La trasformazione digitale che coinvolge i processi produttivi del manifatturiero si sviluppa in un ambiente sempre più esteso e confuso, dove l’abbondanza di dati e di soluzioni di intelligenza artificiale può rappresentare un rischio per l’efficienza dei processi. Con gli autori del quarto Position Paper di SPS Italia abbiamo cercato di capire come utilizzare infrastrutture, strumenti, automazione e AI per migliorare la produttività.
Il progetto Position Paper di SPS Italia si pone l’obiettivo di fornire linee guida utili alla comprensione dell’evoluzione tecnologica e digitale, ma ben riassume anche l’approccio che la fiera vuole avere verso l’industria manifatturiera italiana. L’obiettivo del Comitato Scientifico di SPS Italia, che ricordiamo raccoglie Università, esperti di settore, responsabili di automazione, utilizzatori finali e costruttori di macchine, è infatti sempre stato quello di creare uno spazio dove ci si possa confrontare e scambiare esperienze su tecnologie, normative e tendenze. Da quest’esperienza è nato il progetto dei Position Paper, cioè di realizzare documenti che fornissero linee guida utili alla comprensione dell’evoluzione tecnologica e digitale del manifatturiero. L’edizione del 2026 del Position Paper ha visto la realizzazione di quattro pubblicazioni, ciascuna a cura di un Cluster: “La tecnologia deve guadagnarsi la fiducia”, “Intelligenza decisionale: persone, strategie, metriche e sostenibilità”, “Robot per i sistemi industriali: stato dell’arte, regolamenti e linee guida applicative” e “Dal campo al cloud per migliorare la produttività: infrastrutture e strumenti, automazione e AI”. Proprio a questo ultimo documento, la cui pubblicazione è prevista per l’autunno 2026, dedichiamo un approfondimento con un’intervista esclusiva agli autori del Position Paper: Massimo Ghelfi, Massimo Lenti, Oronzo Lucia e Federico Milan.
Nel titolo del Position Paper avete scelto di legare insieme “campo” e “cloud”. Qual è il messaggio che volete trasmettere con questa scelta?
Federico Milan: “La scelta di legare campo e cloud nasce dalla convinzione che la trasformazione digitale non possa essere letta come somma di interventi separati. Gregory Bateson (antropologo, sociologo e psicologo britannico), ragionando sulla base di sistemi, ci ricorda che nei sistemi complessi è un errore isolare i problemi: il valore sta nelle relazioni, nei feedback, nei contesti e nei collegamenti. E la fabbrica è un sistema complesso: macchina, linea, manutenzione, qualità, pianificazione e persone non vivono mai separatamente. Per questo il dato che nasce dal campo non vale se resta segnale grezzo, ma non vale nemmeno se viene solo trasferito nel cloud. Diventa utile quando è contestualizzato, qualificato, dotato di semantica condivisa e inserito in metriche capaci di guidare decisioni. Il concetto di “onlife” introdotto dal filosofo Luciano Floridi rafforza questo punto: quello fisico e quello digitale non sono più mondi distinti, ma una realtà ibrida. Lo stesso vale per l’industria: campo, edge, cloud, AI, persone, processi e metriche non sono più entità distinte, ma formano un unico ecosistema cyber-fisico. Il punto non è spostare tutto nel cloud, né difendere il campo come luogo autosufficiente, ma costruire continuità tra macchina, conoscenza, decisione e azione. La produttività nasce dalla coerenza del sistema”.
Una fabbrica può essere molto digitalizzata e allo stesso tempo meno produttiva di prima. Quali sono i rischi nascosti della digitalizzazione?
Oronzo Lucia: “Spesso si parla di digitalizzazione prefigurando un aumento implicito di produttività, come se dati, software e connettività generino automaticamente più efficienza. Questa equazione semplifica una realtà più complessa: la digitalizzazione non è intrinsecamente produttiva, ma lo può diventare a patto che sia inserita in un processo trasformativo più ampio. Ecco alcune considerazioni per una trasformazione efficace:
- La fabbrica data-driven non raccoglie più dati, ma sa quali dati (non) usare e applica decisioni operative basate su dati aggiornati e contestualizzati, non su stime, percezioni o consuetudini.
- La misurabilità della produttività permette di capire dove e come gli effetti migliorativi si materializzano. Il valore si crea se i dati spiegano e indirizzano decisioni ripetibili. Le belle dashboard, utili a confermare ciò che già si sa, non aiutano a cambiare i risultati.
- Il salto di produttività si ha se l’OEE diventa diagnostico; un OEE sincero può anche peggiorare all’inizio se non nasconde le perdite.
- La digitalizzazione non organica genera informazione povera: se ogni progetto usa un proprio modo di nominare, misurare, archiviare e interpretare i dati, la fabbrica, seppur ricca di sensori e connettori, rimane povera di significato e non risponde a domande semplici come il perché di un fermo produttivo o di scarto su un formato eccetera. Un’infrastruttura frammentata penalizza l’integrazione tecnica e riduce la formulazione di metriche coerenti.
In sintesi, il corretto uso dei dati può generare resistenze perché riduce le zone grigie e costringe l’organizzazione ad affrontare verità operative a volte difficili, ma se esiste una governance che protegge il progetto e traduce le evidenze in decisioni, i risultati saranno tangibili nel tempo”.
Oggi la trasformazione digitale ha reso disponibili quantità enormi di dati, in che direzione bisogna lavorare perché questi dati non creino ulteriore complessità ma al contrario aiutino nel prendere decisioni più efficaci?
and Innovation Stevanato Group.
Massimo Lenti: “La quantità di dati è da diversi anni, soprattutto con l’avvento della Industry 4.0, un tema rilevante per diversi motivi: archiviazione, elaborazione e tracciatura in primis, essendo la cyber-security e la capacità di banda delle reti due aspetti rilevanti dal punto di vista gestionale, dunque dei costi e della sicurezza informatica. Tuttavia, di recente con lo sviluppo AI, ci si è resi conto che più che la “quantità” è necessario prestare attenzione alla “qualità” dei dati e alla loro “significatività”; per questo oggi non necessariamente si tende ad acquisire dati in modo indiscriminato, ma a dosare la quantità (per certi sistemi si è visto che la qualità del risultato è inversamente proporzionale alla quantità) e l’aggregazione in modo da creare delle elaborazioni in sottogruppi per dar vita a nuovi dati più significativi o rappresentativi e perciò sintetizzare mole di dati attraverso elementi che siano rappresentativi. Infatti, se un una prima fase (Industry 4.0) il tema era la raccolta dei dati per generare informazione, oggi e per il futuro la strategia di gestione dati va verso la generazione di valore, ovvero avere strumenti decisionali efficaci, e pertanto la qualità del dato da una parte (selezionare a monte) e la sua significatività (aggregazione e rappresentatività) costituiscono le vere sfide per i modelli AI e le architetture dati dal campo (macchina) ai sistemi esperti (AI, ML etc.). Infine, bisogna tenere conto di sviluppare delle logiche di acquisizione dati che rendano sostenibile tutto il sistema, ovvero quali dati governare a livello locale (macchina), quali a livello intermedio (stabilimento o sito produttivo) e quali a livello alto (cloud, data-center eccetera) in modo da poter avere sistemi efficaci ma anche resilienti a eventi esterni o strutturali”.
Con la diffusione crescente di sistemi di AI generativa e agentica assistiamo a numerosi tentativi per integrare queste tecnologie nelle governance delle aziende (a tutti livelli): dove può davvero fare la differenza oggi l’intelligenza artificiale in ambito industriale e dove, invece, è meglio non aspettarsi miracoli?
Consultant 40Factory.
Massimo Ghelfi: “Di fronte a una nuova tecnologia trasformativa come la AI vale quello che nel 1978 affermava Roy Amara: ‘Tendiamo a sovrastimare l’effetto di una tecnologia nel breve periodo e a sottostimarne l’effetto nel lungo’. Questo vale a maggior ragione per l’AI dove ci sono in gioco forti pressioni e investimenti dettati da interessi economici. Le aziende riconoscono che l’AI è una di quelle tecnologie che cambiano davvero le regole del gioco, ma non possono permettersi da una parte di aderire a nuovi modelli tecnologi in modo imprudente e dall’altra di non coinvolgersi, aspettando un quadro di maggior stabilità tecnologica. Il focus delle aziende è sempre dettato dagli obiettivi di produttività, time to market, riduzione costi, flessibilità operativa, resilienza a lungo termine e marginalità, servono quindi percorsi di maturazione e sperimentazione selettiva. Oggi la differenza è nella AI Analitica Predittiva (machine e deep learning) per la manutenzione predittiva, l’ottimizzazione delle supply chain, il controllo qualità, la sicurezza e conformità dei processi, l’energy management, dove cioè servono attività analitiche di anticipazione di comportamenti, identificazione di pattern e previsione di eventi, su grandi quantità di dati e in modo rapido ed efficiente. In particolare, nell’integrazione della computer vision nella Predictive Risk Intelligence & Auditing e Tribal Knowledge Digitization, per un’acquisizione diretta e immediata dai flussi operativi di informazioni che non possono essere raccolte con efficienza in modo statico o manuale. Inoltre, l’AI generativa si pone come un potente strumento di supporto delle risorse umane nelle attività quotidiane in azienda che, se ben implementato nei flussi di lavoro, ne incrementa le potenzialità e l’efficienza. Ma il più grande impatto trasformativo sull’organizzazione del lavoro è introdotto con l’AI Agentica che, integrando AI predittiva e AI generativa (LLM), consente di implementare agenti autonomi capaci di valutare in proprio, pianificare ed eseguire flussi di lavoro a più passaggi su attività complesse senza richiedere una costante supervisione umana e operando in sistemi collaborativi. Per la sua caratteristica di nuova forza lavoro digitale sostitutiva delle attività cognitive umane in molti contesti operativi, la sua diffusione richiede tempo per maturare le garanzie di funzionamento e governance nelle aziende, soprattutto per settori regolamentati e applicazioni critiche come quelle di produzione industriale”.
Chi progetta macchine, integra sistemi o gestisce impianti industriali, cosa può apprendere dalla lettura di questo Position Paper da mettere in pratica già dal giorno successivo nella sua attività?
M. Ghelfi, M. Lenti, O. Lucia, F. Milan: “Il Position Paper fornisce degli strumenti per focalizzare l’attenzione sui temi più rilevanti o di maggiore leva per lo sviluppo e la gestione della digitalizzazione industriale, ovvero come approcciare i temi da più punti di vista, poiché costruttori e utilizzatori non hanno le stesse problematiche ma entrambi devono gestire un cambiamento e dunque nelle tematiche comuni si è cercato di dare rilevanza ai temi di “formazione del personale”, “analisi dei processi aziendali” e “umano-centricità” dei sistemi digitali. Un errore comune è trattare la digitalizzazione come l’acquisto di una nuova macchina, con capex iniziale, payback atteso, un set di benefici lineari e l’illusione che l’investimento sia contenuto e concluso. Ma la digitalizzazione non è un bene finito, è un sistema vivente. Non si compra una volta. È un programma che cambia (e costa) nel tempo e richiede energia organizzativa continua. Il ROI, se cercato nel breve periodo e per singolo progetto, spesso resta una chimera. Non perché il beneficio non esista, ma perché si pretende che una singola iniziativa si regga da sola, mentre il vero senso strategico della digitalizzazione è l’infrastruttura abilitante che si crea per supportarla. Nello specifico dei macchinari, il salto per un OEM è passare da macchine pensate solo per produrre a macchine “data-ready” e “metric-ready” capaci di generare dati leggibili nel contesto e trasformabili in metriche affidabili. Così il valore non sta solo nell’output prodotto, ma nella produttività che la macchina aiuta a spiegare, governare e migliorare. Il valore per il cliente-utilizzatore è la riduzione dell’ambiguità operativa. Una macchina ben progettata non segnala solo cosa è successo: aiuta a leggere cause, contesti e impatti, e a predisporre nuovi scenari. Così il cliente non compra solo asset fisici, ma prestazioni, diagnosi, fiducia e nuove capacità decisionali. Una macchina che rende leggibile il proprio comportamento apre la strada a servizi, partnership e nuovi modelli di valore che servono a entrambi. Il manufatturiero, con l’arrivo della AI Agentica che, più di altre sta ponendosi come quella che stravolge le regole del gioco, sta impattando in modifiche importanti dei propri sistemi organizzativi. La AI Agentica, che si propone con aspettative molto alte per risolvere problemi cronici delle aziende (mancanza di risorse, crisi della produttività), prospetta use case promettenti, a fronte però di investimenti anche importanti e nel PP si cerca di indicare una postura ragionevole di coinvolgimento attivo all’interno di ecosistemi collaborativi, dove questa tecnologia sta diventando parte importante della trasformazione digitale, con una visione olistica degli elementi che la sfida pone.
