Introduzione
La pubblica amministrazione italiana deve affrontare una perdita sistemica di conoscenza tacita quando funzionari di medio‑alto livello cambiano ruolo, vanno in pensione o lasciano l’ente. Questo fenomeno, evidenziato dall’Istituto per la Metodologia Scientifica (ISEM) di Palermo, mette a rischio la continuità operativa, soprattutto nei settori più complessi come la gestione dei contenziosi o le eccezioni procedurali.
Il modello SECI e la conoscenza tacita
Secondo Nonaka e Takeuchi (1995), la conoscenza tacita è difficile da formalizzare e rimane legata all’esperienza diretta del singolo. Il ciclo SECI – Socializzazione, Esternalizzazione, Combinazione, Internalizzazione – descrive come tale conoscenza possa diventare patrimonio organizzativo. La Socializzazione e l’Esternalizzazione richiedono un intervento umano intenso; la Combinazione, invece, è il punto in cui l’informazione già codificata può essere riaggregata e riutilizzata.
RAG come strumento per la fase di combinazione
Il Retrieval‑Augmented Generation (RAG) combina un modello linguistico di grandi dimensioni con un motore di recupero di documenti pertinenti. In pratica, il “bibliotecario” digitale estrae il contenuto più aggiornato dalla base di conoscenza dell’ente e lo fornisce al modello, riducendo il rischio di “allucinazioni” tipiche dei LLM “nudi”.
Esempio illustrativo di Wu (2026)
Wu, nel suo studio Generative Artificial Intelligence in Knowledge Management Systems, riporta che il 30 % dei dati di mercato in un report generato automaticamente risultava inventato. Questo dimostra come un LLM senza supporto di recupero possa produrre informazioni errate, pericolose in ambito amministrativo.
Rischi epistemici e governance
Onyeka e Hundu (2026) hanno identificato quattro meccanismi dell’IA generativa, tra cui la “ricombinazione della conoscenza”, ma hanno anche evidenziato i cosiddetti epistemic hazards: allucinazioni, disinformazione sistematica e perdita di capacità critica da parte degli operatori. Per mitigare questi rischi è necessario un approccio human‑in‑the‑loop e architetture ibride che integrino knowledge graph.
- Controlli di verifica: revisione manuale delle risposte generate prima della pubblicazione.
- Audit dei dati di origine: tracciabilità dei documenti recuperati dal sistema RAG.
- Formazione continua: aggiornamento delle competenze dei funzionari sull’uso consapevole dell’IA.
Applicazione pratica: il caso Miliaev et al. (2026)
Lo studio di Miliaev, Hinkelmann ed Eisenbart, basato su Design Science Research, ha creato un prototipo per il reparto acquisti di un’azienda ingegneristica europea. Il flusso operativo prevede:
- Interviste di debriefing con esperti uscenti.
- Trascrizione automatica e categorizzazione della conoscenza tacita.
- Esternalizzazione in documenti strutturati.
- Uso di RAG per il recupero e il riuso dei contenuti prodotti.
I workshop con gli utenti hanno confermato che la combinazione di cattura umana e recupero automatizzato riduce la perdita di know‑how critico.
Quadro normativo italiano
Il recente AI Act europeo, la Legge 132/2025 e le Linee guida AgID forniscono le basi legali per l’impiego di IA nella pubblica amministrazione. In particolare:
- La Legge 132/2025 impone la valutazione d’impatto sulla protezione dei dati per ogni sistema IA.
- Le Linee guida AgID richiedono trasparenza, tracciabilità e verifica umana dei risultati generati.
- L’AI Act stabilisce categorie di rischio per i sistemi generativi, obbligando a misure di mitigazione per le applicazioni ad alta criticità.
Raccomandazioni operative per le PA
Per implementare RAG in modo efficace, le amministrazioni dovrebbero adottare le seguenti pratiche:
- Definire un repository centralizzato di normative, linee guida e best practice interne.
- Standardizzare i formati documentali (PDF, XML, JSON) per facilitare il recupero.
- Instaurare un processo di validazione in cui il funzionario verifica la risposta generata prima di utilizzarla.
- Monitorare le performance del sistema con metriche di accuratezza, completezza e tempi di risposta.
- Promuovere la cultura della documentazione incentivando la scrittura di FAQ, guide operative e case study.
Conclusioni
Il RAG non sostituisce le fasi di Socializzazione ed Esternalizzazione del modello SECI, ma potenzia la fase di Combinazione, rendendo riutilizzabile la conoscenza già esplicita. L’adozione responsabile richiede una governance robusta, il rispetto delle normative italiane e un forte coinvolgimento umano nella cattura e nella verifica dei contenuti. Solo così la pubblica amministrazione potrà trasformare il sapere dei propri funzionari in patrimonio organizzativo duraturo, evitando la perdita irreversibile di competenze critiche.