LLM e pianificazione: spiegare lo scheduler, non sostituirlo

IIoT World ha pubblicato il 14 ottobre 2026 un Q&A con Neil Smith (Segment President, Consumer Packaged Goods, Schneider Electric) e Andrew Waycott (presidente e cofondatore di TwinThread). Le cinque risposte nascono da domande del pubblico emerse durante la sessione "From AI Pilots to Profit: Unlocking Manufacturing's Hidden Data Advantage" all'Industrial AI Summit 2026, sponsorizzata da TEEPTRAK e TwinThread. Trattandosi di fornitori, le posizioni hanno inevitabilmente un taglio commerciale, ma il quadro che ne esce è utile a chi si occupa di MES e pianificazione.

LLM come interfaccia, non come motore

Il punto più rilevante per chi lavora con sistemi MES riguarda la pianificazione della produzione. Secondo Smith, i modelli linguistici di grandi dimensioni non devono sostituire i motori di ottimizzazione e di scheduling, che restano quelli deputati a determinare la risposta migliore. Il ruolo dell'LLM è quello di interfaccia:

In pratica, l'LLM può:

• spiegare perché una schedulazione è cambiata;
• permettere al pianificatore di chiedere "cosa succede se questo ordine slitta?";
• tradurre una raccomandazione in azioni concrete per il reparto.

La decisione finale resta alle persone. Smith sostiene che questo approccio conta soprattutto negli stabilimenti ad alti volumi e bassi margini e in quelli engineered-to-order, dove le scelte su sequenze e cambi formato devono essere precise e spiegabili.

L'LLM spiega e supporta; il motore di ottimizzazione decide qual è la risposta migliore.

Validare l'AI su un digital twin

Waycott descrive un percorso a basso rischio prima dell'ingresso in linea. Con la funzione "Execute over time range" di TwinThread, i modelli vengono eseguiti su dati storici per verificare punteggi di anomalia, previsioni e raccomandazioni, intercettando in anticipo impostazioni non sicure. Si regolano poi le soglie e si passa a prove controllate a durata limitata, prima del rollout completo.

Modelli piccoli, all'edge, dentro i flussi esistenti

Smith sostiene che il valore venga da modelli specializzati di dominio più che da modelli generalisti di grandi dimensioni: richiedono meno dati e, a suo dire, mostrano spesso un ritorno "in settimane, non anni". Eseguirli all'edge riduce la latenza, consente di lavorare anche con connettività scarsa e mantiene i dati operativi sensibili sotto il controllo dello stabilimento.

L'AI che trova adozione, aggiunge, è quella incorporata nei flussi operativi esistenti, con ambito ristretto e basata sull'automazione già presente: previsione dei guasti, ottimizzazione energetica linea per linea, controlli qualità di routine. Cita anche Industrial Copilot, che secondo lui farebbe risparmiare fino al 50% del tempo di engineering, e la CIPOptimize di ProLeiT per Clean-in-Place e ricette. Sono dichiarazioni del fornitore, non verificate in modo indipendente.

Il vero ostacolo è la prontezza

Lo studio Schneider Electric 2026 Industrial AI in CPG, su 1.453 produttori, indica che le barriere sono soprattutto di preparazione, non tecnologiche:

• carenza di competenze in AI o data science: 43,0%;
• automazione legacy: 37,5%;
• mancanza di dati operativi contestualizzati: 36,3%;
• resistenza della forza lavoro: 25,7%;
• cybersecurity e conformità: 21,7%.

Per questo Smith richiama la contestualizzazione dei dati, citando AVEVA PI System per dati di processo, lotto e materiale in forma pronta per l'audit, e AVEVA Connect per estenderla ai fornitori.

Cosa portarsi a casa

Per chi gestisce MES e pianificazione, le indicazioni pratiche sono tre:

• usare l'AI generativa come livello di spiegazione e what-if sopra lo scheduler, senza sostituirlo;
• provare modelli e soglie su dati storici o su un digital twin, poi con prove controllate, prima di toccare una linea reale;
• investire prima nella qualità e nel contesto dei dati: senza, nessun modello darà risultati affidabili.

Nota di metodo: l'articolo si basa su un'intervista di parte e sui dati di uno studio del fornitore; i risultati citati vanno valutati sul proprio contesto produttivo.