Negli ultimi mesi una domanda che sentiamo spesso dai responsabili di produzione non è più “come può aiutarmi l'intelligenza artificiale nella fabbrica?”. La potenza della AI è inutile, senza il controllo dei dati di fabbrica.
Usandola già giornalmente, e magari provando a farle ‘digerire’ un po’ di dati macchina, ne abbiamo capito il potenziale.
La domanda più frequente ora è: “quale AI dovrei usare per la mia fabbrica? Claude, ChatGPT, un modello dedicato?”. È una domanda legittima. Ma è la domanda sbagliata.
Usare efficacemente un LLM in fabbrica non ha nulla a che fare con la scelta del modello. Scegliere un modello linguistico oggi è quasi ininfluente rispetto al risultato finale. I modelli più diffusi, ma anche modelli locali, sono già abbastanza capaci per capire una domanda in linguaggio naturale e ragionare su dati strutturati. Il problema non è qui.
Il vero collo di bottiglia dell'AI Industriale è tutto quello che sta tra il modello e i dati reali della fabbrica, ovvero cosa deve succedere prima di fare la domanda.
Chi prepara i dati della tua fabbrica per gli LLM? Chi li aggiorna, li contestualizza e ne verifica l’affidabilità? Chi li ‘traduce’ per renderli comprensibili dal modello? E chi controlla l’uso effettivo dei dati specifici della tua fabbrica, e che non vengano utilizzati dal LLM dati fuori contesto, che magari sono ‘statisticamente plausibili’ ma poi portano a risposte non corrette, allucinazioni o altro?
Quindi, se stai valutando l'adozione della AI per la fabbrica, probabilmente sei su uno di questi tre binari.
È un principio semplice, ma vale la pena dirlo chiaramente: un LLM non inventa la conoscenza della tua fabbrica, la amplifica a partire da quello che gli dai in pasto.
Se i dati sono frammentati, se manca il contesto (un fermo macchina senza sapere quale ordine era in corso, un calo di produttività senza sapere se c'era un cambio formato), se mancano le informazioni che permettono all’AI di ‘capire’ la tua fabbrica, le tue linee e i tuoi processi, allora l'AI, se ben controllata, non colma da sola quella lacuna e fornisce risposte parziali. E se invece non è ben controllata, la colma con ‘sue’ informazioni, generando una risposta completa ma magari sbagliata.
È questo il motivo per cui molti tentativi di collegare direttamente un LLM pubblico a un export di dati Excel o a una dashboard esistente si fermano al primo entusiasmo.
Il gioco funziona sulla singola domanda dimostrativa, poi si scontra con la realtà: dati non aggiornati, nessuna tracciabilità di dove vengono presi, nessuna garanzia su cosa succede alle informazioni che hai passato al LLM.
Quello che serve per usare efficacemente i modelli di linguaggio sui dati di fabbrica è una piattaforma di ‘gestione della conoscenza della fabbrica’, che deve includere:
Concretamente, la fabbrica deve disporre di una base dati consistente delle serie storiche dei dati macchina e di processo. Questa deve essere integrata con una base dati ‘Ai friendly’ dove opera un ‘Agente di Conoscenza’ che legge e digerisce documenti tecnici, dati macchina e conoscenza informale del team, per costruire una base di conoscenza referenziabile.
Su questa base dati (‘Knowledge Graph’) vanno ad operare poi gli ‘Agenti Analisti’ che permettono a chiunque autorizzato in reparto di chiedere, in linguaggio naturale, tutte le informazioni di cui ha bisogno.
Ad esempio “perché la linea 4 ha perso efficienza ieri?” o “quali sono state le principali cause di scarto nell'ultimo mese nelle linee di assemblaggio pompe?”. Ottenendo una risposta ancorata ai dati reali, non inventata dall’LLM sulla base di dati ‘simili’, magari rilevati in una fabbrica qualsiasi qualche mese fa.
Se la piattaforma ha già queste analisi pronte, userà queste, già validate e sperimentate; altrimenti, quando non lo sono, gli Agenti Analisti dovranno poterle costruire in autonomia e su misura, senza bisogno di un progetto di sviluppo separato.
E se domani l’azienda decidesse di cambiare modello LLM, o di affiancarne uno locale per ragioni di sicurezza o costo, l'integrazione con le macchine e i sistemi deve restare la stessa, così come tutta la base dati di conoscenza costruita che non deve andare persa.
Quindi, la priorità non è scegliere un fornitore di AI. Ma capire come creare lo strato che gira sulla tua infrastruttura, dove decidi tu, non sul cloud di chi te lo vende.
La domanda giusta da farsi ora quindi non è “quale AI scelgo per la mia fabbrica”, ma “la mia fabbrica è pronta perché qualsiasi AI possa lavorare bene sui miei dati reali?”.