AI agentica per la pubblica amministrazione

La maggior parte delle persone ha conosciuto l’AI attraverso un’interfaccia chat minimale, spesso nei piani gratuiti di ChatGPT, Claude, Gemini o Copilot. Usa questi strumenti soprattutto per riassumere paragrafi e rispondere alle e-mail. È già un passo avanti, ma il divario tra modelli gratuiti per consumatori, ottimizzati per il coinvolgimento, e modelli di frontiera a pagamento capaci di svolgere lavoro reale e complesso dall’inizio alla fine continua ad allargarsi.

Il lavoro intellettuale che richiede di analizzare e collegare dati provenienti da fonti distinte o sistemi esistenti è un ambito naturale per queste capacità, qualunque siano il livello di complessità e la varietà. Il termine “agentica” descrive la crescente capacità dei modelli più recenti di partire da una richiesta, costruire una sequenza di chiamate autonome agli strumenti corretti, accumulare contesto, incrociare informazioni e decidere il passo successivo fino al completamento dell’attività.

In poche parole, agentica significa che il modello sa pianificare, orchestrare ed eseguire, mentre rivede sistematicamente il proprio lavoro e corregge gli errori. Non tutti i modelli sono uguali. Quelli di frontiera sono particolarmente robusti sui casi limite, mantengono il filo delle attività lunghe e prestano molta attenzione ai dettagli e alle ambiguità.

Un punto deve essere chiaro. Se create l’ambiente giusto perché l’AI svolga il vostro lavoro, il vantaggio ottenuto diventa valore diretto per l’organizzazione, sotto forma di risparmi, capacità aggiuntiva o ricavi. È un passaggio più importante della semplice transizione da documenti cartacei di back office a un sistema digitale del 2015 che si limita a conservarli. Più i workflow specifici dell’organizzazione vengono analizzati in profondità durante la progettazione, maggiore sarà il valore prodotto.

Integrare correttamente un modello AI nei sistemi attuali permette un livello di delega prima irraggiungibile per attività critiche svolte in gran parte dalle persone. Non si tratta di sostituirle, ma di far intervenire il loro giudizio nei punti decisionali che contano davvero. Invece di coinvolgere obbligatoriamente una persona in diversi passaggi ordinari del workflow, il sistema dovrebbe chiamarla nei casi critici che identifica, per esempio quando emerge un’ambiguità inattesa o una situazione regolata da una norma interna. Ogni ulteriore passaggio a una persona aggiunge comunicazione interna e ritardo. Basta che un collaboratore essenziale sia in vacanza o malattia per bloccare l’intero workflow fino al suo ritorno. Un sistema AI accumula sia intelligenza sia contesto, così l’organizzazione può continuare ad avanzare e restituire quel tempo ai propri team.

Che cosa rende possibile questa autonomia rispettando le pratiche di sicurezza dell’organizzazione? I modelli robusti sono solo una parte della risposta. Il sistema AI ha bisogno anche di una forte consapevolezza del contesto.

Il lavoro di back office è ambiguo e sfaccettato, ma la complessità deriva anche da quanto può essere disordinato il mondo reale. A volte conoscenze critiche vivono solo nella testa dei dipendenti e non sono mai state formalizzate o comunicate in tutta l’organizzazione.

Un sistema AI affidabile ha quindi bisogno di un terzo componente accanto ai modelli e all’infrastruttura. Servono memoria e contesto costruiti intorno alla logica del vostro settore, così il modello può sfruttare la conoscenza interna del team e farla crescere nel tempo a beneficio dell’organizzazione.

Un’architettura AI ben progettata permette al team di spiegare in linguaggio naturale come devono essere eseguiti i workflow, comprese le ambiguità e i punti critici da rivedere ancora prima che il modello li incontri. Il team può creare “skills” condivisibili: file flessibili con le indicazioni necessarie per affrontare attività e casi limite. Lo spiegate una volta e il modello lo conserva, lo combina con nuovi dati e rende la stessa conoscenza disponibile anche ad altri dipendenti quando è utile. La conoscenza interna diventa gradualmente parte del sistema, che rimuove il peso delle attività ordinarie e coinvolge le persone quando emergono casi inattesi o critici.

Istruire un sistema AI non è un’attività riservata agli specialisti tecnici. Conta la capacità di esprimere ciò che si sa, proprio come si spiegherebbe un compito a un collega intelligente che non partecipa al lavoro quotidiano. L’AI sa adattarsi al vostro linguaggio e livello di competenza. Potete usare termini tecnici precisi o parlare in modo informale, chiedendo al sistema il contesto che vi manca.

L’AI agentica trasforma le organizzazioni combinando capacità crescenti dei modelli, contesto specifico e un sistema di memoria che migliora nel tempo. I committenti pubblici non dovrebbero accettare un’implementazione con un modello poco performante come Apertus e poi concludere che l’AI stessa non abbia portato la trasformazione promessa. La qualità dei modelli e la robustezza sui casi limite contano molto. Artificial Analysis è una fonte indipendente utile per confrontare modelli open-weight e proprietari. L’AI agentica dovrebbe produrre risultati tangibili in tempi brevi e un fornitore credibile dovrebbe commisurare il proprio compenso al valore generato, così da mantenere i propri incentivi allineati agli interessi dell’organizzazione cliente.