AI nelle grandi opere infrastrutturali, i nodi ancora irrisolti

L’intelligenza artificiale è entrata nel lessico delle grandi opere come promessa di efficienza, controllo e capacità predittiva. Ma nei cantieri infrastrutturali, dove ogni decisione incrocia dati, responsabilità tecniche, sicurezza e orizzonti temporali lunghi decenni, l’innovazione non può essere misurata soltanto sulla velocità degli algoritmi.

Il dato non è informazione: il collo di bottiglia che nessuno ha risolto

Dal confronto, avvenuto l’8 luglio 2026 al Politecnico di Torino, nell’ambito di un workshop organizzato dalla Fondazione ENIA, sono emersi cinque nodi che la retorica dell’innovazione tende a sorvolare e che chi progetta, costruisce e gestisce grandi infrastrutture non può più eludere.

Se c’è un tema che ha percorso l’intero confronto come un basso continuo, è la distanza, ancora enorme, e largamente sottovalutata, tra la raccolta di dati e la loro trasformazione in informazione governabile.

L’affermazione può sembrare banale, ma non lo è nel contesto delle grandi infrastrutture. Un’opera come la Torino-Lione, una linea metropolitana, una rete autostradale in esercizio producono volumi di dati crescenti: sensori, monitoraggi strutturali, rilievi geotecnici, flussi logistici, modelli BIM. La tentazione, alimentata dalla narrativa commerciale sull’AI, è trattare questa abbondanza come un vantaggio in sé. Dal confronto è emerso il contrario: l’abbondanza di dati, in assenza di una strategia che ne governi qualità, continuità, proprietà e interpretabilità, è un fattore di rischio, non di opportunità.

Il punto è stato formulato con chiarezza: il dato è essenziale, ma il tema della qualità del dato non è affatto esaurito. Un dato grezzo non è un’informazione: lo diventa soltanto quando è analizzato, contestualizzato, validato. Questa trasformazione non è un’operazione algoritmica, è un atto di giudizio che richiede competenza disciplinare. L’AI può accelerare l’analisi, ma non può sostituire la comprensione del dominio fisico che il dato rappresenta.

La questione si complica ulteriormente quando si introduce la dimensione temporale. Le grandi infrastrutture attraversano decenni, cambi di appalto, di fornitore, di piattaforma tecnologica. Chi garantisce che un modello predittivo interrogato tra vent’anni su dati raccolti oggi, da soggetti che domani potrebbero non esistere più, produca risposte affidabili? La strategia del dato, in altre parole, non è un problema informatico: è un problema di governance industriale a lungo termine, e la filiera non l’ha ancora risolto.

Un ulteriore livello di complessità riguarda la proprietà del dato. Chi lo produce, chi lo gestisce, chi ne è responsabile, chi ne trae valore: queste figure non coincidono, e la sovrapposizione genera conflitti che il quadro normativo attuale non è attrezzato a dirimere. La distinzione tra chi produce servizi e prodotti e chi gestisce i dati è destinata a diventare una delle fratture strutturali del settore.

L’uomo nel loop: principio o architettura?

“Human in the loop” è diventata un’espressione quasi rituale nel discorso sull’AI applicata. Dal dibattito è emerso che la distanza tra il principio e la sua implementazione operativa è considerevole, e non sempre nella direzione attesa.

Da un lato, la posizione è stata netta: l’importanza dell’uomo dentro il loop decisionale non è negoziabile. Il processo è duale, l’algoritmo propone, l’essere umano dispone. Questa dualità non è un’inefficienza da superare, ma un’architettura da presidiare. L’esperienza di chi opera in contesti multinazionali, dove lo stesso processo produttivo si declina in sistemi normativi e culturali diversi, conferma che le figure professionali necessarie cambiano in funzione del contesto, e che nessun modello algoritmico può catturare questa variabilità.

Dall’altro, è emersa una voce deliberatamente controcorrente: le competenze umane sono immutabili, e il valore aggiunto che portano non può essere replicato. In questa prospettiva, il quid di competitività che l’AI dovrebbe generare non è ancora visibile, o quantomeno, non è visibile nei numeri. È una posizione che merita di non essere liquidata come resistenza al cambiamento: pone la domanda su dove, concretamente, si misuri il ritorno dell’investimento in AI nel settore delle costruzioni, un settore a margini storicamente contenuti.

Una metafora particolarmente efficace ha sintetizzato la tensione: l’AI come esoscheletro. Uno strumento che amplifica le capacità di chi lo indossa, ma che non funziona senza un corpo, e senza un cervello, al suo interno. L’esoscheletro non pensa, esegue. Se le ipotesi su cui lavora sono sbagliate, amplifica l’errore. Il fallimento sulle ipotesi è il rischio strutturale di ogni sistema di AI applicato alla progettazione e alla costruzione, e la rete di sicurezza resta il giudizio ingegneristico.

Ma qui si apre un paradosso che il dibattito ha lambito senza risolverlo: l’AI permette di produrre più dati, più velocemente, su più parametri. Questa accelerazione non va confusa con un miglioramento della comprensione. Intervenire sulla bontà del risultato, non sulla velocità con cui lo si ottiene, è il vero terreno su cui si gioca la partita.

Competenze: il paradosso generazionale

Il terzo nodo riguarda la costruzione delle competenze necessarie a governare l’AI nel cantiere. Il tema si è articolato su due piani distinti.

Il primo è organizzativo: investire nel dotarsi di competenze interne alle aziende, non limitarsi ad acquistarle come servizio esterno. Diverse voci hanno convenuto su questo punto, con declinazioni che vanno dalla creazione di academy aziendali alla strutturazione di percorsi formativi dedicati. La digitalizzazione non è un add-on: è entrata in tutte le attività, dalla prefabbricazione alla logistica, dalle TBM ai gemelli digitali intesi come as-built viventi. Gestirla richiede presidi interni permanenti, non consulenze a progetto.

Il secondo piano è generazionale e più insidioso. Il paradosso è noto ma non per questo meno attuale: chi padroneggia gli strumenti di AI spesso non ha l’esperienza per riconoscere quando un output è plausibile ma sbagliato; chi quell’esperienza l’ha costruita in decenni di pratica professionale non sempre maneggia lo strumento. Il trasferimento di competenze non va più in una sola direzione, dal senior al junior, ma richiede un flusso bidirezionale che poche organizzazioni hanno strutturato. In un settore dove la responsabilità professionale è personale e non delegabile, questo gap non è solo un problema di efficienza, è un problema di sicurezza.

Il cantiere come banco di prova dell’AI nelle grandi opere infrastrutturali

C’è una distanza significativa tra l’AI di cui si discute nei convegni e l’AI che effettivamente opera nei cantieri delle grandi opere. Dal confronto è emerso un quadro più concreto e più sfumato della narrazione prevalente.

La digitalizzazione nei grandi cantieri infrastrutturali è già avanzata: gemelli digitali utilizzati non come rappresentazione statica ma come oggetti viventi che evolvono con l’opera, TBM (Tunnel Boring Machine) gestite con forniture digitali integrate, sistemi di monitoraggio strutturale in tempo reale, modelli predittivi per la manutenzione. Alcune organizzazioni dispongono di gruppi interni dedicati alla digitalizzazione, segnale di un investimento strutturale e non episodico.

Ma la maturità tecnologica non è uniforme. Coesistono realtà che hanno integrato l’AI nei propri processi core e realtà per le quali il tema resta prevalentemente una questione di efficientamento operativo puntuale. Il confronto con tutti gli stakeholder, stazioni appaltanti, progettisti, imprese, fornitori, è la condizione per evitare che l’innovazione proceda a velocità diverse lungo la stessa filiera, generando interfacce critiche anziché sinergie.

La pianificazione dei costi e il monitoraggio della produttività sono gli ambiti dove l’AI trova le applicazioni più immediate e misurabili. Ma il passaggio dall’ottimizzazione puntuale alla trasformazione del processo produttivo è un salto di scala che richiede una visione industriale, non solo tecnologica.

Responsabilità: la domanda che resta aperta

Il nodo della responsabilità è quello su cui il dibattito ha prodotto le frizioni più interessanti, senza giungere a una sintesi, il che è, in sé, un dato significativo.

La questione è semplice da formulare e difficilissima da risolvere: se un algoritmo predittivo non segnala un’anomalia strutturale, o ne segnala una che il giudizio ingegneristico avrebbe scartato, chi risponde? In un settore dove la responsabilità del progettista firmatario non è delegabile all’algoritmo, l’introduzione di sistemi decisionali assistiti dall’AI non elimina la responsabilità umana, la complica. La catena decisionale tra output algoritmico, validazione umana e responsabilità formale è un territorio ancora largamente non mappato, né dal punto di vista giuridico né da quello organizzativo.

Il tema interseca quello normativo. Il corpo normativo tecnico italiano, dalle Norme Tecniche per le Costruzioni al Codice degli Appalti, è stato concepito in un’epoca in cui la decisione progettuale era interamente riconducibile a un intelletto umano identificabile. L’AI non elimina quell’intelletto, ma lo pone in una relazione nuova con strumenti che partecipano alla formazione della decisione senza assumerne la responsabilità. L’adeguamento normativo non è un tema accessorio, è la precondizione perché l’adozione dell’AI nelle grandi opere proceda in un quadro di certezza giuridica.

Una filiera che si interroga

Il confronto di Torino ha restituito un’immagine della filiera infrastrutturale italiana meno entusiasta e più consapevole di quella che emerge dalla comunicazione istituzionale. Non si tratta di resistenza all’innovazione, i cantieri sono già digitali, i dati già circolano, le sperimentazioni sono in corso, ma di una lucidità sulle condizioni necessarie perché l’AI produca valore reale e non solo efficienza apparente.

Cinque condizioni, in sintesi: una governance del dato che vada oltre la raccolta e affronti qualità, proprietà, continuità nel tempo; un’architettura decisionale in cui “human in the loop” sia un fatto organizzativo e non uno slogan; un investimento strutturale in competenze interne, capace di gestire il paradosso generazionale; un’industrializzazione del cantiere che proceda alla velocità dell’intera filiera e non solo dei suoi segmenti più avanzati; un quadro normativo che riconosca la nuova relazione tra decisione umana e strumento algoritmico.

Sono condizioni impegnative. Ma il fatto che siano state formulate con questa chiarezza, da chi quelle opere le progetta, le costruisce e le gestisce, è un segnale che merita attenzione.

La tavola rotonda “L’IA nell’industrializzazione del processo produttivo del cantiere e nella manutenzione delle opere” si è svolta l’8 luglio 2026 al Politecnico di Torino, nell’ambito del workshop “L’intelligenza artificiale nella progettazione e realizzazione delle grandi opere infrastrutturali” organizzato dalla Fondazione ENIA — Ente Nazionale per l’Intelligenza Artificiale, con il patrocinio dell’Università di Torino, dell’Università di Firenze, dell’Ordine degli Ingegneri di Torino e la collaborazione del Politecnico di Torino (DISEG).

Hanno partecipato al panel della tavola rotonda: Maurizio Bufalini (DG TELT), Luigi Carrarini (Resp. Centro Eccellenza Smart Road e SHM, Anas), Bernardino Chiaia (Presidente e AD INFRA.To), Fabrizio Degni (AI and Data Governance Manager, Webuild), Riccardo Garré (AD Pizzarotti), Marco Gabriele Gay (Presidente Unione Industriali Torino), Domenico Giancola (Direzione Tecnica RFI), Gianni Luciani (Presidente Itinera). Ha moderato Maurizio Carmignani, Direttore del Dipartimento Foresight & Design Thinking della Fondazione ENIA.