Nel 2025, il 49% delle innovazioni presentate ai Gartner Eye on Innovation Awards for Government conteneva una componente AI. Era l'8% nel 2020. Il salto è netto, ma la vera notizia non è la crescita dei numeri: è la qualità di ciò che quei numeri rappresentano. Sempre più spesso si tratta di progetti operativi, con KPI misurabili e impatto documentato, non di proof of concept.
Cosa distingue i progetti che funzionano da quelli che restano bloccati? I casi premiati nel 2025 offrono una risposta concreta.
Efficienza reale, non risparmio generico
Il Banco Central do Brasil ha sviluppato Axis, uno strumento basato su LLM per analizzare i report di audit in linguaggio naturale di oltre 1.400 organizzazioni ogni sei mesi. Prima dell'implementazione, il processo richiedeva diverse settimane. Con Axis, lo stesso lavoro viene completato in 120 minuti, con un'accuratezza validata del 99,03%. Il personale può ora concentrarsi sull'interpretazione dei pattern nei dati e sull'intervento precoce su situazioni anomale.
La Regione Île-de-France ha usato un LLM con accesso a una libreria completa di documentazione tecnica IT per gestire le richieste di supporto di dipendenti e studenti delle scuole superiori. Il tempo medio di risoluzione si è ridotto tra il 15% e il 50% a seconda della complessità dell'incidente, e il volume totale degli incidenti è calato tra il 5% e il 20%. I costi legati all'escalation degli incidenti sono scesi tra il 10% e il 25%.
Cafcass, il servizio britannico di supporto ai tribunali per la famiglia, personalizzava manualmente 80.000 lettere al mese. Un processo lento, con rischio di ritardi e comunicazioni generiche. L'integrazione di un assistente per la scrittura delle lettere nel sistema di gestione dei casi ha ridotto il tempo di produzione del 28%, risparmiando circa 1.365 ore-persona all'anno. Il ROI è atteso entro cinque anni, con un ritorno medio annuo superiore al 10% nell'arco di un decennio.
Missione pubblica con risultati misurabili
La città di Scottsdale, in Arizona, affrontava un problema concreto: la crescita degli affitti brevi stava generando tensioni nella comunità per rumore, rifiuti e parcheggi. Il Map Tool and Resource Center sviluppato su piattaforma GIS usa il machine learning per identificare automaticamente gli immobili non conformi sulle principali piattaforme di affitto. Risultati: identificazione degli affitti brevi non autorizzati aumentata del 30%, tempi di risoluzione dei reclami ridotti del 20%, reclami irrisolti diminuiti del 15%.
L'MHRA britannica — l'agenzia regolatoria per farmaci e dispositivi medici — ha sviluppato tre strumenti distinti: un sistema AI per la revisione dei trial clinici, un sistema automatizzato per il rilevamento di farmaci contraffatti, e un assistente RAG per le scienze regolatorie. I risultati combinati includono una riduzione del 35% nei tempi di valutazione dei trial clinici e un calo del tempo dedicato alle indagini sui farmaci contraffatti da 30 a 3 ore. Il risparmio annuo è di 2,4 milioni di sterline.
Il Georgia Department of Corrections ha sviluppato GHOST, un sistema che integra dati da oltre una dozzina di sistemi di rilevamento per identificare e tracciare telefoni illegali nelle carceri. Il sistema ha contribuito all'identificazione e alla disattivazione di quasi 8.000 dispositivi di contrabbando, riducendo i tempi di analisi da mesi a 20 minuti.
Tecnologia ibrida, non monocultura di LLM
Uno degli elementi più rilevanti che emerge dall'analisi dei casi premiati è l'uso combinato di tecniche AI diverse. Nessuno dei progetti di maggior successo si affida esclusivamente agli LLM o all'AI generativa. I modelli di machine learning non generativo, i sistemi basati su regole, i grafi e gli algoritmi di ottimizzazione compaiono spesso in combinazione con i componenti generativi.
La città di Taoyuan, a Taiwan, ha sostituito i sistemi statici di controllo del traffico con una rete adattiva basata su AI. Telecamere con riconoscimento degli oggetti YOLO e edge computing analizzano il traffico in tempo reale e adattano i segnali. I tempi di risposta alle emergenze sono passati da 4 minuti a 45 secondi. Il sistema risparmia 49.000 litri di carburante all'anno e riduce le emissioni di CO2 di 111 tonnellate.
La Polizia di Dubai ha sviluppato un programma di formazione basato su scene del crimine in VR con strumenti forensi interattivi e analisi automatica delle performance. I punteggi nelle valutazioni post-formazione sono aumentati del 32,8%, le performance nei casi reali sono migliorate del 57,2%, e il costo complessivo su cinque cicli formativi è stato inferiore di 826.558 AED rispetto al metodo tradizionale.
Cosa rende questi progetti diversi
I progetti che producono risultati condividono alcune caratteristiche strutturali. Partono da un problema operativo specifico con KPI definiti, non da un obiettivo generico di "efficienza". Integrano AI con miglioramenti organizzativi e tecnologici di base: consolidamento dei dati, unificazione dei processi, integrazione di sistemi che prima lavoravano in silos. Incorporano pratiche di AI responsabile fin dalla fase di progettazione, il che accelera l'adozione e riduce le contestazioni legali. Sono progettati per essere scalabili e replicabili: il caso di Taoyuan, ad esempio, ha ispirato il programma nazionale e ha portato alla creazione di una piattaforma di scambio di conoscenze tra città.
Il modello "build vs buy" nei casi di successo è quasi sempre ibrido: servizi cloud commerciali combinati con strumenti open source e sviluppo interno, calibrati sulle esigenze specifiche della missione pubblica. I progetti sviluppati interamente in-house lo fanno spesso per ragioni di sovranità digitale o sicurezza dei dati, non per mancanza di alternative commerciali.
La lezione principale è semplice quanto difficile da applicare: l'AI nel settore pubblico non produce valore quando viene usata per fare la stessa cosa di prima in modo leggermente più veloce. Produce valore quando risolve un collo di bottiglia reale, con metriche chiare, in un contesto organizzativo pronto a cambiare come lavora.
