AI nel Manufacturing — Siemens, Bosch e i Foundation Model Industriali

Cos'è: Il manufacturing è uno dei settori dove l'AI promette il maggior impatto economico, ma anche quello dove l'adozione è strutturalmente più lenta. Siemens, Bosch e ABB stanno costruendo foundation model industriali che applicano la logica dei transformer a dati di processo, sensoristica e visione artificiale. Dietro i comunicati stampa, il vero stato dell'arte è più sfumato di quanto si dica.

Siemens Industrial Foundation Model: il transformer applicato alla fabbrica

Nel 2024 Siemens ha annunciato il suo Industrial Foundation Model, sviluppato in collaborazione con Microsoft e basato su architetture transformer addestrate non su testo umano ma su dati di processo industriale: time-series da sensori, segnali PLC, log di MES (Manufacturing Execution Systems) e dati storici di produzione raccolti su decenni in stabilimenti di ogni dimensione. L'idea di fondo è la stessa che ha funzionato per gli LLM — pretraining su dataset enormi, poi fine-tuning su task specifici — ma applicata al dominio operativo.

Bosch ha presentato un'iniziativa parallela con la sua Industrial AI Suite, focalizzata su tre verticali: predictive maintenance per macchinari di produzione, ottimizzazione energetica degli stabilimenti, e quality control basato su visione. Bosch ha un vantaggio competitivo specifico: produce sia i sensori industriali sia i macchinari, quindi può addestrare i modelli su dati end-to-end che pochi altri possiedono. La sua scommessa è che il valore non sia solo nel modello, ma nell'integrazione verticale tra hardware e software.

Predictive maintenance: il caso d'uso più maturo

Tra tutte le applicazioni dell'AI industriale, la predictive maintenance è quella con il ROI più chiaro e documentato. L'idea è semplice: un motore elettrico, una pompa, un compressore producono pattern caratteristici di vibrazione, temperatura, consumo energetico. Quando questi pattern iniziano a deviare in modo specifico, il guasto è statisticamente prevedibile con giorni o settimane di anticipo. I time-series transformer — varianti del PatchTST, Informer, o architetture proprietarie — superano i metodi statistici classici (ARIMA, modelli a stati) soprattutto quando ci sono molte variabili correlate.

I numeri reali sono però meno mirabolanti di quanto i comunicati stampa suggeriscano: in genere si parla di riduzione dei fermi macchina del 15-25% in scenari ottimali, non del 90% che alcuni vendor promettono. Il problema è la qualità dei dati storici: senza un dataset di guasti etichettati, anche il miglior modello fatica. Le aziende che hanno installato sensori IoT solo negli ultimi anni hanno tipicamente troppo pochi eventi di guasto per addestrare modelli robusti, e devono affidarsi a transfer learning da modelli pre-addestrati su impianti simili.

Computer vision per quality control: Cognex, Landing AI e il deep learning sulla linea

La quality control automatica è la seconda area in cui l'AI è già operativa in produzione. Cognex (americana, leader storica della visione industriale) e Landing AI (fondata da Andrew Ng nel 2017) hanno spinto il deep learning oltre i tradizionali algoritmi rule-based di image processing. Le reti convoluzionali addestrate su poche centinaia di immagini di difetti riescono a riconoscere graffi, crepe, contaminazioni e imperfezioni geometriche con accuratezze superiori al 99% in molti contesti.

Il vantaggio rispetto agli algoritmi classici è la flessibilità: un sistema basato su CNN può essere riadattato a nuovi prodotti con poche centinaia di esempi, mentre la programmazione classica richiede settimane di tuning. Lo svantaggio è la spiegabilità: quando il modello rifiuta un pezzo, non sempre è chiaro perché — un problema serio in settori regolati come l'aerospaziale o il medical device. Landing AI ha costruito gran parte della sua proposta proprio attorno al concetto di "data-centric AI", riconoscendo che la qualità dei dati di training è più importante della complessità del modello.

Perché il manufacturing è più lento di tech e finance

Nonostante l'entusiasmo dei vendor, l'adozione dell'AI in manufacturing è strutturalmente più lenta di quella in tech o finance. Le ragioni sono tre. Primo: il manufacturing è safety-critical. Un errore di un chatbot causa imbarazzo; un errore di un sistema di controllo industriale può causare danni a persone, esplosioni, o richiami massivi di prodotto. Le aziende sono giustamente conservative: prima di sostituire una logica deterministica con un modello statistico, devono dimostrare che il rischio è gestibile.

Secondo: il manufacturing è regolato. Settori come farmaceutico (FDA, EMA), aerospaziale (FAA, EASA), automotive (omologazioni di sicurezza) richiedono validazioni formali che mal si conciliano con modelli che cambiano comportamento al variare dei dati di input. Terzo: l'integrazione hardware. Aggiungere AI a una linea esistente significa spesso retrofittare sensori, integrare con sistemi SCADA legacy degli anni '90, e gestire interfacce proprietarie. È un lavoro lungo e costoso che frena le startup AI che non hanno competenze OT (Operational Technology).

ABB e i cobot: l'AI che lavora accanto agli umani

Un caso particolarmente interessante è quello di ABB e dei suoi robot collaborativi (cobot) della serie YuMi. A differenza dei robot industriali tradizionali, chiusi dentro gabbie di sicurezza, i cobot sono progettati per lavorare fisicamente accanto agli operatori umani, con sensori di forza che li fermano immediatamente al contatto. L'AI in questo contesto serve a tre cose: programmare il robot per dimostrazione (il lavoratore muove fisicamente il braccio robotico una volta, e il sistema impara), riconoscere oggetti attraverso visione per task di pick-and-place flessibili, e adattare la velocità di esecuzione in base alla presenza umana nelle vicinanze.

L'economia dei cobot è interessante: costano una frazione dei robot industriali tradizionali (decine di migliaia di euro contro centinaia di migliaia), si ammortizzano in 12-18 mesi su task ripetitivi a basso volume, e non richiedono il ridisegno della linea produttiva. Per le PMI manifatturiere italiane, tedesche e nordiche, sono spesso il primo punto di contatto reale con l'AI applicata. Universal Robots (danese, ora di Teradyne) è il principale concorrente di ABB in questo segmento.

---