Trasformazione dei settori

L’IA nelle telecomunicazioni: ottimizzazione delle reti e oltre

Come l’IA gestisce concretamente le reti di telecomunicazioni nel 2026: pianificazione delle risorse RAN nativa per l’IA, piattaforma AI-RAN di Nokia basata su GPU, gemelli digitali, ottimizzazione energetica e dichiarazioni sull’autonomia,

AI.info Team · 2026-08-06

La rete ha smesso di essere statica

Per tre decenni, le reti mobili sono state progettate come impianti idraulici: capacità fissa, regolazioni manuali e cicli trimestrali di ottimizzazione affidati a ingegneri radio che modificavano a mano l’inclinazione delle antenne e le soglie di handover. Questo modello sta cedendo sotto il peso dell’infittirsi delle reti 5G, dell’enorme numero di parametri delle moderne apparecchiature radio e dei margini degli operatori, che non consentono più di impiegare schiere di ingegneri RF. A sostituirlo non è un singolo prodotto, ma uno strato di machine learning ormai integrato contemporaneamente nella pianificazione delle risorse radio, nella gestione energetica, nella previsione dei guasti, nella fidelizzazione dei clienti e nella sicurezza delle reti.

Ciò che distingue il 2026 da un altro anno di presentazioni dei fornitori è che l’IA viene distribuita all’interno di abbonamenti a software commerciali, anziché restare confinata a progetti di ricerca, e che gli operatori rendono noti dati abbastanza precisi da poter essere verificati, compresi quelli inferiori alle cifre promozionali.

Le reti che si ottimizzano da sole hanno un nuovo motore

Self-Organizing Networks (SON) è il termine usato da tempo nel settore per indicare la configurazione, la correzione dei problemi e l’ottimizzazione automatizzate dei parametri radio. In passato, questi sistemi si basavano su una logica relativamente semplice, fondata su regole. Ora la situazione sta cambiando: i fornitori sostituiscono le regole decisionali con modelli addestrati. L’esempio più chiaro è «AI in RAN» di Ericsson: un abbonamento software, non un nuovo hardware, che porta modelli di IA addestrati direttamente nelle unità baseband e nelle apparecchiature radio esistenti.

Ericsson ha lanciato il pacchetto l’11 giugno 2026, con le prime funzionalità disponibili nello stesso trimestre: AI-native Scheduler for Link Adaptation, AI-powered Macro Positioning, AI-managed Beamforming e AI-powered Multi-layer Coordination. I risultati dichiarati comprendono oltre 15 installazioni e sperimentazioni nel mondo, un aumento fino al 20 per cento della velocità di trasmissione in downlink, un miglioramento fino al 10 per cento dell’efficienza spettrale, il supporto di un numero fino a due volte maggiore di utenti con traffico elevato e una precisione nella previsione della copertura compresa tra il 90 e il 95 per cento.

I risultati sulle reti operative sono stati inferiori a quelli della brochure. T-Mobile US ed Ericsson hanno annunciato a metà del 2026 il primo risultato su una rete commerciale: un’efficienza spettrale migliore di quasi il 10 per cento e una velocità di trasmissione in downlink più elevata fino al 15 per cento rispetto alla pianificazione delle risorse tradizionale, basata su regole. SoftBank ed Ericsson hanno poi annunciato, il 20 agosto 2026, la prima validazione in Giappone dello stesso sistema di pianificazione delle risorse nativo per l’IA su una rete 5G commerciale. Nelle località con i risultati migliori hanno rilevato un aumento fino a circa il 50 per cento della velocità di trasmissione in downlink per gli utenti e un miglioramento fino a circa il 25 per cento dell’efficienza spettrale, ma considerando tutte le località valutate la media è stata di circa il 10 per cento per entrambi gli indicatori. Valori massimi e medi differiscono di un fattore compreso tra due e cinque, e il massimo citato dal fornitore è il valore di picco.

Nokia segue una strada parallela con AVA, il suo portafoglio di IA come servizio per gli operatori di telecomunicazioni, evoluto da quello che l’azienda chiamava Nokia Autonomous Systems. AVA riunisce la previsione delle anomalie, la garanzia del funzionamento delle partizioni di rete 5G, l’analisi dell’esperienza dei clienti e l’ottimizzazione energetica in un modello ad abbonamento. È offerto sia presso le sedi degli operatori sia tramite installazioni ospitate su Azure, con prezzi legati ai risultati anziché a licenze iniziali. La logica strategica è la stessa per tutti i fornitori: invece di aspettare che un ingegnere intervenga su una cella dalle prestazioni degradate dopo le lamentele dei clienti, un modello addestrato sull’andamento storico degli indicatori chiave di prestazione, sulle condizioni meteorologiche, sui calendari degli eventi e sui modelli di traffico segnala l’anomalia prima che venga aperta una segnalazione di guasto.

I RAN Intelligent Controller aprono la strada a più fornitori

Se l’IA dei sistemi SON non è rimasta confinata alle reti RAN di un singolo fornitore, è grazie all’architettura RAN Intelligent Controller (RIC) della O-RAN Alliance, che definisce dove i modelli di machine learning si inseriscono nella rete. Il RIC quasi in tempo reale ospita xApps che prendono decisioni su scale temporali comprese tra un millisecondo e un secondo: assegnano le risorse radio agli utenti, attivano gli handover e mitigano le interferenze tra celle vicine.

Il RIC non in tempo reale, collocato nello strato Service Management and Orchestration (SMO), ospita rApps che operano su orizzonti più lunghi, da secondi a ore o persino giorni, utilizzando i dati di rete per prevedere la domanda e riscrivere le regole di configurazione. Questa distinzione conta sul piano commerciale, perché consente agli operatori di acquistare la logica di IA da un fornitore diverso da quello delle apparecchiature radio. È esattamente ciò che Ericsson e Vodafone stanno facendo ora su larga scala: la loro partnership quinquennale per le reti programmabili, con la Germania come primo mercato a partire dal quarto trimestre del 2025, prevede l’installazione di Ericsson Intelligent Automation Platform insieme a una serie di rApps basate sull’IA per l’ottimizzazione automatizzata della RAN, l’efficienza energetica e la gestione di RAN con apparecchiature di più fornitori. Il sistema è progettato esplicitamente per funzionare con apparecchiature radio di più di un fornitore.

AI-RAN: quando la radio diventa una GPU

Accanto agli aggiornamenti delle reti auto-organizzanti (SON) basati soltanto sul software, si sta facendo strada una scommessa più radicale: sostituire i chip dedicati all’elaborazione dei segnali della rete di accesso radio (RAN) con GPU che eseguano sia l’inferenza dell’IA sia l’elaborazione del livello fisico della radio sullo stesso hardware. È la missione della AI-RAN Alliance, fondata nel febbraio 2024 da Amazon Web Services, Arm, DeepSig, Ericsson, Microsoft, Nokia, Northeastern University, NVIDIA, Samsung, SoftBank e T-Mobile.

Al 26 febbraio 2026 l’alleanza contava 132 membri e si è presentata al Mobile World Congress di Barcellona con 33 dimostrazioni e quattro progetti guida per il settore; nello stesso anno Qualcomm, SK Telecom e Vodafone sono entrate nel suo consiglio direttivo.

Nokia e NVIDIA si sono spinte più avanti sul piano commerciale. Il 15 luglio 2026 Nokia ha lanciato quella che definisce la prima piattaforma RAN nativa per l’IA del settore, basata sul suo software anyRAN e sullo stack Aerial di NVIDIA, e sostenuta da un investimento di NVIDIA in Nokia pari a 1 miliardo di dollari. È disponibile in tre configurazioni che eseguono lo stesso software: un modulo aggiuntivo di capacità basato su GPU per l’hardware AirScale esistente, un nodo AI-RAN autonomo e server standard dotati di GPU, tutte conformi a Open RAN. Nokia afferma di aver dimostrato un aumento dell’efficienza spettrale superiore al 20 per cento, punta al 50 per cento nel 2027 e a oltre il 100 per cento nel 2028, e vende questa capacità in abbonamento anziché per unità. La disponibilità commerciale è prevista per il 2027, non per ora.

La sperimentazione sul campo di AITRAS condotta da SoftBank, basata sulla piattaforma AI-RAN di NVIDIA, rivendica un primato nel settore: massive MIMO a 16 livelli su una rete 5G interamente definita via software.

T-Mobile US, in collaborazione con Nokia e NVIDIA, ha un piano di introduzione graduale: una sperimentazione sul campo delle applicazioni di IA fisica all’edge della rete nel 2026, l’avvio commerciale nel 2027 e la diffusione su larga scala entro il 2028. Il piano ridefinisce i siti delle celle come piattaforme di calcolo che potrebbero, in futuro, servire veicoli autonomi, robotica e applicazioni per le città intelligenti, non soltanto il traffico telefonico. Vale la pena precisare la distinzione: «AI in RAN» di Ericsson è software aggiunto alle radio attuali; l’hardware della AI-RAN Alliance è una scommessa di più lungo periodo su stazioni base native per le GPU. Entrambe le soluzioni sono concrete, ma non sono lo stesso prodotto.

Gemelli digitali prima di intervenire su un solo sito

I gemelli digitali delle reti — modelli simulati e aggiornati continuamente delle infrastrutture fisiche — stanno passando da strumenti di pianificazione a strumenti di tutela operativa. Site Digital Twin di Ericsson combina il Building Information Modeling con dati dei siti acquisiti tramite LiDAR e droni per costruire un modello 3D geospazialmente accurato di ciascun sito cellulare prima dell’invio delle squadre, con l’obiettivo di ridurre gli interventi da rifare e accelerare l’installazione.

Vodafone si è spinta oltre sul piano operativo: in una sperimentazione con Cirrus360, un «Declarative Digital Twin» prevede i guasti hardware e il traffico dei clienti e la latenza in un determinato sito prima di qualsiasi aggiornamento o nuova installazione RAN. Gli ingegneri possono così pianificare le modifiche sulla base di una simulazione, anziché scoprire i problemi sul campo.

Separatamente, Google Cloud afferma che i fornitori di servizi di comunicazione che utilizzano il suo framework Autonomous Network Operations hanno ridotto del 25 per cento il tempo medio di riparazione. È un’indicazione di quanto, nelle telecomunicazioni, la «manutenzione predittiva» dipenda in realtà dalla rapidità nel gestire gli interventi: far arrivare il tecnico giusto, con il pezzo giusto, nel sito giusto, prima che un’interruzione del servizio provochi una cascata di reclami.

I costi energetici hanno reso l’IA irrinunciabile

Fra tutti i casi d’uso dell’IA nelle telecomunicazioni, quello energetico è sostenuto dalla maggiore pressione finanziaria ai vertici aziendali, perché l’elettricità è generalmente la singola voce di costo più alta nella gestione della rete di un operatore. I risultati resi noti sono abbastanza specifici da poter essere verificati. China Mobile ha adottato più di 20 tecniche distinte di risparmio energetico basate sull’IA nei domini temporale, delle frequenze, spaziale e della potenza della sua rete 5G commerciale: nelle fasce di traffico ridotto spegne o riduce dinamicamente l’attività di celle, portanti, antenne o amplificatori di potenza, invece di mantenere ogni elemento alla massima potenza ventiquattr’ore su ventiquattro.

A metà del 2025, il programma di risparmio energetico basato sull’IA di China Telecom copriva più di 5,96 milioni di settori di stazioni base e 3.400 locali tecnici, e l’azienda dichiarava risparmi annualizzati di circa 1,1 miliardi di kWh. Vodafone segnala risparmi energetici fino al 10 per cento grazie a tecniche di riduzione dei consumi basate su software e hardware, con un ulteriore 20 per cento ottenuto con le radio di nuova generazione; in sperimentazioni con Ericsson che impiegavano l’IA per prevedere l’andamento dell’utilizzo e ridurre di conseguenza la potenza dei siti, le aziende hanno riferito di aver abbattuto fino al 33 per cento il consumo elettrico giornaliero delle unità radio 5G in alcuni siti selezionati di Londra, mentre un sistema di IA distinto di Vodacom ha ridotto del 10-15 per cento l’uso di diesel durante le interruzioni programmate dell’erogazione elettrica.

Il software di ottimizzazione energetica di Nokia è stato scelto da Telefónica Germany proprio per contenere i consumi elettrici della RAN; Nokia indica riduzioni fino al 30 per cento dei costi energetici e dell’impronta di carbonio. Nessuno di questi numeri riguarda la stessa implementazione o la stessa metodologia, quindi non vanno utilizzati per calcolare un’unica media di settore. Ma indicano tutti la stessa direzione: accendere, spegnere o ridurre la potenza delle apparecchiature in funzione del traffico, con l’aiuto dell’IA, è ormai una voce standard nei piani economici per la modernizzazione delle RAN, non un’aggiunta sperimentale.

Verso l’autonomia di livello 4

Huawei ha proposto il modello di maturità più esplicito per descrivere fin dove possa spingersi questa automazione. Il suo framework Autonomous Driving Network (ADN) riprende i livelli di automazione della guida dell’industria automobilistica: L0 indica la gestione manuale, L1 quella assistita, L2 un’autonomia parziale, L3 un’autonomia condizionata entro un dominio e L4 un’autonomia elevata in ambienti complessi che coinvolgono più domini, con gestione predittiva a ciclo chiuso.

Al Mobile World Congress Barcelona 2026, Huawei ha lanciato la sua soluzione AN L4 Phase 2, che, secondo l’azienda, compie progressi decisivi in tre ambiti: rilevamento e processo decisionale nell’ordine dei millisecondi a livello degli elementi di rete, agenti di rete specifici per dominio a livello di rete per attività come la gestione dei guasti, l’ottimizzazione dell’efficienza energetica e la garanzia della qualità dell’esperienza, e il protocollo A2A-T.

Con il lancio è stato presentato A2A-T, descritto come il primo protocollo di comunicazione tra agenti di livello carrier per coordinare sistemi di IA tra diversi livelli della rete e domini dei fornitori. È un’ammissione implicita: una singola IA monolitica non gestirà una rete moderna. Servono invece agenti specializzati per RAN, trasporto, core e OSS, dotati di un protocollo condiviso per concordare le azioni senza entrare in conflitto.

Al lancio hanno partecipato dirigenti di China Mobile, Deutsche Telekom, Telefónica e Orange: la loro presenza è un indicatore ragionevole di quanto i grandi operatori stiano prendendo sul serio le promesse relative a L4, anche dove i dati pubblici sulle implementazioni commerciali restano scarsi.

Oltre la rete radio: abbandono dei clienti, assistenza e BSS basati su agenti

L’ottimizzazione della rete attira l’attenzione degli ingegneri, ma l’impiego più antico e più collaudato sul piano economico dell’IA nelle telecomunicazioni è la previsione dell’abbandono dei clienti. Poiché acquisire un nuovo abbonato costa in genere agli operatori da cinque a dieci volte più che trattenerne uno esistente, anche miglioramenti modesti nell’individuare i clienti a rischio si traducono direttamente in un aumento dei margini. Gli approcci pubblicati combinano ormai abitualmente ensemble basati su gradient boosting — XGBoost, CatBoost e LightGBM — oppure classificatori Random Forest che raggiungono punteggi AUC intorno all’87 per cento su dataset di telecomunicazioni tenuti da parte per la valutazione. I risultati alimentano processi di fidelizzazione che attivano sconti, cambi di piano tariffario o contatti proattivi prima che un cliente chiami per disdire.

Il livello più recente, costruito sopra i modelli di previsione dell’abbandono, è l’IA generativa e basata su agenti per l’interazione con i clienti e l’automazione delle attività di back office. La piattaforma amAIz di Amdocs, alla base del suo prodotto «Cognitive Core», offre librerie precostituite di agenti specifici per le telecomunicazioni che coprono BSS, OSS e funzioni di rete, con GenAI Care e Sales Agents che gestiscono richieste relative alla fatturazione e vendite tramite conversazione. Amdocs ha sviluppato questi agenti generativi in collaborazione con l’infrastruttura NVIDIA DGX Cloud, insieme a integrazioni con Microsoft, Google, AWS e Dell.

Separatamente, nel 2023 SK Telecom e Deutsche Telekom hanno firmato una lettera d’intenti per sviluppare insieme un modello linguistico di grandi dimensioni specifico per le telecomunicazioni e destinato al servizio clienti, utilizzando come tecnologia di base i modelli Claude di Anthropic e Llama di Meta. L’iniziativa rientra nella «Global Telco AI Alliance», di cui fanno parte anche e& e Singtel, e rappresenta una scommessa esplicita: per i centri di assistenza degli operatori, un modello sottoposto a fine-tuning sulla terminologia delle telecomunicazioni, sulle tariffe e sulle procedure di risoluzione dei problemi può superare un assistente generico.

Sicurezza: sorvegliare il piano di segnalazione

Il ruolo dell’IA nella sicurezza delle telecomunicazioni è meno visibile dell’ottimizzazione della RAN, ma probabilmente ha conseguenze maggiori, perché la superficie d’attacco — la segnalazione SS7 e Diameter usata per stabilire le chiamate, instradare gli SMS e gestire il roaming — precede di decenni le moderne norme di autenticazione. Fornitori come Mobileum vendono firewall di segnalazione multiprotocollo che applicano simultaneamente il rilevamento delle anomalie basato sul machine learning al traffico SS7, Diameter, GTP e HTTP/2, segnalando volumi anomali di richieste o operazioni MAP rare che i filtri basati su regole tendono a non rilevare o a segnalare troppo spesso.

Poiché le frodi nella segnalazione — tracciamento della posizione, intercettazione degli SMS, deviazione delle chiamate — sfruttano messaggi di protocollo legittimi anziché pacchetti malformati, le regole statiche faticano a trovare un equilibrio tra falsi positivi e falsi negativi. È proprio il tipo di problema in cui i modelli addestrati sui profili di riferimento del traffico reale superano le soglie definite manualmente.

Che cosa ancora non funziona senza intoppi

La precisazione necessaria, in tutti questi casi, è che le dichiarazioni sulle «reti native per l’IA» coprono oggi livelli effettivi di autonomia molto diversi. Aggiornamenti SON esclusivamente software come AI in RAN di Ericsson sono già disponibili sull’hardware esistente, con risultati delle sperimentazioni resi noti. La RAN nativa per GPU e IA ha fatto più progressi di quanto suggerirebbe un numero di sperimentazioni inferiore a dieci, ma non è entrata in servizio commerciale. Il 16 settembre 2026 Nokia ha indicato dodici operatori impegnati in proof of concept o sperimentazioni su piattaforme NVIDIA: A1 Group, Chunghwa Telecom, du, e&, Mobily, stc, TPG Telecom, Zain Saudi, NTT DOCOMO, T-Mobile, SoftBank e Indosat Ooredoo Hutchison. Dodici sperimentazioni non sono dodici implementazioni. La stessa Nokia prevede la disponibilità commerciale nel 2027, mentre la roadmap di T-Mobile colloca ancora l’implementazione su larga scala nel 2028.

Le dichiarazioni di Huawei su L4 sono sostenute da un’architettura descritta e dal protocollo A2A-T, ma i dati pubblici e sottoposti a verifica indipendente sulle prestazioni delle implementazioni degli operatori che funzionano a L4 restano scarsi. Agli operatori che valutano le proposte dei fornitori in questo ambito conviene porre una domanda diretta a cui il marketing raramente risponde subito: il modello formula una raccomandazione che un ingegnere approva, oppure è un sistema a ciclo chiuso che apporta la modifica e la comunica in seguito?

La distinzione tra raccomandazione e azione autonoma è il punto in cui si colloca oggi la maggior parte di questi programmi, ed è quella che determinerà quali dichiarazioni reggeranno alla prova di una rete reale con più fornitori e più generazioni tecnologiche.