Dal singolo stabilimento a 20 sedi: dove si rompe l'architettura dati per l'AI

Il 29 ottobre 2026 IIoT World ha pubblicato un resoconto di un panel dell'Industrial AI Summit 2026 dedicato a una domanda concreta: perché l'architettura dati cede per prima quando un'azienda prova a estendere l'AI a tutta l'organizzazione? Sono intervenuti Gaspard Duthilleul (Galyos), Sanjay Mahato (AWS), Ian Clark (InfluxData) e Tauseef Ahmed (Grayhawk Consulting Group).

Perché il pilota funziona e la scala no

Secondo l'articolo, un progetto AI su un solo sito riesce perché il perimetro è stretto: una linea, un team, dati conosciuti. Passando a circa 20 stabilimenti emergono le scorciatoie prese all'inizio. I punti critici indicati sono:

• Nomi dei tag incoerenti: "compressore uno" può indicare cose diverse in sedi diverse; l'articolo cita espressamente i tag non coerenti nei sistemi MES.
• Deriva degli orologi (clock skew): i timestamp delle diverse fonti si disallineano e introducono errori nei dati di addestramento che il team originario non vede.
• Assenza di una definizione condivisa di dato di qualità.
• Rimedi manuali: fogli di calcolo con gli schemi dei tag e integrazioni su misura diventano una zavorra a ogni sito aggiunto.
• Licenze dei historian a tag: il costo cresce con ogni sensore, mentre i modelli di AI tendono a funzionare meglio con più sensori.

Le cinque capacità di una base dati pronta per l'AI

L'articolo elenca cinque requisiti:

• store-and-forward per resistere alle interruzioni di rete;
• precisione dei timestamp al nanosecondo;
• standard aperti, per evitare il vendor lock-in;
• supporto sia all'addestramento sia all'inferenza;
• un livello semantico che imponga un significato coerente tra i siti.

L'esempio Volkswagen

Il caso citato è la Digital Production Platform del Gruppo Volkswagen, che copre 43 stabilimenti. I dati vengono raccolti all'edge senza selezionare in anticipo cosa conservare, con i metadati (prodotto, stato di manutenzione, condizioni operative) che viaggiano insieme alle misure. I dati restano nel singolo impianto e un livello semantico ne mantiene il significato uniforme; dati IT, OT e di ingegneria formano un unico filo digitale dall'ordine alla produzione. Sempre secondo l'articolo, quando uno stabilimento risolve un problema di qualità con l'AI, gli altri 42 ne beneficiano subito, e l'architettura verrà estesa a 70 ulteriori impianti. Sono affermazioni dell'articolo, non verificate in modo indipendente.

Contesto prima del volume, e risoluzione giusta

I produttori, osserva il pezzo, non hanno carenza di dati: MES, historian, ERP e sistemi qualità li raccolgono da anni. Manca il dato utilizzabile, che porti con sé identità dell'asset, prodotto, storico manutentivo ed esiti di qualità. C'è poi il tema della risoluzione: le dashboard mostrano valori a intervalli di 1–5 secondi, mentre i modelli di rilevamento anomalie richiedono spesso segnali nell'ordine dei kilohertz. Addestrarli su dati a risoluzione da dashboard attenua proprio i fenomeni da individuare.

Il problema non è la quantità di dati, ma quanto contesto portano con sé.

Come giustificare l'investimento

L'indicazione è legare la piattaforma dati a problemi di business precisi: fermi non pianificati e produttività, resa al primo passaggio e difetti, costi di manutenzione e garanzia, produttività del lavoro. E costruirla come capacità riutilizzabile su più stabilimenti, non come progetto a perimetro singolo.

Cosa significa per le PMI

L'articolo parla di grandi gruppi, quindi le lezioni vanno applicate con prudenza a realtà più piccole. Il principio, però, vale anche per chi ha due o tre stabilimenti o più linee: prima di un progetto di AI conviene standardizzare i dati del MES. In pratica:

• adottare una convenzione unica per i nomi di tag e asset, documentata e governata;
• sincronizzare gli orologi di macchine, PLC e sistemi;
• associare a ogni lettura il contesto: asset, prodotto, ordine, stato di manutenzione;
• valutare per tempo il modello di licenza dei historian rispetto alla crescita del numero di sensori;
• verificare che la frequenza di acquisizione sia adeguata al fenomeno da modellare.

Nessuno di questi passaggi è spettacolare, ma sono quelli che, secondo il panel, decidono se un buon pilota diventa una capacità replicabile oppure resta un'isola.