Il 95% dei progetti di intelligenza artificiale non supera la fase di proof of concept. Lo afferma il rapporto “State of AI in Business 2025“, elaborato dal team di ricerca MIT Nanda, ormai diventato un punto di riferimento nel dibattito sull’adozione dell’AI in azienda. Eppure i miliardi investiti a livello globale continuano a crescere, le aspettative del management si moltiplicano e il rischio di bruciare risorse senza ottenere risultati concreti rimane alto. Se usare l’AI in fabbrica non è in discussione, il punto è come farlo in modo da rientrare in quel 5% che ce la fa.
Su questo tema si è focalizzato un incontro organizzato al Museo Storico dell’Alfa Romeo di Arese da Tinexta Innovation Hub, in cui sono stati discusse visioni strategiche accanto a casi pratici. Il filo conduttore? Che l’intelligenza artificiale non è un software da acquistare, ma una capacità da costruire – e il nuovo iperammortamento triennale offre un’occasione concreta per farlo accelerando il tempo di ritorno dell’investimento.
Indice degli argomenti
Dalla fabbrica 4.0 alla fabbrica cognitiva
La traiettoria dell’industria manifatturiera degli ultimi quindici anni, da quando cioè si è iniziato a parlare di Industria 4.0, ha attraversato diverse fasi: dall’introduzione dei sistemi cyber fisici alla digitalizzazione dei processi, poi la sfida della transizione energetica. Fino all’avvento dell’Industrial AI che oggi sta ridefinendo il concetto stesso di fabbrica intelligente.
“Fino a qualche anno fa ci siamo concentrati sulla connessione e sulla digitalizzazione del processo in sé”, spiega Luca Onnis, Chief Operating Officer di Tinexta Innovation Hub. “Ora la fabbrica si sta trasformando in una fabbrica cognitiva: non solo fortemente digitalizzata, ma pensante”.
Ma cosa significa esattamente fabbrica cognitiva? “Cognitiva significa capace di elaborare scenari what-if, di fare analisi predittiva su grandi volumi di dati e di trasformare quella mole di informazioni – spesso raccolta e archiviata per anni senza essere realmente sfruttata – in decisioni operative”, sottolinea Onnis.
Due applicazioni concrete, per fare qualche esempio: lo scheduling cognitivo, ovvero la pianificazione della produzione guidata dall’AI; e la qualità predittiva, cioè la capacità di anticipare problemi di processo prima che si manifestino.
La fabbrica cognitiva che conviene
I numeri di un caso studio condotto dal Centro Studi di Tinexta Innovation Hub su un’azienda bresciana di stampe per imballaggi in carta aiutano a rendere il concetto meno astratto. Investimento complessivo: circa 5 milioni di euro, di cui un milione destinato alle componenti cognitive (scheduling e qualità predittiva). Risultati: OEE (Overall Equipment Effectiveness – l’indicatore che misura l’efficienza complessiva degli impianti) migliorato del 12%, scarti ridotti del 37%, payback period di 3,34 anni. “Senza quella componente cognitiva aggiuntiva – spiega Onnis – il ritorno sull’investimento si sarebbe allungato di circa sei mesi”. L’impatto economico totale – riduzione degli scarti, efficienza della produzione, effetto fiscale – è migliorativo nonostante un costo iniziale superiore di circa il 20%.
Il nuovo iperammortamento inserisce esplicitamente queste tecnologie tra gli investimenti agevolabili. Nell’allegato IV figurano hardware per l’AI come server GPU, cluster per l’addestramento e sistemi di edge computing per l’elaborazione locale, rilevanti per chi vuole mantenere i dati on-premise per ragioni di sicurezza. Nell’allegato V compaiono gli agenti AI autonomi per l’orchestrazione dei flussi operativi e il process mining per l’analisi automatica dei colli di bottiglia – tecnologie che aggiornano il perimetro degli incentivi a un’evoluzione tecnologica che negli ultimi anni ha accelerato in modo sensibile.
AI in fabbrica: tre ambiti di applicazione e quattro ingredienti per il successo
Il rischio più comune nell’adozione dell’AI in ambito industriale è partire dalla tecnologia anziché dal problema. “L’approccio è ancora pensato con un punto di partenza tecnologico”, osserva Marco Farè, Chief Operating Officer Digital & Innovation di Tinexta Innovation Hub. “Ma devi partire dal problema, capire il ‘mal di pancia’ che vuoi indirizzare”. A questo si aggiunge un equivoco di fondo: l’AI non è un software da installare una tantum, ma una capacità dinamica che richiede competenze interne per essere alimentata e aggiornata nel tempo.
Le applicazioni concrete dell’AI in fabbrica, per quanto diverse tra loro, si concentrano attorno a tre ambiti principali. Il primo è l’ottimizzazione: logistica, configurazione delle linee, carico dei container, gestione del magazzino. Il secondo è la previsione: dalla domanda di mercato ai malfunzionamenti di linea, con interventi preventivi basati su dati e non su percezioni. Il terzo – spesso sottovalutato – è la valorizzazione del know-how aziendale, cioè la capacità di formalizzare e rendere fruibile la conoscenza operativa che altrimenti rimane nella testa delle persone.
Quest’ultimo ambito è quello che IMG, costruttore bresciano di presse per lo stampaggio degli elastomeri, ha affrontato con un progetto sviluppato nell’arco di quasi un anno. Il problema era tipico della manifattura italiana: macchinari complessi, alta variabilità del prodotto, personale esperto prossimo alla pensione e impossibilità di standardizzare i processi con manuali tradizionali. “Una nostra macchina è composta per l’80% da una parte comune e per il 20% da personalizzazione. Quel 20% porta via l’80% del tempo”, spiega Fabrizio Bonfadini, Direttore Tecnico e Socio di IMG. La soluzione: chiedere agli operatori di registrare e commentare le lavorazioni, caricare il video in cloud e lasciare che un algoritmo generativo strutturi il contenuto in tutorial interattivi e dinamici, aggiornabili ogni volta che cambia la procedura. Il risparmio stimato sui costi di formazione – rispetto al classico affiancamento senior-junior – è nell’ordine del 50%.
“Stai sistematizzando un asset che è il know-how, generalmente etereo”, commenta Farè. “Questa sistematizzazione abilita ulteriori automazioni: l’addestramento di sistemi di fabbrica, la robotizzazione. Digitalizzare il know-how è davvero la nuova frontiera perché copre buchi concreti come la formazione della forza lavoro”.
Per evitare di restare nell’euforia del proof of concept, Tinexta Innovation Hub ha identificato quattro ingredienti che non possono mancare in un progetto AI destinato a produrre risultati: comprensione del business, competenza tecnologica, consapevolezza del quadro normativo (l’AI porta con sé adempimenti specifici) e attenzione alla dimensione umana. Se manca uno di questi elementi il progetto si ferma prima di generare valore.
