Trasformazione dei settori

La città alimentata dall’IA: come le infrastrutture urbane vengono riprogettate per l’intelligenza delle macchine

Semafori che imparano, sensori fognari che si ripagano da soli e un rilevatore di spari costato a Chicago 500.000 dollari e ancora senza un sostituto: che cosa ha prodotto davvero l’IA nelle infrastrutture urbane e quale schema accomuna i s

Gabriele Masetti · 2026-09-04

Le città sono sempre state problemi infrastrutturali travestiti da luoghi in cui vivere: tubature, cavi, semafori e orari sovrapposti gli uni agli altri, perlopiù progettati decenni prima che qualcuno immaginasse una telecamera capace di contare le auto o un modello in grado di prevedere la rottura di una conduttura idrica. A cambiare negli ultimi anni non è stato il fatto che le città siano diventate improvvisamente intelligenti: i sensori sono diventati abbastanza economici e i modelli abbastanza efficaci perché l’IA prendesse, ormai quasi senza farsi notare, decisioni su come scorre il traffico, come circolano gli autobus, come si muove l’acqua e chi viene segnalato dalla polizia. In parte funziona. In parte è già finita in fallimenti clamorosi e ben documentati. Entrambe le metà della storia contano.

Il semaforo che impara

La forma più matura di infrastruttura urbana basata sull’IA è anche la meno appariscente: la regolazione dei tempi dei semafori. Per gran parte del Novecento, i cicli semaforici sono stati fissati da ingegneri sulla base di conteggi del traffico effettuati una volta e raramente aggiornati. Due progetti hanno cercato di sostituire questo sistema con un controllo continuo e adattivo.

Surtrac, sviluppato al Robotics Institute della Carnegie Mellon University, è in funzione a Pittsburgh dal 2012. Anziché affidare l’ottimizzazione di un’intera rete stradale a un computer centrale, ogni incrocio esegue un proprio modello locale e comunica agli incroci vicini i flussi di traffico in uscita previsti, così che l’intero corridoio stradale si adatti quasi in tempo reale.

La prima installazione nell’East End di Pittsburgh ha ridotto i tempi di percorrenza del 25% e quelli di attesa di oltre il 40%, con un calo delle emissioni di circa il 21%, secondo le valutazioni pubblicate dal Department of Transportation e i resoconti della stessa Carnegie Mellon sul progetto. Da allora, la città ha ottenuto circa 20 milioni di dollari di finanziamenti federali e statali per estendere Surtrac da circa 50 incroci verso quota 200.

Project Green Light di Google adotta un’architettura diversa: invece di controllare direttamente i semafori, analizza i dati di guida di Google Maps per modellare l’andamento delle fermate e delle ripartenze agli incroci e fornisce agli ingegneri del traffico delle città raccomandazioni specifiche sui tempi semaforici. Sono poi gli ingegneri a decidere se applicarle. La scelta di mantenere una persona nel processo decisionale è deliberata: le città non vogliono affidare il controllo dei semafori alla scatola nera di un’azienda privata e Google, scottata da altre disavventure nelle smart city, sembra aver imparato la lezione.

Green Light è ora attivo in più di 100 città, da Haifa e Kolkata ad Amburgo, Boston, Bangkok, Bengaluru e Manchester. Google riferisce che, agli incroci ottimizzati, le fermate si riducono fino al 30% e le emissioni di gas serra del 10%, su un volume che stima fino a 47 milioni di viaggi in auto al mese. Boston è il caso di applicazione più esteso in una singola città: 114 incroci ottimizzati in 20 quartieri, dove la città — non Google — ha registrato un calo medio del 20% delle fermate non necessarie e una riduzione media del 13,5% dei ritardi.

La maggior parte di questi dati è pubblicata da Google stessa, anziché verificata da revisori indipendenti. Ma il meccanismo alla base — l’uso di dati telemetrici di Maps anonimizzati e aggregati, già disponibili su scala enorme — è più verificabile della maggior parte delle affermazioni sulle smart city, dato che i dati sul traffico esistevano ben prima dell’applicazione dell’IA.

I due progetti hanno in comune la modestia degli obiettivi. Nessuno dei due sostiene di risolvere la congestione del traffico: entrambi rivendicano miglioramenti marginali e misurabili nelle emissioni e nei ritardi a incroci specifici. È un utile punto di riferimento per valutare il resto delle promesse sull’IA nelle città, perché gran parte di ciò che segue promette molto di più e offre molte meno certezze.

Autobus, guasti e il problema dei mezzi che viaggiano in gruppo

Rispetto agli ingegneri del traffico, le aziende di trasporto pubblico hanno un problema da affrontare con l’IA più circoscritto e gestibile: possiedono già i veicoli, gli orari e i registri di manutenzione, quindi fare previsioni è soprattutto una questione di dati, più che di fisica. SBS Transit, a Singapore, ha introdotto un sistema di manutenzione predittiva basato sull’IA su circa 1.000 autobus, usando i dati dei sensori e dei registri di manutenzione per segnalare i probabili malfunzionamenti prima che causino guasti. Dopo l’introduzione del sistema, l’operatore ha riferito un calo dei guasti agli autobus di circa il 20%. È un’affermazione sostanzialmente diversa da gran parte del marketing sull’IA nel trasporto pubblico: riguarda un indicatore operativo, i guasti per flotta, non una stima delle emissioni previste.

L’altro problema ricorrente del trasporto pubblico — gli autobus della stessa linea che finiscono per viaggiare in gruppo perché un ritardo all’inizio del percorso si ripercuote sulle corse successive — è un problema di ottimizzazione degli orari a cui il machine learning si presta abbastanza bene. Modificare quasi in tempo reale le decisioni sulle partenze e sulle soste, invece di attenersi a un orario fisso, può ridurre la variabilità dei tempi di attesa senza aggiungere autobus alla flotta.

Secondo una ricerca di Deloitte sul settore del trasporto pubblico, circa il 70% delle aziende prevede di aumentare gli investimenti nell’IA nei prossimi tre anni, soprattutto nella manutenzione predittiva e nell’ottimizzazione delle partenze, più che in qualcosa di simile alla guida autonoma. È un’IA poco appariscente, impiegata dietro le quinte — più vicina alla previsione delle scorte che alla versione della smart city popolata da robot umanoidi — ma è anche una delle poche categorie per cui esistono dati operativi verificabili sul prima e sul dopo, invece delle proiezioni dei fornitori.

Le reti invisibili: acqua ed elettricità

I gestori delle reti idriche sono diventati, senza fare rumore, uno dei casi più riusciti di infrastrutture legate all’IA. Il motivo principale è che la tecnologia di base dei sensori, usati per rilevare le perdite attraverso il suono, precede l’IA, mentre il machine learning svolge un compito circoscritto e ben definito: distinguere il suono prodotto da una perdita dal rumore ambientale. South Bend, nell’Indiana, dovendo rinnovare per obbligo la rete fognaria con una spesa di 500 milioni di dollari, ha installato sensori IoT lungo 150 miglia di condotte e usato i dati raccolti per individuare dove intervenire, riducendo gli sversamenti fognari di circa il 70%.

Missoula, nel Montana, ha installato sensori acustici sugli idranti lungo 340 miglia di condotte e, durante una fase pilota, ha individuato più di una dozzina di perdite che altrimenti sarebbero rimaste inosservate per mesi. HOFOR, il gestore idrico di Copenaghen, usa reti di sensori simili per valutare la gravità e la posizione delle perdite e riferisce di aver dimezzato circa i tempi di riparazione.

Nessuno di questi è un progetto visionario di IA: sono problemi di classificazione di pattern innestati su infrastrutture che i gestori avrebbero comunque dovuto dotare di sensori. È probabilmente per questo che hanno prodotto alcuni dei risultati numerici più concreti e verificabili dell’intero settore.

La rete elettrica è un caso più complicato, perché qui la vicenda dell’IA si intreccia ormai con la domanda di energia in forte crescita dell’industria dell’IA stessa. PJM Interconnection, il gestore della rete regionale che serve un’ampia parte delle regioni del Medio Atlantico e del Midwest, ha annunciato nell’aprile 2025 una collaborazione con Google per applicare gli strumenti di Google Cloud e DeepMind a uno dei principali colli di bottiglia della rete: le richieste di connessione per nuovi progetti di produzione elettrica, soprattutto da fonti rinnovabili, che attendono per anni una valutazione tecnica.

La promessa è che l’IA possa accelerare le pratiche e la modellizzazione che oggi lasciano i progetti solari e di accumulo a batteria in coda per anni. È un’applicazione concreta, ma c’è anche un’ironia piuttosto scomoda: la stessa industria i cui data center mettono sotto pressione la capacità della rete vende ora ai gestori della rete gli strumenti per alleviare quella pressione.

Ora c’è finalmente un ciclo di domande su cui misurare i risultati: il processo riformato di connessione alla rete di PJM ha chiuso la sua prima finestra per la presentazione delle domande il 27 aprile 2026, con 811 progetti per un totale di circa 220 GW. A prevalere sono stati 106 GW di generazione a gas e 67 GW di accumulo, a fronte di 15 GW di solare e 5 GW di eolico: non proprio lo sblocco delle rinnovabili con cui era stata presentata la collaborazione. Tapestry, il progetto visionario di Google X da cui è nato lo strumento, ha pubblicato i propri dati nel giugno 2026: la documentazione sulla disponibilità dei siti relativa a quelle domande è stata esaminata in un tempo mediano di sei minuti e quindici secondi, e il 99% è stato esaminato entro un’ora. È uno smistamento dei documenti, misurato dal fornitore, non un’accelerazione delle approvazioni.

Quando le telecamere diventano oggetto di controversia

Non tutti i sistemi di IA installati nelle infrastrutture reggono alla prova del pubblico, e il caso più eloquente da cui trarre un monito è ShotSpotter (ora venduto dalla società madre SoundThinking) a Chicago. Il sistema acustico di rilevamento degli spari usava una rete di microfoni e un sistema di classificazione automatica per avvisare la polizia di possibili colpi d’arma da fuoco. L’azienda dichiarava un’accuratezza di circa il 97%.

Le verifiche indipendenti hanno raccontato una storia molto diversa: uno studio del MacArthur Justice Center ha rilevato che, nell’arco di 21 mesi, l’89% degli interventi attivati da ShotSpotter non ha portato alla scoperta di alcun reato legato alle armi da fuoco. Anche l’Office of Inspector General di Chicago ha confermato che il sistema generava ogni anno decine di migliaia di interventi di polizia senza esito. La copertura, inoltre, era concentrata quasi interamente nelle zone sud e ovest della città: circa l’80% dei residenti neri di Chicago e il 65% di quelli latinoamericani vivevano nelle aree coperte, contro circa il 30% dei residenti bianchi.

Il sindaco Brandon Johnson ha deciso di non rinnovare il contratto, che è scaduto nel settembre 2024; nell’agosto 2025 la città ha accettato di raggiungere un accordo in una class action riguardante la tecnologia, riconoscendo che una segnalazione, da sola, non giustifica un fermo di polizia. La lezione non è che il rilevamento acustico sia intrinsecamente sbagliato: è che il tasso di accuratezza pubblicizzato per un sistema non significa nulla se non si sa cosa venga conteggiato come vero positivo. Nel caso di ShotSpotter, questa valutazione dipendeva dal fatto che gli agenti compilassero volontariamente documenti che avevano ogni incentivo a non compilare.

Il conto ha continuato ad arrivare anche dopo la scadenza del contratto. Nel marzo 2026 un giudice federale ha approvato un accordo da 500.000 dollari a favore di Michael Williams, che aveva trascorso quasi un anno in carcere con un’accusa di omicidio basata in larga parte su una segnalazione di ShotSpotter, prima che i pubblici ministeri lasciassero cadere il caso nel luglio 2021. SoundThinking ha ribadito la posizione che sostiene da sempre: ShotSpotter individua gli spari, non le persone, e le decisioni sulle accuse spettano alla polizia e ai pubblici ministeri. È vero, ed è per questo che la percentuale di accuratezza non è mai stata il dato che contava.

Chicago, peraltro, non ha sostituito il sistema. Nove fornitori hanno risposto al bando della città nel corso del 2025, ma a giugno 2026 non era ancora stato assegnato alcun contratto. L’ufficio acquisti ha riferito al consiglio comunale che, per un contratto di questa complessità, di norma occorrono circa due anni: l’assegnazione arriverebbe quindi all’inizio del 2027. Annullare un contratto per un sistema di sorveglianza, a quanto pare, è molto più rapido che decidere cosa mettere al suo posto.

Il riconoscimento facciale ha seguito una traiettoria simile, anche se il confronto si è svolto prima e in modo più esplicito sul piano legislativo. Nel maggio 2019 San Francisco è diventata la prima città degli Stati Uniti a vietarne l’uso da parte dell’amministrazione comunale; Oakland e Somerville, Massachusetts, l’hanno seguita nel giro di poche settimane e, nei primi anni del decennio 2020, più di una dozzina di città aveva introdotto qualche forma di divieto, tra cui Boston, Portland, New Orleans e Pittsburgh.

Ma dopo il 2021 il movimento a favore dei divieti non si è semplicemente fermato: ha invertito la rotta. Nel luglio 2022 New Orleans ha parzialmente revocato il divieto introdotto nel 2020, consentendo alla polizia di richiedere l’uso del riconoscimento facciale nelle indagini sui reati violenti. Nel febbraio 2025 Jackson, Mississippi, ha abrogato all’unanimità il proprio divieto del 2020 su richiesta del capo della polizia, sostituendolo con l’obbligo di ottenere un’autorizzazione e con un organo di supervisione composto da civili. Un’inchiesta del Washington Post del 2024 ha inoltre scoperto che la polizia di Austin e quella di San Francisco, città in cui i divieti erano ancora in vigore, chiedevano abitualmente ad agenti di giurisdizioni senza restrizioni di effettuare ricerche tramite riconoscimento facciale per loro conto. Vietare l’uso dei sistemi di una città serve a poco se basta affidare la ricerca alla contea vicina, e serve ancora meno se il consiglio comunale che ha approvato il divieto può votare per revocarlo.

La città intelligente che non è mai stata costruita

Se c’è una storia con cui confrontare ogni progetto che promette di portare l’IA nelle città, è quella di Quayside, il progetto di Sidewalk Labs a Toronto. Nel 2017 la controllata di Alphabet dedicata all’innovazione urbana si è aggiudicata una gara per riqualificare circa 12 acri del lungolago di Toronto, trasformandoli in quello che veniva presentato come uno dei quartieri con la più alta densità di sensori al mondo: pavimentazione riscaldata, edifici modulari, consegne autonome e una raccolta capillare di dati destinata a ottimizzare tutto, dal traffico alla raccolta dei rifiuti.

Il progetto è naufragato nel maggio 2020 e la motivazione ufficiale è stata l’incertezza economica senza precedenti legata alla pandemia. Ma nei due anni precedenti il COVID, che ha offerto una via d’uscita senza perdere la faccia, la credibilità del progetto si era già erosa. Ann Cavoukian, ex commissaria per la privacy dell’Ontario assunta da Sidewalk come consulente per la privacy, si è dimessa nell’ottobre 2018 dopo che l’azienda si era rifiutata di impegnarsi a de-identificare i dati dei sensori al momento della raccolta. Proponeva invece un trust per i dati civici che avrebbe deciso a posteriori quali tecnologie potessero conservare dati identificabili.

Sidewalk ha anche ampliato le proprie ambizioni a progetto già avviato, arrivando a proporre un’area 16 volte più estesa di quella originaria. Agli occhi dei residenti e delle autorità di Toronto, era un’estensione progressiva del progetto da parte di un’azienda che non si era ancora guadagnata la loro fiducia sul piano iniziale, molto più limitato.

Quayside è la prova più chiara che la parte più difficile di una città basata sull’IA non è la modellazione, ma la questione di governance: a chi appartengono i dati generati da un quartiere dotato di sensori? Nessuna soluzione ingegneristica, per quanto sofisticata, può salvare un progetto che non sa rispondere in modo convincente a questa domanda.

Gemelli digitali: strumenti di pianificazione o fantasie urbanistiche

Il progetto Virtual Singapore di Singapore è il tentativo più avanzato di costruire un gemello digitale di un’intera città: un modello 3D ricco di dati che integra edifici, infrastrutture e dati ambientali. Avviato nel 2014, è stato dichiarato completato nel 2022. A differenza di Quayside, è stato realizzato dal governo stesso, attraverso la Singapore Land Authority, anziché da un fornitore tecnologico esterno. Questo evita molte delle preoccupazioni sulla proprietà dei dati che hanno fatto naufragare Sidewalk Labs.

Gli urbanisti lo usano per simulare scenari — nuove linee di trasporto pubblico, risposte alle inondazioni, potenziale solare dei tetti — prima di impegnare capitali. Più di recente, la piattaforma ha iniziato a integrare una componente di IA generativa che, a quanto pare, consente agli urbanisti di interrogare il modello in linguaggio naturale anziché operare direttamente tramite software GIS. Singapore ha inoltre annunciato l’intenzione di estendere l’approccio al sottosuolo, costruendo un gemello digitale sotterraneo per gestire le reti di servizi interrate che una città densa e con poco spazio a disposizione deve far passare sotto tutto il resto.

Il limite dei gemelli digitali, in generale, è che una simulazione vale quanto le ipotesi su cui si basa. Le città che hanno cercato di importare in blocco il modello di Singapore hanno perlopiù scoperto che i vantaggi di Singapore — un unico governo con un’autorità insolitamente accentrata su territorio, servizi e dati, oltre a decenni di investimenti costanti — non si trasferiscono facilmente in un’area metropolitana americana frammentata, con decine di enti dalle competenze sovrapposte e nessun organismo che controlli sia i semafori sia le condotte idriche principali.

Che cosa mostra davvero questo schema

Mettendo in fila questi casi emerge uno schema meno entusiasmante di quanto suggerisca l’immagine della città alimentata dall’IA, ma più utile. Le applicazioni con i risultati più chiari e verificabili — Surtrac, Green Light, le reti di sensori per rilevare le perdite d’acqua, la manutenzione predittiva dei trasporti pubblici di Singapore — hanno due caratteristiche in comune: operano su segnali circoscritti e ben definiti (flussi di traffico, tracce acustiche delle perdite, dati dei sensori dei veicoli) e lasciano la decisione finale a una persona, che si tratti di un ingegnere del traffico che mette in pratica un suggerimento sui tempi dei semafori o di una squadra di manutenzione inviata a intervenire su un guasto previsto.

Le applicazioni naufragate — ShotSpotter, Quayside — avevano le caratteristiche opposte: segnali ampi e ambigui (un rumore che potrebbe essere uno sparo, i dati comportamentali di un intero quartiere), associati a conseguenze automatiche che incidevano realmente sulla vita delle persone prima che qualcuno potesse esaminarle in modo sostanziale. La città alimentata dall’IA, laddove funziona davvero, somiglia meno alla sala di controllo di un film di fantascienza e più a un sistema di tubature migliorato: sensori, modelli e dashboard che rendono i processi burocratici esistenti un po’ più reattivi.

Dove ha fallito, le ragioni hanno avuto meno a che fare con gli algoritmi e più con chi poteva decidere come usare i dati e con la possibilità, per qualcuno al di fuori del fornitore, di verificare i calcoli.