Foto di Mick Haupt — Unsplash

Chi ha disegnato interfacce SOAP o REST conosce bene il termine “contratto” — il WSDL, o lo schema REST equivalente, definisce operazioni, messaggi, tipi di dato: un accordo formale su come i sistemi si parlano. Ma è un contratto che certifica la forma, non la sostanza. Due sistemi possono esporre entrambi un campo statoEntità: string, entrambi perfettamente conformi al proprio contratto — senza che quel campo significhi la stessa cosa.

Basta cambiare il tipo di entità per vederlo con chiarezza. L’attivazione di una SIM, a partire da un order manager, coinvolge l’attivazione coordinata di più elementi di rete GSM — un processo con passi tecnici intermedi propri. L’onboarding di un cliente per una polizza assicurativa segue un percorso diverso — richiesta, verifica documentale, firma, decorrenza — con transizioni proprie del dominio assicurativo. L’attivazione di un conto corrente bancario introduce vincoli normativi propri, come le verifiche antiriciclaggio, che generano stati di sospensione temporanea assenti negli altri due casi. Stesso nome di campo, stesso tipo dichiarato nel contratto tecnico — tre entità con cicli di vita e transizioni di stato profondamente diversi, per natura del dominio a cui appartengono.

E non finisce qui. La stessa interfaccia, con lo stesso identico WSDL, usata da aziende clienti diverse per lo stesso tipo di entità, può richiedere logiche di stato, sequenze di transizione e attributi correlati altrettanto differenti. Il contratto tecnico non cambia; il ciclo di vita che ciascuna azienda attribuisce a quei valori sì.

A questo punto la domanda diventa inevitabile: se il contratto tecnico — verificato, tipizzato, formalmente corretto — non è in grado di catturare nessuna di queste differenze, dove va cercata la definizione vera di cosa significhi, per quella entità e per quell’azienda, trovarsi in un determinato stato? Non può stare nel contratto stesso, che per costruzione parla solo di forma. E non può stare implicitamente nella testa di chi ha progettato ciascun sistema, perché è esattamente questo che genera l’incompatibilità quando i sistemi devono dialogare.

BI e AI non introducono un nuovo problema — analizzano dati che quelle stesse interfacce hanno trattato, prodotto, persistito. Il problema è già lì, a monte, nel momento in cui il contratto tecnico lascia indefinito cosa statoEntità significhi per quella entità e per quell’azienda. BI e AI non fanno che ereditare quell’ambiguità, ciascuna a modo suo.

Uno strumento di Business Intelligence lavora sopra uno schema costruito sui sistemi sorgente: qualcuno, in fase di progettazione del report o del data warehouse, ha dovuto decidere come trattare quel campo, senza avere a disposizione nulla che gli dicesse cosa significasse davvero. La BI, del resto, nasce per rispondere a domande note in anticipo — dashboard, KPI predefiniti — ed è proprio questa la sua forza (ripetibilità su schema fisso) e insieme il suo limite (non può adattarsi a una domanda che lo schema non aveva previsto). I sistemi di BI moderni offrono spesso strumenti di implementazione e descrizione della reportistica che semplificano notevolmente questa fase di progettazione — ma restano strumenti che agevolano la costruzione di un report e non risolvono cosa significhi davvero il dato che vi confluisce. Se lo statoEntità di una SIM e quello di un conto corrente vengono aggregati come fossero comparabili, il risultato è tecnicamente corretto e concettualmente privo di senso — non perché la BI abbia sbagliato query, ma perché il dato che sta interrogando porta con sé un’ambiguità che nessuno ha mai risolto a monte.

Un agente basato su AI parte dagli stessi dati, con la stessa ambiguità di fondo, ma la affronta in modo diverso: rispetto alla BI inverte esattamente il rapporto tra flessibilità e ripetibilità — risponde a domande non previste in anticipo, ma paga il prezzo opposto, perché ogni risposta è ricostruita al momento, senza garanzia di coerenza tra un’interrogazione e l’altra. Invece di ereditare passivamente uno schema già deciso da altri, il modello prova a inferire, ogni volta che riceve una domanda, cosa significhi quel campo in quel contesto. Se la definizione non è dichiarata esplicitamente da nessuna parte, il modello la ricostruisce per plausibilità statistica — con il rischio che lo faccia in modo leggermente diverso a seconda della domanda o del contesto disponibile. Il risultato è più insidioso di un errore di BI: non un report vuoto o una query che fallisce, ma una risposta plausibile, ben formulata, e potenzialmente sbagliata, senza alcun segnale visibile che lo sia.

Due strumenti, due modi diversi di lavorare sui dati — BI rigida ma prevedibile (anche quando ben strumentata), AI flessibile ma non deterministica — ma nessuno dei due genera l’ambiguità, e nessuno dei due, da solo, la risolve: entrambi la trovano già scritta nei dati che ricevono in eredità dalle interfacce che li hanno prodotti.

Torniamo allora al punto di origine: il contratto tecnico — WSDL o schema REST — dichiara le operazioni disponibili e la struttura dei messaggi, senza specificare cosa quelle operazioni significhino davvero nel dominio applicativo. Certifica solo la forma, non la sostanza. Ogni sistema che implementa quell’interfaccia — ogni SIM, ogni polizza, ogni conto corrente, in ogni azienda diversa — è un’implementazione concreta diversa dello stesso contratto formale, con la propria logica interna, la propria macchina a stati, i propri vincoli.

Verrebbe da pensare che il rapporto tra queste implementazioni funzioni come il polimorfismo, nella programmazione: la possibilità che implementazioni diverse di una stessa interfaccia si comportino in modo intercambiabile per chi le utilizza. Un cerchio e un rettangolo possono avere ciascuno il proprio modo di calcolare l’area, ma chi invoca “calcola l’area” lo fa nello stesso modo per entrambi, senza dover specificare di volta in volta la forma — è l’oggetto stesso, nel momento in cui viene creato, a sapere di essere un cerchio o un rettangolo, e a eseguire il calcolo giusto di conseguenza.

Ma qui il legame è più debole: passare dal dato del sistema sorgente a un significato condiviso richiede quasi sempre una trasformazione esplicita — non un semplice casting da una forma all’altra, come nel polimorfismo, ma un lavoro interpretativo che qualcuno deve compiere consapevolmente.

Per capire con precisione cosa significhi davvero costruire un modello che astrae oggetti concreti diversi sotto un’unica definizione condivisa, l’algebra astratta offre lo strumento più preciso. Una struttura come il gruppo è definita da assiomi — associatività, esistenza di un elemento neutro, esistenza dell’inverso per ogni elemento — non da cosa siano concretamente i suoi elementi. Per capirci, ecco alcuni esempi di gruppo:

1. gli interi, con l’addizione come operazione e lo zero come elemento neutro;

2. le permutazioni di un insieme, con la composizione come operazione e “non permutare nulla” come elemento neutro;

3. le matrici invertibili, con la moltiplicazione tra matrici come operazione e la matrice identità come elemento neutro.

Sono istanze completamente diverse tra loro — numeri, riordinamenti, tabelle di numeri — che condividono solo la struttura astratta definita dagli assiomi. Non sono, si badi, tre modi diversi di rappresentare la stessa cosa — sono oggetti matematici del tutto indipendenti, che non hanno nulla in comune nel contenuto. Il loro unico punto di contatto è formale: rispettano tutti la stessa struttura astratta (la definizione di gruppo). Ed è esattamente questo il rapporto che interessa qui: così come questi tre oggetti concreti condividono solo un’impalcatura di assiomi, SIM, polizza e conto corrente sono sistemi concretamente diversissimi che possono condividere, allo stesso modo, solo una struttura astratta comune — non il contenuto tecnico, ma l’ontologia di dominio che li governa.

Il passaggio da un’istanza concreta a un’altra è un morfismo (si veda la definizione in algebra astratta): una funzione che preserva la struttura, e che può non essere iniettiva — cioè può far confluire elementi diversi in un unico risultato, come vedremo tra poco con il quoziente.

Un quoziente, in algebra, è ciò che si ottiene raggruppando elementi diversi di una struttura in un’unica classe, secondo una regola: ad esempio, raggruppando gli interi per parità si ottengono solo due classi, “pari” e “dispari”. La proiezione su questo quoziente è la funzione che assegna a ogni numero la propria classe — e nel farlo perde necessariamente informazione: sapere che un numero è “pari” non permette di risalire a quale numero fosse in origine, perché conta solo la categoria a cui appartiene, non il valore specifico. È lo stesso meccanismo che avviene quando un valore tecnico del sistema sorgente confluisce in uno stato astratto del semantic layer: molti valori diversi possono ricadere nella stessa categoria, e il dettaglio tecnico specifico va perso perché, per il modello di business, non contava.

Detto in termini semplici: questo è, in miniatura, ciò che significa costruire un modello ontologico. Non si tratta di elencare i campi che i sistemi hanno in comune, ma di individuare gli assiomi — le relazioni e i vincoli che devono valere sempre, qualunque sia il sistema sorgente — lasciando che ogni sistema resti un’istanza concreta diversa, con la propria rappresentazione tecnica dei medesimi principi.

Vale la pena distinguere, a questo punto, tre livelli che nella pratica finiscono spesso mescolati, ed è proprio questa confusione a rendere più sfuggente di quanto dovrebbe essere il concetto verso cui questi tre livelli convergono: il semantic layer, il livello che vedremo tra poco. Il primo livello è lo schema tecnico: campi, tipi, struttura di un singolo sistema — pura sintassi, quello che il contratto WSDL certifica. Il secondo è il modello canonico, tipico di un’architettura EAI (Enterprise Application Integration — l’insieme di tecniche con cui i sistemi aziendali si scambiano dati senza dover essere collegati uno a uno): una rappresentazione intermedia usata per il mapping tra sistemi, già un passo verso l’astrazione, ma orientata soprattutto a far dialogare i messaggi, non a definirne il significato ultimo. Il terzo livello è quello di cui stiamo parlando: la struttura che non dice solo “come mappare il campo X nel campo Y”, ma “cosa X è davvero”, con quali vincoli e relazioni — è questo lo scarto che rende il modello riusabile anche per ragionamento e inferenza, non solo per instradamento dati.

Questo livello, una volta definito, non serve solo a leggere lo stato delle entità nei sistemi sorgente — serve anche ad agire su di esso, e qui il ciclo si chiude in due direzioni. In lettura, sono i sistemi sorgente a popolare l’oggetto astratto: ciascun sistema alimenta la propria porzione del modello comune secondo il proprio mapping. In scrittura il verso si inverte: un’azione compiuta sul modello astratto — non sul sistema sorgente direttamente — deve tradursi in un’operazione concreta su quel sistema specifico. L’oggetto astratto, in altre parole, non è solo una vista di lettura: è un’interfaccia attraverso cui si opera sul sistema reale.

Questo introduce un problema tecnicamente delicato, diretta conseguenza del fatto che il morfismo può non essere iniettivo: dopo che un’azione modifica il sistema sorgente, l’oggetto astratto va riletto per riflettere lo stato reale — e se l’azione astratta non aveva una traduzione univoca e completa in quel sistema, la rilettura può non ricostruire esattamente lo stato che il modello aveva previsto. La coerenza tra i due livelli, in altre parole, non è garantita per costruzione: va progettata.

Per risolvere questa incoerenza è necessario definire un’ontologia — quella che poco sopra abbiamo anticipato come semantic layer: un modello concettuale che stabilisce entità, relazioni e vincoli a livello di significato, condiviso e indipendente da come ciascun sistema li implementa fisicamente — non uno schema tecnico, non un formato di scambio, ma la rappresentazione di cosa le cose sono davvero per quel dominio.

Esistono però modelli diversi di ontologia, ed è utile distinguerli. Il primo è quello classico del web semantico, basato sui formalismi RDF e OWL, entrambi standard del W3C.

RDF (Resource Description Framework) è il modello dati di base: rappresenta ogni fatto come una tripla soggetto-predicato-oggetto — ad esempio “Cliente — ha_contratto — Contratto”. È un modo strutturato di scrivere fatti e relazioni, nulla di più.

OWL (Web Ontology Language) si costruisce sopra RDF e aggiunge la parte logica: permette di definire classi, sottoclassi, vincoli — ad esempio “ogni Cliente ha esattamente un codice fiscale” — e soprattutto l’inferenza logica automatica: un motore software (detto reasoner) può dedurre fatti impliciti a partire da quelli dichiarati esplicitamente. Se una regola stabilisce che “Cliente” è sottoclasse di “Persona”, e un’istanza è dichiarata “Cliente”, il reasoner deduce da solo che è anche “Persona”, senza che nessuno lo scriva a mano.

RDF e OWL restano però dichiarativi e passivi: descrivono cosa è vero, e permettono di interrogare quella conoscenza o farci ragionare sopra un motore esterno — ma non agiscono di per sé sui sistemi sorgente. Sono un livello di conoscenza consultabile, non un livello che modifica la realtà che rappresenta.

È qui che l’Ontology di Palantir Foundry si distingue: non si limita a rappresentare la conoscenza in questo modo dichiarativo, ma la rende operativa. Agli oggetti del modello astratto sono associate delle “actions”: operazioni che un utente o un processo esegue direttamente sull’oggetto astratto — ad esempio, cambiare lo stato di un’entità, o assegnarle un nuovo valore — così come si opererebbe su un normale oggetto applicativo. La differenza sostanziale è cosa succede subito dopo: quell’azione, eseguita sul modello astratto, non resta confinata lì. Il framework la traduce automaticamente nell’operazione concreta corrispondente sul sistema sorgente specifico — una chiamata API, una scrittura su database, un aggiornamento di record — e la propaga fino a modificare realmente lo stato del sistema originario. Questo è il write-back: l’azione compiuta “in astratto” si scrive indietro, concretamente, nei sistemi che avevano originato il dato.

La differenza pratica rispetto a un’ontologia dichiarativa come RDF/OWL è netta: lì, cambiare un fatto nel modello di conoscenza è un’operazione che riguarda solo il modello stesso — non tocca in alcun modo il sistema che aveva fornito il dato originario. Con Foundry, invece, agire sul modello astratto significa agire, di riflesso, sulla realtà operativa che quel modello rappresenta.

Il modello astratto, una volta costruito, non è soltanto il bersaglio delle azioni — è anche, e soprattutto, la base su cui si possono finalmente condurre analisi affidabili. È qui che BI e AI, di cui abbiamo visto i limiti in apertura, cambiano ruolo: non interrogano più direttamente i dati grezzi dei sistemi sorgente, con tutta l’ambiguità che questo comportava, ma il modello astratto — dove statoEntità ha un unico significato dichiarato, coerente per ogni sistema e ogni azienda cliente. Un agente AI che lavora sopra questo livello non deve più inferire, ogni volta, cosa significhi un attributo: quella definizione è già scritta, stabile, verificabile. È un cambiamento che non riguarda la potenza dello strumento di analisi, ma il terreno su cui opera.

Questo apre la parte più rilevante per il business: le analisi condotte sul modello astratto — pattern, correlazioni, soglie ricorrenti individuate osservando gli oggetti a livello semantico, non i singoli sistemi — possono tradursi in azioni concrete che, tramite il write-back, modificano davvero il modello di business sorgente. Non si tratta quindi solo di leggere meglio i dati: il ciclo si chiude nell’altra direzione, dall’analisi alla decisione operativa, senza dover intervenire manualmente, sistema per sistema, su ciascuna piattaforma sorgente.

Tutto questo — la struttura astratta, i morfismi, la parametrizzazione per contesto — ha senso pratico in un caso preciso: quando l’obiettivo è costruire un sistema di analisi di business riusabile su più aziende clienti, senza dover ripetere ogni volta un’implementazione su misura. Se il sistema dovesse servire una sola azienda, con una sola tipologia di entità, si potrebbe anche cablare direttamente la semantica nel codice, senza bisogno di un layer separato: sarebbe più rapido, e la parametrizzazione sarebbe solo un costo aggiuntivo ingiustificato. Il semantic layer diventa necessario — non solo utile — nel momento in cui la stessa infrastruttura di analisi deve funzionare su aziende diverse, con logiche di business diverse, senza che questo significhi riscrivere da zero il sistema per ciascuna.

Detto in termini di processo di business, non di implementazione tecnica: oggi, se un’azienda scopre — analizzando i propri dati — che una certa condizione dovrebbe far scattare un’azione (sospendere un contratto, avviare una verifica, inviare una comunicazione di recesso), quella scoperta resta separata dall’azione stessa. Qualcuno deve tradurla in un intervento sul sistema giusto: un ticket per il team che gestisce le SIM, uno per chi gestisce le polizze, uno per chi gestisce i conti correnti — ciascuno con le proprie priorità, i propri tempi, la propria coda di lavoro. La decisione è unica, la sua esecuzione si moltiplica per quanti sistemi sorgente esistono. È esattamente questa separazione — tra scoperta e azione — che un semantic layer, con il suo ciclo di lettura e scrittura, permette di ricomporre in un unico processo integrato.

Il write-back capovolge questo schema: la regola si scrive una sola volta, sul modello astratto, e da lì si propaga automaticamente — senza intervento manuale ripetuto — a ciascun sistema sorgente, nella forma che gli è propria. Non è più “abbiamo scoperto qualcosa, ora bisogna implementarlo ovunque”: è “abbiamo scoperto qualcosa, ed è già implementato ovunque”.

Questo, e non l’ennesimo miglioramento nella capacità di interrogare i dati, è il vero cambio di paradigma. Finché l’obiettivo era leggere meglio — con la BI prima, con l’AI poi — il beneficio restava confinato all’analisi: si capiva di più, ma si agiva comunque allo stesso modo, sistema per sistema. Quando anche l’azione passa attraverso il modello astratto, il costo di trasformare una scoperta in una modifica operativa smette di crescere con il numero di sistemi e di aziende clienti coinvolte — proprio perché, come appena visto, la regola si scrive una sola volta e si propaga da sé, invece di dover essere reimplementata caso per caso. Ed è questo ciò che rende l’investimento nel semantic layer strutturalmente diverso da un investimento nello strumento di analisi più recente.

È qui che si comprende meglio perché l’AI, da sola, non basta a generare questo salto: ha reso evidente e non più eludibile il problema semantico — ha tolto l’alibi tecnico di non poter interrogare i dati in linguaggio naturale — ma non lo ha risolto, perché risolverlo significa costruire lo strato che sta sotto, non un agente più bravo sopra. Palantir Foundry è oggi il caso più visibile e maturo di questa architettura, ma non ne è il destinatario esclusivo: è la prima implementazione industriale di un’esigenza che, una volta resa evidente dall’AI, difficilmente resterà un caso isolato.

Resta però un investimento non indifferente da giustificare — tipicamente non da parte della singola azienda che affronta da sola il problema, ma da parte di un vendor che costruisce una piattaforma di questo tipo per offrirla come servizio a più aziende clienti. E anche per un vendor, la scelta non ha senso allo stesso modo in ogni contesto: ha senso soprattutto dove esiste una massa sufficiente di aziende — con una pluralità di sistemi sorgente eterogenei da governare, e volumi di operazioni tali da giustificare il costo — per cui i benefici del write-back centralizzato superano chiaramente il costo che quelle aziende dovranno sostenere per adottarlo. È nella complessità diffusa su un intero mercato di potenziali clienti — non nel caso isolato di una singola azienda con pochi sistemi — che l’investimento del vendor si ripaga, e che il vantaggio competitivo di chi costruisce per primo una piattaforma del genere diventa strutturale, non recuperabile a posteriori da chi arriva dopo semplicemente offrendo un tool più potente.

Non dispongo di dati certi e ufficiali su questo — Palantir non pubblica un listino pubblico, e prezza ogni deal in negoziazione diretta — ma da fonti di settore è possibile reperire alcune indicazioni: contratti commerciali per Foundry, spesso abbinato ad AIP (la componente che integra modelli AI nei flussi operativi costruiti sull’ontologia), che vanno da circa 250.000 dollari l’anno per un deployment con un singolo caso d’uso ristretto, fino a diversi milioni per un programma enterprise, con la maggior parte dei primi contratti — tra mid-market e grandi aziende — che si colloca tra 500.000 e 2 milioni di dollari annui. A questo si aggiungono tipicamente costi di implementazione e capacità interna che, nel primo anno, spesso superano quello della sola licenza.

Siamo partiti da una parola usata quotidianamente da chi disegna interfacce — “contratto” — e da una difficoltà reale a definirla fino in fondo. Quella difficoltà non era un limite personale: era il sintomo esatto del problema. Un WSDL, uno schema REST, certificano la forma di uno scambio, non il significato di ciò che viene scambiato — e questa distanza tra forma e significato resta identica, silenziosa, sia che a interrogare quei dati sia un report BI costruito su schema fisso, sia che a farlo sia l’agente AI più avanzato disponibile oggi. Cambiano gli strumenti, cambia la loro flessibilità, ma il vincolo di fondo — nessuno dei due sa, per costruzione, cosa significhi davvero un attributo come statoEntità per quella specifica entità e per quella specifica azienda — resta intatto, perché nessuno dei due è stato progettato per risolverlo.

Il punto di arrivo non è quindi un nuovo strumento di analisi, ma il livello che sta sotto tutti gli strumenti: quell’ontologia di cui abbiamo già visto la natura, che si presta a essere descritta con lo stesso rigore delle strutture algebriche astratte — assiomi stabili, istanze concrete che li soddisfano ciascuna a modo proprio, morfismi che collegano le une alle altre senza pretendere di preservare ogni dettaglio.

Questa esigenza si può leggere su due piani distinti, che convergono sulla stessa conclusione.

Sul piano teoretico, conviene partire da un fatto sperimentale concreto, prima di generalizzarlo. Un modello di visione artificiale, per riconoscere un cane in una fotografia, non fa quello che fa un essere umano quando guarda la stessa immagine. Un umano riconosce un cane — che si tratti di un chihuahua o di un alano, animali visivamente molto diversi tra loro — perché possiede il concetto astratto di “cane”, una categoria che resta la stessa al di là delle enormi differenze di taglia, forma, proporzioni tra le razze. Il modello, invece, analizza i valori numerici dei singoli pixel e calcola quale etichetta è statisticamente più probabile, sulla base di milioni di immagini viste durante l’addestramento — non “sa” cosa renda un chihuahua e un alano entrambi cani, riconosce solo pattern ricorrenti nei numeri.

Questo limite è stato dimostrato in modo netto dagli esempi cosiddetti adversarial: modificando un numero minimo di pixel in un’immagine — una variazione così piccola da restare invisibile all’occhio umano, che continua a vedere un cane senza alcun dubbio — è possibile far sì che il modello classifichi la stessa immagine come uno squalo. È il rovescio esatto di quanto appena visto: dove l’umano resta fermo sul concetto nonostante un’enorme diversità visiva (chihuahua contro alano), il modello cambia risposta di fronte a una differenza visiva minima e impercettibile. Se un intervento tanto piccolo può ribaltare completamente il risultato, significa che dietro l’etichetta “cane” non c’è mai stato un concetto stabile: c’è solo una configurazione di numeri, che si può spostare con un intervento minimo verso una configurazione diversa.

Lo stesso meccanismo, spostato dal dominio delle immagini a quello del testo, vale per un modello linguistico che analizza dati aziendali: quando gli viene chiesto cosa significhi un attributo come statoEntità, il modello non possiede una definizione stabile di quel concetto, così come non possiede il concetto di “cane” — ricostruisce ogni volta la risposta più plausibile, sulla base del contesto disponibile in quel momento, e può ricostruirla in modo leggermente diverso a seconda della domanda.

Questo limite ha un parallelo preciso nella filosofia di Kant, già incontrato altrove: le categorie di pensiero, per Kant, non sono ricavate dall’esperienza sensibile — la precedono, e sono ciò che rende possibile un’esperienza organizzata e coerente, invece che un flusso caotico di sensazioni. Un semantic layer gioca esattamente lo stesso ruolo per un sistema artificiale: non viene ricavato induttivamente dai dati, come fa un modello quando impara pattern nei pixel o nel testo, ma viene imposto dall’esterno come vincolo dichiarato — una struttura di significato stabile che esiste prima ancora che un modello interroghi i dati. Nessuna ottimizzazione statistica può generare da sé questa struttura, perché per sua natura un modello scopre correlazioni tra i dati che vede, non definizioni di ciò che quei dati rappresentano.

Sul piano del business, la stessa esigenza assume un volto diverso ma converge sullo stesso punto. Palantir Foundry, con la sua Ontology e il suo ciclo di write-back, è oggi il caso più visibile di questa architettura portata a scala industriale. Ma è ragionevole pensare che non resterà a lungo un caso isolato: una volta che un’esigenza di questo tipo viene resa evidente e dimostrata a scala — con numeri di mercato che la rendono un segmento appetibile — è naturale attendersi che altri fornitori entrino a costruire layer analoghi, differenziandosi su livelli di prestazione e fasce di costo pensate per esigenze diverse dalla grande enterprise che oggi può permettersi cifre nell’ordine delle centinaia di migliaia o dei milioni di dollari l’anno. È lo schema consueto con cui un’architettura dimostrata da un pioniere si democratizza: non resta un prodotto unico, diventa una categoria, con opzioni scalate per chi ha meno sistemi da governare o budget più contenuti.

Foto di Erik Mclean

Chi guida, oggi, sta davvero guidando?
Osservando il traffico — in città, in autostrada, ai semafori — la risposta onesta è: non sempre. Il telefono sul cruscotto, la musica, il podcast, la conversazione con il passeggero. La mente altrove. Le mani sul volante per abitudine, non per intenzione.

Non è una critica morale. È una descrizione.

La guida è diventata per la maggior parte delle persone un’attività di sottofondo — qualcosa che si fa mentre si fa altro, o mentre si pensa ad altro. Un intervallo tra due momenti che contano, non un momento che conta in sé.

Non è sempre stato così. C’è stata un’epoca in cui guidare era un atto consapevole, persino desiderato. Ma quella epoca aveva un contesto preciso — culturale, tecnologico, sociale — che non esiste più. Quello che è rimasto è il mezzo. Il senso si è trasformato in qualcos’altro, silenziosamente, senza che nessuno lo dichiarasse.

Vale la pena chiedersi cosa ci dice questo cambiamento. Non per giudicarlo — per capire dove sta andando.

Il contesto in cui si guida oggi non è lo stesso di cinquant’anni fa.

Le città sono cambiate. La densità urbana è cresciuta, ma non sempre nel senso atteso. Il costo crescente degli immobili nelle aree metropolitane ha spinto le persone verso periferie e comuni limitrofi — più lontani, ma ancora gravitazionalmente legati ai centri per il lavoro. A questo si aggiunge una mobilità lavorativa molto più elevata rispetto al passato: le persone cambiano azienda, cambiano sede, cambiano città. Gli spostamenti si sono moltiplicati e concentrati negli stessi orari. Il traffico è diventato una variabile strutturale — non un'eccezione, ma la condizione normale. Chi si sposta in automobile nelle ore di punta nelle grandi aree metropolitane non sta guidando in senso pieno: sta avanzando a passo d'uomo, frenando, ripartendo, aspettando. Un'attività che richiede presenza senza offrire nulla in cambio.

A questo si aggiunge una stratificazione normativa crescente. Le norme del codice della strada si sono fatte più stringenti — limiti di velocità, zone a traffico limitato, requisiti tecnici dei veicoli, standard di emissione. Non per capriccio burocratico, ma per ragioni reali: più veicoli, più velocità, più rischio. La risposta normativa era inevitabile.

Il risultato combinato è che lo spazio di libertà che l’automobile rappresentava si è progressivamente ristretto. Non è più il mezzo con cui si sfugge ai vincoli — è diventato esso stesso un sistema di vincoli: assicurazione, bollo, manutenzione, parcheggio, ZTL, limiti, telecamere.

L’automobile come simbolo di libertà individuale era già un racconto del dopoguerra. Oggi quel racconto fatica a reggere il confronto con la realtà quotidiana di chi passa un’ora in coda ogni mattina.

La risposta tecnologica a questo cambiamento è già in corso. Non nei laboratori — nei veicoli di serie.

Chi guida un’automobile moderna di fascia media ha già a disposizione sistemi che, fino a pochi anni fa, erano prerogativa delle vetture di lusso: frenata autonoma di emergenza, mantenimento automatico della corsia, cruise control adattivo che regola la velocità in funzione del veicolo che precede, riconoscimento dei segnali stradali, avviso di angolo cieco. In alcuni modelli, il veicolo è già in grado di gestire autonomamente tratti autostradali in condizioni di traffico scorrevole.

Non è fantascienza. È già nei concessionari.

Quello che colpisce, osservando questa evoluzione, è la direzione che indica. Ogni sistema di assistenza alla guida sposta progressivamente il carico cognitivo dal conducente al veicolo. Non elimina il guidatore — lo deresponsabilizza parzialmente, lo affianca, lo sostituisce nei compiti più ripetitivi e meno stimolanti.

C’è però un aspetto di questa transizione che vale la pena nominare con onestà. I sistemi di assistenza parziale creano un paradosso: da un lato inducono il conducente a distrarsi — la guida diventa meno impegnativa, la soglia di attenzione si abbassa. Dall’altro non sono ancora in grado di sostituirlo completamente — intervengono, correggono, frenano, ma richiedono che qualcuno rimanga presente e reattivo.

È una zona grigia pericolosa. Non è ancora guida autonoma, non è più guida tradizionale. Le responsabilità sono ambigue, i riflessi si atrofizzano, la fiducia nel sistema supera le sue capacità reali.

È un transitorio — necessario forse, ma non privo di costi. E suggerisce che la soluzione non stia nell’assistenza parziale, ma nel completare la transizione.

Qualcosa sta cambiando anche nel rapporto culturale con l’automobile, e lo sta facendo senza che nessuno l’abbia deciso.

Nelle grandi aree urbane, le generazioni cresciute negli ultimi vent’anni hanno sviluppato un rapporto con la mobilità strutturalmente diverso da quello dei loro genitori. L’automobile non è più il primo acquisto simbolico dell’indipendenza — in molti casi non è un acquisto affatto. Car sharing, scooter elettrici, mezzi pubblici, bicicletta: la mobilità è diventata un servizio da fruire, non un bene da possedere.

Non è solo una scelta culturale. È anche una risposta razionale al contesto: il costo crescente dell’automobile, la difficoltà di parcheggiarla, la disponibilità di alternative sempre più comode. Fuori dalle grandi città il quadro è diverso — l’auto rimane indispensabile. Ma nelle aree metropolitane la tendenza è leggibile nei dati: calo delle immatricolazioni nella fascia under 35, crescita costante dei servizi di mobilità condivisa, percentuale di giovani con patente in progressiva diminuzione.

A questo si aggiunge un dato culturale più profondo. L’automobile come status symbol — come oggetto che dice qualcosa di chi la possiede — ha perso progressivamente il suo significato nelle generazioni più giovani. Il modello che si guida non racconta più quello che raccontava. Altri oggetti, altri servizi, altre esperienze hanno preso quel posto.

Non è nostalgia, non è un giudizio. È una tendenza leggibile nei dati di vendita, nelle abitudini di spostamento, nei modelli di consumo. La direzione è già tracciata — semplicemente non è ancora stata letta come quello che è: un cambio di paradigma in corso, silenzioso e già avanzato.

Da questa osservazione emerge una domanda naturale: ha senso aspettare che questa tendenza si completi da sola, in modo frammentato e senza visione — o vale la pena costruire la proposta che la accompagna e la rende più efficiente?

La proposta non è rivoluzionaria nel senso di imporre qualcosa di nuovo. È quasi conservativa — prende una direzione già in atto e la organizza.

Il punto di partenza è una domanda semplice: cosa serve davvero alla mobilità individuale? Non guidare — spostarsi. Arrivare da A a B, possibilmente nel modo più comodo, efficiente e libero possibile. La guida è sempre stata il mezzo, non il fine. E quando il mezzo diventa un onere — traffico, stress, costi, norme, attenzione forzata — vale la pena chiedersi se esista un mezzo migliore per lo stesso fine.

La risposta esiste già in forma embrionale: unità di trasporto autonome, richiamate come servizio o possedute, in cui l’utente imposta la destinazione e si occupa d’altro. Non un’automobile con un autista — un sistema di mobilità in cui la guida non è più una variabile. Il tempo di spostamento torna disponibile: per lavorare, riposare, leggere, conversare.

Il salto ulteriore è sistemico. Queste unità non si spostano in modo indipendente e casuale — si aggregano dinamicamente in convogli per i tratti di percorso comuni, ottimizzando flussi e consumi, per poi disaggregarsi autonomamente verso le destinazioni individuali. Non è fantascienza: è logistica applicata alla mobilità personale. La stessa logica che governa i sistemi di distribuzione più efficienti, applicata agli spostamenti delle persone.

Il vantaggio non riguarda solo chi sceglie di non guidare. Riguarda anche chi non può più farlo — o non potrà farlo tra qualche anno. L’invecchiamento della popolazione porta con sé una perdita progressiva delle capacità fisiche e cognitive necessarie per guidare in sicurezza. Oggi quella perdita coincide con una perdita di autonomia: chi non può più rinnovare la patente perde l’accesso indipendente agli spostamenti. In un sistema di mobilità passiva, quel problema semplicemente non esiste. La mobilità non è più una prestazione — è un servizio disponibile a tutti, indipendentemente dall’età e dalle condizioni fisiche.

La guida, in questo scenario, non scompare. Si trasforma in quello che era alle origini — un’esperienza consapevole, cercata, ludica. La pista, il percorso di montagna, la domenica mattina con una macchina che vale la pena guidare. Non un obbligo quotidiano — una scelta.

Un sistema di mobilità ripensato in questi termini apre anche una domanda diversa sulla propulsione. Non più: come rendiamo il motore endotermico compatibile con requisiti che non è nato per soddisfare. Ma: quale sistema di propulsione è ottimale per un veicolo autonomo, aggregabile, gestito algoritmicamente?

La risposta non è ideologica — è tecnica. Un veicolo che non richiede risposta immediata al guidatore, che percorre tratti prevedibili, che si aggrega in convogli con flussi energetici condivisi, che viene gestito da un sistema che conosce in anticipo il percorso e ottimizza i consumi — questo veicolo ha requisiti completamente diversi dall’automobile tradizionale.

Propulsione elettrica, idrogeno, sistemi ibridi evoluti: non come imposizione normativa, ma come scelta tecnica naturale per un sistema progettato senza i vincoli del paradigma precedente. Quando si riparte dalla domanda giusta, le risposte cambiano da sole.

Una transizione di questa portata non si organizza da sola. La tendenza è già in atto, la tecnologia è già disponibile in forma embrionale, i costumi si stanno già muovendo. Ma senza una visione di sistema, quello che emerge è frammentazione: soluzioni parziali, standard incompatibili, investimenti duplicati, mercati che si sviluppano in modo disordinato.

È esattamente il punto in cui un programma coordinato fa la differenza — non per imporre una direzione, ma per renderla più rapida, più efficiente e più vantaggiosa per tutti.

Il modello non è nuovo. La Comunità Europea del Carbone e dell’Acciaio non nacque per dichiarare valori — nacque per rendere strutturalmente conveniente una cooperazione che altrimenti non sarebbe avvenuta. Non obbligò nessuno: rese il non partecipare oggettivamente svantaggioso. È la stessa logica che vale qui.

Un programma di ricerca multidisciplinare — ingegneria, urbanistica, scienze cognitive, economia dei sistemi — che definisca gli standard, le architetture, i protocolli di un sistema di mobilità passiva e aggregata. Non una tecnologia specifica da imporre, ma una piattaforma aperta su cui l’industria possa costruire.

Il coinvolgimento industriale non è una concessione — è una condizione. Chi costruisce veicoli, chi gestisce infrastrutture, chi sviluppa sistemi energetici ha tutto l’interesse a partecipare alla definizione del paradigma successivo, invece di subirlo. La storia insegna che chi arriva tardi al tavolo trova le regole già scritte da altri.

Il meccanismo di adesione è quello che ha già dimostrato di funzionare: chi partecipa ottiene vantaggi concreti — accesso agli standard, ai mercati, alle economie di scala. Chi non partecipa non viene punito — ma progressivamente si trova fuori da un sistema che funziona meglio del suo. Non un obbligo normato. Una proposta vantaggiosa che rende il non aderire la vera alternativa scomoda.

Ci sarà sempre chi sceglierà diversamente — chi vorrà un veicolo personale, un autista, un rapporto esclusivo con la propria mobilità. È una scelta legittima, come lo è oggi scegliere una barca privata invece del traghetto. Il sistema non li esclude e non li riguarda. Semplicemente, non è per loro che si costruisce il paradigma — è per tutti gli altri.

Il resto diventa sistema. Efficiente, prevedibile, liberato dal peso di un paradigma che ha centocinquanta anni e che ha già dato tutto quello che poteva dare.

Un motore a combustione interna aperto — centocinquanta anni di un principio invariato.

Mi sono chiesto, a un certo punto, come mai in centocinquanta anni di evoluzione tecnologica accelerata — dai semiconduttori alle telecomunicazioni satellitari, dalla biologia molecolare all’intelligenza artificiale — la mobilità individuale si fondi ancora su un principio introdotto nell’Ottocento: bruciare un derivato del petrolio per muovere un pistone.

Non è una domanda ecologista. È una domanda di metodo.

Perché quando un paradigma resiste così a lungo, nonostante i suoi limiti siano noti, documentati e misurabili — l’inquinamento, la dipendenza geopolitica da risorse concentrate in aree instabili, l’inefficienza termodinamica intrinseca — la spiegazione non può essere semplicemente tecnica. Qualcosa di più profondo tiene in piedi il sistema.

E quella cosa, scopriremo, non abita solo ai piani alti.

Il motore a combustione interna ha centocinquanta anni. I suoi limiti fondamentali erano già chiari ai suoi inventori: converte in movimento una frazione dell’energia contenuta nel combustibile, disperdendo il resto in calore. Quel rendimento è migliorato nel tempo — nei casi migliori, nei motori diesel ad alte prestazioni, si è arrivati intorno al quaranta percento — grazie a un secolo e mezzo di ingegneria raffinata. Un risultato notevole. Ma il principio è rimasto invariato. E i limiti strutturali — l’inquinamento, la dipendenza da una materia prima distribuita in modo geograficamente e politicamente irregolare — non sono stati risolti dall’ottimizzazione. Sono stati ridotti, gestiti, in parte nascosti. Non superati.

Eppure ha vinto. E ha continuato a vincere, decennio dopo decennio, perfezionandosi nei dettagli senza mai mettere in discussione il principio.

Non è andata così per caso.

Nel corso del Novecento le alternative sono esistite — elettrica, a idrogeno, a vapore — in forme più o meno mature, più o meno praticabili. Alcune sono state esplorate, brevettate, abbandonate. Non sempre per limiti tecnici insuperabili. Più spesso perché intorno al paradigma esistente si era costruito nel frattempo un ecosistema enormemente più grande della tecnologia stessa: infrastrutture, capitali, competenze, mercati, geopolitica. Un sistema che aveva tutto da perdere dal cambiamento e molto da guadagnare dall’ottimizzazione dell’esistente.

Alcune sono state abbandonate per limiti tecnici reali. Altre hanno incontrato ostacoli che tecnici non erano. La storia industriale del Novecento offre esempi documentati in abbondanza, per chi voglia approfondire.

C’è un altro segnale che vale la pena leggere. Il tentativo di rendere il motore a combustione compatibile con requisiti ambientali sempre più stringenti ha prodotto nel tempo una stratificazione tecnologica crescente: catalizzatori, sistemi di ricircolo dei gas, filtri antiparticolato, additivi chimici. Ogni soluzione aggiunta per contenere un limite ha introdotto nuova complessità, nuovi costi, nuovi punti di rottura — e in alcuni casi ha compromesso proprio quelle qualità di efficienza e risposta che avevano reso questi motori apprezzati.

Il problema non è stato risolto. È stato spostato, distribuito, reso meno visibile.

Quando una tecnologia richiede trasformazioni così profonde per diventare compatibile con requisiti che essa stessa non può soddisfare per natura, il segnale è chiaro: non si tratta di ottimizzare ulteriormente. Si tratta di scegliere — un cambio di paradigma tecnologico, o un ripensamento più radicale di come concepiamo la mobilità individuale.

Chiamarlo complotto sarebbe scorretto oltre che inutile. Nessuna riunione segreta ha deciso che il motore a scoppio dovesse sopravvivere. È successo qualcosa di più banale e più difficile da contrastare: migliaia di decisioni razionali, prese da migliaia di attori diversi, ciascuno nel proprio interesse immediato, hanno prodotto collettivamente una stasi.

È il meccanismo che vale la pena capire. Perché lo riconosceremo altrove.

Il motore a scoppio non è l’unico caso. Il nucleare racconta una storia speculare e per certi versi ancora più rivelatrice.

Scegliere di non avere il nucleare è una scelta legittima. Ma è una scelta che ha un costo reale, misurabile: se rinunci a una fonte di energia concentrata, devi produrre altrove ciò che ti manca, oppure consumare meno. Tertium non datur.

Quello che è accaduto in molti paesi è invece una terza via apparente: rifiutare il nucleare per ragioni che mescolano paura reale, ideologia e consenso elettorale, e poi acquistare energia dall’estero — inclusa quella prodotta da centrali nucleari altrui — scaricando su altri il rischio che si dichiara insopportabile.

Non è una soluzione. È una contraddizione resa invisibile dalla distanza geografica.

E anche qui, il meccanismo non è la malafede. È la stessa logica di sempre: massimizzare il consenso nel breve periodo, rimandare il costo reale, lasciare che il problema diventi di qualcun altro. Ai piani alti si chiama politica energetica. Altrove si chiama in altri modi.

C’è un filo che attraversa questi esempi e li tiene insieme. Non è la corruzione, non è la stupidità, non è nemmeno la malafede sistematica. È qualcosa di più sottile e più universale.

Gli economisti comportamentali lo chiamano status quo bias: la tendenza cognitiva a preferire la situazione esistente rispetto a qualsiasi alternativa, anche quando l’alternativa è oggettivamente migliore. Il cambiamento viene percepito come perdita certa. Il mantenimento viene percepito come assenza di rischio, anche quando il rischio è semplicemente differito.

Non è un difetto dei potenti. È una caratteristica della specie.

Lo ritroviamo nelle grandi decisioni industriali e in quelle politiche, nelle scelte collettive e in quelle individuali. Cambiamo operatore quando la bolletta diventa insostenibile, non quando troviamo qualcosa di meglio. Cambiamo abitudini quando il medico ci obbliga, non quando capiamo che sarebbe razionale farlo. Aspettiamo che cambino gli altri, poi eventualmente seguiamo.

C’è una parola per questa attesa strategica: prudenza. A volte lo è davvero. Più spesso è qualcos’altro travestito da prudenza.

La differenza tra chi decide per milioni di persone e chi decide solo per sé stesso non è nel meccanismo. È nella scala delle conseguenze.

È facile, leggendo questi fatti, individuare i responsabili e fermarsi lì. L’indignazione verso i grandi interessi è comprensibile, spesso giustificata. Ma è anche molto comoda: scarica altrove il peso della riflessione e ci restituisce, senza sforzo, una posizione morale netta.

Vale la pena invece fare una cosa più difficile: chiedersi se lo stesso meccanismo — scaricare il costo del cambiamento su altri, rimandare, attendere che si muovano prima gli altri — non sia qualcosa che pratichiamo anche noi, alla nostra scala, nelle nostre scelte quotidiane.

Non per assolvere nessuno. Ma perché accusare senza riconoscersi è un altro modo di non cambiare niente.

Eppure c’è una differenza che conta, e vale la pena nominarla.

Chi gestisce grandi interessi — industriali, finanziari, politici — ha strumenti per rendere invisibile il costo del proprio immobilismo: può esternalizzarlo, distribuirlo nel tempo, scaricarlo su altri. La dipendenza energetica diventa un problema del governo successivo. L’inquinamento diventa un problema delle generazioni future. Il costo reale viene sempre pagato, ma da qualcun altro, altrove, più tardi.

Noi non abbiamo questi strumenti. Il costo delle nostre inerzie lo paghiamo quasi sempre noi stessi, prima o poi. Eppure il meccanismo è identico.

Aspettiamo che cambino le condizioni prima di cambiare noi. Aspettiamo che cambino gli altri. Costruiamo ragionamenti elaborati per giustificare la scelta di non scegliere. Chiamiamo realismo quello che spesso è semplicemente comodità.

Non è una condanna. È una descrizione.

Il punto non è sentirsi in colpa per un’inerzia che condividiamo con l’intera specie. Il punto è riconoscerla. Perché il cambiamento sistemico non precede quello individuale — lo segue. E chi aspetta che siano i grandi a muoversi per primo sta applicando, alla scala più piccola possibile, esattamente lo stesso meccanismo che critica.

Centocinquanta anni di procrastinazione collettiva e industriale funzionano con la stessa logica delle nostre, personali. Solo la scala è diversa.

Negli ultimi anni il dibattito sulla transizione energetica si è concentrato soprattutto sulla produzione: più pannelli solari, più eolico, più rinnovabili.

Ma uno dei problemi più delicati non è produrre energia. È immagazzinarla.

La rete elettrica deve rimanere in equilibrio in ogni istante: la produzione deve eguagliare il consumo. Le fonti rinnovabili sono però intermittenti per definizione: la disponibilità dipende da condizioni che il sistema non controlla. Questo rende lo stoccaggio energetico uno dei nodi strutturali dell’intera transizione.

Le torri gravitazionali sviluppate da Energy Vault non sono la risposta definitiva al problema dello stoccaggio. Le prendo in esame per un motivo diverso: sono un esempio di come cambiare il punto di vista su un problema possa ridurre la complessità della soluzione, invece di aumentarla.

È un principio che vale oltre l’energia.

Una batteria fatta di gravità

La società svizzera Energy Vault ha sviluppato un sistema di accumulo che, a prima vista, sembra quasi anacronistico: una grande torre che solleva e abbassa blocchi da decine di tonnellate.

Quando c’è energia in eccesso — ad esempio durante un picco di produzione solare o eolica — motori elettrici utilizzano quell’energia per sollevare grandi blocchi di materiale e impilarli in una torre.

In quel momento l’energia elettrica si trasforma in energia potenziale gravitazionale.

Quando la rete ha bisogno di energia, il processo si inverte: i blocchi vengono abbassati e i motori funzionano come generatori, restituendo energia alla rete.

Il principio è lo stesso delle centrali idroelettriche a pompaggio — solo che al posto dell’acqua ci sono blocchi controllati da gru automatizzate.

Non è una coincidenza. È una scelta consapevole tra le opzioni che sfruttano la stessa fisica.

Le centrali a pompaggio funzionano, e funzionano bene. Ma richiedono condizioni che non si possono creare: un dislivello naturale significativo, disponibilità d’acqua, infrastrutture civili imponenti, iter autorizzativi lunghi e costosi. Sono soluzioni legate al territorio — non si spostano, non si replicano facilmente.

Energy Vault ha fatto una domanda diversa: è possibile sfruttare la stessa energia potenziale gravitazionale senza dipendere dalla geografia?

La risposta sono le torri: modulari, installabili su terreno piatto, con materiali inerti reperibili localmente. Il principio fisico è antico. La portabilità è l’innovazione.

Una fisica elementare per un problema complesso

La cosa più interessante di queste torri è che non introducono una tecnologia rivoluzionaria.

Non richiedono nuovi materiali esotici. Non dipendono da chimiche sofisticate. Non cercano di aumentare la densità energetica attraverso soluzioni sempre più complesse.

Funzionano grazie a una relazione fisica che conosciamo da sempre: l’energia potenziale gravitazionale.

massa × gravità × altezza

Il sistema ha limiti evidenti: densità energetica inferiore alle batterie chimiche, efficienza di round-trip leggermente inferiore alle batterie al litio, applicabilità prevalentemente su scala di rete. Il rischio sismico richiede una selezione attenta dei siti — e comunque installazioni lontane dai centri abitati. Ma non è questo il punto.

Non è una tecnologia che aggiunge complessità. È una tecnologia che la riduce.

Un cambio di prospettiva ingegneristica

Molte innovazioni tecnologiche degli ultimi decenni sono state guidate da una logica abbastanza chiara: più miniaturizzazione, più elettronica, più complessità.

Le torri gravitazionali seguono la direzione opposta.

Non cercano di comprimere energia dentro materiali sempre più sofisticati. La spostano nello spazio. Accumularla non significa più trasformarla chimicamente, ma semplicemente sollevare una massa e lasciarla scendere quando serve.

Visivamente, una torre che solleva blocchi di cemento non ha nulla dell’eleganza di un impianto sotterraneo con celle elettrochimiche di ultima generazione. L’obiezione estetica è legittima.

Ma il criterio rilevante qui non è l’eleganza tecnologica. È la robustezza sistemica: meno componenti critici, meno dipendenza da materiali rari, meno punti di failure.

La scelta di semplicità non è una limitazione mascherata. È una scelta di progetto.

Non riducono il problema dell’energia. Ridimensionano la complessità della soluzione.

È una distinzione che vale oltre l’energia.

In molti sistemi tecnologici — infrastrutture, architetture software, sistemi distribuiti — quando si incontra un limite la risposta automatica è aggiungere complessità: nuovi componenti, nuovi livelli di astrazione, nuove tecnologie.

A volte esiste un’altra strada: cambiare il punto di vista sul problema.

Non sempre produce la soluzione più sofisticata. Produce spesso quella più governabile.