Intelligenza artificiale nella mobilità: applicazioni, aziende e nuovi modelli di business

Un autobus che raccoglie informazioni sulle condizioni della strada mentre trasporta passeggeri. Una flotta che programma la manutenzione prima che un guasto interrompa il servizio. Una piattaforma che suggerisce come combinare treno, trasporto pubblico e mobilità condivisa. Un’automobile nella quale il software interpreta l’ambiente e assiste il conducente.

L’intelligenza artificiale entra nella mobilità attraverso applicazioni molto diverse, accomunate dalla capacità di trasformare dati in decisioni. Il suo valore si misura nella disponibilità dei mezzi, nell’affidabilità degli orari, nella sicurezza e nell’uso delle infrastrutture. Per imprese e amministrazioni, la questione diventa capire quali decisioni migliorare, con quali informazioni e attraverso quale sostenibilità economica.

Il settore presenta più velocità: convivono prodotti commerciali, progetti pilota, dimostrazioni tecnologiche e servizi che devono ancora dimostrare di poter funzionare su larga scala. La guida automatizzata è la manifestazione più visibile del cambiamento. Molte opportunità si trovano però nella gestione quotidiana di autobus, treni, flotte, batterie e strade.

Che cosa significa applicare l’intelligenza artificiale alla mobilità

L’AI nella mobilità comprende sistemi che riconoscono situazioni, formulano previsioni, elaborano raccomandazioni o contribuiscono a controllare veicoli e servizi. Il punto di partenza può essere un’immagine, la posizione di un mezzo, una sequenza di dati di manutenzione o una richiesta di viaggio.

Per comprenderne le applicazioni è utile distinguere quattro funzioni.

La prima è percepire: riconoscere pedoni e altri veicoli, contare passeggeri, individuare anomalie del manto stradale. È il campo della computer vision e dell’elaborazione dei segnali.

La seconda è prevedere: stimare domanda di trasporto, tempi di arrivo, rischio di guasto o fabbisogno di ricarica. I modelli apprendono relazioni dai dati e restituiscono stime, accompagnate da un margine di incertezza.

La terza è decidere e ottimizzare: assegnare mezzi alle corse, combinare richieste di viaggio, pianificare interventi. Qui l’apprendimento automatico può affiancare la ricerca operativa, cioè metodi matematici per trovare soluzioni rispettando vincoli di capacità, costo e servizio.

La quarta è interagire e coordinare: aiutare il viaggiatore con il linguaggio naturale, consultare documentazione tecnica, attivare passaggi di un processo. È l’area dell’AI generativa e, quando il sistema utilizza strumenti per eseguire attività, dell’AI agentica.

Connettività, digitalizzazione e AI svolgono ruoli distinti. Il veicolo connesso scambia informazioni e abilita servizi digitali. L’intelligenza artificiale può utilizzare quelle informazioni per interpretare un evento o anticipare un bisogno. Un mezzo può quindi essere connesso senza guidare autonomamente, e un servizio digitale può funzionare senza ricorrere all’AI.

I numeri italiani nel 2026

La ricerca 2026 dell’Osservatorio Connected Vehicle & Mobility del Politecnico di Milano, pubblicata il 28 maggio, fotografa il mercato a fine 2025.

La distinzione dei perimetri è essenziale: questi importi misurano mercati della mobilità digitale, con componenti hardware, software e servizi. Non rappresentano il fatturato dell’AI nella mobilità; inoltre, smart mobility urbana e smart road sono presentate separatamente dal mercato Connected Vehicle.

Il 61% dei comuni considerati dalla ricerca avvia almeno un progetto di smart mobility nel triennio 2023-2025; le iniziative smart road sono 23 nello stesso periodo. Sono indicatori della diffusione delle infrastrutture digitali, non della penetrazione specifica dell’AI.

Per gli operatori, la dimensione economica dell’AI dipende da quanto di questa base installata si traduce in applicazioni effettivamente utilizzate e acquistate.

Trasporto pubblico locale: prevedere la domanda e utilizzare meglio i mezzi

Nel trasporto pubblico, l’intelligenza artificiale può aiutare a rispondere a domande molto concrete: dove si concentra la domanda? Quali corse rischiano di sovraccaricarsi? Come impiegare una flotta quando cambiano traffico, disponibilità dei conducenti e richieste dei passeggeri?

Le informazioni utili provengono da fonti diverse: bigliettazione, localizzazione dei mezzi, conteggio delle persone, calendari scolastici, eventi e condizioni meteorologiche. Un modello predittivo può stimare l’andamento della domanda; un sistema di pianificazione traduce quelle stime in proposte operative.

Il passaggio richiede cautela. Le validazioni dei biglietti non descrivono sempre il viaggio completo; chi paga in contanti può lasciare tracce differenti da chi usa un’app; un’offerta insufficiente può nascondere domanda potenziale. L’algoritmo apprende dai dati disponibili, che vanno interpretati insieme alla conoscenza del territorio.

Il case study Autoguidovie: AI e computer vision nel TPL italiano

Un caso italiano è raccontato nell’intervista ad Andrea Gigli di Autoguidovie.

Il quadro descritto comprende AI nel back office, computer vision a bordo degli autobus, algoritmi per calcolare la domanda e strumenti per individuare il mancato pagamento del biglietto. L’innovazione viene collegata alla trasformazione dell’operatore e alle sfide delle gare del trasporto pubblico locale.

Il caso mostra quanto sia ampia l’area di intervento: dal lavoro amministrativo alla conoscenza dei flussi. Per valutarne il ritorno economico, ciascun progetto deve poi essere associato a indicatori propri: affidabilità delle informazioni, costi di gestione, regolarità e qualità del servizio.

Il case study Via: la pianificazione diventa un prodotto software

Il 18 maggio 2026 Via ha presentato Scheduling and Supply Studio, una piattaforma che applica l’AI alla pianificazione dell’offerta nei servizi a percorso fisso e a domanda.

Secondo l’azienda, il sistema combina domanda prevista, disponibilità di veicoli e conducenti e vincoli operativi. Una funzione permette di caricare accordi di lavoro e vincoli delle risorse per ottenere una proposta di turnazione da verificare.

L’interesse economico di questa impostazione sta nell’integrazione: pianificare servizi diversi all’interno dello stesso ambiente può rendere visibili inefficienze che una gestione separata lascia nascoste. I benefici effettivi dipendono dal contesto di utilizzo e dalla qualità dei dati.

Trasporto a chiamata e MaaS: personalizzare il viaggio senza frammentare il sistema

Il trasporto a chiamata, o Demand Responsive Transport, adatta l’offerta a richieste di viaggio entro un territorio e regole definite. Può prevedere fermate virtuali, prenotazioni anticipate, percorsi flessibili e abbinamento di più passeggeri.

L’AI può contribuire a stimare dove si formerà la domanda; gli algoritmi di ottimizzazione organizzano gli abbinamenti rispettando tempi massimi di attesa e deviazione. Sono funzioni particolarmente interessanti nelle aree a domanda debole e nelle fasce orarie in cui una linea tradizionale può risultare poco utilizzata. La scelta richiede comunque una valutazione territoriale: una linea frequente su un corridoio ad alta domanda e un servizio a chiamata rispondono a esigenze differenti.

La Mobility as a Service integra invece pianificazione, accesso e pagamento di più servizi di mobilità.

In una piattaforma MaaS l’intelligenza artificiale può suggerire alternative coerenti con orari, costo, accessibilità e preferenze. Può anche aiutare a riorganizzare il viaggio quando si verifica un’interruzione.

La qualità del servizio dipende però dall’accesso a informazioni affidabili e dalla possibilità di effettuare davvero le operazioni proposte. Un assistente che consiglia un itinerario deve sapere se la coincidenza è disponibile, se una bici si può prenotare e se il percorso è accessibile. La capacità di conversare acquista valore quando è collegata a sistemi operativi aggiornati.

Sul piano commerciale, il MaaS può generare commissioni sulle transazioni, abbonamenti e contratti con aziende o amministrazioni. La sostenibilità dipende dal margine che rimane dopo integrazioni, pagamenti e assistenza: il numero di servizi presenti nell’app, da solo, non la dimostra.

Traffico e smart road: dall’osservazione alla gestione

Una strada intelligente raccoglie informazioni, comunica eventi e supporta la gestione della circolazione. La guida di SmartMobilityUp alle smart road, aggiornata a giugno 2026, ricostruisce tecnologie, sperimentazioni e percorso italiano.

In questo ambiente, l’AI può riconoscere code o ostacoli, prevedere l’evoluzione dei flussi e proporre interventi. Il valore operativo sta nel ridurre il tempo tra il verificarsi di un evento e una risposta appropriata.

Per una città, ad esempio, regolare un incrocio significa bilanciare esigenze di automobili, autobus, pedoni e ciclisti. Un’ottimizzazione concentrata esclusivamente sulla velocità dei veicoli può penalizzare gli attraversamenti o il trasporto pubblico. La scelta dell’obiettivo precede quindi la scelta dell’algoritmo.

Case study: Movyon e il centro di monitoraggio di Autostrade per l’Italia

Il centro realizzato da Movyon per Autostrade per l’Italia, inaugurato nel luglio 2024, integra monitoraggio del traffico, impianti e infrastrutture.

Secondo la descrizione aziendale, il centro copre circa 3.000 chilometri di rete e utilizza dati e flussi video di oltre 5.000 videocamere, insieme a sensori e dispositivi IoT. AI, droni e gemelli digitali contribuiscono alle attività di analisi. La piattaforma ARGO supporta il monitoraggio di ponti e gallerie e la pianificazione della manutenzione.

Qui il modello di valore riguarda soprattutto la gestione di un patrimonio esistente: assegnare priorità agli interventi, coordinare le informazioni e rendere più tempestiva l’azione degli operatori. L’esistenza di una piattaforma integrata non elimina le responsabilità tecniche e decisionali di chi gestisce la rete.

Manutenzione stradale: Loki e CSEYE trasformano le immagini in informazioni

Il monitoraggio delle strade è un campo nel quale la computer vision può valorizzare spostamenti già effettuati. Installare dispositivi su veicoli che percorrono regolarmente una rete permette di aggiornare le osservazioni nel tempo.

Il sistema deve però distinguere un difetto reale da un’ombra, una riparazione o un cambiamento delle condizioni di ripresa. Serve inoltre collegare la segnalazione a una posizione e verificarne l’evoluzione.

Loki e il valore dell’aggiornamento continuo

La startup Loki mette al centro la disponibilità di dati sistematici per la manutenzione.

L’impostazione illustrata valorizza le informazioni raccolte attraverso mezzi che circolano già sul territorio, come autobus e veicoli comunali. La frequenza dell’aggiornamento assume un ruolo decisivo: una rappresentazione molto precisa, ma rapidamente superata, può essere meno utile di un monitoraggio ripetuto.

Il possibile vantaggio per l’amministrazione è disporre di una base documentata per scegliere dove intervenire e verificare come cambia la rete. Per il fornitore, l’opportunità consiste nel vendere un servizio informativo continuativo, collegato alle decisioni del cliente.

CSEYE e il percorso dal prototipo al mercato

Un altro caso interessante è quello di CSEYE. Il progetto, cofinanziato dalla Regione Lazio e realizzato da Consoft Informatica, Key to Business e Università di Tor Vergata, sviluppa un dispositivo a bordo veicolo per raccogliere informazioni sulla manutenzione delle sedi stradali e individuare sversamenti di rifiuti. L’articolo descrive il completamento della fase prototipale e l’avvio dell’ingegnerizzazione e del lancio sul mercato.

È un passaggio importante anche per leggere correttamente l’innovazione: una validazione tecnologica costituisce una tappa, mentre la diffusione commerciale richiede installazione, assistenza, integrazione e un cliente disposto a sostenere il costo del servizio.

Flotte aziendali: manutenzione predittiva e AI agentica

Per un’impresa, il costo di un veicolo comprende acquisto o noleggio, energia, assicurazione, manutenzione e indisponibilità. Un fermo può comportare una consegna mancata, un mezzo sostitutivo o una giornata di lavoro compromessa.

La manutenzione predittiva cerca segnali anticipatori di un problema. Il passaggio successivo consiste nell’organizzare la risposta: contattare l’officina, gestire autorizzazioni, verificare ricambi e compatibilità con i turni.

Il 7 luglio 2026 Targa Telematics ha annunciato Maintenance Excellence, una soluzione che applica l’AI agentica al coordinamento della manutenzione.

Secondo l’azienda, la piattaforma integra dati telematici, sistemi dei costruttori e fonti esterne, rileva anomalie e organizza attività e approvazioni tra i soggetti coinvolti. Nel comunicato, Targa riporta stime del proprio Osservatorio secondo cui l’AI può ridurre fino al 30% i costi manutentivi e del 13% i tempi di fermo. Sono indicazioni del fornitore sul potenziale della tecnologia, da verificare sulle singole flotte, non risultati garantiti del prodotto.

Il modello commerciale può prevedere un canone per veicolo con moduli aggiuntivi. Per il cliente, la verifica economica deve confrontare il costo complessivo della soluzione con il risparmio ottenuto, includendo l’integrazione e il lavoro necessario a gestire gli allarmi.

Sharing mobility: prevedere dove serviranno bici, scooter e automobili

Nei servizi condivisi, la disponibilità di un mezzo nel luogo e nell’ora giusti determina buona parte dell’esperienza del cliente. Una flotta numerosa ma distribuita male può generare costi elevati e poche corse.

L’AI può stimare la domanda per zona e fascia oraria, mentre l’ottimizzazione supporta il riposizionamento e le attività di ricarica o sostituzione delle batterie. Le previsioni devono considerare eventi, meteo, stagionalità e collegamenti con stazioni e fermate.

Il beneficio economico si misura attraverso corse per mezzo, ricavi giornalieri e costo della redistribuzione. Va però valutata anche la copertura territoriale: concentrare l’offerta esclusivamente nelle aree più redditizie può entrare in tensione con gli impegni assunti verso la città.

Per gli enti locali, l’AI può aiutare a leggere l’utilizzo degli spazi e l’interazione con il trasporto pubblico. Ma il ruolo specifico dell’AI va verificato caso per caso: operare nella smart mobility non implica automaticamente sviluppare sistemi di apprendimento automatico.

Mobilità elettrica e batterie: programmare la ricarica e stimare la vita utile

Per una flotta elettrica, organizzare la ricarica significa mettere insieme autonomia richiesta, turni, soste, potenza disponibile e costi dell’energia. Un mezzo deve essere pronto quando serve, senza sovraccaricare l’infrastruttura del deposito.

L’AI può stimare consumi e fabbisogni sulla base di percorso, temperatura e impiego; l’ottimizzazione assegna poi le finestre di ricarica. Anche qui va distinta la previsione dalla regola operativa: un sistema di ricarica programmata può funzionare attraverso logiche prestabilite senza utilizzare AI.

Un’altra applicazione riguarda lo stato di salute della batteria, che incide su prestazioni, valore residuo e possibilità di riutilizzo.

Nel caso di R-Lab, il competence center di Reefilla a Torino, lo sviluppo di una soluzione basata sull’intelligenza artificiale serve a stimare rapidamente la salute di celle e moduli senza disporre di dati storici.

L’opportunità di business consiste nell’offrire diagnosi e informazioni utili alle decisioni sul ciclo di vita: continuare a utilizzare un accumulatore, destinarlo a un impiego differente o avviarlo al riciclo. La valutazione richiede che accuratezza, ripetibilità e tempi della diagnosi siano adeguati al servizio proposto.

Ferrovie e logistica: prevenire interruzioni e coordinare le operazioni

Nelle ferrovie, i dati di bordo e dell’infrastruttura possono aiutare a individuare deterioramenti prima che provochino un’interruzione. La manutenzione basata sulle condizioni effettive richiede di trasformare molti segnali in indicazioni comprensibili per chi deve intervenire.

Railigent X di Siemens Mobility comprende servizi per accedere ai dati degli asset, analizzarli e integrarli nei processi. Le applicazioni includono modelli AI, analisi delle cause e previsioni di guasto per componenti del materiale rotabile e del segnalamento.

Il valore economico può derivare da una maggiore disponibilità dei mezzi e da interventi meglio pianificati. La manutenzione resta legata a requisiti tecnici e procedure: una previsione deve essere utilizzabile dentro questi vincoli.

Nella logistica urbana, invece, l’AI può prevedere domanda e tempi di consegna, mentre l’ottimizzazione coordina percorsi, carichi e risorse. L’economia di un servizio dipende anche dalle consegne fallite, dai viaggi a vuoto e dal tempo impiegato nelle soste.

I progetti selezionati da EIT Urban Mobility nella Strategic Innovation Open Call offrono esempi delle direzioni europee. MUDAV, con LOXO e partner logistici, punta alla consegna autonoma di livello 4 a Zurigo e Bochum; PantoTech sviluppa manutenzione predittiva per le linee di contatto di tram e metropolitane; TWINOPT prevede sperimentazioni di gemelli digitali operativi anche a Jesi.

Si tratta di programmi con obiettivi e attività di validazione. La loro rilevanza sta nel collegare sviluppo tecnologico, operatori e territori, fino alla verifica delle condizioni di acquisto e utilizzo.

Guida automatizzata e robotaxi: distinguere assistenza e autonomia

Per interpretare gli annunci sulla guida automatizzata serve partire dai livelli di automazione.

Al livello 2, il conducente mantiene la responsabilità di sorvegliare la guida, anche quando il sistema controlla contemporaneamente sterzo e velocità. Al livello 3, il sistema gestisce la guida nelle condizioni previste e può chiedere all’utente di riprenderla. Al livello 4, svolge il compito di guida e la gestione delle condizioni di fallback entro un dominio operativo definito. Il livello 5 estende l’automazione alle condizioni stradali gestibili da un conducente umano.

Espressioni commerciali come “L2++” non introducono un livello SAE aggiuntivo e non equivalgono al livello 4.

Gli esempi Stellantis e Wayve: la novità di ottobre 2026

Il 9 ottobre 2026 Stellantis e Wayve hanno presentato a Torino i progressi dell’integrazione del Wayve AI Driver su veicoli di sviluppo Fiat 500e e Maserati Grecale.

La dimostrazione riguarda assistenza supervisionata, indicata dalle aziende come livello 2++. Il lancio della funzione descritta viene indicato come obiettivo per il 2028, inizialmente in Nord America. La condivisione di una base AI tra piattaforme diverse è il punto industriale dell’annuncio; non costituisce un lancio commerciale di robotaxi.

Nel partenariato Stellantis-Wayve-Uber annunciato il 17 giugno 2026, i ruoli vengono invece articolati tra veicolo, tecnologia di guida e piattaforma di accesso al servizio. La collaborazione punta a esplorare sviluppo e diffusione di robotaxi di livello 4.

Il caso italiano di Brescia

Di rilievo, in questo contesto, la sperimentazione di car sharing con auto a guida autonoma a Brescia, legata ad A2A, Politecnico di Milano e MOST.

L’interesse del caso riguarda l’incontro tra automazione e servizio: l’automobile può diventare una risorsa da rendere disponibile all’utente secondo una logica diversa dal car sharing tradizionale. Rimane una sperimentazione, da distinguere da un servizio diffuso e privo di supervisione.

Per i robotaxi, il costo del viaggio comprende veicolo, sensori, software, manutenzione, energia, pulizia, assicurazione, assistenza e spostamenti senza passeggeri. L’eliminazione del conducente a bordo modifica la struttura dei costi; la redditività richiede comunque un utilizzo sufficiente della flotta e un’organizzazione affidabile.

Le aziende e i progetti da conoscere

I casi analizzati rappresentano posizioni diverse nella filiera. Alcuni operatori sviluppano tecnologia, altri la integrano o la impiegano nei propri servizi; altri ancora partecipano a programmi di sperimentazione.

La mappa non è una classifica. Per confrontare le imprese servono informazioni su maturità del prodotto, clienti, risultati misurati, condizioni operative e sostenibilità economica. Un programma di ricerca e un servizio acquistabile hanno criteri di valutazione differenti.

I nuovi modelli di business dell’AI nella mobilità

Sul piano economico, le applicazioni descritte permettono di individuare alcune direttrici. Non costituiscono modelli già adottati in modo uniforme dalle aziende citate: sono le principali modalità con cui tecnologia e servizio possono generare ricavi.

Software in abbonamento per operatori e flotte

Il cliente paga un canone per accedere a funzioni di pianificazione, manutenzione, analisi o assistenza. Il prezzo può dipendere dal numero di veicoli, utenti, depositi o moduli attivi.

Per il fornitore, i ricavi ricorrenti si accompagnano a costi continuativi di elaborazione, aggiornamento e supporto. Per l’operatore, l’acquisto ha senso se il risparmio o la qualità del servizio compensano canone, integrazione e cambiamento dei processi.

Licenze tecnologiche e integrazione industriale

Un’impresa sviluppa una componente AI che un costruttore o un operatore integra nel proprio prodotto. Il ricavo può combinare attività di sviluppo, licenze e corrispettivi legati ai volumi.

È una logica particolarmente importante nell’automotive: la possibilità di utilizzare una tecnologia su piattaforme differenti amplia il mercato potenziale. Richiede però validazione, manutenzione del software e gestione delle versioni lungo il ciclo di vita del veicolo.

Mobilità venduta come servizio

Nel trasporto a chiamata, nella condivisione e nei robotaxi, il cliente finale acquista un viaggio o l’accesso a una risorsa. L’AI è una componente del costo e della qualità del servizio.

Il parametro decisivo diventa il margine per corsa, mezzo o area operativa. Una previsione più accurata può aumentare l’utilizzo; una redistribuzione inefficiente può annullare il vantaggio. La scala commerciale va costruita insieme alla capacità operativa.

Informazioni e analisi come servizio

I dati raccolti vengono trasformati in indicatori, mappe aggiornate, segnalazioni e previsioni utilizzabili da un cliente professionale.

Il prodotto acquistato è l’informazione che aiuta una decisione: dove intervenire su una strada, quale asset controllare, come modificare un servizio. Il contratto deve chiarire copertura, frequenza, accuratezza e diritti d’uso dei dati.

Contratti legati ai risultati

Una parte del corrispettivo può essere collegata a disponibilità dei mezzi, riduzione dei fermi o altri indicatori condivisi.

Questa impostazione rende centrale la misurazione. Occorrono una situazione di partenza attendibile, un periodo di confronto e regole per distinguere l’effetto della soluzione da meteo, domanda, rinnovo della flotta o cambiamenti del servizio. In assenza di queste condizioni, attribuire il risultato all’AI diventa difficile.

Europa: accesso ai dati, interoperabilità e regole sull’AI

L’efficacia dell’intelligenza artificiale dipende anche dalla possibilità di utilizzare dati distribuiti tra costruttori, operatori, amministrazioni e piattaforme.

La Commissione europea descrive il Common European Mobility Data Space come un quadro per collegare ecosistemi differenti. Non è previsto come un’unica banca dati europea dei trasporti: l’obiettivo è favorire accessibilità, interoperabilità e condivisione attraverso un ambiente federato e regole di governance.

Per le imprese, questa impostazione può facilitare lo sviluppo di servizi che utilizzano più fonti. L’interoperabilità tecnica deve accompagnarsi a condizioni chiare su responsabilità, qualità e utilizzo delle informazioni.

Data Act e dati dei veicoli

Il Data Act si applica dal 12 settembre 2025. La Commissione pubblica anche indicazioni dedicate ai dati dei veicoli, rivolte a costruttori, fornitori, aftermarket e assicurazioni.

Il quadro rafforza l’accesso ai dati generati dai prodotti connessi e aiuta a definire le condizioni della loro condivisione. Non trasforma però tutti i dati in informazioni liberamente utilizzabili: restano rilevanti l’ambito di applicazione, i diritti degli interessati, la protezione dei dati personali e i segreti commerciali.

AI Act: il calendario disponibile a ottobre 2026

Secondo il quadro aggiornato della Commissione europea sull’AI Act, l’applicazione procede per fasi. Divieti e obblighi di alfabetizzazione AI si applicano dal febbraio 2025; le disposizioni sui modelli di uso generale dall’agosto 2025; il quadro generale dal 2 agosto 2026, con eccezioni.

La Commissione indica, a seguito dell’AI Omnibus entrato in vigore il 27 luglio 2026, il 2 dicembre 2027 per i sistemi delle aree ad alto rischio interessate e il 2 agosto 2028 per i sistemi ad alto rischio integrati nei prodotti regolamentati.

Nel settore mobilità la classificazione va valutata sulla funzione e sul contesto: un assistente informativo e un sistema che incide sulla sicurezza della gestione del traffico presentano profili differenti. Le regole sull’AI vanno inoltre coordinate con la disciplina settoriale, comprese le procedure applicabili ai veicoli.

Come misurare il ritorno degli investimenti

Per scegliere un progetto, un operatore deve partire da un problema osservabile. “Introdurre l’AI” è un’attività; ridurre i fermi non programmati o migliorare l’affidabilità delle informazioni è un obiettivo misurabile.

Il primo passaggio è stabilire la situazione iniziale: costi, errori, tempi e qualità del servizio. Il secondo è verificare se i dati disponibili descrivono il problema e se possono essere utilizzati. Il terzo è sperimentare in un contesto rappresentativo, coinvolgendo chi dovrà usare il sistema.

Il conto economico deve includere hardware, connettività, licenze, elaborazione, integrazione, formazione e gestione delle anomalie. Una soluzione che riduce un’attività manuale ma aumenta sensibilmente controlli e correzioni può offrire un vantaggio inferiore alle attese.

La fase di estensione merita una valutazione propria. Un modello che funziona su una linea o in un deposito può richiedere adattamenti quando cambiano territorio, mezzi, qualità dei dati o regole operative.

I limiti da affrontare: qualità dei dati, persone e sostenibilità

L’AI può sostenere decisioni migliori, ma una previsione resta esposta all’incertezza. Un evento eccezionale, una modifica della rete o una variazione della domanda possono ridurre l’affidabilità di un modello addestrato su condizioni precedenti.

Per questo servono monitoraggio delle prestazioni e procedure utilizzabili quando il sistema sbaglia o non è disponibile. Nei servizi essenziali, la possibilità di continuare a operare conta quanto l’efficienza nelle condizioni ordinarie.

Anche la gestione delle persone influisce sui risultati. Conducenti, manutentori e responsabili dell’esercizio conoscono vincoli che possono non essere rappresentati nei dati. Coinvolgerli permette di verificare se una raccomandazione è applicabile e di riconoscere errori ricorrenti.

Un altro tema è la relazione tra efficienza e sostenibilità. Un servizio più conveniente può aumentare la domanda di spostamenti; un veicolo condiviso può sostituire un’auto privata oppure una tratta prima percorsa a piedi o in autobus. Il bilancio ambientale va quindi valutato sul sistema di mobilità, includendo spostamenti a vuoto ed effetti sulle altre modalità.

Per amministrazioni e imprese, resta infine il tema della continuità del servizio: disponibilità dei dati, capacità di esportarli, assistenza, aggiornamenti e possibilità di cambiare fornitore sono elementi contrattuali che incidono sul valore dell’investimento.

Dove si crea valore nella mobilità intelligente

I casi italiani ed europei descrivono una trasformazione che attraversa l’intero servizio di mobilità: conoscenza della domanda, impiego dei mezzi, manutenzione, gestione dell’infrastruttura e relazione con il viaggiatore.

L’intelligenza artificiale crea valore quando una previsione modifica una decisione e quella decisione produce un beneficio verificabile. Per un operatore può significare un mezzo disponibile in più; per una città, un intervento manutentivo meglio indirizzato; per un passeggero, un viaggio più affidabile.

La competizione riguarda quindi la capacità di collegare tecnologia, dati e organizzazione. Gli algoritmi sono una componente di questa capacità. Le imprese che riescono a integrarli nei processi e a dimostrarne il risultato possono costruire servizi continuativi e ricavi sostenibili. Per la mobilità italiana, è questo il passaggio che porta una sperimentazione a diventare un’infrastruttura di servizio.