Dati noti, ma non governati: perché l'AI fatica ad arrivare in fabbrica

Il 14 settembre 2026 Engineering.com ha pubblicato, a firma di Michael Ouellette, un articolo dedicato ai risultati del settore manifatturiero nel Data Readiness Index 2026 di Cloudera, azienda che offre piattaforme per dati e AI. I risultati completi erano stati diffusi dalla stessa Cloudera l'8 settembre. Il messaggio di fondo: i produttori sanno dove sono i dati, ma faticano a governarli e a portare l'AI dentro le decisioni operative.

I numeri principali

Tra i rispondenti del settore manifatturiero:

• l'82% sa dove risiedono i propri dati;
• solo il 58% dichiara che tutti o quasi tutti i dati sono pienamente governati;
• il 20% indica come causa principale del mancato ritorno atteso sugli investimenti in AI la scarsa integrazione di AI e analytics nei flussi di lavoro operativi.

Lo scarto di 24 punti percentuali tra chi conosce la posizione dei dati e chi li ritiene governati è il dato più istruttivo: localizzare le informazioni è un prerequisito, non una garanzia di poterle usare in modo coerente e affidabile.

Il contesto: dati ovunque

Le aziende manifatturiere gestiscono volumi crescenti di dati operativi, di produzione, di supply chain, dei clienti e da dispositivi IoT. Queste informazioni sono distribuite tra stabilimenti, catene di fornitura, applicazioni aziendali e ambienti edge. Tale dispersione rende più difficile utilizzarle in modo uniforme. Secondo Cloudera, integrare, governare, unificare e rendere operativi questi dati resta una sfida continua, che emerge con più evidenza quando le indicazioni generate dall'AI devono trasformarsi in decisioni operative.

Sapere dove sono i dati non equivale a essere pronti a eseguire AI su di essi.

Perché conta per chi guida ingegneria e IT

Letti in questa chiave, i risultati suggeriscono che i limiti pratici stanno altrove rispetto alla qualità dei modelli: nella governance, nell'accesso unificato ai dati tra sistemi di impianto ed edge, e nell'integrazione con i flussi che governano la produzione. Un modello accurato che produce un'indicazione in una dashboard separata dal lavoro dell'operatore, o da sistemi come MES e SCADA, difficilmente cambia i risultati di fabbrica.

Alcune implicazioni pratiche, prima di aggiungere nuovi modelli:

• investire nelle pipeline di dati che collegano impianto, edge e sistemi aziendali;
• definire regole di governance chiare: responsabilità, qualità, accessi e tracciabilità;
• progettare fin dall'inizio l'integrazione operativa: dove e come l'output dell'AI entra in MES, SCADA e nelle attività degli operatori;
• misurare il ritorno sul caso d'uso in produzione, non solo l'accuratezza del modello.

Cautele nella lettura

Si tratta di una ricerca promossa da un fornitore: Cloudera ha un interesse commerciale nel sostenere il tema della preparazione dei dati, e i numeri vanno letti tenendone conto. Inoltre, la sintesi qui riportata si basa sulla parte iniziale dell'articolo di Engineering.com: dimensione del campione e metodologia, così come eventuali raccomandazioni, non sono stati verificati. Il 20% legato all'integrazione, poi, è la ragione principale per una quota di rispondenti, non la maggioranza: altre cause coesistono.

Conclusione

Anche con queste riserve, la direzione è coerente con l'esperienza di molti programmi industriali: il valore dell'AI si realizza quando dati governati, accesso unificato e integrazione nei processi lavorano insieme. Prima di chiedersi quale modello adottare, conviene chiedersi se i dati sono affidabili e se l'output potrà davvero entrare nelle decisioni di produzione.