Perché i pilot di AI si fermano prima della produzione: l'iceberg dei costi

Il 2 novembre 2026 IIoT World ha pubblicato un articolo di Paul Viorel che riassume un panel dell'Industrial AI Summit 2026. Hanno partecipato Benson Chan (Strategy of Things), Flemming Kongsberg (Siemens), Maddie Zeng (NeoAI) e Jonathan Weiss (Cumulocity). Il tema è noto a chi lavora in fabbrica: molti progetti di AI funzionano bene in demo e poi non arrivano mai in produzione.

L'iceberg del pilot

Chan descrive un pilot da circa 20.000 dollari come la punta visibile di un iceberg. Il pilot gira su dati già puliti, con una o due integrazioni e un perimetro ristretto. La parte sommersa è l'ambiente di produzione, che comprende:

• requisiti di cybersecurity;
• macchinari legacy con versioni software diverse;
• integrazione con MES, ERP e sistemi di schedulazione;
• governance e formazione del personale;
• resistenza al cambiamento da parte della forza lavoro.

Secondo l'articolo, la produzione costa tipicamente "multipli" del budget del pilot e richiede molto più tempo. Va notato che il testo indica budget di pilot tra 10.000 e 30.000 dollari, ma non quantifica il costo di produzione: il moltiplicatore resta qualitativo.

Un test di prontezza dei dati in tre domande

Per valutare un caso d'uso, i panelisti propongono tre domande:

• i dati sono disponibili?
• ci si può fidare di questi dati?
• qualcuno li usa già, anche manualmente?

Se tutte e tre le risposte sono positive, esistono le basi per l'AI. In caso contrario il lavoro da fare è la modernizzazione dei dati, e viene prima. Il consiglio è scegliere il caso d'uso in cui i dati già fluiscono, senza aspettare di modernizzare tutto. L'esempio citato è uno stabilimento con 16-20 macchine non connesse, dove lo scarto viene stimato guardando il bidone dei rifiuti: qui il problema non è il modello, ma l'assenza di dati.

Tre cause strutturali dopo una buona demo

• Responsabilità poco chiara: nessun responsabile di business risponde della metrica, e il progetto si arena ai confini tra reparti.
• Modelli generici: non danno vantaggio competitivo finché l'azienda non aggiunge i propri dati e la propria conoscenza di dominio.
• Prototipo scambiato per prodotto: un'applicazione realizzata rapidamente con un assistente di codice o una sessione di chatbot non è software pronto per la produzione.

Brownfield e greenfield: conta se i dati esistono

Secondo il panel, entrambi gli scenari sono più difficili di quanto si pensi. Nei impianti esistenti, sensori di retrofit e adattatori per interfacce seriali, USB e legacy permettono di estrarre dati da macchine di 40-50 anni. Nei nuovi impianti si trovano comunque marche di PLC e software MES diversi, con uno sforzo di integrazione simile. Il discrimine non è l'età delle macchine, ma se i dati esistono e vengono usati.

Cosa farne in pratica

L'articolo è un resoconto di un panel, senza survey né dati misurati, e va letto come l'esperienza di professionisti del settore, non come evidenza quantitativa. Offre però una checklist utile per responsabili tecnici e IT:

• costruire il budget di produzione fin dall'inizio, includendo sicurezza OT, integrazione e formazione, non solo il costo del pilot;
• applicare il test dei tre quesiti prima di approvare un caso d'uso;
• nominare un owner di business responsabile della metrica;
• pianificare come addestrare o affinare i modelli con dati e conoscenza di processo propri;
• trattare ogni prototipo come tale, con un percorso esplicito di ingegnerizzazione verso la produzione.

Il messaggio di fondo è che il lavoro vero dell'AI industriale sta in integrazione, sicurezza OT e responsabilità organizzativa, più che nel modello. Chi lo mette nel conto prima ha più possibilità di superare la fase del pilot.