Vendere risultati, non macchine: il monitoraggio di flotta secondo gli OEM

Il 3 novembre 2026 IIoT World ha pubblicato la sintesi di un panel dell'Industrial AI Summit 2026 dedicato al modello *outcome as a service* nella manifattura. Hanno partecipato Boris Scharinger (Siemens), Jan Pingel (Ingersoll Rand) e Karthikeyan Natarajan, CEO di Infinite Uptime, con la moderazione di Rob Tiffany di IDC. Una precisazione necessaria: l'articolo è marcato "Sponsored by Infinite Uptime" (con la dicitura "Editorially Independent"). Si tratta di affermazioni dei relatori, non verificate in modo indipendente, e non sono stati forniti dati oltre le loro dichiarazioni.

Tre stadi: dalla vendita al servizio a risultato

Il panel descrive un'evoluzione in tre passaggi:

• Vendita del prodotto: il cliente possiede la macchina e ne porta il rischio.
• Garanzia di disponibilità: il fornitore gestisce il rischio di fermo.
• Output as a service: il fornitore possiede l'impianto e tutto il rischio operativo; il cliente paga solo ciò che riceve.

Due esempi concreti

Siemens Energy vende turbine a gas di piccola e media taglia all'industria di processo. Il cliente concede una finestra di manutenzione di 10 giorni ogni due anni: tutte le sostituzioni devono rientrare in quella finestra, senza fermi non pianificati nel mezzo. L'esposizione finanziaria era tale che è stato chiesto all'internal audit di Siemens di verificare gli algoritmi di previsione. Secondo l'articolo è un primo segnale: l'audit interno dovrà saper controllare i modelli predittivi, perché un errore di previsione diventa responsabilità contrattuale.

Ingersoll Rand propone invece "air over the fence": installa i compressori su un terreno adiacente e porta l'aria compressa nello stabilimento. L'OEM possiede le macchine e paga l'energia; il cliente paga la quantità erogata. Per ogni tipo di apparecchiatura (compressori, soffianti, pompe per vuoto) vengono generati 50–100 insight, per migliaia di previsioni a settimana. Riguardano la probabilità di fermo (a ore, giorni, settimane o mesi), le esigenze di servizio come cambio filtri o componenti ostruiti e i segnali di capacità: se tutte le macchine lavorano al 95%, il cliente ha bisogno di più impianti.

Il vero ostacolo è il modello di business

Con un esempio illustrativo, una macchina da 100.000 dollari con circa il doppio in ricavi di servizio in 10 anni, un modello a risultato porta il fatturato del primo anno a circa un terzo di quello tradizionale. Le startup possono nascere così; gli OEM storici affrontano un calo di ricavi pluriennale. Molti si appoggiano a società finanziarie per strutturare gli accordi, e queste, secondo il panel, catturano la quota maggiore di profitto. In Europa, trasformare capex in opex non convince i clienti: conta il trasferimento del rischio al fornitore.

Il vantaggio dei dati

Prezzare un risultato richiede apprendimento su centinaia di migliaia di macchine simili in condizioni diverse; i dati di un singolo cliente non bastano. I clienti spesso vietano ai fornitori di IA di usare i dati di produzione per addestrare modelli destinati ad altri: un relatore ha citato 20 progetti in tre anni senza alcun prodotto riutilizzabile. Gli OEM con base installata propria non hanno bisogno di questo permesso. C'è anche una distinzione sul cosa condividere: i dati grezzi di vibrazione ad alta frequenza permettono al cliente di costruire la propria diagnostica, mentre condividere l'interpretazione (ad esempio "problema al cuscinetto, 10–14 giorni prima del guasto") preserva il vantaggio del fornitore.

Cosa farne in pratica

Per chi vende o acquista risultati, i punti da verificare sono:

• Monitoraggio e pipeline: condition monitoring affidabile e pipeline di previsione robuste sono la base del contratto.
• Auditabilità: i modelli usati in clausole contrattuali vanno documentati, validati e verificabili.
• Architettura dati di flotta: serve aggregare e normalizzare dati su molte installazioni.
• Clausole sui dati: proprietà e condivisione decidono chi può imparare dai dati, e quindi chi può fissare un prezzo sostenibile.

Considerata la natura sponsorizzata della fonte e la base di un solo panel, conviene leggere questi casi come indicazioni di direzione più che come evidenza quantitativa.