Il divario tra sperimentazione e valore industriale dell’intelligenza artificiale nel manufacturing è oggi il tema più urgente per le imprese manifatturiere italiane. I dati lo confermano: secondo una ricerca del MIT NANDA (“The GenAI Divide: State of AI in Business”, 2025) solo il 5% dei progetti pilota di AI integrata sta generando valore misurabile a livello di conto economico, mentre la maggioranza resta bloccata senza impatto concreto sulle operations. “Un dato numerico che ha fatto scalpore, ma in pochi si sono chiesti quali caratteristiche abbia quel 5% di progetti che ce l’ha fatta”, osserva Giovanni Miragliotta, direttore dell’Osservatorio Artificial Intelligence del Politecnico di Milano.
La fotografia scattata dallo stesso Osservatorio a novembre 2025 mostra però segnali di accelerazione nel manifatturiero italiano. Il 30% delle grandi aziende dichiara di utilizzare l’AI a supporto di progetti Industria 4.0 e 5.0, con un incremento di 11 punti percentuali rispetto al 2024. Il 23% prevede di adottarla entro i prossimi 12 mesi. Tra le medie imprese la penetrazione è inferiore ma in crescita: il 12% la utilizza già (+6% rispetto all’anno precedente) e il 21% ha piani di adozione a breve termine.
Indice degli argomenti
Il problema dei dati: raccogliere non basta, serve valorizzare
La sfida principale non sta tanto nella tecnologia in sé ma nella capacità di trasformare i dati raccolti in informazioni utili per il business. I dati dell’Osservatorio del Politecnico di Milano sull’utilizzo dei dati da progetti Industrial IoT sono eloquenti: nelle grandi aziende solo il 23% li utilizza in modo ampio e rielaborato, mentre il 19% li sfrutta ancora in forma grezza. Il 26% li usa poco e il 27% non li impiega affatto pur prevedendo di farlo in futuro. Nelle PMI la situazione è ancora più critica: il 37% utilizza i dati raccolti in forma grezza e solo l’8% li rielabora in modo strutturato.
“La nuova consapevolezza riguarda proprio le opportunità mancate di valorizzazione dei dati” spiega Miragliotta. L’arrivo dell’AI generativa ha reso più evidente quanto valore resti intrappolato nei sistemi aziendali: non solo i dati operativi dei sensori e delle macchine ma anche la conoscenza tacita degli operatori, la documentazione tecnica, gli storici di manutenzione e le procedure di processo.
Miragliotta identifica tre livelli di novità portati dall’AI nel manufacturing. Il primo è una migliore percezione delle opportunità di sfruttare i dati già disponibili. Il secondo è la scoperta e formalizzazione della conoscenza aziendale attraverso strumenti come il cognitive search, il process mining e le interviste semi-automatizzate. Il terzo riguarda i nuovi modelli operativi che ridefiniscono il rapporto tra uomo e macchina secondo una matrice che va dall’automazione completa dei task a bassa complessità alla collaborazione aumentata sulle attività ad alta complessità.
Dalle fabbriche italiane: i nodi concreti dell’adozione
Il panorama delle aziende manifatturiere italiane restituisce un quadro coerente con questi dati. I nodi principali che frenano il passaggio dalla sperimentazione alla scala industriale sono ricorrenti e trasversali ai settori.
Il primo è la qualità del dato integrato: non tanto la qualità dei dati nei singoli sistemi ma la capacità di armonizzare informazioni provenienti da ERP diversi, MES eterogenei e architetture legacy stratificate nel tempo, spesso frutto di acquisizioni successive. Per gruppi industriali cresciuti per M&A il problema è particolarmente acuto: codifiche SKU diverse, strutture informative non allineate e sistemi risalenti in alcuni casi agli anni Ottanta rendono impraticabile qualsiasi progetto AI senza un lavoro preliminare di integrazione che richiede tempo e risorse significative.
Il secondo nodo è il debito tecnologico. Macchinari non nativamente digitali, assenza di sensoristica adeguata e infrastrutture OT non predisposte alla raccolta dati obbligano molte aziende a investimenti infrastrutturali consistenti prima ancora di poter sfruttare gli algoritmi. La convergenza IT/OT resta un cantiere aperto per la maggior parte delle realtà produttive.
Il terzo è la dimostrazione del ROI. Nel manufacturing ogni investimento significativo richiede una chiara dimostrazione di ritorno economico e il semplice pareggio tra costi e benefici non è considerato sufficiente. Il punto è che il ROI dell’AI va letto in modo diverso rispetto al software tradizionale: in progetti industriali complessi e pluriennali risparmiare anche un solo mese di timeline può generare impatti economici rilevanti, ma questo tipo di valutazione richiede metriche nuove che molte organizzazioni non hanno ancora elaborato.
Le aree applicative a più alto impatto
Sul fronte delle applicazioni concrete l’AI nel manufacturing si sta concentrando su alcuni ambiti prioritari. Il knowledge management è oggi l’area dove l’impatto dell’intelligenza artificiale generativa appare più concreto e immediato e dove molte aziende individuano il primo caso d’uso ad alto valore. Il problema di partenza è noto: nelle fabbriche la conoscenza dei processi, delle soluzioni ai problemi e delle best practice operative è in larga parte tacita, custodita nella memoria delle persone o dispersa in documenti eterogenei – manuali tecnici, rapporti di intervento, batch record, procedure di qualità, email – che nessuno ha il tempo di consultare sistematicamente. Il pensionamento dei tecnici più esperti e la difficoltà di reperire nuove competenze specialistiche rendono questo patrimonio sempre più fragile.
L’AI generativa cambia radicalmente l’approccio al problema. Attraverso sistemi basati su RAG (Retrieval-Augmented Generation) è possibile costruire knowledge base aziendali interrogabili in linguaggio naturale, capaci di attingere simultaneamente a decenni di manualistica, storici di manutenzione, documentazione di processo e procedure operative. Un tecnico di manutenzione può descrivere un’anomalia e ottenere in pochi secondi indicazioni basate su riparazioni passate e manuali operativi, senza dover sfogliare centinaia di pagine. Un operatore di produzione può consultare lo storico delle deviazioni di processo per ipotizzare le cause di un problema in corso. Un nuovo assunto può accedere a una base di conoscenza strutturata che accorcia drasticamente i tempi di formazione.
Il valore si estende anche oltre la fabbrica. La stessa logica può essere applicata per rendere interrogabili le policy aziendali di procurement, le linee guida di qualità, la documentazione dei fornitori o le specifiche di prodotto, democratizzando l’accesso alle informazioni a tutti i livelli dell’organizzazione senza richiedere competenze tecniche nella consultazione dei database. La sfida resta il fine-tuning: l’affidabilità delle risposte dipende dalla qualità della documentazione sottostante e dalla progettazione del sistema, e senza un controllo esperto di dominio il rischio di errore rimane troppo elevato per un utilizzo diretto verso clienti esterni.
La pianificazione della produzione e la previsione della domanda rappresenta il secondo fronte di maggiore interesse ed è il terreno su cui si giocano le decisioni più rilevanti su scorte, capacità produttiva, distribuzione e marginalità. È un ambito in cui gli strumenti deterministici tradizionali come l’MRP mostrano i loro limiti quando l’orizzonte temporale degli ordini è inferiore al tempo di riapprovvigionamento – una condizione sempre più frequente con clienti che richiedono tempi di consegna brevi e domanda volatile. Secondo KPMG la pianificazione “low-touch” basata sull’AI può aggiungere dall’1% al 3% ai margini lordi. L’AI può rilevare modifiche nei pattern di domanda, ottimizzare i parametri dei modelli di previsione e campionare informazioni interne ed esterne – dai dati storici ai pattern di acquisto dei consumatori – per migliorare l’accuratezza delle stime, liberando i planner dal lavoro sui modelli di dati e consentendo loro di concentrarsi sulla strategia.
Manutenzione predittiva e controllo qualità tramite computer vision sono invece ambiti in cui si lavora già da diversi anni, anche con tecniche di Machine Learning tradizionale, e dove esistono ormai numerosi use case consolidati. La manutenzione predittiva analizza dati da sensori e modelli operativi per rilevare anomalie – vibrazioni eccessive, pattern elettrici insoliti, cambiamenti improvvisi di temperatura – che segnalano guasti imminenti. Secondo una ricerca Deloitte può ridurre i tempi di inattività non pianificati fino al 53% e i difetti di circa l’80% rispetto alla manutenzione reattiva.
La computer vision per il controllo qualità può ridurre gli scarti e abilitare controlli più estesi rispetto all’ispezione umana, ma presenta ancora una difficoltà strutturale nel raggiungere livelli di affidabilità tali da delegare completamente la decisione all’algoritmo.
L’ottimizzazione energetica completa il quadro delle applicazioni più diffuse: l’AI può decidere dinamicamente quale fonte energetica utilizzare – rete, fotovoltaico o accumulo – sulla base di costi e disponibilità in tempo reale.
AI agent: verso l’automazione dei flussi di lavoro
Una nuova frontiera applicativa è quella degli Agenti AI, assistenti digitali basati sull’intelligenza artificiale generativa progettati per semplificare o automatizzare processi specifici della supply chain e del manufacturing. A differenza dei chatbot tradizionali gli agent possono creare piani d’azione autonomi, accedere ai dati aziendali e alla documentazione specifica di clienti e apparecchiature e persino coordinarsi con altri agent per completare attività complesse.
Oracle ha annunciato lo sviluppo di decine di agenti AI integrati nella suite Fusion Cloud Supply Chain & Manufacturing, incorporati senza costi aggiuntivi negli aggiornamenti trimestrali delle applicazioni. Coprono ambiti che vanno dalla gestione degli ordini al procurement, dalla pianificazione della domanda alla manutenzione e alla logistica. Un agent di procurement può ad esempio analizzare i documenti delle policy aziendali e suggerire criteri di qualifica per i fornitori; un agent di manutenzione può esaminare la documentazione tecnica e lo storico di assistenza per guidare un tecnico nella risoluzione di un problema.
Il tema degli agenti AI è particolarmente rilevante per il manufacturing perché risponde a un’esigenza diffusa: colmare il gap di competenze legato all’invecchiamento della forza lavoro e alla difficoltà di reperire profili specialistici. L’AI integrata nelle macchine e negli impianti può trasferire conoscenza nei sistemi rendendo l’impianto meno dipendente dall’esperienza individuale dell’operatore.
La sfida organizzativa: cultura, governance e change management
La tecnologia è matura e le difficoltà riguardano più la scalabilità e il fine-tuning che limiti strutturali degli strumenti. Il vero ostacolo resta la trasformazione organizzativa. L’adozione dell’AI richiede un cambio di paradigma rispetto allo sviluppo software tradizionale: servono modelli di MLOps e FinOps, serve superare la logica dei compartimenti stagni tra IT e operations e serve soprattutto investire nell’alfabetizzazione AI della forza lavoro a tutti i livelli.
L’esperienza delle aziende che hanno avviato percorsi strutturati suggerisce un approccio in quattro fasi: AI Literacy per costruire una cultura condivisa su opportunità, limiti e rischi; sviluppo e proof of concept su casi d’uso prioritari con ROI dimostrabile; definizione di una AI Policy con regole minime d’uso; e infine una AI Governance che stabilisca responsabilità e modalità di gestione.
Senza questa infrastruttura organizzativa cresce l’asimmetria tra aspettative e realtà, si moltiplicano gli usi impropri e diventa più difficile decidere con lucidità dove investire. L’entusiasmo e la richiesta devono venire dal business: forzare soluzioni dall’IT senza una domanda concreta rischia di rallentare l’assimilazione e di trasformare i progetti in iniziative isolate prive di continuità.
