L’AI industriale esce dai laboratori di innovazione e va oltre i progetti sperimentali delle grandi aziende tecnologiche. Anche il manifatturiero, l’energy e i servizi industriali stanno entrando in una fase più concreta dell’adozione AI, dove il focus non è più soltanto capire “se” utilizzarla, ma come integrarla nei processi operativi in modo sostenibile, scalabile e soprattutto produttivo.
È un cambio di paradigma che sta coinvolgendo sempre più imprese italiane, spinte da un contesto economico e geopolitico complesso, dalla pressione competitiva internazionale e dalla necessità di aumentare efficienza, resilienza e velocità decisionale. L’Industrial AI si sta trasformando da elemento di sperimentazione a leva strategica per la gestione degli asset produttivi, della supply chain, della manutenzione e dei servizi.
A fotografare lo stato dell’arte è stato anche il confronto emerso durante IFS Connect Milano - promosso da IFS, realtà che sviluppa soluzioni software enterprise in ambito ERP, Enterprise Asset Management e Field Service Management - che ha riunito aziende e professionisti dei settori industria, energia, utilities e telecomunicazioni attorno al tema dell’Industrial AI.
Un confronto che ha evidenziato anche che a fronte dell’interesse crescente verso l’AI la maturità delle organizzazioni italiane è ancora molto eterogenea.
Dalla fase pilota alla necessità di scalare
Secondo i dati condivisi nel corso dell’incontro, quasi un terzo delle aziende coinvolte si trova ancora in una fase esplorativa, senza progetti AI realmente attivi. Un altro 29% è impegnato in sperimentazioni o integrazioni parziali, mentre soltanto un quarto delle imprese ha già avviato pilot specifici.
Una situazione che conferma come il vero tema oggi non sia più l’accesso alla tecnologia, ma la capacità di renderla concretamente utilizzabile nei processi industriali.
Mathieu Daudigny, Managing Director Central Europe di IFS, ha sintetizzato il momento attuale con un concetto preciso: l’intelligenza artificiale deve passare attraverso tre fasi chiave, “unlock, apply and scale”. Prima occorre “sbloccare” il dato, rendendolo accessibile e governabile; poi applicare l’AI su casi d’uso concreti; infine scalarla a livello aziendale per essere competitivi sul mercato.
Secondo Daudigny, negli ultimi dodici mesi l’adozione dell’AI nelle aziende è cresciuta a doppia cifra, ma solo una minima parte delle organizzazioni può dirsi realmente AI-driven. Il rischio, oggi, è fermarsi alla fase pilota senza riuscire a industrializzare i progetti.
“In molti casi la tecnologia è pronta, ma le aziende non sono ancora strutturate per sfruttarla pienamente”, è il messaggio emerso nel confronto.
Il nodo dei dati e dei sistemi legacy
Tra gli ostacoli principali all’adozione dell’intelligenza artificiale emergono soprattutto la qualità e l’accessibilità dei dati, insieme all’integrazione con i sistemi esistenti.
Federico Tondi, Head of Technology Strategy di IFS, ha evidenziato come gran parte delle difficoltà derivi dall’eredità tecnologica accumulata negli anni: vecchi ERP, software stratificati nel tempo e database che spesso non comunicano tra loro.
“Il problema non è soltanto introdurre una nuova tecnologia, ma capire dove si vuole andare”, ha spiegato Tondi, sottolineando come la governance e la direzione strategica siano oggi elementi decisivi.
Le aziende industriali, per loro natura, operano inoltre con un profilo di rischio molto più elevato rispetto ad altri comparti. Per questo motivo l’adozione dell’AI richiede una preparazione culturale e organizzativa più profonda.
Secondo Tondi, il ruolo del CEO diventa sempre più centrale nella definizione della strategia AI: non basta delegare l’innovazione all’IT, serve una visione industriale complessiva capace di collegare tecnologia, operations e creazione di valore.
La trasformazione in atto sta inoltre modificando il modello stesso d’impresa. Sempre più aziende manifatturiere stanno assumendo caratteristiche tipiche delle tech company, sviluppando competenze digitali interne e creando ecosistemi basati su partnership strategiche piuttosto che su semplici rapporti cliente-fornitore.
L’AI entra nei processi industriali
Se da un lato molte imprese sono ancora in fase di assessment, dall’altro iniziano a emergere casi concreti che mostrano applicazioni reali dell’intelligenza artificiale nei processi industriali.
Uno degli aspetti più interessanti riguarda il passaggio dall’AI generativa all’AI agentica. Non è più soltanto l’utente a interrogare il sistema tramite prompt, ma sono gli agenti AI stessi a raccogliere informazioni, contestualizzare richieste e completare attività in autonomia.
Andrea D’Onofrio, Cloud Platform & AI Lead di Microsoft, ha spiegato come molte aziende abbiano inizialmente immaginato use case troppo avanzati rispetto allo stato della tecnologia. Tuttavia, l’evoluzione rapidissima dei modelli sta riducendo progressivamente questo gap.
“Oggi è l’agente AI che fa le domande corrette per comprendere il contesto e risolvere il task”, ha osservato D’Onofrio.
Stellantis: AI agentica per post-vendita e customer care
Tra i casi più avanzati emersi nel panorama industriale figura quello di Stellantis, dove l’intelligenza artificiale sta entrando progressivamente nelle attività di post-vendita, customer care e gestione ricambi.
Pierpaolo Veglio, VP ICT Parts & Service and Circular Economy del gruppo, ha spiegato come l’obiettivo principale sia aumentare la produttività delle persone e velocizzare l’accesso alle informazioni.
Nella supply chain dei ricambi, per esempio, gli agenti AI supportano la raccolta e l’analisi dei dati operativi, mentre nel mondo delle riparazioni l’intelligenza artificiale generativa viene utilizzata per individuare più rapidamente le soluzioni tecniche corrette.
L’AI agentica rappresenta in questo scenario un passaggio strategico: il primo agente sviluppato dal gruppo è destinato a diventare parte di un ecosistema più ampio di strumenti intelligenti a supporto delle operations.
Un impatto che non riguarda soltanto l’efficienza interna, ma che si riflette anche sull’esperienza del cliente finale.
Turboden: costruire fiducia nell’AI
Molto interessante anche l’esperienza di Turboden, società del gruppo Mitsubishi attiva nello sviluppo di impianti per la trasformazione dell’energia termica in energia elettrica e pompe di calore.
L’azienda aveva già introdotto algoritmi di deep learning per attività di anomaly detection, ma oggi sta utilizzando l’intelligenza artificiale generativa per analizzare documentazione tecnica e supportare la partecipazione a gare e bandi.
La soluzione sviluppata consente di trasformare automaticamente le informazioni contenute nei documenti in requisiti operativi utilizzabili dai team.
Secondo Marco Denti, Chief Operating Officer di Turboden, uno dei principali ostacoli all’adozione dell’AI resta però culturale. “Gli errori umani vengono accettati, quelli delle macchine molto meno”, ha spiegato.
Per superare questa barriera, Turboden ha lavorato sulla trasparenza del sistema: gli utenti possono verificare direttamente la fonte delle informazioni generate dall’AI, accedendo con un clic al documento originale da cui è stato estratto il contenuto.
Un approccio pensato per aumentare fiducia, tracciabilità e affidabilità, soprattutto in contesti industriali dove precisione e sicurezza sono elementi imprescindibili.
Il vantaggio competitivo si giocherà sulla capacità di adattamento
L’AI industriale continuerà ad accelerare, trainata dalla crescente maturità delle piattaforme, dall’evoluzione dell’AI agentica e dalla necessità di rendere più efficienti processi sempre più complessi.
Ma il vantaggio competitivo non dipenderà soltanto dalla tecnologia adottata. A fare la differenza saranno la qualità dei dati, la capacità di integrazione e soprattutto la preparazione organizzativa delle aziende.