“Una ricerca condotta dal CNR e dalla Scuola Normale Superiore di Pisa mostra come l’intelligenza artificiale stia modificando non solo i nostri comportamenti di mobilità, ma anche la struttura e le dinamiche delle città”

>

L’IA ridisegna le città:
come gli algoritmi influenzano i flussi urbani

Una ricerca condotta dal Consiglio nazionale delle ricerche e dalla Scuola Normale Superiore di Pisa mostra come l’intelligenza artificiale stia modificando non solo i nostri comportamenti di mobilità, ma anche la struttura e le dinamiche delle città. Lo studio è stato pubblicato sulla rivista Machine Learning

L’intelligenza artificiale sta modificando non solo i nostri comportamenti di mobilità, ma anche la struttura e le dinamiche delle città. Il sistema complesso che emerge dall’interazione tra algoritmi, persone e spazio urbano rivela come la distribuzione delle visite e la polarizzazione dei luoghi incidano sulle trasformazioni urbane. È quanto emerge da una ricerca condotta dall’Istituto di scienza e tecnologie dell’informazione ‘A. Faedo’ del Consiglio nazionale delle ricerche di Pisa (CNR-ISTI), in collaborazione con l’Istituto di calcolo e reti ad alte prestazioni del Cnr di Palermo (CNR-ICAR) e la Scuola Normale Superiore di Pisa. Lo studio è stato pubblicato sulla rivista Machine Learning.

“Questo è il primo studio che modella in modo esplicito il feedback loop nel contesto urbano, cioè il ciclo di influenza reciproca tra sistemi di raccomandazione (recommender systems alla base di piattaforme online come Google Maps, Trip Advisor, Yelp o TheFork), e comportamenti umani, evidenziando come i ‘consigli’ delle app - cioè le ‘raccomandazioni’-, le scelte individuali e le trasformazioni urbane siano strettamente interconnesse”, afferma Luca Pappalardo, del CNR-ISTI. “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. Abbiamo studiato come le scelte guidate dagli algoritmi ridefiniscono luoghi, interazioni sociali e opportunità spaziali: in altre parole, come cambiano i flussi urbani”.

Da un lato, i sistemi di raccomandazione possono aumentare la varietà dei luoghi frequentati da ciascun individuo, invitando le persone a scoprire posti nuovi. Dall’altro, però, sul piano collettivo tendono a concentrare il traffico su un numero ridotto di luoghi popolari, rafforzando le disuguaglianze tra le diverse aree urbane.

Per esplorare questi effetti, i ricercatori hanno sviluppato un simulatore in grado di modellare il ciclo umano-IA nel contesto urbano: suggerimento, decisione, dato, adattamento. “Studiamo l’effetto dei location-based recommenders, algoritmi che suggeriscono dove andare in base alle abitudini degli utenti, 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. “È una prospettiva nuova nel campo dei recommender systems”.

“La portata del lavoro è anche strategica e culturale. A nostra conoscenza, è il primo studio urbano in cui il feedback loop è esplicitamente modellato”, conclude Marco Minici del CNR-ICAR. “È un cambio di paradigma: non valutiamo più l’algoritmo in astratto, ma come attore urbano. Il futuro dell’IA nelle città richiede consapevolezza civica: progettare algoritmi che non ottimizzino solo il singolo, ma anche l’equità spaziale, l’accessibilità e la salute sociale delle città”.

Il gruppo di ricerca auspica che questi strumenti di simulazione possano diventare un supporto per le amministrazioni pubbliche, aiutandole a comprendere e governare l’impatto delle tecnologie digitali sulla vita urbana.

La scheda

Chi: Istituto di scienza e tecnologie dell’informazione ‘Alessandro Faedo’ di Pisa (Cnr-Isti); Istituto di calcolo e reti ad alte prestazioni di Palermo (Cnr-Icar); Scuola Normale superiore di Pisa.

Che cosa: Mauro, G., Minici, M. & Pappalardo, L. The urban impact of AI: modelling feedback loops in location-based recommender systems. Mach Learn 115, 19 (2026). https://doi.org/10.1007/s10994-025-06904-z, link: https://link.springer.com/article/10.1007/s10994-025-06904-z *

≈ ≈ ≈ ≈ ≈ ≈
[* N.d.R.> Documentazione/ Link/ Indirizzi presenti nella nota CNR originale e/o disponibili sui siti segnalati **]

≈ ≈ ≈ ≈ ≈ ≈ ≈ ≈ ≈ ≈ ≈ ≈
Da/ Fonte/ Titolare»
CNR
Comunicato stampa N. 03/2026
Roma, 15 gennaio 2026

<
Estratto

Fonte dei dati, informazioni, procedure e documenti sono reperibili presso siti web/portali, esterni, ai link **»

Consiglio nazionale delle ricerche di Pisa (CNR)
www.cnr.it

Istituto di scienza e tecnologie dell’informazione ‘A. Faedo’ (CNR-ISTI)
https://www.isti.cnr.it

Istituto di calcolo e reti ad alte prestazioni (CNR-ICAR)
https://www.icar.cnr.it/

Scuola Normale Superiore
https://www.sns.it

<
Link/siti
esterni non collegati

^Fonte» CNR» Cmn_15Gen2026=RS_2026-01-19»
RS non è titolare dei contenuti raccolti, come documenti di pubblico dominio, e conservati quale documentazione personale. Il testo non riveste carattere di ufficialità e non è sostitutivo in alcun modo delle pubblicazioni ufficiali, che prevalgono in casi di discordanza. Per una documentazione certa o altre informazioni si deve fare riferimento ai titolari dei contenuti, prendere visione dei documenti/siti ufficiali, contattare gli enti citati. La documentazione raccolta non è e non deve essere letta come consulenza specialistica e/o legale. Si consiglia sempre di consultare direttamente l’ente/gli enti citati, sindacati/patronati/CAAF o specialisti qualificati/professionisti abilitati per pareri, consulenze e/o assistenza. Vi possono essere limiti/condizioni alla partecipazione. Negli indirizzi mail sostituire [at] con @. Evidenziature e formattazione possono essere non originali.

<
< N.d.R.