Perché l'AI industriale che funziona in uno stabilimento fallisce in venti

Un articolo di IIoT World, firmato da Paul Viorel e datato 29 ottobre 2026, riassume un panel dell'Industrial AI Summit 2026 sul perché i progetti di AI industriale che funzionano in uno stabilimento si bloccano quando vengono estesi a decine di siti. Hanno partecipato Gaspard Duthilleul (Galyos), Sanjay Mahato (AWS), Ian Clark (InfluxData) e Tauseef Ahmed (Grayhawk Consulting Group). La tesi: il problema è soprattutto l'architettura dei dati, non il modello.

Una cautela necessaria: l'articolo è etichettato come sponsorizzato da InfluxData ("Editorially Independent"), fornitore di database time-series. Le conclusioni vanno quindi lette tenendo conto di questa impostazione.

Cosa si rompe per primo oltre il singolo sito

Secondo il panel, i punti di rottura più frequenti sono:

• Deriva dei nomi dei tag: "compressore uno" può indicare cose diverse in sedi diverse.
• Sfasamento degli orologi tra pipeline, che introduce errori di timestamp nei dati di addestramento.
• Proprietà dei dati e definizione di "dato di qualità" che divergono da un sito all'altro.
• Soluzioni artigianali (correzioni manuali, fogli di calcolo dei tag, integrazioni su misura) che diventano un onere su larga scala.
• Licenze historian a tag: il costo cresce con ogni sensore aggiunto, mentre l'AI tende a funzionare meglio con più sensori collegati.

I cinque requisiti di una base dati "AI-ready"

L'articolo indica cinque caratteristiche:

• durabilità con store-and-forward, per bufferizzare i dati durante le interruzioni di rete;
• precisione dei timestamp al nanosecondo;
• standard aperti, per evitare il vendor lock-in;
• supporto sia all'addestramento sia all'inferenza;
• un livello semantico che dia ai dati lo stesso significato in tutti i siti.

Il contesto conta più del volume

Una lettura è utile a un modello solo se accompagnata da identità dell'asset, prodotto in lavorazione, condizioni operative, storico manutentivo ed esiti di qualità. C'è poi il tema della risoluzione: le dashboard campionano a 1–5 secondi, mentre i modelli di rilevamento anomalie spesso richiedono segnali nell'ordine dei kilohertz. Addestrare un modello su dati a risoluzione da dashboard significa appiattire proprio i segnali che dovrebbe riconoscere.

L'esempio Volkswagen

Il panel ha citato la Digital Production Platform di Volkswagen, attiva su 43 stabilimenti. I dati disponibili vengono raccolti all'edge senza selezione preventiva, con i metadati che viaggiano insieme ai dati. Restano nello stabilimento di origine, mentre un livello semantico mantiene coerente il significato tra i siti. Dati IT, OT e di ingegneria formano un unico filo digitale. Quando uno stabilimento risolve un problema di qualità con l'AI, gli altri 42 ne traggono beneficio. Secondo quanto riportato, VW sta estendendo l'architettura ad altri 70 stabilimenti.

Come giustificare l'investimento

Il consiglio è collegare il progetto a problemi di business misurabili: fermi non pianificati, first-pass yield, costi di manutenzione e garanzia, produttività del lavoro. La piattaforma va costruita come capacità aziendale riutilizzabile e i dati trattati come un prodotto, con un responsabile e un budget continuativo. In un sondaggio dal vivo, il 33% dei presenti aveva già avviato la scalabilità dell'infrastruttura dati, mentre il 41% la considerava non prioritaria. Una survey MIT citata nella sessione stima che circa il 95% dei 35–40 miliardi di dollari investiti ogni anno in AI non riesca a scalare; il dato è di seconda mano e non è stato verificato.

Cosa ne ricava chi guida IT e ingegneria

Il messaggio pratico è che la scalabilità dell'AI industriale dipende da coerenza dei dati, sincronizzazione temporale, contesto e architettura edge più che dalla scelta del modello. Prima di replicare un caso d'uso su un secondo sito, conviene verificare alcuni punti:

• esiste una convenzione di naming condivisa, o almeno una mappatura semantica tra siti?
• gli orologi di PLC, gateway e pipeline sono sincronizzati e monitorati?
• la risoluzione di acquisizione è adeguata ai modelli previsti, non solo alle dashboard?
• il modello di licenza dei dati penalizza l'aggiunta di sensori?
• qualcuno è responsabile di definizioni e qualità del dato?

Sono questioni di integrazione e ingegneria del software industriale, e risolverle prima della seconda installazione costa in genere meno che correggerle alla ventesima.