Redazione
Le mappe non si limitano più a descrivere la città: la indirizzano. Ogni suggerimento su dove andare, ogni classifica di locali, ogni percorso “ottimizzato” introduce una pressione concreta sui flussi urbani. L’effetto non è immediato, ma cumulativo. Si deposita nelle abitudini quotidiane, orienta le scelte, modifica le gerarchie spaziali. In questo intreccio continuo tra decisioni individuali e logiche algoritmiche si gioca una trasformazione profonda del funzionamento urbano, che non riguarda solo la mobilità, ma la distribuzione delle opportunità, la vitalità dei quartieri, l’accesso ai servizi.
È su questo terreno che si colloca la ricerca condotta dall’Consiglio nazionale delle ricerche e dalla Scuola Normale Superiore di Pisa, pubblicata sulla rivista scientifica Machine Learning. Uno studio che affronta il tema da un’angolatura finora poco esplorata: non quanto siano “bravi” gli algoritmi di raccomandazione, ma che tipo di città contribuiscano a produrre nel tempo.
Quando l’algoritmo entra nel metabolismo urbano
La ricerca nasce all’interno dell’Istituto di scienza e tecnologie dell’informazione “A. Faedo” del Cnr di Pisa, in collaborazione con il Cnr-Icar di Palermo. Il cuore dell’analisi è la modellazione esplicita del cosiddetto feedback loop urbano: il ciclo continuo in cui un sistema di raccomandazione suggerisce un luogo, l’utente compie una scelta, quella scelta diventa dato, e il dato alimenta l’aggiornamento dell’algoritmo. Un meccanismo noto in ambito informatico, ma raramente osservato nella sua proiezione territoriale.
“Questo è il primo studio che modella in modo esplicito il feedback loop nel contesto urbano”, afferma Luca Pappalardo, ricercatore del Cnr-Isti. “Il ciclo di influenza reciproca tra sistemi di raccomandazione e comportamenti umani evidenzia come i ‘consigli’ delle app, le scelte individuali e le trasformazioni urbane siano strettamente interconnesse”. Il punto, sottolinea Pappalardo, non è misurare l’accuratezza del suggerimento, ma comprenderne le conseguenze aggregate: “L’obiettivo della ricerca non è misurare quanto è accurato il sistema di raccomandazione, ma capire che tipo di città produce nel medio e lungo periodo”.
Il lavoro prende in esame i cosiddetti location-based recommender systems, alla base di piattaforme ampiamente utilizzate come Google Maps, Tripadvisor, Yelp o TheFork. Strumenti che suggeriscono ristoranti, luoghi da visitare, percorsi e attività sulla base delle preferenze individuali e dei comportamenti passati. L’innovazione metodologica consiste nell’aver osservato non solo l’effetto sul singolo utente, ma le dinamiche collettive che emergono dall’uso diffuso di questi sistemi.
Dalla scelta individuale agli effetti collettivi
Uno dei risultati centrali dello studio riguarda una tensione strutturale tra scala individuale e scala urbana. Da un lato, le raccomandazioni algoritmiche tendono ad ampliare la gamma di luoghi frequentati da ciascun utente. Invitano a esplorare, a uscire dal perimetro delle abitudini consolidate, a scoprire spazi nuovi. Dall’altro, quando questo comportamento viene replicato su larga scala, l’effetto si ribalta: il traffico urbano si concentra su un numero limitato di luoghi già visibili e popolari.
“Studiamo l’effetto dei location-based recommenders osservando non solo le scelte individuali, ma anche le dinamiche collettive che ne derivano, come la concentrazione delle visite o la polarizzazione dei luoghi”, spiega Giovanni Mauro della Scuola Normale Superiore di Pisa. Il simulatore sviluppato dai ricercatori consente di seguire nel tempo la distribuzione delle visite e di misurare come alcune aree urbane attraggano progressivamente una quota crescente di flussi, mentre altre restino marginali.
La polarizzazione spaziale incide sull’economia locale, sulla sostenibilità dei servizi, sulla qualità della vita dei residenti. I luoghi più raccomandati attirano investimenti, attenzione, infrastrutture; quelli meno visibili rischiano un progressivo depotenziamento. La ricerca mostra come gli algoritmi, pur non essendo progettati per “scegliere vincitori e vinti”, finiscano per amplificare dinamiche preesistenti, rafforzando disuguaglianze territoriali già presenti.
In questo senso, l’intelligenza artificiale agisce come un acceleratore. Non crea ex novo le asimmetrie urbane, ma ne modifica l’intensità e la velocità di evoluzione. Il sistema complesso che emerge dall’interazione tra dati, persone e spazio urbano restituisce un’immagine della città come ambiente adattivo, in cui ogni intervento tecnologico produce effetti indiretti che si accumulano nel tempo.
Algoritmi come attori urbani
La portata dello studio va oltre l’analisi dei comportamenti di mobilità. Tocca una questione strategica: il ruolo degli algoritmi come attori urbani a pieno titolo. “A nostra conoscenza, è il primo studio urbano in cui il feedback loop è esplicitamente modellato”, osserva Marco Minici del Cnr-Icar. “È un cambio di paradigma: non valutiamo più l’algoritmo in astratto, ma come attore urbano”.
Questa prospettiva apre interrogativi rilevanti per le amministrazioni pubbliche. Se i sistemi di raccomandazione influenzano la distribuzione dei flussi, allora incidono anche su accessibilità, equità spaziale e coesione sociale. La pianificazione urbana, tradizionalmente basata su infrastrutture fisiche e regolazioni territoriali, si trova a confrontarsi con infrastrutture digitali che operano in modo pervasivo ma poco visibile.
Il gruppo di ricerca sottolinea la necessità di sviluppare strumenti di simulazione capaci di supportare le decisioni pubbliche. Non per governare le scelte individuali, ma per comprendere gli effetti sistemici delle tecnologie digitali sulla città. L’idea è offrire alle istituzioni un quadro analitico che permetta di anticipare gli impatti e di orientare la progettazione degli algoritmi verso obiettivi di interesse collettivo.
“Il futuro dell’Ai nelle città richiede consapevolezza civica”, afferma Minici. Una consapevolezza che chiama in causa sviluppatori, piattaforme e decisori pubblici. Perché, come emerge dalla ricerca, l’algoritmo non è un semplice strumento neutrale: partecipa alla ridefinizione dei luoghi, delle interazioni sociali e delle opportunità spaziali. In altre parole, contribuisce a scrivere, giorno dopo giorno, la geografia funzionale delle città contemporanee.
