Introduzione
Secondo l’International Telecommunication Union (ITU), l’intelligenza artificiale, i digital twin e i sistemi agentici stanno portando la gestione urbana verso modelli sempre più autonomi. Questo passaggio richiede reti resilienti, dati affidabili e la capacità di coordinare servizi e infrastrutture in tempo reale.
Il ruolo dell’AI nella gestione quotidiana delle città
L’AI sta uscendo dalla fase dei progetti sperimentali per entrare nella gestione quotidiana di ambiti cruciali: pianificazione urbana, mobilità, infrastrutture, energia, servizi pubblici e risposta alle emergenze. Gli algoritmi analizzano quantità crescenti di dati e li trasformano in decisioni operative, permettendo alle amministrazioni di reagire in maniera più rapida ed efficace.
Ambiti di applicazione
- Pianificazione urbana: simulazioni predittive per l’uso del suolo.
- Mobilità: ottimizzazione del traffico, gestione di flotte di veicoli elettrici.
- Energia: bilanciamento della domanda e dell’offerta nelle reti intelligenti.
- Servizi pubblici: manutenzione predittiva di infrastrutture, gestione dei rifiuti.
- Emergenze: rilevamento precoce di eventi critici e coordinamento delle risposte.
Integrazione con digital twin, IoT e architetture cloud
L’AI diventa realmente potente quando dialoga con applicazioni, reti, sensori, piattaforme e digital twin. Queste rappresentazioni digitali dinamiche di edifici, infrastrutture o intere aree urbane sono alimentate da dati provenienti dal mondo fisico, grazie all’Internet of Things, al cloud, all’edge computing e a reti di comunicazione sempre più capillari.
Standard ITU e il nuovo Focus Group
L’ITU ha pubblicato nel luglio 2026 la guida Autonomous cities and AI: The next frontier of urban transformation, nell’ambito dell’iniziativa United for Smart Sustainable Cities (U4SSC). Il documento analizza la convergenza tra AI, sistemi autonomi, digital twin, IoT, robotica e connettività avanzata, descrivendo l’evoluzione verso ambienti urbani capaci di rilevare condizioni, apprendere dai dati, formulare previsioni e gestire progressivamente alcuni servizi con un livello crescente di automazione.
Il focus group AI for Smart Sustainable Cities and Communities è stato co-presieduto da Ramy Ahmed Fathy, Chief of International Cybersecurity della National Telecom Regulatory Authority egiziana, e da Jun Seob Lee, membro dell’Electronics and Telecommunications Research Institute della Corea del Sud. Entrambi sottolineano che l’AI può migliorare l’analisi di dati complessi, rendere più efficienti i servizi pubblici, ottimizzare le infrastrutture e aiutare le città ad affrontare problemi ambientali e sociali.
Interoperabilità: il requisito cruciale
Il salto rispetto alla prima generazione di smart city riguarda soprattutto il livello di integrazione. In passato molte amministrazioni hanno sviluppato progetti isolati – sistemi intelligenti per il traffico, illuminazione connessa, sensoristica ambientale, piattaforme per la gestione dei rifiuti, videosorveglianza, servizi digitali per i cittadini. L’AI introduce la possibilità di collegare queste fonti informative, prevedere eventi, adattare i servizi e coordinare processi in tempo reale.
Per Fathy e Lee, l’interoperabilità è il requisito fondamentale per superare la frammentazione. Un panorama di piattaforme differenti per mobilità, energia, sicurezza, ambiente, servizi amministrativi e gestione delle infrastrutture rischia di diventare costoso e complesso se non esistono modelli dati, interfacce e procedure comuni.
Principali sfide di interoperabilità
- Definizione di API standardizzate per lo scambio sicuro dei dati.
- Garanzia di qualità e coerenza dei dataset provenienti da sensori eterogenei.
- Implementazione di architetture aperte che consentano l’aggiunta di nuovi fornitori senza lock‑in.
- Gestione della sovranità dei dati e rispetto delle normative sulla privacy.
- Creazione di meccanismi di governance condivisi tra enti pubblici e privati.
Qualità dei dati e responsabilità
Un sistema urbano basato sull’AI dipende dalla disponibilità di informazioni affidabili. Sensori difettosi, dati incompleti, dataset non aggiornati o raccolti con criteri incompatibili possono ridurre la qualità delle decisioni prodotte dagli algoritmi.
Fathy e Lee evidenziano una serie di questioni che le città dovranno affrontare: qualità e disponibilità dei dati, trasparenza, accountability, bias, accessibilità e affidabilità dei sistemi su larga scala. A queste si aggiungono le competenze necessarie, la capacità istituzionale delle amministrazioni, gli investimenti richiesti e le differenze territoriali nell’accesso alle tecnologie e agli specialisti.
Responsabilità e verifica dei sistemi autonomi
Quando un algoritmo regola il traffico, orienta interventi di sicurezza, gestisce infrastrutture critiche o definisce priorità nell’erogazione di servizi pubblici, la possibilità di verificare il funzionamento dei sistemi diventa cruciale. È necessario sapere quali informazioni sono state utilizzate, come vengono trattate, quali sistemi hanno partecipato a una decisione e dove rimane necessario l’intervento umano.
Meccanismi di tracciabilità, audit e spiegabilità (explainable AI) devono essere integrati fin dalle fasi di progettazione, per garantire che le decisioni automatizzate siano comprensibili e contestabili.
Attività di pre‑standardizzazione e prossimi passi
Nel febbraio 2026 l’ITU ha pubblicato un rapporto U4SSC dedicato alle piattaforme decentralizzate per le smart city, affrontando requisiti relativi a dati, API e architetture scalabili, includendo temi come sovranità dei dati, interoperabilità e governance.
Nel maggio 2026 lo ITU‑T Study Group 20, focalizzato su