Dal workshop “L’intelligenza artificiale nella progettazione e realizzazione delle grandi opere infrastrutturali” svoltosi l’8 luglio 2026 al Politecnico di Torino (PoliTo), organizzato dalla Fondazione ENIa, sono emersi concordi alcuni nodi fondamentali riguardanti l’utilizzo dell’AI nella costruzione, progettazione e gestione di grandi infrastrutture. Sebbene l’intelligenza artificiale sia entrata nel gergo tecnico delle grandi opere come una promessa di efficienza, controllo e capacità predittiva, le questioni chiave che il confronto ha evidenziato mostrano che l’applicazione dell’AI in contesti infrastrutturali è estremamente complessa e non può ridursi semplicemente alla velocità di calcolo.
Il primo nodo: la qualità del dato
Uno dei temi ricorrenti lungo tutto il dibattito è stato la distanza tra raccolta di dati e trasformazione di questi in informazioni usabili. Nei grandi cantieri infrastrutturali, si accumulano grandi volumi di dati da sorgenti diverse: sensori, rilievi geotecnici, modelli di simulazione BIM o monitoraggi strutturali. Tuttavia, il confronto ha messo in luce che l’abbondanza non è di per sé vantaggio, a meno che non venga gestita una strategia chiara per la qualità, la continuità, la proprietà e l’interpretabilità del dato.
I partecipanti hanno sottolineato che un dato grezzo non ha valore fino a che non è contestualizzato, analizzato e validato. La trasformazione che permette il passaggio da dato a informazione richiede giudizio tecnico, una capacità che non può essere totalmente delegata agli algoritmi. Il ruolo dell’AI in questo contesto è quindi quello di velocizzare l’analisi, ma non di sostituire l’esperienza umana.
Il problema della responsabilità a lungo termine
Un altro problema significativo emerso, che va al di là della sola tecnologia, è la gestione del dato lungo orizzonti temporali decennali. Le opere infrastrutturali vivono in un contesto di appalti multipli e cambiamenti tecnologici e industriali. Chi garantisce che un modello predittivo, alimentato oggi con dati provenienti da operatori che domani potrebbero non esistere, resti affidabile tra venti anni?
Questo non è un problema di capacità informatica, bensì un problema di governance. La filiera infrastrutturale deve oggi affrontare, per la prima volta in modo strutturato, la prospettiva di una lunga vita operativa, dove la trasparenza del dato e la sua tracciabilità sono chiavi per la gestione del rischio a livello di progetto.
Chi possiede il dato?
Un’altra area di conflitto emersa riguarda la proprietà dei dati generati nel contesto delle grandi opere. Chi li produce? Chi li gestisce? Chi ne assume la responsabilità legalmente? Il dibattito ha evidenziato che non esiste una risposta semplice, e che la diversità tra i soggetti — produttori e consumatori — genera potenziali rischi di ambiguità normativa.
La distinzione tra chi produce e chi gestisce il dato, se non opportunamente regolata, potrebbe diventare una frattura strutturale per l’industria delle infrastrutture. La filiera, in questa fase, non ha ancora sviluppato i meccanismi di proprietà, accesso o protezione del dato in modo sistematico.
Il ruolo dell’uomo: “human in the loop”
Il ruolo dell’uomo nel ciclo decisionale ha rappresentato un nodo centrale della discussione. L’espressione “human in the loop” è ormai ritenuta quasi obbligatoria nel settore dell’AI applicata. I partecipanti hanno espresso chiaramente che, nell’ambito dell’ingegneria infrastrutturale, il giudizio umano non può essere bypassato. L’algoritmo serve a suggerire, ma la decisione definitiva deve essere presa dall’uomo.
Questo dualismo tra sistema algoritmico e decisione umana non è una forma di inadeguatezza, ma una logica necessaria in contesti dove l’errore può generare conseguenze gravi. I processi operativi, che spesso si sviluppano in contesti multinazionali o regolamentari diversi, richiedono figure umane in grado di interpretare la cultura locale, l’ambiente operativo e i vincoli normativi.
La competenza umana: un valore immutabile
Un’altra voce del dibattito ha sottolineato un elemento critico: alcune competenze umane sono irrisolvibili tecnologicamente. I partecipanti hanno posto la seguente domanda: dove, concretamente, si misura il vantaggio competitivo che l’AI dovrebbe portare? Il settore delle costruzioni ha margini storici ridotti, e qualsiasi investimento deve produrre un ritorno evidente.
La metafora dell’AI come esoscheletro è stata citata più volte: uno strumento che amplifica quanto il soggetto umano decide. L’esoscheletro non pensa, non giudica: se il giudizio iniziale è errato, il risultato sarà anch’esso errato. Quindi, il rischio principale non sta nemmeno nel sistema AI, ma nelle ipotesi che guida il funzionamento algoritmico.
Le competenze per governare l’AI nei cantieri
La costruzione di competenze interne per governare l’AI nei cantieri è un punto chiave. La strada non è solo tecnologica, ma anche organizzativa. Molti partecipanti hanno sottolineato l’importanza di investire in figure interne specializzate, non solo per l’implementazione occasionale, ma per una gestione continua e proattiva dell’innovazione.
Si parla di percorsi formativi interni, di creazione di academy aziendali, di digitalizzazione non come componente esterna, ma strutturale. L’AI non è uno strumento esterno: è diventata parte integrante del processo produttivo, non importa che si stia parlando di TBM, di logistica, di gemelli digitali viventi che accompagnano l’esecuzione fisica.
Il paradosso della generazione
Un aspetto complesso, ma importante, riguarda il passaggio generazionale. La figura del giovane esperto in AI, ma sprovvista di esperienza pratica, coesiste con quella di ingegneri maturi, con anni di esperienza ma a volte non tanto tecnologiche. Questo paradosso genera una situazione in cui il trasferimento di competenze non fluisce più in un'unica direzione.
La sfida non è solo tecnico-digitale, ma organizzativa. Il trasferimento reciproco di conoscenza non va percepito come una risorsa secondaria. In settori dove la responsabilità tecnico-professionale è personale, il ricambio generazionale deve essere gestito con attenzione, per evitare che l’esperienza vada persa e il nuovo non si scontri con l’ingnoranza.
Applicazioni concrete: dove l’AI esiste già
Nonostante i nodi appena elencati, sono stati presentati esempi di utilizzo concre