Dalle macchine ai risultati garantiti: il vero nodo è il contratto

Il 3 novembre 2026 IIoT World ha pubblicato la sintesi di un panel dell'Industrial AI Summit 2026 dedicato all'outcome as a service nel manifatturiero. Hanno partecipato Boris Scharinger (Siemens), Jan Pingel (Ingersoll Rand) e Karthikeyan Natarajan, CEO di Infinite Uptime, con la moderazione di Rob Tiffany di IDC. Una precisazione: l'articolo è marcato come sponsorizzato da Infinite Uptime, pur dichiarandosi editorialmente indipendente, ed è stato riassunto con l'aiuto di strumenti di AI. Le affermazioni vanno quindi lette come opinioni emerse dal panel, non come ricerca indipendente.

Tre stadi di trasferimento del rischio

Il modello descritto procede per gradi:

• Vendita del prodotto: il cliente possiede la macchina e porta il rischio.
• Garanzia di disponibilità: il fornitore si fa carico del rischio di fermo.
• Output as a service: il fornitore possiede l'impianto, sostiene tutto il rischio operativo e il cliente paga per quanto effettivamente prodotto.

Gli esempi citati vanno da Rolls-Royce, che noleggia i motori in base alle miglia volate, a Siemens, che ha vinto una commessa ferroviaria garantendo il trasporto di un milione di passeggeri tra Colonia e Düsseldorf ogni mattina dalle 8 alle 9. Ingersoll Rand fornisce aria compressa «over the fence»: installa i compressori su un terreno adiacente e immette l'aria nello stabilimento del cliente.

Non basta spostare il capex sull'opex

Secondo il panel, in Europa a fare la differenza non è il passaggio da investimento a canone. Conta il trasferimento al fornitore del rischio di guasto, della pianificazione della manutenzione e del degrado delle prestazioni. Siemens Energy, per le turbine a gas di taglia piccola e media, lavora con una finestra di manutenzione di 10 giorni ogni due anni e nessun fermo non pianificato tra una finestra e l'altra. L'esposizione finanziaria di una finestra mancata è tale che l'audit interno di Siemens è stato chiamato a verificare gli algoritmi predittivi.

I modelli predittivi, quando sostengono un impegno contrattuale, diventano oggetto di responsabilità e quindi di audit.

Il costo del cambio di modello

Il problema è prima di tutto economico. Chi vendeva una macchina da 100.000 dollari e incassava in 10 anni altrettanto in assistenza, oggi incassa l'intero prezzo della macchina al primo mese. Con un modello a risultato, il primo anno porta circa un terzo del ricavo precedente. I costruttori storici affrontano quindi un calo di fatturato pluriennale, mentre le startup no. Alcuni ricorrono a società finanziarie per strutturare l'offerta, ma, secondo il panel, sono queste a catturare gran parte del profitto.

Il vantaggio dei dati

Prezzare un risultato richiede apprendimento su flotte di centinaia di migliaia di macchine. Ingersoll Rand genera da 50 a 100 insight per tipo di apparecchiatura e migliaia di previsioni a settimana su probabilità di fermo, esigenze di service e segnali di capacità: se tutte le macchine lavorano al 95%, ad esempio, il cliente probabilmente ha bisogno di più impianti.

Qui emerge un limite per i fornitori di AI terzi: i clienti spesso vietano il riuso dei dati di produzione per altri clienti. L'articolo cita un fornitore rimasto senza un prodotto riutilizzabile dopo 20 progetti in tre anni. I costruttori con una base installata propria non hanno bisogno di questo permesso. Una via intermedia è condividere l'interpretazione anziché il dato grezzo, per esempio «problema al cuscinetto, 10–14 giorni al guasto».

Cosa ne ricava chi gestisce uno stabilimento

Quanto segue è una nostra inferenza, non un'affermazione dell'articolo. Offerte basate su disponibilità o output saranno sempre più frequenti, e le clausole su connettività e condivisione dei dati decideranno chi può imparare dai dati di impianto. Alcune verifiche pratiche:

• leggere con attenzione le condizioni su proprietà e riuso dei dati prima di firmare;
• capire quali dati escono dallo stabilimento e in quale forma (grezzi o interpretati);
• mantenere un proprio livello dati, tramite MES o piattaforma IIoT, per misurare in autonomia disponibilità e prestazioni;
• chiedere come sono validati i modelli predittivi su cui poggia la garanzia.

Disporre di dati propri non serve a diffidare del fornitore, ma a poter verificare ciò che viene garantito. Per un approfondimento sul lato tecnico della manutenzione predittiva rimandiamo al nostro articolo «Predictive Maintenance: Why It Stalled and Where the Value Lies Next».