Stellantis Goiana: un'architettura dati a due livelli per oltre 30 applicazioni AI

Il 26 ottobre 2026 IIoT World ha pubblicato un articolo che riassume una sessione dell'Industrial AI Summit 2026, intitolata "From Months to Days: Accelerate Industrial AI with a Modern Data Architecture". Intervenivano Aron Semle (CTO di HighByte) e Denis Leite (Director of Digital Transformation di Mekatronik), con la moderazione di Hamish Mackenzie di IIoT World.

Una precisazione preliminare: l'articolo è contrassegnato come "Sponsored by HighByte | Editorially Independent". I numeri provengono dal fornitore e dall'integratore e vanno quindi considerati dati dichiarati dai vendor, senza verifica indipendente.

Il caso Goiana

Lo stabilimento Stellantis di Goiana, nel Pernambuco (Brasile), ha costruito un'architettura dati industriale scalabile sopra l'infrastruttura Siemens esistente. Oggi supporta più di 30 applicazioni AI. Il team ha standardizzato il modo in cui i dati vengono raccolti, contestualizzati e condivisi, e i tempi di integrazione sono scesi da mesi a settimane.

Il motivo del cambiamento è chiaro: i tag dei PLC alimentavano già dashboard e OEE, ma machine learning e digital twin richiedono anche database SQL, file CSV, immagini e video. Con centinaia di macchine, l'integrazione caso per caso non era sostenibile; serviva un approccio unico.

Il modello a due livelli

L'architettura descritta si articola così:

• Livello inferiore (DataOps): gestisce protocolli e formati propri di ciascuna macchina.
• Livello superiore: organizza i dati in un modello comune, in modo che macchine con la stessa funzione su linee diverse producano la stessa struttura dati.

Quando il modello superiore funziona per una linea, replicarlo sulla successiva è molto più rapido. È stata però la parte più onerosa. Nel manifatturiero discreto il modello deve rappresentare i pezzi che attraversano la linea, con operazioni, sequenze e materiali che arrivano da percorsi diversi. Nelle industrie di processo, invece, modellare significa soprattutto associare i tag al loro significato, come velocità o prodotto.

I dati PLC pesano per circa l'80% del volume, mentre distinta base, dettagli di prodotto e dati di ciclo forniscono il contesto.

UNS e DataOps

Secondo Semle, l'Industrial DataOps copre circa l'80% del lavoro di preparazione dei dati per l'AI. Lo Unified Namespace (UNS) può essere realizzato in un broker MQTT, un data lake, uno historian o un server OPC UA: conta che i dati contestualizzati siano disponibili in modo coerente. Il valore grezzo di un tag significa poco se non si sa a quale macchina, linea o prodotto appartiene.

Altri tempi e cifre citati

Nella sessione sono emersi altri esempi, sempre dichiarati:

• Uno stabilimento di materie plastiche ha collegato le macchine e avviato il controllo statistico di processo in una settimana.
• Un sito di processo con migliaia di tag esistenti ha messo in funzione le prime applicazioni in poche settimane; la migrazione completa ha richiesto alcuni mesi.
• HighByte Intelligence Hub è in uso in oltre 400 siti in 25 paesi.
• Gousto avrebbe portato la disponibilità meccanica dal 70% al 95% entro sei mesi dall'adozione dell'architettura.

Né le cifre di HighByte né quelle di Gousto sono verificate in modo indipendente nell'articolo.

Perché conta per chi lavora in automazione

La scalabilità dell'AI dipende più da modellazione e contestualizzazione dei dati che dai modelli.

Un modello dati riutilizzabile a livello di linea, posto sopra i dettagli di PLC e protocolli, è un pattern pratico per consulenti e integratori. Il tema si collega all'articolo complementare di IIoT World "Why AI Data Architecture Breaks at Scale", che affronta i nomi di tag incoerenti tra sistemi MES.

Indicazioni pratiche

Da questo caso si possono trarre alcuni spunti:

• Separare l'accesso alle macchine (protocolli, formati) dal modello semantico condiviso.
• Definire il modello su una linea pilota e riutilizzarlo sulle altre, misurando il tempo di replica.
• Nel manifatturiero discreto, includere nel modello pezzi, operazioni, sequenze e materiali, non solo i tag.
• Arricchire i dati PLC con distinta base, prodotto e dati di ciclo.
• Valutare con cautela le cifre dei fornitori finché non sono confermate in modo indipendente.