Perché i dati di fabbrica non arrivano all'AI: il gap della contestualizzazione

Il 9 ottobre 2026 IIoT World ha pubblicato la sintesi di un panel dell'Industrial AI Summit 2026 con Jonathan Alexander (Albemarle Corporation), Peter Sorowka (Cybus) e Kudzai Manditereza (HiveMQ). La tesi centrale: la raccolta dei dati in fabbrica è in gran parte un problema risolto, ma i dati raccolti non raggiungono l'AI in una forma utilizzabile.

Una nota di trasparenza: l'articolo è indicato come sponsorizzato da HiveMQ e Cybus, pur dichiarandosi editorialmente indipendente, e queste aziende vendono proprio il tipo di infrastruttura di cui si parla. Inoltre non presenta dati di survey, a parte un riferimento al 90% dello sforzo del machine learning tradizionale. Va letto come un punto di vista autorevole, non come una misura del mercato.

Il vero collo di bottiglia: la contestualizzazione

Secondo il panel, i produttori hanno passato 10–20 anni a installare sensori e connettere macchine. La storicizzazione è diffusa, ma i dati vengono archiviati senza struttura né governance. Manca la contestualizzazione: il passaggio in cui le letture grezze acquisiscono conoscenza di processo, relazioni tra apparecchiature e condizioni operative. Questa conoscenza, osserva l'articolo, vive ancora nella testa degli operatori esperti e non nei sistemi.

Da qui la critica alle architetture centrate sull'historian: registrano valori e timestamp, ma non relazioni, contesto operativo e regole di accesso. Non sono nate per supportare decisioni dell'AI.

Applicazioni o infrastruttura

L'integrazione punto-punto funziona per un singolo caso d'uso. Ma se dopo la manutenzione predittiva arrivano l'ottimizzazione energetica e il monitoraggio qualità, ogni progetto richiede nuove connessioni. Il risultato è un'architettura "spaghetti" fragile, che tiene l'AI bloccata alla fase pilota.

L'alternativa è una piattaforma dati condivisa: ci si collega una volta sola a tutte le fonti operative e si espongono i dati con interfacce standardizzate. I nuovi casi d'uso si aggiungono in modo incrementale.

Il disaccordo sugli LLM

Sul ruolo dei modelli linguistici e della qualità dei dati le posizioni divergono:

• Alexander: i modelli di frontiera non sono stati addestrati su dati specifici d'impianto, come parametri di processo, disegni e P&ID. Nel suo test, un'AI generalista sapeva risolvere problemi di un impianto HVAC domestico, ma falliva sulla strumentazione di processo di uno stabilimento.
• Sorowka: gli LLM tollerano dati disordinati. Il ML tradizionale richiedeva circa il 90% dello sforzo in etichettatura e pulizia, gli LLM no. Il contesto si può fornire in fase di inferenza, anche da un PDF scansionato male o da una foto, quindi attendere dati perfetti non è una buona ragione per rinviare.
• Manditereza: servono knowledge graph per il significato, ad esempio capire quali processi a valle si fermano se un ordine di lavoro fallisce. Quel contesto sta nelle relazioni tra sistemi, non nei singoli documenti.

Su un punto i tre concordano: i dati operativi vanno esposti all'AI attraverso un'infrastruttura dati adeguata e con governance.

Governance: l'AI come soggetto con un'identità

Poiché l'AI può agire, mentre un historian si limita a conservare dati, il panel indica requisiti di governance su comportamento, permessi e responsabilità:

• un'identità propria dei sistemi AI nell'architettura di sicurezza;
• regole di accesso su quali dati possono leggere, quali sistemi possono influenzare e quali decisioni possono attivare;
• audit trail di ciò a cui l'AI ha avuto accesso, che cosa ha raccomandato e che cosa ha attivato.

Cosa portarsi a casa

Per chi lavora con PLC, SCADA e historian, il messaggio è pratico: il valore si sposta dal collegare un'ulteriore fonte al costruire livelli di contestualizzazione e dati condivisi, per esempio un unified namespace, invece di nuovi collegamenti punto-punto. Prima di un nuovo progetto AI conviene chiedersi se i dati esistenti hanno modello, relazioni e regole di accesso espliciti, e se il lavoro svolto potrà servire anche al caso d'uso successivo.

Il dibattito sugli LLM suggerisce infine un approccio equilibrato: non aspettare dati perfetti, ma neppure ignorare che il contesto d'impianto va reso disponibile e governato.