Convegno Saie 2026: AI può progettare una struttura?
Convegno Saie 2026: AI può progettare una struttura? Opportunità e rischi per l’ingegneria strutturale, l’incontro ha esaminato se e come l’intelligenza artificiale possa entrare nella progettazione, nelle imprese, nel software tecnico, nel Real Estate e nella Pubblica Amministrazione. Il punto condiviso è che l’AI può aumentare produttività e qualità, ma non sostituisce il giudizio umano né trasferisce a una macchina la responsabilità professionale.
La domanda iniziale: l’AI progetterà le strutture?
Andrea Dari ha aperto con una provocazione: «Si potrà smettere di lavorare mentre l’AI progetta al posto nostro?» Ha chiarito che il tema reale non è l’automazione totale, ma come accettare, usare, sfruttare e controllare l’AI nel processo delle costruzioni.
L’incontro ha riunito competenze diverse lungo la filiera: progettazione e ingegneria, software tecnico, gestione immobiliare, sviluppo di agenti AI e ricerca universitaria. Il campo considerato va dall’housing alle infrastrutture, dalla stima immobiliare ai cedimenti di fondazione, fino alla gestione delle pratiche e delle commesse.
Dari ha sostenuto che conoscere almeno i principi di funzionamento dell’AI aiuta a usarla con maggiore consapevolezza. Ha paragonato le reti neurali a superinterpolatori: ricevono dati, li elaborano in modo non lineare e restituiscono un output. A suo giudizio, non sono semplici software specialistici come CAD, BIM o FEM. Sono strumenti trasversali che impongono di rivedere metodi, ruoli e processi.
Le notizie piu' importanti di finanza, economia e mercati, dritte nella tua inbox.
Perché l’AI si è sviluppata così rapidamente
Dari ha ricondotto l’esplosione recente dell’AI alla convergenza di tre sviluppi:
- Hardware per il calcolo parallelo: schede nate dal mondo grafico e trasformate in architetture per il supercalcolo hanno reso possibile addestrare reti neurali su larga scala.
- Interpretazione statistica delle immagini e dei dati: il riconoscimento non procede pixel per pixel, ma individua rapporti tra forme, colori, ombre e altri pattern.
- Teorie dell’intelligenza: la ricerca ha cercato di definire e formalizzare ciò che chiamiamo intelligenza umana, creando basi teoriche per gli strumenti attuali.
Ha citato Nvidia come esempio dello sviluppo dell’hardware destinato al calcolo intensivo. Ha inoltre ricordato la ricerca sul riconoscimento visivo e il contributo di Fei-Fei Li. Nel suo intervento ha richiamato anche un centro svizzero dedicato agli studi teorici sull’intelligenza artificiale, collegandolo alla formalizzazione delle caratteristiche dell’intelligenza e degli strumenti numerici oggi utilizzati.
Secondo Dari, la velocità del cambiamento non ha precedenti. Ha indicato il 2017, anno dell’architettura Transformer, come punto di svolta per gli LLM. In meno di nove anni gli LLM sono passati da un’idea non praticabile a strumenti d’uso quotidiano e pervasivo.
Ha paragonato l’AI alle grandi rivoluzioni tecnologiche della storia, come fuoco, ruota, agricoltura, macchina, stampa e metalli. Ha sostenuto che chi non adotterà questi strumenti rischierà di restare fuori dalla competizione. Ha però evidenziato una dipendenza strategica: Italia ed Europa non dispongono di un sistema AI nativo comparabile ai grandi fornitori internazionali. Se l’accesso a tali sistemi venisse limitato, si perderebbe uno strumento competitivo.
Dal calcolo deterministico alla “black box”
Dari ha contrapposto il modello tradizionale dell’ingegneria a quello dell’AI.
Nel metodo classico, un problema viene definito con un modello fisico e matematico. Seguono equazioni, metodi di calcolo e risultati. Il procedimento è tracciabile: a parità di input si ottengono gli stessi output e si può ricostruire il percorso svolto. Dari lo ha descritto come una “white box”.
L’AI lavora invece su grandi quantità di dati e su correlazioni statistiche. Riceve input e produce output, ma il processo interno non è completamente leggibile. Questa opacità crea una questione di controllo: se l’output è errato, occorre capire dove si sia formato l’errore e chi ne risponda.
Ha segnalato che le big tech prevedono circa 700 miliardi di Capex nel 2026, una scala che a suo avviso mostra quanto sia centrale la competizione sull’AI.
Per il settore delle costruzioni, la questione non è solo tecnologica. Riguarda responsabilità, riservatezza, tracciabilità e patrimonio informativo. Un progettista che invia dati di gara o documenti riservati a un sistema generalista può esporre informazioni che non dovrebbe condividere. Lo stesso vale per una commissione chiamata a valutare offerte o progetti.
L’AI come supporto alla commessa, non come sostituto del professionista
Dari ha proposto un uso dell’AI lungo l’intero ciclo di vita della commessa. Il sistema potrebbe aiutare a definire obiettivi, cliente, riferimenti normativi, requisiti aggiuntivi, vincoli, ore-uomo, competenze richieste e allocazione delle risorse.
Potrebbe inoltre contribuire a:
- Stimare risorse e costi: l’analisi di dati storici molto ampi potrebbe rendere più precise le previsioni iniziali.
- Individuare criticità: il sistema potrebbe riconoscere segnali ricorrenti e anticipare problemi.
- Supportare le decisioni: potrebbe suggerire azioni preordinate per affrontare eccezioni, ritardi o contestazioni.
- Gestire la memoria aziendale: potrebbe valorizzare informazioni formalizzate e conoscenza tacita accumulata nel tempo.
- Ridurre tempi e errori amministrativi: nelle Pubbliche Amministrazioni, un uso ben impostato potrebbe ridurre tempi e burocrazia nella gestione delle pratiche.
Dari ha insistito su un limite: il giudizio resta umano. L’AI può eseguire meglio alcuni compiti, ma il professionista deve definire che cosa fare, verificare il risultato e assumersi la responsabilità della scelta.
Il valore di una società, secondo Dari, non è solo nei documenti archiviati. Comprende anche l’esperienza non formalizzata di tecnici, dirigenti e professionisti. L’introduzione dell’AI deve quindi proteggere e valorizzare questo patrimonio, non disperderlo.
Proger: l’adozione è prima di tutto organizzativa
Giuseppe Cretella, ingegnere di Proger, ha descritto l’AI come un tema che investe l’organizzazione prima ancora della tecnologia. Ha presentato un esperimento di progettazione parametrica di un ponte, nel quale il software riceveva istruzioni in linguaggio naturale e produceva una soluzione da verificare.
La prima versione del ponte era, nelle sue parole, «terribile e totalmente sbagliata». Il risultato è migliorato attraverso un ciclo iterativo: istruzione, output, validazione umana e nuova istruzione. Questo schema è stato indicato come più realistico della promessa di una progettazione completamente autonoma.
Secondo Cretella, l’AI può aumentare l’efficienza e permettere di esplorare alternative progettuali. Il tema decisivo è però l’uso del tempo liberato. Se una struttura viene progettata in metà del tempo, il vantaggio non dovrebbe tradursi semplicemente nel produrre di più allo stesso valore. Le ore liberate possono essere dedicate a qualità, controllo, ricerca di soluzioni, integrazione disciplinare e migliore concezione progettuale.
Ha posto un rischio preciso: l’accelerazione può allargare la distanza tra produzione e controllo. Se un’organizzazione produce più elaborati nello stesso tempo senza rafforzare le verifiche, aumenta la fragilità del processo.
Formazione dei giovani e perdita dell’apprendistato
Cretella ha richiamato il problema della formazione dei giovani ingegneri. In passato, l’apprendistato passava anche attraverso errori, consultazione delle norme, modelli semplici e progressiva complessità. Il lavoro su quei “mattoncini” costruiva esperienza.
Se l’AI fornisce subito risposte o documenti pronti, diventa necessario ripensare il modo in cui si forma chi entra nella professione. Il rischio non è solo tecnico. È la perdita di indipendenza di giudizio.
Ha aggiunto che l’AI può produrre testi e presentazioni formalmente ben scritti, ma inutilmente lunghi o fumosi. Chi deve controllare documenti a valle rischia di trovarsi davanti a dieci pagine dove prima ne sarebbero bastate poche. L’efficienza nella produzione può quindi generare un costo di revisione se mancano regole e competenze.
Privacy, dati proprietari e policy
Cretella ha indicato riservatezza e sicurezza dei dati come condizioni fondamentali. Contratti, dati dei clienti, anagrafiche, elaborati e informazioni proprietarie non devono essere caricati senza controllo su strumenti generalisti.
Ha richiamato il rischio che un sistema AI restituisca in una gara soluzioni troppo simili a materiale precedentemente assorbito. Per governare questi limiti servono regole aziendali, non soltanto buona volontà individuale.
Ha citato una guida dell’associazione britannica degli ingegneri strutturisti, che propone domande semplici per l’adozione dell’AI:
- il cliente sa che l’AI è stata usata;
- è chiaro in quale passaggio è stata impiegata;
- è stata svolta una valutazione dei rischi;
- privacy e sicurezza sono presidiate;
- strumenti e fornitori sono conosciuti;
- il personale è stato informato.
Per Cretella, l’adozione dell’AI è soprattutto una questione di organizzazione aziendale.
Dati, processi e architettura tecnica
Cretella ha riferito alcuni dati sul settore construction negli Stati Uniti:
- il 27% dei professionisti avrebbe adottato l’AI;
- il 75% delle aziende resterebbe nella fase sperimentale;
- una quota rilevante dichiara di avere dati di qualità modesta;
- il 16% avrebbe già integrato l’AI in modo più compiuto.
Ha indicato come principali ostacoli la formazione insufficiente, la difficoltà di integrare l’AI nei sistemi aziendali esistenti e la scarsa qualità dei dati.
Proger ha avviato un percorso che combina quattro dimensioni:
- conoscenza della tecnologia, delle possibilità e dei rischi;
- identificazione di soluzioni e casi d’uso;
- definizione dell’architettura tecnica, tra software, hardware, cloud e sistemi interni;
- governance, policy e presidio dei rischi.
L’obiettivo dichiarato non è usare l’AI per il solo aumento di produttività. È efficientare processi già compresi e rappresentati. Cretella ha osservato che non sempre, nel settore delle costruzioni, esiste un processo formalizzato da automatizzare.
Ha mostrato il lavoro di mappatura del flusso di produzione degli elaborati: dalla generazione interna o dalla ricezione di un pacchetto da un fornitore fino alla consegna sulle piattaforme del cliente e all’approvazione valida per la costruzione. La mappa consente di trovare i veri colli di bottiglia. «In alcuni casi», ha detto, «non serve l’AI ma una semplice automazione o un pezzo di codice».
Proger sta inoltre sviluppando strumenti di data management in tempo reale per sapere dove si trova ogni elaborato, quale versione è stata inviata, quali documenti sono usciti e quali devono ancora essere migliorati. L’obiettivo è eliminare l’incertezza sulla “ultima versione”.
Base di conoscenza e agenti specializzati
Cretella ha descritto la costruzione di una repository interrogabile del sapere aziendale accumulato in circa quarant’anni. Il percorso parte dal recupero e dal riordino di patrimonio tecnico, relazioni, progetti, lettere, compiti e documentazione.
Solo dopo questa fase si può creare una base di conoscenza strutturata, interrogabile da un sistema AI. Su tale base si possono costruire agenti specifici per esigenze concrete: geotecnica, controllo di errori di computo, progettazione predittiva, finanza, HR, curricula per le gare e altri ambiti.
Ha precisato che questa attività inizialmente non produce direttamente valore economico. Richiede tempo di persone esperte per ordinare e classificare i dati. Per questo la visione del management è decisiva: senza investimento organizzativo, secondo Cretella, l’azienda rischia di non arrivare all’adozione utile.
Adriano Castagnone: il tempo liberato crea un problema sociale
Adriano Castagnone, presidente di AssoBIM e proprietario di STA DATA, ha concentrato l’intervento sul tempo. A suo parere, l’AI pone questioni più sociologiche che puramente politecniche: «Che cosa faremo del lavoro e del tempo che si libererà?»
Ha proposto una stima teorica sul puro ragionamento procedurale. In questo campo, ha indicato un rapporto di circa 1 a 2.000 tra un’ora di AI e 2.000 ore umane. Il rapporto si riduce a circa 1 a 5 o 1 a 7 quando si includono due interventi indispensabili dell’uomo: formulare bene la domanda e valutare la risposta.
Castagnone ha usato questa proporzione per descrivere scenari estremi: lavorare un giorno e avere quattro giorni liberi, o invertire il rapporto tra attività e ferie. Non ha presentato questi scenari come una previsione certa. Li ha usati per mostrare la portata del cambiamento.
Ha poi distinto tra problemi tecnici e problemi adattivi:
- un problema tecnico, come montare un orologio, può essere anche complesso ma è composto da elementi e procedure definite;
- un problema adattivo richiede invece di adattare una ricetta al contesto, agli ingredienti e alle condizioni disponibili.
Secondo Castagnone, l’AI sa affrontare problemi tecnici. L’errore sarebbe presentarla come salvezza dell’umanità o come sua distruttrice. Occorre concentrarsi sugli aspetti adattivi e sulla riorganizzazione che questi richiedono.
Probabilità contro perfezione normativa
Castagnone ha sottolineato una tensione tra AI e regole tecniche. L’AI è probabilistica. La normativa e il software tradizionale lavorano invece secondo logiche deterministiche, dove il calcolo deve risultare corretto e ripetibile.
Ha richiamato il DPR 380 e il principio per cui i calcoli devono essere perfetti. La sfida, a suo avviso, sarà portare l’affidabilità dell’AI a un livello superiore a quella umana. Anche il progettista umano può sbagliare. L’obiettivo non dovrebbe essere chiedere all’AI una perfezione astratta, ma verificare che non sia meno affidabile dell’uomo nel sistema complessivo.
CSP FEA: modelli verticali, dati proprietari e responsabilità
Paolo Segala, rappresentante di CSP FEA, ha raccontato l’esperienza di un’azienda che sviluppa software, fra cui Nedas. I primi esperimenti sono partiti durante il lockdown, quando gli LLM non erano ancora disponibili nella forma attuale.
CSP FEA ha iniziato da un archivio consultabile e da strumenti per interrogare il patrimonio informativo aziendale. Il riconoscimento grafico completo non è ancora raggiunto, ma sono già possibili applicazioni verticali. Segala ha citato il riconoscimento dei carotaggi e la trasformazione di migliaia di elaborati in informazioni utilizzabili.
Il problema centrale è ridurre le allucinazioni. I modelli generalisti sono addestrati su fonti molto eterogenee. In un contesto tecnico, la risposta statisticamente plausibile può essere sbagliata o fuori contesto.
Per questo CSP FEA sta lavorando a layer di conoscenza per l’ingegneria civile sopra gli LLM. Una parte viene sviluppata internamente. Un’altra parte nasce dal feedback delle aziende che usano gli strumenti e correggono errori di interpretazione presenti in cataloghi, tabelle e documenti digitalizzati.
Dipendenza dai fornitori e modelli in casa
Segala ha segnalato anche la dipendenza economica dai fornitori di AI e dal consumo di token. Ha indicato come possibile risposta lo sviluppo di sistemi proprietari, compresi LLM eseguiti internamente.
Nel calcolo strutturale, CSP FEA sta esplorando assistenti che non dipendano soltanto dall’AI generalista. L’idea è aggiungere algoritmi e componenti deterministiche sopra l’LLM per ridurre la dipendenza da una risposta puramente statistica.
Ha osservato che anche il FEM è già una “black box” per molti utenti. La differenza non elimina però il problema della responsabilità.
La responsabilità deve restare in capo all’ingegnere
Segala ha indicato come essenziale la tutela della responsabilità dell’ingegnere, richiamando l’articolo 10.2 delle norme tecniche. A suo giudizio, se la responsabilità professionale venisse sottratta al progettista, l’AI finirebbe per dominare senza un presidio adeguato.
Andrea Dari ha ripreso il punto con un riferimento storico: dai primi codici della civiltà è stabilito che chi progetta o costruisce risponde delle conseguenze del crollo di un’opera. La responsabilità del progettista e del costruttore, come quella del medico in altro ambito, non può venire meno perché riguarda funzioni essenziali della vita collettiva: salute, abitazione, trasporto e connessioni.
Harpaceas: governance, formazione e supporto tecnico
Paolo Sattamino, rappresentante di Harpaceas, ha portato la prospettiva di un’azienda attiva da 36 anni nella trasformazione digitale per il mercato delle costruzioni. Harpaceas non opera direttamente nella progettazione, ma lavora con operatori e professionisti del settore.
Ha descritto un percorso interno di introduzione dell’AI fondato sulla governance. L’azienda cerca di distinguere ciò che la macchina può fare da ciò che deve restare sottoposto alla validazione e al controllo della persona.
Secondo Sattamino, l’efficienza è già misurabile, ma deve essere protetta da una policy legale chiara e strutturata. L’uso degli strumenti non può essere totalmente libero. Non tutti i software, i fornitori o le licenze LLM possono essere utilizzati per ogni attività.
L’azienda ha introdotto formazione interna per aiutare le persone a usare l’AI senza perdere competenze e spirito critico. Questo è particolarmente rilevante per i giovani assunti. Chi si affida totalmente alla macchina senza possedere un proprio background professionale mostra rapidamente il limite del suo approccio.
Il supporto tecnico recupera dal 30% al 40% del tempo
Harpaceas ha creato uno strumento AI di supporto tecnico. Se ben organizzato, ha consentito di recuperare tra il 30% e il 40% del tempo dei tecnici dedicati all’assistenza.
Il tempo non viene interpretato come spazio per ridurre il lavoro umano. Viene reindirizzato verso attività più qualificate, in particolare la validazione dei modelli ricevuti in assistenza. Sattamino ha ribadito che questa fase richiede ancora il contributo umano, perché comporta valutazioni che non possono essere delegate automaticamente.
Assessment dei dati e digitalizzazione dei patrimoni informativi
Verso il mercato, Harpaceas sta avviando progetti che iniziano con un assessment del cliente. Prima di usare AI o piattaforme potenziate dall’AI, bisogna capire se il cliente possiede una base dati strutturata e adeguata.
Sattamino ha citato diversi ambiti di applicazione:
- software di settore: modellatori BIM, coordinamento, calcolo e creature digitali stanno già integrando funzioni AI;
- valorizzazione del patrimonio informativo: le aziende dispongono di grandi quantità di dati dispersi tra database e archivi diversi;
- trasformazione dal disegno al modello 3D: è un campo ancora di frontiera, ma molto interessante per aziende con migliaia di tavole storiche.
La conversione di disegni storici in modelli digitali può evitare di impiegare persone per anni in attività ripetitive. Sattamino ha però ribadito che anche queste operazioni richiedono controllo, validazione e governance.
Alla domanda se l’AI possa sostituire il progettista, ha risposto che tecnicamente qualcuno potrebbe essere tentato di dire sì. Ha definito questa conclusione pericolosa. L’attrazione verso strumenti potenti e opachi può portare a ignorare ciò che avviene dentro il sistema. Per Sattamino, il modo corretto è governare la tecnologia, non usarla come sostituto cieco del giudizio.
Stefano Spremberg: Real Estate: usare il tempo dell’AI per costruire meglio
Stefano Spremberg, fondatore della società Real Estate Palazzi Cieloterra, ha parlato dal punto di vista di chi governa l’intero processo di ricostruzione e valorizzazione immobiliare. Ha precisato di non essere un tecnico della progettazione o dell’AI agentica, ma ha detto che la sua società verifica anche gli elaborati ricevuti da architetti e ingegneri tramite sistemi AI.
Ha spostato l’attenzione sulla sostenibilità. A suo avviso, il tempo liberato dall’AI non dovrebbe tradursi in semplice riduzione dell’impegno umano. Dovrebbe essere impiegato per costruire in modo più responsabile:
- riducendo materiali ed energia;
- riciclando dove possibile;
- progettando edifici adatti al contesto climatico specifico;
- limitando l’inquinamento;
- migliorando prestazioni ambientali e qualità degli interventi.
Spremberg ha sostenuto che un edificio progettato per un clima temperato non può essere automaticamente adatto a un contesto differente. La progettazione dovrebbe quindi essere sempre più mirata alla fascia climatica e alle condizioni locali.
Ha richiamato il deterioramento ambientale e climatico come ragione per guardare più lontano del vantaggio immediato. Dal suo punto di vista, l’AI può rendere ponti ed edifici più sicuri, belli e rapidi da realizzare. Il risultato sarà insufficiente se non si usa questa capacità per proteggere il pianeta.
Michele Ficara Manganelli: agenti AI per selezionare opportunità green
Michele Ficara Manganelli, sviluppatore di agenti per Lugano attraverso datamoney.ch, ha illustrato il lavoro svolto con Spremberg. L’esigenza era filtrare proposte e opportunità in base a criteri chiari di sostenibilità.
Ficara Manganelli ha descritto l’AI agentica come una rete di operatori che lavorano entro istruzioni e confini definiti. Per lui, il problema non è che gli agenti “scappino”, ma che siano progettati senza un perimetro adeguato.
Nel caso presentato, è stato costruito un “company brain” contenente esperienze, richieste e criteri dell’azienda. Il sistema può filtrare le proposte e fornire una validazione iniziale. Questa resta una valutazione di massima, da verificare successivamente.
Le applicazioni considerate comprendono:
- carte d’identità digitali per le abitazioni, con certificazioni green;
- ricerca di opportunità immobiliari sostenibili;
- valutazione della possibilità di riqualificare anziché costruire;
- riduzione dell’impatto attraverso ristrutturazioni e modernizzazioni;
- supporto a decisioni che rispondano sia agli obiettivi del costruttore sia alle esigenze degli acquirenti.
Ficara Manganelli ha collegato la certificazione energetica ai vantaggi e alle agevolazioni citati nel suo intervento. Ha sostenuto che la sostenibilità può risultare vantaggiosa per entrambe le parti del mercato.
AI privata e modelli locali
Ficara Manganelli ha insistito sulla necessità di sistemi agentici locali, privati e riservati, anche non collegati a Internet. «Il know-how aziendale e gli affari dell’impresa», ha detto, «devono rimanere privati».
Ha citato Apertus, definendolo un modello svizzero disponibile gratuitamente su GitHub e presentandolo come un’alternativa europea ai modelli cinesi. La sua indicazione è stata di esplorare modelli e architetture che possano ridurre dipendenze, proteggere dati e mantenere il controllo interno.
Angelo Ciribini: dalle basi di conoscenza alle infrastrutture cognitive
Angelo Ciribini, architetto e professore, ha chiuso il confronto con due questioni: una più prospettica e una più immediata.
Sul piano prospettico, ha osservato che la domanda cambia se si passa dall’AI testuale agli umanoidi e ai modelli del mondo. Ha evocato sistemi artificiali capaci non solo di trattare linguaggio, ma di conoscere la realtà, mantenere memoria e prevedere comportamenti. Questo scenario, secondo Ciribini, supera il solo settore delle costruzioni e pone interrogativi più ampi.
Ha richiamato Yann LeCun e l’idea di un approccio alternativo a quelli statunitense e cinese. In questo scenario, modelli del mondo e sistemi agentici potrebbero portare a entità artificiali che apprendono dalla realtà e operano in ambienti fisici, compresi i cantieri.
Gli agenti come infrastrutture cognitive
Il tema più immediato, secondo Ciribini, è l’agentificazione. I sistemi agentici non sono soltanto strumenti operativi. Sono la premessa di future infrastrutture cognitive.
Queste infrastrutture non servirebbero solo a raccogliere documenti e costruire basi di conoscenza. Potrebbero incorporare conoscenza tacita, esperienza, memoria professionale e capacità di giudizio oggi detenute dalle persone.
Ciribini ha avvertito che, se questa conoscenza confluisse nelle infrastrutture cognitive, si passerebbe da un’asimmetria informativa a una asimmetria cognitiva. Non sarebbe più soltanto una questione di chi possiede più dati. Sarebbe una questione di chi controlla capacità di comprendere, correlare e decidere.
Ha posto quindi una domanda etica: «Fino a che punto si vuole spingere l’automazione cognitiva?» Ha ricordato che fermare il progresso tecnologico può significare rinunciare a cure o soluzioni per problemi oggi irrisolti. Il dilemma non è quindi facilmente eliminabile.
Formazione, demografia e lavoro entry level
Ciribini ha collegato l’AI anche alla formazione e al mercato del lavoro. Ha osservato che il settore universitario si avvia verso un danno demografico. In questo quadro, la sostituzione di alcune funzioni non apparirebbe solo come minaccia, ma anche come necessità.
Ha richiamato ricerche statunitensi che ipotizzano forme di apprendistato molto diverse da quelle attuali. La formazione dei giovani professionisti dovrà cambiare se attività iniziali e ripetitive verranno affidate sempre più ai sistemi AI.
La sua conclusione è stata che i problemi prospettici non sono lontani. Potrebbero diventare attuali in pochi mesi.
Chiusura: vantaggio competitivo, controllo e responsabilità
Andrea Dari ha chiuso rilevando che l’esperienza di Proger dimostra quanto sia complessa un’adozione reale dell’AI. Non basta chiedere qualcosa a un sistema e ricevere una risposta. Occorrono investimento iniziale, dati ordinati, organizzazione, policy, formazione, architetture tecniche e verifica continua.
Ha previsto che nel prossimo anno potrebbero emergere differenze competitive rilevanti tra soggetti che avranno usato l’AI in modo appropriato e soggetti che l’avranno usata male o non l’avranno adottata. Il fattore distintivo sarà la produttività, ma non disgiunta da qualità, sicurezza e responsabilità.
L’incontro si è chiuso senza proporre una sostituzione dell’ingegnere, dell’architetto o del costruttore. L’AI è stata presentata come un moltiplicatore di capacità che richiede più governo del processo, non meno.
Articolo pubblicato con l’ausilio del sistema di Redazione AI AGENTICA di Datamoney, e supervisione umana finale.Le notizie più lette su LaMiaFinanza
✨ Classifica generata dalla Agentic AI (REDAZIONE AI) di Datamoney.ch
VIDEO INTERVISTE
Motori
REAL ESTATE
LMF crypto
LMF food
LMF private markets
LMF arte
Legal
LMF green
