Manutenzione preventiva: solo il 54% viene completato, dice Limble

L'8 ottobre 2026 Manufacturing Dive ha riportato i risultati di una nuova indagine di Limble, fornitore di software per la manutenzione, condotta su 686 professionisti della manutenzione e delle operations negli Stati Uniti. Il dato centrale: i team completano soltanto il 54% della manutenzione preventiva (PM) programmata.

I numeri principali

Secondo quanto riportato dalla testata, l'indagine evidenzia che:

• il 47% dei responsabili della manutenzione dichiara più di 10 ore di fermo non pianificato in un mese tipico;
• la PM mancata può portare a costi di fermo pari o superiori a 100.000 dollari;
• il 65% degli intervistati ritiene che la manutenzione reattiva, rispetto a quella preventiva, aumenti i rischi per i tecnici;
• più della metà dei team usa o sta sperimentando strumenti di intelligenza artificiale, e il 92% concorda sul fatto che l'AI richieda dati di manutenzione "buoni e completi" per funzionare.

Limble attribuisce il divario a tre cause: poco tempo disponibile per il lavoro operativo, competenze che non vengono mai documentate e un uso incoerente dei dati di manutenzione. L'articolo osserva inoltre che pochi produttori seguono davvero un piano di gestione dei dati; di questo passaggio non abbiamo però visto lo sviluppo completo, quindi ci limitiamo a segnalarlo.

Perché riguarda l'OEE

L'OEE si compone di disponibilità, prestazioni e qualità. I fermi non pianificati colpiscono direttamente la prima componente: ogni ora di guasto improvviso è tempo di produzione pianificato che scompare. Se la PM viene rimandata perché mancano tempo o persone, il rischio è di scambiare oggi un intervento breve e programmato con un fermo più lungo e imprevisto domani, con costi e pericoli maggiori anche per chi interviene sulla macchina.

Un piano di manutenzione preventiva che esiste solo sulla carta non protegge la disponibilità: conta ciò che viene eseguito e registrato.

Il nodo dei dati prima dell'AI

Il dato più interessante per chi guida uno stabilimento è forse il legame tra AI e qualità dei dati. Se la maggioranza dei team sta valutando algoritmi predittivi ma la conoscenza resta nella testa dei tecnici più esperti e le registrazioni sono incoerenti, i modelli rischiano di apprendere da informazioni incomplete. La manutenzione predittiva presuppone storici affidabili di guasti, interventi, cause e condizioni di funzionamento delle macchine.

Cautele nella lettura

Prima di trarre conclusioni, vanno tenuti presenti tre limiti:

• il campione è esclusivamente statunitense e il quadro europeo o italiano può differire;
• l'indagine è stata promossa da un fornitore di software di manutenzione, che ha un interesse commerciale sul tema;
• i dati sono autodichiarati, quindi riflettono percezioni e non misurazioni sul campo.

Detto questo, le cifre sono coerenti con un problema che molte aziende manifatturiere riconoscono: la PM è la prima attività a saltare quando la produzione è sotto pressione.

Cosa fare in pratica

Alcuni passi concreti, indipendenti dal fornitore scelto:

• misurare il proprio tasso di completamento della PM (interventi eseguiti su pianificati) e confrontarlo con il 54% dell'indagine;
• collegare i fermi macchina registrati, con causale, agli interventi di manutenzione, così da vedere quanto downtime nasce da PM saltata;
• pianificare la PM sulla base del carico produttivo reale, ad esempio tramite un sistema MES che programma e traccia gli interventi insieme ai dati di macchina;
• documentare le procedure e le competenze oggi informali, trasformandole in checklist consultabili;
• definire regole minime di qualità del dato prima di avviare progetti di AI.

In sintesi, l'indagine ricorda che l'efficienza produttiva non si recupera solo con nuove tecnologie: parte da una manutenzione eseguita con regolarità e da dati che raccontano fedelmente ciò che accade in reparto.