L’ascesa dei dati architettonici come nuovo materiale di progettazione

Di seguito il Primo Capitolo del libro "PROMPTED CONSTRUCTION- Protocolli per una nuova intelligenza architettonica" di Pierpaolo Ruttico e Carlo Beltracchi, edito da TAB Edizioni.

L’intelligenza artificiale si propone di assistere il processo progettuale fin dagli esperimenti con i sistemi esperti degli anni Ottanta, ma quei primi tentativi si arenarono: gli algoritmi erano sofisticati, ma il contesto su cui operavano era quasi privo di dati. Un primo “inverno dell’IA” negli anni Novanta seguì la stessa traiettoria – pochi dati, scarsi progressi.

Il punto di svolta si raggiunge a metà anni Duemila, quando reti globali di sensori, immagini su scala web e archiviazione cloud forniscono finalmente ai modelli di apprendimento una mole di dati sufficiente per apprendere. Il manifesto di Yann LeCun sul Deep Learning del 2015 formalizza questa lezione: le prestazioni crescono non solo con modelli migliori, ma anche con ordini di grandezza superiori di dati e capacità computazionale [9].

Da allora, il contesto dell’architettura si è rovesciato. I tradizionali disegni tecnici e le simulazioni isolate cedono il passo a flussi di dati continui: stazioni meteo integrate nelle facciate, scansioni LiDAR dei cantieri, telemetria IoT post-occupazione. I dati non sono più un sottoprodotto, ma un materiale primario di progettazione. L’IA fornisce la “matrice” reattiva che trasforma questo materiale in conoscenza: data mining, analisi predittiva, generazione procedurale di forme. In sintesi, IA senza dati restava promessa; dati senza IA restavano rumore; la loro convergenza definisce il palcoscenico attuale.

Metriche recenti confermano il cambiamento. Le pubblicazioni mondiali sull’IA in informatica sono più che raddoppiate tra il 2013 e il 2023, superando i 240.000 articoli in un solo anno [1]. Nello stesso periodo, i costi di addestramento dei modelli sono diminuiti e il prezzo dell’inferenza per prestazioni al livello di GPT-3.5 è crollato di 280 volte, consentendo analisi in tempo reale su workstation d’ufficio anziché su super-cluster remoti [1]. L’hardware tiene il passo, garantendo cali di costo annuali di circa il 30% e incrementi di efficienza energetica dell’ordine del 40%.

Il capitale segue la capacità. Gli investimenti privati in IA hanno raggiunto 252 miliardi di dollari nel 2024; quasi 34 miliardi sono destinati a strumenti generativi direttamente applicabili ai flussi di lavoro di progetto [1]. I governi aprono portali nazionali di dati e sostengono infrastrutture “IA-ready”, ampliando l’accesso a set di dati climatici, di mobilità e demografici ad alta risoluzione. Per gli architetti, ciò significa che ogni fase – analisi del sito, definizione dei volumi, ottimizzazione strutturale, taratura post-occupazione – può essere alimentata da informazioni fresche e continue anziché da istantanee.

Nella pratica, trattare i dati come materiale primario di progettazione implica adottare flussi di lavoro che partono non dalla forma, ma dai pattern: aggregare dati climatici storici per guidare strategie di ventilazione passiva, alimentare algoritmi generativi con segnali in tempo reale sullo stato strutturale per ottimizzare la disposizione delle travi, o analizzare il sentiment sui social media per localizzare servizi comunitari. Strumenti di simulazione ambientale integrano dati meteorologici e analisi energetica in modelli parametrizzati, mentre piattaforme di digital twin combinano dati sensoriali live dall’ambiente costruito con l’intento progettuale, creando un ciclo di feedback continuo che sfuma i confini tra progettazione, costruzione e gestione operativa.

Progetti come The Edge di Amsterdam, firmato PLP Architecture, esemplificano l’evoluzione dai metodi tradizionali a quelli guidati dai dati. Spesso citato come uno degli edifici più intelligenti al mondo, The Edge integra una vasta rete di sensori per monitorare illuminazione, temperatura, occupazione e consumi energetici. Questi dati in tempo reale guidano le operazioni dell’edificio, migliorando il comfort degli utenti e ottimizzando l’efficienza energetica [2].

Analogamente, One Taikoo Place a Hong Kong, ingegnerizzato da Arup in collaborazione con Swire Properties, dimostra l’applicazione di tecnologie IA e digital twin su scala di grattacielo. Una rete di sensori incorporati trasmette continuamente metriche di performance – dai carichi HVAC agli indicatori di integrità strutturale – in un’unica piattaforma di digital twin. Algoritmi avanzati di machine learning eseguono il rilevamento di anomalie e la manutenzione predittiva, regolando automaticamente i parametri di sistema per minimizzare i consumi energetici e mantenere elevati standard ambientali interni. Questo ciclo di feedback basato su IA riduce le emissioni operative di carbonio fino al 20% e offre strategie di controllo adattativo che anticipano le esigenze di comfort degli utenti, dimostrando l’impatto profondo dell’intelligenza autonoma negli edifici in altezza [6].

Il design parametrico ha ulteriormente rivoluzionato le pratiche architettoniche. Attraverso algoritmi e strumenti computazionali, gli architetti possono generare forme e strutture complesse che rispondono a specifici criteri ambientali e funzionali [3]. Ad esempio, l’Eden Project nel Regno Unito presenta biomi interconnessi progettati con modellazione parametrica, permettendo la creazione di superfici sferiche morbide che si integrano perfettamente con i sistemi ambientali. Tali configurazioni sarebbero difficili, se non impossibili, da realizzare con metodi tradizionali [4].

Inoltre, l’integrazione dei dati nella pianificazione urbana ha portato allo sviluppo delle smart city. L’iniziativa Smart City di Barcellona sfrutta i dati per migliorare l’efficienza urbana, dall’ottimizzazione del flusso del traffico alla gestione dei consumi energetici. Grazie alla raccolta e all’analisi di informazioni da fonti eterogenee, i pianificatori urbani possono prendere decisioni informate che elevano la qualità della vita dei cittadini [2].

Tuttavia, la dipendenza dai dati comporta anche sfide critiche. Uno studio di Chen et al. (2023) mette in luce i possibili trabocchetti dei modelli data-driven nel design architettonico, sottolineando l’importanza dell’inferenza causale per evitare risultati distorti, soprattutto nell’analisi delle prestazioni energetiche degli edifici. Senza un’attenta valutazione, i modelli basati sui dati possono condurre a conclusioni fuorvianti, evidenziando la necessità di un’interpretazione critica e di competenze di dominio [5].

Cas Esbach osserva che tali bias si aggravano quando i sistemi di IA reintroducono i propri output, generando un “dataset ricorsivo” che amplifica omissioni e consolida una memoria selettiva. Con l’immissione dei progetti generati nei cicli successivi di addestramento, intere tipologie – in particolare quelle vernacolari o non occidentali – rischiano di scomparire dal lessico architettonico collettivo. Questo loop autoreferenziale può produrre configurazioni che riflettono non la piena diversità del patrimonio costruito, ma i punti ciechi dell’algoritmo, sollevando questioni profonde sul controllo editoriale e sull’oblio culturale [7].

Perché l’IA è fondamentale per l’architettura di oggi?  RISPONDI AL SONDAGGIO

Per difendersi da questi bias sistemici, Esbach propone un approccio analogo all’“archeologia del sapere” di Foucault, in cui i professionisti interrogano in modo rigoroso ciò che un dataset include ed esclude prima di impiegare l’IA nei flussi di lavoro progettuali. Ciò implica l’adozione di protocolli di auditing trasparenti, la diversificazione delle fonti dati oltre agli archivi proprietari e l’inserimento di checkpoint etici in ogni fase del retraining dei modelli. Trattando i dataset come artefatti curati anziché come depositi neutrali, gli architetti possono garantire che il design basato sui dati arricchisca, anziché impoverire, la pluralità delle espressioni architettoniche [7].

Sulla scia dell’appello di Esbach a una rigorosa cura dei dataset, Matías del Campo sottolinea che la classificazione stessa funge da filtro culturale, determinando quali forme costruite siano riconoscibili dall’IA e quali siano condannate all’oblio.

Egli sostiene che, come ammonisce Esbach riguardo all’eliminazione ricorsiva, gli architetti debbano immaginare i dataset non come tassonomie fisse, ma come campi dinamici di possibilità. Del Campo propone l’introduzione di “rumore” controllato – per esempio, fondendo immagini architettoniche con materiali incongrui – per destabilizzare etichette rigide e far emergere logiche spaziali latenti al di là delle tipologie convenzionali. In questa prospettiva, il ruolo dell’architetto si sposta da autore-compositore a navigatore di un territorio probabilistico, curando e affinando forme generate dall’IA che “de-familiarizzando il familiare” amplifichino tradizioni marginalizzate e amplino continuamente gli orizzonti dell’innovazione architettonica [8].

Vai alla pagina con l’indice aggiornato e i link a tutti i capitoli.

 CLICCA QUI 

>> Continua a seguirci per scoprire, capitolo dopo capitolo, tutti i contenuti del volume.