Resoconto della II^ sessione di approfondimento del programma A+Forum 2025 – AI 2025: Innovazione, Sfide e Opportunità per le Imprese | 9 giugno 2025 | Autore Antonio Sorella – Turtle S.r.l.
L’obiettivo di questo secondo appuntamento è stato quello di avviare una riflessione strategica sull’impatto dell’intelligenza artificiale nei processi produttivi, nei servizi e quindi anche nella società. In particolare, attraverso tre testimonianze, abbiamo visto come l’IA può essere uno strumento utile per migliorare l’efficienza dei processi.
L’Ing. Gianluca Di Francesco, CEO e Co-fondatore di Opseed, ha aperto la sessione condividendo il proprio percorso professionale, maturato in contesti produttivi avanzati, e, portandoci dentro un caso reale di applicazione dell’IA in ambito industriale, ci ha mostrato come questa possa diventare un supporto concreto per gli operatori. Nel suo racconto, ha ricordato di aver lavorato su un impianto molto complesso, tra i più avanzati, dotato di una linea automatizzata composta da sette robot e gestita da un solo conduttore di macchina. Anche se apparentemente autonoma, è emerso chiaramente quanto il ruolo dell’operatore fosse cruciale: al verificarsi di un guasto, quest’ultimo era in grado di intervenire e risolverlo in appena 30 secondi. Un tempo apparentemente minimo, ma determinante: in contesti produttivi dove la competitività si gioca sui volumi, anche pochi secondi possono fare la differenza tra il raggiungimento o meno degli obiettivi aziendali.
Questa esperienza ha offerto uno spunto di riflessione su due fattori strutturali che oggi rappresentano una minaccia concreta per il settore manifatturiero. Il primo è la crescente disparità del costo del lavoro tra i diversi Paesi: mentre in molte economie extraeuropee il costo della manodopera resta estremamente contenuto, in Europa, e in particolare in Italia, il lavoro specializzato ha un costo significativamente più elevato. Il secondo fattore è la progressiva carenza di operatori tecnici qualificati, una problematica aggravata da un profondo cambiamento culturale in atto. I cosiddetti nativi digitali, infatti, sono abituati ad accedere alle informazioni in modo immediato, nel momento in cui ne hanno bisogno, e non sono più disposti, o incentivati, a seguire percorsi lunghi e strutturati per apprendere un mestiere prima di entrare nel mondo del lavoro.
Questo aspetto, ha osservato Di Francesco, mette in luce un fenomeno generazionale importante: se in passato la conoscenza veniva tramandata con anni di esperienza sul campo, oggi rischia di andare dispersa. Proprio per questo l’IA può rappresentare un ponte tra generazioni, trasformando il sapere operativo in una risorsa strutturata, accessibile anche a chi entra oggi nel mondo del lavoro.
È proprio da questa consapevolezza che nasce il progetto di Opseed: lo sviluppo di un sistema di IA collaborativa progettato per supportare gli operatori, rendendo la conoscenza tecnica accessibile, strutturata e fruibile. Il sistema poggia su tre pilastri fondamentali: le Operations, ossia l’integrazione delle logiche operative tipiche di un esperto di produzione; l’Uomo, posto sempre al centro del processo (come dimostrato dalla figura del conduttore della linea sopracitato, altamente specializzato, il cui intervento tempestivo è determinante per garantire l’efficienza dell’intero impianto); e infine l’IA, che è in grado di offrire una potenza computazionale elevatissima a un costo estremamente contenuto.
Il cuore del sistema è rappresentato da un chatbot, concepito per essere uno strumento semplice e intuitivo, capace di interagire in modo dinamico con gli operatori in base agli eventi che si verificano lungo la linea produttiva. Lo scambio di informazioni tra il sistema e l’operatore avviene attraverso un’interfaccia software dedicata: alcune informazioni vengono immesse direttamente come input, mentre altre sono elaborate tramite linguaggio naturale, rendendo la comunicazione più immediata e accessibile. Il sistema è stato progettato per guidare l’operatore nell’esecuzione delle attività pratiche in modo progressivo, passo dopo passo, evitando che debba consultare o interpretare lunghi report. Le informazioni, infatti, vengono fornite esattamente nel momento in cui servono, nel contesto operativo in cui si manifestano. Questo approccio si fonda sul principio del learn by doing, ovvero l’apprendimento attraverso l’esperienza: la conoscenza tecnica, precedentemente acquisita e strutturata da un operatore esperto, viene trasmessa ad altri nel momento in cui questi interagiscono con il sistema, rendendo il sapere immediatamente fruibile, concreto e contestualizzato.
Una domanda emersa dai partecipanti ha toccato il tema della condivisione della conoscenza da parte degli operatori esperti, che talvolta può essere vissuta con riluttanza o gelosia. Di Francesco ha chiarito che il sistema è stato progettato non per “sostituire” l’esperto, ma per valorizzarlo: attraverso l’uso dell’IA, il know-how viene trasmesso ai colleghi meno esperti, liberando tempo per l’operatore senior, che può così concentrarsi su attività a più alto valore aggiunto. Quando la tecnologia viene introdotta partendo dal “perché” e non imposta dall’alto, il cambiamento culturale diventa più naturale: la curiosità e il desiderio di rimanere aggiornati prevalgono sulla volontà di conservare la conoscenza per sé.
Una volta modellizzato il sistema, è stato realizzato un prototipo che è stato testato su una linea pilota composta da un Cobot e un AGV. Durante la sperimentazione, sono stati coinvolti due gruppi, ciascuno formato da tre persone non specializzate: uno dotato dell’applicativo, l’altro no. Di fronte a un guasto, il gruppo senza supporto ha impiegato in media 15 minuti per risolvere il problema, spesso dovendo ricorrere all’intervento di un manutentore. Il gruppo dotato dello strumento, invece, ha risolto in media in 9 minuti e ha potuto riprendere immediatamente la produzione. Il risultato è stato quindi una riduzione del fermo non pianificato pari al 37%, un aumento della produttività del 9% e una riduzione dell’8% delle emissioni per pezzo prodotto, grazie a istruzioni più chiare fornite in tempo reale.
Il prototipo è stato poi implementato in un’azienda del settore agro-alimentare. L’assesment è stato svolto nel mese di novembre, a gennaio il sistema è stato configurato, a febbraio è stato installato su una linea di confezionamento composta da tre operatori e accessibile tramite un semplice tablet e infine a marzo è stata aggiunta una piccola funzionalità supplementare. I risultati ottenuti sono stati significativi: un incremento mensile di circa 15 punti dell’OEE, una riduzione della metà delle fermate non pianificate e il 70% delle attività di manutenzione risolte direttamente dagli operatori grazie alle indicazioni fornite dal sistema. Una prova concreta dell’efficacia e dell’applicabilità reale della soluzione sviluppata da Opseed.
Alla domanda su dove risiede la conoscenza raccolta, Di Francesco ha chiarito che la proprietà intellettuale dell’algoritmo è di Opseed, ma la conoscenza operativa rimane proprietà dell’azienda. Il sistema è flessibile e si adatta alla policy aziendale: i dati possono risiedere su cloud o su server fisici, a seconda delle esigenze del cliente. L’obiettivo è quello di garantire un accesso immediato e sicuro alla conoscenza operativa, integrandola in modo coerente con le infrastrutture esistenti.
In merito al futuro, è stato chiesto se ci si avvicinerà a un sistema capace anche di predire la manutenzione, integrando l’IA con l’IoT delle macchine. Di Francesco ha confermato che questo è un passaggio possibile: Opseed oggi colma il gap conoscitivo legato agli operatori, ma i dati generati dal sistema possono essere successivamente integrati con i dati macchina per costruire modelli predittivi ancora più potenti.
A supporto dei risultati sopra citati, Di Francesco ha citato uno studio dell’Università di Harvard che ha confrontato le prestazioni di due gruppi, uno dotato di strumenti basati su IA e l’altro no. L’analisi ha riguardato sia la performance individuale sia quella di gruppo. Il gruppo dotato di IA ha mostrato un miglioramento nella qualità del lavoro pari al 37% su base annua. I singoli lavoratori con il supporto dell’IA sono risultati più produttivi, hanno impiegato meno tempo per svolgere i compiti, hanno vissuto emozioni più positive e hanno manifestato livelli di ansia inferiori.
In conclusione, ha sottolineato come l’adozione dell’IA all’interno dell’ambito Operations miri, in primo luogo, a incrementare la produttività. Tuttavia, ha voluto chiarire che non si tratta soltanto di una questione legata a efficienza e numeri: al centro del processo rimane sempre la persona, con il suo benessere, la sua soddisfazione e il suo ruolo attivo all’interno del contesto produttivo.
Come ha sottolineato in risposta a una domanda finale, Opseed nasce da un’esigenza concreta: risolvere problemi operativi sul campo. L’IA non è stata mai introdotta come “moda” o fine a sé stessa, ma come strumento per rendere il lavoro più efficace, sicuro e sostenibile. Non cambia il prodotto, ma cambia il modo in cui l’impianto viene gestito, mettendo la conoscenza al servizio dell’azione.
La vera rivoluzione, ha evidenziato, risiede nella gestione della conoscenza, che grazie all’IA diventa un patrimonio condiviso, accessibile a tutti, costantemente aggiornato e disponibile in tempo reale. Opseed, ha concluso, si impegna a trasformare in profondità il modo in cui le persone lavorano nelle aziende manifatturiere.
Successivamente è intervenuto Francesco Salizzoni, professionista informatico con oltre quindici anni di esperienza nello sviluppo di prodotti digitali, co-fondatore di WAILD e associato ad A+Network. Nel suo intervento ha esplorato il potenziale trasformativo derivante dall’integrazione tra intelligenza artificiale e tecnologie immersive, come la realtà estesa (XR), in contesti industriali.
Al centro della sua riflessione, ha posto la figura dell’operatore resiliente, ovvero quel lavoratore che ogni giorno affronta stress, fatica e condizioni fisiche o psicologiche complesse. Secondo il relatore, l’introduzione consapevole e ben progettata delle tecnologie può contribuire in modo significativo a migliorare il benessere dell’operatore e a rendere gli ambienti di lavoro più sostenibili, efficienti e umani.
La sua visione si basa su un’evoluzione del rapporto tra uomo e macchina, mediato da strumenti intelligenti in grado di fornire supporto operativo e informativo in tempo reale. In quest’ottica, ha introdotto il concetto di “conversazioni di valore”: interazioni con assistenti digitali capaci di adattarsi all’utente, fornendo risposte pertinenti e personalizzate.
Richiamando il pensiero di Philippa Hardman, esperta in IA e scienza dell’apprendimento, ha sottolineato che l’efficacia dell’IA dipende in larga misura dalla qualità della progettazione e dall’uso che se ne fa. Ha quindi approfondito il tema del “learn by doing”, evidenziando l’importanza di sistemi adattivi e interattivi, in grado di attivare meccanismi di iper-personalizzazione durante il lavoro e la formazione.
Durante il dibattito è stato sollevato un quesito interessante relativo al rischio di una crescente uniformità nei progetti aziendali, dovuta all’utilizzo sempre più diffuso degli stessi strumenti digitali e algoritmi. Salizzoni ha risposto evidenziando che la vera leva per l’innovazione non è lo strumento, ma il modo in cui viene impiegato. “La conversazione, se stimola il processo creativo, porta a soluzioni diverse” – ha affermato – ribadendo che la tecnologia può anzi favorire l’esplorazione di approcci progettuali alternativi, se pensata per attivare il pensiero divergente e non solo per ottimizzare schemi esistenti.
Secondo Salizzoni, le interfacce evolveranno verso sistemi capaci di vedere, ascoltare, parlare e comprendere il contesto, riconoscendo i bisogni dell’utente e offrendo informazioni mirate in tempo reale. In questa prospettiva, la combinazione tra capacità conversazionali e supporto visivo immersivo (XR e 3D) è, a suo avviso, fondamentale, poiché la nostra comprensione del mondo è profondamente radicata nella percezione visiva e spaziale.
Ha quindi illustrato alcuni segnali di questa evoluzione già visibili sul mercato, come il chip AI dedicato alla visione nei nuovi iPhone, lo sviluppo da parte di Walmart di un motore semantico capace di interpretare le ricerche in linguaggio naturale, rispondendo al fatto che i clienti formulano sempre meno query basate su parole chiave e sempre più esprimono bisogni complessi in forma discorsiva, la crescita del mercato XR con decine di nuovi dispositivi lanciati solo nell’ultimo anno, e il lancio da parte di Google della piattaforma Android XR per lo spatial computing.
Ha poi portato l’attenzione su alcune realtà italiane che si stanno già muovendo concretamente in questa direzione:
- Opseed, rappresentata da Gianluca Di Francesco e già precedentemente discussa;
- Xtendit, sviluppata da BSD e rappresentata da Alessandro Pollini, è una soluzione che integra tecnologie immersive con un sistema basato su QR code installati direttamente a bordo macchina. L’operatore, inquadrando il codice con un dispositivo, può accedere in tempo reale a contenuti digitali contestuali, che forniscono istruzioni operative, informazioni tecniche e supporto visuale personalizzato;
- Genesi, sviluppata da Applied e guidata da Aldo Di Gemma, specializzato in Digital Twin e simulazione industriale. È una piattaforma nata per colmare il divario tra progettazione e operatività e si rivolge in particolare ad aziende ad alta intensità tecnologica – come quelle attive nella produzione di macchinari, robotica e automazione industriale – offrendo strumenti per ottimizzare i processi, aumentare l’efficienza e ridurre rischi, tempi e costi di sviluppo.
A supporto della sua visione, ha anche citato un video prodotto da Google sul progetto ASTRA, che mostra come l’integrazione di tecnologie sviluppate in anni e contesti diversi possa oggi offrire esperienze operative fluide, intelligenti e naturali, in cui l’utente dialoga con il sistema in modo semplice, efficace e contestuale.
In conclusione, Salizzoni ha ipotizzato che in futuro progetti come Opseed, Xtendit e Genesi possano convergere in un’unica piattaforma, dove IA generativa, realtà estesa e simulazione lavorano in sinergia per offrire un supporto evoluto all’operatore. Questa è un’ipotesi che ha definito tutt’altro che utopica, ribadendo che solo attraverso questa integrazione potremo davvero parlare di autentiche “conversazioni di valore”.
Successivamente, l’Ing. Stefano Grillenzoni, Sales Manager in AMMAGAMMA, ha aperto il suo intervento raccontando il percorso che ha dato origine all’esperienza imprenditoriale di AMMAGAMMA, nata insieme all’Ing. Fabio Ferrari – fondatore dell’azienda – con l’idea di risolvere problematiche industriali complesse attraverso l’impiego della matematica applicata. All’epoca, il termine “intelligenza artificiale” era presente soltanto nella letteratura scientifica: non esistevano ancora le risorse computazionali necessarie per renderla concretamente applicabile nei contesti produttivi, e i modelli erano ancora in gran parte teorici.
Un passaggio cruciale nella crescita dell’azienda è stato rappresentato dall’ingresso di David Bevilacqua, ex dirigente in Cisco, che ha assunto un ruolo determinante nella riorganizzazione e nello sviluppo dell’impresa, in particolare nel costruire una struttura in grado di attrarre e formare nuovi talenti. Trovare data scientist qualificati, ha spiegato Grillenzoni, era estremamente difficile. Per questo motivo è stata fondata un’accademia interna dedicata alla matematica applicata, con l’obiettivo di formare giovani laureati attraverso casi studio reali. Questo approccio ha permesso di sviluppare internamente professionalità altamente specializzate in un ambito – quello dell’IA – che risultava poco presidiato, a conferma di quanto recente sia l’affermazione di questa verticalità nei percorsi di studio e nelle professionalità aziendali. Si tratta quindi, in molti casi, di competenze che si stanno formando solo ora.
L’ingresso di AMMAGAMMA in Accenture nei primi mesi del 2024, non è avvenuto secondo le consuete logiche di acquisizione, ma si è configurato come una vera e propria fusione. AMMAGAMMA continua infatti a esistere come entità autonoma e oggi rappresenta il centro di eccellenza di Accenture per l’IA, con un organico che conta circa 300 persone.
Ritornando agli anni in cui AMMAGAMMA ha iniziato a muovere i primi passi, i modelli erano già stati sviluppati, ma la loro concreta implementazione nelle aziende risultava complessa a causa delle barriere legate all’IT. Solo grazie alla collaborazione con figure come Stefano Venier, allora in Hera, si sono potuti avviare i primi progetti applicativi, come quelli dedicati all’ottimizzazione degli inceneritori.
Un’area di lavoro importante per AMMAGAMMA è stato il settore manifatturiero, in particolare nei settori della logistica e dell’alimentare, dove si è operato sulla previsione della domanda di mercato e sull’ottimizzazione degli approvvigionamenti. In molti casi, ha sottolineato Grillenzoni, si trattava di processi che non esistevano e che dovevano essere mappati e tradotti in software accessibili a tutti. Le attività di previsione si basavano sull’analisi di serie storiche, mentre l’ottimizzazione si traduceva in sistemi capaci di suggerire cosa ordinare, combinando l’apprendimento automatico con la ricerca operativa. Le tecniche di machine learning e deep learning risultano particolarmente efficaci in questo contesto, in quanto consentono di affrontare compiti di classificazione e regressione, le due principali tipologie di algoritmi utilizzati. Questi strumenti permettono di individuare pattern e ricorrenze all’interno di grandi volumi di dati, rivelando informazioni e correlazioni che spesso sfuggono all’osservazione umana.
Grillenzoni ha citato anche esperienze nel settore dell’industria della ceramica, uno dei comparti industriali tradizionalmente meno permeabili all’innovazione. In questo ambito, l’IA è stata impiegata con successo per prevedere la domanda di materiali e individuare i formati richiesti, rilevando i trend in atto.
Significativi sono anche i progetti realizzati nel settore terziario, in particolare con banche e assicurazioni. Un esempio emblematico è la collaborazione con BPER, una realtà con oltre 800 filiali, che affrontava costi energetici estremamente elevati, con le bollette che rappresentavano una voce di spesa particolarmente onerosa. In questo caso, è stato sviluppato un sistema di gestione energetica degli edifici (BEMS – Building Energy Management System) in grado di controllare riscaldamento, raffrescamento e illuminazione. Grazie all’integrazione dell’IA, il sistema è stato riprogrammato per adattarsi dinamicamente all’ora del giorno, alle condizioni meteorologiche e all’occupazione prevista degli ambienti nelle sedi BPER, garantendo così il comfort degli utenti e una significativa ottimizzazione dei consumi.
Un ulteriore esempio riguarda lo sviluppo di un sistema per banche e assicurazioni basato sull’analisi di serie storiche, finalizzato alla profilazione del comportamento dei clienti. Questo sistema è in grado di prevedere quando un cliente mostra segnali di possibile rischio di insolvenza, offrendo così all’istituto finanziario il tempo necessario per intervenire tempestivamente e mitigare i rischi.
Dal 2017, AMMAGAMMA ha esteso le proprie competenze anche all’ambito della comprensione semantica dei testi e all’estrazione automatica dei contenuti. Uno dei risultati più rilevanti ottenuti in questo campo riguarda il processo di erogazione dei mutui, tradizionalmente lungo e articolato: grazie all’IA, il tempo necessario per completare questo iter è passato da oltre un mese a soli tre giorni. Questo non ha comportato tagli al personale ma al contrario ha permesso di restituire alle persone il ruolo per cui erano state inizialmente assunte, liberandole da compiti ripetitivi e burocratici.
Oggi l’azienda dispone anche di specialisti nel campo delle piattaforme software per la gestione dei magazzini. Si tratta di competenze trasversali che operano su modelli non deterministici ma stocastici, basati cioè su processi probabilistici. In questi ambiti, la lettura e l’elaborazione dei dati diventa particolarmente complessa: per attività come la previsione della domanda, fondate su decenni di dati storici, è necessario ricorrere a sistemi automatici, poiché l’analisi manuale risulterebbe insostenibile e imprecisa.
La scelta dell’algoritmo è spesso guidata dalla natura dei dati a disposizione: ad esempio, nella previsione della domanda di prodotti con dati altamente oscillanti, le reti neurali si rivelano efficaci nel cogliere i picchi delle serie storiche. Per prodotti con dati più sporadici o irregolari, modelli come XGBoost (alberi decisionali potenziati) possono essere più indicati. Questa selezione attenta è fondamentale per massimizzare l’efficacia delle previsioni.
Grillenzoni ha poi fatto riferimento al pensiero dell’ex direttore tecnico di Google, Ray Kurzweil, che ha affrontato il tema dell’evoluzione dell’IA. Secondo Kurzweil, lo sviluppo di un’IA autonoma – non senziente ma capace di auto-generare nuovi algoritmi – sarebbe ormai molto vicino. Tuttavia, ha osservato Grillenzoni, esistono posizioni più caute: secondo alcuni esperti, siamo ancora lontani da quel traguardo, poiché la maggior parte degli eventi che caratterizzano l’interazione tra uomo e macchina si colloca nella cosiddetta “coda lunga” di una distribuzione normale. In altre parole, se la previsione di eventi comuni può essere descritta da una curva gaussiana, le situazioni più complesse e meno frequenti – come quelle della vita quotidiana – si trovano nelle code estreme della distribuzione, difficili da modellizzare. È proprio lì che si gioca la vera sfida dell’intelligenza artificiale.
Tornando a Kurzweil, ha ricordato come egli sostenga che la crescita delle performance dell’IA ha avuto un’accelerazione esponenziale grazie alla diffusione di strumenti hardware e software accessibili. Kurzweil ipotizza l’avvento della cosiddetta “singolarità”, ovvero un momento in cui l’IA sarà in grado di operare in autonomia, sviluppando algoritmi e soluzioni senza necessità dell’intervento umano. Finora, ha spiegato Grillenzoni, siamo nell’ambito dell’IA Ristretta, dove ogni algoritmo è progettato per svolgere un compito specifico. La vera svolta arriverà con l’IA Generale, capace di generare autonomamente codici e risolvere problemi differenti. La crescita dell’IA segue un andamento esponenziale e, secondo la metafora dei chicchi di riso sulla scacchiera, ci troviamo oggi proprio nell’ultima parte: quella in cui ogni raddoppio produce un impatto straordinario. Tuttavia, perché ciò accada, è necessario ancora molto lavoro.
Infine, rispondendo ad una domanda dalla platea, ha sottolineato come l’IA non possa e non debba sostituire l’estro e la creatività umana, che rimangono insostituibili. L’IA è invece uno strumento che libera le persone dalle attività ripetitive e routinarie, permettendo loro di concentrare il proprio talento e inventiva su attività a più alto valore aggiunto.
In conclusione, da questa sessione è emerso che l’IA non è semplicemente uno strumento per aumentare l’efficienza, ma rappresenta soprattutto un’opportunità per valorizzare le competenze umane, rendere il lavoro più sostenibile e favorire la condivisione della conoscenza all’interno delle organizzazioni. Quindi, il vero cambiamento che porta con sé è di natura culturale: è necessario ripensare i modelli di lavoro, i ruoli e le dinamiche interne, mettendo le persone al centro di questa trasformazione digitale. Solo seguendo questa strada l’IA potrà realmente potenziare le persone e favorire una collaborazione più efficace e sostenibile.pecifici, con l’obiettivo di creare una comprensione più profonda e informata di questa trasformazione.