Dassault Aviation ha provato in volo sul Rafale due algoritmi di AI, uno sviluppato in casa e l’altro con Thales e cortAIx. La formula scelta per descrivere l’obiettivo è precisa. Un’AI «controllata e supervisionata» nella cabina di pilotaggio, a supporto dell’equipaggio umano. Sono due aggettivi che contano più del test, perché indicano dove passa oggi il confine dell’intelligenza artificiale in aviazione: nella distribuzione delle decisioni tra macchina e pilota, e nella possibilità di dimostrare che quella distribuzione regge.
Dal test sul Rafale alla domanda di fondo: chi decide a bordo?
Il resoconto pubblicato da Aviation Report il 22 settembre 2026 accosta al risultato tre difficoltà che il costruttore stesso considera centrali. La prima è garantire la disponibilità e la qualità dei dati operativi, reali o simulati. Seguono l’integrazione delle competenze di chi conosce il mestiere del volo e l’uso efficiente delle risorse di calcolo su una piattaforma imbarcata.
Nessuna delle tre riguarda la potenza dell’algoritmo in sé. Tutte riguardano il contesto in cui l’algoritmo deve funzionare, con poca energia, poco spazio, dati che in volo reale sono sempre meno puliti di quelli di laboratorio. Da qui nasce la domanda che ogni lettore di notizie sui caccia pilotati dall’AI dovrebbe porsi prima di tutte le altre. Chi ha l’ultima parola, e in quale momento?
Nel ciclo, sul ciclo, fuori dal ciclo
Il lessico tecnico usa tre espressioni, prese dall’inglese, che descrivono livelli diversi di presenza umana. Con il pilota «nel ciclo» (human-in-the-loop) il sistema propone e la persona decide ogni passaggio: è il caso di un assistente che suggerisce una rotta o segnala un’anomalia, lasciando l’azione al pilota. Con il pilota «sul ciclo» (human-on-the-loop) il sistema agisce da sé, mentre la persona osserva, controlla e può riprendere il comando in qualsiasi momento. «Fuori dal ciclo» significa che, per un certo compito, l’intervento umano in tempo reale non è previsto.
Il programma VENOM dell’aeronautica statunitense, che abbiamo raccontato il 10 agosto 2026, è un esempio chiaro della seconda formula. Su sei F-16C modificati alla base di Eglin, il pilota può passare dal controllo tradizionale a quello affidato all’agente software con un interruttore, e resta in cabina per monitorare l’agente, i sistemi di volo e gli obiettivi della missione. Quando a luglio un agente ha gestito l’aereo in volo, a bordo c’era un pilota collaudatore incaricato proprio di questa sorveglianza.
La differenza tra le tre formule ha conseguenze pratiche enormi. Cambia il carico di lavoro del pilota, il tempo che ha per accorgersi di un errore, la quantità di informazioni che il sistema gli deve restituire perché la supervisione sia reale e non solo nominale. Un pilota «sul ciclo» che non capisce che cosa sta facendo la macchina, e perché, è sul ciclo soltanto sulla carta. Per questo, quando un costruttore parla di AI supervisionata, la domanda utile è sempre la stessa. Con quali strumenti, e con quanto anticipo, la persona a bordo può accorgersi che qualcosa non va?
Perché certificare un algoritmo è più difficile che farlo volare
Far volare un algoritmo in una campagna di prove è un traguardo tecnico. Approvarlo per l’uso operativo è un altro mestiere. Il software aeronautico tradizionale si certifica dimostrando che il codice fa esattamente ciò che i requisiti descrivono, riga per riga, con test tracciabili. Un modello di machine learning, cioè un sistema che impara il proprio comportamento dai dati invece di riceverlo scritto da un programmatore, sfugge in parte a questo schema.
Il suo comportamento dipende dagli esempi su cui è stato addestrato, e la domanda diventa se quegli esempi coprono davvero le situazioni che il velivolo incontrerà, comprese quelle rare. È esattamente il punto sui dati operativi, «reali o simulati», che Dassault mette in cima alla lista.
Un dataset incompleto produce un sistema che si comporta bene nei casi noti e in modo imprevedibile negli altri, e in volo i casi rari sono quelli che contano. A questo si aggiunge il vincolo di bordo. Un modello che funziona su un server di sviluppo deve stare dentro l’hardware certificato di un aereo, con margini di calcolo ridotti.
Intelligenza artificiale in aviazione civile: il lavoro dell’EASA sul machine learning
L’aviazione civile europea affronta lo stesso problema da qualche anno, con un approccio graduale. L’Agenzia dell’Unione Europea per la sicurezza aerea (EASA) ha pubblicato nel maggio 2023 la seconda edizione della propria AI Roadmap, presentata come documento vivo da aggiornare con il lavoro pratico sui progetti. Nel marzo 2024 è seguita la seconda edizione del Concept Paper dedicato alle applicazioni di machine learning di livello 1 e 2.
La distinzione tra i due livelli ricalca il ragionamento fatto per la cabina militare. Il livello 1 riguarda le applicazioni che assistono e rafforzano le capacità umane. Il livello 2 introduce quello che l’EASA chiama «human-AI teaming», la squadra tra persona e sistema, con sistemi che prendono decisioni automaticamente sotto supervisione umana. Proprio per questo l’Agenzia insiste sulla necessità di principi di progettazione dell’interazione tra uomo e AI.
Il documento ruota intorno ad alcuni concetti chiave: la «learning assurance», cioè la garanzia che il processo di apprendimento del modello sia controllato e documentato, la spiegabilità, la valutazione su base etica, i fattori umani. Sono gli stessi nodi del test sul Rafale, tradotti in linguaggio regolatorio.
Intelligenza artificiale in aviazione: la fiducia del pilota si costruisce prima del decollo
Anche nel trasporto commerciale il messaggio è coerente. Il rapporto IATA sulle risorse umane, ripreso da Aviation Report ad aprile 2026, descrive una tecnologia che non sostituirà le persone e porta l’esempio della manutenzione predittiva. L’AI aiuta a prevedere i guasti, ma serve la competenza umana per validare e gestire l’intervento.
La fiducia, in cabina come in hangar, è una proprietà del sistema intero e non solo del software. Si costruisce con l’addestramento, perché un pilota deve sapere in anticipo come il sistema reagirà nei casi limite e quali segnali indicano che va escluso. Servono poi interfacce che mostrino lo stato dell’agente in modo leggibile in pochi secondi. Ma anche procedure di ripresa del comando provate al simulatore fino a diventare automatiche, perché la supervisione vale quanto la rapidità con cui la persona riesce a intervenire.
Le parole giuste per leggere i prossimi test
Aviation Report segue con continuità le sperimentazioni di AI in volo, dal Rafale al VENOM fino all’X-62 VISTA o ai droni da combattimento CCA – Collaborative Combat Aircraft. Ogni nuovo test porta con sé un lessico che si dà spesso per scontato: supervisione umana, machine learning, spiegabilità, human-on-the-loop.
Per l’Associazione Italiana Professionisti dell’Intelligenza Artificiale (AIPIA), che riunisce sviluppatori, data scientist, ricercatori e consulenti, la precisione dei termini è il primo passo per valutare con lucidità ciò che si legge. AIPIA mette così a disposizione un glossario dell’intelligenza artificiale pubblico, con definizioni brevi delle voci tecniche e di quelle legate a rischi e regolazione. Per piloti, tecnici e appassionati è un riferimento da tenere aperto accanto alle notizie. Un riferimento utile a distinguere una prova sperimentale da un sistema approvato per l’uso.
La prossima volta che un comunicato parlerà intelligenza artificiale in aviazione o di AI «in cabina», vale la pena cercare tre dettagli: chi può spegnerla, quanto tempo ha per farlo e su quali dati è stata addestrata. Quando mancano, il test è ancora lontano dalla linea di volo.
Articolo: Rafael Patron, Presidente del Comitato Tecnico-Scientifico AIPIA