di Paolino Fierro
Abstract: Il contributo analizza le implicazioni dell’intelligenza artificiale per la prevenzione della corruzione nelle organizzazioni pubbliche, adottando un framework integrato che combina Agency Theory e Organizational Behavior. L’adozione di sistemi di IA non riduce le asimmetrie informative tipiche della relazione principal-agente: le stratifica, introducendo nuove forme di opacità algoritmico-istituzionale, intra-organizzativa e nei confronti dei cittadini. Analogamente, la discrezionalità amministrativa non scompare, ma si ridistribuisce nelle fasi meno visibili di progettazione, addestramento e override dei sistemi. Sul versante comportamentale, l’IA può amplificare i meccanismi di razionalizzazione e socializzazione che normalizzano le condotte devianti, offrendo nuovi dispositivi di deresponsabilizzazione morale. Il lavoro formula tre proposizioni teoriche empiricamente esplorabili e propone un sistema di presidi articolato su quattro livelli a sostegno di un uso dell’IA orientato all’integrità e alla responsabilità nelle pubbliche amministrazioni.
1. L’IA come questione organizzativa
La letteratura sulla corruzione all’interno delle organizzazioni pubbliche identifica due principali approcci: quello strutturale-istituzionale, focalizzato sulle asimmetrie informative e sull’incompletezza contrattuale, e l’approccio comportamentale-organizzativo, che pone attenzione ai processi di razionalizzazione e socializzazione attraverso cui le pratiche illecite possono essere percepite come ordinarie. Un modello integrato (Fierro, Varriale e Ferrara, 2024) associa la Agency Theory e l’Organizational Behavior, evidenziando come i codici etici e di condotta rappresentino strumenti fondamentali — non semplici formalità — per indirizzare e monitorare i comportamenti dei dipendenti pubblici.
L’ingresso crescente dell’intelligenza artificiale nelle amministrazioni pubbliche — dal procurement alla valutazione delle performance, dall’allocazione delle risorse al controllo di conformità — introduce però una variabile che il framework originario non poteva ancora tematizzare pienamente. L’IA non cancella la relazione tra principal e agente: la riconfigura. Non elimina la discrezionalità: la ridistribuisce. Non annulla le asimmetrie informative: le sposta e, in taluni punti, le amplifica. È proprio per questo che l’IA diventa cruciale per lo studio della corruzione organizzativa: non come soluzione esterna, ma come fattore interno che ne modifica la struttura.
2. Le asimmetrie informative non spariscono: cambiano forma
Nella classica relazione principal-agente, è il vantaggio informativo dell’agente a creare lo spazio in cui si annidano comportamenti opportunistici. L’IA promette di ridurre questo divario attraverso sistemi di monitoraggio automatizzato, anomaly detection e modelli predittivi capaci di rendere visibili irregolarità che il controllo umano fatica a cogliere. Questa lettura, però, è solo parzialmente corretta.
L’introduzione dell’IA non elimina le asimmetrie: le stratifica. Ne emergono almeno tre nuove. La prima è algoritmico-istituzionale: i fornitori privati che progettano e aggiornano i sistemi di IA detengono conoscenze tecniche che le amministrazioni pubbliche raramente possiedono, rendendo il contratto con il fornitore ancora più incompleto di quello tradizionale. La seconda è intra-organizzativa: chi lavora direttamente con i sistemi — tecnici, data scientist, responsabili dei dati — acquisisce un potere informativo che spesso non coincide con la gerarchia formale, in ambiti nei quali i tradizionali strumenti burocratici di controllo risultano deboli. La terza riguarda il rapporto con i cittadini: l’opacità algoritmica rischia di rendere incomprensibili le decisioni amministrative, rafforzando la sfiducia istituzionale e amplificando le disuguaglianze.
3. La discrezionalità si sposta, non scompare
Uno degli argomenti più diffusi a favore dell’IA è che essa ridurrebbe la discrezionalità individuale dei funzionari e, con essa, le occasioni di corruzione. L’argomento contiene un nucleo di verità, ma è incompleto: la discrezionalità è un dato strutturale dell’azione amministrativa, frutto inevitabile dell’incertezza, dell’incompletezza delle regole e della complessità dei contesti operativi.
L’IA non elimina questa dimensione: la redistribuisce in fasi meno visibili. La prima sede è la progettazione del sistema: definire obiettivi, variabili e criteri di ponderazione significa compiere scelte cariche di valori, spesso invisibili ai normali meccanismi di controllo. La seconda è l’addestramento: i dataset storici incorporano selezioni, omissioni e distorsioni, con il rischio che il sistema apprenda come “normali” pratiche già influenzate da ambienti organizzativi degradati. La terza è il cosiddetto override umano, ossia la scelta di confermare o modificare la raccomandazione algoritmica: è proprio qui che la discrezionalità si concentra nelle eccezioni, risultando spesso meno trasparente di quella tradizionale.
4. L’IA può normalizzare comportamenti impropri
Il framework individua nella razionalizzazione e nella socializzazione i due meccanismi fondamentali attraverso cui comportamenti devianti si consolidano. L’IA non neutralizza questi processi: può offrirne nuove modalità di espressione. Frasi come “lo suggeriva il sistema” o “l’algoritmo non segnalava anomalie” diventano potenti dispositivi di alleggerimento della responsabilità morale. Quando l’algoritmo viene percepito come un’autorità neutrale, il decisore umano può sentirsi meno responsabile delle proprie azioni: l’opacità tecnica diventa, in questi casi, una risorsa di razionalizzazione.
Sul versante della socializzazione, la familiarizzazione progressiva con strumenti presentati come oggettivi e inevitabili genera conformismo. I tre processi individuati da Ashforth e Anand — cooptazione, incrementalità e compromesso — trovano qui terreno fertile: i funzionari vengono introdotti all’uso dell’IA senza una formazione critica adeguata; la delega decisionale cresce gradualmente, senza che nessun singolo passaggio sembri problematico; chi percepisce una raccomandazione come discutibile finisce per seguirla comunque, per non dover giustificare una deviazione rispetto a ciò che “dice il sistema”.
5. Presidi e proposizioni teoriche
Se il problema è multilivello, anche la risposta deve esserlo. Quattro livelli di presidio appaiono necessari. Sul piano contrattuale-istituzionale, i contratti con i fornitori tecnologici devono prevedere clausole di algorithmic accountability: requisiti di trasparenza, diritto di audit tecnico, obblighi documentali sui dataset di addestramento e regole sul monitoraggio continuo. Sul piano organizzativo-procedurale, occorre ridisegnare i processi affinché la responsabilità individuale resti tracciabile anche in presenza di sistemi algoritmici: chi decide, perché deroga, chi sviluppa il sistema e chi adotta la decisione finale devono essere chiaramente separati e documentati. Sul piano etico-culturale, non basta formare il personale sull’uso tecnico dell’IA: è necessario sviluppare competenze riflessive, la capacità di interrogarsi sui valori incorporati nei sistemi e sulle responsabilità che restano in capo alla persona. Sul piano della governance esterna, infine, sono necessari organismi indipendenti dotati di competenze tecnico-algoritmiche, non solo giuridiche, capaci di valutare la qualità etica e l’impatto organizzativo dei sistemi di IA pubblica.
Dall’analisi emergono tre proposizioni teoriche. Prima: l’adozione di sistemi di IA ridistribuisce la discrezionalità nelle fasi di progettazione, addestramento e override, rendendola meno visibile e meno presidiata dai controlli tradizionali. Seconda: i sistemi di IA offrono nuovi strumenti di razionalizzazione dei comportamenti devianti, abbassando la soglia percepita del rischio morale. Terza: l’adozione organizzativa dell’IA attiva dinamiche di socializzazione simili a quelle descritte nella letteratura sulla normalizzazione della corruzione, portando i funzionari a interiorizzare la logica algoritmica come neutrale e legittima, anche quando non lo è.
6. Conclusioni
L’intelligenza artificiale nelle organizzazioni pubbliche non va letta solo come leva di innovazione, ma come fattore che ridefinisce in profondità le condizioni organizzative della corruzione. Può certamente rafforzare la prevenzione, migliorare il monitoraggio e rendere più tempestiva l’individuazione delle anomalie. Ma può anche produrre nuove zone d’ombra: opacità tecnica, deresponsabilizzazione, spostamento della discrezionalità, fiducia acritica nel sistema.
Applicare all’IA il framework integrato tra Agency Theory e Organizational Behavior non è un esercizio opzionale: è oggi una necessità analitica. La vera domanda non è se l’IA sia buona o cattiva per la pubblica amministrazione, ma quale architettura organizzativa, etica e istituzionale occorra affinché essa diventi una risorsa di integrità, e non un nuovo schermo dietro cui occultare responsabilità e decisioni opache.
Riferimenti bibliografici
Ashforth, B. E., & Anand, V. (2003). The normalization of corruption in organizations. Research in Organizational Behavior, 25, 1-52. https://doi.org/10.1016/S0191-3085(03)25001-2
Busuioc, M. (2021). Accountable artificial intelligence: Holding algorithms to account. Public Administration Review, 81(5), 825-836. https://doi.org/10.1111/puar.13293
De Blasio, G., D’Ignazio, A., & Letta, M. (2020). Predicting Corruption Crimes with Machine Learning: A Study for the Italian Municipalities. Sapienza University of Rome, DISS Working Paper n. 16/2020.
Eisenhardt, K. M. (1989). Agency theory: An assessment and review. Academy of Management Review, 14(1), 57-74. https://doi.org/10.2307/258191
Fierro, P., Varriale, L., Ferrara, M. (2024). Corruzione e comportamento organizzativo nelle amministrazioni pubbliche: un framework integrato tra Agency Theory e Organizational Behavior.
OCSE (2025). Algorithmic Transparency in the Public Sector: A State-of-the-Art Report. OECD AI Policy Observatory. https://wp.oecd.ai/app/uploads/2025/05/algorithmic-transparency-in-the-public-sector.pdf
Ugale, G., & Hall, C. (2024). Generative AI for anti-corruption and integrity in government: Taking stock of promise, perils and practice. OECD Artificial Intelligence Papers, No. 12. OECD Publishing. https://doi.org/10.1787/657a185a-en
