Stellantis Goiana: l'AI sulla saldatura conquista la fiducia degli ingegneri

L'11 novembre 2026 IIoT World ha pubblicato un articolo dedicato a un caso concreto di intelligenza artificiale in fabbrica: il sistema di rilevamento delle anomalie sulle apparecchiature di saldatura dello stabilimento Stellantis di Goiana, nello stato di Pernambuco (Brasile). Il testo riprende una sessione dell'Industrial AI Summit 2026, intitolata "From Months to Days: Accelerate Industrial AI with a Modern Data Architecture", con Aron Semle di HighByte e Denis Leite di Mekatronik, moderati da Hamish Mackenzie di IIoT World.

Una precisazione necessaria: l'articolo è contrassegnato come contenuto sponsorizzato da HighByte, quindi il racconto è sostenuto da un fornitore. I numeri vanno letti con questa cautela, ma il caso offre spunti utili.

I risultati dichiarati

Il sistema segnala i possibili guasti delle attrezzature di saldatura prima che interrompano la produzione. Nei primi sei mesi i risultati riportati sono i seguenti:

• 14 guasti alle apparecchiature evitati;
• 15 ore di produzione recuperate in un solo mese;
• un aumento di capacità annuo atteso di 810 veicoli.

Quest'ultimo valore è definito "atteso": è dunque una proiezione, non un risultato misurato. Il team afferma che i risultati sono ulteriormente migliorati dopo la rilevazione di questi dati, ma non fornisce cifre aggiornate.

Dati contestualizzati e progetto pensato per la produzione

I dati di saldatura arrivavano da più fonti: file TXT, database SQL e sistemi operativi. Prima di inviarli al data lake, il team li ha organizzati e contestualizzati attorno alle singole operazioni di saldatura, invece di versare dati grezzi. È un passaggio che spesso fa la differenza tra un modello addestrabile e uno che apprende rumore.

Il team ha inoltre saltato la fase di pilota, pianificando fin dall'inizio affidabilità, manutenzione e scalabilità. Stellantis ha messo a disposizione il tempo dei propri ingegneri, così che il progetto potesse contare su conoscenza diretta del processo produttivo.

La fiducia nasce dalle evidenze

Il passaggio più istruttivo riguarda l'adozione. Gli ingegneri hanno usato dashboard, serie temporali e grafici di distribuzione per confrontare le saldature normali con le anomalie segnalate dal modello. Le prime visualizzazioni non separavano in modo chiaro i due comportamenti, e gli ingegneri non vedevano motivo di intervenire.

Dopo il raffinamento delle visualizzazioni, gli ingegneri hanno riconosciuto che i casi segnalati meritavano un'indagine. Ogni allarme confermato come problema reale ha aumentato la loro fiducia: secondo l'articolo, il modello è passato dall'essere messo in dubbio a ogni allerta all'essere atteso come corretto.

La fiducia non è venuta da dichiarazioni di accuratezza, ma da evidenze che gli ingegneri potevano verificare.

Cosa portarsi a casa

Per chi lavora in automazione e software industriale, il caso suggerisce alcune indicazioni pratiche:

• progettare come gli ingegneri valideranno il sistema, non solo come costruire il modello;
• trattare il lavoro su dashboard e HMI come parte centrale del progetto, perché una visualizzazione poco chiara può far ignorare un allarme corretto;
• contestualizzare i dati per operazione o evento prima di portarli in una piattaforma centrale;
• coinvolgere fin dall'inizio il personale che conosce il processo;
• pensare alla produzione dal primo giorno, per evitare pilota che non vanno oltre la sperimentazione.

Limiti e prossimi passi

L'articolo non descrive in dettaglio il tipo di modello, i sensori o l'architettura, quindi il caso non è replicabile "a ricetta". Stellantis valuta di estendere l'approccio ad altri stabilimenti e applicazioni, ma senza indicare da dove partirà. Resta comunque un esempio utile: in ambiente industriale un modello viene adottato quando chi lo usa può controllarne le segnalazioni con i propri strumenti e con la propria esperienza.