AI prescrittiva per la manutenzione: come stratificare diagnosi e decisione

L'8 ottobre 2026 IIoT World ha pubblicato un Q&A con otto domande del pubblico emerse nella sessione "Unlocking Plant Reliability with Verticalized Prescriptive AI" dell'Industrial AI Summit 2026. Rispondono Boris Scharinger (Siemens, DataOps e Master Data Management, autore di "Industrial AI: From Pilot to Profit") e Karthikeyan Natarajan, CEO del fornitore Infinite Uptime. Il contenuto è etichettato come sponsorizzato da Infinite Uptime, pur dichiarandosi editorialmente indipendente: conviene quindi distinguere le posizioni di principio dalle affermazioni commerciali.

Per AI prescrittiva si intende un sistema che non si limita a segnalare un'anomalia, ma indica quale componente sostituire, quale intervento di manutenzione eseguire e quando.

Dati: prima il caso d'uso o prima la strategia?

Scharinger descrive la scelta tra approccio guidato dal caso d'uso e approccio guidato dalla strategia dati come una divisione quasi ideologica. Il suo punto è che lo strato dati è una capacità di base, il cui costo non può essere imputato al ROI di un singolo caso d'uso.

Natarajan, con il punto di vista del fornitore, sostiene che attendere dati puliti è una "tassa pluriennale". Afferma che un approccio fisico (physics-aware) darebbe una prima prescrizione in due settimane e la copertura dell'intero impianto in 90 giorni, partendo dagli asset a maggiore criticità e meglio strumentati. Sono tempi dichiarati dal vendor, non verificati in modo indipendente.

Impianti esistenti: il retrofit dei sensori

Per gli impianti datati Scharinger indica il retrofit di sensori, visione artificiale inclusa, come strada valida; può inoltre rafforzare l'indipendenza dai costruttori delle macchine. Secondo Natarajan, la vibrazione rileva il degrado meccanico, mentre visione e termografia intercettano guasti indotti dal processo e problemi di qualità: combinarle amplia la copertura.

Architettura della diagnosi a strati

La parte più utile per chi progetta sistemi è il modo di combinare le tecniche. Le due visioni sono vicine ma non identiche:

Punti principali emersi:

• Il rilevamento di anomalie è solo il punto di partenza, e le anomalie vanno comunque riviste da persone.
• La classificazione richiede etichette, che l'AI può aiutare a produrre; le etichette si collegano alla documentazione tramite RAG+LLM.
• Scharinger terrebbe, per ora, separata l'AI di anomalie/classificazione da quella di consultazione ("look-up").
• Natarajan propone una sequenza: firme di guasto fisicamente informate, verifica di ogni prescrizione da parte di un esperto, e RAG+LLM solo come livello di spiegazione e ricerca.
• Usare un LLM per rilevare modi di guasto fisici è, a suo avviso, un rischio concreto.

Sostituire o prevedere? Un modello decisionale

Scharinger non offre soglie empiriche. Raccomanda un modello quantitativo per ciascun caso d'uso, che includa il costo del fermo non pianificato, la vita utile residua persa con una sostituzione anticipata e il costo della sostituzione pianificata (fermo più manodopera). Suggerisce di aggiungere una simulazione Monte Carlo per trattare l'incertezza.

Sull'audit degli algoritmi e delle ipotesi di business, con definizione dell'approccio al rischio e Monte Carlo, stima circa 2–3 persone per 6 settimane; Siemens non ha addebitato il costo alle business unit coinvolte.

Perché le aziende investono poco

Scharinger richiama la psicologia: nelle aree a rischio medio-basso le organizzazioni si abituano ai fermi; in quelle ad alto rischio la ridondanza è già prevista. Il testo disponibile si interrompe durante questa risposta, quindi non ne conosciamo il seguito.

Indicazioni pratiche

Il quadro suggerisce di stratificare: regole o fisica per primi, poi classificazione con ML, infine un LLM per la documentazione, sempre con una persona che convalida. Il modello decisionale basato sui costi evita di trattare la previsione come fine a sé stessa. Il retrofit di sensori mostra che non serve aspettare uno storico perfetto per iniziare, ma i tempi promessi vanno validati con un pilota su pochi asset critici.