Manutenzione predittiva: perché si è fermata e dove cercare il valore
Al Industrial AI Summit 2026, relatori di Siemens e Infinite Uptime hanno sostenuto che gran parte della manutenzione predittiva non è andata oltre il rilevamento delle anomalie. Il prossimo valore, secondo il panel, sta nelle indicazioni prescrittive e nella riduzione della ridondanza d'impianto.
Il 19 ottobre 2026 IIoT World ha pubblicato la sintesi di un panel dell'Industrial AI Summit 2026 dedicato a una domanda scomoda: perché la manutenzione predittiva ha perso il primo posto tra i casi d'uso dell'intelligenza artificiale industriale? Hanno discusso Boris Scharinger (Siemens), Karthikeyan Natarajan (CEO di Infinite Uptime) e Jan Pingel (Ingersoll Rand), con la moderazione di Rob Tiffany (IDC).
Una precisazione necessaria: l'articolo è etichettato come sponsorizzato da Infinite Uptime, pur dichiarandosi editorialmente indipendente. I dati sulle prestazioni dell'azienda sono quindi dichiarazioni del fornitore e vanno letti come tali.
Un caso d'uso sicuro, ma con un tetto economico
Secondo il panel, la manutenzione predittiva è stata il primo caso d'uso dell'AI proprio perché non interferisce con una linea in funzione. Ma la maggior parte delle installazioni si è fermata al rilevamento di anomalie, che si traduce in un generico “qualcosa non va, controllare”.
A questo si aggiunge un limite economico. Come regola empirica, i relatori hanno indicato che eliminare tutti i fermi non programmati su un asset da 1 milione di dollari vale circa 1.000 dollari al mese, ovvero 12.000 dollari l'anno. Un tetto così basso ha reso difficile per i fornitori costruire un modello di business sostenibile.
Una vera predizione, hanno spiegato, richiede classificazione: non “anomalia”, ma ad esempio “problema al cuscinetto, sostituire entro 10 giorni”. Servono analisi di vibrazioni e suono e modelli addestrati su un parco macchine ampio e vario.
La fiducia degli operatori ha una soglia
Il punto più concreto riguarda l'accuratezza. Gli operatori che ricevono il 30–40% di falsi positivi abbandonano il sistema entro un mese. Per il panel, l'adozione duratura richiede oltre il 95% di veri positivi e meno del 5% di falsi positivi.
Infinite Uptime dichiara, tra i propri risultati:
- 99,97% di accuratezza su 55.000 prescrizioni, con il 95% eseguite dagli operatori;
- 175.000 ore di fermo evitate;
- 8 anni di sviluppo dei modelli su oltre 1.000 stabilimenti in 27 paesi, di cui oltre 600 in fase di estensione e oltre 300 con una copertura del 70–80% delle apparecchiature critiche.
L'articolo cita inoltre un costo dei fermi non programmati per l'industria manifatturiera di circa 100 miliardi di dollari, cifra riportata come indicata nel testo. Il panel ha aggiunto che il valore deve essere dimostrabile in 3–6 mesi.
Il prossimo bacino di valore: la ridondanza
Gli stabilimenti, secondo i relatori, sostengono un costo aggiuntivo del 30–40% per linee di riserva, attrezzature di backup tenute a magazzino per 12–18 mesi e tecnici in reperibilità. Previsioni precise della vita utile residua potrebbero ridurre questa ridondanza. Scharinger prevede che la manutenzione predittiva tornerà tra i primi tre casi d'uso dell'AI in circa cinque anni.
Sul fronte prodotto, Infinite Uptime ha presentato negli ultimi tre mesi i “Verticalized AI Shields”, che combinano dati di processo, registri di ispezione, storico manutentivo, procedure dei costruttori e input dei tecnici su 18 categorie di asset. Sono previsti Shield per acciaio, chimica, food and beverage e cemento.
Cosa farne in stabilimento
L'articolo non riguarda in modo specifico l'Italia né i sistemi MES, ma le indicazioni sono trasferibili a chi valuta soluzioni di questo tipo. Alcune domande utili da porre ai fornitori:
- Qual è l'output del sistema: un allarme generico o una prescrizione con diagnosi e tempi?
- Quanti falsi positivi produce, e con quale metodo sono stati misurati?
- Quale ritorno dimostra entro 6 mesi?
- Quali dati di contesto su asset, processo e manutenzione servono e sono già disponibili?
Un avviso senza prescrizione fa perdere la fiducia degli operatori.
Quest'ultimo punto è forse il più sottovalutato: senza dati ben strutturati su asset, processo e interventi, anche il modello migliore resta poco utile. Prima di scegliere l'algoritmo conviene verificare la qualità del contesto in cui dovrà operare.