
TAR Napoli, 05.03.2026 n. 1525
Ciò posto, è infondato il profilo di gravame con cui si contesta la valutazione insufficiente del subpunteggio previsto per il criterio 2.2.
In punto di diritto, possono trarsi argomenti dalla giurisprudenza amministrativa in materia di equivalenza funzionale che, come noto, è finalizzata ad evitare una irragionevole limitazione del confronto competitivo tra gli operatori economici, precludendo l’ammissibilità di offerte avente un oggetto sostanzialmente corrispondente a quello richiesto e, tuttavia, formalmente privo della specifica prescritta (Consiglio di Stato, sez. V, n. 5706/2025).
Sul punto si è affermato che il principio di equivalenza permea l’intera disciplina dell’evidenza pubblica, in quanto la possibilità di ammettere alla comparazione prodotti aventi specifiche tecniche equivalenti a quelle richieste, ai fini della selezione della migliore offerta, risponde, da un lato, ai principi costituzionali di imparzialità e buon andamento e di libertà di iniziativa economica e, dall’altro, al principio euro – unitario di concorrenza, che vedono quale corollario il favor partecipationis alle pubbliche gare, mediante un legittimo esercizio della discrezionalità tecnica da parte dell’amministrazione alla stregua di un criterio di ragionevolezza e proporzionalità.
Tuttavia, il principio di equivalenza trova il limite dell’aliud pro alio; il concorrente che voglia presentare un prodotto (o servizio) equivalente a quello richiesto non può offrire un bene difforme rispetto a quello descritto dalla lex specialis, configurando una siffatta ipotesi, per l’appunto, un aliud pro alio non rimediabile (Cons. Stato, sez. V, n. 5258/2019; sez. III, n. 7558/2022; sez. IV, n. 2418/2025).
Detti principi sono applicabili nella fattispecie in esame solo al fine di delineare l’ambito di valutazione della stazione appaltante e, soprattutto, i confini dell’accertamento discrezionale dell’offerta tecnica, fornendo supporto argomentativo per respingere i rilievi prospettati nel gravame, posto che l’offerta presentata dalla ricorrente (con specifico riferimento ai progetti “Mosaic”, “Saffo” e “Dataset Cleopatra” riferiti al criterio 2.2.) si qualifica sotto un profilo diverso (aliud pro alio) rispetto a quanto richiesto dalla lex specialis, con conseguente legittimità della valutazione fornita dalla stazione appaltante.
A tale proposito, va infatti evidenziato che l’oggetto del contendere riguarda la valutazione di insufficienza conseguita dalla società ricorrente per il citato parametro che riguardava la “Esperienza nell’addestramento di modelli di AI per testi frammentari”. In relazione a tale parametro, la relazione istruttoria specificava che sarebbe stata “considerata migliore l’offerta che evidenzi la maggiore e più qualificata esperienza del team nello sviluppo e addestramento di modelli di intelligenza artificiale applicati specificamente a testi antichi frammentari, su papiro o altri supporti e di qualunque lingua, fornendo esempi concreti di applicazioni, metodologie utilizzate, risultati ottenuti e impatto scientifico generato”.
Orbene, come evidenziato nella relazione della commissione di gara, per comprendere l’infondatezza del costrutto argomentativo attoreo, giova preliminarmente distinguere due domini della intelligenza artificiale: la visione artificiale applicata alla ricostruzione di artefatti visivi (affreschi e superfici pittoriche), da un lato, e l’elaborazione del linguaggio naturale applicata ai testi antichi e frammentari di natura paleografica, dall’altro.
È necessario distinguere in modo chiaro tali ambiti distinti dell’intelligenza artificiale che, pur condividendo metodologie basate sull’apprendimento automatico, operano su oggetti, obiettivi e processi radicalmente differenti.
Da un lato si colloca la visione artificiale, applicata alla ricostruzione e all’analisi di artefatti visivi quali affreschi, superfici pittoriche, dipinti frammentari o deteriorati. In questo dominio l’IA è impiegata per riconoscere pattern cromatici, texture, tracce materiali, porzioni mancanti e stratificazioni dell’opera. Le tecniche di computer vision permettono di ricostruire parti perdute, suggerire integrazioni plausibili, identificare stesure pittoriche successive, classificare pigmenti o individuare interventi di restauro pregressi. L’obiettivo è dunque la ricostruzione dell’immagine, la comprensione della sua struttura visiva e la restituzione quanto più fedele possibile dell’aspetto originario dell’artefatto.
Dall’altro lato si colloca il dominio dell’elaborazione del linguaggio naturale (NLP) applicata ai testi antichi, spesso lacunosi e di difficile lettura, prodotti ad esempio in lingua greca o latina e conservati in forma manoscritta o epigrafica. In questo caso l’IA non opera sulle immagini per ricostruire forme visive, ma sulle sequenze linguistiche, con l’obiettivo di riconoscere grafie, integrare parole mancanti, ricostruire contesti sintattici e interpretare strutture morfologiche complesse. Le tecnologie e i modelli linguistici specializzati permettono di trascrivere, normalizzare, interpretare e contestualizzare testi paleografici, facilitando la ricostruzione del contenuto semantico e del significato storico-culturale dei documenti.
Questi due settori, pur affini dal punto di vista metodologico, rispondono a esigenze conoscitive eterogenee: la visione artificiale mira alla reintegrazione della forma visiva, mentre il NLP applicato ai testi antichi mira alla ricostruzione della forma linguistica e del contenuto testuale. Entrambi contribuiscono in modo complementare alla valorizzazione e allo studio del patrimonio culturale, ma richiedono competenze e strumenti differenti.
È quindi fondamentale distinguere due ambiti distinti dell’intelligenza artificiale applicata ai beni culturali, poiché ciascuno di essi implica competenze e finalità differenti.
Da un lato si colloca la visione artificiale applicata agli artefatti visivi — affreschi, dipinti, superfici pittoriche degradate o lacunose. In questo contesto, l’IA opera esclusivamente sull’informazione visiva: analizza forme, colori, texture e pattern per identificare parti danneggiate, migliorare la leggibilità delle superfici o proporre ricostruzioni plausibili delle zone mancanti. Si tratta quindi di un lavoro centrato sull’elaborazione dell’immagine, che richiede competenze di tipo tecnico-informatico (computer vision, modelli generativi, segmentazione visiva), ma non competenze linguistiche né conoscenze relative alle strutture del linguaggio.
Dall’altro lato si trova l’applicazione dell’IA ai testi antichi e frammentari, nei quali la tecnologia non si limita a riconoscere segni grafici, ma deve intervenire sulla ricostruzione e interpretazione del contenuto linguistico. Questo comporta la necessità di competenze specifiche riguardanti strutture linguistiche, sintassi e morfologia delle lingue classiche, selezione e analisi del lessico, riconoscimento dello stile, interpretazione del contesto semantico. Tanto era richiesto dalla stazione appaltante, come risulta confermato dal capitolato tecnico (art. 2), laddove era chiarito che: i) il modello di IA richiesto “Theion” era finalizzato alla ricostruzione testuale dei papiri greci ercolanesi frammentari, precisamente di quelli che restituiscono le opere teologiche di Filodemo di Gadara oggetto del progetto; ii) il software dovrà essere in grado di fare predizioni linguistiche per suggerire integrazioni di lacuna sulla base del contesto e dello stile dell’autore e i modelli di AI saranno allenati sul corpus dei testi in greco antico e, nello specifico, sul corpus dei testi di Filodemo di Gadara.
Tali competenze sono indispensabili perché la ricostruzione di testi frammentari richiede di decidere quali parole siano plausibili, come si inseriscano grammaticalmente nel contesto e quale significato complessivo emerga dal testo ricomposto.
La componente linguistica è quindi centrale e ineliminabile, tant’è che si richiedeva ai modelli di IA di riconoscere lo stile, la sintassi e il vocabolario peculiari di Filodemo, mediante apposito addestramento sul corpus digitale completo di opere note dell’autore disponibile su papyri.info (art. 3 del capitolato). Nell’IA applicata ai testi frammentari antichi, quindi, la competenza linguistica e filologica è fondamentale per ottenere risultati coerenti e scientificamente validi.
Viceversa, l’esperienza documentata dalla ricorrente riguardava la sfera visiva, segnatamente il restauro virtuale di affreschi e dipinti, che non presuppone alcuna interpretazione delle configurazioni linguistiche, dei meccanismi sintattici e morfologici, delle scelte lessicali, dello stile e del quadro semantico di riferimento. Ciò che si richiedeva ai partecipanti era, quindi, di comprovare la propria esperienza nel risolvere il problema della lacunosità del linguaggio antico manoscritto, in specie quello contenuto nei papiri ercolanensi – ciò che sottintende, come detto, sintassi e morfologia – e non quello della lacunosità di immagini, quali affreschi e superfici pittoriche.
Ne consegue che la valutazione di zero punti per tale sottocriterio non appare illogica perché i progetti “Mosaic”, “Saffo”, “Cleopatra” allegati dalla ricorrente riguardano un campo di applicazione differente (visione artificiale per frammenti visivi, quali parti di affreschi, dipinti) rispetto a quanto era richiesto (addestramento AI per testi frammentari di papiri), che, a sua volta, era coerente con la finalità della procedura volta allo sviluppo di un software basato su modelli di intelligenza artificiale (denominato “Theion”) destinato all’analisi di papiri ercolanesi.
