L'intelligenza artificiale applicata alle infrastrutture è uno strato cognitivo che legge e collega capitolati, relazioni, modelli di calcolo, schede di ispezione e dati di monitoraggio lungo il ciclo di vita dell'opera. Risolve la frammentazione informativa: segnala parametri discordanti fra revisioni e ricostruisce la storia di ponti e gallerie con archivi lacunosi. Si applica a progettazione, classificazione del rischio (D.M. 204/2022) e manutenzione, con un'adozione in quattro livelli. INGENIO pubblica l'analisi di Marano e Chiaia (Politecnico di Torino), con limiti attuali e obblighi di AI Act e legge 132/2025.

L’intelligenza artificiale può trasformare la filiera delle infrastrutture perché opera in modo trasversale rispetto alle singole applicazioni: progettazione, analisi dei rischi, diagnostica, consolidamento, manutenzione e adempimenti normativi.

Può leggere e mettere in relazione capitolati, relazioni, elaborati grafici, modelli di calcolo, schede di ispezione, dati di monitoraggio e corrispondenza, mantenendo la continuità informativa lungo l’intero ciclo di vita dell’opera.

Il valore principale non risiede nell’automazione di un singolo calcolo, ma nella capacità di costruire una memoria tecnica interrogabile, riconoscere incongruenze e anticipare criticità: un’esigenza particolarmente acuta per ponti, viadotti e gallerie esistenti, la cui storia documentale è spesso lacunosa.

Per ottenere questo risultato servono un’introduzione progressiva, dati organizzati, tracciabilità, consapevolezza dei limiti attuali della tecnologia e una responsabilità professionale chiaramente affidata all’uomo, come oggi richiede anche la legge.

Una discontinuità rispetto agli strumenti del passato

L’ingegneria civile ha già attraversato trasformazioni profonde. Il calcolo agli elementi finiti ha reso affrontabili modelli prima proibitivi. Il CAD ha sostituito e ampliato il disegno tradizionale. Il BIM ha organizzato oggetti, proprietà e relazioni all’interno di un modello informativo condiviso. In tutti questi casi, tuttavia, lo strumento ha occupato una funzione riconoscibile del processo: analizzare, disegnare, coordinare un modello.

L’intelligenza artificiale introduce una discontinuità diversa. Non coincide con una nuova stazione specialistica della filiera, ma può attraversarla per intero. Può assistere la lettura di una gara, la definizione dei requisiti, la pianificazione delle risorse, la progettazione, la verifica, la gestione delle varianti, la diagnostica, il monitoraggio, la manutenzione e la ricostruzione delle decisioni in caso di contenzioso. Per questo, in un Focus dedicato alle infrastrutture, non è un tema fra gli altri: tocca la progettazione, l’analisi dei rischi, la diagnostica, gli interventi di consolidamento e gli stessi adempimenti normativi. La sua funzione più promettente consiste nel collegare attività che oggi vengono svolte con strumenti separati e spesso restano affidate alla memoria delle singole persone.

Sarebbe quindi riduttivo misurarne l’impatto soltanto chiedendo se un algoritmo calcola meglio una sezione, riconosce una lesione o predice un indicatore di degrado.

Queste applicazioni sono importanti, ma descrivono singoli punti. Un sistema di AI può agire prima, durante e dopo ciascuna delle operazioni tradizionali: recupera le informazioni necessarie, mette in relazione risultati provenienti da ambienti differenti, controlla la coerenza delle revisioni e conserva la motivazione delle scelte.

Non sostituisce il FEM, il CAD o il BIM: li collega all’interno di un processo conoscitivo più ampio, e rende leggibile, in tempi compatibili con le decisioni, la complessità di una commessa o di un patrimonio infrastrutturale.

Il vero problema è tenere insieme l’intero processo

Un progetto infrastrutturale produce una quantità di informazioni che nessun professionista può esaminare simultaneamente nella sua interezza. Capitolati, norme, relazioni specialistiche, modelli numerici, tavole esecutive, computi, cronoprogrammi, verbali, richieste del committente e revisioni successive adottano linguaggi e formati differenti. Le singole verifiche possono anche essere relativamente semplici; la difficoltà nasce dal loro numero, dalle dipendenze reciproche e dalla continua evoluzione dei documenti.

Qui un sistema basato su modelli linguistici e strumenti multimodali può svolgere un compito nuovo: costruire una rappresentazione coerente della commessa.

Può estrarre requisiti da un capitolato, associarli ai relativi elaborati, segnalare un parametro discordante fra relazione e disegno, controllare che un’osservazione trovi risposta nella revisione successiva, confrontare l’avanzamento dichiarato con le ore consumate e ricostruire chi abbia assunto una decisione, quando e sulla base di quali elementi.

Il controllo opera sia in ingresso sia in uscita. In ingresso, l’AI riduce il tempo necessario a comprendere un insieme documentale molto esteso e richiama l’attenzione sui punti che richiedono giudizio.

In uscita, verifica completezza e coerenza dei prodotti prima della consegna: relazioni, tavole, tabelle, allegati e risposte alle osservazioni. L’obiettivo non è sostituire la validazione tecnica, ma concentrare il tempo dell’ingegnere sulle decisioni che richiedono competenza e comprensione del comportamento strutturale.

Si pensi a un viadotto per il quale la relazione geotecnica aggiorna un parametro del terreno, il modello strutturale continua a utilizzare il valore precedente e una tavola esecutiva recepisce soltanto in parte la modifica. Oggi l’incongruenza può emergere attraverso controlli manuali, spesso tardivi.

Un assistente cognitivo, collegato alle versioni autorizzate dei documenti, potrebbe ricostruire la catena delle dipendenze e segnalare quali elaborati risultano potenzialmente superati. Il vantaggio non deriva da un nuovo calcolo, ma dalla capacità di controllare simultaneamente molte relazioni fra contenuti eterogenei.

Un filo informativo lungo il ciclo di vita

La visione diventa più chiara se si considera l’intero ciclo di vita dell’infrastruttura. Nella fase iniziale, l’AI può leggere il bando, il disciplinare e i documenti tecnici, estrarre requisiti, scadenze e vincoli, confrontarli con commesse precedenti e predisporre una prima struttura dell’offerta e del piano di lavoro.

Durante la progettazione può mantenere una matrice aggiornata fra requisiti, ipotesi, verifiche ed elaborati. Nella costruzione può collegare varianti, ordini di servizio, controlli sui materiali e avanzamento. Durante l’esercizio può integrare ispezioni, monitoraggio e manutenzioni. In caso di contestazione può ricostruire la sequenza documentata delle decisioni.

Queste funzioni oggi esistono spesso come procedure separate. Il salto consiste nel farle convergere su una memoria comune, nella quale ogni informazione mantenga provenienza, versione, data e responsabile (Figura 1). Ogni fase dovrebbe poter utilizzare ciò che la precedente ha prodotto senza perdere il contesto; e quanto accade durante costruzione ed esercizio dovrebbe ritornare alla progettazione, migliorando ipotesi, dettagli costruttivi, criteri di durabilità e stime future.

Chi lavora in ambiente BIM riconoscerà in questa descrizione l’ambiente di condivisione dei dati previsto dalle UNI 11337 e dalla serie ISO 19650, che la gestione informativa digitale introdotta dal Codice dei contratti sta rendendo prassi negli appalti pubblici. La differenza è sostanziale.

L’ACDat conserva, versiona e autorizza i contenitori informativi, ma non ne legge il contenuto: sa che esiste la revisione C della relazione geotecnica, non che il parametro in essa riportato contraddice quello usato nel modello di calcolo.

L’AI lavora precisamente su questo secondo piano, e per farlo ha bisogno del primo: senza un ambiente documentale ordinato non saprebbe quale versione considerare valida.

In questa prospettiva anche il gemello digitale non è soltanto una rappresentazione geometrica o un modello aggiornato mediante sensori.

Diventa l’interfaccia di una storia tecnica più ampia: descrive lo stato dell’opera, ma permette anche di risalire alle ragioni per cui essa è stata configurata in un certo modo, alle modifiche subite e alle evidenze che sostengono una decisione manutentiva. L’AI può rendere interrogabile questa storia con il linguaggio naturale, purché le risposte rimangano ancorate ai documenti e ai dati validati.

LEGGI ANCHE Ponti “intelligenti”: l’IA accelera il model updating e apre al monitoraggio quasi in tempo reale

Il patrimonio esistente: dove la memoria manca

Per ponti, viadotti e gallerie esistenti il problema si presenta in forma rovesciata: non l’eccesso di documenti, ma la loro dispersione. Gran parte della rete italiana è stata costruita fra gli anni Cinquanta e Settanta; progetti originali, collaudi, varianti e interventi successivi sono spesso conservati in archivi cartacei, passati di mano fra gestori diversi, in parte perduti. Le Linee guida per la classificazione e gestione del rischio, la valutazione della sicurezza e il monitoraggio dei ponti esistenti (D.M. 204/2022), e quelle analoghe per le gallerie, hanno avviato un lavoro imponente di censimento, ispezione e classificazione, le cui scadenze per le reti degli enti locali arrivano fino alla fine del 2026 e i cui esiti alimentano l’AINOP. Ne deriva una massa di schede, fotografie, rapporti di prova e valutazioni prodotta da soggetti differenti, con linguaggi e livelli di dettaglio disomogenei.

È il terreno sul quale un assistente cognitivo offre il contributo più immediato. Può indicizzare gli archivi storici digitalizzati, riconoscere a quale opera e a quale campata si riferisce una tavola scansionata, estrarre dalle relazioni d’epoca materiali, schemi statici e norme di riferimento, collegare ogni difetto rilevato alle ispezioni precedenti e agli interventi già eseguiti. Negli interventi di adeguamento e consolidamento, dove il quadro conoscitivo nasce dall’integrazione di documenti storici, rilievi, prove sui materiali, ispezioni, modelli di calcolo e vincoli di esercizio, può evidenziare le lacune informative, distinguere ciò che è documentato da ciò che è assunto e aggiornare le valutazioni quando arriva un nuovo dato. Aiuta così a governare l’incertezza senza nasconderla dentro un indicatore sintetico.

Si consideri un viadotto a travi precompresse degli anni Sessanta del quale sopravvivano solo alcune tavole di carpenteria. La verifica accurata richiede di stabilire tracciato e consistenza dei cavi: l’informazione può trovarsi nella tavola d’archivio di un’opera gemella della stessa tratta, in un verbale di collaudo, in una campagna di indagini eseguita anni prima per un altro scopo. Nessuna di queste fonti risponde da sola; la loro connessione orienta il piano di indagini e limita le prove invasive a quelle realmente necessarie. Lo stesso vale per una galleria della quale si conosca lo spessore di progetto del rivestimento ma non quello reale, rilevato soltanto a tratti in campagne georadar successive.

C’è poi il tema degli indici. La classe di attenzione, che combina pericolosità, vulnerabilità ed esposizione rispetto ai rischi strutturale e fondazionale, sismico, idraulico e da frana, è uno strumento efficace per ordinare le priorità su migliaia di opere. Ma, come ogni indice aggregato, raramente spiega da solo l’origine del rischio. Due viadotti in classe medio-alta possono esserlo l’uno per i difetti agli appoggi sotto traffico pesante, l’altro per il possibile scalzamento delle pile: richiedono strategie, competenze e tempi diversi. Occorre poter scomporre l’indice nei fattori che lo determinano e seguirne l’evoluzione. L’AI può riconoscere combinazioni ricorrenti, proporre confronti con opere analoghe e segnalare quando più indizi deboli, considerati insieme (una lenta deriva in una serie di misure, una nuova fessura annotata a margine di una scheda, una variazione del regime idraulico), indicano una criticità emergente.

Per un gestore, ciò significa passare da una manutenzione guidata soprattutto da scadenze e classificazioni aggregate a una programmazione sostenuta da evidenze continuamente aggiornate, nella quale il contributo dei singoli fattori resta visibile e il decisore può comprendere perché due opere con un indice simile richiedano interventi differenti.

La memoria dell’organizzazione come vantaggio competitivo

Le società di ingegneria e i gestori possiedono già una grande quantità di esperienza, ma essa è dispersa in archivi documentali, cartelle di progetto, messaggi, fogli di calcolo e soprattutto nella memoria dei professionisti più esperti. Quando una commessa si chiude, una parte rilevante di ciò che è stato appreso non viene trasformata in conoscenza riutilizzabile. La commessa successiva riparte dai documenti disponibili, ma solo in parte dall’esperienza reale maturata.

Un sistema intelligente può chiudere questo ciclo. Tempi effettivi, revisioni, non conformità, richieste del cliente, cause dei ritardi, varianti, costi e risultati delle attività di manutenzione alimentano una memoria consultabile. La stima di una nuova commessa non dipende più soltanto dall’intuito del professionista anziano: può confrontarsi con casi analoghi, mostrare quali fattori hanno inciso sugli scostamenti e presentarsi non come numero deterministico, ma come previsione accompagnata da un intervallo di incertezza. L’esperienza non viene eliminata, ma resa esplicita, verificabile e trasferibile.

È improbabile che una singola organizzazione disponga fin dall’inizio di dati sufficienti per addestrare un modello specialistico, ma questo non impedisce di cominciare. Nella maggior parte dei casi è più realistico collegare un modello già disponibile a una base documentale controllata, mediante sistemi di ricerca e recupero delle fonti, e registrare progressivamente correzioni, decisioni ed esiti. La distinzione è decisiva: il modello linguistico generale offre capacità di comprensione e produzione del linguaggio e può essere acquistato come servizio; la competenza specifica risiede invece nei documenti, nelle classificazioni, nelle procedure e negli esiti delle commesse, e costituisce un patrimonio non replicabile. La priorità strategica non è “possedere il modello”, ma organizzare la conoscenza che il modello dovrà consultare.

Accumulo documentale e conoscenza, però, non sono la stessa cosa. Una cartella con migliaia di file non rappresenta ancora una memoria utilizzabile. Occorre riconoscere le versioni valide, collegare documenti e commesse, normalizzare almeno i metadati essenziali e stabilire quali contenuti abbiano valore contrattuale o tecnico. Senza questa base, anche il modello più potente può recuperare una relazione superata, confondere un esempio con una prescrizione o presentare come certo un dato soltanto ipotizzato.

Due regole discendono da qui.

La prima: le differenze fra documenti devono apparire come differenze. Se una resistenza caratteristica compare con valori diversi nella relazione, nel modello di calcolo e nella tavola, l’AI deve segnalare il conflitto e chiedere una decisione, non scegliere il valore più frequente.

La seconda: non tutti i dati hanno la stessa natura. Alcuni descrivono fatti osservati, altri derivano da modelli, altri ancora esprimono giudizi professionali o decisioni contrattuali. Un’architettura informativa matura conserva la differenza fra ciò che l’opera mostra, ciò che il modello prevede e ciò che il responsabile decide.

Che cosa funziona oggi, e che cosa non ancora

Una visione di questa ampiezza va accompagnata da un quadro onesto dello stato dell’arte. Oggi funzionano con affidabilità sufficiente all’uso professionale, sotto supervisione, la lettura e la sintesi di grandi insiemi di testi, l’estrazione di requisiti e scadenze, la ricerca di precedenti con rinvio alle fonti, il confronto fra revisioni di documenti testuali, la classificazione di archivi e la verbalizzazione di riunioni. Sono invece ancora fragili l’interpretazione di tavole esecutive e di scansioni di bassa qualità, dove quote, armature e tabelle dense generano errori frequenti; la lettura di modelli di calcolo in formato nativo; il ragionamento numerico non assistito da strumenti di calcolo; la tenuta della coerenza su catene di dipendenze molto lunghe.

Il limite più insidioso resta la risposta plausibile ma errata: un modello linguistico può formulare con la stessa sicurezza un dato letto correttamente e uno ricostruito. Per questo il rinvio puntuale alla fonte non è un ornamento ma la condizione d’uso, e per questo diversi scenari descritti in queste pagine vanno intesi come direzione di lavoro, realizzabile per gradi, non come prodotto disponibile a scaffale. La velocità di evoluzione dei modelli è tale che alcuni di questi limiti cadranno presto; l’architettura di controllo va costruita comunque.

Un apprendimento progressivo dentro i processi reali

L’introduzione dell’AI dovrebbe quindi seguire un percorso adattativo. I primi casi d’uso devono avere rischio limitato e valore immediatamente misurabile; ogni utilizzo genera dati sul funzionamento reale del processo e rende visibili errori, eccezioni e colli di bottiglia che prima rimanevano impliciti. Solo in seguito è ragionevole integrare previsioni più impegnative, che devono comunque restare spiegabili: un unico numero non basta, il responsabile deve sapere quali evidenze hanno prodotto l’allerta, quali documenti la sostengono e quale margine di incertezza la accompagna. Un percorso credibile può articolarsi in quattro livelli (Tabella 1), con passaggi subordinati a indicatori verificabili.

Tabella 1 – Un percorso di adozione per livelli e gli indicatori che ne governano l’avanzamento.

L’adozione non è quindi un progetto informatico isolato. Richiede il coinvolgimento di progettisti, responsabili di commessa, ispettori, esperti di gestione documentale, specialisti dei dati e funzioni legali. Soprattutto, richiede che chi svolge il lavoro quotidiano possa correggere il sistema con attrito minimo. Le correzioni non devono disperdersi: costituiscono il materiale con cui l’assistente impara il linguaggio, le eccezioni e gli standard effettivi dell’organizzazione.

....CONTINUA LA LETTURA DELL'ARTICOLO NEL PDF

Parole chiave: intelligenza artificiale; ponti e viadotti; gallerie; gestione del patrimonio infrastrutturale; classe di attenzione; memoria tecnica; gemello digitale; governance dei dati.

FAQ TECNICHE: AI nelle infrastrutture: 4 livelli per ponti, viadotti e gallerie

1. Che cosa significa utilizzare l’intelligenza artificiale come infrastruttura cognitiva?
Significa utilizzare l’AI non soltanto per svolgere singole elaborazioni, ma per collegare informazioni distribuite tra capitolati, relazioni, tavole, modelli di calcolo, ispezioni, monitoraggi e corrispondenza. L’obiettivo è creare una memoria tecnica interrogabile nella quale ogni informazione possa mantenere provenienza, versione, data e responsabilità. L’AI diventa quindi uno strato trasversale rispetto agli strumenti specialistici già utilizzati.

2. Dove può essere utilizzata l’AI nella gestione di ponti, viadotti e gallerie?
Le applicazioni possono riguardare gara e progettazione, controllo delle revisioni, costruzione, diagnostica, ispezioni, monitoraggio, manutenzione e ricostruzione delle decisioni. Nell’esistente può risultare particolarmente utile per mettere in relazione documentazione storica, prove sui materiali, rilievi, difetti censiti e interventi precedenti. L’articolo evidenzia anche l’utilità nel ricostruire informazioni mancanti o disperse.

3. Quali norme regolano l’impiego dell’AI nelle infrastrutture e nell’attività professionale?
Il quadro comprende il Regolamento (UE) 2024/1689 sull’intelligenza artificiale, come modificato nel 2026, e in Italia la Legge 23 settembre 2025, n. 132. L’art. 13 stabilisce che nelle professioni intellettuali l’AI svolga attività strumentali e di supporto, mantenendo prevalente il lavoro intellettuale del professionista, oltre a prevedere un obbligo informativo verso il cliente. Per la classificazione di singole applicazioni infrastrutturali come sistemi ad alto rischio: [Verificare specifica tecnica/norma in funzione dell’intended purpose].

4. Quali vantaggi può offrire rispetto ai tradizionali sistemi BIM e documentali?
Un ACDat organizza, autorizza e versiona i contenitori informativi; l’AI può invece analizzarne anche il contenuto e mettere in evidenza rapporti e incongruenze. Può, per esempio, segnalare che un parametro aggiornato nella relazione geotecnica non è stato recepito nel modello strutturale o in una tavola. Il valore deriva quindi dalla connessione semantica fra informazioni eterogenee, non dalla sostituzione del BIM o del software di calcolo.

5. Come dovrebbe essere introdotta l’AI nei processi di progettazione e gestione?
L’articolo propone un percorso in quattro livelli: ricerca e sintesi con fonti; controlli di coerenza; stime basate sullo storico; allerte e proposte operative. Il passaggio da un livello al successivo dovrebbe dipendere da indicatori misurabili, come riduzione dei tempi di ricerca, incongruenze intercettate, falsi positivi, accuratezza delle stime e tasso di falsi allarmi. È uno degli elementi più concretamente applicabili dell’articolo.

6. Come garantire affidabilità, tracciabilità e controllo nel tempo?
Il sistema deve rendere verificabili dati consultati, documenti utilizzati, versione del modello, istruzioni ricevute, output prodotti e decisioni del professionista. Per applicazioni più critiche occorrono test su casi noti, soglie di accettazione, procedure di fallback e controlli indipendenti. Versionamento, segregazione dei dati, controllo degli accessi e conservazione della provenienza delle informazioni sono quindi elementi progettuali della soluzione.

7. Quali errori occorre evitare nell’utilizzo dell’AI sulle infrastrutture?
Il primo è affidare al modello la scelta autonoma fra dati discordanti: una differenza deve essere segnalata, non risolta statisticamente. Vanno inoltre evitati documenti privi di versionamento, archivi non governati, risultati senza rinvio alla fonte e ragionamenti numerici affidati al solo modello linguistico. L’AI deve distinguere tra dati osservati, risultati di modello, ipotesi e decisioni professionali e non trasformare l’incertezza in una falsa certezza.