Intelligenza artificiale industriale: cinque condizioni prima del ritorno
Il CEO di Velotic, Brian Shepherd, indica cinque condizioni da soddisfare perché l'AI in fabbrica generi valore. Il collo di bottiglia principale resta il livello dei dati, non la tecnologia.
Il 17 novembre 2026 IIoT World ha pubblicato un articolo basato su un'intervista video a Brian Shepherd, CEO di Velotic, e sul suo white paper "The Journey to Value in Industrial AI". Il documento è redatto da un fornitore, quindi le affermazioni vanno lette come il punto di vista del vendor. Offre comunque una checklist utile per chi sta valutando progetti di AI in stabilimento.
Physical AI: sentire, pensare, agire
Shepherd chiama "physical AI" l'intelligenza artificiale che opera a livello di impianto. Il suo funzionamento si articola in tre fasi: sensing (raccolta dei dati da sensori, macchine e sistemi di controllo), thinking (integrazione e contestualizzazione di quei dati) e acting (modifiche deterministiche al processo). Un problema in una qualsiasi delle fasi blocca l'intera implementazione.
Le cinque condizioni
Secondo il white paper, i produttori devono soddisfare questi requisiti:
- scegliere lo strumento giusto per lo specifico problema operativo;
- costruire una solida base di dati, strutturati e contestualizzati;
- impiegare l'AI nel punto giusto e al costo giusto, puntando ai colli di bottiglia con un ritorno finanziario chiaro;
- integrare l'affidabilità fin dall'inizio, in modo che gli ingegneri possano tracciare e verificare ogni decisione dell'AI;
- scegliere tra operatività autonoma e operatività aumentata.
Per valutare la maturità, Velotic propone il "Value Cube", un modello tridimensionale in cui la condizione più debole determina il passo dell'intera organizzazione.
Il collo di bottiglia sono i dati
Per Shepherd l'ostacolo maggiore è la base di dati. Gli stabilimenti raccolgono grandi volumi di dati di macchina, ma senza contesto l'AI non riesce a trasformarli in decisioni. È un'osservazione che chi lavora su SCADA, historian e livello OPC conosce bene: tag, unità, stati di macchina e legami con ordini e prodotti devono essere modellati prima di qualsiasi algoritmo.
Autonomia contro operatività aumentata
L'operatività completamente autonoma resta un obiettivo di lungo periodo. L'approccio aumentato, con copilot, assistenti e raccomandazioni in tempo reale che mantengono nel circuito gli operatori esperti, porta valore più in fretta. Secondo Shepherd, nei prossimi anni la maggior parte delle aziende si concentrerà sul mettere gli strumenti di AI nelle mani di lavoratori di prima linea di cui ci si fida.
I casi citati
Church & Dwight avrebbe ottenuto un +6% di OEE; Papa John's avrebbe ridotto gli audit di qualità in 11 centri da una settimana intera a circa tre clic. Entrambe hanno unito dati di macchina contestualizzati, contributo dei lavoratori e gestione del cambiamento, e hanno iniziato in piccolo per poi estendere. L'articolo non fornisce altri dettagli, e il dato OEE è una singola cifra riportata dal fornitore, non verificata in modo indipendente.
"Most of the time, this is not about a technology challenge… It's about an organizational change management problem."
Il contesto: nasce Velotic
Velotic è stata lanciata a marzo 2026 e riunisce l'attività Proficy di GE Vernova con ThingWorx e Kepware di PTC. Il suo "Industrial Intelligence Loop" associa Kepware alla raccolta dati, Proficy a HMI/SCADA, MES e historian, ThingWorx ad applicazioni, analisi e flussi di lavoro AI. Una recente versione di ThingWorx ha introdotto l'AI agentica; funzioni analoghe sono attese in Proficy MES e SCADA entro la fine del 2026.
Cosa farne in pratica
Prima di avviare un progetto, conviene valutare onestamente ciascuna delle cinque condizioni e partire dalla più debole, quasi sempre la contestualizzazione dei dati. Conviene poi scegliere un collo di bottiglia con un ritorno misurabile, adottare un approccio con l'operatore nel circuito e garantire che ogni raccomandazione sia tracciabile. Il messaggio di fondo, pur provenendo da un fornitore, è condivisibile: il successo dipende dall'organizzazione e dai dati più che dal modello.