dati e sostenibilità

I Comuni hanno più dati sulla mobilità. L’AI agentica può renderli utili


Indirizzo copiato

L’AI agentica consente ad assessori e funzionari di interrogare direttamente i dati della mobilità, riducendo tempi e dipendenza dagli analisti. Ma database incompleti, query errate e automation bias impongono cataloghi condivisi, tracciabilità delle risposte e verifiche umane prima che un risultato entri in una delibera

Pubblicato il 16 nov 2026

Matteo Forte

CEO & Founder SWITCH



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
Cop31, la lezione della Cina sulle emissioni




Negli ultimi cinque anni le amministrazioni italiane hanno comprato molti strumenti per guardare la mobilità: cruscotti del traffico, portali open data, piattaforme che raccolgono i dati dello sharing. Adesso, con i fondi del PNRR, stanno arrivando i gemelli digitali.

Eppure in molti uffici mobilità una domanda semplice fa ancora lo stesso giro di dieci anni fa. L’assessore vuole sapere quanti monopattini in sharing restano parcheggiati entro 50 metri dalle fermate della metropolitana il sabato sera. La domanda passa al dirigente, il dirigente la gira all’unico analista che sa dove stanno i dati, l’analista estrae, incrocia, pulisce e prepara una mappa. Se va bene, la risposta arriva dopo una settimana. Nel frattempo la domanda è spesso già cambiata.

Il collo di bottiglia è sempre stato questo: per avere una risposta serve qualcuno che sappia dove guardare e che abbia il tempo di farlo. I grafici c’erano già.

L’AI agentica per la mobilità cambia chi può chiedere

L’AI agentica sposta il punto in cui si fa la domanda. Si scrive in italiano, e il sistema va a prendere i dati, li incrocia e restituisce il numero con la mappa. La conseguenza più importante riguarda chi può chiedere: l’assessore e il funzionario dell’ufficio mobilità smettono di dipendere dall’analista per sapere una cosa. Ha un prezzo, e conviene dirlo subito: una risposta generata va verificata prima di finire in una delibera.

Come l’AI agentica trasforma i dati della mobilità in mappe

Un agente lavora per passi, e a ogni passo può usare uno strumento: decide quali fonti gli servono, scrive la query, la esegue, guarda il risultato e, se non basta, ne scrive un’altra. Alla fine restituisce il numero, la tabella o la mappa.

Un caso recente rende l’idea meglio di qualsiasi definizione. A Salvador de Bahia, in Brasile, un gruppo di ricerca ha costruito un sistema di questo tipo, SUNTInsight, sopra i dati del trasporto pubblico cittadino: circa 700.000 passeggeri, 2.000 veicoli, quasi 400 linee e 3.000 fermate.

Il gestore scrive la richiesta in linguaggio comune; il sistema capisce se deve interrogare il database, genera il codice SQL, recupera i dati e li restituisce in un grafico. Accanto al grafico mostra anche la query che ha usato, così chi legge può controllare cosa è stato fatto [1].

La prova è stata fatta su una sola linea, la 1637, nell’ora di punta del mattino del 5 marzo 2026: 428 registrazioni da 103 fermate. La media diceva che la linea reggeva. Il dettaglio diceva un’altra cosa: il carico si concentrava in pochi quartieri. La risposta operativa è cambiata di conseguenza. Invece di aggiungere autobus su tutto il percorso, cosa che avrebbe portato capacità anche dove non serviva, il sistema ha indicato corse limitate e cadenze diverse solo sui tratti sotto pressione [1].

Il caso mostra che la tecnologia funziona su dati di mobilità veri, a scala di città. Mostra anche il suo limite: un agente risponde solo su quello che riesce a raggiungere. Se i dati dello sharing restano nei sistemi degli operatori, o se il gemello digitale conosce le strade ma non i flussi, l’agente farà domande precise a una base incompleta. Per un ufficio mobilità italiano il primo lavoro resta collegare le fonti, prima ancora di scegliere il modello.

L’AI agentica ridisegna i ruoli negli uffici mobilità

In un grande Comune l’analista che sa interrogare i dati della mobilità è una persona, a volte due. In un capoluogo medio spesso non c’è, e le estrazioni si chiedono al fornitore della piattaforma, a pagamento e con i suoi tempi. Ogni domanda dell’assessore diventa una piccola commessa.

Con un agente sopra i dati, la domanda la fa direttamente chi ne ha bisogno. L’assessore prima di una commissione. Il funzionario che deve rispondere a un esposto sui monopattini in un quartiere. La polizia locale che vuole capire dove si concentrano le soste in doppia fila il venerdì pomeriggio.

L’analista resta, e il suo lavoro si sposta a monte. Qualcuno deve decidere cosa vuol dire “corsa” nei dati di un operatore e cosa vuol dire nei dati di un altro, quali zone usare, come trattare un veicolo che sparisce dal feed per venti minuti.

Sono scelte che oggi stanno nella testa di chi fa le estrazioni. Con un agente vanno scritte, in un catalogo dei dati che il sistema legge prima di rispondere. Se quel catalogo è fatto bene, cento persone possono fare domande con lo stesso rigore dell’analista. Se è fatto male, cento persone ricevono risposte sbagliate scritte in un italiano impeccabile.

C’è poi un effetto meno visibile. Quando chiedere costa una settimana, si chiede solo quello che serve per una decisione già presa. Quando costa trenta secondi, si comincia a chiedere prima, per capire.

AI agentica nella PA: verifiche e responsabilità sui dati

Gli agenti sbagliano, e sbagliano in un modo particolare: con sicurezza. Una query che dimentica un filtro o unisce due tabelle nel modo sbagliato restituisce comunque un numero, con tanto di mappa. Niente nell’interfaccia segnala che quel numero è falso.

Su banche dati di prova semplici, con poche tabelle, i modelli migliori scrivevano query corrette oltre il 90% delle volte. Quando alla fine del 2024 è uscito Spider 2.0, un banco di prova costruito su database aziendali reali con migliaia di colonne, la percentuale è crollata: uno dei metodi più usati, con GPT-4o, risolveva meno del 6% dei compiti nella versione più semplice del test [2].

Da allora i risultati sono migliorati parecchio. Il divario tra il laboratorio e i dati veri, disordinati, di un’amministrazione, invece, è rimasto. Anche a Salvador i ricercatori hanno visto alcuni modelli più piccoli rispondere come se avessero interrogato il database quando non l’avevano fatto [1].

Per un Comune c’è anche una questione giuridica, già risolta. L’articolo 14 della legge 132/2025, in vigore dal 10 ottobre 2025, dice che nella pubblica amministrazione l’intelligenza artificiale ha una funzione strumentale e di supporto, e che la persona resta l’unica responsabile dei provvedimenti in cui è stata usata [3]. Il Consiglio di Stato, con la sentenza 4857/2025, aveva già tenuto la responsabilità in capo al funzionario anche quando l’algoritmo fa solo da supporto [4].

Il rischio concreto ha un nome: automation bias. Il funzionario riceve un numero ben impaginato e lo firma senza averne controllato i presupposti. Davanti a un giudice, un atto costruito così regge solo se si può dimostrare che la supervisione c’è stata davvero: serve l’output nella forma in cui è stato presentato, la traccia di cosa è stato verificato, la motivazione [5].

Per un ufficio mobilità vuol dire che ogni risposta destinata a un atto deve portarsi dietro la query che l’ha prodotta, le fonti usate e la data dei dati. Il sistema di Salvador lo fa già: mostra la query accanto al grafico e registra prompt, query, risultati ed errori [1].

Come introdurre l’AI agentica in un ufficio mobilità

Basta un ordine preciso nelle cose da fare, e quasi tutte sono scelte organizzative.

Dieci domande vere come banco di prova

Si parte da dieci domande vere. Prima di scegliere qualsiasi strumento, l’ufficio raccoglie le domande arrivate negli ultimi sei mesi: interrogazioni consiliari, esposti dei cittadini, richieste della stampa, dubbi dell’assessore. Quelle domande dicono quali dati vanno collegati per primi. E diventano il banco di prova: si risponde una volta a mano, con l’analista, e poi si controlla se l’agente arriva allo stesso numero. Se su dieci domande ne sbaglia due, lo si sa prima di metterlo in mano a tutti.

Fonti della mobilità in sola lettura e catalogo dei dati

Le fonti si collegano in sola lettura, con un catalogo scritto. L’agente non deve poter modificare niente, solo leggere: a Salvador i permessi sul database sono stati ristretti proprio per questo, e il codice generato gira isolato [1].

Accanto alle fonti serve il catalogo di cui si parlava sopra, con le definizioni messe nero su bianco. Molti dati hanno già un formato standard (GTFS per il trasporto pubblico, GBFS e MDS per lo sharing) e i flussi che gli operatori consegnano in base alle concessioni sono il primo materiale da collegare.

Due livelli per risposte esplorative e atti

Le risposte hanno due livelli. Il primo è l’esplorazione: domande libere, risposte immediate, per capire un fenomeno. Il secondo è la risposta che finisce in un atto, e porta con sé la query, le fonti, la data dei dati e il nome di chi l’ha verificata. Il passaggio dal primo al secondo livello è un gesto esplicito, mai automatico. È il modo più semplice per tradurre in pratica le misure tecniche, organizzative e formative che l’articolo 14 chiede alle amministrazioni [3].

Le quattro clausole da scrivere nel contratto

Nel contratto vanno scritte quattro clausole. I registri delle domande e delle query devono essere esportabili e restare al Comune. La query deve essere sempre visibile all’utente. I dati collegati restano dell’amministrazione e non servono ad addestrare altro. Il modello sotto l’agente deve poter essere cambiato senza rifare il lavoro sul catalogo, perché i modelli cambiano ogni pochi mesi e il catalogo è la parte che vale.

Tutti questi passaggi si fanno con strumenti che esistono già. Manca solo qualcuno nell’ufficio che se ne prenda la responsabilità.

AI agentica e dati della mobilità: chi domanda decide cosa guardare

Per anni la spesa digitale delle città nella mobilità è andata in strumenti per mostrare i dati, e ha lasciato intatto il punto in cui le informazioni si fermano.

Un agente sposta quel punto e mette la domanda in mano a chi governa. Una città che può chiedere ogni giorno ai propri dati cosa sta succedendo si accorge in fretta di quali dati le mancano. Così la richiesta di dati agli operatori diventa un’esigenza quotidiana dell’ufficio, con domande e scadenze precise.

Il rischio opposto è comprare un chatbot da appoggiare sopra il cruscotto che c’è già, senza catalogo, senza registri, senza una regola su cosa può finire in una delibera. Sarebbe l’ennesimo strumento che fa bella figura alla presentazione.

La tecnologia per fare le cose bene esiste ed è alla portata anche di un capoluogo medio. Il risultato lo decide il lavoro meno visibile: scrivere cosa vogliono dire i dati, e stabilire chi controlla le risposte prima che diventino atti.

Fonti sull’AI agentica per la mobilità

[1] PYMNTS, “Agentic AI Turns Transit Data Into More Targeted Decisions”, 1 ottobre 2026 (sistema SUNTInsight sui dati del trasporto pubblico di Salvador de Bahia; articolo scientifico originale: https://dl.acm.org/doi/full/10.1145/3786167.3788417) – https://www.pymnts.com/news/artificial-intelligence/2026/agentic-ai-turns-transit-data-into-more-targeted-decisions/

[2] “Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows”, ICLR 2025, arXiv 2411.07763 – https://arxiv.org/abs/2411.07763

[3] Legge 23 settembre 2025, n. 132, art. 14; Agenda Digitale, “Pubblica Amministrazione e AI: le parole chiave della legge italiana” – https://www.agendadigitale.eu/cittadinanza-digitale/pubblica-amministrazione-e-ai-le-parole-chiave-della-legge-italiana/

[4] Agenda Digitale, “Legge sull’AI, come si applica: tutti gli aspetti pratici e i fronti critici” (Consiglio di Stato, sentenza 4857/2025), 10 ottobre 2025 – https://agendadigitale.eu/cultura-digitale/legge-sullai-come-si-applica-tutti-gli-aspetti-pratici-e-i-fronti-critici

[5] Agenda Digitale, “Provvedimenti assistiti da AI: chi risponde davanti al giudice” – https://www.agendadigitale.eu/?p=280875

Partecipa alla community

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

People&Change

Tutti
CARRIERE
AI E LAVORO
COMPETENZE
Produttività e AI
AI IN AZIENDA
SCENARI
FORMAZIONE
CULTURA AZIENDALE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership

Articoli correlati

0
Lascia un commento, la tua opinione conta.x