IA industriale: SLM all'edge, LLM sopra i solver e test sul digital twin

Il 14 ottobre 2026 IIoT World ha pubblicato un Q&A tratto dalla sessione "From AI Pilots to Profit: Unlocking Manufacturing's Hidden Data Advantage", tenuta all'Industrial AI Summit 2026. Rispondono Neil Smith (Segment President CPG di Schneider Electric) e Andrew Waycott (presidente e cofondatore di TwinThread). Va detto subito: le due aziende hanno sponsorizzato la sessione, insieme a TEEPTRAK, quindi le risposte sono punti di vista di fornitori e in parte promozionali.

Modelli piccoli, vicini al processo

Secondo Smith il valore raramente nasce da modelli generalisti enormi. Nasce da modelli mirati, addestrati su dati di dominio e distribuiti vicino al processo: i cosiddetti small language model (SLM) all'edge. Richiedono meno dati e, a suo dire, mostrano spesso un ritorno "in weeks, not years". Il vantaggio dell'esecuzione locale è concreto: minore latenza, funzionamento anche con connettività limitata e dati operativi sensibili che restano sotto il controllo del produttore. Come piattaforme cita EcoStruxure Automation Expert e Foxboro Software-Defined Automation.

Le barriere sono di base, non tecnologiche

Lo studio Schneider 2026 Industrial AI in CPG, su 1.453 produttori, indica che gli ostacoli sono soprattutto fondamentali:

• carenza di competenze: 43,0%
• automazione legacy: 37,5%
• mancanza di dati operativi contestualizzati: 36,3%
• resistenza della forza lavoro: 25,7%
• cybersecurity o conformità: 21,7%

Il dato è utile perché sposta l'attenzione: prima del modello contano persone e preparazione dei dati. Smith cita anche AVEVA PI System e AVEVA Connect come fonti del contesto (processo, batch, materiali) di cui l'IA ha bisogno; un tema già affrontato in precedenti articoli di questo blog.

IA incorporata nei flussi esistenti

Le applicazioni che ottengono trazione, secondo Smith, sono capacità ristrette integrate in flussi e automazione già presenti: previsione dei guasti, ottimizzazione energetica linea per linea, controlli qualità automatici. Schneider cita il proprio Industrial Copilot, che dichiara faccia risparmiare fino al 50% del tempo di ingegneria. Si tratta di un'affermazione dell'azienda, non verificata in modo indipendente.

LLM sopra i solver, non al posto loro

Nella pianificazione produttiva il messaggio è netto: un LLM non deve sostituire i solver di ottimizzazione o scheduling. Il solver trova la soluzione migliore; l'LLM fa da interfaccia. Spiega perché un piano è cambiato, risponde a domande tipo "cosa succede se questo ordine slitta?" e traduce le raccomandazioni in azioni di reparto. La decisione finale resta alle persone.

Il solver trova la risposta migliore; l'LLM la spiega e la rende utilizzabile.

Validare sul digital twin prima della produzione

Waycott descrive la funzione "Execute over time range" di TwinThread: permette di eseguire i modelli su dati storici per testare punteggi di anomalia, previsioni e raccomandazioni, individuando impostazioni non sicure o conseguenze indesiderate prima del rilascio. Si tarano poi le soglie e si passa a prove controllate a tempo, prima dell'adozione completa.

Cosa portarsi a casa

Al netto dell'impronta commerciale, lo schema è ragionevole e replicabile:

• modelli piccoli e mirati vicino al processo, per latenza, continuità e controllo dei dati
• LLM come strato di interazione sopra ottimizzatori deterministici
• replay storico su un twin, poi prove controllate, prima del rollout
• investimento prioritario in competenze e dati contestualizzati

Le cifre su tempi di ritorno e risparmi vanno trattate con cautela finché non sono confermate sul proprio impianto. L'approccio a fasi, invece, riduce il rischio indipendentemente dal fornitore scelto.