Manutenzione predittiva: perché ha perso terreno e come l'AI prescrittiva può rilanciarla

Il 19 ottobre 2026 IIoT World ha pubblicato la sintesi di un panel dell'Industrial AI Summit 2026 dedicato a una domanda scomoda: perché la manutenzione predittiva (PdM) non figura più in cima alle liste dei casi d'uso dell'AI industriale? Hanno partecipato Boris Scharinger (Siemens), Karthikeyan Natarajan (CEO di Infinite Uptime) e Jan Pingel (Ingersoll Rand), con Rob Tiffany di IDC come moderatore. L'articolo è contrassegnato come sponsorizzato da Infinite Uptime, pur dichiarandosi editorialmente indipendente: i dati del fornitore vanno quindi letti come affermazioni commerciali.

Un caso d'uso sicuro, ma con un tetto di ritorno

La PdM è stata a lungo il primo progetto di AI ideale perché non interferisce con la produzione. Il rovescio della medaglia è il ritorno economico limitato: secondo il panel, per un asset da 1 milione di dollari il beneficio massimo è circa 12.000 dollari l'anno, cioè la regola empirica di circa 1.000 dollari al mese per l'eliminazione di tutti i fermi non programmati. Con questo tetto, un fornitore ha bisogno di centinaia di stabilimenti e migliaia di macchine connesse per costruire un business sostenibile.

Dall'anomalia alla prescrizione

Secondo il panel, molte implementazioni si sono fermate al rilevamento di anomalie: un messaggio del tipo «qualcosa non va, controllate». Una vera predizione richiede una classificazione dettagliata, ad esempio «problema al cuscinetto, sostituire entro 10 giorni». Questo comporta analisi di vibrazioni e suoni e modelli addestrati su una flotta ampia e diversificata di macchine.

La soglia di fiducia degli operatori

Il tema decisivo è la fiducia. Il panel riferisce che gli operatori che vedono il 30–40% di falsi positivi abbandonano il sistema entro un mese. La soglia per un'adozione duratura è indicata sopra il 95% di veri positivi e sotto il 5% di falsi positivi. Il contesto è rilevante: l'articolo cita circa 100 miliardi di dollari di costo dei fermi non programmati nel manifatturiero.

I numeri dichiarati da Infinite Uptime

Il fornitore riporta i seguenti risultati, non verificati in modo indipendente:

• accuratezza del 99,97% su 55.000 prescrizioni;
• 95% delle prescrizioni messe in pratica dagli operatori;
• 175.000 ore di fermo evitate;
• modelli costruiti in 8 anni su oltre 1.000 stabilimenti in 27 paesi;
• oltre 600 stabilimenti in fase di estensione e più di 300 con copertura del 70–80% delle apparecchiature critiche;
• valore da dimostrare entro 3–6 mesi.

L'azienda sta inoltre aggiungendo i cosiddetti «Verticalized AI Shields»: 18 categorie di asset contestualizzate con dati di processo, registri d'ispezione, storico manutentivo, procedure dei costruttori e input dei tecnici in testo, audio e video. Tra i settori previsti ci sono acciaio, chimica, alimentare e bevande, cemento.

Il prossimo bacino di valore: la ridondanza d'impianto

Il panel individua un valore più ampio nella ridondanza. Gli stabilimenti sostengono un costo aggiuntivo del 30–40% tra linee di riserva, apparecchiature di scorta tenute 12–18 mesi e ingegneri reperibili. Una stima precisa della vita utile residua potrebbe permettere di ridurre questa ridondanza già in fase di progetto. Scharinger prevede che la PdM tornerà tra i primi tre casi d'uso in circa cinque anni: è una previsione, non un fatto.

Cosa significa per chi gestisce monitoraggio e IIoT

Per i responsabili di progetti di monitoraggio e IIoT, le indicazioni pratiche sono:

• evitare sistemi che producono solo allarmi di anomalia: rischiano di perdere la fiducia degli operatori;
• puntare su output precisi e azionabili, e misurare falsi positivi e prescrizioni effettivamente eseguite;
• contestualizzare i dati con processo, ispezioni, storico e procedure dei costruttori;
• considerare modelli addestrati su flotte ampie, non solo sui dati di un singolo impianto;
• costruire il business case oltre la pianificazione della manutenzione, includendo capacità di riserva e progettazione dell'impianto.