← Tutti gli articoli

· Crossover Software

Stellantis Goiana: l'IA sulle saldatrici convince perché gli ingegneri possono verificarla

Secondo un articolo pubblicato l'11 novembre 2026, a Goiana l'anomaly detection ha evitato 14 guasti in sei mesi. Il dato più utile per chi gestisce impianti è però come è stata conquistata la fiducia dei tecnici.

Industrial AISmart factoryManutenzione predittivaDati di produzioneOEE

L'11 novembre 2026 IIoT World ha pubblicato un resoconto di una sessione dell'Industrial AI Summit 2026, intitolata "From Months to Days: Accelerate Industrial AI with a Modern Data Architecture". Gli interventi erano di Aron Semle (HighByte) e Denis Leite (Mekatronik) e riguardano lo stabilimento Stellantis di Goiana, nello stato di Pernambuco, in Brasile.

Una precisazione necessaria: l'articolo è contenuto sponsorizzato da HighByte, il cui prodotto è un livello di contestualizzazione dei dati. Il racconto va quindi letto tenendo conto di questa impostazione.

Il caso e i risultati dichiarati

Il sistema usa l'anomaly detection basata su IA per aiutare i team di manutenzione a individuare i guasti probabili delle attrezzature di saldatura prima che fermino la produzione. Dopo sei mesi vengono riportati questi risultati:

  • 14 guasti evitati;
  • 15 ore di produzione recuperate in un singolo mese;
  • un aumento di capacità atteso di 810 veicoli all'anno.

Secondo i relatori i risultati sono ulteriormente migliorati da allora, ma non vengono forniti numeri più recenti. I dati sono autodichiarati: mancano verifiche indipendenti e dettagli sulla metodologia, e l'articolo non indica né il tipo di modello né i costi.

Prima i dati, poi il modello

I dati di saldatura arrivavano da fonti eterogenee: file TXT, database SQL e sistemi operativi. Il team non li ha inviati grezzi al data lake, ma li ha organizzati e contestualizzati attorno alle singole operazioni di saldatura. È un passaggio che chi ha lavorato a progetti MES conosce bene: un valore di processo ha senso solo se associato a cosa, quando e dove è stato prodotto.

Il progetto, inoltre, è stato pensato per la produzione fin dall'inizio, senza fase pilota, con attenzione ad affidabilità, manutenzione e scalabilità. Stellantis ha coinvolto i propri ingegneri per tutta la durata, così da avere accesso alla loro conoscenza diretta del processo.

La fiducia nasce dalle prove verificabili

La parte più istruttiva riguarda l'adozione. Gli ingegneri confrontavano, con dashboard, serie temporali e grafici di distribuzione, le saldature normali con le anomalie segnalate dal modello. Le prime visualizzazioni non separavano chiaramente i due comportamenti: i tecnici vedevano poche ragioni per intervenire e mettevano in discussione ogni allarme.

Dopo il perfezionamento delle visualizzazioni, gli ingegneri hanno ritenuto i casi segnalati degni di indagine.

Quando i casi segnalati si sono rivelati problemi reali, la fiducia è cresciuta. Oggi il modello è considerato affidabile e viene usato nelle operazioni 24/7. Stellantis valuta di estendere l'approccio ad altri stabilimenti e applicazioni; secondo l'articolo, la questione aperta è da dove cominciare.

Cosa può portare a casa chi gestisce una linea

Il caso è un esempio concreto di una sequenza: dati contestualizzati, poi modello, poi evidenze che i tecnici possano controllare. Mostra che l'adozione dipende dalla spiegabilità per il personale di manutenzione, non solo dall'accuratezza del modello. Un allarme che non si può verificare viene ignorato o contestato.

La lezione si applica anche a progetti MES e OEE su linee come quelle di lavorazione avicola, dove fermi non pianificati e capacità sono direttamente collegati. Qualche indicazione pratica:

  • strutturare i dati attorno a unità di processo riconoscibili (ordine, macchina, ciclo) prima di applicare qualsiasi analisi;
  • coinvolgere manutentori e ingegneri di processo fin dalla progettazione;
  • mostrare con ogni allarme il confronto tra comportamento normale e anomalo;
  • misurare l'impatto in ore di fermo evitate e capacità recuperata, e non solo in precisione del modello.

Nel valutare numeri come quelli di Goiana serve cautela, vista la natura sponsorizzata e autodichiarata della fonte. Il metodo, però, resta replicabile: dati affidabili, evidenze trasparenti e fiducia costruita caso dopo caso.