L’espansione del fenomeno dei rider per le consegne a domicilio, trainata da piattaforme innovative come Deliveroo, Uber Eats e Glovo, presenta problemi di sostenibilità sotto profili ambientali, economici e sociali.
La proliferazione delle consegne a domicilio amplifica l’impatto ambientale, principalmente attraverso le emissioni di gas serra (GHG) e la generazione di rifiuti di imballaggio.
La crescita esponenziale – con il mercato globale delle consegne di cibo previsto a 320 miliardi di dollari entro il 2029 – rende insostenibile l’espansione, poiché amplifica il consumo globale di plastica (oltre 300 milioni di tonnellate annue, destinato a raddoppiare in 20 anni).
Per le aziende del settore, così come per le municipalità, il problema è partire dalle attuali metropoli caotiche, con popolazioni in espansione e alta dipendenza dalle importazioni alimentari, e trasformarle in ecosistemi di servizi capaci di autoproduzione alimentare e di consegne efficienti grazie all’intelligenza artificiale (IA).
Indice degli argomenti
Graph transformer e logistica urbana: perché cambiano le consegne
Le nuove tecnologie basate su Graph Neural Networks (GNN) e Graph Transformer promettono di ottimizzare la distribuzione del cibo, creando produttori agricoli urbani (l’idea romana del “Rus in Urbe”[1]) e integrandoli con flotte di veicoli autonomi e hub di mobilità, in modo da ridurre sprechi ed emissioni.
Questa idea promette di rivoluzionare la logistica urbana e ispira le visioni delle “nuove metropoli” come Dubai (ma anche di quelle estese e policentriche come Milano), creando sistemi di produzione e servizi ad alta autonomia[2].
Il problema dei servizi nelle metropoli: congestione, domanda e catena del freddo
Il problema è evidente: nelle aree metropolitane come Dubai, la distribuzione del cibo è costretta a operare con inefficienze dovute a congestioni, fluttuazioni della domanda e alla necessità di controllo termico dei prodotti deperibili.
Secondo dati recenti, il mercato della consegna di cibo negli Emirati Arabi Uniti crescerà fino a 1,8 miliardi di dollari entro il 2033, trainato da app come Talabat e Deliveroo.
I sistemi attuali, basati su regole di instradamento, non trattano correttamente le dipendenze spazio-temporali dinamiche degli ambienti urbani, con ritardi, emissioni elevate e sprechi alimentari.
La città come grafo: come l’IA prevede la domanda
Qui entra in gioco l’IA: modellando la rete logistica come un grafo, con nodi che rappresentano produttori in urbe (come le fattorie verticali), hub di quartiere e consumatori, e archi che catturano rotte e costi ambientali, i modelli basati su grafi prevedono la domanda analizzando i dati di consegna, come i volumi di ordini, i tipi di cibo e gli orari.
L’approccio più innovativo adatta architetture avanzate come i Graph Transformer, che combinano le Graph Neural Network con i Transformer, per catturare comportamenti locali e globali.
Preaddestramento e masking: imparare dai picchi senza etichette
La prima fase è il preaddestramento non supervisionato del sistema di pianificazione delle consegne su dati non etichettati, ispirato ai modelli di previsione del traffico.
Utilizzando l’adaptive hard-token masking[3], il sistema nasconde (“maschera”) parti dei dati – come i picchi di domanda durante eventi o festività – e impara a generare rappresentazioni robuste.
Questo consente di fare previsioni su serie temporali multivariate, incluse la temperatura, le posizioni e i tipi di ordini, senza bisogno di etichette costose, ottenendo previsioni accurate per orizzonti a breve e a medio termine.
Queste previsioni, ottimizzate con reinforcement learning, si possono usare per l’instradamento dei driver tradizionali, ma anche per le flotte autonome, minimizzando rischi termici ed emissioni.
Modelli proprietari nel food delivery: perché non basta appoggiarsi a Google
Le piattaforme di consegna, come Uber Eats, Deliveroo o DoorDash, si stanno sempre più orientando verso tecnologie proprietarie settoriali basate sui Graph Transformer, invece di affidarsi a soluzioni esterne come quelle di Google (ad esempio, Google Maps API, Vertex AI o Cloud AI).
Questa transizione è motivata da una combinazione di fattori strategici, operativi ed economici che consentono un maggiore controllo, efficienza e competitività nel settore della logistica urbana.
Sviluppare modelli proprietari permette di adattarli ai dati dello specifico ambiente urbano e della piattaforma, tenendo conto di pattern di domanda, congestioni urbane o controlli termici specifici per ogni piattaforma.
Ad esempio, Deliveroo ha creato Frank, un sistema AI proprietario per il dispatching, che elabora centinaia di migliaia di transazioni in tempo reale, stimando flotte e tempi di preparazione con una precisione superiore grazie all’integrazione di dati interni.
Affidarsi ai fornitori Over-The-Top (OTT) di servizi geografici come Google comporta rischi di vendor lock-in: se l’operatore globale modifica i prezzi, i termini o revoca gli accessi alle API, può interferire con le operazioni della piattaforma.
Inoltre, le piattaforme gestiscono dati sensibili (posizioni degli utenti, pattern di ordini) e condividerli con terzi solleva problemi di privacy, obbligando la piattaforma di consegna a richiedere il consenso dell’utente finale.
Avere modelli propri significa addestrarli su dataset interni, senza esposizione esterna, riducendo i rischi di diffusione non autorizzata.
Inoltre, l’innovazione proprietaria favorisce chi la fa: i modelli Graph Transformer consentono previsioni mirate (ad esempio, la predizione accurata della domanda di servizi specifici), allineandosi agli obiettivi urbani di sostenibilità delle nuove metropoli come Dubai.
In sintesi, la transizione verso Graph Transformer proprietari consente di massimizzare il valore dai dati interni, minimizzare i rischi e spingere l’innovazione, rendendo le piattaforme e gli ecosistemi urbani più indipendenti dai giganti come Google[4].
Dati urbani e condivisione sicura: il caso MUSA a Milano
Un elemento chiave per introdurre questi modelli negli ecosistemi di servizi urbani è la condivisione sicura dei dati.
Su questo tema si è lavorato molto anche a Milano nell’ambito del progetto PNRR MUSA (Multilayered Urban Sustainability Action).
Lo Spoke 2 del progetto MUSA, guidato dall’Università di Milano, ha sviluppato una piattaforma per servizi data-intensive in ambienti Edge-Cloud, che facilita lo scambio sicuro di dati[5], inclusi quelli relativi alla mobilità.
Questa infrastruttura, progettata per ecosistemi urbani, garantisce privacy e scalabilità, essenziali per integrare dati provenienti da sensori IoT, piattaforme di consegna e veicoli autonomi.
La piattaforma MUSA Spoke 2 crea un hub pubblico per l’orchestrazione del training federato e dell’inferenza di modelli GNN e Graph Transformer[6] basati su proprietari, consentendo a produttori locali e flotte di condividere informazioni in tempo reale senza compromettere la privacy, e supportando così pianificazioni sostenibili che utilizzano rotte a basse emissioni.
Verso l’autonomia: flotte intelligenti, droni e produzione in urbe
L’integrazione dei modelli Graph Transformer con i veicoli autonomi ha un grande potenziale: flotte di veicoli intelligenti, guidate dalle previsioni dei modelli, possono navigare nelle congestioni urbane, mantenere le catene del freddo per i prodotti deperibili e ridurre l’impatto ambientale (misurato come impronta di carbonio) del 20–30%.
Droni o furgoni autonomi, basati su mappe di consumo previste in base ai dati proprietari e alle attività sui social media (dove il 70% dei consumatori sceglie in base alle recensioni), consegnano esattamente dove e quando serve.
Il training in corso presso il gruppo di ricerca dell’Università di Dubai, guidato da Rasool Asal e basato su dataset come il report UAE sui servizi alimentari, mostra miglioramenti del 5–8% nell’accuratezza, rendendo il sistema robusto a variabili come il tempo atmosferico o gli eventi urbani.
I benefici sono molteplici: un’efficienza elevata grazie a una minore sovrapproduzione, l’instradamento proattivo che riduce gli sprechi alimentari del 25–35% e la scalabilità per le nuove metropoli.
Insieme a iniziative come Dubai Farms e il Food Innovation Hub, il modello emiratino supporta la pianificazione della produzione agricola in urbe, prelevando i prodotti dell’agricoltura verticale in base alle esigenze previste.
Rimangono aperte molte sfide, come il carico computazionale per grafi grandi, ma soluzioni come il federated learning on the edge sviluppato nello Spoke 2 di MUSA potrebbero superarle.
Conclusioni: dall’ottimizzazione alla città sostenibile
L’applicazione di modelli di IA basati su grafi rappresenta un passo verso città intelligenti in cui l’IA non solo predice, ma ottimizza i servizi di mobilità, rendendo la distribuzione alimentare più sostenibile e autonoma.
Incorporando contributi come quelli di MUSA Spoke 2, l’Europa e la regione del Golfo possono collaborare per un futuro urbano più sostenibile.
Resta da realizzare l’implementazione su larga scala, ma il potenziale per ridurre l’impatto ambientale, mentre si nutre una popolazione in crescita, è immenso.
Note
[1] “Cui plana summos despicit domus montis, et rus in urbe est vinitorque Romanus” Marziale. (1897). Epigrams (Book 5, Epigram 57) (Wright, Trans.). In Martial’s Epigrams (Vol. 1, Bohn’s Classical Library). George Bell & Sons.
[2] Jones, K. R. (2022). Green lungs and green liberty: The modern city park and public health in an urban metabolic landscape. Social History of Medicine, 35(4), 1200–1222. https://doi.org/10.1093/shm/hkac055
[3] Bandara, W. G., Patel, N., Gholami, A., Nikkhah, M., Agrawal, M., & Patel, V. M. (2023). AdaMAE: Adaptive masking for efficient spatiotemporal learning with masked autoencoders. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 14507–14517).
[4] Kasoju, A., Vishwakarma, T., & Kasoju, A. (2025). The role of AI-enhanced fast delivery services in strengthening customer retention and loyalty in competitive markets. Frontiers in Artificial Intelligence, 8, Article 1612772. https://doi.org/10.3389/frai.2025.1612772
[5] Anisetti, M., Ardagna, C. A., Banzi, M., Berto, F., Bondaruc, R., Damiani, E., Pedretti, A., Pisati, A., & Retico, A. (2024). MUSA: A platform for data-intensive services in Edge-Cloud Continuum. In L. Barolli (Ed.), Advanced information networking and applications: Proceedings of the 38th international conference on advanced information networking and applications (AINA-2024) (Vol. 5, pp. 327–337). Springer. https://doi.org/10.1007/978-3-031-57931-8_32
[6] Wang, F., Ceravolo, P., & Damiani, E. (2025). Comprehensive Attribute Encoding and Dynamic LSTM HyperModels for Outcome Oriented Predictive Business Process Monitoring. arXiv preprint arXiv:2506.03696.
