Il settore pubblico ha abbracciato l'AI generativa con più rapidità di quanto molti si aspettassero. Nel 2025, il 49% delle innovazioni presentate ai principali premi internazionali per l'innovazione governativa conteneva una componente AI, contro l'8% del 2020. Governi di tre continenti hanno sperimentato applicazioni che vanno dai contact center ai trasporti, dalla gestione documentale alla sicurezza pubblica.
I risultati, dopo anni di pilota, permettono ora di identificare pattern chiari: cosa separa i progetti che producono valore misurabile da quelli che restano bloccati nella fase sperimentale.
Prima lezione: il problema prima della tecnologia
I progetti di maggior successo partono da un collo di bottiglia operativo specifico, non da un obiettivo generico di digitalizzazione o efficienza. Il Banco Central do Brasil non ha adottato un LLM per "essere più innovativo": aveva un problema concreto — analizzare manualmente i report di audit di 1.400 organizzazioni ogni sei mesi, un processo che richiedeva diverse settimane. Lo strumento sviluppato ha ridotto questo tempo a 120 minuti con un'accuratezza del 99,03%.
Lo stesso schema si ripete nei contact center pubblici. I governi che ottengono i risultati migliori con i chatbot AI non li hanno implementati come interfaccia generica: li hanno configurati per gestire specifiche categorie di richieste ad alto volume su contenuti governativi pubblicati e verificati, con escalation chiara verso operatori umani per i casi complessi. I governi che hanno cercato di sostituire integralmente il servizio umano con AI si sono scontrati con problemi di governance delle risposte che hanno rallentato o bloccato i deployment.
Nei trasporti, la manutenzione predittiva — uno dei casi d'uso con il profilo più solido — funziona perché parte da un problema misurabile (fermi macchina non pianificati, costi di manutenzione reattiva) e usa l'AI per estendere le capacità dei modelli predittivi esistenti, non per sostituire integralmente il processo di manutenzione.
Seconda lezione: la maturità dei dati è il prerequisito reale
Attraverso tutti i settori, il fattore che più frequentemente distingue i deployment riusciti da quelli che non decollano non è la scelta del modello AI o il budget disponibile: è la qualità e la disponibilità dei dati sottostanti.
Nei trasporti, le organizzazioni con dati operativi frammentati o non standardizzati ottengono sistematicamente risultati inferiori nei casi d'uso GenAI, indipendentemente dalla sofisticazione tecnologica dell'implementazione. La gestione delle operazioni irregolari — uno dei casi con aspettative più alte — ha deluso proprio perché si scontra con la mancanza di dati standardizzati tra sistemi diversi e con la difficoltà di integrazione in tempo reale con sistemi legacy.
Nei contact center, il successo dei sistemi di post-call automation — trascrizione, sintesi, aggiornamento automatico dei record — dipende direttamente dalla qualità dei sistemi di gestione dei dati già in uso. Dove questi sistemi sono frammentati o obsoleti, il valore dell'automazione AI si riduce proporzionalmente.
Nell'istruzione, molti progetti GenAI restano bloccati in fase pilota non per limiti tecnici ma per carenze nei dati disponibili: dati insufficienti sugli studenti, sistemi informativi non integrati, assenza di governance dei dati a livello istituzionale.
Terza lezione: l'AI da sola non basta — serve il mix
Uno degli elementi più costanti nei progetti di maggior successo nel settore pubblico è l'uso combinato di tecniche AI diverse, integrate con miglioramenti organizzativi e tecnologici di base.
Il sistema di controllo del traffico di Taoyuan combina AI generativa, machine learning per il riconoscimento degli oggetti, edge computing e ottimizzazione in tempo reale. Non è una soluzione LLM: è un sistema ibrido calibrato sul problema specifico. Il sistema GHOST del Georgia Department of Corrections integra dati da oltre una dozzina di sistemi di rilevamento diversi: il valore non nasce dall'AI in sé, ma dalla capacità di mettere insieme informazioni che prima erano in silos separati.
Nei contact center, i governi con i migliori risultati usano AI per le richieste routinarie ad alto volume, operatori umani per i casi complessi e sensibili, e sistemi di escalation strutturati tra i due livelli. Non è il deployment più ambizioso tecnologicamente, ma è quello che produce il miglior rapporto tra valore generato e rischio gestito.
Il messaggio per i responsabili IT e i decisori del settore pubblico è che la domanda non è "quale modello AI scegliere" ma "quale problema voglio risolvere, ho i dati per farlo, e quale combinazione di tecnologie e cambiamenti organizzativi è necessaria per ottenere un risultato misurabile". Chi risponde a queste domande prima di investire in GenAI ottiene risultati. Chi parte dalla tecnologia e cerca il problema dopo, quasi sempre finisce con un pilota che non scala.
