IA generativa e amministrazioni pubbliche: continuità o svolta?

L’esplosione commerciale delle intelligenze artificiali generative è un fenomeno recente. Il primo Generative Pre-Trained Transformer di OpenAI è arrivato nel 2018. ChatGPT arriva più tardi, nel 2022. È un successo commerciale. Raggiunge un milione di utenti globalmente in meno di cinque giorni. A Facebook, nel 2004, erano occorsi dieci mesi per raggiungere il milionesimo utente.

Al successo commerciale delle intelligenze artificiali generative seguono molte – e importanti – conseguenze. Prima tra tutte: i consumi elevati, di energia, di materie prime critiche e di know-how geopoliticamente sensibile. Seconda: l’accentuazione degli squilibri già esistenti tra governi e lo sparuto gruppo di aziende che detiene l’egemonia computazionale. I nuovi processi industriali generati da massicci investimenti in intelligenze artificiali, infine, trasformano le dinamiche di mercato e, di conseguenza, il procurement delle pubbliche amministrazioni.

È su questi temi che si è concentrato finora larga parte del dibattito pubblico sulle intelligenze artificiali. Ma lo studio delle complesse questioni ambientali, di sicurezza e competitività non basta, da solo, a comprendere appieno le potenzialità e i rischi delle intelligenze artificiali generative. Nuovi problemi, un tempo considerati marginali, si impongono all’agenda politica e alla ricerca scientifica nel momento in cui questa tecnologia diviene uno strumento operativo delle pubbliche amministrazioni. L’integrazione delle intelligenze artificiali nel lavoro quotidiano di governi locali, nazionali e sopranazionali è problematica in tre dimensioni. Quella della sovrapposizione tra sfera pubblica e impresa privata. Quella cui fanno capo l’efficacia e la legalità di decisioni pubbliche generate artificialmente. Infine, quella relativa all’evoluzione del sapere custodito dalle pubbliche amministrazioni. Secondo alcuni, le intelligenze artificiali generative potrebbero marcare un punto di discontinuità netto nei ruoli, nelle funzioni e nelle modalità operative delle pubbliche amministrazioni. Altri invece le considerano un passaggio graduale, parte di traiettorie già in atto.

Proviamo a rispondere al dilemma soffermandoci su ciascuna delle tre dimensioni appena citate: la crescente interdipendenza fra sfera pubblica e potere d’impresa, la tenuta giuridica dei procedimenti automatizzati e il destino stesso del patrimonio di conoscenze custodito dallo Stato.

Pubblico e privato: una dipendenza circolare

Sul primo versante, la frontiera pubblico–privato non è mai apparsa tanto porosa. I cosiddetti modelli “fondativi” che alimentano ChatGPT, Gemini o Claude richiedono risorse computazionali e dataset che nessuna amministrazione, neppure quelle delle economie più floride, è oggi in grado di replicare integralmente in house. Ne deriva un doppio movimento: da un lato, le istituzioni dipendono da un oligopolio tecnologico per l’accesso a capacità di calcolo e aggiornamenti di sicurezza; dall’altro, quello stesso oligopolio ha bisogno della legittimazione normativa e, soprattutto, dell’immenso patrimonio informativo pubblico per alimentare ulteriormente i modelli generativi. Nella ricerca descriviamo questo equilibrio provvisorio come una “cattura circolare”: le imprese possono influenzare l’orientamento regolatorio, ma l’efficacia dei loro prodotti finisce per dipendere dalla qualità, dall’apertura e dalla tempestività dei dati governativi. Il bivio vede, da una parte, l’accettazione di soluzioni “chiavi in mano”, che però presentano il rischio di lock-in algoritmico; dall’altra parte muove verso il sostegno a filiere sovrane e open-source più lente e meno performanti, ma potenzialmente capaci di rafforzare l’autonomia strategica europea.

Decisioni automatizzate e diritto amministrativo

Il secondo campo di tensione riguarda la conformità dei processi decisionali assistiti o generati dalle intelligenze artificiali ai principi di legalità, imparzialità e motivazione che strutturano il diritto amministrativo. Nella ricerca documentiamo casi in cui decisioni algoritmiche – dal calcolo dei contributi agli alloggi sociali alle graduatorie per l’accesso ai nidi – sono state annullate dai giudici per difetto di trasparenza o per errata rappresentazione dei dati di partenza. Le intelligenze generative amplificano il problema, perché producono testi fluenti, verosimili, ma spesso privi di fondamento fattuale. Se un provvedimento si fonda su tali elaborazioni senza un vaglio umano autentico, si configura non soltanto un vizio di motivazione, ma talvolta un vero eccesso di potere, con conseguente responsabilità erariale. A questo problema, esistono alcune soluzioni sperimentali. Forme di “accountability by design” – registri di log e sand-box controllate, ad esempio – possono facilitare una tracciabilità ex post, contribuendo a soddisfare i requisiti di trasparenza e legittimazione.

Il sapere pubblico nell’era della generazione automatica

La terza dimensione, forse la più sottovalutata, è l’evoluzione del sapere pubblico. La pubblica amministrazione moderna nasce fondamentalmente come macchina per l’archiviazione: repertori, catasti, anagrafi, biblioteche. La trasformazione digitale ha reso questo patrimonio accessibile. Le intelligenze artificiali generative ne cambiano nuovamente la natura: non più solo strumento per la consultazione di documenti; anche strumento di narrazione ed elaborazione. Ciò produce, da un lato, un’accelerazione nell’estrazione di informazioni: redigere la bozza di un rapporto comparativo su politiche abitative europee richiede minuti anziché settimane. Dall’altro lato, si rischia di indebolire quella memoria istituzionale che vive nei margini delle carte, nelle note a mano, nelle prassi. Se a un algoritmo si delega la funzione di sintesi permanente, l’originale può apparire superfluo. Il capitale conoscitivo si assottiglia, e con esso la capacità di contestualizzare, di dissentire, di apprendere dall’eccezione. La proposta della ricerca è allora quella di concepire la co-produzione della conoscenza come atto deliberato: mantenere copie immutabili dei documenti, addestrare modelli verticali su corpus certificati, e soprattutto coltivare le competenze ermeneutiche di funzionari in grado non solo di interrogare le intelligenze artificiali, ma di comprenderne le traiettorie di errore.

Conclusione

Questi tre blocchi di questioni convergono verso una conclusione preliminare: l’intelligenza artificiale generativa non appare come semplice upgrade di strumenti preesistenti, ma nemmeno come rottura totale. È piuttosto un acceleratore di contraddizioni e di possibilità; un dispositivo che obbliga le amministrazioni a rendere esplicite le proprie dipendenze, a ripensare la catena di responsabilità, a valorizzare il proprio patrimonio di conoscenze.

In assenza di una governance che tenga insieme infrastruttura energetica, regole di tracciabilità, diritti fondamentali e valorizzazione dei dati pubblici, il rischio di fratture democratiche aumenta. Viceversa, laddove la macchina venga collocata in una cornice etica, giuridica e organizzativa che ne riconosca la potenza senza idolatrarla, le amministrazioni possono trasformarla in un moltiplicatore di trasparenza, di efficienza e, soprattutto, di intelligenza collettiva.