Gli strumenti del G7 per l'Intelligenza Artificiale nella Pubblica Amministrazione

Il “G7 Toolkit for Artificial Intelligence in the Public Sector”, pubblicato da OCSE e Unesco in occasione del G7 a guida italiana, rappresenta uno strumento operativo per l’adozione e la gestione dell’Intelligenza Artificiale (IA) da parte delle amministrazioni pubbliche.

In questo articolo realizziamo una sintesi ragionata dei capitoli chiave del documento, concentrandoci su tre questioni essenziali: 

• le strategie nazionali per l’adozione dell’IA;
• i benefici e impatti dell’IA sul settore pubblico;
• il percorso strutturato per implementare soluzioni di IA in modo sicuro e trasparente (Journey for AI Solutions).

Pur con approcci specifici, gli Stati del G7 condividono la necessità di utilizzare l’IA per migliorare l’efficienza, la reattività e la trasparenza dei servizi pubblici, affrontando al contempo le sfide etiche che accompagnano questa trasformazione.

Le Strategie Nazionali

Canada, Giappone, Stati Uniti, Regno Unito e diversi Stati membri dell’Unione Europea, tra cui Italia, Germania e Francia, sono impegnati nello sviluppo di strategie nazionali per l’IA, sebbene si trovino a livelli di implementazione diversi. Una caratteristica comune a tutti i Paesi è l’integrazione dell’IA nei piani di digitalizzazione del settore pubblico, con obiettivi volti a migliorare l’efficienza operativa, la qualità e la trasparenza.

Paesi come Stati Uniti, Regno Unito e Canada stanno lavorando intensamente su strategie che puntino a sviluppare infrastrutture digitali solide e promuovere partenariati tra il settore pubblico e quello privato per accelerare l’adozione dell’IA. Italia e Francia, attraverso piani come il “Piano triennale per la digitalizzazione” e il “Fonds de transformation de l’action publique”, pongono un’enfasi particolare sull’inclusione di dati di qualità e l’adozione di misure di trasparenza per prevenire discriminazioni e bias algoritmici. Invece, Germania e Giappone stanno concentrando i loro sforzi su programmi per il rafforzamento delle competenze digitali della forza lavoro della PA e su normative che garantiscano, sotto il profilo etico, un uso sicuro dell’IA.

%%block_image_and_text1%%

In sintesi, tutti i Paesi del G7 riconoscono la necessità di sviluppare competenze specializzate nel settore pubblico per supportare l’uso dell’IA, oltre a porre grande attenzione sulla protezione dei diritti umani, della privacy e sulla gestione etica dell’intelligenza artificiale.

Accanto a queste strategie, il Toolkit introduce i “Governance Framework” e i “Safeguards and Guardrails”, che completano le politiche nazionali delineando strumenti e meccanismi per garantire che lo sviluppo e l’uso dell’IA siano monitorati e regolati per promuovere la sicurezza, la trasparenza e l’affidabilità, sebbene questi aspetti non vengano trattati in dettaglio in questa sede.

Benefici e impatti dell’uso dell’IA

Il capitolo 5 del G7 Toolkit for Artificial Intelligence in the Public Sector offre una panoramica sui benefici concreti che l’adozione dell’IA può generare nel miglioramento delle operazioni interne, nella reattività dei servizi, nella responsabilità governativa e nell’efficacia delle politiche pubbliche. Ogni Stato membro ha implementato iniziative tangibili che dimostrano come l’IA stia trasformando il settore pubblico, rendendolo più efficiente e orientato ai bisogni dei cittadini.

Le quattro aree di opportunità sono state identificate e riassunte di seguito:

1. Efficienza dei servizi pubblici
   L’IA ha il potenziale di trasformare radicalmente le operazioni interne del settore pubblico, automatizzando attività ripetitive e migliorando la gestione dei flussi di lavoro. In Italia, ad esempio, il sistema di classificazione automatica sviluppato da INPS per le email certificate ha ridotto notevolmente i tempi di gestione delle comunicazioni, rendendo più efficiente il lavoro degli enti pubblici. In Francia, l’assistente digitale Albert aiuta i funzionari nella redazione e revisione di documenti, accelerando i processi decisionali e riducendo il margine di errore. Presso le istituzioni europee, l’adozione di Doris (Data Oriented Services) supporta le fasi preliminari del processo di policy making attraverso tecniche che abilitano sentiment analysis, keyword extraction, riassunti e named-entity recognition di diverse tipologie di documenti.
2. Responsiveness nell’esecuzione dei servizi pubblici
   L’intelligenza artificiale migliora la reattività e personalizzazione dei servizi pubblici, consentendo un’interazione più rapida ed efficiente tra il governo e i cittadini. In Giappone, l’utilizzo di chatbot basati su IA ha migliorato la gestione delle richieste di assistenza da parte dei cittadini, riducendo del 40% i tempi di attesa nelle aree meno servite. Nel Regno Unito, il progetto Redbox Copilot ha automatizzato parte delle risposte governative ai cittadini, migliorando la rapidità e precisione delle interazioni, oltre ad aver migliorato l’analisi dei documenti da parte dell’amministrazione pubblica. Un caso interessante è anche quello degli Stati Uniti, dove l’uso dell’Aidan Chatbot ha automatizzato e semplificato per gli studenti la consultazione degli aiuti federali disponibili su StudentAid.gov, utilizzato da oltre 2.6 milioni di individui nel corso degli ultimi due anni.
3. Miglioramento dell’accountability dei governi
   L’introduzione dell’IA nel settore pubblico non solo migliora l’efficienza, ma promuove anche la trasparenza e la responsabilità. In Canada, il sistema Algorithmic Impact Assessment (AIA) permette di monitorare e valutare l’uso degli algoritmi nelle decisioni governative, identificando possibili distorsioni e aumentando la trasparenza verso i cittadini, mentre l’Integrity Trends Analysis Tool facilita l’identificazione di possibili frodi fiscali attraverso l’analisi di dati e il riconoscimento di pattern di comportamento. Negli Stati Uniti, l’IA è al momento testata dal Department of Homeland Security’s Science and Technology Directorate (DHS S&T) per il monitoraggio degli appalti pubblici, oltre che dal Dipartimento del Tesoro per monitorare possibili frodi ai cittadini. Essa consente di tracciare l’intero ciclo di vita dei contratti e ridurre i rischi di frodi o abusi, migliorando la responsabilità e la conformità alle normative.
4. Efficacia del policy making
   L’IA supporta i governi nell’analisi di grandi quantità di dati, rendendo le politiche pubbliche più efficaci e basate su evidenze concrete. In Francia, il sistema Albert è stato utilizzato anche per analizzare dati complessi relativi alla sanità e all’istruzione, contribuendo a politiche pubbliche più informate e mirate. In Germania, l’IA viene impiegata per simulare scenari politici, consentendo ai decisori di valutare l’impatto di diverse politiche prima della loro attuazione, riducendo il rischio di misure inefficaci. Infine, il Regno Unito sta al momento sviluppando un AI Consultation Analyser per migliorare l’equità e la velocità del processo di analisi delle risposte pubbliche alle consultazioni governative.

In questa sezione, l’integrazione dell’IA viene delineata in tutte le fasi del policy cycle — dall’identificazione del problema, passando per la prototipazione e la sperimentazione, fino allo scaling-up e al monitoraggio continuo — e garantisce trasparenza e risultati misurabili. Questi passaggi sono rappresentati nella grafica che segue, illustrando un percorso per sviluppare soluzioni di IA efficaci nel settore pubblico.

%%block_image_and_text2%%

Sei fasi per l’implementazione dell’IA nel Settore Pubblico

Il capitolo dedicato al “Journey for AI Solutions in the Public Sector” descrive il percorso operativo che le amministrazioni pubbliche devono seguire per implementare soluzioni basate sull’IA in modo sicuro, efficiente e trasparente. Questo approccio strutturato permette di guidare l’adozione dell’IA attraverso fasi ben definite, garantendo che ogni passaggio sia supportato da azioni concrete e misurabili. Il processo si articola in sei fasi principali: Framing, Ideating, Prototyping, Piloting, Scaling-up e Monitoring, ciascuna delle quali richiede interventi specifici per garantire il successo dell’implementazione.

%%block_image_and_text3%%

1. Framing the problem
   La prima fase riguarda la definizione del contesto e degli obiettivi specifici per l’uso dell’IA nel settore pubblico. Le amministrazioni devono analizzare il problema da affrontare e determinare dove l’IA può fornire valore aggiunto. Azioni concrete in questa fase richiedono la raccolta di dati rilevanti e la consultazione di stakeholder interni ed esterni per definire chiaramente i bisogni e le aspettative. 
2. Ideating & Conceptualising
   Una volta definito il contesto, la fase di ideazione prevede lo sviluppo di soluzioni potenziali basate sull’IA. Qui i team devono lavorare per identificare e valutare diversi approcci tecnologici. In questa fase operativa è cruciale organizzare workshop collaborativi tra esperti tecnici, decisori politici e utenti finali per generare idee innovative e valutare la fattibilità di ogni proposta. 
3. Prototyping
   La fase di prototipazione richiede lo sviluppo di una versione preliminare della soluzione di IA, con un focus sull’applicazione concreta nel contesto del settore pubblico. I team devono creare prototipi funzionanti che permettano di validare l’idea di base. Le azioni operative includono test iniziali su piccoli gruppi di utenti o su processi interni specifici, con un’attenzione particolare alla raccolta di feedback immediato. 
4. Piloting
   Dopo la prototipazione, si passa alla fase di sperimentazione su scala ridotta, con l’obiettivo di testare l’IA in un contesto reale. Questa fase operativa richiede l’implementazione della soluzione in un settore o dipartimento specifico, monitorando le prestazioni e raccogliendo dati sulle effettive funzionalità e sui benefici raggiunti. È importante adottare un piano di monitoraggio rigoroso per raccogliere dati precisi sul comportamento del sistema di IA in ambiente reale, verificando se le metriche di successo definite in fase di framing sono raggiunte.
5. Scaling-up
   Una volta dimostrata l’efficacia della soluzione nella fase pilota, si procede con il potenziamento su scala più ampia. In questa fase operativa è necessario assicurarsi che l’infrastruttura tecnologica sia adeguata per supportare un utilizzo esteso dell’IA. Inoltre, le amministrazioni devono definire processi di governance chiari per verificare il corretto funzionamento della soluzione su larga scala. L’espansione deve essere accompagnata da un continuo miglioramento, con eventuali modifiche basate sul feedback degli utenti.
6. Monitoring
   Il monitoraggio è un’azione trasversale che accompagna tutte le fasi del processo, ma diventa particolarmente critica in seguito al potenziamento su larga scala. In questa fase, le amministrazioni devono stabilire meccanismi di monitoraggio continui per valutare l’efficacia della soluzione nel tempo. Le azioni operative includono la raccolta costante di dati sulle prestazioni del sistema, l’analisi dei risultati rispetto agli obiettivi iniziali e l’implementazione di eventuali correttivi necessari. È fondamentale garantire trasparenza verso i cittadini e le istituzioni, pubblicando regolarmente report sui risultati ottenuti.

FOCUS. L’impatto del Text Mining sull’efficienza del policy making

Al fine di promuovere l’integrazione dell’IA nel settore pubblico, viene presentato tra le tecnologie chiave del G7 Toolkit una tecnologia innovativa nota come Text Mining (TM). Questo strumento si sta affermando come elemento chiave per l’analisi e l’elaborazione delle politiche pubbliche.

Il recente workshop “Text Mining for Policy Innovation” del progetto Fostering Open Science in Social Science Research (FOSSR), tenutosi lo scorso 9 ottobre, ha esplorato il potenziale del TM nel rafforzare l’approccio data-driven, in particolar modo nell’elaborazione e nel monitoraggio delle politiche pubbliche, permettendo così di integrare un modello evidence-based, che renda le decisioni più rapide e in linea con le priorità socio-economiche attuali.

Il termine TM si riferisce a un campo interdisciplinare basato sul data mining, il machine learning e l’estrazione di informazioni da testo non strutturato, come articoli di giornale, documenti tecnici, messaggi di posta elettronica, blog e pagine web. Il TM comprende anche la categorizzazione del testo, l’estrazione di concetti, l’analisi del sentiment e la modellazione delle relazioni tra entità (J. Han e M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, San Francisco, pp. 596-597, 2000). Dunque, permette di analizzare grandi volumi di dati testuali e di trasformarli in informazioni strutturate, arricchendo così il portafoglio delle tecnologie IA impiegate per affrontare le sfide del settore pubblico. 

I Paesi del G7 potrebbero implementare l’utilizzo di tale strumento non solo nella prima fase di definizione del problema e identificazione dei bisogni e delle aspettative (Framing), ma anche nelle fasi di monitoraggio, a partire dal potenziamento delle soluzioni su larga scala (Piloting, Scaling-up e Monitoring). Grazie alla capacità di sintetizzare dati complessi provenienti da varie fonti, il TM supporterebbe i governi nell’individuare tendenze, sfide emergenti e impatti sulle decisioni politiche, migliorando al contempo la trasparenza e la reattività delle amministrazioni. 

In un panorama in continua evoluzione, il TM si rivela una risorsa strategica per un policy making moderno.