L’IA nelle aziende: dove serve davvero (e dove no)

28 Ottobre 2026

Sempre più spesso un cliente ci chiede di “mettere l’intelligenza artificiale” su una macchina. La nostra prima risposta è un’altra domanda: quale problema vuoi risolvere? Talvolta la strada porta davvero all’IA. Altre volte basta un sensore in più, o una regola scritta meglio. E va bene così: lo scopo è far funzionare il processo, non inseguire la tecnologia del momento.

In breve. L’intelligenza artificiale crea valore in azienda quando lavora su un compito preciso, dispone di dati adeguati e produce un risultato verificabile. Conviene partire da un’attività frequente e misurabile, confrontare il prima e il dopo e stabilire chi verifica le risposte. Quanto più l’IA si avvicina alla macchina, tanto più servono prove, tracciabilità e supervisione umana.

Di quale IA stiamo parlando?

“Intelligenza artificiale” è un’etichetta ampia. In un’impresa può indicare almeno quattro cose distinte:

1. IA generativa: scrive o rielabora testi, immagini, codice e documenti.
2. IA analitica: trova correlazioni, anomalie e previsioni nei dati.
3. Visione artificiale: riconosce oggetti, difetti, codici e posizioni nelle immagini.
4. Ottimizzazione: propone sequenze, assegnazioni o parametri per raggiungere un obiettivo.

Un assistente che riassume una procedura e un sistema che decide se scartare un pezzo si chiamano entrambi “IA”, ma comportano rischi molto diversi. Il primo, se sbaglia, produce una bozza da correggere. Il secondo può spedire al cliente un pezzo difettoso, o scartare pezzi buoni.

Dove l’abbiamo vista funzionare: il controllo qualità

Il campo in cui abbiamo più esperienza diretta è il controllo qualità. Abbiamo realizzato quattro impianti che usano visione e intelligenza artificiale per decidere se un prodotto è conforme.

L’IA serve quando il difetto si presenta in troppe forme per descriverlo con una regola fissa: un graffio, una macchia, un’etichetta storta, un colore appena diverso. Una telecamera tradizionale ragiona per soglie (“se questa area è più scura di X, scarta”). Un modello addestrato impara dagli esempi e tollera meglio la variabilità.

Ciò che abbiamo imparato, impianto dopo impianto:

• Servono campioni veri. Pezzi buoni e pezzi difettosi prelevati dalla produzione, non preparati in laboratorio.
• Il criterio di scarto si decide prima. Va concordato con la qualità del cliente prima dell’installazione, non discusso a posteriori davanti al primo scarto contestato.
• Il sistema deve sapere quando non è sicuro. I casi dubbi passano a un operatore, anziché essere promossi o bocciati a caso.
• La luce conta quanto l’algoritmo. Un’illuminazione stabile risolve metà dei problemi ancor prima del software.

Se il tuo processo prevede un controllo visivo che oggi varia da un operatore all’altro, è un buon candidato. Il nostro approccio è descritto nella pagina sul controllo qualità con visione e IA.

Altri impieghi efficaci

Documenti e conoscenza interna

Manuali, offerte, email e gestionali separati: le informazioni ci sono, ma ritrovarle costa tempo. Un sistema di ricerca assistita aiuta a reperire procedure, confrontare documenti e preparare bozze. Funziona solo se attinge a fonti aziendali ordinate e indica da dove trae la risposta. In EXON utilizziamo già l’intelligenza artificiale nei nostri processi, per migliorare i servizi che offriamo e ottimizzare il lavoro.

Offerte e preventivi

L’IA può classificare le richieste, estrarre dati da un capitolato, recuperare progetti analoghi. Non può sostituire la verifica tecnica ed economica. In una commessa industriale una parola fraintesa cambia tempi, costi e responsabilità: la rapidità della bozza vale solo se il controllo finale resta chiaro.

Manutenzione e anomalie

Vibrazioni, assorbimenti, temperature, tempi ciclo e allarmi possono rivelare un comportamento anomalo prima che si traduca in un fermo. L’obiettivo realistico non è prevedere ogni guasto, ma cogliere per tempo i segnali giusti. Serve uno storico affidabile e collegato agli interventi reali: senza di esso il modello vede numeri, ma non sa che cosa sia accaduto alla macchina.

Pianificazione e logistica

Sequenza degli ordini, uso delle risorse, percorsi interni, scorte. Qui l’insidia sono i vincoli non scritti: il cliente che ha sempre la precedenza, l’attrezzaggio che si fa solo al mattino, la linea che non regge certi formati. Una proposta “ottimale” che li ignora resta sulla carta. Chi lavora in produzione deve partecipare alla definizione delle regole.

In ufficio sbagliare costa poco, in fabbrica no

Un errore in una bozza si corregge prima dell’invio. Un errore in un controllo qualità o in un comando macchina genera scarti, fermi o rischi per le persone. Quanto più l’IA si avvicina al processo fisico, tanto più servono:

• dati validati e rappresentativi;
• risultati misurabili;
• tracciabilità delle decisioni;
• una gestione chiara dei casi incerti;
• supervisione umana;
• protezione di accessi e dati;
• verifica delle funzioni legate alla sicurezza;
• un piano per aggiornamenti e modifiche.

L’IA non si aggiunge alla fine come un accessorio. Entra nell’analisi dei rischi, nell’architettura del software e nella documentazione della macchina.

Sette passi per partire senza sprechi

1. Descrivi il problema senza nominare la tecnologia

“Ci servono tre ore per trovare i dati di una commessa.” “Il controllo visivo cambia da un operatore all’altro.” “Ci accorgiamo del degrado solo quando la macchina si ferma.” Se il problema non è misurabile, non si potrà dimostrare il risultato.

2. Misura la situazione attuale

Tempi, costi, errori, scarti, rilavorazioni, fermi. Senza questa fotografia iniziale non saprai mai se il progetto ha migliorato qualcosa.

3. Controlla dati e permessi

Quali dati esistono, chi ne è responsabile, quanto sono completi e se si possono usare per questo scopo. Dati personali, riservati o dei clienti richiedono regole precise.

4. Scegli un caso piccolo ma importante

Abbastanza piccolo da poterlo verificare in poche settimane, abbastanza importante da produrre un beneficio reale. Una demo priva di utenti e di un processo non è un progetto pilota.

5. Decidi il ruolo delle persone

Chi controlla il risultato, chi lo approva, chi gestisce un errore, quando il sistema deve fermarsi o chiedere aiuto. La supervisione umana deve avere un nome e un cognome, non ridursi a una frase generica nella procedura.

6. Prova anche i casi difficili

Dati mancanti, formati insoliti, immagini scure, richieste ambigue. È lì che emergono i rischi veri, non negli esempi facili.

7. Decidi chi lo manterrà

Dati, prodotti e processi cambiano. Serve qualcuno che monitori le prestazioni, aggiorni il modello, conservi le versioni e sappia come intervenire se la qualità peggiora.

Gli errori che vediamo più spesso

• Partire dallo strumento. Si acquista una piattaforma e poi si cerca a che cosa farla servire.
• Usare dati non controllati. Se le informazioni di partenza sono incomplete o contraddittorie, l’IA non fa che automatizzare l’incertezza.
• Scambiare una risposta convincente per una risposta giusta. I modelli generativi scrivono bene anche quando non sanno. Le risposte importanti vanno ricondotte a una fonte e verificate.
• Non coinvolgere chi lavora sul processo. Operatori e manutentori conoscono eccezioni che non figurano in alcun diagramma.
• Non nominare un responsabile. Senza qualcuno che presidi qualità, accessi e aggiornamenti, il progetto invecchia in fretta.

Le regole europee, in sintesi

In Europa l’AI Act disciplina l’intelligenza artificiale in base al rischio: un filtro antispam non ha gli stessi obblighi di un sistema che opera su un prodotto regolamentato o in ambiti sensibili. Con il pacchetto di semplificazione approvato nel 2026 il calendario è cambiato. Gli obblighi di trasparenza si applicano dall’agosto 2026. Quelli per i sistemi ad alto rischio sono stati spostati al dicembre 2027 e, per l’IA integrata in prodotti già regolati come le macchine, all’agosto 2028. Prima di avviare un progetto conviene sempre ricontrollare le date sul sito della Commissione europea.

Per le macchine esiste un secondo riferimento: il nuovo Regolamento Macchine (UE) 2023/1230, che dal 20 gennaio 2027 tratta in modo esplicito le funzioni di sicurezza con comportamento autonomo. Ne parliamo nell’articolo su robotica e futuro.

Nel frattempo alcune buone abitudini valgono per qualsiasi azienda: un elenco degli strumenti di IA in uso, formazione per chi li utilizza, regole sui dati, casi d’uso documentati e una valutazione del rischio. Un valido supporto per organizzare il lavoro è l’AI Risk Management Framework del NIST statunitense: non sostituisce le regole europee, ma suggerisce le domande giuste lungo l’intero ciclo di vita.

Come capire se il progetto funziona

Scegli in anticipo pochi indicatori legati al problema di partenza:

• tempo medio per completare l’attività;
• percentuale di casi gestiti correttamente;
• falsi scarti e difetti sfuggiti;
• fermi non pianificati evitati;
• tempo necessario per verificare il risultato dell’IA;
• numero di casi passati all’operatore;
• quanto le persone lo utilizzano davvero.

L’indicatore non deve dimostrare che l’IA è sofisticata, bensì che il processo è migliorato.

L’IA migliore è quella che non si nota

Un progetto di intelligenza artificiale riesce quando smette di essere “il progetto IA” e diventa uno strumento ordinario del lavoro quotidiano. In fabbrica dà il meglio quando opera insieme a sensori, visione, robot e conoscenza del processo. Non sostituisce la progettazione dell’automazione: aggiunge nuove capacità a una macchina che deve restare sicura, comprensibile e facile da mantenere.

Domande frequenti sull’IA nelle aziende

Da quale progetto di IA dovrebbe partire una PMI?

Da un’attività frequente, misurabile e con dati già disponibili. Il primo progetto deve avere un responsabile, un utente reale e un criterio chiaro per decidere se andare avanti.

Servono molti dati per usare l’intelligenza artificiale?

Non sempre. Gli strumenti generativi usano modelli già addestrati, ma richiedono comunque fonti aziendali affidabili. I progetti di previsione e di visione su misura richiedono dati rappresentativi e ben classificati: nel controllo qualità, campioni veri di pezzi buoni e difettosi.

L’IA può decidere senza controllo umano?

Sì, ma solo su compiti semplici e a basso rischio, per automatizzare passaggi ben definiti. Quando sono in gioco sicurezza, persone, qualità o conformità servono un controllo proporzionato al rischio e una gestione esplicita dei casi incerti.

Come si proteggono i dati aziendali quando si usa l’IA?

Scegliendo strumenti con condizioni contrattuali chiare, limitando i dati inviati, gestendo gli accessi e stabilendo regole interne. I dati riservati non vanno inseriti in servizi non autorizzati.

Quanto tempo serve per vedere un risultato?

Poche settimane per valutare un caso circoscritto. Integrarlo stabilmente nel processo richiede più tempo, perché comprende dati, prove, formazione, sicurezza, procedure e manutenzione.