La notizia in sintesi
- Al SAIE 2026 di Bologna ingegneri, software house, Real Estate e università hanno discusso come portare l’AI nel processo delle costruzioni.
- Il nodo tecnico è il passaggio dal calcolo deterministico e tracciabile alla “black box” probabilistica degli LLM, con il rischio di allucinazioni.
- Le risposte emerse: basi di conoscenza aziendali interrogabili, agenti verticali, componenti deterministiche sopra gli LLM e modelli eseguiti in locale.
- Punto fermo condiviso: la responsabilità resta al progettista e il tempo liberato va reinvestito in controllo e qualità.
Riassunto generato da Redazione AI AGENTICA di Datamoney.ch
Kinupute Mini PC AI Server, AI MAX+ 395 (126 TOPS, 16C/32T), Win-11 Pro, GPU Radeon 8060S, 128G LPDDR5X-8400, SSD M.2 da 4T, LAN 10G+2,5G, Quattro Schermi, 4 slots M.2 PCIe 4.0, Wi-Fi 7
【AI Max+ 395 AI Workstation】16 core, 32 thread, frequenza boost fino a 5,1 GHz e 80 MB di cache. Scheda grafica Radeon 8060S integrata con 40 CU e architettura RDNA 3.5, che offre prestazioni simili a quelle delle GPU per laptop RTX 4060/4070. Design a triplo motore (CPU+GPU+NPU XDNA 2) con un totale di fino a 126 TOPS, inclusi oltre 50 TOPS dell’NPU dedicata per l’inferenza AI locale e l’accelerazione dell’apprendimento automatico. · 【LPDDR5X a 256 bit, fino a 128 GB】La memoria integrata LPDDR5X raggiunge gli 8400 MT/s, una velocità 1,5 volte superiore rispetto ai moduli SODIMM DDR5. Sfrutta appieno il potenziale della tua scheda grafica grazie all’enorme pool di memoria da 128 GB. Questo sistema ti consente di assegnare manualmente fino a 128 GB di RAM integrata come memoria video (VRAM) direttamente dall’interfaccia di configurazione del BIOS, garantendo prestazioni senza pari per l’editing video in 4K. · 【Nuova GPU 8060S e NPU XDNA 2】Basata sull’architettura RDNA 3.5, la scheda grafica integrata (iGPU) AMD Radeon 8060S dispone di 40 unità di calcolo (2.560 processori di flusso). Offre prestazioni paragonabili a quelle della RTX 4070 mobile di NVIDIA e può collegare 4 schermi tramite HDMI, DisplayPort e USB4 x2 con funzionalità complete per gestire in modo efficiente le tue attività e soddisfare le tue esigenze specifiche. Supporta display con risoluzione 8K/4K.
✨ Offerta generata dalla Monetizzazione Agentic AI di Datamoney.ch · link affiliato AmazonNell’Arena AI, BIM e Digital del SAIE 2026 di Bologna ingegneri, software house, operatori del Real Estate, sviluppatori di agenti AI e ricerca universitaria si sono confrontati su una domanda precisa: come portare l’intelligenza artificiale dentro progettazione, imprese, software tecnico e Pubblica Amministrazione senza perdere il controllo del progetto. La conclusione condivisa è netta: l’AI aumenta produttività e qualità, ma non sostituisce il giudizio umano né trasferisce a una macchina la responsabilità professionale.
Andrea Dari ha aperto con una provocazione: «Si potrà smettere di lavorare mentre l’AI progetta al posto nostro?». Il tema vero, ha chiarito, non è l’automazione totale ma come accettare, usare e controllare questi strumenti lungo una filiera che va dall’housing alle infrastrutture, dalla stima immobiliare ai cedimenti di fondazione, fino alla gestione di pratiche e commesse.
Dal calcolo parallelo ai Transformer: perché l’AI è esplosa
Dari ha ricondotto la crescita dell’AI alla convergenza di tre fattori: l’hardware per il calcolo parallelo, con schede nate per la grafica e diventate architetture di supercalcolo (l’esempio citato è Nvidia); l’interpretazione statistica di immagini e dati, che non procede pixel per pixel ma riconosce rapporti tra forme, colori e pattern, con il contributo di ricerche come quelle di Fei-Fei Li; le teorie che hanno provato a formalizzare l’intelligenza. Il punto di svolta indicato è il 2017, anno dell’architettura Transformer: in meno di nove anni gli LLM sono passati da idea impraticabile a strumento d’uso quotidiano.
Le innovazioni piu' interessanti di tecnologia e scienza, dritte nella tua inbox.
Per Dari le reti neurali funzionano come superinterpolatori non lineari: non sono software specialistici come CAD, BIM o FEM, ma strumenti trasversali che costringono a rivedere metodi, ruoli e processi. La scala della partita la danno i circa 700 miliardi di Capex previsti dalle big tech nel 2026, mentre Italia ed Europa non dispongono di un sistema AI nativo paragonabile ai grandi fornitori internazionali: una dipendenza strategica, se l’accesso a quei sistemi venisse limitato.
White box contro black box: il nodo della tracciabilità
Nel calcolo tradizionale un problema diventa modello fisico e matematico, equazioni e risultati: a parità di input si ottiene lo stesso output e il percorso è ricostruibile, una “white box” nella definizione di Dari. L’AI lavora invece su grandi quantità di dati e su correlazioni statistiche, e il suo processo interno non è completamente leggibile. Se l’output è errato bisogna capire dove si è formato l’errore e chi ne risponde. Lo stesso vale per i dati: un progettista che invia documenti di gara riservati a un sistema generalista può esporre informazioni che non dovrebbe condividere.
Adriano Castagnone, presidente di AssoBIM e proprietario di STA DATA, ha messo a fuoco lo scontro tra un’AI probabilistica e una normativa deterministica: il DPR 380 chiede calcoli perfetti. L’obiettivo, a suo avviso, non è pretendere dall’AI una perfezione astratta, ma verificare che nel sistema complessivo non sia meno affidabile del progettista umano, che a sua volta può sbagliare. Castagnone ha proposto anche un ordine di grandezza teorico: sul puro ragionamento procedurale un’ora di AI varrebbe circa 2.000 ore umane, rapporto che scende a 1 a 5 o 1 a 7 includendo i due passaggi umani indispensabili, formulare bene la domanda e valutare la risposta. L’AI affronta bene i problemi tecnici; la sfida sono quelli adattivi, che richiedono di adattare una ricetta al contesto e alle condizioni disponibili. Per questo, ha detto, l’AI pone questioni più sociologiche che politecniche: «Che cosa faremo del lavoro e del tempo che si libererà?».
Proger: mappare i processi prima di scegliere l’algoritmo
Giuseppe Cretella, ingegnere di Proger, ha portato un esperimento di progettazione parametrica di un ponte guidata da istruzioni in linguaggio naturale. La prima versione era, nelle sue parole, «terribile e totalmente sbagliata»; il risultato è migliorato con un ciclo iterativo di istruzione, output, validazione umana e nuova istruzione, uno schema più realistico della progettazione completamente autonoma. Il rischio, ha avvertito, è che l’accelerazione allarghi la distanza tra produzione e controllo: più elaborati nello stesso tempo senza verifiche più forti rendono il processo più fragile. Le ore liberate vanno reinvestite in qualità, controllo, integrazione disciplinare e concezione progettuale.
Cretella ha citato alcuni dati sul settore construction negli Stati Uniti: il 27% dei professionisti avrebbe adottato l’AI, il 75% delle aziende resterebbe in fase sperimentale e il 16% l’avrebbe integrata in modo più compiuto. Gli ostacoli principali sono formazione insufficiente, integrazione con i sistemi aziendali esistenti e scarsa qualità dei dati. Proger lavora su quattro dimensioni: conoscenza di tecnologia e rischi, casi d’uso, architettura tecnica tra software, hardware, cloud e sistemi interni, governance e policy. La mappatura del flusso degli elaborati, dalla produzione interna o dalla ricezione da un fornitore fino all’approvazione valida per la costruzione, serve a trovare i veri colli di bottiglia: «In alcuni casi non serve l’AI ma una semplice automazione o un pezzo di codice».
Sul fronte dati l’azienda sviluppa strumenti di data management in tempo reale, per sapere dove si trova ogni elaborato e quale versione è stata inviata, e sta costruendo una repository interrogabile del sapere accumulato in circa quarant’anni. Su questa base di conoscenza nascono agenti specializzati: geotecnica, controllo degli errori di computo, progettazione predittiva, finanza, HR, curricula per le gare. È un lavoro che all’inizio non produce valore economico diretto e richiede tempo di persone esperte: senza la visione del management, secondo Cretella, l’adozione utile non arriva. Anche la governance parte da domande semplici, come quelle proposte dall’associazione britannica degli ingegneri strutturisti: il cliente sa che è stata usata l’AI, in quale passaggio, con quale valutazione dei rischi, con quali strumenti e fornitori, e il personale è stato informato?
CSP FEA: layer verticali e componenti deterministiche sopra gli LLM
Paolo Segala, rappresentante di CSP FEA, ha raccontato esperimenti partiti durante il lockdown, prima che gli LLM fossero disponibili nella forma attuale. Il riconoscimento grafico completo non è ancora raggiunto, ma le applicazioni verticali sì: riconoscimento dei carotaggi e trasformazione di migliaia di elaborati in informazioni utilizzabili. Il problema centrale sono le allucinazioni: i modelli generalisti sono addestrati su fonti eterogenee e, in un contesto tecnico, una risposta statisticamente plausibile può essere sbagliata o fuori contesto.
La risposta di CSP FEA è costruire layer di conoscenza per l’ingegneria civile sopra gli LLM, alimentati anche dal feedback delle aziende che correggono gli errori di interpretazione su cataloghi, tabelle e documenti digitalizzati. Nel calcolo strutturale l’idea è aggiungere algoritmi e componenti deterministiche sopra il modello linguistico, per non dipendere da una risposta puramente statistica. Segala ha indicato anche la dipendenza economica dai fornitori e dal consumo di token, con sistemi proprietari e LLM eseguiti internamente come possibile risposta. Il FEM, ha osservato, è già una “black box” per molti utenti, ma questo non cambia il punto: richiamando l’articolo 10.2 delle norme tecniche, la responsabilità deve restare in capo all’ingegnere. Dari ha ricordato che, dai primi codici della civiltà, chi progetta o costruisce risponde del crollo di un’opera.
Harpaceas: policy sulle licenze e il 30-40% di tempo recuperato
Paolo Sattamino, rappresentante di Harpaceas, azienda attiva da 36 anni nella trasformazione digitale del mercato delle costruzioni, ha descritto un’adozione interna fondata sulla governance: distinguere ciò che la macchina può fare da ciò che resta sotto la validazione della persona, con una policy legale chiara, perché non tutti i software, i fornitori o le licenze LLM sono utilizzabili per ogni attività. Lo strumento AI di supporto tecnico, se ben organizzato, ha permesso di recuperare tra il 30% e il 40% del tempo dei tecnici dell’assistenza, reinvestito nella validazione dei modelli ricevuti, attività che resta umana.
Verso i clienti Harpaceas parte da un assessment della base dati, prima di qualsiasi piattaforma potenziata dall’AI. Gli ambiti indicati sono i software di settore (modellatori BIM, coordinamento e calcolo) che stanno integrando funzioni AI, la valorizzazione di patrimoni informativi dispersi tra database e archivi e la conversione di tavole storiche in modelli 3D, campo di frontiera per chi ha migliaia di disegni. Qualcuno, tecnicamente, potrebbe essere tentato di dire che l’AI può sostituire il progettista: per Sattamino è una conclusione pericolosa, e la tecnologia va governata, non usata come sostituto cieco del giudizio.
Agenti AI per il Real Estate sostenibile e modelli in locale
Stefano Spremberg, fondatore di una società Real Estate chiamata Palazzi Cieloterra, che verifica anche con sistemi AI gli elaborati ricevuti da architetti e ingegneri che siano complianti con le direttive green che caratterizzano la societä, ha chiesto di usare il tempo liberato dall’AI per costruire meglio: meno materiali ed energia, riciclo dove possibile, edifici progettati per la fascia climatica e le condizioni locali, meno inquinamento.
Michele Ficara Manganelli, che sviluppa agenti AI attraverso Datamoney.ch, ha illustrato il lavoro svolto con Spremberg: un “company brain” che raccoglie esperienze, richieste e criteri dell’azienda e filtra proposte e opportunità secondo criteri di sostenibilità, con una prima validazione di massima da verificare. Tra le applicazioni: carte d’identità digitali delle abitazioni con certificazioni green, ricerca di opportunità immobiliari sostenibili, valutazione della riqualificazione al posto della nuova costruzione. Per Ficara Manganelli l’AI agentica è una rete di operatori che lavorano entro istruzioni e confini definiti: il rischio non è che gli agenti “scappino”, ma che manchi un perimetro adeguato. Da qui l’insistenza su sistemi agentici locali, privati e riservati, anche non collegati a Internet: «Il know-how aziendale e gli affari dell’impresa devono rimanere privati». Come esempio ha citato Apertus, modello svizzero disponibile gratuitamente, presentato come alternativa europea ai modelli cinesi.
Ciribini: dagli agenti alle infrastrutture cognitive
Angelo Ciribini, architetto e professore, ha chiuso il confronto guardando oltre l’AI testuale: umanoidi e modelli del mondo, sistemi capaci di conoscere la realtà, mantenere memoria e prevedere comportamenti, fino a entità artificiali che operano in ambienti fisici come i cantieri, con un richiamo all’approccio di Yann LeCun. Il tema immediato è l’agentificazione: i sistemi agentici sono la premessa di infrastrutture cognitive capaci di incorporare conoscenza tacita, memoria professionale e capacità di giudizio. Il passaggio sarebbe da un’asimmetria informativa a un’asimmetria cognitiva, cioè a chi controlla la capacità di comprendere, correlare e decidere. Da qui la domanda etica: «Fino a che punto si vuole spingere l’automazione cognitiva?».
Con il danno demografico che attende l’università e le attività iniziali e ripetitive sempre più affidate all’AI, anche l’apprendistato dei giovani professionisti dovrà cambiare. Questi problemi, secondo Ciribini, non sono lontani: potrebbero diventare attuali in pochi mesi.
Il vantaggio competitivo si decide nel prossimo anno
Chiudendo, Dari ha sottolineato che l’esperienza di Proger mostra quanto sia complessa un’adozione reale: servono investimento iniziale, dati ordinati, organizzazione, policy, formazione, architetture tecniche e verifica continua. Nel prossimo anno, ha previsto, potrebbero emergere differenze competitive rilevanti tra chi avrà usato l’AI in modo appropriato e chi l’avrà usata male o non l’avrà adottata. Il fattore distintivo sarà la produttività, ma non separata da qualità, sicurezza e responsabilità: l’AI ne esce come un moltiplicatore di capacità che richiede più governo del processo, non meno.
FAQ
L’AI può già progettare una struttura in autonomia?
La prova di Proger su un ponte parametrico mostra un ciclo iterativo: la prima versione era sbagliata e il risultato è migliorato solo con istruzioni, validazione umana e correzioni successive.
Perché gli LLM generalisti sono rischiosi nel calcolo strutturale?
Lavorano su correlazioni statistiche e possono dare risposte plausibili ma errate: per questo si propongono layer di conoscenza verticali e componenti deterministiche sopra il modello.
Quanto tempo fa recuperare l’AI nel supporto tecnico?
Harpaceas indica un recupero tra il 30% e il 40% del tempo dei tecnici dell’assistenza, reinvestito nella validazione dei modelli ricevuti.
Chi risponde se un calcolo fatto con l’AI è sbagliato?
Il progettista: i relatori hanno richiamato l’articolo 10.2 delle norme tecniche e il principio per cui chi progetta o costruisce risponde dell’opera.
Da dove provengono le informazioni di questo articolo?
Dal resoconto degli interventi del convegno nell’Arena AI, BIM e Digital del SAIE 2026 di Bologna, rielaborato e verificato dalla redazione.
Articolo pubblicato con l’ausilio del sistema di Redazione AI AGENTICA di Datamoney, e supervisione umana finale.Non perdere gli errori di prezzo clamorosi su Amazon!
Iscriviti al canale Telegram e ricevili in tempo reale
Guide agli acquisti su Amazon
Le notizie più lette su Assodigitale
✨ Classifica generata dalla Agentic AI (REDAZIONE AI) di Datamoney.ch
