Quando parlo di physical AI con i clienti, uno dei messaggi più chiari che ricevo è che ne comprendono i vantaggi e il potenziale. Un altro è che vogliono adottarla rapidamente, con un senso di urgenza più che giustificato.
Il 2026 Global AI Report: A Playbook for AI Leaders di NTT DATA definisce AI leader le organizzazioni che, rispetto alle altre, dispongono di strategie AI più solide, presentano una maggiore maturità nell’AI e generano profitti più elevati grazie a questa tecnologia. Il report rileva che gli AI leader sono molto più propensi rispetto alle organizzazioni in ritardo nell’adozione dell’AI a voler agire rapidamente e guidare il mercato: 46,1% contro 25,4%.
Ma la velocità da sola non basta. Il nostro report mostra inoltre che gli AI leader hanno una probabilità più che doppia rispetto alle organizzazioni in ritardo di riprogettare le applicazioni core integrando l’AI: 34,5% contro 14,5%.
Semplificare e modernizzare il core operativo dell’organizzazione deve essere uno dei primi passi di una strategia di physical AI. Anche quando è necessario procedere rapidamente, non bisogna farlo a scapito del core.
Creare le basi per accelerare l’AI e la modernizzazione
Il primo passo consiste nel semplificare e modernizzare i processi, le applicazioni, i dati e le tecnologie su cui si basa l’operatività dell’organizzazione. Rafforzare queste fondamenta permette di implementare la physical AI attraverso robot umanoidi, veicoli autonomi, droni, telecamere e macchine intelligenti.
Le applicazioni concrete variano a seconda del settore.
- In una linea di produzione, un’anomalia potrebbe essere segnalata a un operatore prima che un difetto si propaghi alle fasi successive del processo.
- Nel settore automotive, l’AI potrebbe coordinare telecamere, strumenti, macchinari e stazioni di ispezione, consentendo ai team di reagire alle variazioni delle condizioni di produzione direttamente in fabbrica.
- Per le organizzazioni del retail e dei beni di largo consumo (CPG), l’AI può supportare le decisioni relative all’esecuzione a scaffale, alla disponibilità dei prodotti e alle performance delle promozioni, garantendo tracciabilità, sicurezza e governance.
Indipendentemente dal settore, oggi la modernizzazione deve soddisfare requisiti più elevati: preparare il core operativo dell’organizzazione a un’intelligenza capace di trasformare ciò che osserva in una risposta operativa.
Manufacturing: anticipare il controllo qualità
Anche in presenza di sistemi di automazione altamente sofisticati, i produttori possono individuare problemi di qualità in fabbrica quando ormai è troppo tardi. Una volta che un componente lascia una stazione, l’organizzazione perde la possibilità di intervenire facilmente per correggere il problema.
NTT DATA ha sviluppato insieme a Hyster-Yale Materials Handling una soluzione di physical AI che dimostra come questa tecnologia possa contribuire a mitigare i problemi di qualità. La soluzione utilizza sensori di visione per monitorare in tempo reale le attività di assemblaggio ed edge AI per analizzarle direttamente in loco. Mentre il processo è in corso, il sistema confronta le attività fisiche — come l’installazione dei componenti, il completamento delle singole fasi e il rispetto delle sequenze — con il processo produttivo previsto.
Di conseguenza, se manca un componente o una fase non è stata completata, il sistema può segnalare il problema quando è ancora possibile correggerlo direttamente nella stazione, dove il costo dell’intervento è inferiore. Le tecnologie di physical AI, come la computer vision e l’edge AI, acquistano infatti ancora più valore quando il controllo qualità viene anticipato nel processo produttivo, permettendo ai team di individuare i problemi prima che si trasformino in difetti nelle fasi successive o in problemi di affidabilità.
Automotive: l’AI richiede orchestrazione in fabbrica
La physical AI offre i risultati migliori quando i modelli sono connessi ai workflow, alle apparecchiature e alle decisioni reali all’interno della fabbrica. I segnali provenienti da telecamere, sensori, strumenti e stazioni di ispezione devono essere orchestrati per rilevare problemi di qualità, indirizzare le anomalie e guidare automaticamente l’azione successiva, senza interrompere la produzione.
Quando decine di questi modelli operano in prossimità delle attività svolte in fabbrica, quindi, la sfida non riguarda soltanto la loro implementazione, ma anche la loro orchestrazione.
NTT DATA ha collaborato con un produttore automotive che si trovava ad affrontare proprio questa sfida. Il cliente utilizzava 80 modelli di AI nelle proprie attività di fabbrica, molti dei quali erano eseguiti nel cloud. Portare questa intelligenza dal cloud direttamente in fabbrica avrebbe consentito ai team di prendere decisioni più vicino alle attività produttive. Prima, però, era necessario disporre di dati affidabili per capire quali modelli funzionassero correttamente, se producessero risultati attendibili e come dovessero essere gestiti nell’ambito delle operazioni quotidiane.
Man mano che le attività del settore automotive diventano più connesse, software-defined e data-intensive, l’AI deve essere orchestrata, monitorata e governata nell’intero ambiente produttivo. In caso contrario, l’intelligenza rimane frammentata. I singoli modelli possono continuare a generare insight preziosi in ambiti circoscritti, ma diventa più difficile considerarli affidabili e tradurli in azioni su larga scala.
CPG e retail: lo scaffale diventa un segnale
Per le aziende del retail e dei beni di largo consumo (CPG), la physical AI genera valore collegando l’intelligenza alle condizioni reali dei punti vendita, degli scaffali e delle attività sul campo.
Spesso i piani commerciali non raggiungono gli obiettivi a causa del divario tra ciò che il team ha pianificato e ciò che accade realmente a scaffale. Un’azienda potrebbe finanziare una promozione per poi scoprire che il prodotto promosso non è più disponibile. Il team potrebbe pianificare un’esposizione che poi non viene realizzata. Oppure una decisione sull’assortimento potrebbe apparire corretta nel sistema, ma rivelarsi inefficace nel punto vendita.
L’esecuzione intelligente nel retail può aiutare i team sul campo a rispettare i piani. Combinando i segnali sulla disponibilità dei prodotti, la pianificazione degli itinerari e i dati sulle performance con telecamere, sistemi di riconoscimento delle immagini basati sull’AI e robot per la scansione degli scaffali e la gestione dell’inventario, i team possono individuare con chiarezza quali punti vendita richiedono attenzione e quali interventi sono prioritari.
Rendere concreta la modernizzazione nella propria organizzazione
In definitiva, la physical AI rende tangibili i risultati della modernizzazione. Permette di collegare l’intelligenza dell’AI alle attività fisiche necessarie per produrre beni, movimentare merci e servire i clienti. Nei mercati in cui velocità, fiducia e resilienza incidono sempre più sulle performance, un core operativo di questo tipo rappresenta un vantaggio competitivo.
NTT DATA è stata riconosciuta come Market Shaper nel Gartner® Emerging Market Quadrant for Physical AI Services – Established Vendors, che valuta 27 provider nel mercato emergente dei servizi di physical AI.*
Disponiamo delle piattaforme, delle partnership e delle competenze necessarie per mettere l’AI al servizio delle attività di fabbrica. Contattaci per scoprire come possiamo aiutarti.
Questo articolo è stato scritto in collaborazione con Alonso Fernandez, Global Co-Lead: Product Industries di NTT DATA.
PROSSIMI PASSI
Scopri di più sull’approccio di NTT DATA alla modernizzazione del core e su come possiamo aiutarti a creare fondamenta pronte per l’AI, per un’azienda intelligente, connessa e resiliente.
Gartner. Emerging Market Quadrant for Physical AI Services — Established Vendors, Katie Gove et al. 8 giugno 2026.
Gartner® non promuove né raccomanda alcuna azienda, fornitore, prodotto o servizio citato nelle proprie pubblicazioni e non consiglia agli utenti di tecnologie di scegliere esclusivamente i fornitori che hanno ottenuto le valutazioni più elevate o altri riconoscimenti. Le pubblicazioni Gartner riflettono le opinioni dell’organizzazione Gartner dedicata agli insight di business e tecnologia e non devono essere interpretate come dichiarazioni di fatto. Gartner esclude qualsiasi garanzia, espressa o implicita, relativa alla presente pubblicazione, comprese eventuali garanzie di commerciabilità o idoneità a uno scopo specifico. GARTNER è un marchio di Gartner, Inc. e/o delle sue affiliate. Magic Quadrant è un marchio registrato di Gartner, Inc. e/o delle sue affiliate ed è utilizzato nel presente documento previa autorizzazione. Tutti i diritti riservati.