STRATEGIC DECISION SUPPORT AND TRUSTWORTHY AI FRAMEWORK FOR MUNICIPAL AUTOMATION: A Simulation-Based Roadmap for the Comune di Genova

Abstract

Le amministrazioni comunali devono rispondere a una domanda crescente di servizi tempestivi, rispettando al contempo complessi requisiti normativi e mantenendo la responsabilità delle proprie decisioni. Questa tesi sviluppa e valuta un framework di IA affidabile per la gestione delle richieste dei cittadini presso il Comune di Genova. Il sistema integra tecniche di *Retrieval-Augmented Generation* (RAG) multi-agente, simulazione operativa e misure di salvaguardia per garantire spiegabilità, privacy, verificabilità e supervisione umana.

Le richieste dei cittadini vengono pseudonimizzate e associate alle normative comunali tramite un sistema di recupero informazioni ibrido. Cinque agenti specializzati recuperano le informazioni pertinenti, valutano la conformità e i rischi, preparano le risposte e stimano il livello di confidenza. Un meccanismo di selezione (*decision gate*) indirizza le richieste verso risposte informative automatiche, la revisione da parte di funzionari o l'inoltro urgente. La decisione finale sull'ammissibilità resta di competenza dei funzionari umani.

Una simulazione a eventi discreti realizzata con SimPy modella l'arrivo delle richieste, il triage, le code dipartimentali, gli errori di instradamento, le rilavorazioni e le scadenze del servizio. Il modello confronta quattro politiche operative su otto scenari, supportato da analisi relative al personale e alla domanda. La valutazione si basa su richieste reali del Comune, set di test indipendenti e casi storici, tenendo conto della limitata varietà testuale e delle ipotesi formulate sulle dinamiche operative.

L'accuratezza dell'instradamento raggiunge l'84,2% anche in presenza di richieste complesse o "rumorose". Il meccanismo di selezione riduce al 3,3% la quota di risposte errate inviate ai cittadini senza revisione, mentre circa il 70% delle richieste indipendenti riceve una risposta automatica. Nello scenario di riferimento simulato, il tempo medio di risposta scende da 1,19 a 0,28 giorni l

Municipal administrations must respond to growing demand for timely services while meeting complex legal requirements and remaining accountable for their decisions. This thesis develops and evaluates a trustworthy AI framework for handling citizen requests at the Comune di Genova. It combines multi-agent retrieval-augmented generation (RAG), operational simulation, and safeguards for explainability, privacy, auditability, and human oversight.

Citizen requests are pseudonymised and matched with municipal regulations through hybrid retrieval. Five specialised agents retrieve evidence, assess compliance and risk, prepare responses, and estimate confidence. A decision gate directs requests to automatic informational replies, officer review, or urgent dispatch. Decisions on eligibility remain with human officials.

A SimPy discrete-event simulation models request arrivals, triage, departmental queues, misrouting, rework, and service deadlines. It compares four operating policies across eight scenarios, supported by staffing and demand models. Evaluation draws on municipal requests, independent challenge sets, and historical cases, while acknowledging limited text diversity and assumptions about operations.

Routing accuracy reaches 84.2% on noisy requests. The decision gate reduces incorrect responses reaching citizens without review to 3.3%, while approximately 70% of independent requests receive automatic replies. In the simulated baseline, average response time falls from 1.19 to 0.28 working days. AI-assisted drafting and supervised replies yield greater operational gains than routing automation alone. Disaster and infrastructure scenarios nevertheless expose limits that require contingency staffing.

The framework offers a way to assess service efficiency alongside trustworthiness. It remains an evaluated prototype, not a production deployment, and requires testing with live correspondence, generative backends, and municipal staff before adoption.