Stellantis Goiana: un modello dati a due livelli per oltre 30 applicazioni AI

Il 26 ottobre 2026 IIoT World ha pubblicato il resoconto di una sessione dell'Industrial AI Summit 2026 dedicata allo stabilimento Stellantis di Goiana (Pernambuco, Brasile). Secondo i relatori, l'impianto ha costruito un'architettura dati industriale scalabile sopra l'infrastruttura Siemens esistente. Oggi l'architettura supporta più di 30 applicazioni di AI e i tempi di integrazione sono scesi da mesi a settimane.

Una precisazione sulle fonti: l'articolo è sponsorizzato da HighByte, pur essendo indicato come editorialmente indipendente, e riporta gli interventi di Aron Semle (CTO di HighByte) e Denis Leite (Director of Digital Transformation di Mekatronik). I numeri provengono quindi da un fornitore e da un integratore e non sono stati verificati altrove.

Perché cambiare approccio

I dati dei PLC alimentavano già dashboard e analisi OEE. Ma machine learning e digital twin richiedono altro: database SQL, file CSV, immagini e video. Farlo su centinaia di macchine con il metodo tradizionale, cioè calcoli specifici per applicazione e integrazione manuale per ogni linea e ogni stabilimento, non è sostenibile.

La risposta è stata contestualizzare i dati grezzi una sola volta, lasciare che ogni applicazione li consumi e seguire il principio "model once, propagate across lines and plants".

Il modello DataOps a due livelli

L'architettura descritta si articola così:

• Livello inferiore: gestisce protocolli e formati propri di ciascuna macchina.
• Livello superiore: organizza i dati in un modello comune, così che macchine con la stessa funzione su linee diverse producano strutture dati coerenti.

Una volta che il modello superiore funziona su una linea, il rilascio sulla successiva è molto più rapido. È stato però il livello che ha richiesto più impegno. Nel discrete manufacturing non basta associare un significato ai tag, come spesso accade nelle industrie di processo: occorre modellare i pezzi che attraversano la linea, con operazioni, sequenze e materiali che arrivano da percorsi diversi.

I dati PLC rappresentano circa l'80% del volume. Distinta base, dettagli di prodotto e dati di ciclo forniscono il contesto.

Il ruolo dello Unified Namespace

Secondo i relatori, l'Industrial DataOps svolge circa l'80% del lavoro necessario per costruire uno Unified Namespace (UNS). Quest'ultimo può poggiare su broker MQTT, data lake, historian o server OPC UA: ciò che conta è rendere disponibili dati contestualizzati in modo coerente.

Altri tempi di implementazione citati

Nella sessione sono stati riportati altri esempi:

• uno stabilimento di materie plastiche ha collegato le macchine e avviato il controllo statistico di processo in una settimana;
• un sito di processo con migliaia di tag esistenti ha avviato le prime applicazioni in poche settimane, completando la migrazione in alcuni mesi.

I tempi dipendono da processi, sistemi e documentazione di ciascun sito. Anche le cifre commerciali (Intelligence Hub di HighByte in oltre 400 siti in 25 paesi; Gousto da 70% a 95% di disponibilità meccanica in sei mesi) sono dichiarate dal fornitore.

Cosa ne possono trarre i responsabili di stabilimento

Il caso indica un percorso pratico per chi ha già dashboard OEE e vuole riusare gli stessi dati per l'AI: standardizzare il modello dati una volta e replicarlo sulle linee, invece di integrare ogni applicazione separatamente. Lo stesso vale per MES e piattaforme di monitoraggio di linea: un modello comune per linea è ciò che rende ripetibile un rilascio su più linee e siti.

Modellare una volta, propagare su linee e stabilimenti.

Il consiglio dei relatori è partire in piccolo e costruire su ciò che funziona. In pratica: scegliere una linea, definire il modello delle macchine e dei flussi di prodotto, verificarlo con una prima applicazione e solo dopo estenderlo.