Digitalizzazione, determinismo e Intelligenza Artificiale nel settore delle costruzioni

come è già evidente dalla systematic review delle prime tre norme della serie internazionale EN ISO 19650, ma anche dal dibattito in corso nel Regno Unito che ha condotto alla pubblicazione della pre norma BS PAS 1958, che offre una mappa concettuale del panorama normativo inerente nella prospettiva della predisposizione del settore alla diffusione dell’Intelligenza Artificiale.

Occorre rilevare, per prima cosa, che la tesi significativa sia offerta dal fatto che l’Intelligenza Artificiale non rafforzi il paradigma dichiarativo, ma vi si opponga apparentemente in qualità di epistemologia concorrente, essendo inferenziale e probabilistica, invece che tassonomica e predeterminata.

Detto in altri termini, l’innovazione digitale avviata con la Modellazione Informativa e con la Gestione Informativa, oggi dilatatasi esponenzialmente con tutte le soluzioni che si conoscono, sta portando a compimento un ecosistema, finalizzato a incrementare la produttività e a ridurre il rischio, che si basa su logiche dichiarative, in cui tassonomie, semantiche, ontologie, sono predeterminate.

È opportuno, tuttavia, riconoscere che il determinismo possa riferirsi ad argomentazioni differenti: la fissazione aprioristica di tassonomie e di ontologie; il riduzionismo discretizzante della rappresentazione; il determinismo tecnologico.

Tali piani sono, comunque, indipendenti: a titolo esemplificativo, un modello linguistico discretizza per il tramite dei token, non diversamente da quanto faccia lo schema IFC con le entità.

Di fatto, l’approccio probabilistico non fa a meno della predeterminazione delle strutture della rappresentazione, ma traspone una parte dell’indeterminazione dal piano della rappresentazione a quello dell’inferenza.

Resta il fatto che la Modellazione Informativa non sia in grado di rappresentare ciò che non sia stato contemplato ex ante.

La conclusione dell’iter che porterà al Passaporto Digitale del Prodotto ne costituisce il tassello elementare, ma fondamentale. Con esso la semantica predefinita coglie l’oggetto fisico in una accezione di cogenza legislativa.

Questa costruzione, che, nell’ottica della politica industriale vede il settore impegnato almeno dal 2010 a livello internazionale, nasconde, tuttavia, un forte limite nella constatazione che l’approccio praticato sinora risulti riduzionista, discretizzante e, soprattutto, determinista nei confronti di una rappresentazione, di una simulazione e di una predizione della realtà che si mostra in una irriducibile complessità.

Un esempio, relativo alla Modellazione Informativa, incentrato sul prodotto come esito del processo, consiste proprio nella sua incapacità o difficoltà a modellare quest’ultimo.

Questa è la ragione per cui tutte le aspettative e le promesse inerenti, originariamente, al Building Information Modelling, non si siano in gran parte avverate, pur generando benefici parziali, e, soprattutto, si è rivelato molto difficile misurarne gli effetti a motivo della presenza di concause eterogenee nella riuscita di una operazione immobiliare o infrastrutturale.

Risulta, infatti, non agevole dimostrare una relazione causale univoca e generalizzabile tra l’adozione della Modellazione Informativa e un incremento sistemico della produttività o una riduzione altrettanto sistemica del rischio.

In altre parole, sono mancate le metriche per valutare incrementi della produttività e riduzioni dei rischi.

È, peraltro, pur vero che le concause eterogenee che condizionano la valutazione degli effetti della Modellazione Informativa, possano valere anche per un sistema inferenziale, il cui operato è distribuito, non tracciabile e non riproducibile.

In particolare, però, l’avvento dell’Intelligenza Artificiale (che, peraltro, andrebbe declinata accuratamente nelle sue diverse forme, non rimanendo a un livello di generalità) segna la possibilità di proporre un approccio inferenziale e probabilistico in luogo del precedente, appena descritto, attualmente dispiegabile nel modo migliore attraverso il Knowledge Graph, in grado di connettere, di interrogare e di parzialmente verificare qualsiasi contenitore informativo, o meglio, i dati che vi sono presenti.

Ciò non comporta, in ogni caso, la possibilità di accertare la veridicità del dato, ma offre la facoltà di esplicitarne provenienza, relazioni, compatibilità, dipendenze e conformità rispetto a regole date.

Il dilemma su cui riflettere riguarda l’affidabilità dei sistemi artificiali nel proporre soluzioni attendibili e il loro grado crescente di autonomia, nel senso di essere meglio in grado di affrontare la pluralità di ipotesi decisionali che la realtà propone.

Per certi versi, infatti, i sistemi artificiali potrebbero necessitare del quadro semantico e ontologico completo attuale, come proposto dalla pre norma britannica e da prossime attività normative in sede UNI e CEN, per aumentare il loro grado di affidabilità e per giuridicamente sostenerne i risultati.

Tale quadro, in questa veste, assumerebbe un diverso ruolo, in quanto fungerebbe non più da descrittore, bensì agirebbe in qualità di validatore, creando una sorta di inversione funzionale, finalizzata, appunto, alla falsificazione degli artefatti artificiali.

D’altra parte, l’avvento dei modelli linguistici non consente di ritenere che si sia in presenza di una definitiva sostituzione delle notazioni ingegneristiche col linguaggio naturale.

Per controllare sia le informazioni fornite al Modello Linguistico sia i risultati che esso produce sono, infatti, necessarie rappresentazioni grafiche, simboliche e formali che rendano immediatamente visibili relazioni, vincoli, gerarchie, dipendenze ed eventuali incongruenze.

In questa prospettiva, le notazioni ingegneristiche non perdono rilevanza, ma assumono una funzione diversa: devono probabilmente diventare più articolate, più computabili e più interoperabili, così da costituire una base esplicita rispetto alla quale verificare, e se necessario falsificare, le inferenze generate linguisticamente dal Modello.

Per altri versi, al contrario, l’apprendimento continuo, ad esempio, da parte di modelli linguistici, di orchestre agentiche e di modelli del mondo, anche grazie al predetto quadro conoscitivo, di natura umana, potrebbe condurre alla progressiva emancipazione dei sistemi artificiali rispetto alla centralità della riserva di umanità che, d’altronde, opera non sul piano della abilità, ma su quello della qualificazione normativa.

In tal senso, occorre rimandare alla sentenza del TAR Marche n. 758/2026, a segnare il punto in cui l’erosione della decisione umana di fatto diviene violazione di diritto.

Appare, in questo contesto, dunque, la tematica della dualità tra potenziamento e sostituzione dell’essere umano, da un lato, e l’obsolescenza di una impostazione classica della digitalizzazione, come quella sinora praticata.

La questione concerne l’identità dei soggetti legittimati a formulare ipotesi, a selezionarle, a motivarle e, soprattutto, ad assumere responsabilità per le conseguenze che ne derivano in ambito della decisione.

Si tratta ora di capire se e in che modo, organismi normativi, stazioni appaltanti e soggetti regolatori sapranno e vorranno governare il superamento del paradigma dichiarativo.

A questo proposito, i modelli del mondo si rivolgono, infatti, alla modellazione delle dinamiche, vale a dire dei processi, e non più degli stati, vale a dire dei prodotti.

Trasformazioni e dinamiche assurgono a centrali.

L’Intelligenza Artificiale, infine, non rende inutili diagrammi, modelli, ontologie e notazioni ingegneristiche; al contrario, può renderli ancora più importanti, perché diventano il linguaggio comune attraverso cui gli esseri umani possono verificare e controllare ragionamenti che l’Intelligenza Artificiale è capace di produrre autonomamente.

Il testo precedente è stato, poi, riscritto da un Modello Linguistico in una accezione comprensibile ai non addetti al settore.

 

Negli ultimi anni il mondo delle costruzioni è diventato sempre più digitale.

Per progettare edifici, strade e altre opere si usano computer, modelli digitali e grandi quantità di informazioni. Uno degli strumenti più conosciuti è il BIM, cioè un modo per rappresentare digitalmente un edificio o un’opera e le informazioni che la riguardano.

Per molto tempo si è pensato che, per far funzionare bene questi sistemi, fosse necessario stabilire prima tutte le regole.

Bisognava decidere in anticipo quali oggetti potevano esistere nel modello, come chiamarli, quali caratteristiche potevano avere e quali rapporti potevano esserci tra loro.

È un po’ come costruire una grande scatola con tanti cassetti già preparati. Ogni informazione deve essere messa nel cassetto giusto.

Questo sistema è molto utile perché permette ai computer di organizzare e controllare le informazioni.

Ma ha anche un problema.

Non tutto può essere previsto

La realtà è molto più complicata di un modello.

Quando progettiamo e costruiamo un edificio succedono moltissime cose. Intervengono persone diverse, imprese diverse, materiali, macchine, condizioni economiche, decisioni e imprevisti.

È quindi molto difficile prevedere tutto in anticipo.

Un modello digitale può rappresentare bene ciò che abbiamo già deciso di descrivere. Ma può avere difficoltà quando accade qualcosa che non avevamo previsto.

Questo è uno dei limiti di un approccio troppo deterministico.

Deterministico significa, in modo semplice, pensare che tutto possa essere descritto in anticipo attraverso regole precise.

Il problema del BIM

Quando il BIM si è diffuso, molte persone pensavano che avrebbe migliorato moltissimo il settore delle costruzioni.

Si sperava, per esempio, che permettesse di:

• lavorare più velocemente;
• commettere meno errori;
• ridurre i costi;
• diminuire i rischi;
• migliorare la collaborazione.

Alcuni vantaggi ci sono stati.

Ma è stato difficile dimostrare che il BIM, da solo, abbia fatto aumentare sempre la produttività o diminuire sempre i rischi.

Questo accade perché il successo di un progetto dipende da moltissime cose.

Se un edificio viene costruito bene, per esempio, il merito può dipendere dal BIM, ma anche dall’esperienza dei progettisti, dall’organizzazione dell’impresa, dalle persone che lavorano nel progetto, dai materiali utilizzati e da molte altre condizioni.

Perciò è difficile dire:

“Il progetto è andato bene soltanto grazie al BIM.”

Arriva l’Intelligenza Artificiale

Con l’Intelligenza Artificiale la situazione cambia.

I sistemi tradizionali lavorano soprattutto usando regole definite in anticipo.

L’Intelligenza Artificiale, invece, può anche cercare di riconoscere relazioni, confrontare possibilità e formulare delle ipotesi.

Non lavora sempre dicendo:

“Questa è sicuramente la risposta.”

Molto spesso lavora invece dicendo, in pratica:

“Tra le risposte possibili, questa mi sembra la più probabile.”

Per questo si parla di un approccio probabilistico.

È una differenza importante.

Un esempio semplice

Immaginiamo di voler riconoscere un gatto.

Un sistema costruito soltanto con regole potrebbe ricevere istruzioni come:

• ha quattro zampe;
• ha due orecchie;
• ha una coda;
• ha i baffi.

Ma anche molti altri animali possiedono alcune di queste caratteristiche.

Un sistema di Intelligenza Artificiale può invece osservare moltissimi esempi e imparare a riconoscere quali caratteristiche, tutte insieme, rendono più probabile che un’immagine rappresenti un gatto.

Non applica soltanto una regola preparata in anticipo: compie anche una inferenza, cioè cerca di arrivare a una conclusione partendo dalle informazioni disponibili.

Anche l’Intelligenza Artificiale ha bisogno di regole

Questo non significa che possiamo eliminare tutte le regole.

Anzi, le regole possono diventare ancora più importanti.

Immaginiamo che un sistema di Intelligenza Artificiale proponga una soluzione per progettare un edificio.

Come facciamo a sapere se quella soluzione è corretta?

Abbiamo bisogno di qualcosa con cui confrontarla.

Servono quindi norme, modelli, diagrammi, simboli e regole tecniche.

Prima queste regole servivano soprattutto per descrivere le informazioni.

In futuro potrebbero servire sempre di più per controllare ciò che produce l’Intelligenza Artificiale.

È come quando un bambino svolge un problema di matematica.

Il bambino propone una risposta, ma poi deve essere possibile controllare se i suoi calcoli rispettano le regole della matematica.

Con l’Intelligenza Artificiale potrebbe succedere qualcosa di simile.

Sapere da dove arriva un’informazione

Un altro strumento importante è il Knowledge Graph, cioè il grafo della conoscenza.

Possiamo immaginarlo come una grande rete.

Nella rete ci sono informazioni collegate tra loro.

Per esempio:

questa porta → appartiene a → questa stanza

questa stanza → appartiene a → questo edificio

questa porta → deve rispettare → questa norma

In questo modo possiamo capire meglio come le informazioni sono collegate.

Il Knowledge Graph non può garantire che una informazione sia vera.

Può però aiutarci a sapere:

• da dove arriva;
• con quali altre informazioni è collegata;
• quali regole deve rispettare;
• se è compatibile con altre informazioni;
• se esistono contraddizioni.

Le immagini e i diagrammi servono ancora

Oggi possiamo parlare con alcuni sistemi di Intelligenza Artificiale usando il linguaggio normale.

Possiamo scrivere una domanda e ricevere una risposta.

Questo, però, non significa che disegni tecnici, schemi, grafici e simboli non servano più.

Quando si costruisce un edificio, certe informazioni possono essere molto più facili da capire con un disegno che con cento frasi.

Un diagramma può mostrare immediatamente:

• quali elementi sono collegati;
• quali regole devono essere rispettate;
• quali elementi dipendono da altri;
• dove potrebbe esserci un errore.

Per questo le rappresentazioni tecniche potrebbero diventare ancora più importanti.

Potrebbero infatti servire agli esseri umani per controllare ciò che propone l’Intelligenza Artificiale.

L’Intelligenza Artificiale potrebbe diventare più autonoma

I sistemi di Intelligenza Artificiale stanno diventando sempre più capaci.

In futuro potrebbero non limitarsi a rispondere alle domande.

Potrebbero osservare una situazione, formulare diverse possibilità, confrontarle e scegliere una soluzione.

Potrebbero anche collaborare tra loro attraverso gruppi di sistemi artificiali chiamati, in alcuni casi, agenti.

Questo crea però una domanda molto importante:

quanto possiamo lasciare decidere alle macchine?

Chi deve prendere la decisione?

Pensiamo a una decisione importante.

Un’Intelligenza Artificiale potrebbe analizzare moltissime informazioni e suggerire una soluzione.

Ma chi sceglie davvero?

E soprattutto:

chi è responsabile se la decisione provoca un danno?

Il computer?

Il progettista?

L’impresa?

Il cliente?

L’amministrazione pubblica?

Queste domande non riguardano soltanto la tecnologia.

Riguardano anche le leggi, le responsabilità e il ruolo degli esseri umani.

Per questo è importante distinguere tra due modi di usare l’Intelligenza Artificiale.

Nel primo caso, l’Intelligenza Artificiale aiuta una persona.

Nel secondo caso, l’Intelligenza Artificiale sostituisce una persona nel prendere una decisione.

La differenza è molto importante.

Non dobbiamo studiare soltanto gli oggetti

I primi modelli digitali si sono concentrati molto sugli oggetti.

Per esempio:

una parete,

una porta,

una finestra,

un pilastro.

Ma un progetto non è soltanto un insieme di oggetti.

È anche un insieme di azioni e trasformazioni.

Una parete viene progettata, modificata, costruita, controllata, utilizzata e forse, un giorno, demolita o trasformata.

Per capire veramente ciò che accade dobbiamo quindi studiare non soltanto le cose, ma anche come le cose cambiano nel tempo.

I cosiddetti modelli del mondo cercano proprio di rappresentare queste dinamiche.

La vera questione

L’Intelligenza Artificiale non rende inutili i modelli digitali, le regole, i diagrammi e le conoscenze degli ingegneri.

Potrebbe accadere il contrario.

Più l’Intelligenza Artificiale diventa capace di formulare autonomamente delle ipotesi, più abbiamo bisogno di strumenti che permettano agli esseri umani di capire e controllare ciò che sta facendo.

La grande domanda del futuro, quindi, non sarà soltanto:

“Quanto è intelligente l’Intelligenza Artificiale?”

Dovremo chiederci anche:

“Possiamo controllare ciò che propone?”

“Possiamo capire perché lo propone?”

“Possiamo verificare se rispetta le regole?”

E soprattutto:

“Chi deve prendere la decisione finale e assumersene la responsabilità?”

La digitalizzazione del futuro potrebbe quindi essere molto diversa da quella del passato.

Non si tratterà soltanto di descrivere la realtà con regole stabilite in anticipo.

Si tratterà sempre di più di permettere alle macchine di formulare delle ipotesi e, nello stesso tempo, di costruire strumenti che consentano agli esseri umani di comprenderle, verificarle e controllarle.