AleaSoft Energy Forecasting, 16 giugno 2026. L’intelligenza artificiale è oggi comunemente associata ai modelli generativi, agli assistenti conversazionali e alla crescita della domanda di elettricità legata ai data center. Tuttavia, diversi decenni prima della comparsa di queste tecnologie, l’intelligenza artificiale aveva già iniziato a dimostrare la propria capacità di risolvere problemi complessi con un reale impatto economico. Uno degli esempi più significativi è stato PROSPECTOR, un sistema esperto sviluppato negli anni ’70 per supportare l’esplorazione mineraria. Il suo successo lo ha reso uno dei primi casi documentati in cui l’intelligenza artificiale ha contribuito al processo decisionale in condizioni di incertezza e ha generato un valore economico tangibile.
I primi sistemi esperti e la nascita di un nuovo modo di analizzare le informazioni
Negli anni ’70 l’intelligenza artificiale si trovava in una fase molto diversa da quella attuale. La capacità di calcolo disponibile era limitata e le risorse informatiche erano modeste rispetto agli standard odierni. È in questo contesto che sono emersi i sistemi esperti: programmi progettati per riprodurre una parte del ragionamento degli specialisti umani attraverso regole logiche e modelli probabilistici.
Uno degli sviluppi più rappresentativi di quel periodo è stato PROSPECTOR, un sistema creato per assistere i geologi nell’esplorazione delle risorse minerarie. Il suo scopo era analizzare informazioni geologiche, geochimiche e strutturali al fine di stimare la probabilità di trovare determinati giacimenti minerari, combinando molteplici fonti di informazione e prove parziali.
A differenza dei modelli odierni basati sul Machine Learning o sulle reti neurali, PROSPECTOR operava sulla base di conoscenze esperte inserite manualmente nel sistema. La sua capacità di combinare informazioni incomplete e di valutare diversi scenari lo ha reso uno dei primi esempi pratici di ragionamento probabilistico applicato a problemi reali con un significativo impatto economico.
Il caso che ha reso PROSPECTOR un punto di riferimento storico
L’importanza di PROSPECTOR si è estesa oltre l’ambito accademico quando le sue analisi hanno individuato un’elevata probabilità di trovare un giacimento di molibdeno nell’area di Mount Tolman, negli Stati Uniti. Le successive campagne di perforazione hanno confermato l’esistenza del giacimento.
Questo risultato ha attirato notevole attenzione perché rappresentava uno dei primi esempi documentati di un sistema basato sull’intelligenza artificiale che contribuiva direttamente a una decisione con un impatto economico tangibile. La tecnologia non era più confinata agli ambienti sperimentali e aveva dimostrato la propria utilità in applicazioni reali legate alla gestione delle risorse e al processo decisionale aziendale.
L’esperienza di PROSPECTOR ha dimostrato che la combinazione di conoscenze specialistiche e modelli computazionali poteva generare informazioni di grande valore per affrontare problemi in cui i dati erano incompleti e l’incertezza era un fattore determinante. Questo principio rimane alla base di molti moderni sistemi di previsione, oggi utilizzati per analizzare scenari complessi e supportare decisioni strategiche in molteplici settori.
Dall’esplorazione mineraria ai modelli avanzati di intelligenza artificiale
Dopo i primi successi dei sistemi esperti, l’intelligenza artificiale ha iniziato a diffondersi gradualmente in settori come la medicina, la finanza, l’industria e l’energia. Sebbene le metodologie si siano evolute notevolmente negli ultimi decenni, molti dei principi fondamentali rimangono invariati.
Oggi i modelli di intelligenza artificiale sono in grado di elaborare enormi volumi di informazioni provenienti da immagini satellitari, sensori, dati meteorologici e archivi storici. Le tecniche di Machine Learning e Deep Learning possono individuare relazioni e schemi complessi che sarebbero difficili da rilevare con i metodi tradizionali.
Tuttavia, l’obiettivo rimane simile a quello che ha guidato i primi sistemi esperti: ridurre l’incertezza e fornire strumenti di supporto alle decisioni per ambienti complessi. La differenza risiede nell’attuale capacità di elaborare grandi volumi di informazioni e di aggiornare continuamente i modelli man mano che nuovi dati diventano disponibili.
La gestione dell’incertezza come elemento comune
La storia di PROSPECTOR illustra una caratteristica che rimane essenziale nelle moderne applicazioni dell’intelligenza artificiale. In molti settori, la sfida principale non consiste semplicemente nell’avere accesso a maggiori informazioni, ma nell’interpretare correttamente dati incompleti, variabili interconnesse e scenari incerti.
Questa esigenza è particolarmente rilevante negli ambiti in cui le decisioni dipendono da molteplici fattori simultanei e in cui piccole variazioni possono avere conseguenze economiche significative. La capacità di integrare conoscenze esperte, informazioni storiche e modelli analitici avanzati rimane uno dei principali motori dello sviluppo dell’intelligenza artificiale.
A più di cinquant’anni dai primi sistemi esperti, il progresso tecnologico ha moltiplicato le capacità di calcolo e di analisi. Tuttavia, il principio fondamentale rimane invariato: utilizzare modelli computazionali per migliorare la comprensione dei sistemi complessi, individuare schemi rilevanti e supportare decisioni strategiche in condizioni di incertezza. Questo approccio è presente anche nei modelli ibridi che combinano modelli fondamentali, tecniche statistiche e strumenti di intelligenza artificiale per analizzare sistemi complessi e anticiparne l’evoluzione.
Analisi e previsioni di AleaSoft Energy Forecasting sull’intelligenza artificiale e i mercati elettrici
Il 18 giugno 2026, AleaSoft Energy Forecasting terrà il suo 67° webinar, intitolato «I mercati dell’energia in Europa nel secondo semestre del 2026: evoluzione, prospettive e opportunità per le energie rinnovabili, i PPA, le batterie e l’ibridazione». La sessione vedrà la partecipazione di Daniel Fernández Alonso, Strategy, Regulatory Affairs and Communications Director presso ENGIE Spain, e di Oriol Saltó i Bauzà, Associate Partner presso AleaSoft Energy Forecasting. Il panel di discussione del webinar in spagnolo riunirà inoltre Lola López Serrano, Head of Strategy and BESS RES presso ENGIE Spain, e Juan Noguera, Head of Acquisitions, Investments & Financial Advisory (AIFA) presso ENGIE Spain. Il webinar e il panel di discussione in spagnolo saranno moderati da Antonio Delgado Rigal, CEO e fondatore di AleaSoft Energy Forecasting.
Il webinar analizzerà i recenti sviluppi dei mercati energetici europei e le prospettive per il secondo semestre del 2026, con particolare attenzione ai fattori che continueranno a influenzare i prezzi di mercato, i prezzi dei combustibili e i prezzi dei diritti di emissione di CO₂. Affronterà inoltre le opportunità e le sfide del settore delle energie rinnovabili, la situazione attuale e le tendenze del mercato spagnolo dei PPA, nonché le prospettive dello stoccaggio di energia con batterie e dell’ibridazione con l’energia solare fotovoltaica.
In un contesto caratterizzato da una complessità crescente e dalla necessità di interpretare grandi volumi di informazioni, l’intelligenza artificiale, i modelli statistici e i modelli ibridi svolgono un ruolo sempre più importante nell’analisi dei mercati elettrici, nella modellazione di scenari e nella valutazione degli investimenti. L’esperienza accumulata da AleaSoft Energy Forecasting nello sviluppo di modelli avanzati le consente di fornire previsioni di mercato, analisi di scenari e strumenti di supporto alle decisioni per progetti di energie rinnovabili, stoccaggio di energia, contratti PPA e strategie di gestione del rischio nei mercati elettrici europei.
Fonte: AleaSoft Energy Forecasting.
