Dati di fabbrica e AI: il vero collo di bottiglia è il contesto

Il 9 ottobre 2026 IIoT World ha pubblicato la sintesi di un panel dell'Industrial AI Summit 2026 dedicato a una domanda semplice: perché i dati di fabbrica non arrivano all'intelligenza artificiale? Sono intervenuti Jonathan Alexander (Albemarle Corporation), Peter Sorowka (Cybus) e Kudzai Manditereza (HiveMQ). La risposta condivisa è che il problema non sta più nella raccolta, ma nella contestualizzazione.

Raccolta e storicizzazione sono (quasi) risolte

Secondo il panel, i produttori hanno dedicato 10-20 anni a installare sensori e connettere macchine, quindi l'acquisizione dei dati è in larga parte un tema superato. Anche la storicizzazione è diffusa, perché i dati vengono inoltrati agli historian. Il passaggio che manca è quello in cui le letture grezze acquisiscono conoscenza di processo, relazioni tra apparecchiature e condizioni operative.

Questa conoscenza, osservano i relatori, risiede ancora soprattutto nella testa di operatori e ingegneri esperti, non nei sistemi. Il panel l'ha indicata come il principale ostacolo all'adozione dell'AI su larga scala.

Gli historian conservano valori e timestamp, ma non relazioni, contesto operativo e governance degli accessi.

Due modelli di integrazione

L'articolo contrappone due approcci:

• Application-centric: ogni progetto ha la sua integrazione punto-punto. Prima la manutenzione predittiva, poi l'energia, poi la qualità, ciascuna con la propria connessione. Il risultato è un groviglio fragile che impedisce di andare oltre i pilot isolati.
• Infrastructure-centric: una piattaforma dati condivisa si collega una sola volta alle fonti operative e serve qualsiasi applicazione tramite interfacce standardizzate, permettendo di aggiungere nuovi casi d'uso in modo incrementale.

Il dibattito sugli LLM

Sul ruolo dei modelli linguistici i relatori non erano d'accordo. Alexander ha sostenuto che i dati specifici di impianto, come parametri di processo e P&ID, non fanno parte dei dataset di addestramento dei modelli pubblici; nel suo test un'AI generalista ha sbagliato sulla strumentazione di uno specifico impianto.

Sorowka ha replicato che gli LLM gestiscono dati disordinati, a differenza del machine learning tradizionale, dove circa il 90% del lavoro era etichettatura e pulizia (una sua stima). Il contesto può essere fornito in fase di inferenza, anche da un PDF scansionato male, e aspettare dati perfetti non è una buona ragione per rimandare.

Manditereza ha insistito sul significato: i knowledge graph collegano ordini di lavoro, apparecchiature e impatti a valle, cosa che un LLM davanti a documenti isolati non riesce a replicare. Tutti e tre hanno però concordato su un punto: i dati operativi vanno esposti all'AI attraverso un'infrastruttura dati adeguata e governata.

Governance: l'AI come attore con identità propria

I sistemi di AI in reparto, secondo il panel, devono avere una propria identità nell'architettura di sicurezza e regole di accesso esplicite su cosa possono leggere, quali sistemi possono influenzare e quali decisioni possono innescare. Servono inoltre tracce di audit di ciò che l'AI ha consultato, raccomandato e fatto.

Cosa portarsi a casa

Per direttori di stabilimento e responsabili IT/OT, il messaggio è che il passo successivo non sono altri sensori. Conviene aggiungere contesto ai dati già raccolti, come asset, linea, lotto, ordine e condizioni operative, e collegare le fonti una volta sola invece che progetto per progetto. In questa ottica un sistema MES è una fonte naturale di contesto produttivo, perché sa quale ordine e quale lotto sono in lavorazione su una data linea. Lo stesso vale, per estensione, per il monitoraggio di linee di lavorazione come quelle avicole: è una nostra lettura, non presente nell'articolo.

Limiti da tenere presenti

• L'articolo è sponsorizzato da HiveMQ e Cybus, pur essendo definito dal sito "editorially independent", e due relatori sono fornitori: l'approccio infrastructure-centric è una posizione allineata al loro mercato.
• Mancano dati quantitativi, a parte i 10-20 anni e la stima del 90%, che è un'affermazione di Sorowka.
• La questione degli LLM resta aperta: il panel non l'ha risolta.