Governo agentico: perché l’82% delle agenzie sta adottando agenti IA, ma la preparazione resta indietro

Perché l’adozione degli agenti IA procede più rapidamente della preparazione

L’interesse del settore pubblico per gli agenti IA sta crescendo rapidamente. Secondo una ricerca di IDC riportata da Route Fifty e Salesforce, l’82% delle organizzazioni statunitensi del settore pubblico federale, statale e locale intervistate ha adottato l’IA agentica e il 60% dei leader del settore pubblico ritiene di essere avanti rispetto al settore privato nell’adozione.

L’adozione non significa sempre preparazione. Un’agenzia può avere progetti pilota, strumenti interni, funzionalità IA abilitate dai fornitori, esperimenti di automazione o primi flussi di lavoro agentici senza disporre della governance, dell’architettura dei dati, del monitoraggio, della formazione del personale e della supervisione necessari per gestire questi sistemi responsabilmente su larga scala.

È un numero impressionante. È anche il tipo di numero che merita un’analisi più approfondita.

È qui che risiede il rischio. Gli agenti IA non sono semplicemente un’altra funzionalità software. Possono interpretare informazioni, chiamare strumenti, instradare attività, generare risultati, raccomandare decisioni e, in alcuni casi, intraprendere azioni circoscritte. Più un agente è in grado di fare, più diventa importante sapere a quali dati può accedere, quali decisioni può influenzare, chi è responsabile del suo comportamento e cosa accade quando sbaglia.

Perché è importante

L’adozione dell’IA nel settore pubblico avviene in un momento in cui le agenzie sono sotto pressione per migliorare l’erogazione dei servizi, ridurre il carico di lavoro manuale, modernizzare sistemi obsoleti, rafforzare la cybersicurezza e fare di più con risorse limitate. Gli agenti IA sono interessanti perché promettono di contribuire proprio a risolvere questi problemi.

Un agente ben progettato potrebbe aiutare a classificare le richieste, riassumere i fascicoli, instradare il lavoro interno, assistere nella ricerca per gli approvvigionamenti, supportare i flussi di lavoro per il rilevamento delle frodi, preparare risposte in bozza o aiutare i dipendenti a consultare policy e documentazione complesse.

Sono opportunità concrete. Tuttavia, i sistemi del settore pubblico comportano aspettative diverse rispetto ai comuni strumenti di produttività. L’IA nel settore pubblico deve tenere conto di trasparenza, accessibilità, privacy, norme sugli appalti, conservazione dei documenti, cybersicurezza, verificabilità e fiducia dei cittadini.

GovExec ha riferito nel maggio 2026 che i responsabili IT federali mostrano un interesse crescente per gli strumenti di IA autonoma mentre i progetti pilota accelerano, ma le lacune in materia di governance, dati e supervisione persistono in tutto il settore pubblico. Questa è la tensione centrale: le agenzie procedono rapidamente, ma molte stanno ancora costruendo le strutture operative necessarie per supportare l’IA agentica in sicurezza.

Dalle attività pilota alla pressione per la produzione

Un progetto pilota può essere utile senza essere pronto per la produzione. Questa distinzione è importante.

Un piccolo progetto pilota con un agente può operare con un numero limitato di utenti, dati selezionati, supervisione manuale e un’attività circoscritta. La produzione è diversa. Quando un agente entra a far parte delle operazioni quotidiane, l’agenzia ha bisogno di un modello di supporto più solido. Chi ne è responsabile? Quali sistemi utilizza? Come vengono verificati i risultati? Quali registri vengono conservati? Cosa accade se l’agente fornisce una risposta errata, espone dati sensibili o instrada un’attività in modo scorretto?

Durante la sperimentazione è facile rimandare queste domande. È molto più difficile rispondere dopo che uno strumento IA si è diffuso tra i team ed è diventato parte dei flussi di lavoro informali.

Lo stesso schema si è manifestato più in generale nell’IA aziendale. Le organizzazioni possono creare prototipi impressionanti prima di aver risolto i problemi di dati, flussi di lavoro, governance e integrazione che determinano se un sistema possa scalare. Le agenzie pubbliche affrontano la stessa sfida, con un ulteriore livello di responsabilità verso i cittadini.

Il problema dell’adozione decentralizzata dell’IA

L’adozione dell’IA nel settore pubblico avviene spesso in modo disomogeneo. Agenzie diverse hanno missioni diverse, sistemi legacy diversi, ambienti di dati diversi, strumenti di approvvigionamento diversi e livelli diversi di maturità tecnica. Alcuni team possono muoversi rapidamente. Altri possono essere più prudenti. Alcuni possono utilizzare strumenti approvati a livello aziendale. Altri possono sperimentare funzionalità IA integrate nelle piattaforme esistenti dei fornitori.

Questa flessibilità può favorire l’innovazione, ma può anche creare incoerenza. Senza un inventario chiaro e un modello di governance di base, le agenzie potrebbero non sapere quali agenti IA siano in uso, quali dati utilizzino, quali azioni possano intraprendere o se siano conformi alle aspettative in materia di sicurezza e supervisione.

Il problema non è che ogni agenzia debba avere esattamente la stessa strategia per l’IA. Non è così. Il contesto della missione è importante. Un’agenzia dei trasporti, un’agenzia sanitaria, un’organizzazione della difesa, un amministratore di prestazioni e un ufficio locale per i permessi non avranno esigenze identiche in materia di IA.

Tuttavia, una base comune è comunque necessaria. Le agenzie hanno bisogno di aspettative coerenti in materia di inventario, accesso ai dati, documenti, supervisione umana, test, monitoraggio e risposta agli incidenti. Senza questa base, l’IA agentica può diffondersi più rapidamente di quanto l’organizzazione riesca a governarla.

La preparazione dei dati è il fondamento

Gli agenti IA dipendono dai dati e dal contesto. Nel settore pubblico, questo contesto spesso risiede in sistemi legacy, documenti normativi, piattaforme di gestione dei casi, fogli di calcolo, portali, sistemi di archiviazione e conoscenze istituzionali che potrebbero non essere documentati in modo ordinato.

Se i dati sottostanti sono incompleti, obsoleti, incoerenti o soggetti a autorizzazioni inadeguate, un agente può comunque produrre risultati espressi con sicurezza. È pericoloso perché risposte ben confezionate possono creare una falsa percezione di affidabilità.

La preparazione dei dati per l’IA agentica comprende diverse domande pratiche:

• A quali fonti di dati è autorizzato ad accedere l’agente?
• Chi è responsabile di queste fonti?
• Quanto sono aggiornate e affidabili?
• Quali dati dovrebbero essere esclusi?
• Come vengono applicate le autorizzazioni?
• L’agenzia può ricondurre un risultato alle fonti utilizzate?
• Quali documenti devono essere conservati?
• Come vengono corretti gli errori quando i dati di origine sono errati?

Non si tratta di questioni teoriche di governance. Determinano se un agente IA possa essere considerato affidabile in un flusso di lavoro reale del settore pubblico.

La supervisione deve essere proporzionata al livello di autonomia

Non tutti gli agenti IA comportano lo stesso livello di rischio. Un assistente interno che aiuta a riassumere documenti normativi è diverso da un agente che assegna pratiche relative a prestazioni, raccomanda azioni di controllo, supporta decisioni di approvvigionamento o modifica dati in un sistema operativo.

La supervisione dovrebbe essere proporzionata al livello di autonomia e all’impatto dell’agente. I casi d’uso a basso rischio possono richiedere regole d’uso chiare, controlli degli accessi e una verifica di base. I casi d’uso a maggiore impatto possono richiedere approvazione formale, revisione con supervisione umana, registri di audit, test, percorsi di escalation e monitoraggio continuo delle prestazioni.

La chiave è definire i limiti prima dell’implementazione:

• Che cosa può fare autonomamente l’agente?
• Che cosa richiede l’approvazione umana?
• Quali azioni sono vietate?
• Quale livello di affidabilità è richiesto prima di utilizzare un risultato?
• Chi esamina le eccezioni?
• Chi è responsabile dei risultati?

Se queste domande restano senza risposta, l’agenzia non dispone di una strategia per gli agenti di IA. Ha un esperimento di automazione dalle conseguenze poco chiare.

L’infrastruttura organizzativa è importante quanto la tecnologia

Il commento di maggio 2026 di Federal News Network sulla costruzione del motore organizzativo per l’IA su larga scala evidenzia un punto importante: le agenzie non possono permettersi di scegliere tra stabilità e trasformazione. Devono preservare l’affidabilità della missione, adattandosi al contempo abbastanza rapidamente da utilizzare l’IA in modo responsabile.

Questo richiede più degli strumenti. Richiede un’infrastruttura organizzativa. Le agenzie hanno bisogno di team per la governance, responsabili dei dati, responsabili tecnici, responsabili delle policy, indicazioni per gli approvvigionamenti, processi di revisione dei rischi, pratiche di monitoraggio, programmi di formazione e piani di risposta agli incidenti.

È qui che molte iniziative di IA si arenano. La tecnologia riceve per prima l’attenzione. Il modello operativo arriva dopo, se arriva.

Per l’IA agentica, quest’ordine è rischioso. Il modello operativo dovrebbe essere progettato insieme alla tecnologia, perché il comportamento del sistema, le autorizzazioni, l’accesso ai dati e la struttura delle responsabilità fanno tutti parte dell’implementazione.

Che cosa dovrebbero fare ora le organizzazioni governative

Le agenzie e le organizzazioni del settore pubblico non devono sospendere l’adozione dell’IA finché ogni questione di governance non sarà completamente risolta. Sarebbe irrealistico e probabilmente controproducente. Tuttavia, hanno bisogno di un percorso disciplinato dalla sperimentazione all’uso responsabile.

• Mappare il portafoglio di agenti di IA: Identificare gli agenti, i progetti pilota, le funzionalità dei fornitori integrate, gli strumenti non ufficiali e i flussi di lavoro automatizzati già in uso.
• Documentare i casi d’uso e i responsabili: Ogni agente dovrebbe avere un responsabile aziendale, un responsabile tecnico, uno scopo previsto, fonti di dati e limiti decisionali.
• Classificare il rischio: Ordinare i casi d’uso in base al livello di autonomia, alla sensibilità dei dati, all’impatto sul pubblico, all’importanza operativa e all’esposizione normativa o alle policy applicabili.
• Standardizzare la governance di base: Stabilire requisiti minimi per l’accesso ai dati, la registrazione dei log, i test, la revisione umana, il monitoraggio e la conservazione dei documenti.
• Dare priorità alla preparazione dei dati: Migliorare la qualità dei dati, i metadati, le autorizzazioni, la tracciabilità delle fonti e i modelli di integrazione prima di ampliare l’autonomia.
• Pianificare gli incidenti: Definire che cosa accade quando un agente commette un errore, espone dati errati, crea una raccomandazione inadeguata o si comporta in modo imprevisto.
• Formare il personale: I dipendenti devono comprendere che cosa possono fare gli agenti, dove falliscono, come utilizzarli responsabilmente e quando segnalare le proprie preoccupazioni.

L’obiettivo non è rallentare l’innovazione fine a se stessa. L’obiettivo è impedire che l’adozione superi la capacità dell’agenzia di gestire il rischio.

Come Ridiculous Engineering considera la preparazione all’IA agentica

In Ridiculous Engineering, consideriamo l’IA agentica un problema di implementazione e di modello operativo, non soltanto di selezione degli strumenti. Il modello è importante, ma il sistema circostante lo è ancora di più: qualità dei dati, autorizzazioni, progettazione dei flussi di lavoro, monitoraggio, verificabilità, supervisione umana, integrazioni e responsabilità.

Questo è particolarmente vero negli ambienti del settore pubblico e regolamentati. Gli agenti di IA devono essere utili, ma devono anche essere sufficientemente spiegabili, governabili e supportabili per operare all’interno di organizzazioni reali.

Aiutiamo le organizzazioni a definire il percorso pratico dall’interesse alla preparazione. Questo può includere l’inventario degli agenti, la valutazione dei casi d’uso, la mappatura dei flussi di lavoro, la revisione delle fonti di dati, la progettazione della governance, la pianificazione delle integrazioni, la valutazione dei fornitori, la strategia di monitoraggio e il supporto all’implementazione di sistemi agentici che devono funzionare in produzione, non solo in un progetto pilota.

Il primo passo è spesso semplice: scoprire che cosa sta già accadendo. Molte organizzazioni scoprono che l’uso dell’IA è più ampio di quanto la leadership avesse compreso. Una volta reso visibile il quadro complessivo, diventa molto più facile decidere quali casi d’uso meritano di essere estesi, quali necessitano di controlli più rigorosi e quali dovrebbero essere sospesi o riprogettati.

Adozione non significa preparazione

La percentuale di adozione dell’82% indica che l’IA agentica non è una tendenza lontana per il settore pubblico. Le agenzie e le organizzazioni del settore pubblico si stanno già muovendo. Alcune probabilmente lo fanno con criterio. Altre potrebbero muoversi più rapidamente di quanto i loro modelli di governance, dati e supervisione siano in grado di supportare.

Le agenzie che trarranno i maggiori benefici non saranno quelle con il maggior numero di agenti. Saranno quelle che comprenderanno dove gli agenti sono appropriati, quali limiti richiedono, di quali dati possono fidarsi e come mantenere intatta la responsabilità umana.

Se la vostra organizzazione sta valutando gli agenti di IA, li sta già sperimentando o cerca di capire se le proprie basi di governance e dati sono pronte per l’uso in produzione, Ridiculous Engineering può aiutarvi. Collaboriamo con i clienti per chiarire i casi d’uso, progettare garanzie pratiche e costruire sistemi di IA agentica adatti all’organizzazione, invece di superarne la capacità di gestione.

Il governo agentico non sarà definito soltanto dalle statistiche di adozione. Sarà definito dalla capacità delle agenzie di trasformare l’automazione intelligente in un servizio pubblico affidabile.

Fonti e ulteriori letture: Salesforce: L'ascesa del governo agentico, Route Fifty: I leader del governo e l'adozione dell'IA agentica, GovExec: Le agenzie guardano all'IA agentica, ma persistono dubbi sulla preparazione, Federal News Network: Dalla strategia alla struttura, World Economic Forum: Far funzionare l'IA agentica per il governo