Per anni la progettazione sociale ha funzionato su base esperienziale: sensibilità dei territori, intuizione dei professionisti, conoscenza diretta dei bisogni. Tutto questo resta indispensabile. Ma oggi abbiamo uno strumento in più — i dati — che non sostituisce l'esperienza ma la rende più solida, verificabile, e capace di parlare anche a chi non era seduto al tavolo.
Il problema: progettare al buio
Quando un ambito territoriale avvia un processo di coprogrammazione — un Piano di Zona, una co-progettazione su un servizio specifico, una valutazione d'impatto — si trova di fronte a una domanda implicita: su quali evidenze stiamo prendendo decisioni?
Nella maggior parte dei casi, la risposta è: su poche. I dati ci sono, spesso abbondanti, ma sono frammentati tra enti diversi, in formati incompatibili, aggiornati a periodicità diverse. Le ASL hanno i loro flussi, i Comuni hanno i registri dei servizi sociali, l'ISTAT pubblica indicatori demografici, il Terzo Settore raccoglie dati sugli utenti. Ognuno sa qualcosa, nessuno vede il quadro completo.
Il risultato è che le scelte progettuali si basano spesso su percezioni condivise piuttosto che su analisi strutturate. Non è un problema di incompetenza — è un problema di infrastruttura.
La tesi di fondo
L'uso sistematico dei dati nella progettazione sociale non serve a rendere i processi più "tecnici". Serve a rendere più democratiche le decisioni, perché mette tutti gli attori di fronte alle stesse evidenze e costringe a esplicitare i criteri con cui si sceglie.
Cosa intendiamo per "dati" nella progettazione sociale
Quando parliamo di dati in questo contesto non intendiamo solo numeri. Il campo è più ampio e comprende almeno quattro famiglie.
- Dati demografici e statistici — Popolazione, indici di vecchiaia, redditi, composizione dei nuclei familiari, flussi migratori. Sono la base per capire chi vive in un territorio e come sta cambiando.
- Dati di servizio — Accessi ai servizi sociali, liste d'attesa, prese in carico, esiti degli interventi. Dicono cosa il sistema sta facendo e con quale efficacia.
- Dati qualitativi strutturati — I contributi raccolti nei tavoli partecipativi, nelle interviste con gli stakeholder, nei questionari ai cittadini. Sono dati a tutti gli effetti, ma richiedono metodi specifici di analisi.
- Dati di contesto — Mappature delle risorse territoriali, analisi dei flussi economici locali, indicatori di coesione sociale. Servono a leggere le condizioni di partenza.
Il valore non sta in nessuna di queste fonti presa singolarmente. Sta nella capacità di incrociarle, di farle dialogare, di usarle per costruire una lettura integrata del territorio che nessun singolo attore potrebbe produrre da solo.
Tre livelli di utilizzo dei dati
Dalla nostra esperienza sul campo, abbiamo identificato tre livelli progressivi di maturità nell'uso dei dati all'interno dei processi di progettazione sociale.
Livello 1 — Dati come fotografia
È il livello più diffuso: si raccolgono dati per descrivere lo stato di partenza. Il classico "profilo di comunità" che apre un Piano di Zona. È utile, ma ha un limite strutturale: fotografa il presente senza interrogarlo. I dati vengono presentati come sfondo, raramente come elemento attivo della discussione progettuale.
Livello 2 — Dati come bussola
Qui i dati entrano nel processo decisionale. Non descrivono solo il punto di partenza, ma orientano le scelte. Ad esempio: se i dati mostrano che il 40% degli accessi al servizio sociale di un ambito riguarda nuclei monogenitoriali con minori, questo non è un dato di contesto — è un indicatore che dovrebbe influenzare direttamente le priorità di programmazione. A questo livello i dati diventano argomenti nei tavoli, non solo allegati alle delibere.
Livello 3 — Dati come infrastruttura
È il livello a cui aspiriamo: i dati non sono più un input puntuale ma un'infrastruttura permanente. Il territorio dispone di cruscotti condivisi, aggiornati, accessibili a tutti gli attori della rete. Le decisioni vengono monitorate nel tempo attraverso indicatori concordati. La valutazione d'impatto non è un esercizio a posteriori, ma un processo continuo che alimenta la riprogrammazione.
Un caso concreto: i dati nei Piani di Zona
Nei processi di Piano di Zona che abbiamo facilitato, l'uso dei dati ha cambiato concretamente la qualità della discussione. Prendiamo l'esperienza dell'ambito di Crema.
Il primo passo è stato costruire un dataset integrato che mettesse insieme le fonti disponibili: dati ISTAT sulla demografia, flussi dei servizi sociali comunali, dati ATS sulla salute, informazioni raccolte dal Terzo Settore sulle fragilità emergenti. Non un documento statico, ma una base di lavoro condivisa, accessibile a tutti i partecipanti ai tavoli.
Questo ha prodotto tre effetti tangibili.
Il primo è stato un effetto di oggettivazione: quando i dati mostrano che una certa area del territorio ha un tasso di accesso ai servizi molto più basso della media, la discussione si sposta da "secondo me lì c'è un problema" a "i dati indicano una possibile area di sotto-accesso — cosa ci sta dietro?". La differenza non è solo retorica: cambia la qualità del ragionamento collettivo.
Il secondo effetto è stato di prioritizzazione. Con risorse limitate, scegliere dove investire è sempre un atto politico. Ma quando le scelte sono informate dai dati, il processo decisionale diventa più trasparente. Non elimina il conflitto — che è fisiologico e generativo — ma lo ancora a evidenze condivise.
Il terzo effetto è stato di accountability. Avere indicatori di partenza misurabili significa poter dire, tra tre anni, se le cose sono cambiate. La valutazione d'impatto smette di essere un esercizio formale e diventa uno strumento reale di apprendimento organizzativo.
I dati non decidono al posto delle persone. Ma costringono le persone a decidere meglio — perché rendono visibili le conseguenze delle scelte e le alternative possibili.
Il ruolo dell'intelligenza artificiale
L'AI generativa apre possibilità nuove nel trattamento dei dati qualitativi, che nella progettazione sociale sono spesso i più ricchi e i più sottoutilizzati.
Nei tavoli di coprogrammazione si producono centinaia di contributi: post-it, verbali, interviste, questionari aperti. Tradizionalmente, la sintesi di questo materiale è un lavoro artigianale — lungo, costoso, e inevitabilmente parziale. Con gli strumenti di AI è possibile analizzare questi contributi in modo sistematico: identificare i temi ricorrenti, le convergenze e le divergenze tra gruppi diversi, le proposte che emergono in modo trasversale.
Non si tratta di sostituire il facilitatore con un algoritmo. Si tratta di dare al facilitatore — e a tutti i partecipanti — uno strumento di analisi che prima non esisteva. La sintesi AI diventa un oggetto di lavoro da discutere, contestare, integrare. Non è la verità: è una lettura strutturata che accelera il processo di convergenza.
Nel nostro lavoro abbiamo iniziato a sperimentare questo approccio con risultati incoraggianti. L'analisi automatica dei contributi ha permesso di restituire ai tavoli una visione d'insieme in tempi molto rapidi, mantenendo la tracciabilità di ogni singolo contributo rispetto al cluster tematico in cui è stato collocato.
Le trappole da evitare
L'entusiasmo per i dati porta con sé rischi che è importante nominare.
- Il riduzionismo quantitativo. Non tutto ciò che conta si può misurare, e non tutto ciò che si misura conta. La coesione sociale di un quartiere, la fiducia tra istituzioni e cittadini, la qualità delle relazioni di cura — sono dimensioni reali che resistono alla quantificazione. Un approccio data-driven serio deve includere metodi qualitativi, non ridursi a dashboard.
- L'estrattivismo dei dati. Raccogliere dati dai territori senza restituire valore è una pratica coloniale, anche quando si fa con buone intenzioni. I dati devono tornare a chi li ha prodotti, in forme comprensibili e utilizzabili.
- La tecnocrazia partecipativa. Usare i dati per chiudere le discussioni anziché per aprirle. "I dati dicono che…" non è un argomento definitivo — è un punto di partenza per una discussione più informata.
- Il bias dei dati esistenti. I dati disponibili riflettono il sistema che li ha prodotti. Se un servizio è poco accessibile a una certa popolazione, quella popolazione sarà sottorappresentata nei dati di servizio. L'assenza di dati non è assenza di bisogno.
Verso una cultura del dato nel welfare
Costruire una progettazione sociale data-informed non è un problema tecnologico. Gli strumenti ci sono e sono sempre più accessibili. È un problema culturale e organizzativo.
Serve che le amministrazioni investano in competenze interne di analisi dati — non esternalizzando tutto a consulenti, ma costruendo capacità permanente. Serve che il Terzo Settore consideri la raccolta e l'analisi dei dati come parte integrante della propria missione, non come un adempimento burocratico. Serve che i processi partecipativi integrino fin dall'inizio un disegno di valutazione che definisca quali dati raccogliere, come, e per rispondere a quali domande.
Soprattutto, serve un cambio di prospettiva: i dati non sono il contrario della partecipazione. Sono uno strumento di partecipazione. Rendono più accessibile la conoscenza del territorio, più trasparenti le scelte, più verificabili i risultati. In una parola: rendono i processi più democratici.
In sintesi
La sfida non è "usare più dati". È integrare i dati nel tessuto vivo della progettazione sociale — rispettando la complessità dei fenomeni, restituendo valore ai territori, e usando l'evidenza come strumento di dialogo e non di chiusura. È un lavoro lungo, ma è la direzione giusta.