--- title: "AI adoption in manifattura: stabilimento o prodotto, la scelta che viene prima" url: https://zerofive.ai/blog/strategia/ai-adoption-manifattura-stabilimento-prodotto canonical: https://zerofive.ai/blog/strategia/ai-adoption-manifattura-stabilimento-prodotto language: it published: 2026-08-21 updated: 2026-09-23 author: "ZeroFive.AI" tags: AI adoption, manifattura, industria, Allegato I, manutenzione predittiva abstract: "Lo stesso modello cambia regime secondo la destinazione. La mappa dei casi, la verifica sullo storico e perché un pilota non si replica da solo." --- # AI adoption in manifattura: stabilimento o prodotto, la scelta che viene prima **In sintesi.** In manifattura la scelta del primo caso d'uso si gioca su una separazione che precede ogni altra valutazione: se il sistema resta in stabilimento o finisce dentro un prodotto venduto. Nel primo caso l'azienda è deployer e il percorso è breve, nel secondo diventa fornitore ai sensi del regolamento e il percorso passa dalla valutazione di conformità del prodotto. Partire dallo stabilimento consente di imparare prima di assumersi obblighi di prodotto, ed è per questo che conviene, al di là della prudenza. In fabbrica la conversazione sull'AI parte quasi sempre da manutenzione predittiva e controllo qualità, e questa volta l'istinto è corretto. Il problema arriva dopo, quando la stessa tecnologia viene proposta per il prodotto senza che nessuno abbia notato il cambio di regime. ## Una separazione che viene prima di tutto Un modello di visione artificiale che controlla i pezzi sulla linea è un sistema che l'azienda usa per sé. Lo stesso identico modello, integrato dentro una macchina che l'azienda vende a un cliente, diventa un sistema che l'azienda immette sul mercato, con tutto quello che ne consegue in termini di documentazione e responsabilità. Cambia tutto. Il primo comporta obblighi da utilizzatore. Il secondo comporta obblighi da fornitore, con documentazione tecnica, valutazione di conformità e responsabilità verso chi acquista. La tecnologia è identica, il regime no. Questa separazione va fatta prima di costruire il portfolio, perché determina tempi, costi e competenze necessarie. Un'azienda che la scopre a progetto avviato si trova con un prodotto in sviluppo e nessuna preparazione sul percorso di conformità. ## La mappa dei casi candidati | Caso d'uso | Valore | Attrito regolamentare | Adatto come primo | |---|---|---|---| | Manutenzione predittiva su impianti | Alto, in fermi evitati | Basso | Sì | | Controllo qualità visivo non di sicurezza | Alto, in scarti | Basso | Sì | | Ottimizzazione di schedulazione e consumi | Medio-alto | Basso | Sì | | Assistenza documentale per manutentori | Medio, in tempo | Basso | Sì | | Controllo con funzione di sicurezza | Alto | Alto, cambia classe | No, non come primo | | AI integrata in prodotti venduti | Il più alto strategicamente | Alto, Allegato I | No, richiede percorso dedicato | | Monitoraggio produttività dei lavoratori | Medio, contestato | Alto, Allegato III e diritto del lavoro | Da valutare con le rappresentanze | L'ultima riga merita una nota che non è normativa. Questi sistemi vengono spesso introdotti come strumenti di efficienza, e producono conflitto interno quando le persone capiscono cosa misurano. Il costo del conflitto raramente entra nel business case. ## Il vincolo sta nel dato, non nel modello In manifattura il fattore che determina il risultato è quasi sempre la qualità dello storico. La manutenzione predittiva funziona se esistono dati di guasto etichettati correttamente, e in molti stabilimenti quei dati sono in un gestionale di manutenzione compilato in modo discontinuo. La verifica da fare prima di qualunque pilota è banale e la saltano in molti: prendere un anno di storico, contare quanti eventi di guasto sono registrati con causa e data affidabili, e verificare se sono abbastanza per addestrare qualcosa. Quando la risposta è no, il primo progetto sensato riguarda la raccolta dei dati e non un modello. La direzione non vuole sentirselo dire, e sentirlo evita di spendere per un pilota che non può riuscire. ## Un pilota su una linea non si replica da solo Il perimetro giusto in fabbrica è una linea, una cella o un impianto. La baseline si misura su quella linea, non sulla media di stabilimento, e i criteri di accettazione si fissano prima. C'è però una specificità: quello che funziona su una linea non funziona automaticamente su un'altra, perché cambiano macchine, materiali e operatori. L'estensione va trattata come un nuovo progetto con una sua verifica, non come una replica. Molte aziende scoprono questo punto dopo aver comprato licenze per tutto lo stabilimento. ## Chi deve poter fermare il sistema La responsabilità di un sistema AI in fabbrica non può stare sull'IT, che non conosce il processo, né sul responsabile di produzione, che è misurato sull'output e non ha tempo. Il punto di equilibrio è di solito il responsabile di manutenzione o il responsabile qualità, a seconda del caso d'uso, con un riferimento in direzione operations. La persona deve avere l'autorità di fermare il sistema quando serve. Un proprietario che non può spegnere resta tale solo sulla carta. ## Da dove partire La sequenza parte dall'[inventario dei sistemi AI](/blog/compliance/inventario-sistemi-ai-iso-42001), separando stabilimento e prodotto fin dalla prima riga. I criteri generali di selezione sono in [AI adoption: come scegliere il primo caso d'uso](/blog/strategia/ai-adoption-scegliere-primo-caso-uso), il modello di costo in [budget di un progetto AI](/blog/strategia/budget-progetto-ai-pilota-produzione). Il quadro normativo del settore è nella pagina [AI governance per la manifattura](/settori/industria). Per valutare quali casi d'uso hanno senso nella tua azienda puoi [fissare un incontro](https://calendly.com/fabiolalli/zerofive).