogenea fra dipartimenti. |
| Supervisione consapevole | 2 | Mancano protocolli strutturati di audit dei modelli e dei dataset usati nei progetti sperimentali. Le revisioni umane avvengono a posteriori e non sempre sono documentate. |
| Collaborazione uomo–macchina | 3 | Alcuni workflow contabili e di monitoraggio fondi UE integrano moduli AI per l’analisi automatica, ma l’interazione rimane di tipo “assistivo” e non ancora collaborativo. I sistemi non apprendono dai feedback umani. |
Sintesi interpretativa
Il MEF è un caso di adozione tecnologica selettiva, concentrata su ambiti di analisi e reporting finanziario, ma con basso livello di integrazione cognitiva e organizzativa.
La AI Readiness complessiva (2,8/5) risulta analoga a quella del DTD, ma con un profilo differente: forte attenzione al contesto regolatorio e alla sicurezza dei dati, a fronte di debole diffusione delle competenze linguistiche e della supervisione strutturata.
3. Istituto Nazionale di Statistica (ISTAT).
Fonti documentali analizzate
- Piano strategico ISTAT 2021–2025 e Programma statistico nazionale (PSN) 2024–2026
- Linee di sviluppo per l’uso dell’intelligenza artificiale nelle statistiche ufficiali (ISTAT, 2023)
- Documenti del Laboratorio Data Science e Machine Learning (2022–2024)
- Comunicazioni interne e workshop “AI per la produzione statistica” (2024)
- Partecipazione ISTAT a reti internazionali (UNECE HLG-MOS, Eurostat)
Risultati della verifica e motivi della valutazione per ciascuna dimensione
| Dimensione | Valutazione (scala 1–5) | Motivo della valutazione |
| Pensiero critico | 4 | I team metodologici applicano regolarmente la validazione dei modelli ML e LLM, con peer review interna e controllo di coerenza dei risultati. Tuttavia, le competenze critiche rimangono concentrate nei reparti di ricerca e non sono diffuse tra i funzionari che usano gli strumenti in modo applicativo. |
| Competenze linguistiche | 3 | Alcuni progetti pilota usano linguaggi di prompting per generare metadati o testi descrittivi, ma la formazione sul linguaggio naturale applicato ai modelli generativi è ancora sperimentale e limitata a pochi ricercatori. |
| Comprensione del contesto | 5 | L’ISTAT mostra elevata consapevolezza istituzionale e metodologica: ogni progetto AI è collegato al mandato statistico, con rigorosa attenzione a qualità, trasparenza e protezione dei dati. Esemplare l’adesione agli standard UNECE per l’AI etica nella statistica ufficiale. |
| Supervisione consapevole | 4 | Sono presenti procedure di controllo qualità ex ante ed ex post sui modelli, con documentazione metodologica e audit interni. Tuttavia, i processi di monitoraggio continuo degli output dei LLM sono ancora in fase di definizione. |
| Collaborazione uomo–macchina | 3 | La collaborazione è mediata da strumenti di automazione (es. text classification, scraping intelligente), ma l’integrazione cognitiva resta parziale: le interazioni umano-AI sono verticali, non ancora dialogiche. |
Sintesi interpretativa
L’ISTAT rappresenta la struttura più avanzata in termini di maturità cognitiva e metodologica. L’integrazione dell’AI nei processi statistici è guidata da un forte presidio etico e scientifico, coerente con gli standard internazionali.
L’indice di readiness medio (3,8/5) è il più alto tra le amministrazioni analizzate, ma restano margini di miglioramento nella diffusione trasversale delle competenze linguistiche e nella piena collaborazione uomo–macchina.
4. Comune di Milano.
Fonti documentali analizzate
- Piano Strategico Milano 2030 e Piano per la Trasformazione Digitale 2022–2024 (Direzione Innovazione e Servizi Civici)
- Bilancio di Sostenibilità Digitale 2023
- Documentazione del progetto “Milano Digital Week” (edizioni 2023–2024) e degli hackathon sull’uso dell’AI nei servizi comunali
- Atti e comunicati relativi al progetto “Assistente virtuale per i servizi anagrafici” sviluppato con Microsoft Italia (2023)
- Linee guida interne per l’uso responsabile dell’AI nei chatbot comunali (2024, in collaborazione con ANCI e Politecnico di Milano)
Risultati della verifica e motivi della valutazione per ciascuna dimensione
| Dimensione | Valutazione (scala 1–5) | Motivo della valutazione |
| Pensiero critico | 2 | I funzionari addetti ai servizi digitali si limitano a supervisionare risposte e flussi informativi dei chatbot, senza un’analisi critica degli algoritmi di generazione. Il pensiero critico rimane delegato ai fornitori tecnologici. |
| Competenze linguistiche | 3 | È stata avviata una formazione di base per il personale front-office sull’interazione con sistemi di linguaggio naturale. Tuttavia, non esiste un protocollo di prompting controllato né un glossario condiviso per l’AI conversazionale. |
| Comprensione del contesto | 4 | La Giunta ha definito regole di trasparenza e tutela dei dati nel contesto dei servizi ai cittadini, integrando principi etici e legali locali. Il contesto normativo è compreso e rispettato, anche grazie al supporto del Politecnico di Milano. |
| Supervisione consapevole | 2 | Non sono ancora attivi audit regolari sugli algoritmi di risposta dei chatbot né meccanismi indipendenti di validazione. Gli errori vengono corretti manualmente, senza log strutturato o revisione automatica. |
| Collaborazione uomo–macchina | 3 | La collaborazione è crescente ma confinata ai servizi informativi. Non vi sono flussi di lavoro integrati tra operatori e modelli, né interoperabilità con altre piattaforme della PA. |
Sintesi interpretativa
Il Comune di Milano si distingue per vivacità sperimentale e sensibilità etica, ma il livello di maturità cognitiva resta medio-basso (valore medio 2,8/5).
Il contesto normativo e comunicativo è ben compreso, ma la supervisione algoritmica e la riflessione critica risultano ancora deboli. L’approccio è quello di una PA “earlyadopter”, innovativa nella forma ma non ancora robusta nella governance dell’AI.
5. Regione Emilia-Romagna.
Fonti documentali analizzate
- Agenda Digitale Emilia-Romagna 2020–2025 e Piano triennale ICT regionale 2023–2025
- Documenti del progetto “Data Valley Bene Comune” e del programma “AI for Public Services” (2022–2024)
- Pubblicazioni e report di Lepida S.p.A., società in-house regionale per l’infrastruttura digitale e i servizi cloud
- Atti del Tavolo regionale per l’intelligenza artificiale e linee guida sulla governance dei dati pubblici (2023)
- Comunicati sul progetto di chatbot regionale per bandi e servizi ai cittadini (2024)
Risultati della verifica e motivi della valutazione per ciascuna dimensione
| Dimensione | Valutazione (scala 1–5) | Motivo della valutazione |
| Pensiero critico | 3 | I team ICT regionali mostrano buona capacità di valutazione tecnica degli algoritmi, ma manca una riflessione sistematica sugli effetti cognitivi e sociali dell’AI nelle decisioni pubbliche. L’approccio è prevalentemente tecnologico. |
| Competenze linguistiche | 3 | La formazione sul linguaggio dei modelli generativi è in fase di avvio grazie a partnership con università regionali. Tuttavia, l’uso del prompting rimane limitato a personale tecnico e a pochi progetti sperimentali. |
| Comprensione del contesto | 5 | La Regione integra l’AI nelle proprie politiche digitali con forte coerenza istituzionale. L’approccio “Data Valley” enfatizza la sovranità dei dati, la trasparenza e l’impatto socio-economico, rendendo questa dimensione la più avanzata. |
| Supervisione consapevole | 3 | Esistono strumenti di monitoraggio tecnico (audit di Lepida), ma non ancora procedure di supervisione cognitiva o comitati indipendenti per la validazione etica dei modelli. |
| Collaborazione uomo–macchina | 4 | In diversi servizi (sanità digitale, sportelli online, bandi europei) sono stati introdotti workflow ibridi con interazione uomo-AI. Tuttavia, manca una piattaforma unica che raccolga feedback e apprendimenti. |
Sintesi interpretativa
La Regione Emilia-Romagna si colloca tra le amministrazioni locali più avanzate nella digital governance, con un forte orientamento alla contestualizzazione istituzionale e alla cooperazione inter-agenzia.
La readiness media complessiva (3,6/5) riflette un buon equilibrio tra visione strategica e applicazione pratica, ma evidenzia la necessità di rafforzare la supervisione cognitiva e la diffusione delle competenze linguistiche oltre i confini tecnici.
Tabella – Confronto risultati e media
| Dimensione / Amministrazione | Dip. Trasformazione Digitale | MEF | ISTAT | Comune di Milano | Regione Emilia-Romagna |
| Pensiero critico | 3 | 3 | 4 | 2 | 3 |
| Competenze linguistiche | 3 | 2 | 3 | 3 | 3 |
| Comprensione del contesto | 4 | 4 | 5 | 4 | 5 |
| Supervisione consapevole | 2 | 2 | 4 | 2 | 3 |
| Collaborazione uomo–macchina | 3 | 3 | 3 | 3 | 4 |
| Media complessiva | 3,0 | 2,8 | 3,8 | 2,8 | 3,6 |
Lettura sintetica
- ISTAT è l’amministrazione più matura (3,8/5), con alti livelli di comprensione del contesto e supervisione consapevole.
- Regione Emilia-Romagna segue con 3,6/5, equilibrando innovazione e governance.
- Dipartimento TD e MEF mostrano maturità intermedia (circa 3/5) ma carenze strutturali nella supervisione.
- Comune di Milano è un “earlyadopter” dinamico ma con bassa riflessività organizzativa (2,8/5).