Prima le decisioni, poi i dati: un metodo per partire con l'AI in fabbrica
Il 10 novembre 2026 IIoT World ha pubblicato l'intervista a Keith Moore, CEO di AutoScheduler.AI: mappare le decisioni prima di bonificare i dati evita attese infinite. Il tema è il magazzino, ma il metodo interessa anche MES, OEE e monitoraggio di linea.
Molti progetti di digitalizzazione industriale si fermano prima di cominciare: i dati sono incompleti, incoerenti, sparsi tra sistemi diversi, e si decide di sistemarli prima di introdurre qualsiasi strumento di intelligenza artificiale. Il 10 novembre 2026 IIoT World ha pubblicato una sintesi di un'intervista video della serie CxO con Keith Moore, CEO di AutoScheduler.AI, che mette in discussione questo approccio. Secondo IIoT World, la sintesi è stata realizzata anche con l'aiuto di strumenti di AI.
Il rischio della bonifica infinita
L'articolo sostiene che i grandi programmi pluriennali di pulizia dei dati finiscono spesso per rimandare a tempo indeterminato i miglioramenti operativi. La proposta di Moore è invertire l'ordine: prima si mappano le decisioni che il sito deve prendere, poi si stabilisce quanto devono essere buoni i dati per supportarle.
"Your data only has to be as perfect as the decisions you're going to make on it."
I cinque passi della mappatura delle decisioni
Il metodo descritto prevede questa sequenza:
- catalogare i dati che lo stabilimento già possiede;
- documentare come le decisioni vengono prese oggi;
- tracciare come i dati alimentano quelle decisioni e quali eventi le fanno cambiare;
- distinguere le decisioni standardizzabili a livello di rete da quelle specifiche del singolo sito;
- classificare le decisioni per impatto rispetto alla maturità dei dati e automatizzare partendo dalle più rilevanti.
Il vantaggio pratico è un perimetro chiaro: non serve rendere perfetto tutto il patrimonio informativo, ma solo la parte che sostiene le decisioni a maggior impatto.
La fiducia degli operatori passa dalla spiegabilità
Un operatore esperto non seguirà alla cieca la raccomandazione di una macchina. Per questo, secondo Moore, l'AI deve comportarsi come un agente decisionale spiegabile. Ogni applicazione registra equazioni, vincoli e compromessi alla base delle proprie scelte. Prima dell'avvio, la piattaforma mostra la propria logica a chi l'ha configurata e chiede se gestirebbe diversamente i compromessi; le risposte vengono archiviate insieme alle regole.
In reparto, se un operatore mette in dubbio una raccomandazione, il sistema ripercorre i dati lungo il flusso decisionale e ne mostra il ragionamento. L'operatore può chiedere di modificare la logica, e ne risulta una traccia documentata e verificabile.
AI di dominio contro modelli generalisti
AutoScheduler.AI sostiene inoltre la superiorità di un'AI costruita per un solo dominio. I modelli generalisti, afferma l'articolo, non conoscono i vincoli fisici: tempi di movimentazione delle attrezzature, baie di carico con restrizioni, effetto a cascata di un camion in ritardo sul piano. La piattaforma è nata originariamente per Procter & Gamble.
Cosa possono portarsi a casa i responsabili di stabilimento
Il contesto dell'intervista è il magazzino, non la linea di produzione: trasferire il metodo a progetti MES, OEE o di monitoraggio di linea, per esempio nel settore avicolo, è una nostra estrapolazione. Va detto anche che la fonte è un'intervista a un CEO di fornitore e non riporta risultati o metriche. Con queste cautele, l'idea è utile come traccia di lavoro:
Per un responsabile di produzione o di IT/OT, un possibile punto di partenza è:
- elencare le decisioni ricorrenti (cambio formato, priorità degli ordini, risposta a un fermo) e chi le prende;
- verificare quali dati le sostengono davvero e quali sono già sufficienti;
- avviare l'automazione o il supporto decisionale dalle decisioni ad alto impatto con dati già affidabili;
- prevedere fin dall'inizio la registrazione delle regole e dei motivi dietro ogni raccomandazione, per coinvolgere gli operatori.
In sintesi, la qualità dei dati va misurata rispetto all'uso che se ne fa. Partire da ciò che si ha, con logiche trasparenti e contestabili dal reparto, può ridurre i tempi di avvio senza aspettare un'ipotetica perfezione.