Urbanistica di anticipazione e giustizia spaziale: il supporto del Machine Learning alla pianificazione urbanistica per prevenire processi di gentrificazione

Negli ultimi decenni, il fenomeno della gentrificazione ha assunto un ruolo sempre più centrale nel dibattito scientifico-disciplinare urbanistico, diventando una delle manifestazioni più complesse dei processi di trasformazione urbana. L’espulsione delle fasce socioeconomicamente più fragili, l’aumento della pressione immobiliare e la riconfigurazione fisica sociale e culturale dei quartieri impongono una riflessione tanto sugli strumenti interpretativi quanto su quelli pianificatori. In questo scenario, il concetto di “fare spazio” viene inteso come la capacità di anticipare le traiettorie di cambiamento urbano attraverso strumenti predittivi innovativi, che fanno riferimento a metodologie, tecniche e strumenti emergenti nel campo dell’intelligenza artificiale e del Machine Learning (ML). Negli ultimi anni, la loro applicazione nell’ambito della pianificazione urbanistica, ha visto crescere l’interesse accademico e istituzionale su scala internazionale: diversi studi recenti (Huang & Hwang, 2024; Sanchez et al., 2023) evidenziano come modelli predittivi possano identificare segnali precoci di gentrificazione, utilizzando variabili socio-demografiche, immobiliari, infrastrutturali e anche visive. Queste tecniche consentono di elaborare e processare dataset ampi e complessi, con prestazioni più stabili rispetto ai modelli tradizionali (Muller et al., 2024), rendendo possibile l’individuazione di aree urbane “a rischio” gentrificazione in fase preliminare e quindi, aprendo alla possibilità di intervenire preventivamente sia in termini di politiche che di strategie e azioni di rigenerazione urbana. Il concetto di “dare spazio” si collega, invece, alla necessità di includere nuovi attori, saperi e strumenti nei processi di pianificazione e progettazione. In questo senso l’AI rafforza il ruolo di profili professionali altamente specializzati come urban data analyst e data scientist (già da tempo impegnati nell’analisi delle dinamiche urbane) nell’affiancare urbanisti e amministratori locali nella co-creazione di strategie di rigenerazione urbana a scala urbana e locale basate su evidenze empiriche. La pianificazione diventa così, non solo multidisciplinare e partecipata, ma anche predittiva, richiamando e rafforzando il concetto di Aménagements d’anticipation già teorizzato da Jean-Pierre Charbonneau (2007). Tutto questo fa riferimento al “diritto alla città” di Lefebvre (2014), evidenziando la necessità da un lato di proteggere la popolazione insediata dai meccanismi di espulsione, dall’altro di valorizzare la partecipazione comunitaria ai processi decisionali sulle trasformazioni urbane. Inoltre, sul piano dei “meccanismi di regolazione”, i modelli predittivi basati sul Machine Learning non solo supporterebbero la costruzione di un sistema normativo più flessibile e reattivo ai rapidi cambiamenti che caratterizzano la contemporaneità metropolitana, ma si configurerebbero come un utile strumento di monitoraggio per strategie, obiettivi e azioni previste dai Piani urbanistici. In questa cornice di riferimento, il contributo propone una rassegna critica della letteratura più recente e di un caso studio internazionale sull’uso del Machine Learning applicato alla pianificazione urbanistica e, nello specifico, come strumento per “prevedere” (inteso come “stimare”) processi di gentrificazione, con l’obiettivo di stimolare il dibattito sulla necessità di aprire nuovi spazi operativi e cognitivi in e per l’urbanistica, tra innovazione metodologica, giustizia sociale e flessibilità regolativa, nonché di valutare eventuali effetti boomerang di tali procedure.