Settore pubblico: scalare l’AI per la missione istituzionale

La pressione per adottare l’AI e dimostrarne il valore reale è concreta. Lo è anche il divario tra l’ambizione riposta nell’AI e i risultati in grado di generare un impatto reale.

Al Snowflake Summit abbiamo chiesto ai leader del settore pubblico: come si passa dalla pressione di mercato per adottare l’AI in modi che contribuiscano concretamente alla missione istituzionale? Due sessioni dedicate al settore pubblico hanno condiviso una risposta coerente: Il percorso verso una produzione di AI di valore inizia molto prima di implementare un modello. 

Questo significa che data foundation, architettura di governance e allineamento organizzativo, elementi che rendono possibile la produzione di AI, devono venire prima di tutto.

Di seguito approfondiamo tre lezioni dei leader del settore pubblico su come colmare il divario di valore dell’AI.

Lezione 1: Sviluppare prima di tutto una solida data foundation

L’AI non risolve un’infrastruttura dati compromessa. Anzi, la mette a nudo.

Quando l’Università della Florida ha iniziato a sperimentare con l’AI, ha scoperto che solo il 10-15% dei propri dati era definito semanticamente, rendendo qualsiasi insight generato dai dati incompleto e quindi non attendibile.¹ La soluzione: Il team ha sviluppato un processo che utilizza NaviGator AI e componenti Snowflake per generare definizioni in linguaggio naturale su larga scala. Se il lavoro fosse stato svolto manualmente, si stima che una persona avrebbe impiegato 83 settimane per completarlo² (sulla base di analisi dei dati interne dell’Università della Florida, aggiornate a giugno 2026).

James Martinez, Data Engineering Manager presso l’Università della Florida, afferma: “Ora che abbiamo creato il livello semantico di base, abbiamo sviluppato un prodotto chiamato Navigator Insights, analisi dei dati conversazionale integrata in Snowflake, che utilizza il server MCP ed espone le funzionalità di Cortex Analyst e di ricerca.” Grazie a questo, il team può ora porre domande in linguaggio naturale e scoprire tendenze nei dati che influiscono direttamente sugli studenti della propria istituzione. 

La maturità dell’AI richiede una solida data foundation. Data governance, sicurezza e interoperabilità non sono prerequisiti che un’organizzazione può rimandare a un secondo momento. Sono piuttosto elementi della data foundation essenziale di cui un’organizzazione ha bisogno prima di poter ottenere valore dall’innovazione basata sull’AI. 

Lezione 2: Passare da progetti pilota isolati a un’intelligenza di livello enterprise

Alla maggior parte delle organizzazioni non mancano i progetti pilota di AI. Manca l’AI in grado di scalare.

Alan Sim ha un dottorato in epidemiologia della Drexel University e ricopre il ruolo di Chief Data and Analytics Officer presso Leidos, un’azienda attiva nei settori della difesa e dei servizi pubblici con implementazioni di AI che spaziano da cybersecurity a prestazioni per i veterani e logistica. Racconta: “Il cambiamento consiste nel passare da iniziative isolate e molto specifiche a chiedersi cosa significhi essere di livello enterprise.”

Leidos utilizza l’AI e il machine learning da anni: la sfida non è mai stata costruire. La sfida è stata ottenere l’adesione in tutta l’organizzazione e collegare le funzionalità di AI alle priorità strategiche della leadership.

Per gestire meglio l’eccesso di richieste di nuovi progetti pilota di AI e strumenti, Sim ha smesso di chiedere ai team di Leidos quali strumenti desiderassero e ha iniziato a chiedere loro cosa stessero cercando di risolvere. Dice: “A volte è semplice come chiedere: ‘Sei sicuro di avere bisogno di un agente AI? Forse ti basta l’automazione. Forse è un’attività di reingegnerizzazione dei processi.’” Ha scoperto che è proprio questa disciplina, cioè l’abbinare la soluzione giusta al problema giusto, a separare i progetti pilota di AI dalla produzione di AI reale in grado di generare un valore concreto. 

Joe Larson, VP of OpenAI for Government, ha rafforzato questo concetto dal punto di vista dei modelli. Dice: “È molto più efficace, e credo che generi un valore molto più alto, permettere al settore pubblico di unire il modello di frontiera alla propria infrastruttura dati e creare qualcosa di più completo e ben strutturato.”

Rendere disponibili i modelli è solo un punto di partenza. Ma renderli operativi integrandoli con i dati aziendali, i workflow e la governance è il vero obiettivo capace di generare il massimo impatto. 

Lezione 3: Allineare l’AI ai risultati della missione istituzionale, non alle metriche tecnologiche

Molti progetti di AI falliscono principalmente perché non sono collegati a risultati organizzativi tangibili. Nel settore pubblico, dove il successo non si misura in termini di fatturato ma di impatto, questa difficoltà può essere ancora più marcata. 

Stephen Moon, Public Sector Field CTO Snowflake, afferma: “Nel settore pubblico tutto ruota attorno alla missione istituzionale. Stiamo generando risultati legati alla missione istituzionale con queste iniziative di AI?”

Per il team di General Dynamics Mission Systems, il sistema di elaborazione dei preventivi di vendita acquisiva migliaia di PDF dei fornitori, ciascuno con formati, layout e terminologia diversi. Il team ha tentato di implementare un approccio basato sul training per contrastare queste incongruenze, ma senza successo. Sono quindi passati allo zero-shot prompting con Snowflake Cortex AI, migliorando la precisione dal 50% all'85% nel recente passaggio in produzione³ (sulla base di analisi dei dati interne di General Dynamics Mission Systems, aggiornate a giugno 2026). Il risultato non è stato misurato in base alle prestazioni del modello. È stato misurato in termini di velocità, precisione e risparmi sui costi in un workflow che incide direttamente sull’esecuzione della missione istituzionale. 

Dal progetto all’azione

In tutte le organizzazioni presenti al Snowflake Summit, tra cui General Dynamics, Leidos, OpenAI for Government e l’Università della Florida, è emerso un filo conduttore comune: Le organizzazioni che ottengono risultati concreti dall’AI sviluppano prima la data foundation giusta e poi procedono con metodo. Si prendono il tempo necessario per definire:

• Dati unificati e governati prima dei modelli
• Casi d’uso di livello enterprise prima di scalare i progetti pilota di AI
• Allineamento chiaro alla missione istituzionale prima di misurare il ritorno sull’investimento

La tecnologia AI è pronta. La domanda per la maggior parte delle agenzie è se anche la data foundation, l’architettura di governance e l’allineamento organizzativo siano pronti.

Esplora le risorse Snowflake per il settore pubblico per valutare la maturità della tua AI e sviluppare risultati che contribuiscano concretamente alla missione istituzionale.

_{¹ Snowflake Summit 26 Session IN227: Scaling AI in the Public Sector Showcase: From Pilots to Real-World Impact}

_{² Snowflake Summit 26 Session IN227: Scaling AI in the Public Sector Showcase: From Pilots to Real-World Impact}

_{³ Snowflake Summit 26 Session IN227: Scaling AI in the Public Sector Showcase: From Pilots to Real-World Impact}