Tecnologie 4.0 per trasporti a zero emissioni: il ruolo di AI e IoT

Questi dati evidenziano la necessità di un’azione trasformativa che consenta di decarbonizzare i sistemi di mobilità, in linea con gli obiettivi fissati dall’Accordo di Parigi. Tale esigenza si fa ancora più pressante in un contesto segnato da crescente urbanizzazione e aumento della domanda di mobilità, che impongono un ripensamento profondo delle infrastrutture di trasporto esistenti, affinché siano non solo più efficienti, ma anche meno impattanti dal punto di vista ambientale [2].

AI, IoT e big data per migliorare l’efficienza operativa e ridurre le emissioni nel settore dei trasporti

In questo scenario, la trasformazione digitale abilitata dalle tecnologie dell’Industria 4.0 si configura come un’opportunità strategica per migliorare l’efficienza operativa e ridurre le emissioni.

Tecnologie come l’Internet of Things (IoT), l’Intelligenza Artificiale (AI), l’analisi dei big data e la manutenzione predittiva hanno già mostrato, in diversi ambiti della logistica e della supply chain, la capacità di abilitare il monitoraggio in tempo reale, l’ottimizzazione dinamica delle decisioni operative e la previsione di guasti e criticità [3], [4]. In particolare, studi recenti evidenziano come queste tecnologie, se integrate in modo sinergico, siano in grado di migliorare significativamente le performance del settore, attraverso l’adozione di processi decisionali data-driven [5].

AI per ottimizzare l’uso delle risorse e ridurre l’impatto ecologico delle operazioni

Negli ultimi anni, l’integrazione dell’AI nei processi di ottimizzazione logistica ha suscitato un crescente interesse, soprattutto in relazione agli obiettivi di sostenibilità ambientale. Le applicazioni di AI si stanno affermando come strumenti strategici per migliorare l’efficienza dei sistemi logistici, ottimizzare l’uso delle risorse e ridurre l’impatto ecologico delle operazioni lungo l’intera catena del valore. Diversi modelli e algoritmi di AI vengono oggi impiegati a tal scopo, tra cui tecniche di machine learning, modelli generativi, algoritmi metaeuristici e approcci ibridi che integrano metodi di ottimizzazione tradizionale e simulazione.

Questi strumenti consentono una gestione più avanzata delle decisioni operative, contribuendo a razionalizzare i percorsi di trasporto, ridurre le emissioni di carbonio, minimizzare la produzione di rifiuti e tenere conto delle variabili ambientali nei processi di pianificazione. Tra le tendenze emergenti si segnalano l’uso integrato di analisi real time, la connessione con tecnologie blockchain per la tracciabilità sostenibile dei flussi e l’implementazione di sistemi autonomi intelligenti. Questi sviluppi aprono prospettive significative per un’evoluzione della logistica verso modelli più efficienti, resilienti e climaticamente sostenibili [6].

Monitoraggio dei processi produttivi e tracciabilità delle operazioni logistiche e di magazzino

In parallelo, le tecnologie IoT, altro fattore abilitante dell’innovazione, trovano oggi ampia applicazione nei settori industriali e nei trasporti, in particolare per il monitoraggio dei processi produttivi e per la tracciabilità delle operazioni logistiche e di magazzino [7]. L’acquisizione di dati real time da parte dei dispositivi IoT, integrata con le informazioni provenienti dalle diverse fasi della supply chain, consente di generare un valore aggiunto significativo in ciascun processo, anche grazie alla sinergia con l’analisi dei big data e l’AI. Tali dispositivi abilitano una più accurata previsione della domanda, la rilevazione tempestiva di criticità nella gestione delle scorte, l’ottimizzazione dell’allocazione delle risorse ed anche una gestione più efficiente delle relazioni con i fornitori.

Si tratta di innovazioni che non solo trasformano prodotti e processi, ma riconfigurano anche le catene del valore, stimolano la revisione dei modelli di business e incidono sulla struttura stessa dei sistemi industriali e logistici.

IoT e sostenibilità aziendale nei trasporti

Oltre ai benefici operativi, i dispositivi IoT rivestono un ruolo strategico nell’ambito della sostenibilità ambientale. Infatti, questi dispositivi consentono di raccogliere dati puntuali sul consumo energetico e sulle emissioni di carbonio lungo l’intero ciclo di vita del prodotto, offrendo così una valutazione in tempo reale della performance ambientale dei processi [8]. L’analisi di questi dati consente alle imprese di individuare le fasi più impattanti della catena del valore e di orientare di conseguenza gli interventi di efficientamento e mitigazione [9]. Inoltre, le tecnologie IoT possono essere impiegate per monitorare i rifiuti e i sottoprodotti generati nei diversi segmenti della supply chain, contribuendo alla progettazione di sistemi più circolari e sostenibili [10].

IA nella logistica e nei trasporti, un’adozione ancora frammentata: le sfide da superare

Tuttavia, nonostante il potenziale ampiamente riconosciuto di queste soluzioni, l’adozione delle tecnologie digitali nel settore dei trasporti risulta ancora frammentata. Permangono ostacoli rilevanti, tra cui l’inadeguatezza delle infrastrutture digitali, gli elevati costi di implementazione e la resistenza al cambiamento da parte degli operatori. Inoltre, pur essendo ampiamente documentati i benefici generali della trasformazione digitale, la letteratura scientifica resta ancora carente rispetto agli impatti specifici nel contesto della sostenibilità del trasporto, in termini sia di riduzione delle emissioni che di ottimizzazione dei processi [2].

Il potenziale trasformativo dell’AI nella logistica sostenibile è accompagnato da sfide non trascurabili.

L’esigenza di modelli predittivi scalabili

Tra le principali criticità si annoverano l’esigenza di modelli predittivi scalabili in contesti dinamici, l’incertezza legata alla disponibilità e alla qualità dei dati, nonché la necessità di architetture robuste in grado di adattarsi a sistemi complessi. La letteratura più recente sottolinea quindi l’importanza di promuovere ulteriori ricerche sui modelli di AI capaci di coniugare efficienza operativa e sostenibilità ambientale anche in scenari altamente complessi e dinamici [6], come quelli che caratterizzano il mondo attuale.

Pertanto, è in risposta a questo gap conoscitivo che si colloca l’interesse verso modelli predittivi e soluzioni innovative, capaci di orientare i sistemi di trasporto verso una maggiore efficienza e una minore impronta ambientale. Le tecnologie digitali, se opportunamente adottate, possono infatti contribuire in modo significativo al raggiungimento degli Obiettivi di Sviluppo Sostenibile (SDG), in particolare al Goal 13 (azione per il clima) e al Goal 9 (industria, innovazione e infrastrutture) [2], [11].

Alla luce di tali considerazioni, questo contributo esplora il potenziale delle tecnologie digitali – in particolare AI e IoT – nell’abilitare una logistica e una mobilità sostenibile. Partendo da una rassegna delle principali applicazioni operative e delle barriere all’adozione, l’articolo analizza il quadro normativo emergente in materia di sostenibilità dell’AI, con l’obiettivo di individuare strategie di policy e governance che favoriscano un impiego efficace, etico e ambientalmente responsabile delle nuove tecnologie nei trasporti e nella logistica.

Sfide e prospettive per la transizione digitale sostenibile nei trasporti e nella logistica

Nel settore dei trasporti, la convergenza tra digitalizzazione e sostenibilità ambientale è diventata una priorità sia per la ricerca scientifica sia per le politiche pubbliche. Anche in Italia si rileva come i trasporti – nelle loro diverse articolazioni modali – contribuiscano in modo significativo alle emissioni climalteranti.

Pertanto, nell’ambito del PNRR, il nostro Paese ha destinato complessivamente 82 miliardi di euro al conseguimento di obiettivi ambientali e climatici. In particolare, la Missione n. 3 “Infrastrutture per la Mobilità sostenibile“, prevede, a seguito della revisione del PNRR del dicembre 2023, risorse pari a circa 23,8 miliardi, che mirano a completare entro il 2026 un sistema infrastrutturale moderno, digitalizzato e sostenibile, in linea con il Green Deal europeo, con gli obiettivi di sviluppo sostenibile dell’Agenda 2030 della Nazioni Unite e con il Piano Nazionale Integrato Energia e Clima (PNIEC). A queste, si aggiungono poi le risorse della Missione n. 2 “Rivoluzione verde e transizione ecologica“, la cui Componente 2 è dedicata a “Transizione energetica e mobilità sostenibile” e quella della Missione n. 7 istituita col recepimento del capitolo RePowerEU [12].

Del resto, le tecnologie dell’Industria 4.0 – in primis AI, IoT, analisi dei big data e automazione – rappresentano strumenti chiave per ripensare i modelli tradizionali di mobilità in chiave più efficiente, resiliente e a basse emissioni. L’adozione di tali soluzioni permette di monitorare in tempo reale le condizioni operative, pianificare la manutenzione in modo predittivo e ottimizzare dinamicamente le decisioni logistiche, con benefici tangibili sia sul piano ambientale che su quello economico.

Il concetto di trasporto intelligente (smart transportation o intelligent transportation), strettamente connesso agli SDG, si basa proprio su questi presupposti. Alcuni studi recenti sottolineano, inoltre, come i principi emergenti dell’Industria 5.0 — tra cui l’eco-innovazione — possano rafforzare ulteriormente l’allineamento tra digitalizzazione, responsabilità etica e sostenibilità ambientale nei sistemi di trasporto. La piena integrazione dei dati lungo l’intera rete logistica consente infatti un coordinamento più efficace delle risorse e una riduzione delle inefficienze sistemiche [13].

All’interno dell’ecosistema tecnologico, IoT e AI rivestono un ruolo centrale. I dispositivi IoT, installati a bordo dei veicoli o nelle infrastrutture, permettono di raccogliere dati in tempo reale su variabili critiche come consumo di carburante, pressione degli pneumatici o condizioni del traffico. Queste informazioni possono poi essere utilizzate per attivare interventi manutentivi tempestivi e ridurre, quindi, le inefficienze. L’AI consente di elaborare questi grandi volumi di dati, restituendo indicazioni operative attraverso algoritmi predittivi e di ottimizzazione. In particolare, nel trasporto merci, l’AI si è dimostrata efficace nell’ottimizzazione dei carichi e delle rotte, con un impatto diretto sulla riduzione delle emissioni [2].

Tuttavia, nonostante il potenziale elevato, la penetrazione di tali tecnologie nel comparto dei trasporti rimane discontinua e ancora poco strutturata. La carenza di quadri metodologici e normativi settoriali rappresenta un ostacolo significativo alla loro applicazione strategica in funzione degli obiettivi climatici. A ciò si aggiungono sfide persistenti, quali la scarsa interoperabilità tra sistemi, i rischi legati alla sicurezza dei dati e gli alti costi di implementazione. Superare tali barriere costituisce una condizione imprescindibile per abilitare una transizione digitale dei trasporti realmente sostenibile, scalabile alle diverse realtà del settore e allineata agli obiettivi ambientali dell’Agenda 2030 [2], [14].

AI e sostenibilità: il quadro normativo tra AI Act, DDL italiano e strategie europee

La sostenibilità ambientale si configura sempre più come un elemento qualificante della conformità normativa dei sistemi di AI, in particolare nell’ambito del quadro regolatorio europeo in fase di consolidamento. Il Regolamento europeo sull’Intelligenza Artificiale (AI Act), di diretto interesse anche per il settore dei trasporti, introduce una classificazione dei sistemi di AI basata sul livello di rischio, prevedendo per quelli ad alto rischio requisiti rigorosi in materia di sicurezza, trasparenza e governance. Tuttavia, anche per i sistemi non classificati come ad alto rischio, il Regolamento incoraggia l’adozione volontaria di codici di condotta che integrino principi etici e criteri di sostenibilità ambientale, con particolare attenzione all’efficienza energetica della programmazione e all’impiego di tecniche progettuali, di addestramento e di utilizzo dell’AI orientate alla riduzione dell’impatto ambientale [15].

Nel medesimo solco si inserisce il Disegno di Legge italiano in materia di intelligenza artificiale, che afferma esplicitamente che l’adozione e l’utilizzo dei sistemi di AI devono rispettare, oltre ai diritti fondamentali, i principi di trasparenza, sicurezza, protezione dei dati e sostenibilità. In questo senso, la sostenibilità viene configurata non solo come vincolo tecnico, ma anche come principio di interesse generale, da tenere in considerazione in tutte le fasi del ciclo di vita dell’AI, dalla progettazione alla sperimentazione, fino all’impiego operativo [16].

La Strategia Nazionale per l’Intelligenza Artificiale 2024–2026 rafforza ulteriormente tale impostazione, ponendo l’accento sull’importanza dell’AI nella tutela del territorio, nella gestione efficiente delle risorse energetiche da fonti rinnovabili, e nello sviluppo di soluzioni per la mobilità sostenibile. L’adozione dell’AI viene quindi calata in un quadro sistemico che collega innovazione, transizione ecologica e digitalizzazione, riconoscendo esplicitamente il ruolo della tecnologia nella mitigazione dell’impatto ambientale dei settori produttivi e infrastrutturali [17].

A livello internazionale, sotto l’egida della Presidenza italiana del G7 dello scorso anno, è stato redatto un toolkit per l’uso dell’AI nella Pubblica Amministrazione, il quale inserisce tra i principi generali quello della sostenibilità, sottolineando come le amministrazioni pubbliche debbano selezionare soluzioni di AI con un impatto ambientale minimo, favorendo tecnologie che ottimizzino i consumi e supportino obiettivi climatici. Questo principio si traduce, nel settore dei trasporti e della logistica, in una preferenza per modelli predittivi ed ecosistemi intelligenti capaci di ridurre le emissioni, efficientare i flussi e contribuire al raggiungimento degli SDG [18]. Tale principio risulta poi particolarmente rilevante per tutti gli attori dell’ecosistema dei trasporti, inclusi enti concedenti e di vigilanza, gestori delle infrastrutture, operatori del servizio e produttori di sistemi basati su AI.

La convergenza tra i riferimenti normativi europei, le strategie nazionali e i principi multilaterali configura un quadro di sostenibilità come requisito abilitante per la legittimità e l’affidabilità dei sistemi di AI. Trasparenza algoritmica, efficienza energetica e responsabilità ambientale emergono dunque come condizioni imprescindibili, anche sul piano della compliance regolatoria. In questo contesto, le policy pubbliche sono chiamate a integrare in modo sistematico criteri ambientali nei processi autorizzativi, nei sistemi di incentivazione e nei meccanismi di valutazione del rischio, promuovendo così un ecosistema di innovazione digitale coerente con la transizione verde.

Verso un’AI verde: condizioni per un bilancio ambientale positivo

Il potenziale trasformativo delle tecnologie dell’Industria 4.0 nel campo della mobilità sostenibile è ormai ampiamente riconosciuto, soprattutto in relazione all’efficientamento operativo, alla riduzione delle emissioni e alla gestione proattiva della manutenzione. Le evidenze scientifiche confermano il ruolo centrale di soluzioni come l’IoT, l’AI e l’analisi predittiva nell’innovazione dei sistemi di trasporto.

Tra queste tecnologie, l’IoT si è affermato come fattore abilitante per il monitoraggio in tempo reale delle operazioni, contribuendo in modo significativo al miglioramento dell’efficienza gestionale. L’AI e l’analisi predittiva, invece, hanno mostrato un impatto rilevante in ambiti come l’ottimizzazione dinamica dei percorsi e la manutenzione, con effetti misurabili in termini di riduzione delle emissioni, che in alcuni casi raggiungono il 30%. In particolare, gli algoritmi di machine learning sono sempre più utilizzati per la previsione del traffico e la gestione adattiva delle reti di trasporto.

Un’analisi condotta su scala urbana evidenzia che i Paesi più sviluppati hanno adottato queste soluzioni con maggiore rapidità, grazie al sostegno di grandi imprese del settore e alla presenza di leadership in grado di promuovere investimenti strategici con una visione di lungo periodo. Tuttavia, persistono rilevanti resistenze in diversi contesti pubblici e privati, riconducibili principalmente a due fattori: da un lato, i timori legati ai rischi dell’adozione dell’AI; dall’altro, una limitata alfabetizzazione digitale che ostacola l’accettazione e l’effettiva efficacia delle tecnologie intelligenti.

Per adottare con successo applicazioni di AI nel settore dei trasporti è essenziale disporre di grandi volumi di dati eterogenei da elaborare in tempo reale. Inoltre, la sua adozione su larga scala è ostacolata da barriere strutturali persistenti come carenze infrastrutturali, costi di implementazione elevati, scarse competenze specialistiche e frammentazione normativa. Inoltre, il costo delle applicazioni di AI nei comparti logistici può rappresentare tra il 3% e il 10% del fatturato aziendale, creando una barriera economica significativa, soprattutto per le piccole e medie imprese.

Alla luce di queste criticità, la letteratura scientifica sottolinea l’urgenza di azioni coordinate tra stakeholder pubblici e privati per rimuovere gli ostacoli esistenti e valorizzare appieno il potenziale delle tecnologie digitali. In tal senso, il ricorso a forme strutturate di partenariato pubblico-privato – oggi in espansione anche in Italia – rappresenta una leva strategica da rafforzare ulteriormente.

Dal punto di vista operativo, è fondamentale che le imprese investano in soluzioni digitali basate su IoT e AI per accrescere la propria competitività e migliorare le performance ambientali. Sul piano delle politiche pubbliche, emerge invece l’esigenza di sviluppare strumenti normativi chiari, incentivi regolatori e investimenti infrastrutturali mirati, in grado di abilitare l’adozione sistemica di tecnologie coerenti con gli obiettivi di sviluppo sostenibile, in particolare l’azione per il clima e l’innovazione industriale.

Ma, nonostante gli ostacoli rilevanti legati all’assenza di regolamentazioni etiche consolidate, all’incertezza normativa e alla diffidenza verso le tecnologie dirompenti, le evidenze suggeriscono che nel prossimo futuro l’intero settore dei trasporti sarà progressivamente alimentato da sistemi intelligenti capaci di raccogliere ed elaborare dati in tempo reale, provenienti da veicoli, infrastrutture e utenti, con l’obiettivo di migliorare la sicurezza e la sostenibilità del sistema nel suo complesso [2], [19], [20].

Infine, occorre considerare anche l’impatto ambientale diretto delle tecnologie di AI. Gli algoritmi avanzati, in particolare quelli di deep learning, richiedono elevate risorse computazionali e l’impiego di infrastrutture ICT energivore – come server, data center e reti di comunicazione ad alta capacità – che comportano un significativo consumo energetico e una corrispondente produzione di emissioni climalteranti. L’addestramento di grandi modelli può generare un’impronta di CO₂ non trascurabile, mettendo in discussione il saldo ambientale complessivo della digitalizzazione nei trasporti.

Per questo motivo, la transizione verso sistemi di mobilità intelligenti basati su AI deve procedere in parallelo con politiche di “AI verde”. Come già avviene in altri settori della mobilità sostenibile, ad esempio nella promozione dell’idrogeno, anche l’AI dovrà adottare strategie di mitigazione ambientale: alimentazione dei data center con fonti rinnovabili, ottimizzazione algoritmica per ridurre i calcoli superflui e impiego di hardware a basso consumo energetico. Solo attraverso un approccio integrato che tenga conto nella progettazione delle policy pubbliche e nelle strategie aziendali anche dell’impronta ecologica della componente digitale sarà possibile garantire un bilancio ambientale realmente positivo lungo l’intero ciclo di vita delle tecnologie intelligenti.

Bibliografia

[1] Parlamento Europeo, «Emissioni di gas serra nell’UE per paese e settore: Infografica». 2024. Consultato: 11 maggio 2025. [Online]. Disponibile su: https://www.europarl.europa.eu/topics/it/article/20180301STO98928/emissioni-di-gas-serra-per-paese-e-settore-infografica

[2] H. Fatorachian, H. Kazemi, e K. Pawar, «Digital Transformation for Sustainable Transportation: Leveraging Industry 4.0 Technologies to Optimize Efficiency and Reduce Emissions», Future Transportation, vol. 5, fasc. 2, Art. fasc. 2, giu. 2025, doi: 10.3390/futuretransp5020034.

[3] P. Li, Y. Chen, e X. Guo, «Digital transformation and supply chain resilience», International Review of Economics & Finance, vol. 99, p. 104033, apr. 2025, doi: 10.1016/j.iref.2025.104033.

[4] H. Fatorachian e H. and Kazemi, «Impact of Industry 4.0 on supply chain performance», Production Planning & Control, vol. 32, fasc. 1, pp. 63–81, gen. 2021, doi: 10.1080/09537287.2020.1712487.

[5] H. Fatorachian e H. and Kazemi, «Impact of Industry 4.0 on supply chain performance», Production Planning & Control, vol. 32, fasc. 1, pp. 63–81, gen. 2021, doi: 10.1080/09537287.2020.1712487.

[6] W. Chen, Y. Men, N. Fuster, C. Osorio, e A. A. Juan, «Artificial Intelligence in Logistics Optimization with Sustainable Criteria: A Review», Sustainability, vol. 16, fasc. 21, Art. fasc. 21, gen. 2024, doi: 10.3390/su16219145.

[7] F. Caro e R. Sadr, «The Internet of Things (IoT) in retail: Bridging supply and demand», Business Horizons, vol. 62, fasc. 1, pp. 47–54, gen. 2019, doi: 10.1016/j.bushor.2018.08.002.

[8] F. Tao, Y. Zuo, L. D. Xu, L. Lv, e L. Zhang, «Internet of Things and BOM-Based Life Cycle Assessment of Energy-Saving and Emission-Reduction of Products», IEEE Transactions on Industrial Informatics, vol. 10, fasc. 2, pp. 1252–1261, mag. 2014, doi: 10.1109/TII.2014.2306771.

[9] S. Garcia-Torres, L. Albareda, M. Rey-Garcia, e S. Seuring, «Traceability for sustainability – literature review and conceptual framework», Supply Chain Management: An International Journal, vol. 24, fasc. 1, pp. 85–106, feb. 2019, doi: 10.1108/SCM-04-2018-0152.

[10] M. Gu e X. Tong, «Towards Hypotheses on Creativity in Software Development», in Product Focused Software Process Improvement, F. Bomarius e H. Iida, A c. di, Berlin, Heidelberg: Springer, 2004, pp. 47–61. doi: 10.1007/978-3-540-24659-6_4.

[11] United Nations, «Transforming our world: the 2030 Agenda for Sustainable Development». Department of Economic and Social Affairs, 2015. Consultato: 11 maggio 2025. [Online]. Disponibile su: https://sdgs.un.org/2030agenda

[12] Camera dei deputati, «La mobilità sostenibile». 30 dicembre 2024. Consultato: 11 maggio 2025. [Online]. Disponibile su: https://temi.camera.it/leg19/temi/19_l-innovazione-nel-trasporto-stradale-e-la-mobilit-sostenibile.html

[13] S. Ilic, T. Petrovic, e G. Djukic, «Eco-innovation and Sustainable Development», Problemy Ekorozwoju, vol. 17, fasc. 2, Art. fasc. 2, lug. 2022, doi: 10.35784/pe.2022.2.21.

[14] G. Büchi, M. Cugno, e R. Castagnoli, «Smart factory performance and Industry 4.0», Technological Forecasting and Social Change, vol. 150, p. 119790, gen. 2020, doi: 10.1016/j.techfore.2019.119790.

[15] Artificial Intelligence Act, Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024, che stabilisce regole armonizzate sull’intelligenza artificiale e modifica i regolamenti (CE) n, 300/2008, (UE) n, 167/2013, (UE) n, 168/2013, (UE) 2018/858, (UE) 2018/1139 e (UE) 2019/2144 e le direttive 2014/90/UE, (UE) 2016/797 e (UE) 2020/1828 (regolamento sull’intelligenza artificiale) 2024/1689, 2024. [Online]. Disponibile su: https://eur-lex.europa.eu/eli/reg/2024/1689/oj

[16] Disposizioni e deleghe al Governo in materia di intelligenza artificiale. 2025. [Online]. Disponibile su: https://www.senato.it/leg/19/BGT/Schede/Ddliter/58262.htm

[17] Agenzia per l’Italia Digitale, «Strategia Italiana per l’Intelligenza Artificiale 2024-2026». AGID, 2024. [Online]. Disponibile su: https://www.agid.gov.it/it/agenzia/stampa-e-comunicazione/notizie/2024/07/22/pubblicato-il-documento-completo-strategia-italiana-lintelligenza-artificiale-2024#:~:text=documento%20integrale%20della-,Strategia%20Italiana%20per%20l%E2%80%99Intelligenza%20Artificiale%202024%2D2026,-.%C2%A0

[18] OECD, «G7 Toolkit for Artificial Intelligence in the Public Sector». 15 ottobre 2024. Consultato: 26 marzo 2025. [Online]. Disponibile su: https://www.oecd.org/en/publications/g7-toolkit-for-artificial-intelligence-in-the-public-sector_421c1244-en.html

[19] DIPE, «Relazione sull’attività svolta dal DIPE in materia di PPP nell’anno 2023», 2024. Consultato: 11 maggio 2025. [Online]. Disponibile su: http://www.programmazioneeconomica.gov.it/it/notizie/presentata-al-cipess-la-relazione-sull-attivita-svolta-dal-dipe-in-materia-di-ppp-nell-anno-2023/

[20] L. S. Iyer, «AI enabled applications towards intelligent transportation», Transportation Engineering, vol. 5, p. 100083, set. 2021, doi: 10.1016/j.treng.2021.100083.