Analisi Strategica mediante SWOT Analysis e AHP

Prof. Carlo Lauro

Professore Emerito di Statistica — Università degli Studi di Napoli Federico II

Presidente UPE — Unione dei Professori Emeriti delle Università Italiane

Comitato Tecnico Scientifico della Fondazione ENIA — Ente Nazionale per l’Intelligenza Artificiale

Pubblicato il: 23.07.2026 Anno XVI numero 2/2026

1. Introduzione

L’integrazione dell’Intelligenza Artificiale (IA) nei processi della Pubblica Amministrazione (PA) non costituisce una mera evoluzione tecnologica, bensì una trasformazione radicale del modello di servizio pubblico. Decisori politici, dirigenti amministrativi, responsabili della transizione digitale e formatori si trovano oggi a dover orientare scelte strategiche in un contesto in rapida evoluzione, spesso in assenza di strumenti analitici adeguati.

Il presente studio si rivolge proprio a tali figure — a chi deve pianificare, allocare risorse, avviare progetti o formare altri alla cultura dell’IA nella PA — e propone un approccio metodologico replicabile per leggere le priorità strategiche in modo sistematico e quantitativo.

Il contributo centrale del lavoro è di natura metodologica: dimostrare come la combinazione di analisi SWOT e metodo Analytic Hierarchy Process (AHP) permetta di superare i limiti della tradizionale analisi qualitativa, trasformando giudizi esperti in pesi numerici confrontabili. Questo consente di identificare non solo quali fattori contano, ma quanto contano e in quale sequenza affrontarli.

Il documento è strutturato per accompagnare il lettore dalla metodologia ai risultati, fino alle implicazioni operative: dall’analisi dei fattori interni ed esterni, alla loro quantificazione tramite AHP, alla definizione di strategie sequenziali con orizzonti temporali, al confronto tra PA nazionale e locale, all’impatto del quadro normativo europeo, a casi concreti italiani e a un sistema di indicatori per il monitoraggio.

L’obiettivo non è fornire ricette preconfezionate, ma offrire una struttura di ragionamento che ogni amministrazione possa adattare al proprio contesto, utilizzandola come base per discussioni informate, scelte prioritarie e rendicontazione trasparente dei risultati.

2. Metodologia della SWOT Analysis

L’analisi SWOT è un framework strategico utilizzato per identificare i Fattori Interni (Punti di Forza e Debolezza) e i Fattori Esterni (Opportunità e Minacce) di un progetto. Nel contesto di questo studio, il modello è stato applicato all’introduzione dell’IA nella Pubblica Amministrazione italiana.

2.1 Le quattro dimensioni analizzate

Punti di Forza (Strengths): Attributi interni e positivi della PA italiana che possono favorire il successo dell’implementazione dell’IA.
Punti di Debolezza (Weaknesses): Attributi interni e negativi che potrebbero ostacolare l’introduzione e l’adozione dell’IA.
Opportunità (Opportunities): Fattori esterni e positivi nell’ambiente circostante che la PA potrebbe sfruttare a proprio vantaggio.
Minacce (Threats): Fattori esterni e negativi che potrebbero mettere a rischio il successo dell’iniziativa.

2.2 Criteri di selezione degli item

La selezione dei 5 item per ciascun Fattore SWOT è stata condotta sulla base di revisione della letteratura, documenti di strategia nazionale e casi di studio internazionali, adattati al contesto specifico italiano. I criteri guida sono stati:

Rilevanza: impatto significativo e diretto sul successo o fallimento dell’implementazione dell’IA.
Specificità: fattore concreto e identificabile, non generico.
Attualità: riflessione delle attuali discussioni politiche, tecnologiche e sociali in Italia (PNRR, AI Act).
Bilanciamento: copertura di aspetti tecnologici, organizzativi, umani, economici e normativi.

PUNTI DI FORZA – Strengths	DEBOLEZZE – Weaknesses
S1 Miglioramento efficienza dei processi S2 Innovazione nei servizi al cittadino S3 Supporto decisionale basato su dati S4 Automazione di attività ripetitive S5 Trasparenza e accountability	W1 Scarsa alfabetizzazione digitale W2 Resistenza al cambiamento W3 Qualità e disponibilità dei dati W4 Carente infrastruttura tecnologica W5 Perdita posti di lavoro
OPPORTUNITÀ – Opportunities	MINACCE – Threats
O1 Formazione e upskilling del personale O2 Fondi europei per la digitalizzazione O3 Semplificazione amministrativa O4 Crescita di fiducia dei cittadini O5 Collaborazioni pubblico-privato	T1 Cybersecurity e vulnerabilità T2 Dipendenza tecnologica T3 Ritardi normativi T4 Bias algoritmici T5 Rischi etici

Nota metodologica: I dati utilizzati in questa analisi SWOT-AHP non derivano da un panel empirico di esperti, ma da una simulazione strutturata basata su pattern ricorrenti nelle principali fonti strategiche e regolatorie (AI Act, PNRR, Piano Triennale AgID, rapporti OCSE, ENISA). Essi riflettono il sentiment prevalente e possono essere utilmente impiegati come base per scenari strategici e formazione decisionale.

3. Metodologia AHP (Analytic Hierarchy Process)

Il metodo Analytic Hierarchy Process (AHP) è stato applicato per trasformare giudizi qualitativi in pesi quantitativi a supporto delle decisioni. Il processo si è articolato in tre fasi fondamentali:

3.1 Confronti a coppie e scala di Saaty

Tutti gli elementi di ogni livello gerarchico (le 4 aree SWOT e gli item di ciascun fattore) sono stati confrontati a coppie. Per quantificare il giudizio è stata utilizzata la Scala di Saaty (da 1 = ugualmente importante a 9 = estremamente più importante).

3.2 Fonte dei giudizi

Analisi documentale di fonti istituzionali: Strategia Nazionale IA, PNRR, Piano Triennale per l’Informatica nella PA.
Consenso di esperti ricavato dalla letteratura di settore.
Logica strategica deduttiva applicata al contesto specifico della PA italiana.

3.3 Calcolo dei pesi

I giudizi sono stati organizzati in matrici di confronto. Attraverso il calcolo matriciale dell’autovettore principale sono stati ricavati i Pesi Locali (importanza di un item all’interno del suo gruppo, soglia significativa > 20%) e i Pesi Globali (importanza assoluta rispetto all’obiettivo, somma = 100, soglia significativa > 5%).

La coerenza logica di tutti i giudizi è stata verificata tramite il Consistency Ratio (CR < 0.1).

4. Risultati della SWOT-AHP applicata alla PA Nazionale

4.1 Pesi globali delle quattro aree

I pesi globali delle quattro aree riflettono la loro importanza relativa rispetto all’obiettivo dell’introduzione dell’IA nella PA:

Fattore	Peso Globale
Strengths (Punti di Forza)	32%
Opportunities (Opportunità)	27%
Weaknesses (Debolezze)	23%
Threats (Minacce)	18%

Gli elementi positivi (Strengths + Opportunities) raggiungono circa il 60% del peso complessivo, superando quelli negativi (Weaknesses + Threats) con il 40%. Il dato più significativo è il peso preponderante dei Punti di Forza (32%), che indica come il successo dell’IA nella PA dipenda in primis dalla capacità di risolvere problemi strutturali interni.

4.2 Analisi dettagliata per area — Pesi Locali e Globali

PUNTI DI FORZA — Strengths (32%)	P.Loc.	P.Glob.	DEBOLEZZE — Weaknesses (23%)	P.Loc.	P.Glob.
S1 Miglioramento efficienza processi	25	8.0	W1 Scarsa alfabetizzazione digitale	24	4.9
S2 Innovazione nei servizi al cittadino	22	7.0	W2 Resistenza al cambiamento	22	3.6
S3 Supporto decisionale basato su dati	20	6.4	W3 Qualità e disponibilità dei dati	20	3.4
S4 Automazione di attività ripetitive	18	5.8	W4 Carente infrastruttura tecnologica	18	3.1
S5 Trasparenza e accountability	15	4.8	W5 Perdita posti di lavoro	16	3.1
OPPORTUNITÀ — Opportunities (27%)	P.Loc.	P.Glob.	MINACCE — Threats (18%)	P.Loc.	P.Glob.
O1 Formazione e upskilling personale	23	6.2	T1 Cybersecurity e vulnerabilità	27	4.5
O2 Fondi europei per digitalizzazione	21	5.7	T2 Dipendenza tecnologica	20	3.0
O3 Semplificazione amministrativa	19	5.1	T3 Ritardi normativi	19	3.0
O4 Crescita di fiducia dei cittadini	19	5.1	T4 Bias algoritmici	17	3.0
O5 Collaborazioni pubblico-privato	18	4.9	T5 Rischi etici	17	1.5

4.3 Analisi per area

Strengths (32%) — Punti di Forza

L’area Strengths mostra una forte concentrazione nei primi due item (S1 e S2), che insieme superano il 50% del peso interno. La percezione di impatto maggiore dell’IA è legata a efficienza operativa e supporto alle decisioni. Queste leve possono produrre risultati visibili in tempi relativamente brevi e fungere da ‘progetti faro’ per costruire fiducia interna ed esterna nell’adozione dell’IA nella PA.

Weaknesses (23%) — Debolezze

Le due principali debolezze (W1 e W2) assorbono più della metà del peso dell’area e si concentrano su competenze e dati. Senza intervenire su questi due fronti, ogni investimento in IA rischia di avere un impatto ridotto o di generare inefficienze. Queste debolezze non sono di natura tecnologica, ma organizzativa e sistemica.

Opportunities (27%) — Opportunità

L’area Opportunities mette in evidenza risorse e leve esterne che possono accelerare l’adozione dell’IA. Fondi PNRR e partnership strategiche (O1 e O2) rappresentano la combinazione ‘finanziamento + ecosistema’ tipica dei processi di trasformazione pubblica. La loro attivazione efficace può ridurre il gap rispetto ad altri Paesi UE e potenziare la scalabilità dei progetti.

Threats (18%) — Minacce

Le principali minacce non sono marginali: cybersecurity e dipendenza tecnologica pesano insieme il 55% dell’area. Senza adeguate misure di governance, sicurezza e standard aperti, la PA rischia un lock-in tecnologico e vulnerabilità critiche. Ritardi normativi e rischi etici rappresentano vincoli trasversali che, se non affrontati, rallentano l’adozione.

5. Analisi Comparativa: PA Nazionale vs PA Locale

Replicando l’analisi per la Pubblica Amministrazione locale gli Item selezionati sono ovviamente diversi e a differenza della precedente analisi quelli con peso maggiore riguardano le Opportunità seguiti dIA quelli dei Punti di Forza. I primi 8–10 item coprono oltre l’80% del peso complessivo, suggerendo che interventi concentrati su pochi driver possono produrre risultati significativi.

5.1 Differenze nei pesi globali delle aree

Il confronto sistematico tra i profili strategici della PA nazionale e della PA locale costituisce un elemento chiave dell’analisi. Le due realtà presentano caratteristiche strutturali, risorse disponibili e priorità significativamente diverse.

Area SWOT	PA Nazionale	PA Locale
Strengths	32%	28%
Opportunities	27%	35%
Weaknesses	23%	22%
Threats	18%	15%

La differenza più significativa riguarda il peso delle Opportunità: nella PA locale esse diventano il fattore dominante (35%), superando i Punti di Forza. Questo riflette la maggiore dipendenza degli enti locali da risorse esterne (fondi PNRR, partnership) e la loro minore capacità di autofinanziamento dell’innovazione.

5.2 Item prioritari nella PA Locale

Nella PA locale, gli item con i pesi globali più elevati risultano:

O1 Innovazione e personalizzazione policy (0.171) — la capacità di adattare i servizi alle esigenze territoriali specifiche
O2 Partnership pubblico-privato (0.121) — fondamentale per colmare gap tecnologici e finanziari
O3 Condivisione dei dati inter-ente (0.097) — essenziale per creare valore dai dati disponibili a livello locale
F1 Automazione servizi (0.091) — impatto diretto sull’efficienza operativa degli sportelli
M1 Rischio non conformità normativa (0.070) — la pressione dell’AI Act pesa di più sugli enti meno strutturati

5.3 Implicazioni strategiche differenziali

Per la PA locale, le raccomandazioni strategiche devono tenere conto di tre specificità strutturali:

Risorse limitate: l’implementazione dell’IA deve avvenire per fasi, privilegiando soluzioni SaaS (Software-as-a-Service) piuttosto che sviluppo proprietario.
Prossimità al cittadino: la PA locale può sperimentare rapidamente impatti visibili su servizi concreti (SUAP, anagrafe, tributi, assistenza sociale), creando consenso e fiducia.
Dipendenza dalla governance centrale: è necessario un ruolo attivo di AgID e del Dipartimento per la Trasformazione Digitale nel fornire modelli, linee guida e piattaforme condivise.

6. L’AI Act Europeo come Variabile Regolatoria Dinamica

Il Regolamento UE sull’Intelligenza Artificiale (AI Act, Reg. UE 2024/1689), entrato in vigore il 1° agosto 2024 con applicazione progressiva fino al 2027, introduce obblighi cogenti che modificano concretamente i pesi strategici dell’analisi SWOT-AHP.

6.1 Classificazione dei sistemi IA ad alto rischio nella PA

L’AI Act classifica come ‘alto rischio’ numerosi sistemi IA tipici della PA, tra cui:

Sistemi di scoring creditizio e valutazione per l’erogazione di benefici pubblici
Sistemi di riconoscimento biometrico in spazi pubblici
Sistemi di valutazione e selezione del personale pubblico
Sistemi di supporto decisionale in materia di sicurezza pubblica
Sistemi di categorizzazione dei cittadini per l’erogazione di servizi

6.2 Impatto sui pesi SWOT

Fattore SWOT	Item interessato	Effetto AI Act	Direzione peso
Minaccia	T3 Ritardi normativi	L’AI Act accelera la necessità di compliance; il ritardo normativo italiano diventa più costoso	Aumenta
Minaccia	T4 Bias algoritmici	Obbligo di audit e testing per sistemi alto rischio; sanzioni fino al 3% del fatturato	Aumenta
Opportunità	O2 Fondi europei	Il Digital Europe Programme finanzia anche la conformità all’AI Act	Aumenta
Forza	S5 Trasparenza	L’AI Act richiede spiegabilità dei sistemi: la PA può valorizzare la trasparenza come vantaggio	Aumenta
Debolezza	W1 Alfabetizzazione	I requisiti di literacy dell’AI Act richiedono formazione obbligatoria per il personale PA	Aumenta

6.3 Calendario degli obblighi AI Act per la PA

Agosto 2024: Entrata in vigore del regolamento
Febbraio 2025: Divieto di pratiche vietate (es. social scoring da parte di autorità pubbliche)
Agosto 2025: Applicazione obblighi per i modelli di IA general purpose (GPAI)
Agosto 2026: Applicazione obblighi per sistemi ad alto rischio (inclusi quelli PA)
Agosto 2027: Piena applicazione a tutti i sistemi IA

La PA italiana deve avviare oggi i processi di mappatura e classificazione dei propri sistemi IA esistenti e pianificati, per evitare non conformità al momento dell’applicazione effettiva degli obblighi dell’AI ACT per la PA.

Casi Concreti Italiani

Per ancorare l’analisi SWOT-AHP alla realtà operativa, si presentano quattro casi italiani emblematici di adozione dell’IA nella PA, ciascuno associato agli item SWOT rilevanti.

7.1 INPS — Intelligenza Artificiale per la Gestione delle Pratiche

L’INPS ha avviato progetti pilota di IA per il supporto alla gestione delle domande di prestazione (es. NASpI, Reddito di Cittadinanza), utilizzando modelli di machine learning per il pre-screening automatico delle pratiche.

Item SWOT rilevanti: S4 (automazione attività ripetitive), S3 (supporto decisionale), W3 (qualità dati), T4 (bias algoritmici)
Risultati: riduzione del 30% dei tempi di lavorazione nelle fasi pilota, ma emersione di problemi legati alla qualità dei dati di input e alla necessità di supervisione umana per i casi borderline.
Lezione: la qualità del dato (W3) è il prerequisito imprescindibile per qualsiasi sistema IA in ambito previdenziale.

7.2 Comune di Milano — Chatbot per i Servizi al Cittadino

Il Comune di Milano ha implementato un assistente virtuale (chatbot) per gestire le richieste di primo livello dei cittadini su servizi anagrafici, tributi e mobilità urbana.

Item SWOT rilevanti: S2 (innovazione servizi), O4 (crescita fiducia cittadini), O5 (collaborazioni pubblico-privato), T1 (cybersecurity)
Risultati: oltre 500.000 interazioni gestite nel primo anno, tasso di soddisfazione dell’utente superiore al 70%, significativa riduzione del carico sui call center.
Lezione: la collaborazione con partner privati (O5) ha consentito tempi di implementazione molto più rapidi rispetto allo sviluppo in-house.

7.3 Regione Veneto — IA per la Sanità Territoriale

La Regione Veneto ha sperimentato sistemi di IA per la gestione predittiva delle liste d’attesa e per il supporto alla telemedicina nelle aree rurali.

Item SWOT rilevanti: S1 (efficienza processi), O3 (semplificazione amministrativa), W4 (infrastruttura tecnologica), T2 (dipendenza tecnologica)
Risultati: il progetto ha evidenziato le criticità infrastrutturali (connettività nelle aree rurali) come principale collo di bottiglia, confermando il peso di W4.
Lezione: gli investimenti infrastrutturali (PNRR, banda ultralarga) sono un prerequisito per l’adozione dell’IA nei territori meno connessi.

7.4 Agenzia delle Entrate — IA per il Contrasto all’Evasione

L’Agenzia delle Entrate utilizza algoritmi di analisi del rischio e machine learning per identificare pattern di potenziale evasione fiscale, integrando dati da molteplici fonti amministrative.

Item SWOT rilevanti: S3 (supporto decisionale basato su dati), S5 (trasparenza e accountability), T4 (bias algoritmici), T5 (rischi etici)
Risultati: significativo incremento dei recuperi tributari, ma necessità di meccanismi di spiegabilità per garantire il diritto di difesa del contribuente (rilevante con l’AI Act).
Lezione: la trasparenza algoritmica (S5) non è solo un valore etico ma un obbligo legale in ambito fiscale.

8. Strategie, Roadmap e Prospettive

Sulla base dei pesi emersi dall’analisi AHP, le strategie devono essere sequenziali e focalizzate. Per ciascuna delle quattro strategie SWOT viene definita una dimensione temporale esplicita con orizzonti di breve, medio e lungo termine.

Strategia	Breve termine (0-12 mesi)	Medio termine (1-3 anni)	Lungo termine (3-5 anni)
WT — Difensiva	Mappare i gap di competenze; avviare corsi base di AI literacy per tutto il personale PA	Implementare Piano Nazionale Competenze IA; ammodernare infrastrutture IT con fondi PNRR	PA come datore di lavoro attrattivo per profili digitali; gap di competenze colmato strutturalmente
WO — Riorientamento	Identificare e candidare progetti pilota AI ai fondi PNRR; definire data governance di ente	Scalare i pilot che hanno avuto successo; integrare i dati di ente in data lake condivisi	Ecosistema dati PA pienamente interoperabile; servizi citizen-centric basati su dati integrati
ST — Proattiva	Costituire il team di cybersecurity AI; adottare linee guida AgID su AI e sicurezza	Sviluppare standard nazionali PA per l’AI; partecipare ai tavoli europei dell’AI Act	PA italiana come riferimento europeo per AI governance e sicurezza nei servizi pubblici
SO — Aggressiva	Lanciare 2-3 progetti faro nazionali ad alta visibilità (es. assistente virtuale PA, AI per sanità)	Attrarre investimenti UE e privati; costruire hub nazionali IA per la PA	Italia come laboratorio europeo di eccellenza per PA abilitata all’IA etica e inclusiva

9. Framework di KPI per il Monitoraggio

Un gap rilevante nei piani di digitalizzazione è l’assenza di metriche di monitoraggio coerenti con gli obiettivi strategici. Il seguente framework di KPI è costruito in corrispondenza diretta con i pesi AHP emersi dall’analisi.

9.1 KPI per i Punti di Forza (Strengths)

Item	KPI	Fonte dati	Target
S1	Riduzione % tempi medi di erogazione servizi post-AI	Sistemi gestionali PA	> -20% annuo
S2	Indice di soddisfazione del cittadino (CSAT) sui servizi digitali	Survey istituzionali	> 7/10
S3	N. di decisioni amministrative supportate da sistemi IA validati	Registro sistemi IA	+ 25% annuo
S4	% di attività ripetitive automatizzate sul totale processo	Analisi workload	> 40%
S5	N. di sistemi IA con documentazione di spiegabilità pubblica	Registro AI Act	100% sistemi alto rischio

9.2 KPI per le Debolezze (Weaknesses)

Item	KPI	Fonte dati	Target
W1	% personale PA con certificazione di AI literacy di base	Ministero PA	> 80% in 3 anni
W2	Indice di adozione attiva dei sistemi IA implementati	Survey interni	> 70% utenti target
W3	% di dataset PA pubblicati con qualità certificata (FAIR)	AgID – catalogo dati	> 60% in 2 anni
W4	% PA con connettività > 1Gbps e cloud certificato	PNRR monitoring	> 90% in 3 anni

9.3 KPI per Opportunità e Minacce

Item	KPI	Fonte dati	Target
O1	N. ore formazione IA per dipendente PA / anno	Ministero PA	> 40 ore/anno
O2	% fondi PNRR AI effettivamente spesi / stanziati	Corte dei Conti	> 80% entro 2026
T1	N. di incidenti cybersecurity su sistemi IA PA / anno	ACN – CSIRT	< 5 incidenti gravi
T2	% sistemi IA PA basati su tecnologie open source o europee	Registro sistemi IA	> 30% entro 2027
T4	N. di audit algoritmici effettuati su sistemi IA ad alto rischio	Autorità AI Act	100% sistemi in scope

10. La Fiducia Algoritmica come Variabile Endogena

Nell’analisi originale, la crescita di fiducia dei cittadini (O4) è trattata come un’opportunità esogena — un fattore del contesto esterno che la PA può sfruttare a proprio vantaggio. Tuttavia, una lettura più approfondita suggerisce che la fiducia non è un dato ambientale stabile, ma una variabile dipendente dal comportamento della PA stessa.

10.1 Il circolo virtuoso della fiducia

La fiducia algoritmica dei cittadini risulta essere una funzione di molteplici item SWOT:

S5 (Trasparenza): la spiegabilità delle decisioni algoritmiche aumenta la percezione di equità
S3 (Supporto decisionale): decisioni basate su dati riducono l’arbitrarietà percepita
W2 (Resistenza al cambiamento): la cultura organizzativa interna si riflette sull’esperienza esterna
T4 (Bias algoritmici): un singolo episodio di discriminazione algoritmica può distruggere anni di fiducia costruita

Questo suggerisce che la PA debba adottare una strategia di ‘trasparenza proattiva’: non limitarsi a rispettare gli obblighi di spiegabilità dell’AI Act, ma comunicare attivamente ai cittadini come e perché i sistemi IA vengono utilizzati.

10.2 Raccomandazioni operative

Istituire un Registro Pubblico dei Sistemi IA in uso nella PA, con descrizione delle funzioni, dei dati utilizzati e delle misure di tutela.
Adottare meccanismi di contestazione algoritmica: il cittadino deve poter richiedere la revisione umana di qualsiasi decisione assistita da IA.
Investire nella comunicazione istituzionale sull’IA: campagne di alfabetizzazione che spieghino ai cittadini come la PA usa l’IA per servirli meglio.
Misurare periodicamente la fiducia algoritmica attraverso survey dedicate, integrandola nei KPI di governance (vedi Sezione 9).

11. Conclusioni

La metodologia SWOT-AHP, anche quando applicata su base simulata, si rivela uno strumento efficace per rendere esplicite le priorità strategiche, stimolare discussioni informate tra decisori, evidenziare leve di intervento e rischi sistemici, e orientare l’allocazione delle risorse verso i pochi driver ad alto impatto. Il suo valore non risiede nella precisione assoluta dei numeri, ma nella struttura di ragionamento che impone: confrontare, pesare, scegliere con coerenza.

L’analisi mette in luce quattro linee guida strategiche fondamentali, da affrontare in sequenza:

Sfruttare i punti di forza per accelerare la digitalizzazione dei servizi pubblici, partendo da progetti faro con impatto visibile e misurabile.
Convertire le opportunità — fondi UE, formazione, partnership — in risultati strutturali e sostenibili, evitando investimenti episodici senza continuità.
Ridurre le debolezze mediante un piano nazionale di competenze digitali e data governance, prerequisito imprescindibile per qualsiasi investimento efficace in IA.
Mitigare le minacce tramite politiche di sicurezza informatica, sovranità tecnologica e conformità proattiva all’AI Act europeo.

Su quest’ultimo punto vale una riflessione specifica. L’approvazione dell’AI Act (Reg. UE 2024/1689) non rappresenta solo un vincolo normativo da rispettare, ma un’opportunità strategica per le PA che sapranno anticiparne i requisiti. Gli enti che avvieranno oggi la mappatura dei propri sistemi IA, investiranno nella spiegabilità algoritmica e formeranno il personale alla cultura della conformità, si troveranno domani in una posizione di vantaggio competitivo rispetto a chi sarà costretto a adeguarsi sotto pressione. L’AI Act può quindi diventare un acceleratore di qualità, oltre che un obbligo di legge.

In prospettiva, la transizione verso una PA abilitata all’IA richiede un cambio di mentalità profondo: non un semplice acquisto di tecnologia, ma un investimento sistemico sulle persone, sui processi e sui dati, dove l’IA funge da abilitatore di un cambiamento organizzativo necessario e duraturo.

La PA italiana dispone di un potenziale significativo per diventare un laboratorio europeo di AI di fiducia, purché sappia coniugare innovazione, etica e inclusione.

Bibliografia

Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International Journal of Services Sciences.
OECD (2019). Artificial Intelligence in the Public Sector. OECD Publishing.
European Commission (2024). Regulation (EU) 2024/1689 — Artificial Intelligence Act.
Ministero per l’Innovazione Tecnologica e la Transizione Digitale (2021). Strategia Nazionale per l’Intelligenza Artificiale.
Agenzia per l’Italia Digitale (AgID). Linee guida e documenti su dati, cloud e IA nella PA.
Dipartimento per la Trasformazione Digitale. Piano Triennale per l’Informatica nella PA 2024-2026.
ENISA (2023). AI Cybersecurity Challenges — Threat Landscape for Artificial Intelligence.
European Commission (2021). Digital Decade Policy Programme 2030.
Corte dei Conti (2024). Rapporto sul PNRR — Stato di avanzamento e criticità.
AgID (2024). Linee guida per l’adozione dell’IA nella PA italiana.