Manutenzione prescrittiva negli impianti reali: cosa emerge dall'Industrial AI Summit 2026

Tra l'8 e il 9 ottobre 2026 IIoT World ha pubblicato un articolo in formato domande e risposte tratto dalla sessione "Unlocking Plant Reliability with Verticalized Prescriptive AI" dell'Industrial AI Summit 2026. A rispondere a otto domande del pubblico sono stati Boris Scharinger, autore di *Industrial AI: From Pilot to Profit* e attivo in Siemens su R&D Excellence, DataOps e Master Data Management, e Karthikeyan Natarajan, CEO di Infinite Uptime, fornitore di AI per la manutenzione prescrittiva.

Non è una ricerca né un nuovo dataset: è un confronto tra due punti di vista, e va letto come tale. Contiene però indicazioni pratiche per chi deve portare la manutenzione oltre la semplice previsione dei guasti. Nell'articolo l'AI prescrittiva è quella che indica agli operatori quale componente sostituire, quale azione di manutenzione eseguire e quando.

Prima i dati o prima il caso d'uso?

Scharinger definisce la questione "quasi ideologica": i CFO tendono a preferire i casi d'uso per via del ritorno sull'investimento, i CTO una strategia sui dati come capacità strategica. A suo avviso lo strato dati è una capacità di base, il cui costo non può essere imputato al ROI di un singolo caso d'uso.

Natarajan sostiene invece che aspettare dati puliti sia "una tassa pluriennale": la maggior parte degli stabilimenti non avrà mai uno storico completo su apparecchiature vecchie di decenni. Suggerisce di partire dagli asset a maggiore criticità e meglio strumentati, facendo maturare in parallelo dati e livello AI. Dichiara una prima prescrizione entro due settimane e un'estensione a tutto lo stabilimento in 90 giorni; sono affermazioni del fornitore, non verificate in modo indipendente.

Impianti brownfield: il retrofit di sensori

Per Scharinger il retrofit di sensori, compresa la visione artificiale, è un ottimo modo per avvicinare gli impianti più vecchi all'Industria 4.0, e può anche ridurre la dipendenza dai costruttori delle macchine. Natarajan precisa che le vibrazioni intercettano il degrado meccanico, mentre visione e termografia rilevano problemi di processo e qualità che le vibrazioni non vedono: combinare le tecniche amplia la copertura.

Come impostare la diagnosi

Entrambi ridimensionano il ruolo del solo rilevamento di anomalie, che Scharinger chiama "l'inizio da principianti": le anomalie vanno comunque riviste da persone, e la classificazione richiede dati etichettati, anche se l'AI può accelerare l'etichettatura. Le posizioni sui dettagli differiscono:

• Scharinger consiglia di tenere separata l'AI di anomalia/classificazione da quella di consultazione (RAG con LLM su manuali e problemi noti).
• Natarajan propone una sequenza: firme di guasto basate sulla fisica per la classificazione iniziale, verifica di ogni prescrizione da parte di un esperto di affidabilità prima che arrivi in reparto, e RAG+LLM solo come livello di spiegazione e ricerca, non come motore diagnostico.

Sostituire o prevedere?

Scharinger non offre una soglia universale. Raccomanda un modello decisionale quantitativo per ciascun caso d'uso, che includa:

• il costo del fermo non pianificato;
• la vita utile residua persa sostituendo in anticipo;
• il costo della sostituzione pianificata, tra fermo programmato e manodopera.

Propone di usare l'AI per prototipare il modello, eventualmente con simulazione Monte Carlo per tenere conto dell'incertezza. Stima inoltre che l'audit di un algoritmo di manutenzione predittiva (ipotesi di business, valutazione del rischio, simulazioni) richieda circa 2–3 persone per 6 settimane; in Siemens, afferma, questo costo non è stato addebitato alle unità di business coinvolte.

Sul ritardo nell'adozione, Scharinger richiama in parte la psicologia: nelle aree a rischio basso o medio il management si è abituato ai fermi, in quelle ad alto rischio la ridondanza è già prevista. La versione consultata dell'articolo è incompleta, quindi il resto di questa risposta e le altre domande non sono qui riportati.

Cosa portarsi a casa

Per chi gestisce stabilimenti con macchine datate, il messaggio è concreto: installare sensori in retrofit, partire dagli asset critici, mantenere una persona nel processo di verifica e costruire un modello di costo prima di investire. Va anche ricordato che uno dei due relatori è un fornitore, quindi le promesse sui tempi hanno natura commerciale.

Il tema riguarda da vicino MES e IIoT: la manutenzione prescrittiva dipende da dati macchina connessi e dalla capacità di riportare i risultati nelle operations, trasformando la prescrizione in un intervento pianificato.