Il percorso è solo all’inizio, ma 9 aziende su 10 riconoscono il vantaggio competitivo che offrirà l’utilizzo di robot umanoidi in fabbrica, quelli che lavoreranno fianco a fianco di operatori umani, guidati da intelligenza artificiale (Physical AI).
In particolare, grazie alle sperimentazioni e ai progetti pilota in corso, entro il 2030 gli umanoidi saranno i principali casi d’uso in magazzino (51%), seguiti dai sistemi autonomi guidati dall’AI (49%), nonché da droni e sistemi aerei (49%). Lo dice la ricerca di IBM pubblicata a ottobre 2026, svolta su 800 executive in 11 Paesi, 13 settori e 64 aziende della logistica, presentata al World Manufacturing Forum 2026.
Il mercato è entrato nella prima fase di commercializzazione, con stime comprese tra 13.300 e 16.000 unità nel 2025, per oltre l’80% in Cina. I robot verranno impiegati maggiormente negli ambienti produttivi esistenti più che in nuovi impianti completamente automatizzati. Al momento, però, i gap e le difficoltà da superare sono molteplici.
Umanoidi e physical AI: bisogna chiudere il gap tra modello simulato e realtà operativa
Noriko Suzuki, Global Research Leader, Industrial Manufacturing di IBM in Giappone, ha evidenziato che i digital twin hanno bisogno di dati dal campo per generare modelli di comportamento il più possibile realistici e allenati su casi reali.
Oggi la difficoltà principale per i provider tecnologici è il gap tra simulazione digitale del robot umanoide e il contesto manifatturiero reale per i rischi che può generare di sicurezza e operatività (71%).
Al secondo posto della ricerca IBM si colloca la gestione di sistemi complessi tra hardware, software e AI (67%) e l’integrazione di modelli AI con sensori con attuatori e hardware (63%).
A loro volta, gli utilizzatori finali trovano la maggiore difficoltà nell’integrare i robot umanoidi con i sistemi e i macchinari esistenti nei propri processi produttivi (61), seguita dagli adeguamenti normativi (58%).
Le criticità da superare per l’adozione dei robot umanoidi
Secondo Morgan Stanley entro il 2050 ci sarà un miliardo di robot umanoidi sul mercato, soprattutto in fabbrica e nei magazzini, per un valore di 5 trilioni di dollari.
Nonostante le previsioni ottimistiche, sono quattro i ponti (criticità) da attraversare secondo Andrian Candu, Managing partner di Bizmatters Consulting in Romania, tra i relatori del panel su Physical AI e robot umanoidi come nuova frontiera di collaborazione uomo-robot, che conferma alcuni freni evidenziati dalla ricerca di IBM.
La sicurezza
La sicurezza è il primo “ponte”, perché un conto è dire qualcosa di sbagliato, come può fare un sistema conversazionale, un conto è fare qualcosa di pericoloso.
Il consumo energetico
Il secondo ponte è l’ottimizzazione energetica di questi umanoidi che, al momento, avrebbero un’autonomia di 2-4 ore, non potendo coprire neppure un turno in fabbrica.
Il training dei modelli
La terza criticità è l’addestramento dei modelli per garantire comportamenti sicuri e coerenti con il contesto. Se sono serviti dieci miliardi di ore di training del machine learning per arrivare a rilasciare ChatGpt 1, bisogna prevedere la medesima intensità di formazione per avere modelli realistici e affidabili, suggerisce il manager.
I costi
Infine i costi, che sono ancora troppo alti, mentre per il manager non dovrebbero superare il costo di un salario annuale per essere appetibili in fabbrica.
Collaborare per sicurezza e accessibilità dei robot umanoidi
A sua volta Kristine Mo, vicepresidente Global Market and Ecosystem di AI2 Robotics, produttore di robot umanoidi in Cina, ha ricordato la loro preziosa collaborazione con l’Europa per la sua forte expertise industriale, con il conseguente interesse a sviluppare progetti con università, centri di ricerca e imprese per realizzare casi d’uso secondo gli standard di qualità e sicurezza europei.
La vicepresidente prevede anche un progressivo abbassamento dei prezzi grazie a catene di fornitura corte e sicure in Cina, grazie alla politica industriale del loro Stato e alla rapida evoluzione di nuove generazioni di robot umanoidi.
Quali prospettive per l’AI agentica: per ora semi-autonoma e per singole mansioni
Secondo Gartner, l’avanzamento tecnologico guidato dall’AI sarà il primo driver delle trasformazioni industriali dei prossimi tre anni (62%). Più delle pressioni di mercato (55%), dei rischi geopolitici (40%) e degli adeguamenti normativi (32%).
Ma l’adozione di tecnologie avanzate richiede governance per prepararsi al cambiamento, gestirlo e trarne vantaggio. I consigli di Gartner sono di distribuire equamente tempo/risorse tra strategia, pianificazione e casi d’uso (30%), implementazione del cambiamento (30%) e sviluppo della leadership e delle competenze necessarie per rendere stabile la trasformazione (30%). Il restante 10% del tempo va dedicato a renderne pubblici i risultati.
Simon Jacobson, vicepresidente Supply Chain Operations Research di Gartner, ha precisato che per un reale impatto sul business conta di più come ci si prepara alla trasformazione che non l’adozione della tecnologia più avanzata. Tant’è che si stima che oltre il 40% dei progetti agentici sarà passibile di cancellazione entro la fine del 2027 per costi crescenti o apporto di poco valore aggiunto.
Il trend a 24 mesi sarà quello di un aumento di operazioni semi-autonome in fabbrica. Si prevedono un calo di 10 punti delle attività manuali (dal 33% al 23%) e una prevalenza di attività semi-automatiche (dal 30% al 34%), che eseguono compiti sotto il controllo e la supervisione umana.
Quasi un altro terzo continuerà a utilizzare l’AI a supporto delle attività umane per ottimizzarle (28%). Le operazioni del tutto autonome invece saliranno solo dal 9% al 14% nei prossimi due anni, ma sono ancora una minima parte delle attività.
I 5 trend per l'AI agentica secondo Gartner
I 5 trend delle strategie industriali indicati da Garner sono infatti operazioni semi-autonome, gestione del rischio energetico, integrazione IT-OT, sovranità AI in equilibrio con l’autonomia locale e i dati di fabbrica e l’evoluzione delle dinamiche nelle interazioni uomo-macchina.
Sui temi della governance e delle prospettive legati all’AI agentica si sono soffermati anche i relatori del panel sull’introduzione dell’Agentic AI come tecnologia oltre i Chatbot.
Un tema condiviso è quello della responsabilità. A chi attribuire la responsabilità finale di decisioni prese autonomamente da una macchina? Quale assicurazione assicurerebbe processi con attribuzione di responsabilità non chiara?
In aggiunta, Wolf Michael Kühne, country manager partner dello studio legale DLA Piper in Italia, ha ricordato la frammentarietà delle interpretazioni giuridiche dei diversi Paesi europei a fronte delle direttive EU, nonché la completa deregulation degli Stati Uniti, con complicazioni non da poco in caso di contenziosi.
L’AI agentica funziona nella progettazione ingegneristica
Il senior AI expert del Bosch Center for AI in Germania Evgeny Kharlamov ha inoltre testimoniato come l’AI agentica, per la sua natura probabilistica, sia efficace per mansioni a breve, ma non a lungo termine. Ha ricordato come le applicazioni industriali riguardino per ora singole funzioni e non in piena autonomia, confermando i trend tracciati da Gartner.
In particolare, in Bosch l’AI agentica viene utilizzata per la gestione documentale e si sta introducendo per test di processo e di qualità. L’esperto di Bosch ha indicato in progettazione, simulazione e test ingegneristici il maggiore impatto oggi degli agenti specializzati, grazie alla velocità di gestione di molteplici requisiti e dimensioni da integrare e misurare.
Grazie a soluzioni sempre più avanzate con agenti specializzati, infatti, si può avere un vantaggio competitivo nei tempi di immissione di un prodotto sul mercato per l’accelerazione della fase di progettazione, simulazione e test.
AI come spettro di funzionalità via via più autonome nelle decisioni
Infine Jeff Winter, vicepresidente Commercial Strategy della statunitense Belden, ha descritto l’AI come uno spettro a più livelli, interconnessi tra loro. Si va dall’intelligenza percettiva, a quella contestuale, di attribuzione semantica, relazionale fino a quella sistemica.
Il secondo livello viene eseguito da LLM (Large Language Model) e l’AI è di supporto alle attività umane. Al terzo livello gli agenti iniziano a riflettere ed eseguire singole operazioni in collaborazione con gli operatori umani. Al quarto si organizzano da soli per più compiti, ma serve l’autorizzazione degli esperti di dominio (attività semi-autonome). Il quinto livello è quello del comportamento autonomo di un sistema agentico, ma non ancora sostenibile per i costi e per le implicazioni da valutare.
Jeffer Winter ha rassicurato sul futuro della forza lavoro. Come nel caso dell’automazione classica, essa manterrà un ruolo cruciale nella gestione delle anomalie, delle eccezioni e delle criticità anche legate all’ecosistema, come la carenza di materiali e la necessità di trovare fonti alternative.
