Data pubblicazione
5 maggio 2026
Autori
Giuseppe Costantino
Giulia Cascone
Niccolò Silvestri
Fabiola Filardo
Topic
Mobility & TransportationTre vettori di trasformazione digitale nei trasporti
Tre vettori di trasformazione digitale nei trasporti
Data di pubblicazione
5 maggio 2026
Autori
Giuseppe Costantino
Giulia Cascone
Niccolò Silvestri
Fabiola Filardo
Topic
Mobility & TransportationNel settore della mobilità è possibile individuare tre principali direttrici di cambiamento, in cui l’AI e la digitalizzazione intervengono in modo diretto, con livelli di maturità e avanzamento eterogenei.
La prima riguarda il passaggio dal biglietto alla relazione di viaggio. I modelli di invisible ticketing con modelli come tap & go, check-in/check-out, Be In-Be Out automatico che sostituiscono il titolo fisico e rappresentano non sono solo un'evoluzione dell'esperienza utente ma modificano il modo in cui operatore e passeggero interagiscono. Si passa da una logica basata su singole transazioni (acquisto e validazione del titolo di viaggio, spesso anonima) a un’interazione continua lungo tutto il viaggio, abilitata da sistemi digitali come informazione in tempo reale, piattaforme integrate e modelli di bigliettazione account-based. Questo consente di intervenire in modo diretto sulle principali barriere all’utilizzo del TPL: accesso all’informazione, comprensione dell’offerta, acquisto e utilizzo dei titoli di viaggio.
La seconda direttrice riguarda l’introduzione di sistemi di supporto alle decisioni data-driven. Rientrano in questo ambito l’integrazione di fonti dati eterogenee (traffico, eventi, meteo), l’utilizzo di modelli predittivi per la domanda e per la manutenzione delle infrastrutture, e lo sviluppo di digital twin per la simulazione e il monitoraggio del sistema. Si tratta di applicazioni tecnicamente già disponibili. La Commissione Europea, nell’ambito della Sustainable and Smart Mobility Strategy, individua esplicitamente l’AI predittiva e i sistemi V2X come leve ad alto potenziale di scalabilità, con particolare riferimento alla gestione del traffico multimodale e all’ottimizzazione delle flotte. Il nodo, tuttavia, non riguarda la disponibilità degli strumenti, ma la loro integrazione nei processi decisionali. Un modello che anticipa un picco di domanda con un certo anticipo temporale genera valore solo se esistono procedure e responsabilità in grado di tradurre quell’informazione in azioni operative, ad esempio la riallocazione dinamica delle risorse o l’adattamento del servizio.
La terza direttrice è l’accessibilità e l’inclusività come requisiti strutturali del sistema di trasporto. Nel TPL, l’accessibilità è una proprietà si articola su più dimensioni come accessibilità fisica (infrastrutture e veicoli), accessibilità spaziale (copertura e prossimità del servizio), accessibilità economica (struttura tariffaria) e accessibilità informativa e cognitiva (comprensione e utilizzo del sistema).In questo quadro, le tecnologie digitali intervengono prevalentemente sulla componente informativa e di accesso al servizio: qualità e disponibilità dell’informazione, semplicità dei canali di accesso, integrazione dei titoli di viaggio e supporto all’utilizzo lungo tutte le fasi del viaggio. Tuttavia, l’accessibilità complessiva dipende dalla coerenza tra tutte le dimensioni: infrastruttura, offerta di servizio, struttura tariffaria e sistemi informativi. Interventi isolati su una singola componente hanno effetti limitati se non inseriti in una logica di sistema. In questo contesto, l’inclusione non può essere trattata come un’estensione funzionale: deve essere incorporata ex-ante nella progettazione del sistema, nelle sue componenti fisiche, operative e digitali.
Dalla sperimentazione all'operatività: le strettoie dell'AI nella mobilità pubblica
Il settore della mobilità pubblica ha avviato percorsi di adozione dell'intelligenza artificiale in modo progressivo e, spesso, selettivo. Strumenti ci sono, competenze crescono, budget vengono allocati. Eppure, la distanza tra ciò che l'AI potrebbe fare e ciò che effettivamente produce nei sistemi di trasporto reali rimane significativa. I dati lo confermano: secondo l'OCSE, tra il 2021 e il 2024 il tasso di adozione dell'AI nel settore trasporti nell'UE è salito dal 5,2% all'8,1%, restando comunque al di sotto della media dell'economia nel suo complesso, che si attesta intorno al 13%. Il quadro è reso ancora più disomogeneo da un profilo di intensità AI che il report dell'International Transport Forum del 2025 definisce "altamente irregolare": il settore si colloca nel quartile superiore per AI innovation trainata da investimenti e brevetti nei sistemi di trasporto intelligente ma nel quartile inferiore sia per diffusione che per esposizione all'AI nelle mansioni operative. Un divario che tende ad accentuarsi ulteriormente tra soggetti pubblici e privati, e tra contesti geografici diversi.
Le spiegazioni più frequenti puntano ai sistemi legacy, alla frammentazione dei dati, ai vincoli normativi. Tutte condizioni concrete, che pesano davvero: lo stesso report ITF segnala che la prevalenza di applicazioni safety-critical nel trasporto, e una regolamentazione di sicurezza che non è ancora stata adeguata all'AI, rappresenta uno dei freni strutturali più rilevanti all'adozione. Ma intorno a esse si è sedimentata una questione meno visibile, e forse più determinante.
La questione è organizzativa. Le amministrazioni pubbliche e gli operatori di trasporto sono strutture progettate per gestire reti fisiche attraverso processi di pianificazione, programmazione ed esercizio fortemente strutturati, articolati su diversi livelli decisionali: pianificazione strategica, tattica e gestione operativa. Questi processi si caratterizzano per aggiornamenti periodici, forte formalizzazione (contratti, livelli di servizio, vincoli regolatori) e integrazione tra più attori. La variabilità è gestita entro schemi predefiniti, con margini di adattamento limitati nel breve periodo.
L’introduzione dell’intelligenza artificiale operativa si colloca su un piano diverso. Non si tratta solo di testare strumenti sperimentali o dimostrativi, ma di adottare sistemi che incidono direttamente sui processi Core. L’AI che genera valore non è quella da prototipo: è quella che entra nei processi operativi e li modifica.
Non si introducono semplicemente nuovi strumenti, ma si modificano i processi. Gli output sono di natura probabilistica e richiedono interpretazione all’interno del processo operativo; i modelli devono essere continuamente aggiornati e ricalibrati; e una parte delle decisioni si sposta dalla pianificazione ex-ante alla gestione in esercizio, in funzione delle condizioni di esercizio, dei livelli di servizio e delle variazioni di domanda rilevate nel sistema. L’ITF osserva che molti dei primi deployment di AI nel settore pubblico tendono a essere solution-driven, concentrati sul “come funziona lo strumento” piuttosto che sull’outcome che si vuole ottenere. Una distinzione chiave che riflette un livello di maturità organizzativa che non si acquisisce adottando una tecnologia, ma adattando i processi decisionali che quella tecnologia deve supportare.
Colli di bottiglia: governance, processi decisionali e gestione del rischio
Le domande che emergono più spesso quando si analizzano i processi di adozione dell'AI nella mobilità pubblica non vertono su algoritmi o architetture. Riguardano governance e processi: chi ha il mandato di sperimentare? Come si gestisce l'errore in un settore dove la fallibilità ha costi visibili? Come si costruisce fiducia interna verso sistemi i cui output non sono sempre immediatamente interpretabili?
Il framework che l'ITF propone alle autorità di trasporto articola l'adozione dell'AI in quattro fasi sequenziali: definizione dello scope, selezione, implementazione, valutazione. Ogni fase richiede criteri distinti di idoneità operativa, comprensione interna del sistema e coerenza con i valori pubblici. Non è un percorso tecnico: è un percorso di governance. E la condizione di partenza che il report identifica come più critica non è la disponibilità della tecnologia, ma l'organizational readiness: la presenza di strutture di governance dedicate, personale formato, processi aggiornati. In assenza di questi elementi, il report raccomanda esplicitamente di non procedere con il deployment.
La tecnologia, nella maggior parte dei casi, non è il fattore critico. Le piattaforme di analisi della domanda esistono, i sistemi predittivi per la gestione delle flotte sono disponibili, le API per l'integrazione multimodale si costruiscono. Il nodo si sposta a monte: nella capacità di definire un caso d'uso operativo concreto, nell'abilità di allocare risorse su interventi i cui benefici maturano nel tempo, nella disponibilità a sviluppare competenze interne che rendano i sistemi governabili dall'interno. Il report OCSE sull'implementazione del Piano Coordinato UE sull'AI segnala che la concentrazione di competenze AI nel settore trasporti, pur in crescita, rimane tra le più basse rispetto agli altri comparti dell'economia europea: un dato che vale più di molte analisi qualitative sul tema.
Su questo piano la variabile non è la natura pubblica o privata del soggetto. Alcune agenzie pubbliche hanno costruito capacità analitiche interne solide e autonome. Alcuni operatori privati hanno investito in tecnologia senza investire parallelamente nelle competenze per usarla. La differenza rilevante è se esiste o meno una strategia deliberata di sviluppo della competenza, trattata con la stessa serietà con cui si affrontano gli investimenti infrastrutturali. L'ITF identifica in questo ambito cinque livelli distinti di AI literacy organizzativa, dalla semplice consapevolezza cognitiva degli strumenti fino alla capacità di progettare e valutare sistemi AI in autonomia: la distanza tra il primo e l'ultimo livello misura esattamente il gap che separa le organizzazioni che subiscono l'AI da quelle che la governano.
Prioritizzazione strategica come indicatore di maturità organizzativa
C'è una domanda che aiuta a fare chiarezza sulla reale maturità di un'organizzazione rispetto all'AI: se si potesse implementare una sola applicazione nei prossimi dodici mesi, quale produrrebbe il maggiore impatto nel contesto operativo specifico?
Non è una domanda tecnica. È una domanda strategica: richiede una visione chiara delle priorità operative, una stima realistica della capacità di esecuzione, una definizione del valore che si vuole generare, per i passeggeri, per il sistema, per l'organizzazione stessa. Il report ITF la formalizza come AI Fit Assessment: un processo in quattro criteri che valuta la base di evidenza disponibile, la qualità del dato, la prontezza organizzativa e la gestione del rischio. Rispondere a quei criteri con precisione è già, di per sé, un indicatore di maturità. E l'indicazione che emerge con più chiarezza dalla ricerca internazionale è coerente con questa lettura: provare su scala ridotta, in condizioni controllate, su casi d'uso ben definiti. Non aspettare le condizioni perfette, ma non procedere senza una governance adeguata.
La mobilità del futuro non sarà definita dalla quantità di tecnologia adottata, ma dalla capacità di usarla in modo che produca valore reale per chi si muove. E questa capacità si costruisce oggi, non solo in termini di infrastrutture, ma di competenze, processi e cultura organizzativa.