25 Novembre 2025
4 ' di lettura
Salva pagina in PDF

Le Intelligenze Artificiali (AI) per la programmazione sociale, come abbiamo già avuto modo di argomentare, offrono strumenti di grande potenza e interesse, ma anche molti limiti. Tuttavia la domanda, in fondo, resta antica: meglio coltivare un orto o comprare le verdure al mercato? Nel nostro caso: è preferibile sviluppare soluzioni internamente (make) o affidarsi a prodotti e servizi di terze parti (buy)1? È un tipico dilemma di modello di gestione che riguarda, appunto, anche la AI.

In generale, un modello di gestione è l’insieme di regole, procedure e modalità operative che definiscono come funziona un’organizzazione, come viene governata e controllata. Nel nostro caso interessa individuare le modalità da adottare per sviluppare la programmazione (anche se il tema riguarda pi in generale la gestione dei servizi sociali).

In realtà la scelta non è mai del tutto binaria, poiché esistono diverse modalità di affidamento, ciascuna con implicazioni differenti: esternalizzazione, terziarizzazione, privatizzazione, affidamento in house, fino alle soluzioni ibride.

Ma per semplicità espositiva adottiamo una visione dicotomica.

Le motivazioni della scelta

Le variabili da prendere in considerazione sono molte e diverse e, come abbiamo già avuto modo di ricordare, attengono sia al piano tecnico che a quello politico. Nella tabella sottostante propongo alcuni aspetti su cui riflettere, per alcune macro variabili.

Macro variabile Make (sviluppo interno) Buy (acquisto esterno)
Autonomia: chi controlla dati e algoritmi? Controllo e trasparenza su dati sensibili e modelli decisionali locali (sovranità digitale), ma richiede governance robusta e capacità di audit. Rapidità di implementazione, scalabilità e replicabilità delle soluzioni, ma  nessun controllo (black box) e dipendenza dai fornitori per aggiornamenti e adattamenti (vendor lock-in).
Efficacia: le soluzioni rispondono ai bisogni specifici dei territori o a logiche standardizzate? Possibilità di modellare su situazioni ed indicatori coerenti con i bisogni locali, ma richiede tempi lunghi di sviluppo. Si possono utilizzare algoritmi già testati su larga scala, ma vi è il rischio che siano poco adatti alla specifica realtà e possibile presenza di bias algoritmici.
Sostenibilità: il modello è gestibile nel medio periodo? Maggiore resilienza nel lungo periodo, ma costi iniziali elevati anche in termini di cambiamento organizzativo. Costi prevedibili nel breve termine, ma non nel medio per obsolescenza o cambi di strategia del fornitore.
Adattamento e apprendimento: l’organizzazione apprende dall’uso dell’AI oppure la subisce? Favorisce lo sviluppo di competenze interne e cultura data-driven, ma necessita formazione continua e team multidisciplinari. Possibilità di concentrare le risorse su governance e valutazione, evitando dispersione operativa, ma inibisce la crescita delle competenze interne.

In sintesi la soluzione make appare preferibile se l’organizzazione ha già una base dati solida, competenze analitiche e/o intende integrare l’AI in una strategia di lungo periodo. La soluzione buy sembra essere più adeguate a interventi rapidi, in contesti con risorse limitate, purché accompagnato da una valutazione etica e da un contratto che garantisca trasparenza e adattabilità. Tuttavia sono possibili soluzioni ibride in cui il make domina nelle fasi strategiche e di adattamento locale (mappatura, interpretazione, governance, formazione), mentre il buy è centrale nella fase di acquisizione tecnologica, dove si punta su moduli già testati. Di seguito una tabella con alcuni esempi nazionali e internazionali2.

Esempi di modello di gestione

Make St Helens Borough Council (Regno Unito): generazione di piani di cura personalizzati.

North Yorkshire Council (Regno Unito) recupero informazioni e strumenti a supporto del sociale minorile.
Buy Kingston Council (Regno Unito): “Magic Notes” per la trascrizione e sintesi delle visite domiciliari e popolamento del case management.

Regioni finlandesi: procedura d’appalto per “Acquisition of AI assistants in social welfare and health care”.
Ibrido Comune di Modena: progetto laboratorio dati “DataLab Welfare” per la programmazione sociale: co-gestito dal Comune e dall’Università di Modena, insieme ad altri partner, per creare uno spazio di conoscenza condivisa e permanente che migliori l’efficacia delle politiche di welfare attraverso l’analisi integrata dei dati,  in un’ottica di capacity building.

Finlandia: progetto nazionale “AuroraAI” per costruire un ecosistema di servizi pubblici proattivi e interoperabili. Il “core infrastrutturale” è gestito internamente dal settore pubblico, mentre componenti applicative/user interface & sviluppo concreto delle app/chatbot sono sviluppate da fornitori esterni tramite contratti.

Dal punto di vista tecnico, tenendo in considerazione i costi che comprendono il mantenimento nel tempo, la selezione e formazione del personale, le ricadute organizzative ecc., la domanda potrebbe essere: ci sono le risorse necessarie per gestire direttamente l’iniziativa (conoscenze, materiali, umane)? Costa di più produrre internamente o esternamente?

Tuttavia, nell’ambito delle politiche sociali il costo non è l’unico o principale elemento su cui fondare la scelta tra alternative disponibili. In questo caso la pianificazione (medio lungo periodo) tende ad andare oltre la risoluzione dello specifico problema: mira a trasformare i sistemi e le organizzazioni (innovazione, governance, stakeholder, reti3): interviene su precondizioni e avvia processi collaterali al fine di migliorare la loro effettiva capacità di funzionare efficacemente, nonché di aumentare il capitale sociale (capacity building).

Andare oltre il costo

Tuttavia per un’organizzazione impegnata nella programmazione sociale la scelta tra make o buy non è mai solo economica: è una decisione strategica (politica) che definisce il ruolo che intende assumere nel rapporto con i soggetti esterni e nell’intervento specifico. Essa determina, oggi e nel futuro, cosa viene considerato funzione essenziale (core business) e cosa invece accessorio; misura la capacità di governare e adattarsi, il grado di trasparenza e di controllo sui processi, la resilienza nel tempo.

Affidare all’esterno, in tutto o in parte, significa concentrare l’attenzione sulle linee generali della programmazione, più che sulle azioni stesse, sulla loro esecuzione, sulla vigilanza della loro attuazione, sulla valutazione dei risultati.

Non si tratta quindi solo di decidere chi fa che cosa, ma di orientare la traiettoria evolutiva dell’intero sistema, garantendo che l’uso dell’AI resti sotto una guida responsabile (chi è responsabile: verso chi,  come,  su che cosa), capace di bilanciare efficienza e tutela del bene comune.

In molti casi, proprio questa consapevolezza porta verso modelli ibridi, nei quali l’organizzazione mantiene la regia strategica e condivide lo sviluppo tecnologico con partner esterni, in un equilibrio dinamico tra autonomia, efficacia, sostenibilità, adattamento e apprendimento.

Gli altri articoli di Giorgio Merlo sulla AI nella programmazione sociale per P2W

Istruzioni per l’uso delle intelligenze artificiali nella programmazione sociale, 19 maggio 2025

Intelligenza artificiale e programmazione sociale: tra artigianato e industria, 1 agosto 2025

L’intelligenza artificiale ed i modelli operativi della programmazione sociale, 2 ottobre 2025

Per approfondire

Note

  1. Per approfondire si veda Merlo G., Bordone G., Guida alla programmazione sociale, Carocci 2025 p. 141-155
  2. Per ulteriori approfondimenti si rimanda ai contributi della Local Government Association del Regno Unito, che ha realizzato un’ampia gamma di articoli sull’utilizzo delle AI nel governo degli Enti Locali.
  3. Ivi, p. 128 – 140