Veicoli autonomi e cybersecurity: tecnologia, vulnerabilità e prospettive

Alle 20:57 del 31 marzo 2026, la centrale della polizia stradale di Wuhan inizia a ricevere segnalazioni da zone diverse della città. Decine di robotaxi Apollo Go di Baidu si sono fermati in mezzo alla carreggiata. Non a bordo strada, non in parcheggio: nel mezzo del traffico serale di una metropoli da quasi 14 milioni di abitanti. 

I veicoli coinvolti sono almeno 100, secondo il comunicato ufficiale pubblicato sul profilo Weibo della polizia stradale locale. I passeggeri a bordo non capiscono cosa stia succedendo: il veicolo si è fermato, l’interfaccia interna non risponde, il pulsante SOS non ottiene risposta. Una passeggera ha raccontato ai media locali di aver aspettato 30 minuti prima di riuscire a parlare con un operatore; molti sono rimasti chiusi a bordo per quasi due ore.

Le portiere erano sbloccabili dall’interno, come ha precisato la polizia nel comunicato. Aprirle, però, significava scendere in mezzo alle corsie del traffico su una sopraelevata. Alcuni passeggeri lo hanno fatto, aspettando i soccorsi aggrappati al guardrail; per i veicoli fermi nelle corsie centrali, ogni rimozione ha richiesto l’intervento dei soccorsi. I video diffusi sui social mostrano file di carri attrezzi in coda e corsie bloccate per chilometri. CNBC ha riportato collisioni avvenute sulle sopraelevate a causa dei veicoli fermi in carreggiata.

Perché questo episodio è rilevante ?

Il blocco dei robotaxi a Wuhan mette in evidenza un tema cruciale per il settore, poiché riguarda la sicurezza dei veicoli autonomi quando software, connettività e infrastruttura operano all’interno di architetture altamente integrate.

La guida autonoma coinvolge aspetti tecnologici, operativi e normativi che non possono essere letti separatamente. Sensor fusion, aggiornamenti OTA, comunicazioni V2X, livelli di automazione, responsabilità legale e cybersecurity fanno parte dello stesso ecosistema.

In questo approfondimento analizziamo il caso di Wuhan come punto di accesso a una questione più ampia: capire come funzionano davvero i veicoli autonomi, dove si concentrano le vulnerabilità più rilevanti e quali sfide il settore deve affrontare per crescere in modo affidabile.

L’incidente di Wuhan non è un caso isolato

Apollo Go è il servizio di robotaxi commerciale con il maggior numero di chilometri percorsi in modalità completamente senza conducente: oltre 240 milioni di km totali, di cui più di 140 milioni senza supervisore a bordo, distribuiti in 22 città cinesi. A Wuhan — dove Baidu ha dichiarato nel 2025 di aver raggiunto la redditività per singolo veicolo — operano circa 1.000 veicoli attivi. Il servizio ha una partnership con Uber e Lyft per l’espansione nordamericana ed è in trattative per entrare nel mercato europeo.

Baidu, dopo il “blackout dei robotaxi”, non ha rilasciato dichiarazioni pubbliche nelle ore successive all’incidente. Il servizio clienti di Apollo Go, contattato da alcune testate locali, ha parlato genericamente di “problemi di rete nel sistema di guida”. La polizia ha confermato la natura sistemica del guasto — non un problema meccanico isolato, né un errore umano — e ha dichiarato le indagini ancora aperte.

Questo non è il primo episodio critico per i robotaxi cinesi: ad agosto 2025, un Apollo Go con un passeggero a bordo era finito in uno scavo di cantiere a Chongqing; a maggio 2025, un veicolo di Pony.ai aveva preso fuoco su una strada di Pechino. In entrambi i casi, nessun ferito grave, ma la sequenza aveva già aperto un dibattito sui social media cinesi sull’affidabilità effettiva di questi sistemi.

L’incidente di Wuhan si verifica su scala diversa: non vede, infatti, il coinvolgimento di un singolo veicolo in difficoltà, ma di molteplici veicoli fermi contemporaneamente in una metropoli. Un precedente simile per dinamica era già avvenuto a dicembre 2025 a San Francisco: un’interruzione di corrente aveva immobilizzato parte della flotta Waymo, generando ingorghi e discussioni sulla resilienza operativa dei sistemi autonomi in caso di perdita di connettività.

L’analisi tecnica pubblicata da CyberSecItalia nei giorni successivi ha individuato tre ipotesi, non necessariamente alternative tra loro: un guasto a cascata nel protocollo V2X che ha interrotto le comunicazioni tra i veicoli e i nodi infrastrutturali, un aggiornamento OTA difettoso distribuito a tutta la flotta nella fascia oraria precedente al blocco, e l’interruzione dei segnali keep-alive verso i server centrali di Baidu — con conseguente attivazione del “Safe State” su tutti i veicoli contemporaneamente. Scenari tecnici diversi, stesso risultato: un’architettura priva di ridondanza locale sufficiente che, quando perde il collegamento con il centro di controllo, non degrada gradualmente. Si blocca.

Apollo Go non è un servizio sperimentale di nicchia: conta oltre 17 milioni di corse cumulative, è attivo in oltre 26 città e ha partnership attive con Uber e Lyft nel mercato occidentale. L’episodio è stato ripreso da BBC, TechCrunch, CNBC e Straits Times — non solo per le immagini, ma anche per le domande che ha aperto sull’affidabilità strutturale di questi sistemi.

Perché questo episodio riguarda anche la cybersecurity?

Tra le ipotesi tecniche più accreditate figurano un aggiornamento OTA (over-the-air) difettoso propagato a tutta la flotta, un’interruzione dei segnali di controllo verso i server centrali e un edge case non gestito dagli algoritmi di bordo. Tutte e tre le cause hanno un denominatore comune: un’architettura centralizzata priva di ridondanza locale, vulnerabile a guasti a cascata. 

Come funziona un veicolo autonomo?

Un veicolo a guida autonoma elabora dati in tempo reale per percepire l’ambiente, pianificare una traiettoria e controllare il mezzo senza intervento umano continuo. L’architettura software si articola in tre moduli distinti ma strettamente integrati:

• Perception: acquisizione e interpretazione dei dati sensoriali per identificare veicoli, pedoni, segnaletica e ostacoli
• Planning: calcolo della traiettoria e delle manovre in base alla situazione rilevata
• Control: traduzione delle decisioni in comandi fisici — sterzata, accelerazione, frenata

I sensori: LiDAR, radar, telecamere e non solo

Nessuna tecnologia sensoriale è autosufficiente. I veicoli autonomi usano una tecnologia denominata sensor fusion: la fusione in tempo reale dei dati da più fonti per ridurre errori e punti ciechi che sfrutta

• LiDAR (Light Detection and Ranging): impulsi laser che generano mappe tridimensionali ad alta risoluzione, con una copertura fino a circa 200 m, ottima per ambienti urbani. Si tratta del componente più costoso dell’intera suite sensoriale.
• Radar: onde radio che rilevano oggetti fino a 10 km anche in caso di nebbia, pioggia e neve (condizioni in cui il LiDAR degrada), ma con una risoluzione inferiore.
• Telecamere: forniscono immagini ad alta risoluzione per riconoscere segnaletica, semafori, testo stradale e pedoni. Sono risorse economiche, ma con un’efficacia ridotta in condizioni di scarsa illuminazione.
• GPS con mappe HD: consente una localizzazione globale grazie all’aggiornamento continuo della posizione sul layer cartografico ad alta definizione.
• Ultrasuoni: hanno una copertura ravvicinata fino a 5 m, motivo per cui vengono utilizzati principalmente per il parcheggio e le manovre lente.

Il ruolo dell’intelligenza artificiale

La fase di Perception si basa principalmente su reti neurali convoluzionali (CNN): architetture di deep learning progettate per elaborare immagini fotogramma per fotogramma. Il principio è semplice da descrivere, meno semplice da implementare: la rete riceve in input i pixel di un’immagine e restituisce la posizione e la categoria di ogni oggetto rilevato — auto, pedone, bicicletta, segnale stradale, semaforo. Tra i modelli più diffusi nell’automotive c’è la famiglia YOLO (You Only Look Once), progettata per operare in tempo reale anche su hardware con risorse limitate, come i computer di bordo dei veicoli.

Rilevare che un oggetto è un pedone è però solo una parte del problema. Il sistema deve anche prevedere cosa farà quel pedone nel prossimo secondo: attraverserà la strada, si fermerà, cambierà direzione? Per questo tipo di previsione comportamentale si usano i transformer — l’architettura alla base anche dei modelli di linguaggio come GPT. I transformer analizzano sequenze temporali di posizioni e movimenti, identificano pattern ricorrenti nelle traiettorie e producono stime probabilistiche sul comportamento futuro degli altri utenti della strada. Studi recenti confermano che superano i modelli ricorrenti precedenti su metriche come accuratezza, AUC e F1-score nei dataset di riferimento per la guida autonoma.

Il terzo elemento è il dato sintetico. Per addestrare questi modelli servono milioni di esempi — e non tutti gli scenari critici si presentano con frequenza sufficiente nella guida reale. Un sistema non può aspettare anni prima di aver visto abbastanza casi di nebbia fitta, di attraversamenti improvvisi o di segnaletica danneggiata. L’AI generativa risolve questo problema creando scenari artificiali ma realistici: ambienti simulati con condizioni meteo variabili, traffico complesso, geometrie stradali diverse. I dati sintetici possono anche essere usati per bilanciare i dataset — aumentando deliberatamente la presenza di scenari rari o di categorie di utenti sottorappresentate, come bambini o persone anziane, riducendo così il bias nei modelli di percezione.

CNN, Transformer e dati sintetici: in sintesi

• CNN (Reti Neurali Convoluzionali): riconoscono oggetti in tempo reale dalle immagini delle telecamere. Modelli come YOLO classificano e localizzano pedoni, veicoli e segnali in pochi millisecondi per fotogramma.
• Transformer: analizzano sequenze temporali di movimento per prevedere il comportamento degli altri utenti della strada. La stessa architettura usata nei modelli linguistici viene applicata alle traiettorie fisiche.
• Dati sintetici: scenari generati artificialmente per addestrare i modelli a situazioni rare o pericolose, senza attendere che si verifichino nella realtà. Le GAN (Generative Adversarial Network) producono immagini e video indistinguibili da quelli reali, usabili come dati di addestramento.

I livelli di automazione SAE J3016: da L0 a L5

Il riferimento internazionale per la classificazione dei livelli di automazione è la tassonomia SAE J3016, aggiornata nel 2021 da SAE International in collaborazione con ISO. Definisce sei livelli progressivi, ma la differenza tra un livello e l’altro non è solo tecnica: cambia chi ha la responsabilità della guida — e, in caso di incidente, chi risponde legalmente.

L0–L2: il conducente resta sempre responsabile

Nei livelli da 0 a 2, il conducente è sempre l’attore principale. Al livello 1, il sistema aiuta su una sola dimensione — sterzo o gas/freno, ma non entrambi insieme. Al livello 2 interviene su entrambe contemporaneamente: è il caso del Tesla Autopilot o del Tesla FSD (Full Self-Driving), che, nonostante il nome commerciale, rimane formalmente L2. Il conducente deve tenere le mani sul volante, restare vigile e rispondere legalmente di qualsiasi incidente. La normativa europea UN-ECE R-157 impone che le mani tornino al volante entro 15 secondi di inattività: Tesla soddisfa già tale requisito tramite la telecamera interna che monitora le distrazioni del guidatore.

L3: la responsabilità passa al costruttore

Il livello 3 è lo spartiacque più importante — non solo tecnico, ma anche legale. Quando il sistema è attivo, è il costruttore a rispondere in caso di incidente, non il conducente. Quest’ultimo può distogliere l’attenzione dal traffico e riprenderla solo se il sistema lo richiede esplicitamente con un certo preavviso.

Ad oggi, l’unico sistema L3 con omologazione valida a livello internazionale è il Mercedes-Benz DRIVE PILOT, disponibile come optional su S-Class ed EQS. In Germania è stato approvato fino a 95 km/h su autostrada; in Italia e nella maggior parte dei Paesi europei il sistema è presente fisicamente sul veicolo ma non è ancora attivabile, perché la normativa locale non ha ancora recepito le disposizioni UN-ECE R-157. In Cina, i primi modelli L3 di serie — Deepal SL03 di Changan e Arcfox Alpha S di BAIC — hanno ottenuto le prime autorizzazioni nazionali nel 2025.

Le condizioni operative L3 attualmente omologate sono molto specifiche: autostrade o strade a carreggiate separate, velocità fino a 95 km/h, condizioni meteo favorevoli, assenza di pedoni e ciclisti. Al di fuori di questi parametri, il sistema cede il controllo al conducente.

L4: operativo solo in aree definite

Il livello 4 non richiede la presenza di un conducente attivo, ma funziona solo in un geofence — un’area geografica precisa per cui il sistema è stato certificato. È il livello dei robotaxi: Waymo a Phoenix e San Francisco, Baidu Apollo Go a Wuhan, WeRide in Medio Oriente. Al di fuori dell’area operativa, il veicolo si ferma o cede il controllo. Il segmento L3 domina il mercato nel 2025 con una quota del 46%, mentre il L4 è ancora limitato a flotte di servizio in contesti urbani selezionati.

L5: ancora nessun produttore ci è arrivato

Il livello 5 prevede la piena autonomia in qualsiasi condizione — meteo, geografica, di traffico — senza volante né pedali. Nessun produttore lo ha ancora raggiunto. Le proiezioni più ottimistiche lo collocano a metà degli anni ’30, ma molti ricercatori ritengono che questa stima sia conservativa. Il nodo rimane il long-tail problem: quella coda infinita di scenari rari per cui non esistono ancora abbastanza dati di addestramento.

Il salto da L2 a L3 ha aperto un problema normativo e assicurativo che, nella maggior parte delle giurisdizioni, non è ancora risolto: chi risponde dell’incidente causato da un sistema automatizzato? In Italia, il Decreto Smart Road e la Legge di Bilancio 2018 disciplinano la sperimentazione, ma non hanno ancora definito in modo esplicito la responsabilità civile dei veicoli L3 in uso commerciale. Gli OEM che vogliono attivare sistemi L3 in Europa devono affrontare iter normativi paese per paese, coperture assicurative ad hoc e potenziali azioni legali in caso di malfunzionamento. Una dinamica che ricorda da vicino le questioni di responsabilità legate alla gestione dei dati aziendali e alla conformità al GDPR: quando un sistema automatizzato prende decisioni, la responsabilità va definita prima che il problema si presenti.

La soglia operativa più rilevante si colloca tra L2 e L3. Fino al L2, il conducente deve restare vigile con le mani pronte al volante. Dal L3 in poi, il sistema assume il controllo e il conducente può interrompere la supervisione attiva, salvo richiesta del sistema di riprendere il comando.

Il mercato consumer si muove oggi tra L2 e L2+. I sistemi L4 sono operativi solo in contesti urbani delimitati — come i robotaxi. Il L5, con piena autonomia in qualsiasi condizione e contesto, non è ancora stato raggiunto da nessun produttore.

In Europa, la normativa UN-ECE R-157, entrata in vigore il 14 luglio 2022, ha autorizzato per la prima volta la circolazione di veicoli L3 sulle strade europee. Con il salto da L2 a L3 cambia anche la responsabilità legale in caso di incidente: non più solo il conducente, ma anche il produttore del sistema. Questo ha rallentato l’adozione commerciale da parte degli OEM, che devono affrontare implicazioni assicurative e normative ancora in corso di definizione in molte giurisdizioni.

Da Argo a Waymo: cent’anni di guida autonoma

Gli esperimenti sulla guida automatica risalgono agli anni ’20 del Novecento. I prototipi più rilevanti arrivano tra gli anni ’80 e ’90: il furgone Mercedes VaMoRs (1986), i modelli Vamp e Vita-2 che nel 1994 percorrono 1.000 km su un’autostrada parigina a 130 km/h, il progetto europeo EUREKA Prometheus.

In Italia, Alberto Broggi dell’Università di Parma porta Argo — una Lancia Thema modificata — a coprire quasi 2.000 km in autonomia nel 1998, in quello che resta uno dei risultati più significativi della ricerca europea sulla guida autonoma.

La fase competitiva moderna inizia con la DARPA Grand Challenge (2004–2005) e accelera nel 2009, quando Google avvia il progetto che poi diventerà Waymo. Nel 2018, Waymo lancia a Phoenix il primo servizio commerciale di robotaxi senza conducente di sicurezza a bordo. In Italia, la sperimentazione su strade pubbliche è disciplinata dal DM n. 70/2018 (Decreto Smart Road) e dalla Legge di Bilancio 2018. Nel 2026, BMW ottiene la prima omologazione europea per una combinazione L2+L3 sulla stessa vettura con la nuova Serie 7.

Il problema degli scenari rari: l’ostacolo tecnico principale

I veicoli autonomi gestiscono bene il traffico ordinario. Il nodo irrisolto riguarda la distribuzione degli scenari di guida: la maggior parte dei chilometri percorsi ricade in situazioni comuni e relativamente prevedibili. Poi c’è tutto il resto — condizioni meteo estreme, cantieri improvvisi, pedoni con traiettorie anomale, oggetti insoliti sulla carreggiata. Questi scenari sono statisticamente rari ma concentrano la quasi totalità dei rischi critici.

I modelli AI addestrati su dati reali replicano bene i casi frequenti. Quelli rari compaiono poco nei dataset e vengono appresi in modo insufficiente; scale AI descrive questa come “la sfida dell’ultimo 1%”: non l’auto che non sa stare in corsia, ma quella che non sa reagire a una situazione mai vista.

Le soluzioni tecniche in campo includono:

• Simulazioni massive in ambienti virtuali e digital twin delle città
• Dati sintetici generati tramite AI generativa per coprire scenari mai incontrati nella guida reale
• Reinforcement learning: il modello apprende per tentativi in ambienti simulati
• Approccio end-to-end (Wayve): il modello apprende direttamente dal flusso sensoriale, senza concetti predefiniti da rilevare — una risposta strutturale alla difficoltà di generalizzazione dei modelli modulari tradizionali

Cybersecurity e veicoli autonomi

Un veicolo autonomo moderno contiene più di 100 ECU (Electronic Control Unit), riceve aggiornamenti software via rete, comunica in tempo reale con altri veicoli e con l’infrastruttura stradale tramite il protocollo V2X, utilizza reti 5G per i sistemi cloud e trasmette telemetria in modo continuo.

Ogni canale di comunicazione è un potenziale vettore di attacco — e, a differenza di un server aziendale, un veicolo compromesso si muove a 130 km/h lungo un’autostrada.

ENISA e i principali centri di ricerca sulla cybersecurity automotive classificano le minacce in quattro macro-categorie:

• attacchi alle comunicazioni V2X,
• compromissione del canale OTA,
• exploit delle ECU tramite interfacce fisiche o wireless,
• attacchi all’infrastruttura cloud di gestione della flotta. 

Il CAN bus: la rete interna del veicolo

Prima di parlare di attacchi esterni, è utile capire come i sistemi di un veicolo siano connessi tra loro. Tutte le ECU comunicano tra loro tramite il CAN bus (Controller Area Network), un protocollo di rete interno progettato negli anni ’80 per la semplicità e la robustezza — non per la sicurezza. Il CAN bus non prevede autenticazione: qualsiasi nodo connesso può inviare messaggi a qualsiasi altro nodo, e tutti i nodi ricevono tutti i messaggi. Se un aggressore riesce a iniettare messaggi sul CAN bus, può dare comandi diretti a sterzo, freni, motore e qualsiasi altro sistema fisico del veicolo.

Il caso Jeep Cherokee (2015): il primo hack remoto su strada

Nel luglio 2015, i ricercatori Charlie Miller e Chris Valasek hanno dimostrato davanti alle telecamere di Wired come fosse possibile prendere il controllo remoto completo di una Jeep Cherokee 2014 mentre il giornalista Andy Greenberg la guidava in autostrada a 110 km/h. Senza toccare fisicamente il veicolo, i ricercatori hanno disattivato il motore, azionato i freni e preso il controllo dello sterzo — tutto via Internet, sfruttando una vulnerabilità nel sistema di infotainment Uconnect. Il vettore di accesso era il chip del sistema di intrattenimento, il cui firmware è stato riscritto da remoto per iniettare comandi arbitrari sul CAN bus interno. Chrysler ha richiamato 1,4 milioni di veicoli. Quell’episodio ha segnato l’inizio della cybersecurity automotive come disciplina seria.

Nel 2018, Miller e Valasek hanno dimostrato una seconda generazione di attacchi CAN bus ancora più sofisticata: anziché compromettere un singolo ECU e usarlo per inviare messaggi, hanno attaccato contemporaneamente l’ECU legittimo che inviava i comandi contraddittori — eliminando di fatto il meccanismo di difesa naturale del sistema. Il risultato: controllo completo del freno a mano, dello sterzo e del cruise control a qualsiasi velocità.

Attacchi V2X: falsificare il mondo esterno

Il protocollo V2X consente ai veicoli di scambiare informazioni in tempo reale con altri veicoli, con l’infrastruttura stradale (come semafori e barriere), con i pedoni tramite smartphone e con la rete di gestione del traffico. Questi scambi avvengono su canali radio standardizzati — DSRC a 5.9 GHz in Europa o C-V2X su rete 5G — e costituiscono l’equivalente degli “occhi aggiuntivi” del veicolo sul traffico circostante.

Il problema è che la maggior parte dei messaggi V2X in circolazione oggi non è autenticata o cifrata in modo robusto. Un pirata informatico, con un trasmettitore radio standard, può iniettare messaggi fasulli nella rete senza essere rilevato:

• GPS Spoofing: un trasmettitore malevolo sovraimpone un segnale GPS artificiale a quello del satellite, inducendo il veicolo a calcolare una posizione errata. Ricercatori dell’Università di Austin hanno dimostrato nel 2013 come dirottare uno yacht di lusso nel Mediterraneo, alterandone le coordinate GPS, senza che il sistema di navigazione rilevasse l’anomalia. Il progetto FusionRipper, pubblicato su arXiv, ha successivamente dimostrato come un attacco GPS spoofing “stealthy” riesca a ingannare il sistema di sensor fusion multi-sensore di Baidu Apollo con oltre il 90% di success rate.

Falsificazione di messaggi BSM (Basic Safety Message): i BSM sono pacchetti inviati ogni 100 ms da ogni veicolo agli altri, con posizione.

Architettura centralizzata e rischio a cascata

Quando un singolo nodo di controllo gestisce centinaia di veicoli in contemporanea, un malfunzionamento in quel nodo si propaga all’intera flotta. Il caso di Wuhan ne è la dimostrazione più documentata. Le ipotesi tecniche più citate dagli esperti includono:

1. Un aggiornamento OTA difettoso che ha attivato il “Safe State” su tutti i veicoli simultaneamente
2. Un’interruzione dei segnali keep-alive verso i server centrali, che ha innescato il blocco di emergenza programmato
3. Un edge case non previsto dagli algoritmi che, propagato dal cloud, ha generato un loop decisionale nei sistemi di bordo

In tutti e tre gli scenari, l’assenza di ridondanza locale ha impedito ai veicoli di degradare in modo ordinato — accostamento autonomo, sblocco delle porte, comunicazione di emergenza — trasformando un guasto tecnico in un blocco urbano di massa.

Veicoli autonomi e sicurezza stradale: cosa dicono i dati

Negli USA, fino a novembre 2025, sono stati registrati 5.202 incidenti totali coinvolgenti veicoli autonomi, con un tasso di 9,1 incidenti per milione di miglia percorse contro 4,1 per i veicoli con conducente umano. In valore assoluto, è più del doppio.

L’analisi della distribuzione della responsabilità, però, modifica questa lettura. Secondo i dati NHTSA relativi al periodo 2021–2025, i veicoli autonomi risultano responsabili della collisione nel solo 4% degli incidenti che coinvolgevano altri utenti della strada. L’alta frequenza assoluta riflette tre fattori: concentrazione in aree urbane dense, obbligo di notifica anche per urti minimi, e tendenza dei veicoli autonomi a essere tamponati — non a tamponare — perché il loro comportamento risulta imprevedibile per gli altri utenti, abituati a leggere le intenzioni di un conducente umano.

Bias algoritmico nei sistemi di percezione: un problema concreto

Studi recenti hanno rilevato tassi di mancato rilevamento dei pedoni superiori al 7-10% tra persone con carnagione scura e al 19-26% tra bambini rispetto agli adulti dalla pelle chiara. Risultati analoghi sono stati documentati per donne e anziani.

La causa è strutturale: i dataset di addestramento, costruiti storicamente su popolazioni non rappresentative, generano modelli con comportamenti disomogenei nei confronti delle categorie di utenti meno rappresentate nei dati. In un sistema che prende decisioni in tempo reale su strada, questo non è un problema marginale.

Il dibattito pubblico sulla guida autonoma è spesso dominato dal cosiddetto Trolley Problem — il dilemma filosofico su chi salvare in caso di un incidente inevitabile. Ricercatori della Brookings Institution e dell’Università di Amburgo concordano che si tratti di un problema mal posto: i veicoli reali non operano mai in scenari così deterministici. Il rischio etico più concreto e urgente è invece quello del bias algoritmico nei dati di addestramento — un problema ingegneristico risolvibile, non un dilemma metafisico.

Il mercato dei robotaxi: attori, numeri e proiezioni

Il mercato dei robotaxi, valutato a circa 1,95 miliardi di dollari nel 2024, è proiettato a 43,76 miliardi entro il 2030, con un CAGR del 73,5%. Goldman Sachs stima che il solo comparto dei robotaxi supererà i 25 miliardi entro lo stesso anno. BCG prevede 120.000 unità in circolazione nelle sole città europee entro il 2030.

Cruise (GM) ha sospeso il servizio robotaxi a fine 2023 dopo una serie di incidenti ad alta visibilità che ne hanno compromesso il quadro autorizzativo. Il caso è diventato un riferimento nel settore su come la gestione di una crisi reputazionale interagisce con le autorizzazioni regolatorie, con ricadute che vanno ben oltre il singolo episodio tecnico.

Il mercato della cybersecurity V2X cresce in parallelo: da 1,43 miliardi di dollari nel 2022 è proiettato a 4,48 miliardi entro il 2029, con un CAGR del 17,7%. La spesa per la sicurezza informatica dei veicoli connessi non è più una voce opzionale nei budget degli OEM.

La direzione per i prossimi anni

Le priorità dichiarate dall’industria convergono su quattro aree strutturali:

• Graceful degradation: i veicoli devono poter continuare a operare in modalità ridotta — accostamento sicuro, porte sbloccabili, comunicazione di emergenza attiva — anche in caso di guasto parziale. Il paradigma “fail-safe” (bloccarsi del tutto) viene progressivamente sostituito dal “fail-operational” (degradare in modo ordinato).
• Architettura offline-first: riduzione della dipendenza da server centrali, con logica di fallback autonoma a bordo del veicolo. Il cloud ottimizza, non comanda.
• Zero Trust per la flotta: ogni ECU e ogni veicolo trattati come endpoint potenzialmente compromessi, con autenticazione continua e segmentazione rigorosa. Lo stesso approccio che l’assistenza informatica professionale adotta per le reti aziendali distribuite.
• Security by Design: la sicurezza integrata nell’hardware e nel software fin dalla progettazione, non aggiunta successivamente come patch. Requisito obbligatorio per l’omologazione UE dal 2022 ai sensi del framework ISO/SAE 21434.

Il Livello 5 — piena autonomia in qualsiasi scenario — rimane un obiettivo lontano. Il focus realistico per i prossimi dieci anni è il L4 in aree sempre più ampie, con sistemi L2/L3 in rapida diffusione sul mercato consumer.

I 5 principi della sicurezza informatica che i veicoli autonomi stanno imparando a proprie spese

• Ridondanza: nessun sistema critico dovrebbe dipendere da un unico nodo
• Autenticazione continua: ogni componente che comunica con altri deve verificare la propria identità
• Aggiornamenti firmati: nessuna modifica al software senza verifica crittografica dell’origine
• Fallback locale: in caso di perdita di connettività, il sistema deve poter operare in modalità degradata
• Monitoraggio comportamentale: rilevare anomalie in tempo reale, prima che si trasformino in guasti o incidenti

Questi stessi principi si applicano alla gestione delle reti aziendali, dei sistemi cloud e degli endpoint distribuiti. Per una valutazione della tua infrastruttura, contatta il nostro team IT.