Raccogliere dati non basta più. La sfida reale — emersa con forza dal tavolo SMA — è trasformare le informazioni in decisioni operative in tempi compatibili con la vita reale delle infrastrutture. E questo richiede governance, metrologia e una cultura organizzativa che ancora manca.
Nel 2024, l’Italia ha disperso 320 gigawattora di energia eolica semplicemente perché la rete non era in grado di assorbirli in quel momento. Le turbine sono state fermate. Un volume energetico equivalente al consumo annuale di decine di migliaia di abitazioni è stato sprecato per assenza di un sistema di stoccaggio adeguato. Questo dato — portato al tavolo SMA del 16 aprile dal professor Marco Torresi, ordinario al Politecnico di Bari e membro del Comitato Scientifico di NEST — non riguarda solo la transizione energetica. Riguarda la governance dei sistemi complessi: la capacità di leggere dati in tempo reale, anticipare disallineamenti tra offerta e domanda, e intervenire prima che il problema si manifesti come emergenza.
La stessa logica si applica alla mobilità. Il sistema di trasporto lombardo produce ogni giorno volumi enormi di dati — posizioni GPS, contapasseggeri, accessi alle ZTL, pedaggi autostradali, prenotazioni di piattaforme turistiche, segnalazioni di avaria, tempi di percorrenza — che vengono raccolti, conservati, a volte analizzati, raramente integrati e quasi mai trasformati in decisioni operative in tempo utile. «Il problema oggi non è la capacità di raccogliere grandi moli di dati», ha detto Andrea Martignano, «oggi tutte le aziende sono in grado tramite software, interventi tecnologici, intelligenza artificiale, di raccogliere moli di dati incredibili. Il tema è che l’elaborazione di questo dato collassa e rimane nel soggetto che la raccoglie».
“Dieci anni fa si faceva un tavolo per convincere dell’utilità dei dati. Oggi il problema non è questo. Il problema è passare da una decisione in sei mesi a una decisione in un giorno.”
La diagnosi di Daniele Mancuso, ingegnere dei trasporti e fondatore di Go Mobility, è più radicale. L’imprenditore — che ha collaborato alla costruzione del sistema Darwin di Trenord — ha scelto di mettere sul tavolo una provocazione: «sono convinto che sto per sparire». L’intelligenza artificiale sta selezionando i partner di settore, ha detto, e chi non si adatta non sopravvive. Ma la sopravvivenza non passa dall’accumulo di dati: passa dalla velocità della decisione. «L’obiettivo deve essere quello di mettere in condizione i nostri clienti di avere un sistema di data intelligence che consenta di prendere una decisione in un giorno. Poi se non è un giorno sono tre. Ma l’obiettivo deve essere quello, perché spesso abbiamo lavorato tre, quattro mesi per valutare l’effetto di un intervento di un mese: questa cosa è insostenibile».
Darwin e la Lombardia come laboratorio
Il progetto Darwin di Trenord è, in questo contesto, uno dei casi più avanzati di governance dei dati di mobilità in Italia. Giovanni Chiodi, che ne ha illustrato la genesi e gli sviluppi, ha raccontato un processo durato quasi un anno di acquisizione e integrazione di fonti eterogenee: dati di vendita interni, sensori contapasseggeri, monitoraggio della puntualità, accessi alle ZTL, pedaggi di Serravalle e di Autostrade per l’Italia, orari del trasporto pubblico su gomma ricostruiti a partire dai PUMS comunali — «molti dati, anche banali, come quelli del trasporto pubblico su gomma, non sono fruibili oggi: sono su file PDF sui siti delle aziende, ma non hanno quella versione digitale che permetterebbe di alimentare i modelli di simulazione».
Il sistema così costruito ha consentito di modellare la Lombardia della mobilità in modo nuovo: non i confini amministrativi, ma quelli funzionali. La Lombardia di Trenord include tutti i Comuni entro la fascia servita dalla rete ferroviaria, più un buffer di 30 chilometri oltre i confini regionali, più i territori delle province e delle regioni che gravitano sul sistema lombardo. «Tutto questo insieme ha generato i numeri che alimentano il modello», ha detto Chiodi, con uno scopo preciso: simulare scenari, valutare l’impatto di nuove infrastrutture o di politiche di demand management, e pianificare l’offerta di servizi in modo predittivo.
«Nonostante il 23% di milioni di chilometri in più che faremo all’anno, la nostra quota modale è rimasta inchiodata al 4,7%. Questo ci dice che il treno ha una sua specificità che forse va rivista in funzione dei cambiamenti che la mobilità sta subendo.»
— Giovanni Chiodi, Trenord
Il dato più sorprendente — e forse più politicamente rilevante — emerso dalle simulazioni di Darwin riguarda la quota modale di Trenord in uno scenario decennale di sviluppo infrastrutturale. Nonostante un’espansione del 23% dell’offerta ferroviaria programmata entro il 2032, e nonostante la realizzazione di nuovi collegamenti e politiche restrittive sull’uso dell’auto privata nell’area centrale di Milano, la quota del treno sulla mobilità complessiva rimane ferma al 4,7%. «Questo ci porta a delle riflessioni», ha detto Chiodi: «il modello di sviluppo e la pianificazione del trasporto ferroviario che abbiamo disegnato nel 2019 nel 2032 è adeguata? O dobbiamo trovare dei momenti di verifica e aggiornamento?»
Il problema della qualità del dato
Francesco Inguscio, imprenditore con esperienza pluridecennale nell’innovazione applicata alla mobilità, ha indicato uno dei nodi tecnici più sottovalutati nel dibattito: «gli ecosistemi sono ancora frammentati a silos. Molti player non comunicano ancora con tutti i dati, e bisogna ancora fare dei layer di integrazione. C’è un forte gap sulla data quality, sulla governance e sulle competenze multidisciplinari».
L’ingegnere Carmelo Giannicelli, presidente della Commissione Metrologia dell’Ordine degli Ingegneri di Milano, ha introdotto al tavolo una prospettiva tecnica che raramente trova spazio nelle discussioni sulla smart mobility: la qualità metrologica del dato. Non è sufficiente che un sensore produca un numero: quel numero deve essere accompagnato dall’intervallo di confidenza, deve essere riferibile a uno standard condiviso, e deve mantenere la propria affidabilità nel tempo. Ha citato due casi storici per illustrare cosa accade quando i dati non parlano la stessa lingua: la nave svedese Vasa, affondata nel 1600 perché costruita con due sistemi di misura incompatibili, e il satellite della NASA andato distrutto su Marte nel 1999 per la coesistenza di software che usavano il sistema internazionale e quello anglosassone. «Se quello che facciamo ad oggi non subirà un approccio metrologico, avremo dei grossi problemi quando andremo a dimensionare le strade per le velocità: avremo dei risultati totalmente errati».
“Chi conosce perfettamente le proprie infrastrutture, hardware e software? Di fronte a questa domanda, cala il silenzio. Non conosciamo noi stessi.”
A questa vulnerabilità tecnica si affianca quella sistemica descritta da Federica Rivelli, esperta di cybersecurity. Un dato corrotto o compromesso non è solo un errore: può diventare un’arma. Il 2025 è stato «l’anno peggiore dal punto di vista dei cyberattacchi» alle infrastrutture critiche, ha ricordato citando i dati del Rapporto Clusit. L’interruzione dei sistemi di biglietteria delle ferrovie italiane a fine 2025, l’attacco all’infrastruttura di regolazione dell’acqua a Venezia: sono esempi di come la convergenza tra sistemi IT e sistemi operativi — sensori IoT, reti di controllo, database di mobilità — crei superfici di attacco che vanno presidiate con la stessa attenzione riservata alle infrastrutture fisiche. «Un dato corrotto può essere manipolato e utilizzato contro le stesse infrastrutture della mobilità», ha detto Rivelli. E la normativa europea — NIS2, IEC 62443, Cyber Resilience Act — sta rapidamente trasformando questi obblighi da consigliabili a cogenti.
ISTAT e la statistica ufficiale come infrastruttura di policy
Il contributo del direttore generale dell’ISTAT Michele Camisasca — intervenuto in collegamento da Napoli — ha spostato il fuoco dalla dimensione aziendale a quella istituzionale. La statistica ufficiale non è un archivio passivo: è uno strumento di orientamento delle politiche pubbliche. E il progetto su cui l’Istituto sta lavorando — un indice sintetico di mobilità urbana sostenibile che integra cinque domini: motorizzazione privata, trasporto pubblico locale, mobilità attiva e sharing, dati ambientali e incidentalità stradale — è esattamente il tipo di framework che permette di confrontare le performance delle città nel tempo e di identificare dove intervenire.
Il ranking sintetico prodotto dall’ISTAT conferma una geografia che è anche una fotografia politica: le città del nord emergono sistematicamente. Venezia, Bologna e Milano figurano tra le prime cinque. Ma la mera posizione in classifica non è l’obiettivo: «l’obiettivo del dato ISTAT è stimolare nuove policy e capire verso dove si sta andando». Camisasca ha annunciato la disponibilità a coinvolgere l’ufficio territoriale dell’Istituto — presente a Milano in una sede prossima alla Camera di Commercio — in un rapporto strutturato con i decisori locali, per fornire quell’indirizzo quantitativo alle scelte di governance della mobilità regionale che oggi manca.
Intelligenza artificiale: strumento, non obiettivo
Il tema dell’intelligenza artificiale è stato presente in modo trasversale in quasi tutti gli interventi, ma con una cautela insolita rispetto al dibattito pubblico dominante: nessuno l’ha indicata come la soluzione. Amazon la usa per anticipare la domanda e ottimizzare la catena logistica — il sistema STOC trasforma l’analisi dei dati «in un’intelligenza artificiale predittiva che ci permette di decidere puntualmente quali merci comprare, dove stoccarle, come distribuirle». Trenord la usa per costruire scenari di simulazione della domanda. Milano Serravalle la sta integrando nella gestione predittiva delle tangenziali. Ma Martignano ha messo in guardia dall’entusiasmo acritico: «ci sono situazioni dove l’IA non serve e in alcuni casi è anche dannosa — pensate al tema del trattamento dei dati riservati. Tre realtà al mondo producono algoritmi utili dell’intelligenza artificiale: a noi alcune aziende consigliamo di utilizzare strumenti meno potenti ma in locale».
Il take-away più netto lo ha formulato Inguscio: «il vantaggio competitivo sarà sempre di più prevedere, orchestrare, non solo osservare. E i vincitori saranno chi integrerà dati, intelligenza artificiale, infrastrutture e capacità di execution pubblica e privata». La parola chiave è «execution». I dati ci sono, gli algoritmi esistono, le piattaforme di integrazione sono tecnicamente costruibili. Ciò che manca — e che tavoli come quello di SMA cercano di costruire — è la struttura di governance che trasforma questa disponibilità in decisione e la decisione in azione. In un giorno, non in sei mesi.
