Physical AI nella mobilità: quando l’intelligenza artificiale passa dalla decisione all’azione

Per gran parte dell’ultima fase di sviluppo dell’intelligenza artificiale, il valore si è concentrato nel dominio digitale: classificare informazioni, prevedere eventi, generare contenuti, supportare decisioni.

La Physical AI sposta il confine.

Il sistema non si limita più a produrre un output informativo. Utilizza sensori per leggere il mondo fisico, interpreta ciò che sta accadendo, prende una decisione e può tradurla direttamente in un’azione attraverso veicoli, robot, macchine o altri sistemi automatici.

Nella mobilità questo significa passare, per esempio, da un algoritmo che suggerisce una modifica al servizio a un sistema capace di intervenire direttamente sull’operazione: modificare una traiettoria, regolare una velocità, coordinare una flotta, adattare una sequenza operativa o attivare una risposta automatica a una condizione rilevata sul campo.

Gartner include la Physical AI tra i principali trend tecnologici del 2026 per le supply chain e la descrive come la combinazione di modelli AI, sensori IoT, robotica e automazione capace di abilitare sensing, analisi ed esecuzione in tempo reale.

La conseguenza per il management è rilevante: quando l’AI passa dalla raccomandazione all’esecuzione, il problema non riguarda più soltanto qualità del modello e accuratezza della previsione.

Riguarda l’intero sistema che collega decisione e azione.

Un sistema predittivo può stimare che un autobus accumulerà otto minuti di ritardo. Un sistema di decision support può suggerire al regolatore una possibile azione.

La Physical AI aggiunge un ulteriore passaggio: il sistema può essere progettato per attivare direttamente una risposta nel mondo fisico.

La catena diventa:

• percezione dell’ambiente attraverso sensori;
• interpretazione della situazione;
• decisione;
• esecuzione fisica;
• verifica dell’effetto prodotto.

Un veicolo autonomo rappresenta il caso più evidente. Telecamere, radar, lidar e altri sensori acquisiscono continuamente informazioni sull’ambiente. Il sistema interpreta corsie, veicoli, pedoni, ostacoli e condizioni della strada. Il modello determina l’azione appropriata e la traduce in accelerazione, frenata o sterzata.

La stessa logica può essere applicata a sistemi meno visibili ma altrettanto rilevanti: movimentazione automatizzata nei depositi, robotica nelle infrastrutture, sistemi intelligenti di ispezione, gestione automatica di flotte e controllo adattivo di asset fisici.

Il punto comune è che l’output dell’AI produce una conseguenza materiale.

Trasporto e logistica offrono condizioni particolarmente favorevoli allo sviluppo di questi sistemi perché combinano asset fisici, reti distribuite, grandi volumi di dati e decisioni operative continue.

Tre ambiti mostrano bene la traiettoria.

Il primo è la mobilità autonoma.

Nel 2026 l’evoluzione dei sistemi di guida autonoma sta accelerando verso architetture maggiormente AI-native. McKinsey rileva che i sistemi end-to-end basati sull’AI stanno aumentando la capacità dei veicoli di apprendere direttamente da grandi dataset, adattarsi ad ambienti meno familiari e gestire situazioni di guida più complesse.

Il secondo riguarda logistica e freight.

L’autonomous trucking mostra come la Physical AI debba essere valutata anche attraverso una logica economica e operativa. Secondo un’analisi McKinsey, su rotte molto lunghe superiori a 1.500 miglia il TCO di un heavy-duty truck autonomo potrebbe ridursi fino al 42% per miglio rispetto a un mezzo tradizionale nello scenario analizzato.

Lo stesso modello evidenzia però un dato altrettanto importante: sulle tratte più brevi il business case può risultare molto meno favorevole a causa dei costi di hub, first e last mile, sistemi ridondanti, supervisione remota e componenti AV.

La tecnologia, quindi, non determina da sola il valore. Il valore dipende dal contesto operativo nel quale viene inserita.

Il terzo ambito riguarda infrastrutture e asset management.

Strade, depositi, terminal, stazioni e altri asset possono essere osservati attraverso sensori, computer vision e sistemi digitali capaci di individuare anomalie o condizioni operative e attivare progressivamente risposte automatizzate.

La frontiera diventa l’integrazione tra infrastruttura fisica e intelligenza digitale.

La Physical AI rende particolarmente evidente un limite di molte strategie AI: concentrarsi sul modello e sottovalutare il sistema che lo circonda.

Per agire in un ambiente fisico servono almeno cinque elementi connessi.

• Asset fisico: veicolo, infrastruttura, macchina o altro elemento sul quale viene prodotta l’azione.
• Sensing: sensori, telecamere, IoT e altre fonti che descrivono lo stato dell’ambiente.
• Rappresentazione digitale: modello che trasforma segnali fisici in una rappresentazione interpretabile dal sistema.
• Decision intelligence: algoritmi che valutano la situazione e determinano l’azione.
• Controllo operativo: meccanismi che validano, limitano o eseguono l’azione nel mondo fisico.

La qualità complessiva dipende dall’anello più debole della catena.

Un modello molto accurato non compensa un sensore degradato.

Un sistema di percezione efficace non compensa una regola operativa sbagliata.

Una decisione corretta può diventare pericolosa se l’attuatore produce un comportamento diverso da quello previsto.

Per questo Gartner lega esplicitamente la scalabilità della Physical AI a precisione, safety e trust.

Uno dei problemi più difficili nella Physical AI è la validazione.

Un chatbot può essere testato su grandi quantità di input digitali. Un sistema che controlla un veicolo o un robot deve essere validato anche rispetto alle conseguenze fisiche delle proprie decisioni.

La simulazione assume quindi un ruolo molto più importante.

Digital twin e ambienti sintetici permettono di ricostruire scenari operativi, generare condizioni rare e testare il comportamento del sistema prima di esporlo direttamente al mondo reale.

Un veicolo autonomo può essere sottoposto virtualmente a migliaia di variazioni dello stesso scenario: pioggia, nebbia, ostacoli, comportamento imprevedibile di altri utenti, segnaletica incompleta o condizioni anomale dell’infrastruttura.

Lo stesso principio può essere applicato a un deposito automatizzato o a un sistema robotizzato di ispezione.

La simulazione diventa parte del ciclo di sviluppo:

mondo reale → rappresentazione digitale → simulazione → apprendimento → validazione → deployment → nuovi dati reali.

NVIDIA descrive questo approccio come real-to-sim-to-real: utilizzare il mondo fisico per costruire la simulazione e utilizzare la simulazione per migliorare il comportamento nel mondo fisico.

I processi fisici sono caratterizzati da condizioni che non possono essere completamente previste.

Un sensore può smettere di funzionare.

Una telecamera può essere ostruita.

Una strada può essere modificata.

Un pedone può comportarsi in modo inatteso.

Un operatore può intervenire sul sistema.

Un dato apparentemente corretto può essere incoerente con ciò che sta accadendo realmente.

Per questo la qualità della Physical AI non può essere misurata soltanto sulla capacità di gestire il caso normale.

Una parte importante del valore risiede nella gestione dell’eccezione.

Il sistema deve poter riconoscere quando il livello di confidenza non è sufficiente, ridurre autonomamente il proprio spazio d’azione, attivare una modalità sicura o trasferire la decisione a un operatore umano.

Questa capacità modifica anche il ruolo delle control room.

Il centro di controllo tende progressivamente a spostarsi dalla gestione manuale continua alla supervisione di sistemi sempre più autonomi, intervenendo soprattutto quando l’automazione incontra condizioni che non può gestire in sicurezza.

Quando un modello produce direttamente un effetto fisico, il confine tra AI governance, safety e operations diventa molto più sottile.

Occorre definire quali decisioni il sistema può assumere autonomamente, entro quali condizioni, con quali soglie di confidenza e quali azioni devono invece richiedere supervisione.

La governance non può quindi essere aggiunta dopo il deployment.

Deve essere incorporata nell’architettura.

Un sistema può, per esempio, avere libertà operativa entro un perimetro definito e perdere progressivamente autonomia quando le condizioni escono da quel perimetro.

Questo porta a una logica di controllo più vicina ai sistemi safety-critical che alle applicazioni software tradizionali.

Anche il quadro regolatorio europeo va in questa direzione. L’AI Act prevede requisiti specifici per sistemi AI utilizzati come componenti di sicurezza di prodotti regolamentati e richiede, per i sistemi high-risk interessati, processi continui di risk management durante il ciclo di vita.

Per mobilità, automotive, infrastrutture e sistemi industriali, AI governance e product safety tenderanno quindi a convergere sempre più.

La Physical AI può generare efficienza attraverso maggiore utilizzo degli asset, riduzione di alcune attività manuali, risposta più rapida agli eventi e maggiore continuità operativa.

Ma il business case non può essere costruito considerando soltanto il costo del modello AI.

Vanno inclusi sensori, compute, sistemi ridondanti, connettività, integrazione IT/OT, manutenzione, aggiornamenti software, cybersecurity, validazione, supervisione remota e gestione delle eccezioni.

L’evoluzione dell’autonomous trucking è istruttiva proprio per questo motivo.

McKinsey segnala che le aspettative sui costi dei sistemi autonomi più avanzati sono state riviste verso l’alto, in particolare per il trucking, dove industrializzazione, gestione del long tail degli edge case e attività di validation and verification incidono significativamente sul costo di passaggio dal pilot alla scala.

La Physical AI rende quindi ancora più importante distinguere tra una dimostrazione tecnologica funzionante e un sistema operativo economicamente sostenibile.

La diffusione della Physical AI suggerisce un’evoluzione anche nei modelli di trasformazione digitale.

Per anni molte organizzazioni hanno costruito capability per trasformare dati in insight.

Il passaggio successivo consiste nel trasformare insight e decisioni in azioni governate.

Nel modello Infrastructure Intelligence la sequenza può essere letta così:

Asset fisico → Sensing → Digital Representation → Governance → Decision Intelligence → Azione.

L’aggiunta implicita dell’ultimo passaggio modifica profondamente il sistema.

Quando la decision intelligence produce direttamente un’azione, governance, sicurezza, responsabilità e controllo devono essere progettati insieme all’algoritmo.

È questo il punto manageriale più rilevante della Physical AI.

La tecnologia non porta semplicemente l’AI dentro veicoli, robot o infrastrutture. Porta la decisione algoritmica dentro il funzionamento operativo dell’organizzazione.

E quando la decisione produce un effetto nel mondo fisico, l’architettura del sistema diventa parte della responsabilità manageriale.