Imodelli fondativi su cui si basano i sistemi di intelligenza artificiale, gli LLM, sono oggi in grado di risolvere problemi di enorme complessità, ma ancora non riescono a controllare la qualità di una suola o a ottimizzare la rete logistica di un produttore di scarpe di lusso. Perché? La spiegazione non sta tanto nella complessità del problema, ma nella specificità del caso d’uso e nella “rarità” del dato che lo descrive.
È partito da qui il confronto tra Emanuele Frontoni, professore all’Università di Macerata, dove co-dirige il Vision Robotics & Artificial Intelligence Lab, e Marco Bentivogli, fondatore di Base Italia, che si è tenuto ad Ancona in occasione della tappa del Centro Italia dei MADE Future Industry Awards – il contest promosso dal Competence Center milanese che premia i migliori progetti di innovazione digitale e sostenibe delle imprese italiane.
Indice degli argomenti
Il vero collo di bottiglia? È il dato
“Se vendiamo scarpe di lusso sappiamo che non si fanno grandi numeri con ogni specifico modello e che avremo una serie storica del venduto piena di zeri”, dice Frontoni. “E proprio qui, dove servirebbero di più, i modelli di AI non funzionano”. Il motivo è che i modelli fondativi che gestiscono serie temporali funzionano bene dove i dati sono abbondanti e omogenei. Nelle industrie lean, nella moda, nelle filiere manifatturiere specializzate, i dati sono rari, eterogenei e spesso non sono mai stati aggregati in modo utile.
Frontoni porta l’esempio di un sistema iperspettrale che inquadra le granelle nel cibo per gli animali: un caso reale di un’azienda italiana per il quale non esisteva alcun modello fondativo di riferimento. “Non pensavo neanche che potesse esistere un problema del genere”, dice ridendo il professore. Un esempio di problema iper-specifico, ma decisamente esemplificativo delle tante individualità del Made in Italy. Il che, tradotto in chiave industriale, significa che la necessità – e quindi le opportunità – di sviluppare modelli verticali sono ancora enormi, proprio perché quasi nessuno le ha ancora colte.
Il tema centrale è però ancora una volta la cultura del dato. “Il dato che serve per alimentare i sistemi data-driven non possono essere i tre fogli Excel che avevamo da parte in azienda da tanto tempo”, avverte il professore. Bisogna aiutare i modelli presentando il maggior numero possibile di casistiche, differenziando per permettere al modello di generalizzare. Sì, generalizzare. È questo il problema più difficile dell’AI industriale: le aziende fanno cose molto diverse l’una dall’altra, e questa, che è la caratteristica distintiva del manifatturiero italiano, è al tempo stesso il suo limite maggiore nella costruzione di dataset utili.
E poi c’è il “next step”, quello della Physical AI, cioè il passaggio dagli agenti AI che operano nel mondo digitale a sistemi in grado di agire e percepire il mondo fisico, attraverso sensori e attuatori.
Come spiega il professor Frontoni “un agente AI diventa fisico quando tra i tool che può utilizzare ci sono strumenti fisici, non solo digitali”. Il risultato atteso è la capacità di generalizzare anche nella manifattura fisica, superando la frammentazione di decine di versioni software dedicate a decine di settori diversi.
C’è però una resistenza culturale ancora radicata nelle PMI italiane: l’attaccamento al “ferro” a discapito dei concetti di servizio. Frontoni racconta un episodio emblematico avvenuto in una realtà d’eccellenza: alla proposta di integrare un agente AI con il sistema gestionale, la risposta è stata la disponibilità a esporre, al massimo, una tabella di frontiera. “Parliamo di informatica dei primi anni ’80”, osserva il professore, evidenziando come spesso siano le stesse aziende del digitale a essere rimaste ferme a modelli del passato, che oggi agiscono da freno per l’adozione di sistemi senzienti e proattivi.
L’adoption non è “compra e installa”
Bentivogli parte da una constatazione: l’industria rappresenta ancora un valore fondamentale per il Paese, contribuendo al 16% del PIL e a oltre il 50% delle esportazioni. “Se non avessimo un’industria capace di esportare e quindi necessariamente innovativa, la nostra bilancia commerciale non starebbe in piedi”, sottolinea Bentivogli. L’innovazione quindi non è un elemento “accessorio” ma la condizione per restare competitivi su mercati in cui i costi dei materiali e delle importazioni stanno aumentando.
Il coordinatore di Base Italia ed ex sindacalista da sempre attento ai temi dell’innovazione arricchisce poi gli spunti di riflessione spostando l’accendo sul piano organizzativo: pensare che l’intelligenza artificiale si adotti come un pacchetto software, con qualche ora di formazione e l’attesa che la produttività arrivi da sola, è l’errore più diffuso. “È come prendere una Ferrari per arare il campo”, dice. Una metafora particolarmente efficace perché restituisce bene la distanza tra le capacità dello strumento e il modo in cui viene spesso impiegato.
Bentivogli poi polemizza con quelle ricerche che sostengono che l’AI nell’industria non funzioni, generando così scetticismo tra le PMI. Si tratta – spiega – di un problema di metodo: quando si misura l’uso dell’AI con una semplice domanda come “sta funzionando?” e la risposta è solo sì o no, si finisce per confondere chi usa un modello linguistico in modo personale con chi ha costruito una strategia di adoption aziendale vera.
L’adozione efficace, secondo Bentivogli, passa dal racconto di use case reali: “Quando si raccontano gli use case interessanti le persone iniziano a capire che le cose funzionano”. È per questo che eventi come quello di Ancona, dove le imprese presentano progetti già implementati, hanno un valore – quello della disseminazione e dell’esempio – che va oltre il riconoscimento dei singoli risultati.
La partita della sovranità tecnologica
Quando si parla di dati non si può non parlare anche del tema della sovranità tecnologica. Secondo Bentivogli “abbiamo una dipendenza troppo forte sulle infrastrutture su cui poggiano i sistemi di addestramento di robot e AI”. I data center sul territorio italiano sono ancora pochi e sono anche concentrati in una specifica area geografica – sono quasi tutti nella provincia di Milano. Per non parlare dell’hardware per l’AI, a partire dalle GPU di Nvidia, tutto made in USA.
Frontoni individua però uno spazio praticabile: i modelli piccoli, i cosiddetti SLM installabili in infrastrutture aziendali o a bordo macchina, spesso sono quelli migliori per l’industria manifatturiera. Ed è un fronte su cui l’Europa ha qualcosa da offrire. “Quando bisogna scegliere che cosa utilizzare bisogna tenere in forte considerazione che la conoscenza aziendale è preziosa e non va ceduta a terzi”, dice Frontoni.
Il ruolo dello Stato e il problema dell’Innovation Theater
E poi c’è il nodo del trasferimento tecnologico, il legame tra la ricerca e l’impresa.
Parlando del caso specifico delle Marche, Bentivogli sottolinea come il Regional Innovation Scoreboard classifichi la Regione come “moderate innovator”, registrando un calo dell’innovazione dell’8,1% negli ultimi due anni, con debolezze marcate nelle competenze digitali e nella dotazione di specialisti. Un dato che Bentivogli definisce “il più brutto d’Italia”, sottolineando che non è più il tempo della speculazione politica, ma di una valutazione pragmatica su cosa abbia funzionato davvero tra ITS, centri di trasferimento tecnologico e Digital Innovation Hub. È in questo contesto che si inserisce la sua critica – che si sposta sul piano nazionale – al cosiddetto “Innovation Theater”.
“Ogni due mesi nasce una fondazione, un centro di trasferimento tecnologico, un hub digitale: una serie di ‘comparse’ – spesso ben pagate – che però non hanno un impatto significativo su imprese e territorio”, dice. Bisogna quindi “razionalizzare quello che serve e quello che non serve”, con la consapevolezza che il tempo disponibile per costruire un ecosistema per un’Industrial AI competitiva si sta riducendo. Il benchmark, oggi, sono i robot di nuova generazione che la Cina produce e installa in volumi che l’Europa non riesce ancora ad avvicinare.
