A maggio 2026 è stato pubblicato in Gazzetta Ufficiale il decreto interministeriale che mette 500 milioni di euro sulla mobilità urbana sostenibile, con una linea dedicata alla logistica dell’ultimo miglio, ai microhub e ai centri di distribuzione urbana. Le città metropolitane e i capoluoghi coinvolti nel contenzioso europeo sulla qualità dell’aria hanno una finestra per presentare progetti, e molti stanno ragionando su dove collocare questi nodi e come farli funzionare.
È un’occasione concreta, ma nasconde un rischio. Il decreto finanzia l’infrastruttura fisica: i capannoni, i mezzi, le aree. Il valore di quell’infrastruttura, però, non sta nel cemento. Sta nello strato di intelligenza che decide dove metterla e come gestirla giorno per giorno. E quello strato non si compra con un bando edilizio.
Indice degli argomenti
L’AI agentica nella logistica dell’ultimo miglio
L’ultimo miglio è il segmento più costoso della logistica, arrivato a valere oltre la metà del costo totale di spedizione, contro il 41% del 2018. È anche il più difficile da ottimizzare, perché è il punto in cui la merce incontra la complessità reale della città: traffico, finestre orarie, doppie file, domanda che cambia di ora in ora. È esattamente il tipo di problema su cui l’intelligenza artificiale agentica sta cambiando le regole. Ma per capire come, bisogna smettere di pensare all’AI come a un navigatore più bravo.
La differenza tra l’ottimizzazione tradizionale e l’AI agentica è netta, e vale la pena chiarirla perché è il cuore della questione.
Dal piano statico alla gestione in tempo reale
L’ottimizzazione classica prende i dati che le dai e produce un piano: il giro di consegne migliore, date certe condizioni. È un calcolo potente, ma statico. Nel momento in cui la realtà cambia, un corriere che si ammala, una strada che si blocca, un picco di ordini imprevisto, quel piano è già vecchio, e serve qualcuno che lo rifaccia.
Un sistema agentico non produce solo il piano: lo governa mentre si esegue. Quando un autista salta, riassegna le sue fermate agli altri mezzi in base a prossimità, capacità e finestre di consegna. Quando un incidente blocca un percorso, ricalcola le rotte dei veicoli coinvolti senza aspettare l’intervento del dispatcher. Le decisioni di routine, quelle sensibili al tempo, le prende da solo entro vincoli definiti, lasciando agli operatori umani le eccezioni che richiedono giudizio. Non è un miglioramento incrementale del software di routing. È uno spostamento del livello a cui si prende la decisione.
Agenti specializzati lungo l’intera catena di consegna
Nella pratica, questo assume la forma di più agenti che collaborano: uno gestisce il dispatch, uno la capacità, uno i nodi logistici, uno il rapporto con il cliente, uno affianca l’autista sul campo. Insieme coprono l’intera superficie operativa della consegna. I numeri che il settore riporta danno la misura del salto: secondo dati di settore la puntualità delle consegne passa da una media intorno all’80-85% a valori sopra il 95%, con un miglioramento parallelo dell’utilizzo dei veicoli.
Sono cifre prodotte in parte dai fornitori di queste soluzioni, quindi da leggere con la giusta cautela, ma la direzione è confermata anche da studi indipendenti. Un’indagine del 2025 sui professionisti dei trasporti indica che la larga maggioranza usa già l’AI in qualche forma, con l’ottimizzazione di percorsi e carichi tra gli usi più diffusi.
Ma il livello operativo, quello del giro di consegne, è solo il più visibile. L’AI agentica agisce su tre livelli, e il più strategico viene prima del furgone.
Microhub e AI agentica: dove nasce la rete logistica
Quando una città decide dove collocare un microhub, sta prendendo la decisione più impattante dell’intera catena. Un nodo nel punto giusto abbatte chilometri, tempi e costi per anni. Un nodo nel punto sbagliato li fa lievitare, e correggere l’errore significa spostare un’infrastruttura fisica, cosa che quasi nessuno fa.
Il modello che si sta affermando nelle città è quello a due livelli: un deposito grande fuori dal centro, dove arrivano i mezzi pesanti, e una rete di micro-depositi dentro la città, da cui partono veicoli piccoli o cargo bike per l’ultimo tratto. È lo stesso schema che il decreto italiano incentiva. Ma dove vanno collocati esattamente quei micro-depositi non è una domanda urbanistica: è un problema di ottimizzazione su dati di densità della domanda, tempi di percorrenza reali e vincoli di accesso.
Dalla domanda alla posizione dei micro-depositi
Un approccio ormai diffuso tra gli operatori più avanzati non parte dal costo al metro quadro. Parte dalla domanda: si costruisce una mappa di densità degli ordini a livello di micro-area, si modellano i raggi di consegna sui tempi di guida effettivi e non sulle distanze in linea d’aria, si individua il punto che minimizza il tempo medio di consegna sulla quota più pesante della domanda. Solo a quel punto si guardano gli immobili disponibili nella zona giusta.
Amazon ha reso pubblico di usare reinforcement learning combinato con la simulazione per determinare la localizzazione ottimale dei propri nodi. La ricerca lo formalizza come un problema di localizzazione e instradamento da risolvere insieme, non separatamente.
Qui l’AI agentica entra nella decisione strategica, non solo in quella operativa. E qui il decreto rivela il suo punto cieco: finanzia la costruzione del nodo, ma la qualità della scelta di dove costruirlo dipende da una capacità analitica che i Comuni raramente hanno in casa. Chi presenterà progetti basati solo sulla disponibilità di aree, e non sull’analisi della domanda, rischia di costruire infrastrutture nel posto sbagliato con soldi pubblici.
Il dato che alimenta l’AI agentica nella logistica
C’è una ragione per cui, nonostante la tecnologia sia matura, molti progetti di AI nella logistica falliscono. E non è il modello.
Il fallimento più comune non è un algoritmo scadente: è il dato frammentato. Un agente che non vede contemporaneamente le posizioni dei veicoli, lo stato degli ordini e il traffico in tempo reale non può prendere buone decisioni, per quanto sofisticato sia il modello che lo alimenta. L’unificazione dei dati tra i sistemi di gestione del trasporto, del magazzino, della telematica dei veicoli e degli ordini è la precondizione da cui dipende tutto il resto. Senza quella, anche lo strumento più avanzato lavora alla cieca.
È lo stesso principio che vale per la mobilità urbana in generale: la potenza di calcolo non manca, manca l’accesso integrato al dato operativo. Nella logistica il problema è aggravato dal fatto che i dati sono distribuiti tra committenti, corrieri, gestori di flotta e piattaforme che spesso competono tra loro e non hanno interesse a condividere. Prima si costruisce l’architettura del dato, poi gli agenti che ci lavorano sopra hanno senso. L’ordine inverso produce cruscotti che impressionano nelle presentazioni e non spostano un pacco.
Dati sintetici per l’AI nell’ultimo miglio
C’è però un limite che l’unificazione dei dati reali, da sola, non supera. Ed è qui che entra in gioco una leva di cui si parla ancora poco: i dati sintetici, cioè dati generati artificialmente che riproducono le caratteristiche statistiche di quelli reali senza esserlo.
Tre funzioni dei dati sintetici per i sistemi agentici
Servono per tre ragioni molto concrete. La prima è che gli eventi rari ma ad alto impatto, i picchi eccezionali, i blocchi, i guasti a catena, sono per definizione sottorappresentati nei dati storici, ma sono esattamente quelli su cui un agente deve saper reagire bene. Non puoi addestrarlo a gestire una crisi mostrandogli solo giornate normali.
La seconda è che progettare la rete, decidere dove mettere i depositi, richiede di valutare configurazioni che non sono mai esistite: sono controfattuali che nessun dato reale può contenere, e che solo una simulazione può generare. La terza è che i dati reali sono spesso frammentati o protetti da vincoli di riservatezza, e il dato sintetico permette di addestrare e collaudare i sistemi aggirando quel blocco.
Non è teoria astratta. Un gruppo di ricerca del Politecnico di Bari ha pubblicato nel 2025 un framework che genera dati sintetici proprio per simulare scenari di consegna e ottimizzare l’allocazione delle flotte nell’ultimo miglio. La direzione è chiara: gli agenti che governeranno la logistica urbana verranno addestrati e validati in ambienti simulati prima di operare nella realtà, e la qualità di quegli ambienti dipenderà dalla capacità di generare dati sintetici realistici.
La regia dell’AI agentica nella logistica urbana
Il decreto da 500 milioni è un’occasione reale per le città italiane. Ma il modo in cui verrà interpretato farà la differenza tra costruire infrastruttura utile e costruire capannoni.
La lezione è la stessa che vale per tutta la mobilità autonoma e condivisa: il valore economico duraturo non sta nel componente più visibile. Non sta nel furgone, nel magazzino, nel micro-deposito. Sta nello strato che decide dove collocare quei nodi, come dimensionare le flotte, come reindirizzare le consegne quando la realtà cambia, e nella capacità di generare i dati per addestrare quello strato. È una regia, non un mezzo.
Le città che tratteranno il finanziamento come un progetto edilizio avranno nodi fisici e poca intelligenza per gestirli. Quelle che capiranno che l’infrastruttura vale quanto lo strato di orchestrazione che la governa costruiranno un sistema logistico che funziona, si adatta e scala. La tecnologia per farlo esiste ed è matura. Quello che serve è la consapevolezza che l’ultimo miglio, ormai, si decide molto prima che il furgone parta.
Fonti
[1] Ministero dell’Ambiente e della Sicurezza Energetica, “Mobilità sostenibile: firmato il decreto da 500 milioni per le grandi aree urbane”; decreto interministeriale n. 2 del 7 gennaio 2026, rettificato con decreto n. 106 del 2 aprile 2026, pubblicato in Gazzetta Ufficiale il 21 maggio 2026 – https://www.mase.gov.it/portale/-/mobilita-sostenibile-firmato-il-decreto-da-500-milioni-per-le-grandi-aree-urbane
[3] Global Trade Magazine, “4 Trends Reshaping The Last Mile In 2026” (indagine 2025: 96% dei professionisti usa AI; last mile come quota crescente del costo di spedizione) – https://www.globaltrademag.com/4-trends-reshaping-the-last-mile-in-2026/
[4] Inbound Logistics, “How Agentic AI Is Redefining Route Optimization in Last-Mile Delivery” (differenza tra ottimizzazione e AI agentica; riassegnazione autonoma delle fermate), 6 febbraio 2026 – https://www.inboundlogistics.com/articles/how-agentic-ai-is-redefining-route-optimization-in-last-mile-delivery/
[5] NextBillion.ai, “AI Agents for Last-Mile Delivery Optimization” (il dato frammentato come principale causa di fallimento; unificazione TMS/WMS/telematica/ordini come precondizione), maggio 2026 – https://nextbillion.ai/feeds/blog/ai-agent-smart-last-mile-delivery-software
[6] AnyLogic, case study Amazon (reinforcement learning e simulazione per la localizzazione dei nodi di fulfillment) – https://www.anylogic.com/resources/case-studies/simulation-driven-solution-for-fulfillment-logistics-evaluation/
[7] S. Ieva et al., “Enhancing Last-Mile Logistics: AI-Driven Fleet Optimization…”, Politecnico di Bari, MDPI Sensors 25(9), 2696, 2025 (generazione di dati sintetici per l’ottimizzazione delle flotte nell’ultimo miglio) – https://www.mdpi.com/1424-8220/25/9/2696
[8] arXiv, “Solving Large-Scale Two-Echelon Location Routing Problems in City Logistics” (modello a due livelli con micro-depositi urbani) – https://arxiv.org/pdf/2502.08403
Partecipa alla community