Cita da Fondazione Olitec su 4 Maggio 2026, 8:35 am

Quattro mesi di analisi su 400.000 documenti rivelano un sistema che produce atti sempre più veloci, ma sempre meno controllati

Negli ultimi anni la pubblica amministrazione ha avviato un processo di trasformazione digitale senza precedenti, spinta da esigenze di efficienza, riduzione dei tempi e semplificazione dei processi. In questo contesto, l’intelligenza artificiale è entrata progressivamente nei flussi operativi come strumento di supporto alla redazione documentale, alla gestione delle pratiche e alla produzione di contenuti amministrativi. Tuttavia, la velocità con cui questi strumenti sono stati adottati ha superato la capacità del sistema di governarli, generando un utilizzo spesso disordinato, non regolato e privo di un adeguato controllo umano.

La pubblica amministrazione si è trovata improvvisamente a disporre di strumenti in grado di generare testi complessi in pochi secondi: relazioni tecniche, atti amministrativi, comunicazioni istituzionali, schede di sintesi, note operative. Questo ha portato a una trasformazione silenziosa ma profonda: la scrittura, da attività riflessiva e responsabile, è diventata un processo automatizzato. In molti casi, il funzionario non scrive più, ma valida o semplicemente utilizza un testo generato da un sistema.

La ricerca condotta, della durata complessiva di quattro mesi, ha avuto l’obiettivo di comprendere in modo sistemico e misurabile la reale portata di questo fenomeno, andando oltre la semplice percezione qualitativa per arrivare a una valutazione strutturata basata su dati concreti. L’indagine è stata progettata secondo criteri di analisi documentale avanzata, integrando metodologie di text mining, analisi semantica e revisione esperta, con l’intento di individuare non solo la presenza dell’intelligenza artificiale nei processi di redazione, ma soprattutto il suo impatto sulla qualità, sulla coerenza e sulla validità degli atti amministrativi.

Sono stati analizzati circa 400.000 documenti provenienti da tre diverse istituzioni nazionali, selezionate per rappresentare ambiti distinti e complementari della macchina pubblica: un contesto normativo-regolatorio, caratterizzato da atti ad alta densità giuridica; un contesto tecnico-amministrativo, legato alla gestione procedurale e operativa; e un contesto operativo-gestionale, orientato alla produzione quotidiana di documentazione interna e comunicazione istituzionale. Questa suddivisione ha consentito di osservare come l’utilizzo dell’IA vari in funzione del tipo di attività e del livello di responsabilità associato al documento.

Il periodo di riferimento (2023-2026) coincide con la fase di massima diffusione degli strumenti di intelligenza artificiale generativa all’interno delle strutture pubbliche, favorita sia dalla disponibilità di piattaforme accessibili sia dalla pressione organizzativa verso una maggiore produttività. In questo arco temporale si è registrato un incremento significativo del volume documentale prodotto, accompagnato da una progressiva standardizzazione linguistica e da una riduzione dei tempi medi di redazione. Tuttavia, questo aumento di efficienza apparente è stato affiancato da una crescente perdita di controllo qualitativo, evidenziando un disallineamento tra capacità produttiva e capacità di verifica.

Un ulteriore elemento emerso durante la ricerca riguarda la modalità di adozione degli strumenti di IA: in molti casi non esistevano linee guida interne formalizzate, né protocolli di utilizzo condivisi tra gli uffici. L’adozione è avvenuta spesso in modo spontaneo, individuale, lasciando ai singoli operatori la responsabilità di decidere quando e come utilizzare tali strumenti. Questo ha generato un’eterogeneità nell’uso dell’IA che si riflette direttamente nella qualità e nella coerenza della documentazione prodotta.

L’analisi non si è limitata a una valutazione superficiale, ma ha seguito un approccio metodologico strutturato, basato su più livelli di indagine.

Fase della ricerca	Attività svolta	Obiettivo	Risultati principali
Raccolta e classificazione	Acquisizione di 400.000 documenti da archivi digitali, protocolli e sistemi documentali	Costruire un dataset rappresentativo e omogeneo	Forte eterogeneità formale ma sorprendente uniformità linguistica
Analisi strutturale	Studio della sintassi, lunghezza dei periodi, ricorrenze lessicali e modelli espressivi	Individuare segnali tipici di generazione automatica	Presenza diffusa di strutture ripetitive e schemi standardizzati
Verifica contenutistica	Controllo di riferimenti normativi, coerenza logica e correttezza procedurale	Valutare l’affidabilità amministrativa dei contenuti	Errori normativi, incongruenze e ambiguità concettuali
Identificazione uso IA	Confronto con modelli linguistici e pattern generativi	Stimare il grado di utilizzo dell’IA	Elevata incidenza di contenuti generati o assistiti
Verifica revisione umana	Analisi delle modifiche, delle correzioni e della personalizzazione	Misurare il livello di controllo umano	Revisione spesso assente o puramente formale
Sintesi e valutazione finale	Integrazione dei risultati	Determinare l’impatto sistemico	Produzione documentale fragile e potenzialmente rischiosa

Nel corso della prima fase, i documenti sono stati raccolti da sistemi di gestione documentale, archivi digitali e piattaforme interne, includendo sia repository strutturati (come sistemi di protocollo e conservazione digitale) sia archivi destrutturati, quali cartelle condivise e sistemi legacy. Questa fase ha richiesto un lavoro preliminare di armonizzazione delle fonti, poiché i documenti presentavano formati eterogenei (PDF, DOCX, XML, TXT), differenti livelli di metadati e standard di archiviazione non uniformi tra le istituzioni analizzate.

Successivamente, è stata effettuata una normalizzazione approfondita che ha riguardato non solo il formato e la codifica, ma anche la struttura interna dei documenti: intestazioni, paragrafi, riferimenti normativi e sezioni funzionali sono stati ricondotti a schemi comuni per consentire analisi comparabili. Parallelamente, è stato sviluppato un sistema di classificazione multilivello, basato su criteri semantici e funzionali, che ha permesso di suddividere i documenti per tipologia (atto amministrativo, relazione tecnica, comunicazione istituzionale, documento operativo), per ambito di applicazione e per grado di complessità.

Un ulteriore livello di lavorazione ha riguardato l’arricchimento del dataset attraverso l’estrazione di metadati impliciti, quali frequenza lessicale, lunghezza media dei periodi, densità normativa e presenza di strutture ricorrenti. Questo ha consentito di trasformare un semplice archivio documentale in una base dati analitica ad alta risoluzione, capace di restituire non solo quantità, ma qualità e caratteristiche profonde della produzione amministrativa.

Questa operazione complessiva ha permesso di costruire un dataset estremamente ampio, coerente e rappresentativo della produzione documentale reale, offrendo una fotografia dettagliata non solo dei contenuti, ma anche dei processi sottostanti alla loro generazione.

La seconda fase ha riguardato l’analisi strutturale dei testi, cioè lo studio della loro architettura interna prima ancora della valutazione del contenuto. In questa fase non si è osservato soltanto “che cosa” i documenti dicessero, ma “come” fossero costruiti: lunghezza dei periodi, distribuzione dei paragrafi, ricorrenza delle formule introduttive e conclusive, uso degli incisi, sequenza degli argomenti, densità terminologica e ripetizione di costruzioni sintattiche analoghe. L’obiettivo era individuare eventuali segnali di standardizzazione artificiale, cioè quelle tracce che emergono quando la scrittura non nasce da una valutazione specifica del caso concreto, ma da un modello linguistico che tende a replicare strutture statisticamente probabili.

Attraverso strumenti di analisi linguistica e text mining è stato possibile rilevare pattern ricorrenti particolarmente significativi: frasi costruite secondo schemi quasi identici, paragrafi con struttura simmetrica, uso reiterato di formule standard, ripetizione di espressioni come “alla luce di quanto sopra”, “in un’ottica di efficienza”, “nel rispetto dei principi di trasparenza”, “si ritiene opportuno evidenziare”, spesso inserite in modo corretto sul piano grammaticale ma debole sul piano sostanziale. Tali formule, quando presenti in misura eccessiva, producono una sensazione di ordine e autorevolezza, ma possono nascondere una carenza di analisi reale.

Un elemento particolarmente rilevante è stato il rapporto tra uniformità e contesto. Nella scrittura amministrativa umana, pur esistendo modelli, formulari e prassi redazionali, il testo tende comunque ad adattarsi alla specificità del procedimento, del destinatario, dell’ufficio competente e della materia trattata. Nei documenti analizzati, invece, è emersa in numerosi casi una struttura eccessivamente omogenea: introduzione generica, sviluppo argomentativo standardizzato, conclusione prudenziale e assenza di elementi realmente distintivi. Questo tipo di uniformità non è tipico della scrittura umana qualificata, che tende a variare stile, costruzione e profondità argomentativa in base al contesto operativo e alla responsabilità dell’atto.

Sono stati inoltre osservati fenomeni di ridondanza semantica: lo stesso concetto veniva espresso più volte con parole diverse, senza aggiungere informazioni nuove. Questa caratteristica è frequente nei testi generati o fortemente assistiti da IA, perché il sistema tende a massimizzare la fluidità linguistica e la completezza apparente, anche a costo di produrre ripetizioni. In ambito amministrativo, però, la ridondanza non è neutra: aumenta la lunghezza degli atti, rende più difficile l’individuazione del nucleo decisionale e può generare incertezza interpretativa.

L’analisi strutturale ha quindi mostrato che il problema non riguarda soltanto eventuali errori puntuali, ma un cambiamento più profondo nella forma stessa del linguaggio amministrativo. La documentazione tende a diventare più uniforme, più lunga, più apparentemente ordinata, ma anche meno aderente al caso concreto. È proprio in questa distanza tra forma impeccabile e sostanza debole che si manifesta uno dei rischi più insidiosi dell’uso non governato dell’intelligenza artificiale nella pubblica amministrazione.

Nella terza fase si è passati alla verifica contenutistica, cioè al controllo della sostanza amministrativa, giuridica e procedurale dei documenti. Questa fase è stata la più delicata, perché ha consentito di andare oltre la superficie linguistica del testo e di misurare se ciò che veniva affermato fosse realmente corretto, aggiornato, coerente con il quadro normativo e applicabile nel contesto operativo dell’ente. Non è stato quindi sufficiente verificare che il documento fosse scritto bene o che avesse una struttura ordinata: è stato necessario comprendere se le affermazioni contenute fossero fondate, se i richiami normativi fossero esatti, se la procedura descritta corrispondesse a quella realmente prevista e se le conclusioni fossero logicamente conseguenti alle premesse.

Qui sono emerse le criticità più rilevanti. In numerosi casi sono stati individuati riferimenti normativi incompleti o inesatti, citazioni di articoli non aggiornati, richiami generici a principi amministrativi senza indicazione puntuale della fonte, oppure descrizioni procedurali formulate in modo astratto e non aderente alla realtà operativa. Il problema non era sempre l’errore evidente, facilmente riconoscibile, ma l’imprecisione sottile: quella frase che appare verosimile, quella citazione che sembra corretta, quella procedura descritta con linguaggio convincente ma non perfettamente conforme alla prassi o alla norma applicabile. È proprio questa verosimiglianza a rendere il fenomeno particolarmente pericoloso.

L’intelligenza artificiale generativa, infatti, tende a produrre testi linguisticamente plausibili, ordinati e autorevoli, ma non garantisce automaticamente la verifica delle fonti. Può ricostruire un ragionamento amministrativo con una forma apparentemente impeccabile, ma può anche fondere elementi diversi, sovrapporre discipline non omogenee, richiamare norme superate o utilizzare formule generiche in luogo di passaggi tecnici necessari. In una pubblica amministrazione, dove la validità di un atto dipende spesso dalla precisione del presupposto normativo e procedurale, questo scarto tra plausibilità e verità rappresenta un rischio concreto.

Particolare attenzione è stata dedicata alla coerenza interna dei documenti. In diversi casi, l’analisi ha evidenziato contraddizioni tra premesse e conclusioni, uso alternato di termini non equivalenti, passaggi in cui la motivazione amministrativa risultava più descrittiva che dimostrativa. Alcuni documenti sembravano costruiti per “riempire” lo spazio argomentativo più che per motivare realmente una scelta. Questo aspetto è particolarmente delicato perché la motivazione dell’atto amministrativo non è un elemento ornamentale, ma rappresenta il cuore della legittimità dell’azione pubblica: deve spiegare perché una decisione viene assunta, su quali basi, con quali presupposti e secondo quale percorso logico.

Sono state rilevate anche criticità nella descrizione dei procedimenti. Alcuni testi presentavano sequenze operative semplificate, passaggi mancanti, responsabilità non chiaramente attribuite o riferimenti generici a uffici e funzioni senza indicare il reale soggetto competente. Questo tipo di imprecisione può produrre effetti rilevanti nella pratica: rallentamenti, duplicazioni, contestazioni, interpretazioni divergenti tra uffici e difficoltà per il cittadino o per l’impresa che deve comprendere cosa fare, a chi rivolgersi e secondo quali tempi.

In molti casi, i documenti risultavano formalmente corretti ma sostanzialmente imprecisi. Avevano l’apparenza dell’atto ben costruito, il tono dell’amministrazione, la struttura della comunicazione ufficiale, ma non sempre contenevano il necessario grado di verifica, responsabilità e aderenza al caso concreto. Questa distanza tra forma e sostanza è uno dei segnali più preoccupanti emersi dalla ricerca: quando la pubblica amministrazione produce documenti che sembrano autorevoli ma non sono pienamente verificati, il rischio non è soltanto tecnico, ma istituzionale.

L’identificazione dell’uso dell’intelligenza artificiale è avvenuta attraverso il confronto con modelli linguistici noti. È emerso un dato chiaro: una percentuale significativa dei documenti analizzati è stata generata o fortemente assistita da sistemi di IA. Ancora più significativo è il fatto che tali documenti non presentavano segni evidenti di revisione umana approfondita.

Ne è emerso un quadro preoccupante. La pubblica amministrazione sta producendo una quantità crescente di documenti che appaiono formalmente corretti, ma che presentano criticità sostanziali. Termini tecnici utilizzati in modo incoerente, concetti ripetuti con variazioni minime, passaggi ridondanti che aumentano la lunghezza del testo senza migliorarne la chiarezza.

Questo fenomeno genera una nuova forma di burocrazia artificiale: documenti lunghi, complessi, apparentemente completi, ma difficili da interpretare e talvolta non affidabili. La velocità di produzione aumenta, ma la qualità complessiva diminuisce.

Il punto più critico resta l’assenza di revisione umana reale. In molti casi, il documento generato viene utilizzato senza un controllo approfondito, senza verifica delle fonti, senza adattamento al caso specifico. Questo rompe la catena di responsabilità che è alla base dell’azione amministrativa.

La documentazione ufficiale rappresenta il principale strumento attraverso cui lo Stato comunica con il cittadino. Se tale documentazione diventa ambigua, incoerente o errata, si genera un effetto diretto sulla fiducia istituzionale. Il cittadino non comprende, interpreta in modo errato o si affida a intermediari, aumentando la complessità del sistema.

La ricerca dimostra che l’intelligenza artificiale non è il problema, ma lo diventa quando viene utilizzata senza regole.

Un ulteriore profilo di rischio, spesso sottovalutato ma potenzialmente più grave degli errori documentali, riguarda il trasferimento involontario di informazioni interne verso i motori di intelligenza artificiale. Nella pratica operativa quotidiana, molti funzionari utilizzano strumenti di IA pubblici o semi‑pubblici per generare bozze, riassunti o riformulazioni, incollando porzioni di documenti interni: note riservate, dati procedurali, schemi decisionali, elenchi di soggetti, perfino estratti di atti non ancora pubblicati. In assenza di policy chiare e di ambienti sicuri, questi contenuti possono essere trattati dai fornitori dei servizi come input di sistema, con possibili implicazioni in termini di conservazione, addestramento o accesso indiretto.

Il rischio non è meramente teorico. Anche quando i provider dichiarano di non utilizzare i dati per l’addestramento, resta il tema della circolazione dei prompt, della telemetria, dei log e delle integrazioni con altri servizi. Inoltre, la semplice esposizione di strutture decisionali interne (workflow, criteri di valutazione, pesi e priorità) può consentire, a soggetti esterni, di inferire il funzionamento dei processi pubblici, riducendo il margine di discrezionalità e aumentando la possibilità di comportamenti opportunistici o di contenzioso mirato.

Per comprendere l’ordine di grandezza del danno potenziale, la ricerca ha elaborato una stima prudenziale basata su tre variabili: (i) percentuale di documenti trattati con IA contenenti informazioni non pubbliche; (ii) quota di tali contenuti effettivamente esposti a servizi esterni; (iii) valore economico medio del danno per singola esposizione (costi di bonifica, contenzioso, ritardi procedurali, perdita di vantaggio informativo).

Assumendo, in modo conservativo, che il 20% dei 400.000 documenti analizzati (80.000) contenga informazioni non pubbliche e che il 15% di questi (12.000) sia stato parzialmente o totalmente inserito in strumenti di IA esterni, si ottiene un ordine di grandezza di 12.000 eventi di esposizione. Se si attribuisce a ciascun evento un costo medio diretto e indiretto di 2.500–7.500 euro (comprensivo di attività di remediation, verifica, rielaborazione, possibili ricorsi e rallentamenti operativi), il danno complessivo stimato si colloca in un intervallo tra 30 e 90 milioni di euro su base pluriennale per il solo campione analizzato.

A questa stima economica va aggiunto un danno non immediatamente monetizzabile ma altrettanto rilevante: la perdita di controllo informativo. La fuoriuscita di logiche decisionali, criteri interni e dati di contesto riduce la capacità dello Stato di governare i propri processi, aumenta l’asimmetria informativa a favore di soggetti esterni e può compromettere la fiducia dei cittadini in caso di utilizzi impropri o percepiti come tali.

Il quadro impone quindi l’adozione urgente di misure di mitigazione: utilizzo esclusivo di ambienti di IA chiusi o on‑premise per dati sensibili; policy stringenti sui prompt; classificazione preventiva dei contenuti; sistemi di mascheramento e anonimizzazione automatica; logging e auditing degli utilizzi; formazione obbligatoria del personale; integrazione con sistemi di gestione documentale che impediscano il copia‑incolla verso servizi non autorizzati. Senza queste misure, il rischio non è solo quello di produrre documenti meno affidabili, ma di esporre l’infrastruttura informativa dello Stato a perdite silenziose e cumulative. Serve un cambio di paradigma: l’IA deve essere uno strumento di supporto, non un sostituto del processo decisionale e redazionale.

È necessario introdurre protocolli obbligatori di revisione, sistemi di tracciabilità dei contenuti, formazione specifica per i funzionari e criteri chiari per l’utilizzo degli strumenti generativi. Ogni documento deve avere una filiera: produzione, verifica, validazione.

Solo in questo modo sarà possibile trasformare l’intelligenza artificiale da fattore di rischio a leva di innovazione reale.

Perché uno Stato che scrive più velocemente ma pensa meno non è uno Stato più moderno. È uno Stato più fragile.